脑电信号分析与癫痫预测的研究
脑电信号处理技术的研究方法及应用
脑电信号处理技术的研究方法及应用随着科技的不断发展，脑电信号处理技术逐渐被广泛应用于医学、神经心理学、计算机科学等领域，有了很多有意思的成果。
本文将从研究方法和应用方面阐述脑电信号处理技术的一些进展。
一、脑电信号处理技术的研究方法1.信号获取：脑电信号是一种微弱的生物信号，需要特殊的设备来获取。
一般采用EEG（脑电图）仪器对脑电信号进行检测。
2.信号处理：脑电信号处理是对脑电信号进行分析、处理和解释的过程。
脑电信号具有微弱、低频、高噪声等特点，需要进行滤波、放大和噪声消除等处理才能得到可靠的数据。
3.特征提取：特征提取一般通过对脑电信号的各种特征参数进行提取和分析，以达到分别不同状态（觉醒、睡眠、认知负荷等）的目的。
如提取幅度、频率、时域信息等。
4.数据分析：数据分析是对特征提取的结果进行处理，分析和解释的过程。
如能量分析、频谱分析、相干分析、时频分析等。
二、脑电信号处理技术的应用1.医学领域：脑电信号处理技术在医学领域有着广泛的应用，如：癫痫研究、睡眠障碍诊断、脑功能检测、神经纤维束切割、疼痛处理、脑卒中后恢复训练等等。
2.认知心理学：脑电信号处理技术对于认知心理学和神经认知科学的研究具有重要意义。
如：对注意力、记忆、决策、思维等方面的研究。
同时，脑电信号处理技术还被广泛应用于脑-机界面领域。
3.人工智能：随着人工智能的发展，脑电信号处理技术在智能系统设计中也有着广泛应用。
如：通过脑机接口实现人机交互、自主控制等功能。
总之，脑电信号处理技术是一种先进的技术手段，它的研究方法和应用前景都非常广泛，它将为人类提供更多惊人的成果和服务。
视频脑电监测在癫痫诊断中的应用
２３ 癫 痫 发 作 分 类 对 ９ － ８例 有 临床 发作 者 进 行脑 电和临床发作 同步分析结果 ，８ ８ 例确诊癫痫部分性 发作者 ５ ０例 ， ５ ．％ ， 中单 纯 部 分 性 发 作 ９例 ， 占 ６８ 其 复 杂部 分 性 发 作 ２ １例 ，ａｋｏ 痫 ９例 ，继 发 全 身 Ｊｃｓｎ癫 强直一 阵挛发作 １ 例 。全 面性发作 １ 例 ， ２ ． １ ８ 占 ０５ ％， 其 中原 发性 全 身强 直一 阵挛 发作 ６例 ， 神发 作 ８例 ， 失
维普资讯
实用 医学杂 志 ２ ０ ０ ７年第 ２ ３卷第 ｌ ５期
视 频脑 电监 测 在癫 痫 诊 断 中的应 用
周摘Biblioteka 铨章成 国 侯 小兵
要 目的 ： 讨视 频脑 电图对癫痫的诊 断价值 。方 法 ： ５６例 临床诊 断为 癫痫的 患者分别行 ２ ６ １ 、 探 对 ９ 、 、２
极 ， 录 Ｆ １ Ｆ ２ Ｆ 、４ Ｃ 、 ４ Ｐ 、４ Ｏ１ ０ 、７ 记 ｐ 、ｐ 、３ Ｆ 、 ３Ｃ 、３ Ｐ 、 、 ２ Ｆ 、
５ ６ ， 录临床发作 者 ９ 例 ， 中 ８ ９例 记 ８ 其 ８例临床 发作 同时伴痫样放 电确诊癫痫 ，确诊率 １． ６ ４８ ％； 例临床 发作期 、 发作间期 Ｅ Ｇ均无异常 ， 除癫痫 ； Ｅ 排 ４例发 作 期 无 痫 样 放 电 ， 临床 发 作 间期 见痫 样 放 电 ， 无 但 暂 法得 出结论 ： 未记录到临床发作共 ４ ８ ， ９ 例 其中间期 痫样放 电 ４５例 ， １ 间期 阳性 率 ６ ．％， ９６ 提供癫痫诊断 依 据 ：３例无临床发作 ， ８ 无间期放 电 ， 不能判断是否 癫痫 。 ２２ 痫 样 放 电 出现 时 相 对痫 样 放 电 出现 时 相进 行 ． 分 析发 现 。 记 录 痫 样放 电 ５７例 ， 清醒 期 记 录到 共 ０ 于 者 ２ ４例 ， 占 ４ ．％ ；睡 眠 期 记 录 到 者 ４ １例 ， ２ ４２ ６ 占 ９ ． 其 中仅在 Ｉ、 期 睡眠期记录到者 ４２例 ， ０ ％， ９ Ⅱ ３ 占 ８ ． ：其 中 清 醒 、睡 眠 期 均 记 录 到 者 １８例 ， ５２ ％ ７ 占
脑电信号处理方法研究及其应用
脑电信号处理方法研究及其应用人类大脑是一个神秘而又复杂的器官，其极其精密的神经细胞与无数神经元之间的交流在进化中演化成了我们现在所知道的形态。
在人类的认知、思维、控制行为等方面起着至关重要的作用。
为了研究人类思维和神经系统，科学家们发明了各种手段来记录大脑的活动。
脑电图作为其中一项技术，因其高时空分辨率和非侵入性，已成为神经科学领域研究大脑功能、诊断神经学疾病等研究领域不可或缺的技术手段。
然而，由于脑电数据的复杂性，对其进行处理也是一个非常具有挑战性的工作。
在这篇文章中，我们将探讨脑电信号处理方法研究及其应用。
一、脑电信号的基本原理人脑作为一个复杂的生物系统，可以看作是一个大规模的神经网络，由数量超过百亿的神经元组成。
