基于深度双向递归神经网络的癫痫检测方法研究毕业论文答辩模板
目标检测算法毕设答辩 -回复
目标检测算法毕设答辩 -回复
尊敬的评委老师：
非常感谢您在百忙之中参加我的毕设答辩。
我选择的毕设课题是目标检测算法，以下是我的回复。
首先，我想简要介绍一下我的研究对象。
目标检测算法是计算机视觉领域的一项重要研究内容，其主要任务是从图像或视频中自动识别出其中的目标，并进行分类和定位。
对于智能安防、自动驾驶、智能机器人等领域，目标检测算法具有广泛的应用前景。
针对目前常用的目标检测算法存在的一些问题，我研究了基于深度学习的目标检测算法，主要包括 Faster R-CNN 和 YOLOv3 两种经典算法的原理、实现细节及其优缺点，并进行了性能比较。
我采用了 PASCAL VOC 2012 数据集进行实验，并通过准确率、召回率、平均精确度（mAP）等指标，分别对两种算法进行了评价和对比分析。
实验结果表明，Faster R-CNN 和 YOLOv3 算法各有优点，Faster R-CNN 在精度和稳定性上表现更好，而 YOLOv3 在速度上有明显优势。
此外，我还深入研究了目标检测算法的一些应用场景，例如人脸检测、车辆检测等，并提出了一些改进措施，旨在提高算法的鲁棒性和准确性。
具体地，我尝试了基于数据增强、多尺度检测等技术手段来优化算法性能，并取得了不错的效果。
最后，我想再次感谢评委老师的关注和指导。
这个毕设让我对目标检测算法有了更深入的理解，我将继续探索深度学习在计算机视觉领域的应用，为实现机器智能化贡献自己的力量。
基于加权复杂网络度熵和的癫痫发作检测方法
Epileptic Seizure Detection Based on the Sum of Degree and Entropy of Weighted Complex Network
Zhang Hanyong Meng Qingfang* Du Lei Liu Mingmin
( Shandong Provincial Key Laboratory of Network Based Intelligent Computing，School of Information Science and Engineering， University of Jinan，Jinan 250022，China)
பைடு நூலகம்引言
癫痫是一种影响比较广 泛 的 脑 部 神 经 疾 病。
癫痫发作主要由神经元过度放电引起，伴随着抽搐 等不正常的身体表现［1］。世界上大约有5 000万人 正在遭受 癫 痫 的 痛 苦。在 临 床 上，脑 电 图
doi: 10. 3969 / j．issn．0258－8021. 2019. 03. 003 收稿日期: 2018-03-22，录用日期: 2019-03-01 基金项目: 国家自然科学基金( 61671220，61201428) * 通信作者( Corresponding author) ，E-mail: ise_mengqf@ ujn．edu．cn
Abstract: Epileptic seizure detection has always been a challenging task． With the increasing of epilepsy，highperformance epileptic automatic detection algorithm can reduce the workload of medical workers and has important clinical research significance． In this paper we proposed a new seizure detection method based on weighted horizontal visibility graph ( WHVG ) ． Firstly，the single channel electroencephalogram ( EEG ) signal was transformed into complex network by using WHVG． Then，the square of degree and weighted degree entropy of the complex network was extracted． Finally，the sum of this two extracted features was used as a single feature． The single feature was inputted into a linear classifier to identify interictal and ictal signals． The experiment evaluating the performance of proposed method was conducted on the epileptic EEG dataset of the University of Bonn． This experiment used 100 samples in interictal and 100 samples in ictal and each sample contains 1024 points． Experimental results showed that the proposed method had high classification accuracy，which was up to 98. 5%． In addition，the feature used in the method was a single feature that was more simple and efficient． In conclusion， the proposed method was promising for uses in online automatic epileptic seizure detection． Key words: epileptic seizure detection; EEG signal; complex network; weighted horizontal visibility graph
