基于深度学习的EEG癫痫检测算法研究
这是一篇关于癫痫,脑电信号,深度学习,癫痫检测,联合模型的论文, 主要内容为目的:癫痫是一种神经系统性疾病,常伴随患者一生。而且,癫痫疾病的发作没有任何征兆,无论患者处在何时何处,都有发作的可能。目前,检测癫痫脑电的主要手段是通过专业的医生观察脑电图的方式进行,这种检测方式效率低、漏检率高、容易出错等。因此,利用深度学习技术辅助医生检测癫痫脑电是有必要的,而且有助于医生快速掌握患者病情,对癫痫患者的治疗具有重要意义。方法:(1)对于癫痫脑电信号的识别,提出了一种简化的一维卷积神经网络模型癫痫脑电检测方法。基础网络选择的是Alex Net神经网络模型,把用于图片领域的Alex Net二维卷积核换成一维卷积核,再调小卷积核尺寸和降低卷积核数量,并丢弃多余的全连接层,降低剩余全连接层神经元的数量。最终得到一个仅使用了三个卷积层的简化一维Alex Net。在数据处理部分,首先对原始的脑电信号进行预处理,对每一个脑电样本进行归一化处理;然后,以固定大小的窗口和步长对输入数据进行滑动采样,将每一个长序列的脑电信号分解为较短的子信号。最后,将处理好的数据用于训练简化的一维Alex Net模型。(2)对于癫痫发作检测的研究,提出了一种基于深度迁移联合模型的癫痫发作检测方法。癫痫发作检测在于对发作间期和发作前期脑电的识别,本文将发作前10分钟作为发作前期样本,并对这10分钟的脑电进一步等分成无重叠的5分钟脑电,分别代表发作前10-5分钟的发作前期Pre1和发作前5分钟的发作前期Pre2,与5分钟发作间期Interitcal组成三个类别。输入数据的处理同样采用了滑窗重叠采样法,窗口长度为512,步长为128。对于采样后的数据运用短时傅里叶变换法将一维的脑电数据转换成二维的时频图片,最后利用深度迁移联合模型进行癫痫发作检测。采用的预训练模型分别是Alex Net、VGG16、Inception V3和Res Net50,将4个预训练模型分别与双向长短时记忆网络Bi LSTM进行组合构成联合模型,模型的前一部分用于提取时频图中的频域特征,再经过Bi LSTM进一步提取时域特征。如此便能综合利用脑电信号中的时域和频域信息,实现癫痫发作的精准检测。结果:(1)基于简化的一维卷积神经网络对癫痫脑电的检测研究在德国波恩癫痫脑电5个数据子集上进行,分别设置了4组实验,每组实验均取得98%以上的准确率。4组实验及其结果为,实验一:AB vs CD,灵敏度,特异性,准确率分别为98.11%,100%,98.80%;实验二:AB vs E,灵敏度,特异性,准确率分别为99.13%,100%,99.64%;实验三:CD vs E,灵敏度,特异性,准确率分别为99.15%,98.85%,98.52%;实验四:AB vs CD vs E:灵敏度,特异性,准确率分别为99.93%,100%,99.97%。(2)基于深度迁移联合模型的癫痫发作检测实验在CHB-MIT癫痫脑电数据集上展开。四个联合模型在所选定患者的数据上均进行了实验,Alex Net-Bi LSTM模型的平均准确率在92%左右;VGG16-Bi LSTM的平均准确率在94%左右;Inception V3-Bi LSTM取得了98%以上的平均准确率;Res Net50-Bi LSTM取得了97%以上的平均准确率。结论:(1)简化的一维卷积神经网络能以较少的网络层数和训练参数,取得较高的癫痫脑电检测准确率,结构简单的一维卷积神经网络在癫痫脑电检测方面中具有良好的适应性,后期可以很好地移植到移动设备中进行实际应用。(2)对于细分了发作前期的癫痫发作检测实验,深度迁移联合模型表现出了较强的泛化能力,联合模型对频域特征和时域特征的综合利用大大提高了癫痫发作被精准检测的概率,为抑制癫痫疾病的突然性发作提供了帮助。
面向脑电波癫痫分类的忆阻神经网络设计与实现
