神经网络拟合模型的麻醉深度检测电子信息学院.ppt

内容提要 * * 问题重现 EEG信号时频特征分析 基于神经网络的拟合模型 实验及结果分析 总结与展望 3 1 2 3 3 4 3 5 总结 分析了不同麻醉深度下的EEG信号时频特征 1 引入神经网络拟合模型进行麻醉深度检测 2 展望 更有效的时频特征 1 海量的数据集 2 麻醉深度与EEG信号的本质联系 3 谢谢！敬请批评指正！ 基于神经网络拟合模型的麻醉深度检测 电子信息学院 ：汤煌 电子信息学院 ：王茜 电子信息学院 ：廖婷 内容提要 * * 问题重现 EEG信号时频特征分析 基于神经网络的拟合模型 实验及结果分析 总结与展望 3 1 2 3 3 4 3 5 问题重现 脑电 特征 麻醉深度 脑电信号 即EEG信号 spectral_edge_95total_power BIS指数 问题重现 一组数组包含dat，Var，hea三个文件 Hea文件存有信号参数 Dat文件存有EEG数据， Var文件存有时频特征 共有37组完整数据 问题重现 内容提要 * * 问题重现 EEG信号时频特征分析 基于神经网络的拟合模型 实验及结果分析 总结与展望 3 1 2 3 3 4 3 5 EEG信号时域特征 BIS=90 EEG信号时域特征 BIS=80 EEG信号时域特征 BIS=60 EEG信号时域特征 BIS=40 EEG信号频域特征 BIS=40 EEG信号频域特征 BIS=60 EEG信号频域特征 BIS=80 EEG信号频域特征 BIS=90 EEG信号时频特征 Total Power，Spectrum Edge Freq， Burst Suppression Ratio， Beta_Power VAR文件计算的标准特征 spectral_edge_95 emg_low total_power bis_signal_quality 功率谱（0~30Hz，分辨率：0.5Hz） 处理方法：四个计算好的特征，以及把60维的功率谱压缩到6维得到10维特征 内容提要 * * 问题重现 EEG信号时频特征分析 基于神经网络的拟合模型 实验及结果分析 总结与展望 3 1 2 3 3 4 3 5 基于神经网络拟合模型的麻醉深度检测框架 神经网络拟合模型 网络模型：双层前馈型网络，sigmoid隐层，线性输出层。 训练算法：LM BP算法 误差准则：MSE（均方误差） 代码来源：Matlab nftool 神经网络拟合举例 训练样本：42 交叉验证样本：9 测试样本：9 内容提要 * * 问题重现 EEG信号时频特征分析 基于神经网络的拟合模型 实验及结果分析 总结与展望 3 1 2 3 3 4 3 5 实验及分析 选择测试数据 选择隐层大小 运行拟合算法 输出均方误差 实验及分析 测试数据: demo911155236 训练数据：其他32组数据 特征：var文件标准特征 实验及分析 测试数据: demo911160718 训练数据：其他32组数据 特征：var文件标准特征 实验及分析 测试数据:邹建122724 训练数据：其他32组数据 特征：var文件标准特征 实验及分析 测试数据: demo911155236 训练数据：其他32组数据 特征：计算特征 实验及分析 实验数据中BIS量化为整数后对应的样本直方图 样本偏少