基于迁移学习的癫痫EEG信号自适应识别

• 作者: 杨昌健 王士同 蒋亦樟 邓赵红
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 脑电图(EEG) 小波变换 癫痫识别 迁移学习 特征提取
• 年，卷（期）: 2014,（3）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 329-337
• 页数: 9页
• 分类号: TP391
• 字数: 6305字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1306005

摘要

脑电图（electroencephalogram，EEG）信号智能识别是癫痫病检测的重要手段。传统的智能识别方法在进行检测时，都假定智能模型训练采用的训练样本集和测试样本集满足同一分布特征，但在实际应用时，此假设条件过于苛刻，当训练和测试数据对应的场景有一定漂移时传统方法不再适用。针对上述情况，将近年来广受关注的对分布差异性场景具备较好性能的迁移学习方法引入到脑电图识别中，使得最终所得的模型对训练和测试数据的分布要求较之传统方法得到进一步放松，扩大了算法的适应场景，实现了在数据漂移场景下对癫痫EEG信号的自适应识别。实验表明，基于迁移学习的方法比传统方法具有更好的适应性。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王士同	江南大学数字媒体学院	528	3424	23.0	37.0
2	邓赵红	江南大学数字媒体学院	86	764	11.0	26.0
3	蒋亦樟	江南大学数字媒体学院	50	216	8.0	11.0
4	杨昌健	江南大学数字媒体学院	3	15	2.0	3.0