这是一篇关于癫痫,忆阻器,神经形态计算,脑电信号,权值调控的论文, 主要内容为癫痫是一种困扰人类多年的慢性脑部疾病,需要持续不断地预防和检测,设计癫痫自动检测系统具有重要意义。忆阻器这一新型器件具有功耗低、集成度高以及天然的突触特性等优势,有望在癫痫自动检测系统的设计与实现中发挥远高于传统CMOS器件的性能。但目前基于忆阻器阵列的神经网络硬件实现较少,其性能仍有很大提升空间。因此,本文围绕基于忆阻器阵列的脑电信号癫痫分类神经网络展开研究,论文主要工作如下:第二章设计了一种面向忆阻器实现的癫痫分类卷积神经网络,提出了一种权值均方剪枝方法以简化网络,使网络在现有忆阻器阵列规模和性能水平上达到了高识别性能。主要研究内容包括脑电信号的预处理方法、脑电信号癫痫分类神经网络的设计以及神经网络的剪枝方法。本章首先通过对脑电信号进行预处理完成对不同癫痫种类脑电信号的特征提取。随后设计卷积神经网络,完成对于脑电波电信信号的分类。最后为了适应忆阻器阵列规模,面向忆阻器实现对卷积神经网络进行剪枝,降低网络中的参数个数。最终实现的网络通过剪枝使网络的硬件资源消耗降低了29.66%,网络在对于癫痫病人发病种类的分类应用中实现了99.1%的分类准确率。第三章基于电路级测试验证系统和多值忆阻阵列对所提出的卷积神经网络和阻值精确调控方法进行了验证。本章首先分析阵列良率和权值映射误差对硬件网络性能带来的影响,并以此为基础确定忆阻器阻值精确调控应当满足的误差容限。随后通过优化选择施加脉冲的幅度和宽度,以及施加脉冲时器件的栅压等三个变量,实现忆阻器阻值精确调控。最后对权值调控的实际效果进行测试验证。调控完成后阵列的良率为98.05%,阵列的平均误差水平为4.27%,在调制完成213分钟(5.68天)后,阵列的平均误差水平保持在10.4633%,具有良好的保持特性。第四章针对神经网络在忆阻器阵列上的实现问题,设计神经网络权值在忆阻器阵列上的映射方案,并在实际阵列上对神经网络进行了硬件实现验证。首先设计神经网络权值在忆阻器阵列上的映射方法。随后基于前文所设计的映射方法和权值调控方法,在忆阻器阵列上对分类神经网络进行了部分实现。最后结合实现部分测试结果完成全系统仿真并对全系统进行了稳定性分析。最终的验证结果表明网络在调制结束时能达到98.9%的分类准确率,在调制结束213分钟后,网络仍能保持96.5%以上的分类准确率。本文所研究的内容对于癫痫检测系统的设计能提供一种新思路,有望推动癫痫检测技术的进一步发展。
癫痫医疗领域知识图谱的构建及应用探索
这是一篇关于命名实体识,别关系抽,取深度学习,知识图谱,癫痫的论文, 主要内容为癫痫是一种常见的脑部疾病,发病症状会给患者生活带来很大困扰。但公众受限于平时接触机会不多且文献复杂,很难了解癫痫相关的科学知识。而知识图谱最大的特点就是将现实世界中各种复杂关系,抽象为节点与边组成的有向图。在构建癫痫医疗知识图谱后,事物的联系变得直观,人们可以更轻松地获取癫痫相关信息。例如查询不同种类癫痫之间的联系和共性等。知识图谱构建的两个关键步骤分别是:命名实体识别和关系抽取。然而在癫痫领域,上述任务均缺乏标注数据集。这导致了主流方法无法在癫痫领域得到较好的结果。此外,主流方法一般将关系抽取任务建模成分类任务,只能抽取特定种类的关系,导致抽取结果不全面。因此,本文提出了一套不依赖癫痫领域标注数据集的命名实体识别和关系抽取模型。并在模型基础上实现了癫痫医疗领域知识图谱构建系统,向用户提供知识图谱构建服务。具体来说,本文开展了以下工作:1)针对命名实体识别模型缺乏癫痫领域训练集的问题,本文基于域对抗网络和多任务学习,设计了用于癫痫领域命名实体识别任务的模型。这两种策略都通过改善编码层编码,提高模型的泛化能力。提出的模型在自行标注的测试集上,F1值达到了 0.8348,证明了改进的有效性。2)针对关系抽取任务缺乏训练集和关系种类受限的问题,本文在开放式关系抽取模型的基础上,引入了先验规则和判别器网络。从多方面筛选关系三元组,提升模型的关系三元组抽取质量。实验结果表明,改进后模型抽取质量有了大幅提升,在抽样评测中改进模型的正确率最高达到了 42%。3)基于上述命名实体识别和关系抽取模型,本文在B/S架构下设计并实现了癫痫医疗领域知识图谱构建系统。该系统拥有转换上传论文,并从论文中提取命名实体和关系三元组的能力,可以向用户提供一键式构建知识图谱的服务。同时,系统还提供了知识图谱可视化和查找功能,用户可以方便地浏览系统生成的知识图谱。
