基于深度网络迁移学习的致病区脑电识别
致痫区脑电识别能够为癫痫外科手术提供重要的参考价值.提出了一种基于深度网络迁移学习的致病区脑电识别算法.首先利用连续小波变换(CWT)对脑电信号进行时频分析,获得脑电信号时频图;然后迁移学习AlexNet网络模型,调整网络结构使之适应于致痫区脑电识别,将模型第7层全连接层输出作为脑电信号时频图的特征表示,最后利用支持向量机(SVM)、BP神经网络、长短期记忆网络(LSTM)、基于稀疏表达分类算法(SRC)、线性判别分析(LDA)等分类算法进行特征分类.基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果,得到SVM算法的平均特异性为88.81%,灵敏度为88.07%,准确率为88.44%,证明了该方法识别致病区脑电信号的有效性.
癫痫、脑电、深度学习、迁移学习、时频分析
41
TP391;TH776(计算技术、计算机技术)
国家自然科学基金61501283
2020-09-30(万方平台首次上网日期,不代表论文的发表时间)
共10页
164-173