这些神经元之间通过裂隙接触而传递电信号，使神经元活动起来。
这些电信号造成了大脑皮质表面的电荷变化，从而形成了脑电信号。
在实际的记录中，电极被放置在头皮表面上，并将脑电信号放大和数字化。
然后，将脑电信号传输到计算机上进行处理和分析。
二、脑电信号处理方法的分类1. 时域分析方法时域分析主要是通过对脑电信号的时间和振幅变化进行分析。
传统的时域分析包括平均电位和时域波形分析。
平均电位是指将脑电信号的所有采样值进行平均，并排除在某个指定时间内的平均值。
时域波形分析是指将脑电信号的短时间变化（微波和尖峰）分析出来，以便确定脑电信号的特定波形和频率。
2. 频域分析方法频域分析是通过将时域信号转化为频域信号进行处理，来分析信号的基本频率和各种灵敏度的变化。
常见的频域分析包括快速傅里叶变换和连续小波变换。
快速傅里叶变换（FFT）是将时域信号转换为频域信号的通用方法，可用于分析脑电信号的各种频率变化。
然而，FFT的精度较低，尤其是对于低频信号处理效果较差。
连续小波变换（CWT）是更高级的频域分析方法，具有灵活性和时间-频率重新表示的能力，这意味着它能够更好地检测脑电信号中的时间和频率变化。
由于CWT丰富的短时傅里叶分析，它可以捕捉短时间内的速度变化和短促信号，这就是脑电信号中具有生理和临床价值的信息。
脑电信号的分类和分析
脑电信号的分类和分析脑电信号是记录脑电活动的一种生理信号。
它反映了脑神经元的放电活动，是一项非常重要的生理指标。
脑电信号的分类和分析是研究脑神经生理和脑机制的关键一步。
本文将从脑电信号的分类、脑电信号处理方法、脑电信号分析以及脑电信号在各个领域的应用方面进行论述。
一、脑电信号的分类脑电信号可根据记录脑电的电极位置和记录时间长度进行分类。
根据电极位置分为多通道脑电信号和单通道脑电信号，前者多用于脑功能定位和研究，后者则多用于临床检查和脑电监测。
根据时间长度，脑电信号可分为短时脑电信号和长时脑电信号。
前者通常记录数分钟，用于研究脑电节律和脑电活动的变化规律，而后者记录多个小时，用于研究睡眠和意识状态下不同脑电活动的变化规律。
二、脑电信号处理方法脑电信号处理方法主要包括滤波、去伪迹、幅度归一化和时频分析等。
首先，通过滤波处理能去除电极或周围环境引入的高频或低频噪声。
其次，去伪迹处理可去除误检测的不同种类信号，如眼电、肌电等。
接着，进行幅度归一化是为了对不同人、不同电极之间的信号做更好的比较和分析。
最后，时频分析是目前较为常用的脑电信号处理方法，它可以将脑电频谱分解成时间和频率信息，得到不同频段的能量密度和频率变化趋势。
时频分析的结果可以用于研究脑电频谱特征和脑电节律等生理状态。
三、脑电信号分析脑电信号分析的方法包括时域分析、频域分析和时频分析。
时域分析是分析信号在时间轴方向的变化规律，常用的时域分析方法有平均值、标准差、周期检测等。
频域分析是分析信号在频率轴方向的变化规律，常用的频域分析方法有功率谱密度、相干性和相关性分析等。
时频分析则通过分析信号在时间和频率两个维度上的变化规律综合分析信号特征，比时域和频域更具有区分性和可解释性。
四、脑电信号在各个领域的应用脑电信号在临床、心理、运动、认知、控制等领域广泛应用。
在临床领域，脑电信号被广泛用于癫痫、脑功能障碍的研究和诊断。
在心理和认知领域，脑电信号可用于研究人的情绪、认知和注意力等高级心理活动的脑电活动规律。
神经科学研究中的电生理信号分析
神经科学研究中的电生理信号分析电生理信号是神经系统的活动记录，它们可以通过多种类型的技术来记录和分析。
这些信号提供了有关神经元如何通信的宝贵信息，包括在心理和生理过程中，从简单的感知到认知能力的演变。
因此，电生理信号的研究对于我们更好地了解和治疗神经系统疾病至关重要。
电生理信号分析有两个主要分支：脑电图（EEG）和神经元活动（单元活动）记录。
EEG是通过放置电极在头皮上来记录大脑的电活动，而单元活动是通过显微镜下记录单个神经元的电信号以及它们与其他神经元之间的相互作用。
EEG分析提供了研究认知和脑功能的有用工具。
这是因为当神经元在脑中相互通信时产生微弱电信号，可以被记录并分析。
EEG分析使用频谱分析，以检查大量数据中不同频率带内的信号。
事实上，EEG的频谱图或图像是单个信号在不同频段中的功率密度图。
该结果通常被称为功率谱，可以显示在图形上，以便研究人员可以进一步分析。
EEG信号在神经系统疾病的诊断和治疗方面也非常有用。
例如，可以使用EEG检测和跟踪癫痫发作。
癫痫是一种由异常的大脑信号引起的疾病，在EEG分析中，可以使用不同的范例，代表着患者的脑波相对正常人的差异，这可以进一步用于确诊。
（这里要注意的是，因为出现疾病的频率与空间分布都具有较大的差异，因此需要专业医生进行详细的解读。