面向癫痫诊断的特征融合及协同决策方法
这是一篇关于癫痫,脑电图,特征融合,模糊系统,智能诊断的论文, 主要内容为癫痫是一种非传染性的慢性神经系统疾病,发作时的不可预测性给患者带来了生活的不便,且其并发症形式多样,严重时可能危及生命。基于脑电图(Electroencephalogram,EEG)进行癫痫诊断是该疾病最常用的临床诊断手段。但是,阅读脑电图主要依靠有经验的医生目视检查,费时费力。因此,研究辅助医生读图的癫痫自动诊断模型尤为重要。随着技术的发展,已经有许多癫痫诊断的模型出现,不过仍然存在着一些问题和挑战,一是原始EEG数据存在信息不完整和时空信息互相干扰的问题;二是癫痫发作的标记数据不足和样本不平衡问题;三是探究如何提取出全面性的有效特征;四是数据的异化性和分类设定的多样性问题。针对上述四个问题,本文提出了两种基于特征融合及协同决策的新方法,分别用于癫痫发作检测和癫痫发作亚型分类任务,并进一步开发了在线服务平台原型系统。本论文的主要工作包含如下三个方面:(1)针对原始数据的信息完整性及特征的鉴别力问题,本文提出了一个多尺度深度特征融合及多视角协同的癫痫检测算法。首先,从时域、频域、时频域提取三种浅层视角特征,并通过深度学习得到深度特征;然后,构建多尺度融合网络学习出多个全局融合视角特征,分别描述了一个一般化的全局融合视角和三个局部强化的全局融合视角;进一步地,在得到的三个深度视角和四个全局融合视角的基础上,训练了基于模糊规则的多视角TSK模糊系统。最终构建出具有高泛化性和可解释性的癫痫检测模型。将该模型应用于国际开源的波士顿儿童医院癫痫脑电数据集进行性能评估,在准确率、灵敏度和特异度三个测试性能上均表现优异。与其他的新颖方法相比,本文所提出的检测算法具有更好的整体性能。(2)针对特征的有效性、数据的异化性和分类设定的多样性问题,本文提出了一个自相关特征融合及模糊分类的亚型分类算法。该算法由深度特征处理、自相关融合和模糊分类三个部分构成。深度特征处理包括通道压缩、扩频等一系列操作。自相关融合的过程首先依靠多头注意力机制提取时域和频域信息的自相关性;然后,融合两种自相关特征构成时频自相关特征;最后,学习时频深度特征和时频自相关特征的多视角信息,得到时频融合特征。模糊分类由经典的TSK模糊系统作为基本模型实现。基于天普大学癫痫脑电数据集和华中科技大学儿童数据集,该分类算法在F1指标和准确率上均达到了不错的效果。同时给出了不同亚型划分的验证结果和解释。(3)基于上述两个算法,开发设计了一个智能癫痫诊断平台的原型系统。平台前端由Vue框架实现,后端基于Spring Boot和Flask框架,该平台服务于临床医生和患者,由管理员进行信息和权限监管。医生首先通过癫痫检测模型确认是否为癫痫发作并标记发作期,然后利用癫痫亚型自动分类模型明确患者的发作类别,便于医生更快更有效地掌握足够的病理信息并对症诊断。患者可以借助平台远程查询病情,并通过在线聊天功能便捷及时地和医生进行沟通,做到医患云端会面。该平台既提高了医生的诊断效率,又降低了患者的问诊成本,真正达到了医患信息共享,搭建出医患沟通新桥梁。
基于电子病历的癫痫医学知识图谱构建的研究