基于深度学习的癫痫脑电信号分类
基于深度学习的癫痫脑电信号分类
徐晴;葛成;蔡标;陆翼;常珊
【期刊名称】《数据采集与处理》
【年(卷),期】2022(37)4
【摘要】有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。
因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。
为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维时间序列数据转换为二维图像,使用EfficientNetV2模型来实现癫痫检测的二分类。
同时,引入梯度加权类激活映射(Gradient⁃weighted class activation mapping,Grad⁃CAM)对二维图像分类进行可视化分析。
对德国伯恩大学脑电癫痫脑电信号数据集的预处理版本进行分类实验,EfficientNetV2模型的准确率达到了98.69%,优于BiLSTM模型。
结果表明,EfficientNetV2模型可以有效通过二维脑电图像实现癫痫脑电分类,而且分类准确率更高。
【总页数】11页(P787-797)
【作者】徐晴;葛成;蔡标;陆翼;常珊
【作者单位】江苏理工学院电气信息工程学院生物信息与医药工程研究所
【正文语种】中文
【中图分类】TP301
【相关文献】
1.基于固有模态分解和深度学习的抑郁症脑电信号分类分析
2.基于深度学习的ADHD儿童和正常儿童脑电信号分类研究
3.基于深度学习的癫痫脑电信号分析与预测
4.基于脑电信号深度学习的情感分类
5.基于注意力机制和深度学习的运动想象脑电信号分类方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的癫痫发作预测模型
基于深度学习的癫痫发作预测模型近年来，随着深度学习技术的不断发展，人们开始将其应用于异常检测、时间序列分析、图像识别等领域，其中一项比较重要的应用就是基于深度学习的癫痫发作预测模型。
在深化人们对癫痫疾病认识的同时，该模型也为癫痫患者提供了一项有效的辅助治疗方案。
深度学习是一种模仿人脑神经网络结构和功能的机器学习技术，主要由输入层、隐藏层和输出层构成。
在癫痫发作预测模型中，输入层对应脑电图、心电图等运动神经生理学数据，隐藏层对应中枢神经系统，输出层对应癫痫发作。
具体来说，癫痫是一种常见的神经系统疾病，其主要症状是脑内突然的异常放电导致的肌肉抽搐、短暂失去意识等。
而发作的时刻往往具有很强的随机性，缺乏可预测性。
在这种情况下，基于深度学习技术的预测模型便可以发挥作用，并通过对大量的脑电样本数据进行学习，建立出一个较为准确的预测模型。
该预测模型的建立过程主要分为数据采集、特征提取、模型训练和预测四个阶段。
首先，需要对癫痫患者进行脑电等生理数据的采集，并将其分成训练集和验证集。
其次，对于训练集中的数据，需要通过滤波、降噪、分段等方法进行数据特征提取，减少冗余信息。
接着，选用适当的深度学习算法，如卷积神经网络、长短时记忆神经网络等，对提取后的数据进行模型训练。
最后，通过验证集中数据的预测结果进行模型优化，进一步提高模型的精度。
当预测模型建立成功后，就可以应用于实际诊疗中。
癫痫发作预测模型可以提前预测癫痫发作，通过各种方式，如声音、光线、刺激等方式提醒患者及其家属，以便及时采取应对措施。
同时，该模型还可将触发信号通过网络传输至云端服务器，以便医生对癫痫患者实时进行监测和治疗。
总体来说，基于深度学习的癫痫发作预测模型具有较高的准确性和实时性，为癫痫患者的日常生活带来了很大的便利。
然而，在模型应用中还存在数据质量问题、模型复杂度不够、训练数据的不平衡性等问题，这也为今后的研究提出了更高的要求。
未来，随着深度学习技术的不断发展，癫痫发作预测模型在医疗领域的应用将会更加广泛，从而更好地为癫痫患者提供有效的治疗方案。
基于深度神经网络的个性化睡眠癫痫发作预测
第34卷第4期2021年4月模式识别与人工智能Pattern Recognition and Artificial Intelligence Vol. 34 No. 4Apr. 2021基于深度神经网络的个性化睡眠癫痫发作预测程晨晨1,3 尤 波1,2 刘 燕2,3,4戴亚康3,4摘 要 现有癫痫发作预测方法存在精度较低、错误报警率较高、癫痫患者睡眠脑电特异性、致痫灶位置和类型不同导致脑电信号存在差异的问题.文中提出基于深度神经网络的个性化睡眠癫痫发作预测方法，帮助医生和患者采取及时有效的治疗措施，降低患者患并发症和猝死的概率.对原始脑电信号滤波和分段以去除噪声，保证短时间 内触发警报，利用离散小波变换分解信号并提取统计特征表征脑电信号时频特征.再应用双向长短期记忆网络挖掘最具鉴别能力的特征并结合留一法分类，经过决策过程优化得到预测结果.在不同频带限制条件下的实验表明，与睡眠癫痫相关的啄频带信号是影响发作预测性能的重要因素.相比现有睡眠癫痫预测方法,文中方法性能较优.关键词 癫痫发作预测，睡眠脑电(EEG),深度神经网络，个性化引用格式 程晨晨，尤波，刘燕,戴亚康.基于深度神经网络的个性化睡眠癫痫发作预测.模式识别与人工智能,2021, 34(4) : 333-342.DOI 10. 16451/j. cnki. issn1003-6059. 202104005中图法分类号 R 318A Patient-Specific Method for Epileptic Seizure Prediction During SleepBased on Deep Neural NetworkCHENG Chenchen *1，3, YOU Bo 1，2, LIU Yan 2,3,4, DAI Yakang 3,4收稿日期：2020-06-01 ；录用日期：2021-01 -07Manuscript received June 1, 2020 ； accepted January 7, 2021本文责任编委杨勐Recommended by Associate Editor YANG Meng1. 哈尔滨理工大学机械动力工程学院 哈尔滨1500802. 哈尔滨理工大学自动化学院 哈尔滨1500803. 