基于多尺度卷积特征融合的癫痫脑电信号识别

摘要

脑电信号(electroencephalography,EEG)已成为医生诊断神经系统疾病最广泛使用的工具,实现癫痫EEG的自动识别对于癫痫患者的临床诊断和治疗具有重要意义。为了提高癫痫EEG的识别精度,提出了一种基于多尺度卷积特征融合的癫痫EEG自动识别模型。首先采用多尺度卷积特征融合方法提取多粒度数据特征,实现卷积神经网络(convolutional neural network,CNN)中不同层次的信息互补;然后经过长短期记忆网络(long short-term memory network,LSTM)提取时间特征,利用softmax分类器给出最终的识别结果。为了评估提出方法的识别性能,在波恩大学癫痫病研究中心数据集中进行实验,并与CNN-LSTM模型、单一的LSTM等模型的识别性能进行了比较,实验结果表明,提出方法的识别精度明显高于其余方法,平均可达到99.19%。该模型能够有效识别癫痫EEG类别,具有较高的识别性能和临床应用潜力。