基于卷积神经网络的生物医学信号分类与重构

摘要

生物医学信号是通过仪器设备可以采集到的、对于生命体状态最直接的描述信息。其种类众多且来源广泛，是生物学、信息学、医学等学科的重要研究对象。随着生物医学相关学科的迅速发展，科研人员和医务工作者对于此类信号处理、分析技术的需求愈发强烈。高效的生物信号处理方法可以有效提升科研人员探索生命机制工作的效率，从而更好地揭示生理结构与功能的关系，进而推动生物学重大发现的产生。高精度的医学信号分析策略可以在一定程度上分担医生的临床诊断工作压力，协助其制定更有利于疾病预防和治疗的方案，进而减轻患者的生理和精神痛苦，提升社会的整体健康水平。传统的信号分析方法已经很难满足日益增长的生物医学信号处理需求，利用先进的机器学习技术对所涉及问题进行有效建模和分析成为该领域的研究热点。 深度学习是指利用多层神经网络获得数据的特征表示，进而利用该特征表示进行数据分析的机器学习方法。作为当今机器学习领域最受关注的研究方向，深度学习正引领着新一轮的人工智能研究浪潮。凭借其强大的非线性特征表示能力，近年来，卷积神经网络成为众多深度学习模型中应用最广、综合效果最好的深度神经网络结构，在以模式识别为代表的诸多任务上取得了一系列前所未有的重大突破。受到卷积神经网络在其他领域成功的启发，结合具体生物医学信号的特点，本文以乳腺钼靶X光图像和脑电信号这两类典型生物医学信号为研究对象，提出了若干基于卷积神经网络的生物医学信号分类与重构方法。本文的主要创新点如下： 1.在基于钼靶X光片的乳腺肿块分类任务中，设计可以有效描述乳腺肿块视觉特性，并易于在特征空间区分良恶性肿块的视觉特征是完成高精度辅助诊断的关键。现有的手工视觉特征往往只能从单一视觉层次描述乳腺肿块的视觉特性，忽略不同层次视觉特征表示在乳腺癌诊断过程中的协同作用。单一视觉特征的表示能力有限，而传统的多特征融合方法需要经过复杂的特征选择过程。针对上述问题，本文提出了一种基于卷积神经网络特征表示的乳腺肿块良恶性分类方法。具体而言，该方法首先构造肿块图像视觉特征表示网络，并基于自然图像和乳腺图像对该网络进行训练。之后，借鉴医生的实际诊断经验，利用该网络获得适用于乳腺肿块分类的不同层次视觉特征描述。最后提出了一种乳腺肿块特征决策机制，完成对乳腺肿块良恶性的判断。实验结果表明，该算法可以有效利用卷积神经网络特征描述，实现较高精度的乳腺肿块良恶性分类。 2.在乳腺疾病的计算机辅助诊断中，经常遇到视觉特征不明显的非典型样本。在传统的手工视觉特征空间和卷积神经网络特征空间，都无法对该类型样本进行有效描述。通过特征空间转换操作，将在原始特征空间中无法被有效描述的样本映射到易于区分的特征空间是解决此类问题的有效途径。为此，针对乳腺肿块分类问题，本文提出了一种基于大间隔度量学习的改进卷积神经网络模型。具体而言，首先，通过引入大间隔度量学习损失函数，学习从原始卷积神经网络特征空间到新特征空间的映射关系。进而由该映射关系，获得类内分布更紧致、类间分布更离散的乳腺肿块特征表示。此外，通过不断向网络提供新的错误样本，提出侧重疑难病例的网络训练改进策略。实验结果表明，该算法的大间隔度量学习层部分可以提升特征的区分度和网络分类准确率，改进的网络训练策略可以进一步提升网络在良恶性乳腺肿块鉴别任务上的表现。 3.在基于脑电信号的神经解码任务中，对不同类型刺激引发的脑电信号进行分类是该领域研究的基础性工作之一。脑电信号包含丰富的时空特性，传统的脑电信号特征描述方法通常只能表示其中的一种特性，无法为后续的分类任务提供更有效的特征表示基础。针对上述问题，本文提出了一种基于时空融合卷积神经网络的脑电信号分类方法。具体而言，首先，分别通过不同的脑电激活图产生方法，生成侧重空间信息和侧重时间信息的脑电激活图。然后，分别设计并训练可以对两种不同激活图进行特征表示的卷积神经网络，用于获得脑电信号的卷积神经网络特征表示。最后，采用特征拼接和特征选择两种融合方式，实现脑电信号的分类。实验结果表明，该算法的特征表示部分可以获得具有较强区分性的脑电特征表示，后续的时空融合策略可以进一步提升脑电信号分类精度。 4.基于脑电信号的视觉刺激重构是建立在高精度脑电信号分类基础上的又一典型神经解码任务。该任务通常由高精度脑电信号特征表示和分类，以及视觉刺激生成两个阶段构成。在传统基于认知空间脑电特征的视觉刺激重构方法中，受限于人类认知水平的极限和神经信号采集过程的误差，很难在分类精度和表示效率上获得较大提升。受当前卷积神经网络在视觉任务上取得超越人类表现结果的启发，本文提出了视觉特征指导的脑电信号分类方法。该方法通过将脑电信号特征表示映射到视觉空间，实现更高精度的脑电信号分类。然后，基于视觉特征指导的脑电信号表示，本文提出了一种用于生成视觉刺激的改进生成对抗网络模型。脑电信号分类和视觉刺激生成两个阶段对应的实验结果表明，该算法可以有效提升脑电信号分类的精度和视觉刺激重构结果的质量。