中国科学院苏州生物医学工程技术研究所医学影像技术研究室苏州215163ABSTRACT The existing epileptic seizure prediction methods present the problems of low accuracy , high false alarm rate , sleep electroencephalogram( EEG) specificity of epileptic patients and differences in EEG signals caused by differences in the location and type of epileptic foci . In this paper , a patient specific method for epileptic seizure prediction during sleep based on deep neural network is proposed to help doctors and patients to take timely and effective treatment measures. Consequently , the probability of patients suffering from complications and sudden death is reduced. The original EEG signals arefiltered and segmented to remove noise and trigger the alarm in a short time. Discrete wavelet transform is utilized to decompose the EEG , and statistical features are extracted to reveal the time-frequencycharacteristics of EEG signals . Then , the bi-direction long-short term memory( Bi-LSTM ) is employed tomine the most discriminative features combined with the leave-one-out method for classification. The prediction results are obtained after the optimization of the decision-making process. Experiments withdifferent frequency band restrictions show that the 啄 band signal related to sleep epilepsy affects the prediction performance and the performance of the proposed method is better than the existing sleep epileptic seizure prediction methods.4.苏州市医疗健康信息技术重点实验室苏州2151631. School of Mechanical and Power Engineering , Harbin University of Science and Technology, Harbin 1500802. School of Automation , Harbin University of Science and Tech nology, Harbin 1500803. Medical Imaging Technology Laboratory, Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences, Suzhou 2151634. Suzhou Key Laboratory of Medical and Health InformationTechnology, Suzhou 215163334模式识别与人工智能(PR&AI)第34卷Key Words Epileptic Seizure Prediction,Sleep Electroencephalogram(EEG),Deep Neural Network, Patient-SpecificCitation CHENG C C,YOU B,LIU Y,DAI Y K.A Patient-Specific Method for Epileptic Seizure Prediction During Sleep Based on Deep Neural Network.Pattern Recognition and Artificial Intelligence,2021,34(2):333—342.癫痫是一种慢性神经性系统疾病，具有不确定性、突发性等特点，癫痫发作时患者的肢体运动异常，意识和知觉丧失，严重时甚至会导致死亡［|］.当癫痫发作发生在睡眠中，患者无法向其所在的周围环境实时呼救以应对紧急情况，可能会增加患者烧伤、骨折甚至突发意外死亡的比率［2］.癫痫患者占全世界人口的1%，其中30%的癫痫患者为抗药性难治患者,这其中40%的难治性癫痫患者不具备手术治疗条件，因此预测癫痫发作成为此类患者的一种主要的干预手段［3］.癫痫患者的大脑活动随时间变化且在发作之前的电活动明显.目前，监测大脑神经元间电活动的方式包括核磁共振成像(Magnetic Resonance Imaging，MRI)、脑磁图(Magnetoencephalography，MEG)、脑电图(Electroencephalogram，EEG)和正电子断层成像(Positron Emission Tomography，PET)等［l］.EEG 因采集方便、成本较低、利用率较高等特点被广泛应用于癫痫的诊断和分析中.在通常情况下，脑电图有颅内脑电图和头皮脑电图两种形式，头皮脑电图在患者日常监测和癫痫研究方面具有更高的实用性和易用性.根据脑电信号随时间动态变化的特点，癫痫患者的大脑神经元活动分为4种状态:发作前期、发作期、发作后期、发作间期⑷.