）与EEG不同，单元活动是通过记录大脑中单个神经元的活动，来探究神经元和神经元之间的相互联系。
这些活动可以检测到神经元之间传递信息的时间和空间特征，以及每个神经元在这个传递过程中扮演的角色。
单元活动分析在许多实验中都是必不可少的。
例如，在行为实验中，研究人员通常会记录单元活动，以了解大脑中的神经元是如何计算和回应特定的刺激的。
此外，单元活动记录还可以用于检测和诊断许多神经系统疾病，例如帕金森病和阿尔茨海默病。
这些疾病改变了神经元之间的交流方式，而单元活动记录可以帮助研究人员直接观察这些变化。
虽然神经科学中的电生理信号分析在过去几十年中发展迅速，但仍然有许多需要解决的问题。
EEG信号处理与分析方法的研究
EEG信号处理与分析方法的研究随着现代科技的不断发展，神经科学领域的探索也日益深入。
在神经科学中，EEG信号处理技术的研究日益成为一项重要的课题。
本文旨在介绍EEG信号处理分析的一些方法，包括基础的信号预处理、特征提取以及分类等方面。
一、EEG的概念及其应用EEG，即脑电图，是一种通过电极测量人脑不同区域电活动的技术。
EEG记录的是人脑皮层发放神经冲动的电位变化，是无创、高时空分辨率的神经记录技术之一。
EEG的应用广泛，并在医学和神经科学中具有重要的地位。
EEG技术能够用于诊断神经病理状态、研究意识状态和认知过程以及探究疾病的机制等方面的研究。
二、EEG信号处理的基本流程1.信号获取EEG信号是由在头皮上放置的多个电极记录获得的，这些电极将头皮上脑活动的电位变化转化为数字信号，在计算机上进行记录和处理。
EEG信号的采集受到诸多因素的影响，如电极间的距离和放置位置、噪声等。
2.信号预处理EEG信号预处理是指去除信号中的噪声和伪迹，使得后续的分析更加准确。
常用的预处理方法包括滤波、伪迹去除、信号重构等。
3.特征提取特征提取是从原始的EEG信号中提取有用的特征以用于后续分析的过程。
特征提取技术有很多，可以基于时域、频域、时频域等。
时域特征包括平均能量、均值、方差、互相关等；频域特征主要包括功率谱密度、幅值和相位等；时频域分析主要采用小波变换等。
4.分类分类是指将特征分类到不同的组别或类别中的过程，可以用于识别特定的认知状态或疾病状态等。
常见的分类算法包括支持向量机（SVM）、随机森林、神经网络等。
三、EEG信号处理技术的应用1.脑机接口技术脑机接口（Brain-machine interface，BMI）是将人脑活动转化为外部设备操作的技术，主要应用于残疾人辅助，人体活动状况的监测等方面。
通过使用EEG信号处理技术，从EEG信号中提取对应的意图，如运动意图、某种行为意图等，并将信息传递到外部设备上，实现对设备的控制。
eeg脑电研究法
eeg脑电研究法
EEG（脑电图）脑电研究法是一种用于测量和分析大脑电活动的非侵入性技术。
它通过放置在头皮上的电极来记录脑电信号，并提供关于大脑功能的信息。
EEG 脑电研究法的主要应用包括以下方面：
1. 临床诊断：EEG 常用于诊断癫痫、睡眠障碍、脑炎、脑肿瘤等神经系统疾病。
它可以检测异常的脑电活动模式，帮助医生进行准确的诊断。
2. 认知神经科学：EEG 可以用于研究认知过程，如注意力、记忆、感知和决策等。
通过分析脑电信号的特征，研究人员可以了解大脑在不同认知任务中的活动模式。
3. 神经反馈训练：EEG 脑电研究法也可应用于神经反馈训练，即通过实时反馈脑电信号，帮助个体学会调节大脑活动。
这在治疗注意力缺陷多动障碍、焦虑、抑郁等方面具有潜在的应用。
4. 脑机接口：EEG 可以用作脑机接口的一种输入方式，使人们能够通过思维控制外部设备或与计算机进行交互。
在进行 EEG 脑电研究时，通常需要使用专门的脑电图仪来记录脑电信号。
研究人员可以分析信号的频率、振幅、相位等特征，以了解大脑的活动状态。
总的来说，EEG 脑电研究法是一种重要的神经科学研究工具，提供了对大脑功能的无创洞察，对于临床诊断、认知研究和神经康复等领域具有重要意义。
脑电信号特征提取和分析算法研究
脑电信号特征提取和分析算法研究脑电信号（electroencephalogram，简称EEG）是一种记录人类大脑中神经元电活动的技术。
脑电信号记录可以帮助研究者深入了解脑部运作原理，为疾病的诊断和治疗提供依据。
为了从脑电信号中获取有用信息，需要对其进行特征提取和分析。
本文旨在介绍脑电信号特征提取和分析算法的研究现状、方法及其应用。
一、脑电信号特征提取脑电信号在时间和频率上变化丰富，因此需要采取合适的方法提取其特征。
常见的脑电信号特征包括时域特征和频域特征等。
1. 时域特征时域特征是指脑电信号在时间上的变化。
时域特征包括振幅、斜率、波形对称性等，可以通过滤波、平滑等方法进行数据预处理。
