一种基于EEGNet的癫痫信号识别与分类方法技术

本发明专利技术公开了一种基于EEGNet的癫痫信号识别与分类方法，属于信号处理领域。所述方法利用来自时间序列数据的局部结构特征，建立脑电特征提取模型与线性分类器，仅需相关性、协方差、权重、稀疏化阈值等几个重要参数就可以构建脑电网络并且达到分类的目的，实现了通过降低参数的数量来实现更快的训练和更高的准确性。此外，本发明专利技术利用来自时间序列数据的局部结构特征实现了数据处理模块的准确性与反馈模块的实时性，具有可连续处理不同实验范式信号和频域特征提取准确性的优点。

【技术实现步骤摘要】

本专利技术涉及一种基于eegnet的癫痫信号识别与分类方法，属于信号处理领域。

技术介绍

1、脑电波(electroencephalogram，eeg)信号是大脑表面电活动的表征，这种电活动是由神经元放电引起的。如果这些神经元以异常的方式放电，会导致突然的脉冲，表现为癫痫发作。eegnet是一种专门设计用于处理脑电信号的轻量级的卷积神经网络(cnn)，使用eegnet进行癫痫信号识别和分类的步骤一般包括：使用eegnet模型对预处理后的eeg信号进行特征提取，构建分类器，进而利用提取到的特征训练所构建的分类器，最后利用训练好的分类器实现对于eeg信号的癫痫识别和分类。由上述步骤可知，eegnet模型提取到的特征直接影响癫痫识别和分类的准确度。

2、eegnet模型由一系列卷积层、批归一化层，池化层以及全连接层组成，用于自动学习脑电信号的抽象特征表示。现有eegnet模型通常具有较多的参数，具体的，卷积层参数：eegnet包含多个卷积层，每个卷积层都有一组卷积核(filters)。这些卷积核的参数包括大小(kernel size)、步幅(stri本文档来自技高网...

【技术保护点】

1.一种基于EEGNet的癫痫信号识别与分类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述预处理包括打标、分组和滤波：

3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：

4.根据权利要求3所述的方法，其特征在于，所述步骤3中脑电网络特征F的提取公式为：

5.根据权利要求4所述的方法，其特征在于，所述步骤S4中线性分类器为LDA线性分类器：

6.根据权利要求5所述的方法，其特征在于，所述广义特征值方程的特征值λ取值为2.60。

7.根据权利要求6所述的方法，其特征在于，LD...

【技术特征摘要】

1.一种基于eegnet的癫痫信号识别与分类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述预处理包括打标、分组和滤波：

3.根据权利要求1所述的方法，其特征在于，所述步骤s2包括：

4.根据权利要求3所述的方法，其特征在于，所述步骤3中脑电网络特征f的提取公式为：

5.根据权利要求4所述的方法，其特征在于，所述步骤s4中线性分类器为lda线性分类器：

6.根据权利要求5所述的方法，其特征在于，所述广义特征值方程的特征值λ取值为2.60。

7.根据权...

【专利技术属性】
技术研发人员：曾红燕，虞致国，
申请(专利权)人：江南大学，
类型：发明
国别省市：