这是一篇关于电子病历,医学知识图谱,癫痫,实体识别,关系抽取的论文, 主要内容为自2015年起,每年二月的第二个星期一是世界癫痫日。在中国,据最新流行病学显示,癫痫病已成为仅次于头痛病的第二大神经科常见病。随着医院信息系统的推广,生物高通量技术的持续猛进,人工智能与医学相结合已是大势所趋。如何有效地组织和利用癫痫患者的电子病历,快速且准确地从这些海量文本资料中获取有效信息并发现新知识,将极大推动医学研究进步和取得重大突破。本研究将癫痫电子病历与知识图谱相结合,对知识图谱构建过程中的命名实体识别和关系抽取进行了研究,并基于Neo4j实现癫痫医学知识图谱构建与可视化展示,主要工作如下:1.提出CNN-Bi LSTM-CRF模型对癫痫患者的电子病历进行命名实体识别。本研究详细分析了癫痫电子病历的结构和语言特点,将命名实体识别作为序列标注的一种,构建了癫痫电子病历语料库。在BiLSTM-CRF基准模型的基础上,引入CNN对文本向量化的句子矩阵进行局部特征提取,捕捉到多个连续词之间的特征,在同一类特征中共享权重,在训练过程中学到抽象的空间特征。通过对比实验,结果表明本研究提出的模型在命名实体识别上优于其他基准模型。2.提出BiGRU-ATT模型对癫痫患者的电子病历中的医学实体进行关系抽取。本研究对癫痫电子病历中的医学实体关系进行分析,并在借鉴已有研究的基础上,定义其中的7种医学关系,构建了关系抽取语料库。在BiGRU模型基础上,引入自注意力机制关注分类任务中关键的语义信息,通过每个字与序列中每个字的计算,挖掘字词之间潜在的联系,提升模型分类能力。对比实验结果表明,本研究提出的模型在关系抽取任务中能取得更好的效果。3.实现了癫痫医学知识图谱的构建和可视化展示。本研究将识别出的5种医学实体和7种医学关系生成结构化的文件,导入Neo4j图数据库,利用图数据库强大的存储、检索和处理能力,实现了知识图谱的数据可视化。本研究针对癫痫患者的电子病历进行了综合分析,并以此作为数据源,进行医学实体识别和关系抽取,实现了基于Neo4j癫痫医学知识图谱的可视化。
癫痫医疗领域知识图谱的构建及应用探索
这是一篇关于命名实体识,别关系抽,取深度学习,知识图谱,癫痫的论文, 主要内容为癫痫是一种常见的脑部疾病,发病症状会给患者生活带来很大困扰。但公众受限于平时接触机会不多且文献复杂,很难了解癫痫相关的科学知识。而知识图谱最大的特点就是将现实世界中各种复杂关系,抽象为节点与边组成的有向图。在构建癫痫医疗知识图谱后,事物的联系变得直观,人们可以更轻松地获取癫痫相关信息。例如查询不同种类癫痫之间的联系和共性等。知识图谱构建的两个关键步骤分别是:命名实体识别和关系抽取。然而在癫痫领域,上述任务均缺乏标注数据集。这导致了主流方法无法在癫痫领域得到较好的结果。此外,主流方法一般将关系抽取任务建模成分类任务,只能抽取特定种类的关系,导致抽取结果不全面。因此,本文提出了一套不依赖癫痫领域标注数据集的命名实体识别和关系抽取模型。并在模型基础上实现了癫痫医疗领域知识图谱构建系统,向用户提供知识图谱构建服务。具体来说,本文开展了以下工作:1)针对命名实体识别模型缺乏癫痫领域训练集的问题,本文基于域对抗网络和多任务学习,设计了用于癫痫领域命名实体识别任务的模型。这两种策略都通过改善编码层编码,提高模型的泛化能力。提出的模型在自行标注的测试集上,F1值达到了 0.8348,证明了改进的有效性。2)针对关系抽取任务缺乏训练集和关系种类受限的问题,本文在开放式关系抽取模型的基础上,引入了先验规则和判别器网络。从多方面筛选关系三元组,提升模型的关系三元组抽取质量。实验结果表明,改进后模型抽取质量有了大幅提升,在抽样评测中改进模型的正确率最高达到了 42%。3)基于上述命名实体识别和关系抽取模型,本文在B/S架构下设计并实现了癫痫医疗领域知识图谱构建系统。该系统拥有转换上传论文,并从论文中提取命名实体和关系三元组的能力,可以向用户提供一键式构建知识图谱的服务。同时,系统还提供了知识图谱可视化和查找功能,用户可以方便地浏览系统生成的知识图谱。
癫痫医疗领域知识图谱的构建及应用探索
