基于稀疏去噪自编码器癫痫脑电分类

摘要

癫痫是一种由于脑部神经元群异常放电而导致运动、意识、神经功能出现异常的疾病。癫痫发作时患者会出现突发性的身体抽搐与意识丧失,这给患者带来了生理和心理上的巨大痛苦。所以,癫痫的预防和治疗研究对于癫痫患者来说具有非常重要的意义。在诊断和治疗癫痫的过程中,脑电图发挥了不可替代的作用,医生通常通过观察患者的脑电图对患者的病情进行判断。但是,人工观察脑电图的工作量很大,十分耗费时间与体力,同时非常容易发生误判。随着计算机技术的发展,医生可以借助自动癫痫检测的方法对癫痫样脑电波进行标记,进而做出诊断。自动癫痫检测方法不但可以帮助医生提高癫痫诊断的准确性,而且大大地节约了时间。所以,自动癫痫检测的研究对癫痫疾病的预防、诊断和治疗都有着重要的价值。
　　本文提出了一个新型的自动癫痫分类系统,这个系统是基于稀疏去噪自编码器(Denoising Sparse Autoencoder,DSAE)构建而成的。稀疏去噪自编码器基于自编码器(Autoencoder,AE)网络,在其中的隐藏层和输入数据中分别加入稀疏性约束和加噪操作。网络中的稀疏性约束使网络隐藏层中的大部分神经元处于抑制状态,从而模拟了人类大脑神经元的传递,获得输入数据更高层次、更有效的表达,有利于获得更加准确的分类结果。在输入信号中加入加噪操作,使系统学习到输入信号更鲁棒性的表达,提高了系统的泛化能力。
　　本文提出的癫痫脑电分类系统的流程如下:首先,对原始脑电信号进行预处理操作,包括数据分段和归一化。数据分段可以增加脑电数据段,使脑电信号更易分析和计算;归一化采用Z-score标准化方法,使脑电信号的变化幅度与检测网络相匹配。然后,经过预处理后的脑电信号作为训练数据被输入到稀疏去噪自编码器网络中。网络通过学习算法自动进行参数调整,从而学习训练数据的特征,以获得输入数据的良好的表达。在编码器网络的最顶层设置了一个罗杰斯特回归分类器(Logistic regression),将编码器网络输入信号的有效表达和其所属类别联系起来,即对输入样本进行分类。最后,我们将分类器的分类结果进行多时间段融合后处理,以得到最终的分类结果。
　　我们使用一个包含五种类别的癫痫脑电数据库对本文提出的分类系统进行了测试,得到了令人满意的分类结果。其中二分类和三分类的平均灵敏度、特异性、准确率三个统计指标均为100％,在五分类问题中的平均分类准确率为92％。实验结果表明,本文提出的脑电分类系统可以对癫痫脑电有效地进行分类,具有一定的可行性和临床应用价值。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．1．1 脑电波

1．1．2 癫痫脑电波

1．1．3 癫痫检测研究意义

1．2 癫痫检测的研究现状

1．3 本文采用的癫痫检测方法

1．4 论文结构安排

2．1 发展背景

2．2 神经网络的结构

2．2．1 神经元模型

2．2．2 神经网络模型

2．2．3 深度神经网络

2．3 本章小结

第3章 基于稀疏去噪自编码器的癫痫脑电分类方法

3．1 预处理

3．1．1 数据分段

3．1．2 归一化

3．2 稀疏去噪自编码器

3．2．1 自编码器

3．2．2 稀疏自编码器

3．2．3 去噪自编码器

3．2．4 稀疏去噪自编码器

3．3 罗杰斯特回归分类器

3．4 后处理

3．5 基于稀疏去噪自编码器的癫痫脑电分类

3．6 本章小结

第4章 癫痫脑电分类的实验过程与结果

4．1 实验数据

4．1．1 数据库的选择

4．1．2 数据选择方法

4．2 系统评价标准

4．3 稀疏去噪自编码器的网络结构

4．4 仿真结果

4．4．1 二分类

4．4．2 三分类

4．4．3 五分类

4．5 本章小结

第5章 讨论与分析

5．1 二分类问题交叉实验

5．2 网络在不同噪声比的输出特性

5．3 不同程度的加噪操作与稀疏性约束对比实验

5．4 加噪操作的优势

5．5 稀疏性约束的优势

5．6 与其他方法的比较

5．7 本章小结

6．1 结论

6．2 展望

参考文献

致谢

攻读硕士研究生期间研究成果