例如，低通滤波器可以在滤除高频部分的同时，保留脑电信号的振幅信息。
2. 频域特征频域特征是指脑电信号在频率上的变化。
频域特征包括功率谱密度、相干性、小波分析等，可以通过傅里叶变换和小波分析等方法提取。
例如，功率谱密度可以反映不同频段中的脑电信号能量分布情况。
二、脑电信号分析算法脑电信号分析算法主要是通过对特征提取的数据进行处理，以获得有关神经系统活动的信息。
目前常用的算法包括信号处理、统计分析和机器学习等方法。
1. 信号处理信号处理是指对脑电信号进行滤波、降噪等预处理，以消除噪声干扰。
常用的信号处理方法包括低通滤波、高通滤波、带通滤波等方法。
信号处理可以提高信号的质量和可读性，为后续分析提供更稳定和准确的数据。
2. 统计分析统计分析是指对脑电信号数据进行统计测试和假设检验，从中推断出脑电信号的重要信息。
常用的统计分析方法包括t检验、方差分析、卡方检验等方法。
统计分析可以帮助确定分类标准或者脑电信号的特定阈值。
3. 机器学习机器学习是指通过数据挖掘等方法，从数据中自动学习出脑电信号的模式和特征，进而进行脑电信号分类、识别以及事件响应等任务。
常用的机器学习算法包括支持向量机、朴素贝叶斯、神经网络等方法。
机器学习可以帮助发现脑电信号中潜在的规律和知识。
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1DCNN-XGBoost混合模型的癫痫脑电分类
收稿日期：２０２０⁃０２⁃２６；修回日期：２０２０⁃０４⁃１９㊀㊀基金项目：国家自然科学基金资助项目（６１９６６０２３）作者简介：柯铭（１９７８⁃），女，河南洛阳人，副教授，硕导，博士，主要研究方向为复杂网络理论㊁大脑功能和结构研究（ｋｅｍｉｎｇｋｉｔｔｙ＠１６３．ｃｏｍ）；尹倡隆（１９９０⁃），男，甘肃平凉人，硕士研究生，主要研究方向为生物信息处理；刘光耀（１９８８⁃），男，甘肃兰州人，博士研究生，主要研究方向为功能磁共振图像处理；张祺瑞（１９９４⁃），男，河南许昌人，硕士研究生，主要研究方向为交通信息智能化分析处理．基于１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ混合模型的癫痫脑电分类∗柯㊀铭１，尹倡隆１，刘光耀２，张祺瑞１（１．兰州理工大学计算机与通信学院，兰州７３００５０；２．兰州大学第二医院核磁共振科，兰州７３００５０）摘㊀要：在癫痫脑电自动分类研究中，针对传统方法需手动提取特征㊁特征提取不充分㊁适应性不强等问题，提出一种一维卷积神经网络结合ＸＧＢｏｏｓｔ算法的单通道癫痫脑电分类模型１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ㊂该模型首先在原始脑电信号上训练一维卷积模型，利用训练好的一维卷积模型实现特征的自动提取，最后运用ＸＧＢｏｏｓｔ算法进行训练和分类㊂通过对波恩大学癫痫脑电数据集进行分类实验，结果得到了９８．８３％的分类准确率，说明提出的模型能有效提取癫痫脑电信号的特征信息，并能进行准确的分类，分类精度和稳定性都有所提高㊂关键词：特征提取；一维卷积神经网络；ＸＧＢｏｏｓｔ；脑电分类０㊀引言癫痫是一种发病率很高的中枢神经系统功能障碍慢性疾病，发作时临床表现为运动㊁感觉㊁自主神经㊁意识的异常及精神障碍等，严重影响患者的生活质量㊂临床医学发现，在癫痫样发作时，患者脑电与正常人脑电存在很大差异，故在癫痫的诊疗领域，脑电图（ＥＥＧ）是最重要的检查项目之一㊂因此，如何有效地对癫痫脑电信号进行快速分析处理，提高计算机化癫痫检测的准确性和检测效率是近年来的研究热点，对于临床上癫痫的诊断也具有重要意义㊂癫痫脑电信号分类研究主要包括特征提取和分类两个部分㊂特征提取研究中，主要有时域分析㊁频域分析㊁时频分析㊁混沌理论以及非线性动力学方法等［１］㊂ＡＲ模型［２］㊁独立分量分析［３］㊁固有模态分解［４］㊁公共空间模式［５］㊁小波和小波包变换［６ ８］等是常用的脑电信号特征提取算法；此外，脑电信号具有明显的非线性特性，因此，非线性动力学和混沌的方法也为脑电信号研究开辟了新途径，关联维数［９］㊁Ｌｙａｐｕｎｏｖ指数㊁近似熵㊁样本熵［７，１０］㊁Ｈｕｒｓｔ指数［１１］和混沌理论等指标都常应用在ＥＥＧ信号分析中㊂然而局限于任何一种单一的方法，会使得特征提取不充分，泛化能力不强㊂与传统方法比，基于神经网络的深度学习方法不需要手动提取特征，能直接训练原始脑电信号，对不同的信号特征进行自适应学习，从而能对脑电信号进行深度挖掘，得到更具有代表性的特征㊂另一方面，好的分类算法在训练和识别速度㊁分类准确性和稳定性方面有很重要的作用，常用方法有ＳＶＭ［４，６，１２］㊁隐马尔可夫模型㊁极限学习机等［１３，１４］㊂对于单一