基于深度学习的癫痫脑电不平衡分类方法
癫痫发作自动检测技术对癫痫患者的诊断和治疗具有重要意义.由于癫痫发作期持续时间较短,发作期与非发作期的脑电数据分布是不平衡的.针对该问题,本文提出了一种不平衡分类与深度学习相结合的癫痫发作自动检测方法.首先,为防止不同类别数据之间界限模糊,使用Borderline-SMOTE算法对1/3训练集做平衡处理;之后,设计了金字塔型的一维深度卷积神经网络,并利用平衡处理的训练集进行训练.与常见的二维卷积神经网络不同,本文构造的一维卷积神经网络减少了训练参数,提高了训练速率,能够有效地避免由于训练样本较少而造成的过拟合.在长达991小时的长程头皮脑电数据集上的实验表明,经过平衡处理后的检测效果得到明显改善,最佳敏感度达到92.35%,特异性达到99.88%,阳性预测率达到90.68%,阴性预测率达到99.91%.同时,与其他癫痫检测方法的比较表明,本文方法具有更好的检测结果,更加符合临床应用的要求.
癫痫检测、脑电信号、不平衡分类、Borderline-SMOTE、一维深度卷积神经网络
42
TP391;TH776(计算技术、计算机技术)
国家自然科学基金61501283
2021-07-28(万方平台首次上网日期,不代表论文的发表时间)
共10页
231-240