论文部分内容阅读
癫痫疾病是一种患病率较高的脑部疾病,它严重威胁着人们的健康。由于癫痫发作时会产生如棘波、尖波等特殊的脑电波形,临床医学通常在诊治患者的过程中会对其进行长时间的脑电监测以判别患者发病与否。该过程产生的脑电信号数据量非常大,单纯依靠人工识别不仅耗时而且存在一定误差。所以,研究出一种自动识别分类癫痫脑电信号的方法意义重大。本文以波恩大学癫痫研究中心脑电数据库为研究对象,设计了一种基于深度学习的癫痫脑电信号分类的新方法。该方法包括:基于稀疏自动编码器(SparseAutomatic Encoder,SAE)提取癫痫脑电信号的特征、基于长短期记忆循环神经网络(Long-Short-Term-Memory Recurrent Network Networks,LSTM-RNN)进一步分析 SAE 提取的特征以及基于softmax分类器完成信号分类。本文具体工作有以下几个方面:首先,获取深度学习网络训练所需的样本数据集。原始癫痫脑电数据是大量连续真实的脑电信号,为了能够在不损失信号信息的基础上配合深度学习网络结构的训练,本文对数据进行了归一化处理、分段存储处理及标签化处理等。其次,基于SAE提取癫痫脑电信号的特征。经过分段存储处理后,共获得20000个维度为100的样本数据。将这些样本数据输入到SAE中,经过不断的参数调整获得相应的权重矩阵,即网络结构的确定过程。在SAE网络结构确定的基础上,SAE的输出将作为LSTM-RNN的输入。再次,基于LSTM-RNN进一步分析SAE提取的特征。由于脑电信号具有时序特征,为了将时序特征纳入分析,本文采用了更擅长时序分析的LSTM-RNN,其中共设10个记忆模块。样本数据维度为1000,维度为1000的大样本被顺序分为10个小样本输入到各个记忆模块对应的SAE中,在不断的参数调整过程中优化网络结构。LSTM-RNN的输出将作为softmax分类器的输入。最后,基于softmax分类器完成信号分类。其中,二分类的准确率为65.3%,三分类的准确率为56.7%。结果表明,本文的设计方法具有识别分类癫痫脑电信号的一定能力。