检索历史 清除

摘要新生儿癫痫是新生儿重症监护病房（NICU）常见的神经系统急症。常见的新生儿癫痫发作检测依靠经验丰富的专家依据脑电图等辅助工具进行诊断，然而这项枯燥的诊断工作耗费太长专家诊断的时间并且诊断过程中可能会掺杂专家的主观判断因素。此外，新生儿在癫痫发作时不能像成年人在癫痫发作时有明显的表现，如：丧失意识和口吐白沫等。针对癫痫发作情况他们难以表达只能由专家根据脑电图来诊断。随着深度学习不断发展壮大，结合深度学习的方法探索性能优异的新生儿癫痫发作自动检测模型对减轻医生诊断压力和帮助新生儿得到及时的救治都有重要意义。为此，本文提出了两种针对新生儿癫痫发作自动检测的方法。<br>　　本文首次构建了结合元学习（Meta-Learning,MAML）与深度网络的新生儿癫痫发作检测模型。该深度网络是由四个一维卷积块、线性激活层、随机丢弃层和全连接层构成，并采用元学习的方法进行网络的训练。元学习是一种优秀的训练方法，它能够在更少的时间找到拟合数据的最优模型。在结合元学习MAML算法与深度网络的新生儿癫痫发作检测中：首先，对本文使用的35位新生儿癫痫脑电数据进行预处理工作。其次，将预处理后的“纯净”数据送入到元学习和深度网络结合的模型中进行学习并检测。元学习训练方法是它在训练的众多任务中不断调整模型的初始化权重直到找到一个最优的权重模型，使用测试任务中的支持数据集进行简单训练后能快速地适应查询数据集的数据。在这个过程中它不断调整本文所提出的模型即元学习与深度网络的新生儿癫痫发作检测模型的训练参数，并使得模型达到对新生儿癫痫脑电信号检测的最好状态。最后，采用后处理的方法对该深度网络模型的输出结果进行优化来进一步提高元学习与深度网络结合的自动检测模型的准确性。相较于其他深度学习模型需要大量的数据训练来得到一个较好的分类结果，元学习依据较少的数据并且能快速拟合不同的任务。本文提出的模型更简洁地实现对新生儿癫痫发作的检测并且它缩短了新生儿癫痫发作检测的时间，这将极大地助力于癫痫患儿，使得他们得到及时的诊断和治疗。<br>　　此外，本文还提出了结合Meta-SGD算法（StochasticGradientDescent）与深度网络的新生儿癫痫发作检测模型。其中，深度网络模型是由三个一维卷积块、线性激活层、随机丢弃层和线性层构成。在结合Meta-SGD算法与深度网络的模型中：首先，对35位新生儿癫痫脑电数据进行预处理和特征提取。其次，将提取的20个特征依次送入结合Meta-SGD算法与深度网络的模型中，Meta-SGD算法与MAML算法不同，它既能学习初始化权重参数也能学习适应当前数据的学习率从而不断优化模型。它在训练数据集任务上计算损失函数梯度并调整模型参数，在测试数据集任务上计算损失函数梯度并更新模型参数和学习率。最后，将线性层输出的结果进行后处理。在国际开源的新生儿脑电数据库上的实验结果，证明了该方法在新生儿癫痫发作检测方面的可靠性。<br>　　本文通过与其他已发表的研究提出的新生儿癫痫检测模型的实验结果进行对比，表明本文所提出的方法的优异性能。在未来的工作中，本文要将提出的新生儿癫痫检测模型与本地医院进行合作，帮助解决临床问题。同时寻找更优的深度网络架构结合元学习的训练方法不断提升新生儿癫痫发作检测的精度。