癫痫发作具有偶然性和不确定性，给患者及其家人乃至社会带来沉重的心理负担和经济负担.如果在患者癫痫发作前的某个时间点给出发作警报,给予患者本身及其看护者足够的应对时间以进行适当的治疗措施，那么这不仅提高患者及其家人的生活质量，还提高社会的综合幸福感［l］.根据癫痫信号状态的类别划分，癫痫发作预测被看作发作前期和发作间期脑电信号之间的二分类问题.有监督的癫痫发作预测方法主要包含两个阶段:特征提取和分类.基于癫痫脑电信号进行特征提取抓获大脑神经元之间的电活动特点,随后利用提取的特征训练分类器,通过识别癫痫发作前期的数据,完成癫痫发作预测.据相关研究，特征提取方法主要包括:时域、频域和时频域［5］.原始脑电信号是随着时间变化的时序信号，信号中每个离散点表示在某一时刻的能量密度或电压值［6］.时域特征是对脑电信号进行最基本特征属性的刻画.Ghayab等［7］从脑电信号中提取10个统计特征作为分类的输入.Parvez等［8］以相位相关作为特征预测癫痫发作的发生.此外，频域特征提取方法以特征的形式表达信号在频域上的能量变化,如功率谱密度、傅里叶变换等,利用信号的相对谱功率跟踪癫痫发作前的变化. Polat等［9］结合Welch谱分析和傅里叶变换，获得129个频域特征,进而预测癫痫的发生.尽管时域特征提取方法及频域特征提取方法在癫痫发作预测中达到一定的预测效果，但局限于单一域特征以预测癫痫发作，忽视脑电信号的动态特性［10］.因此，衍生基于时频域的特征提取方法.对脑电信号的时频分析方法包括Gabor变换、Hilbert-Huang变换(Hilbert-Huang Transform,HHT)、小波变换等.小波变换可在时域和频域上对信号的突变进行局部化，在低频时给出精确的频率信息，在高频时给出精确的时间信息.这一特性使其适于脑电等非平稳信号的分析,在癫痫脑电信号分析和特征提取阶段能灵活运用［11］.离散小波变换(Discrete Wavelet Transform, DWT)具有高度分析能力，能多尺度多分辨率地分析类似脑电这种非平稳非线性信号［12］.在分类阶段,多种分类算法被广泛应用于二分类任务和多分类任务中.基于传统机器学习的分类器广泛应用于癫痫发作预测研究中，如支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、K近邻(K-Nearest Neighbor,KNN)、决策树(Decision Tree,DT)等.研究表明基于传统机器学习方法处理分类问题时，SVM呈现较优效果［13］.另外，各种人工神经网络在预测癫痫发作效果上优于传统的机器学习方法.Ozdemir等［14］介绍基于HHT和贝叶斯神经网络的方法，灵敏度为96. 55%，每小时的错误报警率为0.21.Osman等［15］提出基于多种径向基函数神经网络算法(Radial Basis Function Neural Network,RBFNN)和集成自组织特征映射算法(Self-Organizing Feature Map,SOM)的癫痫自动诊断方法，经10次交叉验证，准确率为97.47%.此外，深度学习神经网络利用多个隐藏层对数第4期程晨晨等:基于深度神经网络的个性化睡眠癫痫发作预测335据进行更深层次的挖掘,并具有自动特征选择的优势，实现高精度的预测效果［l］-Tsiouris等［16］将多种特征与双层长短期记忆网络(Long-Short Term Memory,LSTM)结合，以99.28%~99.24%的灵敏度和每小时0.11~0.02的误报率评价癫痫发作预测方法的性能.Daoud等［5］提出基于深度神经网络和长期头皮脑电的针对特定患者癫痫发作预测方法,利用深度卷积自编码(Deep Convolutional Autoencoder,DCAE)挖掘最具代表性的特征，以双向LSTM(Bi-direction LSTM,Bi-LSTM)作为分类器，准确率高达99.6%，每小时误报率低至0.004.因此,深度神经网络在癫痫发作预测中能实现较好的分类精度.目前，各种癫痫发作预测方法被提出以期达到高精度、低误报率的预测结果［5］.由于受试者年龄、性别、癫痫发作类型及致痫区不同，对脑电数据的影响不同，因此患者间的脑电信号存在差异.研究表明，癫痫脑电信号中的生物标记物具有个性化的特点，因此有必要对研究对象提供个性化的预测方案［17］.睡眠脑电图分析是医学中一个重要的研究分支，它的临床应用和脑动力学具有研究意义.脑电波在睡眠状态下变化缓慢,相比清醒状态，具有明显的差异，导致在两种状态下的脑电数据的特征不同. Rajendra等［18］认为频率0.5-4Hz的啄波和频率4~8Hz的兹波在睡眠状态中占主导地位［18］.但在相关癫痫发作预测研究中，无论EEG信号处于清醒还是睡眠状态，频率在0.5~4Hz的啄波都被丢弃.因此，应用此类方法对睡眠中癫痫脑电信号进行预测可能会导致低精度或高误报率［2］.针对上述问题，本文针对特定患者提出基于深度神经网络的个性化睡眠癫痫发作预测方法，帮助医生和患者采取及时有效的治疗措施，降低患者患并发症和猝死的概率.对原始脑电信号滤波和分段以去除噪声，保证短时间内触发警报，利用DWT分解信号并提取统计特征表征脑电信号时频特征.然后应用Bi-LSTM挖掘最具鉴别能力的特征并结合留一法分类，经过决策过程优化得到预测结果.在不同频带限制条件下的实验表明，与睡眠癫痫相关的啄频带信号是影响发作预测性能的重要因素.与现有睡眠癫痫预测方法相比,文中方法性能较优.1基于深度神经网络的个性化睡眠癫痫发作预测本文提出的睡眠癫痫发作预测方法包括预处理、特征提取、分类模型构建、后处理4个模块,具体框图如图1所示.首先，对每位癫痫患者发作前期和发作间期的原始脑电信号进行滤波和滑动窗分段，保证数据无冗余且报警能在短时间内执行.再利用DWT获得每C3………二----------C16--C17C23m””原始数据|带通滤波器C1百;,5沁林”wC2|I J C3忸阳楸I.C16*W*WW—I I C17~数据滤波分段DWT(db4)▼HH1EEGjBi-LSTM神经网络分类预处理』缠分段D iADA、AA2G AAAX子带信号，G AAAAJ统计特征特征提取前向传递(LSTM^<STM块LSTM吻j L l k1丨反向传递(LSTM块>4<LSTM块)◄(LSTM块)<-<11—CD—①图1本文方法框图Fig.1Framework of the proposedmethod336模式识别与人工智能(PR&AI)第34卷个时间窗的小波系数，得到计算统计特征,实现数据降维并组成特征向量.