毕业论文

打赏
当前位置: 毕业论文 > 自动化 >

基于深度学习的EEG信号癫痫波形的自动检测与识别

时间:2019-10-27 14:42来源:毕业论文
通过研究使用深度学习算法,使用深度置信网络、卷积神经网络模型,提取EEG信号中的癫痫特征,训练网络,对输入的脑电信号进行分类,从而实现癫痫的自动识别,有效解决了人工检

摘要癫痫是大脑神经元突发性异常放电,导致短暂的大脑功能障碍的一种慢性疾病。癫痫患者的脑电图上常记录到棘波、尖波、棘慢复合波等癫痫样异常放电。人工检测脑电图劳动强度高,主观因素大,且难以实现大规模筛查。通过研究使用深度学习算法,使用深度置信网络、卷积神经网络模型,提取EEG信号中的癫痫特征,训练网络,对输入的脑电信号进行分类,从而实现癫痫的自动识别,有效解决了人工检测有很大缺陷的问题。同时,探究了网络中不同参数的设置对实验结果的影响,比较了不同网络识别的结果。实验表明,检测的准确率高,有良好的应用前景。   41525
毕业论文关键词  癫痫  深度学习  自动识别
Title         Automatic Epilepsy Detection Based on     Deep Learning Algorithm                        
Abstract Epilepsy is a chronic disease of the brain  caused by  abnormal discharging of neuron which could lead to temporary brain dysfunction. The electroencephalogram (EEG) of epilepsy patients is often with spike wave, sharp wave or the combination of sharp and slow wave. It takes too much time to check epilepsy by human inspectors due to the large amounts of data and the results are often subjective. To effectively solve this problem, we focus on how to use deep learning algorithm to extract features of EEG of epilepsy and to detect epilepsy automatically. Meanwhile, we explore how different parameters in of the deep learning network could affect the experiment results by comparing the performances under different settings.  Our promising result shows the effectiveness of deep learning algorithm in recognizing epilepsy in EEG.   源$自,六.维/论[文;网'www.lwfree.cn
Keywords    epilepsy  deep learning  detection
目次
1绪论1
1.1引言„1
1.2课题背景及研究意义1
1.3国内外研究现状2
1.4主要研究内容„4
1.5论文的结构安排4
2癫痫脑电信号分析与深度学习的基础知识6
2.1癫痫发作原因及特点6
2.2脑电图的测量方法„6
2.3脑电信号种类„7
2.4癫痫脑电的特征波„8
2.5深度学习简介„9
3用DBN算法检测EEG信号中的癫痫波形„12
3.1癫痫波形检测的DBN算法框架12
3.2深度置信网络(DBN)12
3.3实验数据准备„17
3.4数据处理18
3.5实验结果„20
3.6最终结果„25
3.7改进„26
3.8本章小结„26
4用CNN算法检测EEG信号中的癫痫波形„28
4.1癫痫波形检测的CNN算法框架28
4.2卷积神经网络(CNN)28
4.3实验结果„31
4.4最终结果„31
4.5本章小结„31
结论„33
致谢„34
参考文献„35
图2.1国际标准的头皮电极放置法6
图2.2正常脑电波7
图2.3癫痫脑电的常见特征波形9
图2.4深度学习与传统方法、机器学习、表征学习的区别10
图2.5深度学习模型阐释10
图3.1癫痫波形检测的DBN算法框架12
图3.2DBN示意图12
图3.3RBM结构13
图3.4伪代码的算法流程15
图3.5Sigmoid函数16
图3.6原始数据图像18
图3.7学习率和节点数对检测结果的影响21
图3.8训练迭代次数对检测结果的影响22
图3.9分类器对检测结果的影响24
图3.103号个体第344号样本图像26 源$自,六.维/论[文;网'www.lwfree.cn
图4.1癫痫波形检测的CNN算法框架28
图4.2卷积神经网络示意图29
图4.3特征映射图29
图4.4CNN的网络结构30
图4.52号个体第1311号样本图像32 基于深度学习的EEG信号癫痫波形的自动检测与识别:http://www.lwfree.cn/zidonghua/20191027/41606.html
------分隔线----------------------------
推荐内容