針對(duì)腦電信號(hào)隨機(jī)性強(qiáng)、動(dòng)態(tài)變化迅速等特點(diǎn),提出了一種簡(jiǎn)化深度學(xué)習(xí)模型研究癲癇腦電識(shí)別問(wèn)題。提出的模型以一維卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),在結(jié)構(gòu)方面簡(jiǎn)化了卷積層、池化層等以提高模型效率,在整體框架方面應(yīng)用了Keras框架,在訓(xùn)練優(yōu)化算法方面采用RMSProp算法作為模型優(yōu)化算法,通過(guò)預(yù)定義的目標(biāo)函數(shù)來(lái)進(jìn)行損失估計(jì),模型設(shè)計(jì)上加入了批標(biāo)準(zhǔn)化層和全局均值池化層。基于所提模型,從三個(gè)方面研究了癲癇腦電識(shí)別問(wèn)題,即:利用經(jīng)驗(yàn)?zāi)B(tài)分解,分別選取前三階、前五階、前七階、前八階的本征模態(tài)函數(shù)分量,在簡(jiǎn)化模型上進(jìn)行對(duì)比分析;利用提出模型所具備的深度學(xué)習(xí)特點(diǎn),直接識(shí)別原始腦電信號(hào)而無(wú)須特征提取環(huán)節(jié);增加了三種不同方法分別提取7類特征,對(duì)相同的腦電數(shù)據(jù)進(jìn)行對(duì)比分析。性能分析結(jié)果表明:對(duì)于五類不同的腦電信號(hào),前三階的本征模態(tài)函數(shù)分量的識(shí)別率達(dá)到92.1%,比其他幾種處理方式識(shí)別率高;前八階的本征模態(tài)分量識(shí)別率不及原始信號(hào),表明人工數(shù)據(jù)處理時(shí)會(huì)給數(shù)據(jù)帶來(lái)噪聲;所提出的簡(jiǎn)化深度學(xué)習(xí)模型能高效處理癲癇腦電識(shí)別問(wèn)題,具備較高效率和較好性能。 

【文章來(lái)源】：國(guó)防科技大學(xué)學(xué)報(bào). 2020,42(06)北大核心EICSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
1 面向癲癇腦電的簡(jiǎn)化深度學(xué)習(xí)模型
    1.1 面向癲癇腦電的一維卷積神經(jīng)網(wǎng)絡(luò)
        1.1.1 模型結(jié)構(gòu)
        1.1.2 算法設(shè)計(jì)
    1.2 模型參數(shù)設(shè)計(jì)
2 性能分析
    2.1 數(shù)據(jù)集
    2.2 基于數(shù)據(jù)預(yù)處理的EEG識(shí)別
        2.2.1 基于EMD數(shù)據(jù)預(yù)處理的識(shí)別框架
        2.2.2 實(shí)驗(yàn)結(jié)果
    2.3 基于深度學(xué)習(xí)的EEG識(shí)別
        2.3.1 基于原始數(shù)據(jù)的識(shí)別框架
        2.3.2 實(shí)驗(yàn)結(jié)果
    2.4 對(duì)比實(shí)驗(yàn)
        2.4.1 對(duì)比方法
        2.4.2 實(shí)驗(yàn)結(jié)果
3 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于HHT和CSSD的多域融合自適應(yīng)腦電特征提取方法[J]. 李明愛(ài),崔燕,楊金福,郝冬梅.  電子學(xué)報(bào). 2013(12)
[2]中國(guó)癲癇流行病學(xué)調(diào)查研究進(jìn)展[J]. 常琳,王小姍.  國(guó)際神經(jīng)病學(xué)神經(jīng)外科學(xué)雜志. 2012(02)

博士論文
[1]EMD算法研究及其在信號(hào)去噪中的應(yīng)用[D]. 王婷.哈爾濱工程大學(xué) 2010

碩士論文
[1]基于同步的癲癇腦電識(shí)別研究[D]. 魏建好.湖南師范大學(xué) 2017



本文編號(hào)：3196697