的分类算法，当分类数据较大㊁特征较多时，分类结果不稳定；集成学习通过将多个弱学习器进行结合，可以获得比单一算法显著优越的泛化性能，是改善脑电信号分类的有效途径㊂综合以上分析，本文提出了一种基于一维卷积神经网络（ｏｎｅ⁃ｄｉｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，１ＤＣＮＮ）结合ＸＧＢｏｏｓｔ集成算法的癫痫ＥＥＧ混合分类模型１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ，以期实现癫痫ＥＥＧ信号的自动特征提取，缩短可分类预测的脑电时长，得到具有较高分类准确率和良好泛化性能的分类系统㊂１㊀实验数据实验数据来自德国波恩大学癫痫脑电数据集［１５］，该数据集在癫痫的诊断和分析研究中应用广泛，数据集分为ｓｅｔＡ ｓｅｔＥ五个子集，每个子集包含１００个同类型样本，每个样本包含４０９７个脑电时间序列㊂数据采样频率为１７３．６１Ｈｚ，持续时长２３．６ｓ，已经过０．５３ ４０Ｈｚ人工滤波除伪迹㊂其中，ｓｅｔＡ㊁ｓｅｔＢ子集分别为５名健康受试者在睁眼和闭眼状态下采集的脑电信号；ＳｅｔＣ子集为５名癫痫患者在发作间期病灶对侧区域采集的脑电信号；ｓｅｔＤ㊁ｓｅｔＥ子集为发作间期和发作期病灶区采集的脑电信号㊂五类脑电信号示例如图１所示，可以看出五类脑电信号波形具有显著差异，癫痫发作期的幅值明显较大㊂２㊀方法本文提出的１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ混合分类模型框架如图２所示㊂该方法主要包括以下几个步骤：首先，以原始脑电数据训练１ＤＣＮＮ模型；以训练好的１ＤＣＮＮ模型作为特征提取器提取特征；将特征输入ＸＧＢｏｏｓｔ模型进行训练，同时结合贝叶斯优化算法优化超参数；最后计算评估指标，对模型进行评估㊂具体流程将在后续章节作详细介绍㊂图１㊀五类ＥＥＧ信号示例图２㊀癫痫脑电分类系统流程２ １㊀１ＤＣＮＮ模型卷积神经网络［１６］已被广泛应用于许多领域，具有强大的特征学习与分类能力，相比于二维卷积，１ＤＣＮＮ具有相似的特点和处理方法，关键区别在于输入数据㊁卷积核的维数及卷积核在数据之间的滑动㊂１ＤＣＮＮ的输入是一维向量，卷积核和特征图也是一维的，其基本结构如图３所示㊂图３㊀一维卷积神经网络基本结构１ＤＣＮＮ模型采用卷积㊁激活㊁池化交替提取特征，卷积运算公式：ｙｌ（ｉ，ｊ）＝ｋｌｉ∗ｘｌ（ｒｊ）＝ðＷ－１ｊᶄ＝０ｋｌ（ｊᶄ）ｉｘｌ（ｊ＋ｊᶄ）（１）其中：ｋｌ（ｊᶄ）ｉ为第ｌ层的第ｉ个卷积核的第ｊᶄ个权值；ｘｌ（ｒｊ）为第ｌ层中第ｊ个被卷积的局部区域；Ｗ为卷积核宽度㊂卷积层激活函数为ＲｅＬＵ函数，并采用最大池化㊂使用全连接层将提取的特征进行融合，最后实现二分类输出㊂神经网络参数设置没有统一的依据，本研究以实践结合经验的方法来设定模型参数㊂卷积层卷积核大小均为１ˑ４，卷积核个数分别为５０㊁６０和５０，每个卷积层激活函数均为ＲｅＬＵ函数；池化层池化窗口大小为１ˑ４；加入两个ｄｒｏｐｏｕｔ层（参数均为０．２）防止㊃０９㊃计算机应用研究２０２０年㊀过拟合；最后全连接层神经元个数为２，并用ｓｉｇｍｏｉｄ激活函数实现二分类㊂学习率设为０．００１，迭代次数为８０，ｂａｔｃｈ＿ｓｉｚｅ设置为２００㊂采用ＭＡＥ（ｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ）损失函数和ＲＭＳｐｒｏｐ优化算法㊂２ ２㊀ＸＧＢｏｏｓｔ分类模型ＸＧＢｏｏｓｔ［１７］算法是一种ｂｏｏｓｔｉｎｇ类型的集成方法，由一系列ＣＡＲＴ作为基分类器构成，相比传统的ＧＢＤＴ算法，ＸＧＢｏｏｓｔ对代价函数进行了二阶泰勒展开，并加入了正则项㊁支持列抽样和缺失值处理，支持利用多线程并行计算，极大地提升了训练速度和预测精度㊂ＸＧＢｏｏｓｔ算法预测模型为＾ｙｉ＝ðＫｋ＝１ｆｋ（ｘｉ）（２）其中：Ｋ为树的个数；ｆｋ（ｘｉ）表示第ｋ棵树；＾ｙｉ表示样本ｘｉ的预测结果㊂模型的目标函数由损失函数和正则项两部分组成：Ｏｂｊ（θ）＝ðｎｉ＝１ｌ（ｙｉ，＾ｙ（ｔ）ｉ）＋ðｔｉ＝１Ω（ｆｉ）（３）ＸＧＢｏｏｓｔ模型的训练过程不是直接优化整个目标函数，而是采用加法分步的策略，首先优化第一棵树，完了之后再优化第二棵树，每加入一棵树，其损失函数不断降低，直至优化完Ｋ棵树㊂另一方面，超参数的取值对分类模型性能有较大的影响，为了得到较好的分类结果，本文结合贝叶斯算法［１８］进行超参数调优㊂贝叶斯优化通过基于目标函数的过去评估结果建立概率模型，在尝试下一组超参数时，会参考上一次的评估结果，找到优化目标函数的值，从而更好地调整当前的参数㊂３㊀实验与分析为充分体现本文方法的应用效果，在实验中分别建立了１ＤＣＮＮ㊁ＸＧＢｏｏｓｔ和１