生物醫(yī)學信號是通過儀器設備可以采集到的、對于生命體狀態(tài)最直接的描述信息。其種類眾多且來源廣泛,是生物學、信息學、醫(yī)學等學科的重要研究對象。隨著生物醫(yī)學相關學科的迅速發(fā)展,科研人員和醫(yī)務工作者對于此類信號處理、分析技術的需求愈發(fā)強烈。高效的生物信號處理方法可以有效提升科研人員探索生命機制工作的效率,從而更好地揭示生理結構與功能的關系,進而推動生物學重大發(fā)現(xiàn)的產(chǎn)生。高精度的醫(yī)學信號分析策略可以在一定程度上分擔醫(yī)生的臨床診斷工作壓力,協(xié)助其制定更有利于疾病預防和治療的方案,進而減輕患者的生理和精神痛苦,提升社會的整體健康水平。傳統(tǒng)的信號分析方法已經(jīng)很難滿足日益增長的生物醫(yī)學信號處理需求,利用先進的機器學習技術對所涉及問題進行有效建模和分析成為該領域的研究熱點。深度學習是指利用多層神經(jīng)網(wǎng)絡獲得數(shù)據(jù)的特征表示,進而利用該特征表示進行數(shù)據(jù)分析的機器學習方法。作為當今機器學習領域最受關注的研究方向,深度學習正引領著新一輪的人工智能研究浪潮。憑借其強大的非線性特征表示能力,近年來,卷積神經(jīng)網(wǎng)絡成為眾多深度學習模型中應用最廣、綜合效果最好的深度神經(jīng)網(wǎng)絡結構,在以模式識別為代表的諸多任務上取得了一系列前所...

【文章頁數(shù)】：120 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 生物醫(yī)學信息學
    1.2 生物醫(yī)學信號
    1.3 人工神經(jīng)網(wǎng)絡與深度學習
    1.4 主要研究內(nèi)容和章節(jié)安排
        1.4.1 主要研究內(nèi)容
        1.4.2 章節(jié)安排
第二章 基于CNN特征表示的乳腺腫塊分類
    2.1 引言
    2.2 深度學習與CNN特征表示
    2.3 基于視覺特征表示的乳腺腫塊分類
    2.4 基于CNN特征表示的乳腺腫塊分類方法
        2.4.1 乳腺腫塊CNN特征表示網(wǎng)絡
        2.4.2 乳腺腫塊CNN特征決策機制
    2.5 實驗結果與分析
        2.5.1 乳腺腫塊圖像數(shù)據(jù)
        2.5.2 客觀評價
        2.5.3 主觀評價
    2.6 本章小結
第三章 基于大間隔度量CNN的乳腺腫塊分類方法
    3.1 引言
    3.2 度量學習和深度度量CNN
    3.3 基于大間隔度量CNN的乳腺腫塊分類方法
        3.3.1 大間隔度量學習層
        3.3.2 側重疑難病例的網(wǎng)絡訓練迭代策略
    3.4 實驗結果與分析
    3.5 本章小結
第四章 基于時空融合CNN的EEG信號分類
    4.1 引言
    4.2 EEG信號分類
    4.3 工作記憶和心理負荷分類
    4.4 基于時空融合CNN的EEG分類方法
        4.4.1 多通道輸入EEG分類網(wǎng)絡
        4.4.2 單通道輸入EEG分類網(wǎng)絡
        4.4.3 基于時空融合CNN的EEG信號分類
    4.5 實驗結果與分析
        4.5.1 EEG信號數(shù)據(jù)集
        4.5.2 CNN模型訓練
        4.5.3 分類錯誤率
        4.5.4 特征向量分布
    4.6 本章小結
第五章 基于EEG和生成對抗CNN的視覺刺激重構
    5.1 引言
    5.2 基于神經(jīng)影像信號的視覺解碼
    5.3 生成對抗CNN
    5.4 基于EEG和生成對抗CNN的視覺刺激重構方法
        5.4.1 視覺引導的EEG信號分類
        5.4.2 基于生成對抗CNN的視覺刺激生成
    5.5 實驗結果與分析
        5.5.1 實驗數(shù)據(jù)
        5.5.2 GAN網(wǎng)絡結構與訓練方法
        5.5.3 結果分析
    5.6 本章小結
第六章 總結與展望
    6.1 本文總結
        6.1.1 乳腺腫塊分類總結
        6.1.2 腦電信號解碼總結
    6.2 研究展望
        6.2.1 乳腺腫塊分類展望
        6.2.2 腦電信號解碼展望
參考文獻
致謝
作者簡介



本文編號：3823512