【技术实现步骤摘要】
本专利技术涉及脑电信号处理，尤其涉及一种基于混合脉冲深层网络的癫痫脑电信号识别方法。
技术介绍
1、目前癫痫诊断主要依靠医生查验患者的脑电图来判断，但是人工检查存在较大的主观因素，并且耗时耗力。因此脑电信号的癫痫自动识别技术将有助于减轻医生的负担和提高癫痫疾病的诊断效率。由于脑电信号振荡剧烈并且波形复杂，因此脑电信号的分析和处理一直很困难。传统的方法主要根据时序特征来分析脑电信号，忽略了其空间信息和时频特性，导致对于癫痫脑电信号的识别效果并不是很理想。
2、近年来，随着深度神经网络的蓬勃发展，卷积神经网络和循环神经网络已经在计算机视觉、自然语言处理等领域取得了不错的效果，许多研究者也开始用深度神经网络的方法来进行癫痫脑电信号识别。通过结合卷积神经网络和循环神经网络的混合深度网络模型可以同时提取时空特征，具有更好的癫痫发作检测性能。
3、但是，一方面由于脑电的波形复杂，且振荡剧烈，直接运用深层网络的堆栈机构来提取的脑电癫痫特征信息有限，没有发挥出其提取有效特征的性能；另一方面，传统神经网络过于庞大的模型结构和复杂的...
【技术保护点】
1.一种基于混合脉冲深层网络的癫痫脑电信号识别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的癫痫脑电信号识别方法，其特征在于，在步骤S4中，具体为通过LIF神经元模型构建脉冲编码层，对优化后的多通道脑电信号编码为多通道二值脉冲序列，其中LIF神经元模型为：
3.根据权利要求2所述的癫痫脑电信号识别方法，其特征在于，所述脉冲编码层基于脉冲卷积层完成构建并作为混合脉冲深层网络的最上层，将实值的多通道脑电信号通过脉冲卷积和LIF神经元的映射，转化为脉冲形式的二值输出为多通道二值脉冲序列，脉冲编码层之间的数据传输形式是脉冲二值序列，其...
【技术特征摘要】
1.一种基于混合脉冲深层网络的癫痫脑电信号识别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的癫痫脑电信号识别方法，其特征在于，在步骤s4中，具体为通过lif神经元模型构建脉冲编码层，对优化后的多通道脑电信号编码为多通道二值脉冲序列，其中lif神经元模型为：
3.根据权利要求2所述的癫痫脑电信号识别方法，其特征在于，所述脉冲编码层基于脉冲卷积层完成构建并作为混合脉冲深层网络的最上层，将实值的多通道脑电信号通过脉冲卷积和lif神经元的映射，转化为脉冲形式的二值输出为多通道二值脉冲序列，脉冲编码层之间的数据传输形式是脉冲二值序列，其脉冲卷积的表达式为：
4.根据权利要求1所述的癫痫脑电信号识别方法，其特征在于，在步骤s5中，所述混合脉冲深层网络包括基于lif神经元模型构建用于提取多通道二值脉冲序列空间信息的脉冲卷积网络，以及用于提取多通道二值脉冲序列时间信息的脉冲bi-lstm网络；
【专利技术属性】
技术研发人员：谭春雨，田云飞，吴巧云，周云，孙长银，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
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。