这是一篇关于命名实体识,别关系抽,取深度学习,知识图谱,癫痫的论文, 主要内容为癫痫是一种常见的脑部疾病,发病症状会给患者生活带来很大困扰。但公众受限于平时接触机会不多且文献复杂,很难了解癫痫相关的科学知识。而知识图谱最大的特点就是将现实世界中各种复杂关系,抽象为节点与边组成的有向图。在构建癫痫医疗知识图谱后,事物的联系变得直观,人们可以更轻松地获取癫痫相关信息。例如查询不同种类癫痫之间的联系和共性等。知识图谱构建的两个关键步骤分别是:命名实体识别和关系抽取。然而在癫痫领域,上述任务均缺乏标注数据集。这导致了主流方法无法在癫痫领域得到较好的结果。此外,主流方法一般将关系抽取任务建模成分类任务,只能抽取特定种类的关系,导致抽取结果不全面。因此,本文提出了一套不依赖癫痫领域标注数据集的命名实体识别和关系抽取模型。并在模型基础上实现了癫痫医疗领域知识图谱构建系统,向用户提供知识图谱构建服务。具体来说,本文开展了以下工作:1)针对命名实体识别模型缺乏癫痫领域训练集的问题,本文基于域对抗网络和多任务学习,设计了用于癫痫领域命名实体识别任务的模型。这两种策略都通过改善编码层编码,提高模型的泛化能力。提出的模型在自行标注的测试集上,F1值达到了 0.8348,证明了改进的有效性。2)针对关系抽取任务缺乏训练集和关系种类受限的问题,本文在开放式关系抽取模型的基础上,引入了先验规则和判别器网络。从多方面筛选关系三元组,提升模型的关系三元组抽取质量。实验结果表明,改进后模型抽取质量有了大幅提升,在抽样评测中改进模型的正确率最高达到了 42%。3)基于上述命名实体识别和关系抽取模型,本文在B/S架构下设计并实现了癫痫医疗领域知识图谱构建系统。该系统拥有转换上传论文,并从论文中提取命名实体和关系三元组的能力,可以向用户提供一键式构建知识图谱的服务。同时,系统还提供了知识图谱可视化和查找功能,用户可以方便地浏览系统生成的知识图谱。
基于深度学习的EEG癫痫发作预测方法研究
这是一篇关于癫痫,发作预测,脑电图,深度学习,时频特征,特征融合的论文, 主要内容为癫痫是一种由大脑异常放电引起的神经系统疾病,其发作会对患者的神经系统、认知、心理造成严重后果,影响患者的身心健康和生活质量,甚至给患者带来不利的社会影响。癫痫发作具有突发性、反复性等特点,如果在发作前能够及时准确地预测癫痫发作,将有助于医生通过医疗干预,预防发作,降低发作给患者带来的危害,对患者和社会都具有十分重要的意义。EEG是临床癫痫诊断中最常用的方法之一,目前有很多基于EEG的癫痫发作预测的方法,其中大多数使用EEG单一的时域特征和频域特征,对癫痫发作预测的模型性能提升不大。因此,本课题以两个公开的癫痫脑电数据集作为研究对象,提出了两种基于EEG特征分析的深度学习模型,对癫痫发作预测的方法进行研究。首先,基于EEG时频特征,本文提出一种结合Res Net主干网络和Bi LSTM的深度学习网络模型,称为Res Bi LSTM。该方法通过短时傅里叶变换,将EEG变换为时频图,并使用Res Bi LSTM从时频图中提取特征,对EEG进行分类。通过添加Bi LSTM,Res Bi LSTM能够有效的提取时频特征中更细节的特征。使用了CHB-MIT数据集和新生儿癫痫脑电数据集对该模型的性能进行评估,结果表明,所提出的方法表现出优秀的性能,与其他模型对比,在准确度和每小时误报率方面均有改善。其次,基于EEG的时域特征和频域特征融合的方法,本文提出一种将一维卷积神经网络和改进的LSTM相结合的CLSTM模型,将原始EEG经过快速傅里叶变换提取的频域特征和原始EEG作为模型输入,将1DCNN分支提取的频域特征和LSTM分支提取的时域特征进行融合,以提高模型分类的性能,同时降低计算成本。模型在CHB-MIT数据集和新生儿癫痫脑电数据集上进行四个测试实验,结果表明,通过将时域特征和频域特征进行融合,能够有效的对发作间期和发作前期的EEG样本进行分类,对比于其他方法的结果,说明该方法在癫痫发作预测任务上表现更优秀。综上所述,基于时频特征所提出的Res Bi LSTM模型及基于时域特征和频域特征融合的方法所提出的CLSTM模型均表现出优秀的特征提取能力,能够对癫痫发作进行准确的预测,从而为癫痫发作预测临床应用提供理论支撑。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设助手 ，原文地址：https://bishedaima.com/lunwen/52327.html