然后，基于Bi-LSTM的深度学习神经网络并结合留一交叉验证法(Leave-One-Out Cross Validation,LOOCV)构建分类模型.最后，针对分类模型的输出结果进行决策处理以减少错误预测.1.1预处理预处理是特征提取阶段之前对原始数据库进行处理的一个重要阶段.通常情况下，预处理过程包括:去除伪迹干扰和信号分段.限制脑电信号的分析频带，可在一定程度上去除信号采集期间的工频干扰和伪迹,进行下一步的分析[19]-从生理角度上看,大于60Hz频率的信号归类为噪声，应丢弃.另外，考虑到睡眠癫痫脑电信号的特殊性，结合数据的采样频率、奈奎斯特准则和工程要求等，采用0.5~32Hz 的四阶巴特沃斯滤波器设计零相移滤波器处理数据.此外，为了确保在短时间内触发警报，将长程脑电信号分成若干段.在分段阶段,窗口大小和重叠率是两个重要的参数.选择合适的窗口大小可获得良好的分类性能.本文采用相邻窗口有一半重叠的4s 滑动窗将EEG信号分段，该滑动窗长度足以捕获信号的主要平稳特征和癫痫发作的突变.1.2特征提取特征提取可增加分析任务的有效性，提高模型精度，减少计算复杂度[20].研究表明,相比直接使用原始脑电片段作为分类器输入，分类前的特征提取更有益于分类性能的提高，因为特征提取可从可用导联的EEG信号中获取有关信号或大脑区域连通性的隐藏信息[6].原始脑电信号是时域信号，尽管信号包含一些有用的时域特征,但其它域中的特征也可用于提取更具鉴别能力的信息[6].时频特征描述信号在不同时间点的瞬时频率，能捕获脑电信号非线性和非稳定性的特征.DWT是一种常见的小波变换方法，可用于获取脑电信号的时频特征.合适的小波函数和分解层次的选择直接影响小波变换的分析效果.由于小波基函数阶数会随函数的光滑性和在频域的局部化能力而增加，因此函数的阶数越高,频带分割效果越优.然而,高阶消失矩的存在会导致计算时间的增加,并降低实时性.本文采用具有良好正则性的Daubechies (dbN)小波基函数,四阶Daubechies小波(db4)被认为是分析癫痫脑电数据最合适的方法[6].如图1中特征提取模块，利用db4小波基对睡眠EEG信号进行小波分解.节点AAAA4(0.5~2Hz)和ADDD4Q-4Hz)表示啄波,ADD3(4~8Hz)节点表示兹波,AD2节点与琢波(8~16Hz)的频带匹配，节点D,表示茁波(16~32Hz).统计特征描述序列的振幅分布和形状的信息,研究表明，统计特征在头皮脑电信号癫痫预测上表现良好.信号经过小波变换后,在每个频段上提取统计特征(峰值、谷值)组成特征向量：X i j=[MaxV sl MinV sl MaxV S2MinV S2MaxV e MinV e MaxV琢MinV琢MaxV p MinV^]T, MinV=min(c k),MaxV=max(c k).其中:c k表示k频段的小波系数,k=1,2,…,5;X订表示第i时间窗第j导联的特征向量，j=1,2,•…, 23.1=1,2,…,N,N表示每个患者时间窗的总个数.值得注意的是，特征集呈现给下一步算法之前需经过zscore函数规范化，即z=,其中,X IJ表示特征向量，滋表示特征向量平均数，滓表示特征向量标准差.1.3分类模型构建信号特征组成向量，再应用相关分类算法对其进行辨识完成分类[21]，从而对数据进行标注转化为分类问题并实现预测.分类器是对样本进行分类的方法统称，随着模式识别理论的不断丰富，大量的分类算法被推广并应用于神经电生理信号领域.对于训练数据集｛X,｝，叫为提取的脑电信号特征,y为类别标签,i为训练集样本数量.在训练阶段，通过分类器得到训练特征向量与特征类别标签的映射函数撰.在测试阶段，对于未知的测试特征向量，通过映射函数撰得到预测特征向量的类别标签，实现对未知特征向量的辨识,完成预测任务，因此应选择合适的分类算法对特征向量进行辨识.在本节中,基于不同的深度神经网络和传统机器学习分类算法构建不同的分类器,用于评估预测表现.1.3.1深度神经网络癫痫患者的临床症状会随着时间的推移而改变.因此有必要通过选择性地收集癫痫发作模式以调整预测规则.深度学习神经网络是指利用多个隐藏层在足够大的数据集中自动提取最具鉴别能力的特征,能在学习时不断更新网络,达到提高分类精度的目的[5].另外，深度学习神经网络可通过一系列算法避免训练数据过度拟合，因此，基于目前应用最广泛的深度学习网络构建如下分类器:多层感知机(Multi-layer Perception,MLP)、长短期记忆网络第4期程晨晨等:基于深度神经网络的个性化睡眠癫痫发作预测337（LSTM）和双向长短期记忆网络（Bi-LSTM）.人工神经网络（Artificial Neural Network，ANN）可解决复杂问题，是一种应用于生物建模的有效工具，能够减轻医学诊断专家的负担.ANN模拟人类认知过程的信息处理系统，由许多相互连接的神经元组成［12］.目前,应用最广泛的ANN是多层感知机（MLP）,它在神经网络的应用中发挥着核心作用［5］.MLP是由具有多个隐藏层的逆向传播（Back Propagation, BP）神经网络构成，可更新网络参数以获得良好性能.BP神经网络是一种多层前馈人工神经网络，主要特点是信号前向传播、误差反向传播.BP神经网络可看作一个非线性函数，网络的输入值和预测值分别为该函数的自变量和因变量.循环神经网络（Recurrent Neural Network,RNN）是一种能沿输入序列保持序列状态的神经网络，根据对先前序列所做的处理以处理数据的时间序列. RNN的这一特性使其适用于脑电信号等时间序列数据的预测.LSTM是RNN的一种.LSTM在训练过程中保持梯度值，并通过层和时间序列进行反向传播,解决梯度消失的问题,使其具有学习长期依赖信息的能力［5，16］.基础LSTM单元由3个控制门组成.输入门决定是否用新的单元状态更新单元，遗忘门控制细胞状态重置，输出门决定要传输到下一个块的信息量.任何一个LSTM单元在每个时间步长下包含2种状态.各个控制单元门的数学表达式如下:f=滓（W Jh h t-1+W fx X t+b f）,i t=滓（叫山_1+w“叫+b t）,°,=滓（W oh h t-1++b o）,軇=tanh（w ch h t_1+w cx x t+b c）,c t=f t莓c t_1+i t莓c t,h t=°莓tanh（c）,其中，^,表示t时刻的输入,c,表示t时刻的单元状态,h t表示t时刻的隐藏状态,棕表示权重,b表示偏差参数，滓表示softmax函数，。
