本文選題：癲癇檢測(cè) + 限制波爾茲曼機(jī)(RBM)��； 參考：《山東大學(xué)》2017年碩士論文

【摘要】：癲癇是一種慢性神經(jīng)系統(tǒng)綜合征,可以由遺傳、多種神經(jīng)系統(tǒng)疾病以及全身疾病引起,具有反復(fù)性和突發(fā)性。癲癇可見于各個(gè)年齡段,其發(fā)作的臨床表現(xiàn)主要有突發(fā)意識(shí)喪失、全身強(qiáng)直、抽搐、軀體或者肢體電擊樣抖動(dòng)等。微觀上,癲癇發(fā)作是由大腦內(nèi)部神經(jīng)元異常放電活動(dòng)導(dǎo)致的,臨床上常用腦電圖記錄這種電活動(dòng),從而輔助癲癇疾病的治療和研究。腦電圖一方面包含了大量的生理和病理信息,為醫(yī)生診斷和治療癲癇疾病提供了有力的幫助;另一方面腦電圖通常包含數(shù)十個(gè)小時(shí)的腦電數(shù)據(jù),而且這些數(shù)據(jù)需要醫(yī)務(wù)人員根據(jù)臨床經(jīng)驗(yàn)人工讀取,因此分析腦電圖是一項(xiàng)非�？菰锱c耗時(shí)的工作,人工的主觀性和疲勞會(huì)影響診斷的準(zhǔn)確性。為了提高癲癇診斷與治療的效率和準(zhǔn)確性,信息技術(shù)的發(fā)展帶來了自動(dòng)癲癇檢測(cè)。自動(dòng)癲癇檢測(cè)是運(yùn)用計(jì)算機(jī)以及檢測(cè)算法進(jìn)行腦電圖的讀取和分析,從而大大減輕了人工讀圖的工作負(fù)擔(dān),提高了癲癇治療效率。本文提出了一種基于深度學(xué)習(xí)的深信度網(wǎng)絡(luò)(Deep Belief Network,DBN)進(jìn)行自動(dòng)癲癇檢測(cè)的算法。深信度網(wǎng)絡(luò)是深度學(xué)習(xí)中的經(jīng)典算法模型,它可以看作由多個(gè)限制玻爾茲曼機(jī)(Restricted Boltzmann Machines,RBM)疊加而成。目前,DBN已經(jīng)廣泛應(yīng)用到對(duì)象建模、特征提取、識(shí)別等領(lǐng)域。本文提出的算法框架如下:首先對(duì)原始腦電數(shù)據(jù)分段,運(yùn)用S變換進(jìn)行時(shí)頻分析,從而在每段中提取一組特征模值;然后按照訓(xùn)練樣本和測(cè)試樣本進(jìn)行線性歸一化;接著把歸一化的特征模值送入自定義結(jié)構(gòu)的深信度網(wǎng)絡(luò)中,通過逐層提取和抽象,最終得到兩類輸出,即發(fā)作和非發(fā)作;最后運(yùn)用做差處理的方法,對(duì)兩類輸出結(jié)果進(jìn)行后處理,從而提高分類的準(zhǔn)確性。本文的實(shí)驗(yàn)數(shù)據(jù)來自德國弗萊堡醫(yī)學(xué)院癲癇研究中心,采用了其中9位病人的34次癲癇發(fā)作對(duì)該方法進(jìn)行評(píng)估。本文提出的方法將深度學(xué)習(xí)領(lǐng)域中的經(jīng)典算法模型應(yīng)用到癲癇檢測(cè)方法,推動(dòng)了癲癇檢測(cè)技術(shù)的發(fā)展。
[Abstract]:Epilepsy is a kind of chronic nervous system syndrome, which can be caused by heredity, many nervous system diseases and systemic diseases. Epilepsy can be seen in all ages, the main clinical manifestations of seizures are sudden loss of consciousness, systemic ankylosis, convulsions, body or limb electrocution shaking and so on. Microscopically, epileptic seizures are caused by abnormal discharges of neurons in the brain, which are recorded by EEG in clinic to assist the treatment and research of epileptic diseases. On the one hand, EEG contains a lot of physiological and pathological information, which provides powerful help for doctors in the diagnosis and treatment of epilepsy; on the other hand, EEG usually contains tens of hours of EEG data. These data need to be read manually according to the clinical experience, so EEG analysis is a very boring and time-consuming work, artificial subjectivity and fatigue will affect the accuracy of diagnosis. In order to improve the efficiency and accuracy of epilepsy diagnosis and treatment, the development of information technology has brought automatic epilepsy detection. Automatic epilepsy detection is to use computer and detection algorithm to read and analyze EEG, thus greatly reducing the workload of manual reading map and improving the efficiency of epilepsy treatment. In this paper, an automatic epilepsy detection algorithm based on Deep Belief Network (DBN) is proposed. It is believed that the degree network is a classical algorithm model in depth learning, which can be considered as superposed by several restricted Boltzmann machines, restricted Boltzmann machines and RBMs. At present, DBN has been widely used in object modeling, feature extraction, recognition and other fields. The framework of this algorithm is as follows: firstly, the original EEG data are segmented, and then a set of eigenmodes are extracted from each segment by using S-transform, and then linear normalization is carried out according to the training sample and the test sample. Then the normalized eigenmode value is sent into the confidence network of the custom structure, and two types of output are obtained by extracting and abstracting them layer by layer, that is, attack and non-seizure. Finally, the method of differential processing is used. In order to improve the accuracy of classification, two kinds of output results are processed. The data were collected from the Epilepsy Research Center of the Freiburg School of Medicine in Germany. The method was evaluated with 34 seizures in 9 of the patients. In this paper, the classical algorithm model in the field of deep learning is applied to epilepsy detection, which promotes the development of epilepsy detection technology.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R742.1;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 吳剛珂;;無線網(wǎng)絡(luò)在檢驗(yàn)醫(yī)學(xué)局域網(wǎng)的建立和集成[J];現(xiàn)代檢驗(yàn)醫(yī)學(xué)雜志;2007年02期