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ模型相互进行比较，采用准确率（ａｃｃｕｒａｃｙ）㊁召回率（ｒｅｃａｌｌ）和Ｆ１值（Ｆ１⁃ｓｃｏｒｅ）作为模型的评估指标，检验分类模型的分类效果㊂ａｃｃｕｒａｃｙ＝ＴＰＴＰ＋ＦＰ（４）ｒｅｃａｌｌ＝ＴＰＴＰ＋ＦＮ（５）Ｆ１＝２ˑｒｅｃａｌｌˑａｃｃｕｒａｃｙｒｅｃａｌｌ＋ａｃｃｕｒａｃｙ（６）其中：ＴＰ表示实际为发作期脑电，并且被正确分类为发作期脑电；ＦＰ表示实际为正常脑电，被预测为发作期脑电；ＦＮ表示实际为发作期脑电，被预测为正常脑电㊂实验中首先将每个癫痫脑电信号样本均分为１６份，获得较为充足的样本数量，每个样本持续时长为１．４７５ｓ，并对每个样本进行标准化处理，然后进行后续实验，标准化公式为ｙｉ＝ｘｉ－ ｘｓ（７）其中： ｘ为原始数据的均值；ｓ为标准差㊂３ １㊀１ＤＣＮＮ模型１ＤＣＮＮ模型具体结构如表１所示㊂模型损失函数曲线和准确率曲线如图４和５所示，可以看出模型损失函数和准确率曲线波动较小，测试集准确率略低于训练集，损失函数略高于训练集，模型未发生过拟合㊂表１㊀１ＤＣＮＮ模型结构网络层对应层输出对应层参数网络层对应层输出对应层参数输入层（ｎｏｎｅ，２５６，１）０池化层（ｎｏｎｅ，１５，６０）０卷积层（ｎｏｎｅ，２５３，５０）２５０ｄｒｏｐｏｕｔ（ｎｏｎｅ，１５，６０）０池化层（ｎｏｎｅ，６３，５０）０卷积层（ｎｏｎｅ，１２，５０）１２０５０ｄｒｏｐｏｕｔ（ｎｏｎｅ，６３，５０）０全局池化层（ｎｏｎｅ，５０）０卷积层（ｎｏｎｅ，６０，６０）１２０６０全连接（ｎｏｎｅ，１）５１图４㊀１ＤＣＮＮ模型准确率曲线㊀㊀㊀图５㊀１ＤＣＮＮ模型损失函数曲线３ ２㊀ＸＧＢｏｏｓｔ模型建立ＸＧＢｏｏｓｔ模型作为对比，实验以贝叶斯优化算法结合５折交叉验证对主要参数进行优化，得到决策树深度为６，决策树个数为２４０，叶节点的最小权重为０．５０７６，学习率为０．０４４２，最小损失分裂值为０．１０１８，ｌ１正则化系数为１，ｌ２正则化系数为０．４４９８，其余采用默认值㊂然后以最优参数建立分类模型㊂模型损失函数曲线和准确率曲线如图６和７所示㊂由图可知训练集和测试集性能指标相差较大，表明了ＸＧＢｏｏｓｔ算法在不进行特征提取时无法自动提取特征，分类效果较差㊂图６㊀ＸＧＢｏｏｓｔ模型准确率曲线㊀㊀图７㊀ＸＧＢｏｏｓｔ模型损失函数曲线３ ３㊀１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ模型１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ模型以１ＤＣＮＮ模型为基础，首先进行１ＤＣＮＮ模型训练，保存训练好的模型，然后以训练好的模型作为特征提取器提取特征，作为ＸＧＢｏｏｓｔ输入㊂同样对于ＸＧＢｏｏｓｔ算法进行参数调优，得到决策树深度为６，决策树个数为３００，叶节点的最小权重为０．４７３８，学习率为０．０２４５，最小损失分裂值为０．９２２７，ｌ１正则化系数为０．４３２４，ｌ２正则化系数为０．２１１２，其余采用默认值㊂然后使用最优参数建立１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ分类模型㊂模型损失函数曲线和准确率曲线如图８和９所示，对比前两种模型性能曲线，显然两者结合的算法拟合性能更好，模型更稳定㊂图８㊀１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ模型准确率曲线图９㊀１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ模型损失函数曲线３ ４㊀实验结果分析为了讨论１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ混合模型的分类效果，以７５％样本或特征作为训练集，２５％为测试集分别建立１ＤＣＮＮ㊁ＸＧＢｏｏｓｔ和１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ模型，重复进行１０次实验，取其均值，具体结果如表２所示㊂可以看出，本文模型相较于单纯的１ＤＣＮＮ和ＸＧＢｏｏｓｔ模型，各项指标均有明显提升，准确率分别提高了１．０８％和４ １４％，召回率分别提高了１．５％和４．７６％，Ｆ１值分别提高了１ ０９％和４．１％，相比于较高的分类准确率而言，其性能有了很大提升㊂实验结果不仅充分说明了１ＤＣＮＮ算法在癫痫脑电信号的特征提取和分类研究中具很高的潜在应用价值，更证明了１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ混合模型能充分发挥１ＤＣＮＮ和ＸＧＢｏｏｓｔ算法各自的性能，其效果优于单个的１ＤＣＮＮ和ＸＧＢｏｏｓｔ模型，能自动提取特征，并且具有更好的准确率和稳定性㊂表２㊀分类结果对比／％模型ａｃｃｕｒａｃｙｒｅｃａｌｌＦ１⁃ｓｃｏｒｅ１ＤＣＮＮ９７．