基于双向LSTM深度网络的癫痫自动检测研究
目录摘要 (I)ABSTRACT.................................................................................................................... I III 第一章绪论 . (1)1.1 研究背景和意义 (1)1.2 脑电信号的概述 (2)1.3 癫痫自动检测的研究现状 (5)1.4 癫痫自动检测模型 (7)1.5本文结构安排 (8)第二章癫痫脑电信号的处理 (9)2.1 基于时频域脑电信号处理 (9)2.1.1 短时傅里叶变换 (9)2.1.2 小波变换 (10)2.1.3 经验模态分解 (11)2.2 基于深度网络的脑电信号处理 (13)2.2.1 卷积神经网络 (13)2.2.2 循环神经网络 (13)2.2.3 双向RNN (14)2.3 本章小结 (16)第三章基于局部均值分解和BI-LSTM的算法研究 (17)3.1 局部均值分解 (17)3.2 脑电信号统计学特征 (19)3.3 LSTM与Bi-LSTM............ . (21)3.3.1 LSTM的结构 (21)3.3.2 Bi-LSTM深度网络 (23)3.4本章小结 (24)第四章实验过程与结果分析 (25)4.1实验数据 (25)4.1.1 实验数据来源 (25)4.1.2 实验训练与测试数据的选择 (26)4.2实验过程 (26)4.2.1 预处理数据与提取特征 (27)4.2.2 模型优化 (27)4.2.3 后处理 (28)4.3模型评价指标与实验结果 (28)4.3.1实验性能评价指标 (28)4.3.2实验结果 (29)4.4实验结果对比与讨论 (30)4.4.1 对比实验的结果分析 (31)4.4.2 与其他方法的比较 (33)4.5本章小结 (35)第五章总结与展望 (37)5.1总结 (37)5.2 对以后工作的展望 (37)参考文献 (39)攻读硕士学位期间发表的论文 (47)致谢 (49)基于双向LSTM深度网络的癫痫自动检测研究摘要癫痫是一种慢性、反复性的脑部功能障碍疾病，也是一种极难治愈的神经系统疾病。
基于深度卷积神经网络的癫痫脑电自动检测
中團歎幻％字
基于深度卷积神经网络的攧痫脑电自动检测
韦晓燕' 周霖2陈秋源I陈子怡'周毅*
摘 耍 自动癫痫发作检测可以减少-般的诊断时间成本，并为癫痫患者提供有针对性的治疗。传统的癫痫检测算法需要 人工筛选特定特征模式，并结合浅层机器学习进行识别，耗时耗力。而深度学习可以实现自动特征学习，在诸多领域取得 显著成果。在文中提出基于深度学习的卷积神经网络模型来识别不同阶段的癫痫EEG数据。首先将全导联EEG数据构造成适 合深度学习输入的二维图像模式。设置多层深度卷积神经网络对数据进行学习，完成不同癫痫EEG分期的分类。该方法在临 床数据中的测试准确率均超过90%,其中实现灵敏度为92%,特异性90%,均远高于传统方法。研究实现了端到端的癫痫自动 检测分类算法，为实现临床癫痫诊断提供新的选择。 关健诃深度学习发作检测癫痫分类 Doi:10.3969/j.issn. 1673-7571.2019.01.003
Abstract Automatic seizure detection can reduce the cost of general diagnosis time and provide targeted treatment for epileptic
patients. Traditional epilepsy detection algorithms need to select specific feature patterns manually and recognize theni with shallow machine learning, which is time-consuming and labor-intensive. Deep learning can achieve automatic feature learning, and has achieved remarkable results in many fields. In this paper, we propose a convolutional neural network model based on depth learning to identify different stages of epileptic EEG data. First, the fiill lead EEG data is constructed into a two-dimensional image pattern suitable for deep learning input. A multi-layer deep convolution neural network was set up to learn the data and complete the classification of different epileptic EEG staging. The accuracy of this method is more than 90% in clinical data. The sensitivity and specificity of this method are 92% and 90% respectively. This study implements an end-to-end autom.itic detection and classification algorithm for epilepsy, and provides a new choice for clinical diagnosis of epilepsy.