2 張?jiān)?李軍鷹;系統(tǒng)網(wǎng)絡(luò)優(yōu)化的幾點(diǎn)經(jīng)驗(yàn)[J];江蘇預(yù)防醫(yī)學(xué);2001年01期

相關(guān)會(huì)議論文 前9條

1 莫富強(qiáng);王浩;姚宏亮;;動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)算法的一種加速[A];中國儀器儀表學(xué)會(huì)第九屆青年學(xué)術(shù)會(huì)議論文集[C];2007年

2 方錦清;;網(wǎng)絡(luò)科學(xué)理論研究的若干進(jìn)展與展望-近年我院復(fù)雜網(wǎng)絡(luò)小組的研究概述[A];第三屆全國復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)學(xué)術(shù)論壇論文集[C];2006年

3 王惠生;;GSM-R網(wǎng)絡(luò)參數(shù)ACCMIN的設(shè)置及對(duì)系統(tǒng)的影響[A];鐵道科學(xué)技術(shù)新進(jìn)展——鐵道科學(xué)研究院五十五周年論文集[C];2005年

4 董樹義;趙永久;路宏敏;;微波規(guī)準(zhǔn)網(wǎng)絡(luò)參數(shù)擬合模型與CAT[A];1991年全國微波會(huì)議論文集（卷Ⅱ）[C];1991年

5 陳濤;龔正虎;胡寧;;基于改進(jìn)BP算法的網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)模型[A];2009全國計(jì)算機(jī)網(wǎng)絡(luò)與通信學(xué)術(shù)會(huì)議論文集[C];2009年

6 彭振宇;朱暢華;董樹義;;傳輸型雙六端口測(cè)量網(wǎng)絡(luò)參數(shù)的優(yōu)化方案探討[A];1995年全國微波會(huì)議論文集（下冊(cè)）[C];1995年

7 方錦清;汪小帆;鄭志剛;;非線性網(wǎng)絡(luò)的動(dòng)力學(xué)復(fù)雜性研究的進(jìn)展概況[A];第四屆全國網(wǎng)絡(luò)科學(xué)學(xué)術(shù)論壇暨研究生暑期學(xué)校論文集[C];2008年

8 吳曄;肖井華;馬寶軍;吳智遠(yuǎn);楊俊忠;;手機(jī)短信網(wǎng)絡(luò)的生長(zhǎng)過程研究[A];2006全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文集[C];2006年

9 梁昌洪;張新軍;;一類非均勻傳輸線網(wǎng)絡(luò)參數(shù)的數(shù)值求解[A];1997年全國微波會(huì)議論文集(下冊(cè))[C];1997年

相關(guān)重要報(bào)紙文章 前10條

1 魏大可;校園網(wǎng)絡(luò)參數(shù)維護(hù)技巧之隱藏法[N];中國電腦教育報(bào);2003年

2 北京 阮征;遠(yuǎn)程修改網(wǎng)絡(luò)參數(shù)[N];電腦報(bào);2004年

3 本報(bào)記者 葉閃;告別網(wǎng)絡(luò)亞健康狀態(tài)[N];計(jì)算機(jī)世界;2001年

4 武君;網(wǎng)絡(luò)優(yōu)化因“段”制宜[N];通信產(chǎn)業(yè)報(bào);2006年

5 廣西 卜云聲;網(wǎng)絡(luò)切換開關(guān)——Netswitcher[N];電腦報(bào);2001年

6 愛立信(中國)通信有限公司;自組織網(wǎng)絡(luò):構(gòu)建高效低成本移動(dòng)網(wǎng)絡(luò)[N];通信產(chǎn)業(yè)報(bào);2010年