７５９７．０７９７．７５ＸＧＢｏｏｓｔ９４．６９９３．８１９４．７４１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ９８．８３９８．５７９８．８４㊀㊀另一方面，本文方法使用原始样本进行简单的标准化处理后直接提取特征，且每个样本持续时长为１．４７５ｓ，持续时间短，使癫痫脑电信号分类系统不仅具有泛化能力，而且更具有临床意义㊂４㊀结束语癫痫脑电分类研究中，快速准确的分析至关重要，本研究针对单通道癫痫脑电分类问题，提出一种１ＤＣＮＮ结合ＸＧＢｏｏｓｔ算法的分类模型，来提高癫痫脑电自动分类的准确率和稳定性㊂首先，将原始脑电信号进行标准化处理后训练１ＤＣＮＮ模型，保存训练好的模型；然后，以训练好的１ＤＣＮＮ模型提取特征；最后，结合ＸＧＢｏｏｓｔ算法进行分类，并结合贝叶斯优化算法进行超参数寻优㊂实验结果表明，采用１ＤＣＮＮ可以很好地挖掘脑电数据信息，并在网络内部对特征进行提取和优化，自适应提取特征，更具有普适性和泛化性能；１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ模型相比于１ＤＣＮＮ和ＸＧＢｏｏｓｔ模型各项性能均有明显提高，说明混合模型具有很好的分类性能，为癫痫脑电信号自动分类研究提供了新的思路，对癫痫疾病的（下转第９４页）㊃１９㊃㊀第３７卷增刊柯㊀铭，等：基于１ＤＣＮＮ⁃ＸＧＢｏｏｓｔ混合模型的癫痫脑电分类㊀㊀㊀４ 结束语本文详细分析了多源地震灾情信息的特点，在此基础上建立了基于区间证据理论的地震多源灾情信息融合及烈度判定模型，并以芦山地震为例，利用基于证据相似性的区间证据融合理论，实现了基于地震灾情快速上报接收处理系统接收的多源灾情信息融合及地震烈度判定㊂实验结果与中国地震局公布的烈度圈分布具有一致性㊂说明了利用区间证据理论模型处理多源地震灾情信息方法的有效性㊂同时实验结果表明，判定结果仍然存在一定误差，其主要原因可能是灾情上报人员上报的地震灾情信息具有快速㊁及时的特点，但仍存在一定的主观性，可能导致局部整体偏高或整体偏低㊂未来可以结合遥感影像解译的灾情信息，进一步综合评定地震烈度㊂参考文献：［１］聂高众，安基文，邓砚．地震应急灾情服务进展［Ｊ］．地震地质，２０１２，３４（４）：７８２⁃７９１．［２］胡素平，帅向华．网络地震灾情信息智能处理模型与地震烈度判定方法研究［Ｊ］．震灾防御技术，２０１２，７（４）：４２０⁃４３０．［３］王德才，倪四道，李俊．地震烈度快速评估研究现状与分析［Ｊ］．地球物理学进展，２０１３，２８（４）：１７７２⁃１７８４．［４］林淋，孙景江，廖洁，等．地震动参数与地震烈度的多元回归研究［Ｊ］．地震工程与工程振动，２０１１，３１（３）：３３⁃３８．［５］陈达生，刘汉兴．地震烈度椭圆衰减关系［Ｊ］．华北地震科学，１９８９（３）：３１⁃４２．［６］汪素云，俞言祥，高阿甲，等．中国分区地震动衰减关系的确定［Ｊ］．中国地震，２０００（２）：５⁃１２．［７］薄涛，李小军，陈苏，等．基于社交媒体数据的地震烈度快速评估方法［Ｊ］．地震工程与工程振动，２０１８，３８（５）：２０６⁃２１５．［８］卢永坤，张建国，宋立军，等．２０１４年云南鲁甸６．５级地震烈度分布与房屋震害特征［Ｊ］．地震研究，２０１４，３７（４）：５４９⁃５５７，６６９．［９］王红蕾，ＷａｌｔｅｒＤＭｏｏｎｅｙ．芦山Ｍｗ６．６级地震烈度调查及北美震例对比分析［Ｊ］．地震工程与工程振动，２０１４，３４（Ｓ１）：１０８⁃１１７．［１０］常想徳，陈建波，阿里木江㊃亚力昆，等．２０１６年新疆阿克陶Ｍ＿Ｓ６．７地震烈度及探讨［Ｊ］．内陆地震，２０１７，３１（２）：１６７⁃７７．［１１］罗炬，陈建波，常想德，等．２０１６年１２月８日新疆呼图壁Ｍ＿Ｓ６．２地震烈度分布初探［Ｊ］．震灾防御技术，２０１７，１２（１）：２４⁃３０．［１２］陈维锋，郭红梅，张翼，等．四川省地震灾情快速上报接收处理系统［Ｊ］．灾害学，２０１４，２９（２）：１１６⁃２２．［１３］刘军，宋立军，兰陵，等．基于Ａｎｄｒｏｉｄ平台的灾情速报系统在于田７．３级地震中的应用［Ｊ］．震灾防御技术，２０１４，９（４）：９１５⁃９２０．［１４］明小娜，周洋，卢永坤．云南地震灾情速报系统设计探讨［Ｊ］．华北地震科学，２０１５，３３（４）：６２⁃６５．［１５］曹彦波，吴艳梅，许瑞杰，等．基于微博舆情数据的震后有感范围提取研究［Ｊ］．地震研究，２０１７，４０（２）：３０３⁃３１０．［１６］王琛，章熙海，肖飞，等．