基于人工智能的癫痫发作自动检测系统的研究与应用
基于人工智能的癫痫发作自动检测系统的研究与应用一、引言癫痫是一种常见的神经系统疾病，其主要特征是大脑异常电活动引起的突然发作性痫样发作。
癫痫患者经常会出现痫性发作，并且由于发作时刻的不可预测性，这给患者的生活和工作带来了巨大的困扰。
具有重要的临床意义。
本报告将以现状分析、存在问题和对策建议作为主体，对该课题进行深入研究。
二、现状分析2.1 癫痫发作的识别方法目前，癫痫发作的识别方法主要依赖临床医生的经验和观察。
这种方法的不足之处在于，它受到医生主观判断的影响，容易产生误诊和漏诊的问题。
开发一种自动化的癫痫发作检测系统迫在眉睫。
2.2 在癫痫检测中的应用随着技术的快速发展，其在医疗领域中的应用日益普及。
能够通过学习和模拟人类大脑的处理方式，提高癫痫发作的识别准确率。
例如，基于深度学习的方法可以从大量的脑电图数据中提取特征，进而进行癫痫发作的自动检测。
三、存在问题3.1 数据集的不完整和不均衡癫痫发作的数据集通常比较难以获取，且多数情况下是不完整和不均衡的。
这会导致训练出来的模型性能不佳，并且无法满足商业化应用的要求。
3.2 算法准确性和实时性的矛盾在癫痫发作检测系统中，算法的准确性和实时性是两个相互矛盾的因素。
当前的算法在准确性方面已有很大突破，但往往需要较长的计算时间，限制了其在实时应用中的使用。
四、对策建议4.1 数据集的完善和扩充为了克服数据集不完整和不均衡的问题，我们需要进行大规模的数据收集和整理。
可以通过与多家医院合作，共享癫痫患者的数据，以建立更全面、均衡的数据集。
另外，还可以利用合成数据的方法进行数据扩充，从而提高算法的鲁棒性和泛化能力。
4.2 算法的优化和改进为了提高癫痫发作检测系统的实时性，我们可以采用轻量级的神经网络结构，减少模型的计算时间。
我们还可以引入多任务学习的方法，通过并行处理不同任务的方式，提高算法的处理效率。
4.3 系统的评估和优化在癫痫发作检测系统的研究中，我们应该注重对系统的评估和优化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2
点击输入简要文字内容，文字内容需概括精炼，不 用多余的文字修饰，言简意赅的说明该项内容。
综述三内容
3
解决方案及总结
点击输入简要文字内容，文字内容需概括精炼，不 用多余的文字修饰，言简意赅的说明该项内容。
4
综述四内容
点击输入简要文字内容，文字内容需概括精炼，不
用多余的文字修饰，言简意赅的说明该项内容。
毕业论文在进行编写的过程中，需要经过开题报告、论文编写、论文上交评定、论文答辩 以及论文评分五个过程，其中开题报告是论文进行的最重要的一个过程，也是论文能否进 行的一个重要指标。 字号请根据你的内容多少，及演示需要调整大小。
地区 现状
国内外相关研究
课题背景及内容
课题现状及发展 国内研究一：
您的内容打在这里，或者通过复制您的文本后， 在此框中选择粘贴，并选择只保留文字。您的 内容打在这里，或者通过复制您的文本后，在 此框中选择粘贴，并选择只保留文字。
研究思路及过程
实验数据结果 解决方案及总结
研究 意义
பைடு நூலகம்
点击输入简要文字内 容，文字内容需概括 精炼，不用多余的文 字修饰，言简意赅的 说明分项内容……
研究综述
课题背景及内容
1
课题现状及发展
综述一内容
点击输入简要文字内容，文字内容需概括精炼，不 用多余的文字修饰，言简意赅的说明该项内容。
综述一内容
研究思路及过程
研究思路及过程
实验数据结果 解决方案及总结
•
理论基础
课题背景及内容
课题现状及发展
添加文字标题 添加文字标题 添加文字标题 添加文字标题 添加文字标题
研究思路及过程
POWERPOINT 基于深度双向递归神经网络的癫痫检测 方法研究 XX学院 XX系 XX专业 XX班
汇报人：××× 编号： 217789
主目录
CONTENTS
课题背景及内容
THE BACKGROUND OF THE SUBJECT AND CONTENT
研究思路及过程
THE RESEARCH MENTALITY AND THE PROCESS
