The invention relates to a method for identification of epileptic EEG time-frequency image depth based on convolutional neural network, which comprises the following steps: Step 1: to preprocess the original EEG signal; step 2: effective EEG signal extraction; step 3: time-frequency analysis of EEG signals; step 4: use time-frequency map training deep convolutional neural network: the two-dimensional after step 1 3 from a patient's time-frequency image is divided into training data and test data, deep convolutional neural network to establish LeNet 5 structure, input to the training in depth convolutional neural network, image feature extraction. Data reduction through the whole network connected to the final output for two-dimensional vector representation of the classification results; step 5: five channels to select the optimal patient specific, and calculate the weight; step 6: using weighted sum And the method combines five optimal channels for identification of epilepsy.
【技术实现步骤摘要】
基于二维时频图像深度卷积神经网络的癫痫脑电识别方法
本专利技术涉及脑电信号分类领域,具体来说是一种通过对癫痫脑电信号进行特征提取与分类来对癫痫发作进行识别的方法。
技术介绍
近年来,脑电信号(EEG)已经发展成为癫痫研究的一种主要手段。传统的通过分析EEG信号的癫痫识别方法已有了较为固定的模式,首先是提取EEG信号中的有效频段,再对提取出的有效频段信号进行特征提取,这些特征通过是人工选取的,如样本熵、小波熵、多尺度熵、多尺度LZ复杂度等用于反映信号非线性程度的一些指标,之后再将提取的特征通过支持向量机或神经网络等分类器进行分类来完成对癫痫的识别。目前,已有许多学者对上述的癫痫识别方法进行了研究,如汪春梅等采用近似熵+NEYMAN-PEARSON准则[1]进行分类;黄丽亚等采用多尺度样本熵+支持向量机[2]的形式。这些分类方法固然取得了一定的效果,但这些研究方法中用于分类的特征均是通过人工来选取,存在着一定的随机性,无法完全表现出癫痫发作状态下与未发作状态下的差异,可能无法适用于所有的EEG样本的癫痫识别。所以,如何提取出癫痫发作时与未发作时EEG信号具有最大差异性的特征,是目前研究的一个重要方向。参考文献:[1]汪春梅,张崇明,王丽慧.一种癫痫脑电信号分类检测装置及方法:CN102429657A[P].2012.[2]黄丽亚,郭迪,沈洋洋.基于多尺度样本熵的癫痫脑皮层电图信号分类方法:CN105046273A[P].2015.
技术实现思路
本专利技术旨在提供一种新型的通过对脑电信号进行特征提取与分类的癫痫发作状态识别方法。本专利技术先利用小波变换提取出脑电信 ...
【技术保护点】
一种基于二维时频图像深度卷积神经网络的癫痫脑电识别方法,包括下列步骤:步骤1:对原始脑电信号的预处理分成多段数据,为每段数据设置相应的标签,标签一共分为两类,第一类为发作状态,设置为1;第二类为非发作状态,设置为0;再对各段数据分别进行低通滤波处理,去除高于32Hz的信号。步骤2:脑电信号的有效频段提取通过小波变换进行5层分解,提取出经过预处理的脑电信号中多个有效频段的信号,再将提取出的多个信号进行叠加,合成得到0~32Hz频段的一维脑电信号,此频段的脑电信号能反映出患者癫痫发作时的有效信息。步骤3:脑电信号的时频分析对合成后的0~32Hz频段的一维脑电信号通过短时傅里叶变换对有效频段的脑电信号进行变换,使一维时域信号,转化为包含时间和频率信息的二维时频图像,时频图像纵轴的频率范围为0~32Hz,横轴的时间范围为窗口长度,所得到的时频图像在癫痫发作状态与非癫痫发作状态具有不同的图像特征,反映不同的时频信息;步骤4:利用时频图训练深度卷积神经网络将对某患者的经过步骤1‑3处理得到的二维时频图像分为训练数据和测试数据,建立LeNet‑5结构的深度卷积神经网络,输入到深度卷积神经网络中对其进 ...
【技术特征摘要】
1.一种基于二维时频图像深度卷积神经网络的癫痫脑电识别方法,包括下列步骤:步骤1:对原始脑电信号的预处理分成多段数据,为每段数据设置相应的标签,标签一共分为两类,第一类为发作状态,设置为1;第二类为非发作状态,设置为0;再对各段数据分别进行低通滤波处理,去除高于32Hz的信号。步骤2:脑电信号的有效频段提取通过小波变换进行5层分解,提取出经过预处理的脑电信号中多个有效频段的信号,再将提取出的多个信号进行叠加,合成得到0~32Hz频段的一维脑电信号,此频段的脑电信号能反映出患者癫痫发作时的有效信息。步骤3:脑电信号的时频分析对合成后的0~32Hz频段的一维脑电信号通过短时傅里叶变换对有效频段的脑电信号进行变换,使一维时域信号,转化为包含时间和频率信息的二维时频图像,时频图像纵轴的频率范围为0~32Hz,横轴的时间范围为窗口长度,所得到的时频图像在癫痫发作状态与非癫痫发作状态具有不同的图像特征,反映不同的时频信息;步骤4:利用时频图训练深度卷积神经网络将对某患者的经过步骤1-3处理得到的二维时频图像...
【专利技术属性】
技术研发人员:曹玉珍,郭怡湘,余辉,张力新,葛亚芳,孙敬来,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。