目录

第一个书签之前

摘要

ABSTRACT

插图索引

表格索引

符号对照表

缩略语对照表

缩略语对照表

第一章 绪论

1.1生物医学信息学

1.2生物医学信号

1.3人工神经网络与深度学习

1.4主要研究内容和章节安排

1.4.1主要研究内容

1.4.2章节安排

第二章 基于CNN特征表示的乳腺肿块分类

2.1引言

2.2深度学习与CNN特征表示

2.3基于视觉特征表示的乳腺肿块分类

2.4基于CNN特征表示的乳腺肿块分类方法

2.4.1乳腺肿块CNN特征表示网络

2.4.2乳腺肿块CNN特征决策机制

2.5实验结果与分析

2.5.1乳腺肿块图像数据

2.5.2客观评价

2.5.3主观评价

2.6本章小结

第三章 基于大间隔度量CNN的乳腺肿块分类方法

3.2度量学习和深度度量CNN

3.3基于大间隔度量CNN的乳腺肿块分类方法

3.3.1大间隔度量学习层

3.3.2侧重疑难病例的网络训练迭代策略

3.4实验结果与分析

3.5本章小结

第四章 基于时空融合CNN的EEG信号分类

4.1引言

4.2EEG信号分类

4.3工作记忆和心理负荷分类

4.4基于时空融合CNN的EEG分类方法

4.4.1多通道输入EEG分类网络

4.4.2单通道输入EEG分类网络

4.4.3基于时空融合CNN的EEG信号分类

4.5实验结果与分析

4.5.1EEG信号数据集

4.5.2CNN模型训练

4.5.3分类错误率

4.5.4特征向量分布

4.6本章小结

第五章 基于EEG和生成对抗CNN的视觉刺激重构

5.2基于神经影像信号的视觉解码

5.3生成对抗CNN

5.4基于EEG和生成对抗CNN的视觉刺激重构方法

5.4.1视觉引导的EEG信号分类

5.4.2基于生成对抗CNN的视觉刺激生成

5.5实验结果与分析

5.5.1实验数据

5.5.2GAN网络结构与训练方法

5.5.3结果分析

5.6本章小结

第六章 总结与展望

6.1.1乳腺肿块分类总结

6.1.2脑电信号解码总结

6.2研究展望

6.2.1乳腺肿块分类展望

6.2.2脑电信号解码展望

参考文献

致谢

作者简介