基于深度网络迁移学习的致病区脑电识别

• 作者: 曲桂果 李彦 袁琦
• 来源期刊: 仪器仪表学报
• 学科: 工学
• 关键词: 癫痫 脑电 深度学习 迁移学习 时频分析
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 生物信息检测
• 页码范围: 164-173
• 页数: 10页
• 分类号: TP391|TH776
• 语种: 中文
• DOI: 10.19650/j.cnki.cjsi.J2006094

摘要

致痫区脑电识别能够为癫痫外科手术提供重要的参考价值.提出了一种基于深度网络迁移学习的致病区脑电识别算法.首先利用连续小波变换(CWT)对脑电信号进行时频分析,获得脑电信号时频图;然后迁移学习AlexNet网络模型,调整网络结构使之适应于致痫区脑电识别,将模型第7层全连接层输出作为脑电信号时频图的特征表示,最后利用支持向量机(SVM)、BP神经网络、长短期记忆网络(LSTM)、基于稀疏表达分类算法(SRC)、线性判别分析(LDA)等分类算法进行特征分类.基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果,得到SVM算法的平均特异性为88.81％,灵敏度为88.07％,准确率为88.44％,证明了该方法识别致病区脑电信号的有效性.