基于深度神经网络的癫痫脑电分析与处理.pdfVIP

目录

摘要I

AbstractIII

第一章绪论1

1.1课题研究背景及意义1

1.2脑电信号概述2

1.3国内外研究现状4

1.3.1新生儿癫痫发作检测研究现状4

1.3.2致痫区脑电信号识别研究现状5

1.4本文结构安排6

第二章结合稀疏表示与深度学习的新生儿癫痫发作检测8

2.1脑电信号的预处理与特征提取8

2.1.1滤波处理8

2.1.2分段处理8

2.1.3特征提取9

2.1.4标准化10

2.2稀疏表示11

2.2.1稀疏表示分类理论11

2.2.2稀疏编码方法13

2.3深度卷积自编码器14

2.4新生儿癫痫发作检测模型17

2.4.1编码器18

2.4.2稀疏编码层18

2.4.3解码器19

2.4.4优化器与损失函数19

2.5后处理20

2.6实验结果与讨论21

2.6.1新生儿癫痫脑电数据库简介21

2.6.2模型评价指标21

2.6.3实验结果分析22

2.7本章小结26

第三章基于多项式混沌展开与深度人工神经网络的致痫区脑电识别28

3.1脑电信号的预处理与特征提取28

3.1.1滤波处理28

3.1.2特征提取28

3.1.3标准化29

3.2致痫区脑电识别模型29

3.2.1任意多项式混沌展开30

3.2.2深度人工神经网络36

3.2.3深度任意多项式混沌神经网络40

3.3实验结果与讨论45

3.3.1致痫区脑电数据库简介45

3.3.2模型评价指标46

3.3.3实验结果分析46

3.4本章小结49

第四章总结与展望51

4.1全文总结51

4.2未来展望51

参考文献53

攻读硕士学位期间发表的学术论文62

致谢63

摘要

癫痫是一种会发生在各个年龄段的神经生物学疾病，发作时具有急性、反复性的特

点。癫痫一直是医学上极难治疗的疾病，传统的癫痫脑电信号分析是医护人员通过视觉

监测脑电图来完成的，但是这一过程会掺杂较多的主观因素，易造成检测结果的不准确。

同时，人工检测耗时，这会给医护人员带来一定的工作负担从而造成较低的工作效率。

因此为了解决上述问题，本文分别针对新生儿癫痫发作自动检测和致痫区脑电识别提出

了两种深度学习模型。

由于新生儿癫痫发作时没有外在身体表现，只体现在重复的脑电图活动中，因此，

通过对脑电信号的处理与分类，来自动检测新生儿的癫痫发作尤为重要。本文将稀疏表

示与深度学习相结合，构建了一种深度稀疏表示分类（DeepSparseRepresentation

Classification，DSRC）模型来检测新生儿连续长程脑电记录中的癫痫发作。首先，对脑

电信号进行预处理与特征提取，之后将脑电特征送入DSRC模型进行训练和分类。DSRC

模型由卷积自编码器与稀疏表示分类器组成。卷积自编码器即自编码器与卷积神经网络

结合用来实现多层次的特征提取，稀疏表示分类器位于编码器与解码器之间用来实现