检索历史 清除

摘要针对致痫区脑电识别与癫痫发作检测，本文对癫痫患者的脑电信号展开分析与处理。传统的癫痫患者的脑电信号的分析方法，是由医生通过视觉检测脑电图来完成。但是这种方式会掺杂许多主观因素，从而造成结果的不准确。同时，也会耗费大量的人力与时间，从而使癫痫患者的治疗进程进展缓慢。随着深度学习的不断发展，许多脑电信号自动识别与检测的方法呈现出来。虽然这方面的算法能够在一定程度上解决问题，但是大多数不能够兼顾精度与速度。为了解决上述问题，本文分别针对致痫区脑电识别与癫痫发作检测提出了两种混合深度模型。<br>　　针对致痫区脑电识别，本文构建了由双向长短期记忆模块、注意力机制、一维卷积模块以及全连接层组成的混合深度模型。首先，将经过预处理之后的脑电特征送入双向长短期记忆模块。双向长短期记忆模块能够对长程脑电序列提取前后依赖关系，并且对数据能够进行更全面的表征。随后，使用简易通道注意力机制对数据流进行处理，从而能够根据脑电数据中包含的信息程度及信息量对脑电数据进行权重分配，进而提高对致痫区脑电的识别速度。最后，利用一维卷积模块对脑电数据进行整体上的信息处理。本文所提出的混合深度模型在两个不同的脑电数据库上进行了性能评估与测试，并通过消融实验进行了验证。实验结果表明了该混合深度模型的有效性和良好的泛化性能。并且与其他已发表的致痫区脑电识别方法的对比进一步体现了本文模型的优势。<br>　　针对癫痫发作检测，本文将一维卷积块、通道注意力机制、门控循环单元以及全连接层相结合，构建了一种新型的混合深度模型。首先，对脑电信号进行预处理与特征提取。之后，将脑电特征数据送入到一维卷积块实现整体范围上信息的初步筛查。随后，利用通道注意力机制对各个通道的脑电数据进行信息的抑制与重点标记。然后，通过所构建的门控循环单元学习脑电数据信息之间短期与长期的依赖关系。最终，将发作检测结果进行输出。在癫痫检测挑战赛数据库上对本文所提出的混合深度模型进行了性能评估与测验，同时，通过消融实验进一步表明了该模型的有效性。<br>　　本文所提出的两种混合深度模型分别在致痫区脑电识别和癫痫发作检测上均达到了令人满意的精准度，从而表明了混合深度模型在癫痫脑电分析与处理方面的有效性。在未来的工作中，将与医院密切合作，进一步将所提出的混合深度模型在实际临床应用中进行测试和完善。