第一部分
相关研究 研究意义 研究综述 理论基础
THE SIGNIFICANCE
RESEARCH REVIEW THEORETICAL BASIS
选题背景
课题背景及内容
课题现状及发展
毕业论文，泛指专科毕业论文、本科毕业论文（学士学位毕业论文）、硕士研究生毕 业论文（硕士学位论文）、博士研究生毕业论文（博士学位论文）等，即需要在学业 完成前写作并提交的论文，是教学或科研活动的重要组成部分之一。 写毕业论文主要目的是培养学生综合运用所学知识和技能，理论联系实际，独立分析， 解决实际问题的能力，使学生得到从事本专业工作和进行相关的基本训练。毕业论文 应反映出作者能够准确地掌握所学的专业基础知识，基本学会综合运用所学知识进行 科学研究的方法，对所研究的题目有一定的心得体会，论文题目的范围不宜过宽，一 般选择本学科某一重要问题的一个侧面。 字号请根据你的内容多少，及演示需要调整大小。
研究思路及过程
实验数据结果 解决方案及总结
国内研究二：
您的内容打在这里，或者通过复制您的文本后， 在此框中选择粘贴，并选择只保留文字。您的 内容打在这里，或者通过复制您的文本后，在 此框中选择粘贴，并选择只保留文字。
国外研究一：
您的内容打在这里，或者通过 复制您的文本后，在此框中选择
粘贴，并选择只保留文字。您的
解决方案及总结
SOLUTIONS AND SUMMARY
1
3
5
2
课题现状及发展情况
PRESENT SITUATION AND DEVELOPMENT OF SUBJECT
4
实验数据结果
THE RESULTS OF EXPRIMENTAL DATA
课题背景及内容
课题背景
THE BACKGROUND Related research
课题现状及发展
全国 现状
毕业论文，泛指专科毕业论文、本科毕业论文（学士学位毕业论文）、硕士研究生毕 业论文（硕士学位论文）、博士研究生毕业论文（博士学位论文）等，即需要在学业 完成前写作并提交的论文，是教学或科研活动的重要组成部分之一。 字号请根据你的内容多少，及演示需要调整大小。
研究思路及过程
实验数据结果 解决方案及总结
内容打在这里，或者通过复制您 的文本后，在此框中选择粘贴， 并选择只保留文字。
国内研究三：
您的内容打在这里，或者通过复制您的文本后， 在此框中选择粘贴，并选择只保留文字。您的 内容打在这里，或者通过复制您的文本后，在 此框中选择粘贴，并选择只保留文字。
研究意义
课题背景及内容
课题现状及发展
毕业论文，泛指专科毕业论文、本科毕业论文（学 士学位毕业论文）、硕士研究生毕业论文（硕士学 位论文）、博士研究生毕业论文（博士学位论文） 等，即需要在学业完成前写作并提交的论文，是教 学或科研活动的重要组成部分之一。 毕业论文，泛指专科毕业论文、本科毕业论文 （学士学位毕业论文）、硕士研究生毕业论文 （硕士学位论文）、博士研究生毕业论文（博 士学位论文）等，即需要在学业完成前写作并 提交的论文，是教学或科研活动的重要组成部 分之一。 毕业论文，泛指专科毕业论文、本科毕业论文（学 士学位毕业论文）、硕士研究生毕业论文（硕士学 位论文）、博士研究生毕业论文（博士学位论文） 等，即需要在学业完成前写作并提交的论文，是教 学或科研活动的重要组成部分之一。
总结：基于深度双向递归神经 网络的癫痫检测方法研究
课题背景及内容
课题现状及发展
• •
内容123 基于深度双向递归神经网络的癫痫检测方法研究基于深度双向递 归神经网络的癫痫检测方法研究基于深度双向递归神经网络的癫 痫检测方法研究基于深度双向递归神经网络的癫痫检测方法研究 基于深度双向递归神经网络的癫痫检测方法研究基于深度双向递 归神经网络的癫痫检测方法研究基于深度双向递归神经网络的癫 痫检测方法研究 290949
研究思路及过程
实验数据结果 解决方案及总结
插入相关主题图片
为统一图片大小，保持版面美观请使用 “形状填充/图片填充”命令
插入相关主题图片
为统一图片大小，保持版面美观请使用 “形状填充/图片填充”命令
插入相关主题图片
为统一图片大小，保持版面美观请使用 “形状填充/图片填充”命令
选题背景
课题背景及内容