基于深度神经网络迁移特征学习的癫痫发作检测研究.pdfVIP

杭州电子科技大学硕士学位论文

摘要

癫痫(Epilepsy)是一种危及生命的突发神经系统疾病，全世界大约有5000万人

受其影响，其中仅在中国就有900多万患者。然而，大约10%∼50%的癫痫患者无法

通过药物或者外科手术治愈。对于这些患者，如果可以准确识别出癫痫发病前的状态，

就能够让患者提前做好保护措施，减少癫痫发作时因丧失意识而产生的二次伤害。

脑电图（Electroencephalogram,EEG）记录了大量有关大脑活动的信息，在癫痫

发作检测领域发挥着极其重要的作用。迄今为止，已有的研究主要集中于癫痫发作/未

发作检测，但是关于癫痫发作前期的分类研究却非常少。发作前期的准确分类可以为

患者提供更多的保护措施，阻止或者减少癫痫发作造成的伤害。另外，传统的癫痫检

测算法普遍将发作前期定义为癫痫发作前一个小时的状态。对于实际临床应用，这种

划分方式不够详细，无法消除癫痫突然发作给患者带来的威胁和焦虑。因此，一种时

效性好、准确性高的癫痫发作检测方法具有重大的现实意义。

本文主要的研究内容和成果如下：

1.提出了一种基于深度迁移特征的癫痫检测方法。首先设计了一种详细的癫痫发

作前期状态划分方式，然后将五个经过ImageNet数据库预训练的深度神经网络模型

（AlexNet、VGG19、Inception-v3、ResNet152和Inception-ResNet-v2）用于提取多通

道脑电信号子频带的平均振幅谱(MAS)图特征，最后将提取的深层特征输入两层神

经网络（全连接层和softmax层）进行癫痫脑电分类。提出的算法在CHB-MIT数据

库的五分类（发作前期被等分为三个时长为20分钟的无重叠的时间段）任务中取得

了89.81%的总体分类准确率。

2.提出了一种基于深度神经网络（DNNs）迁移特征融合的癫痫检测方法。首先

将五个预训练CNNs模型捕获的MAS图迁移特征进行拼接融合，然后将融合后的特

征向量结合一个由全连接层、dropout层和softmax层组成的七层神经网络模型进行

癫痫脑电信号识别。为了在临床上给患者带来更大的帮助，本文将发作前状态进行更

精细的分割，构成一个八种癫痫状态的分类任务。为了评估算法的泛化性能，本文还

通过iNeuro数据库中的癫痫脑电数据加以验证，并设有三种和五种癫痫状态分类实

-I-

杭州电子科技大学硕士学位论文

验。通过在两个标准癫痫数据库上的大量实验验证，提出的算法均得到了最佳分类结

果。在CHB-MIT数据库中，对于发作前期被划分为20和10分钟的非重叠等长时间

段实验，提出的算法分别取得了最高的96.97%和92.28%的总体分类精度，在iNeuro

数据库中，对于发作前期被划分为60和20分钟的时间段，分别得到了最高的91.21%

和87.87%的识别准确率。

3.提出了一种基于手动提取（Hand-Crafted）特征与深度卷积神经网络迁移特征

融合的癫痫检测方法。MAS特征能够反映脑电信号的频域信息但忽略了时域信息。为

了获得更具有辨识度的Hand-Crafted特征，本文将手动提取的MAS、MPSD频域特

征和小波包分解得到的时频域特征进行融合，然后将Hand-Crafted融合特征图结合

深度迁移特征融合算法进行癫痫检测。多次实验结果显示，基于Hand-Crafted特征融

合算法的识别效果明显优于单个Hand-Crafted特征。对于五种癫痫状态的分类问题，

提出的算法在CHB-MIT和iNeuro数据库分别取得了98.97%和92.04%的总体准确

率。

关键词:癫痫发作检测，深度神经网络，迁移学习，平均幅度谱，特征融合

-II-

杭州电子科技大学硕士学位论文

ABSTRACT

Epilepsy,asasuddenandlife-threateningnervoussystemdisease,