基于迁移学习和空洞卷积的癫痫状态识别方法

摘要：

癫痫患者脑电信号的自动检测和发作诊断对临床治疗癫痫具有重要意义.针对训练数据有限及训练与测试数据分布不一致的难点,采用领域间联合知识迁移学习方法,实现小训练数据量下的癫痫状态识别.首先对脑电信号进行4层小波包分解,提取小波包分解系数作为特征,通过边缘分布和联合分布迭代调整,完成源域和目标域特征之间的知识迁移,训练空洞卷积神经网络作为分类器,完成目标域癫痫状态识别.分别在波士顿儿童医院CHB-MIT脑电数据集(22例被试,共计790 h)和波恩大学癫痫脑电数据集(5组,每组100个片段,每段23.6 s)上进行算法验证,实验结果表明,所提出的方法对复杂癫痫状态的平均识别准确度、敏感性、特异性在CHB-MIT数据集上达到96.8％,96.1％、96.4％;在波恩数据集上,平均识别准确率为96.9％,有效提高了癫痫状态识别综合性能,实现了癫痫发作稳定可靠检测.

关键词：脑电信号、小波包变换、迁移学习、空洞卷积、癫痫识别

所属期刊栏目：39

分类号：R318(医用一般科学)

资助基金：高等学校学科创新引智计划;上海市市级重大科技专项;国家重点研发计划重点专项项目

在线出版日期：2021-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：700-710