7 記者 趙雅琪;“易優(yōu)”有效解決TD網(wǎng)絡(luò)優(yōu)化難題[N];人民郵電;2009年

8 上海貝爾 肖曄　陳曦 李勇;建設(shè)性能優(yōu)異的WCDMA網(wǎng)絡(luò)[N];人民郵電;2009年

9 劉學(xué)勇;解讀NGMN白皮書[N];通信產(chǎn)業(yè)報(bào);2007年

10 本報(bào)實(shí)習(xí)記者 賈冕;WiFi共享：是福是禍？[N];中國知識(shí)產(chǎn)權(quán)報(bào);2013年

相關(guān)博士學(xué)位論文 前10條

1 周文剛;網(wǎng)絡(luò)流量分類識(shí)別若干技術(shù)研究[D];電子科技大學(xué);2014年

2 王河山;回聲狀態(tài)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)優(yōu)化及其應(yīng)用[D];華東理工大學(xué);2016年

3 熊云艷;復(fù)雜網(wǎng)絡(luò)的某些性質(zhì)研究及其應(yīng)用[D];華南理工大學(xué);2016年

4 王贏飛;復(fù)雜動(dòng)力網(wǎng)絡(luò)的拓?fù)渥R(shí)別：從單層到多層[D];武漢大學(xué);2016年

5 李曉娟;作業(yè)車間生產(chǎn)網(wǎng)絡(luò)多瓶頸識(shí)別與資源優(yōu)化配置研究[D];新疆大學(xué);2017年

6 繆丹丹;基于多維關(guān)聯(lián)的移動(dòng)網(wǎng)絡(luò)狀態(tài)分析研究[D];中國科學(xué)技術(shù)大學(xué);2017年

7 王濤;全局耦合網(wǎng)絡(luò)的特性及其混沌控制研究[D];哈爾濱工程大學(xué);2012年

8 蘇先創(chuàng);復(fù)雜網(wǎng)絡(luò)的結(jié)構(gòu)刻畫與蛋白質(zhì)作用網(wǎng)絡(luò)的建模研究[D];浙江大學(xué);2011年

9 楊談;網(wǎng)絡(luò)混沌行為及其控制的研究[D];北京郵電大學(xué);2009年

10 嚴(yán)傳魁;基于一種自適應(yīng)突觸學(xué)習(xí)規(guī)則的網(wǎng)絡(luò)同步分析以及在記憶模型中的應(yīng)用[D];華東理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 萬慧華;基于RR間期和深度置信網(wǎng)絡(luò)的房顫檢測(cè)[D];河北大學(xué);2015年

2 唐小虹;復(fù)雜網(wǎng)絡(luò)級(jí)聯(lián)失效下的負(fù)載重分配機(jī)制研究[D];西南交通大學(xué);2015年

3 白昊晨;CDMA網(wǎng)絡(luò)優(yōu)化技術(shù)研究[D];北京化工大學(xué);2015年

4 陳雨;基于復(fù)雜網(wǎng)絡(luò)的故障診斷方法研究及系統(tǒng)實(shí)現(xiàn)[D];北京化工大學(xué);2015年

5 張亞娟;基于復(fù)雜網(wǎng)絡(luò)的房顫信號(hào)特性分析[D];復(fù)旦大學(xué);2014年

6 袁博;基于關(guān)系網(wǎng)絡(luò)的微博話題挖掘[D];哈爾濱工業(yè)大學(xué);2014年

7 楊程成;相互作用網(wǎng)絡(luò)的魯棒性研究[D];電子科技大學(xué);2015年

8 孫衛(wèi)強(qiáng);基于深度信念網(wǎng)絡(luò)的網(wǎng)絡(luò)水軍識(shí)別研究[D];湘潭大學(xué);2015年

9 朱日劍;復(fù)雜網(wǎng)絡(luò)上動(dòng)力學(xué)系統(tǒng)同步現(xiàn)象的研究[D];廣西師范大學(xué);2015年

10 劉煒;無線網(wǎng)絡(luò)資源動(dòng)態(tài)監(jiān)測(cè)與分配技術(shù)研究[D];電子科技大學(xué);2015年

，

本文編號(hào)：1777876