基于深度卷积神经网络的脑电图异常检测
为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118716个样本的训练集和有12022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别;接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数;最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.
卷积神经网络、残差模块、脑电图、异常检测、深度学习
52
TP399(计算技术、计算机技术)
国家重点研发项目2018YFC1315400
2020-04-27(万方平台首次上网日期,不代表论文的发表时间)
共7页
122-128