| 面向癫痫脑电的简化深度学习模型 |
| |
| 引用本文： | 张锦,刘熔,田森,陈胜,魏建好. 面向癫痫脑电的简化深度学习模型[J]. 国防科技大学学报, 2020, 42(6): 106-111 |
| |
| 作者姓名： | 张锦 刘熔 田森 陈胜 魏建好 |
| |
| 作者单位： | 湖南师范大学 信息科学与工程学院, 湖南 长沙 410081;湖南师范大学 数学与统计学院, 湖南 长沙 410081;湖南大学 信息科学与工程学院, 湖南 长沙 410082 |
| |
| 基金项目： | 国家教育部产学合作协同育人基金资助项目(201702001043,201801037136,201901051021); 湖南省教育厅创新平台开放基金资助项目(15K082); 湖南省研究生教改基金资助项目(JG2018A012); 湖南省交通运输厅科技进步与创新计划资助项目(201927) |
| |
| 摘 要： | 针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析；利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节；增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高；前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。
|
| 关 键 词： | 癫痫脑电 卷积神经网络 Keras框架 经验模态分解 |
| 收稿时间： | 2019-09-24 |
Simplified deep learning model for epilepsy electroencephalogram |
| |
| ZHANG Jin,LIU Rong,TIAN Sen,CHEN Sheng,WEI Jianhao. Simplified deep learning model for epilepsy electroencephalogram[J]. Journal of National University of Defense Technology, 2020, 42(6): 106-111 |
| |
| Authors: | ZHANG Jin LIU Rong TIAN Sen CHEN Sheng WEI Jianhao |
| |
| Affiliation: | College of Information Science and Engineering, Hunan Normal University, Changsha 410081, China;College of Mathematics and Statistics, Hunan Normal University, Changsha 410081, China; College of Information Science and Engineering, Hunan University, Changsha 410082, China |
| |
| Abstract: | |
| |
| Keywords: | epilepsy electroencephalogram convolutional neural network Keras framework empirical mode decomposition |
|
| 点击此处可从《国防科技大学学报》浏览原始摘要信息 |
|
点击此处可从《国防科技大学学报》下载免费的PDF全文 |
|
