腦電波信號多域變換與深度學習癲癇診斷

打開文本圖片集

摘  要：單一維度的特征檢測使現(xiàn)有基于EEG的癲癇診斷準確性受到限制。通過將EEG轉換成格拉姆角場圖和小波時頻圖，構建一種由2個2維CNN和1個DNN的集成深度學習模型，2個2維CNN分別提取格拉姆角場圖和小波時頻圖的特征并融合，將融合特征輸出至DNN以進行癲癇融合識別。借助波恩大學的腦電數(shù)據(jù)集測試了該集成深度學習模型的有效性，結果表明，該模型對癲癇EEG識別的準確度、特異性以及敏感度分別為96.5%、95.0%以及96.0%，整體識別性能優(yōu)于傳統(tǒng)的單神經(jīng)網(wǎng)絡模型，可為癲癇等疾病的診斷提供更好的輔助功能。（剩余8767字）