基于１２３２２平台的江苏省地震应急灾情速报系统的设计与应用［Ｊ］．震灾防御技术，２０１８，１３（２）：４７１⁃４７９．［１７］ＷａｌｄＤＪ，ＱｕｉｔｏｒｉａｎｏＶ，ＨｅａｔｏｎＴＨ，ｅｔａｌ．ＴｒｉＮｅｔ ＳｈａｋｅＭａｐｓ ：ｒａｐｉｄｇｅｎｅｒａｔｉｏｎｏｆｐｅａｋｇｒｏｕｎｄｍｏｔｉｏｎａｎｄｉｎｔｅｎｓｉｔｙｍａｐｓｆｏｒｅａｒｔｈｑｕａｋｅｓｉｎＳｏｕｔｈｅｒｎＣａｌｉｆｏｒｎｉａ［Ｊ］．ＥａｒｔｈｑｕａｋｅＳｐｅｃｔｒａ，１９９９，１５（３）：５３７⁃５５５．［１８］王晓青，王龙，王岩，等．汶川８．０级大地震应急遥感震害评估研究［Ｊ］．震灾防御技术，２００８（３）：２５１⁃２５８．［１９］王晓青，魏成阶，苗崇刚，等．震害遥感快速提取研究 以２００３年２月２４日巴楚 伽师６．８级地震为例［Ｊ］．地学前缘，２００３（Ｓ１）：２８５⁃２９１．［２０］王晓青，窦爱霞，孙国清，等．基于综合震害指数的玉树地震烈度遥感评估研究［Ｊ］．地震，２０１３，３３（２）：１⁃１０．［２１］窦爱霞，王晓青，丁香，等．遥感震害快速定量评估方法及其在玉树地震中的应用［Ｊ］．灾害学，２０１２，２７（３）：７５⁃８０．［２２］王晓青，窦爱霞，王龙，等．２０１３年四川芦山７．０级地震烈度遥感评估［Ｊ］．地球物理学报，２０１５，５８（１）：１６３⁃７１．［２３］王晓青，窦爱霞，丁香，等．地震烈度应急遥感评估研究与应用进展［Ｊ］．地球信息科学学报，２０１５，１７（１２）：１５３６⁃１５４４．［２４］关欣，孙贵东，郭强，等．基于区间数和证据理论的雷达辐射源参数识别［Ｊ］．系统工程与电子技术，２０１４，３６（７）：１２６９⁃１２７４．［２５］周剑，马晨昊，刘林峰，等．基于区间证据理论的多传感器数据融合水质判断方法［Ｊ］．通信学报，２０１６，３７（９）：２０⁃２９．［２６］方新，靳留乾，蹇明．基于区间Ｄ⁃Ｓ证据理论的物流中心选址模型［Ｊ］．计算机应用研究，２０１５，３２（１２）：３６００⁃３６０４．［２７］付艳华．基于证据推理的不确定多属性决策方法研究［Ｄ］．沈阳：东北大学，２０１０．［２８］中国地震烈度表（ＧＢ／Ｔ１７７４２ ２００８）［Ｓ］．北京：地震出版社，２００８．［２９］ＤｅｎｏｅｕｘＴ．Ｒｅａｓｏｎｉｎｇｗｉｔｈｉｍｐｒｅｃｉｓｅｂｅｌｉｅｆｓｔｒｕｃｔｕｒｅｓ［Ｊ］．Ｉｎｔｅｒｎａ⁃ｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｐｐｒｏｘｉｍａｔｅＲｅａｓｏｎｉｎｇ，１９９９，２０（１）：７９⁃１１１．［３０］ＤｅｎＴ，ＯｅｌｉｇＵＸ．Ｍｏｄｅｌｉｎｇｖａｇｕｅｂｅｌｉｅｆｓｕｓｉｎｇｆｕｚｚｙ⁃ｖａｌｕｅｄｂｅｌｉｅｆｓｔｒｕｃｔｕｒｅｓ［Ｊ］．ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓｔｅｍｓ，２０００，１１６（２）：１６７⁃１９９．［３１］ＷａｎｇＹｉｎｇｍｉｎｇ，ＹａｎｇＪｉａｎｂｏ，ＸｕＤｏｎｇｌｉｎｇ，ｅｔａｌ．Ｏｎｔｈｅｃｏｍｂｉｎａｔｉｏｎａｎｄｎｏｒｍａｌｉｚａｔｉｏｎｏｆｉｎｔｅｒｖａｌ⁃ｖａｌｕｅｄｂｅｌｉｅｆｓｔｒｕｃｔｕｒｅｓ［Ｊ］．ＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｓＡｎＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌ，２００７，１７７（５）：１２３０⁃１２４７．［３２］ＺａｄｅｈＬ．Ｒｅｖｉｅｗｏｆｍａｔｈｅｍａｔｉｃａｌｔｈｅｏｒｙｏｆｅｖｉｄｅｎｃｅ，ｂｙＧｌｅｎｎＳｈａｆｅｒ［Ｊ］．ＡＩＭａｇａｚｉｎｅ，１９８４，５（３）：８１⁃８３．［３３］冯海山，徐晓滨，文成林．基于证据相似性度量的冲突性区间证据融合方法［Ｊ］．电子与信息学报，２０１２，３４（４）：８５１⁃８５７．［３４］李娅，邓鑫洋，邓勇．一种新的区间直觉模糊集决策方法：区间证据组合的角度［Ｊ］．控制与决策，２０１４，２９（６）：１１４３⁃１１４７．（上接第９１页）诊疗具有较强的指导意义㊂参考文献：［１］王海玉，胡剑锋，王映龙．脑电信号处理方法的研究综述［Ｊ］．计算机时代，２０１８（１）：１３⁃１５．［２］ＺｈａｎｇＴａｏ，ＣｈｅｎＷａｎｚｈｏｎｇ，ＬｉＭｉｎｇｙａｎｇ．ＡＲｂａｓｅｄｑｕａｄｒａｔｉｃｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｎｔｈｅＶＭＤｄｏｍａｉｎｆｏｒｔｈｅａｕｔｏｍａｔｅｄｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎｏｆＥＥＧｕｓｉｎｇｒａｎｄｏｍｆｏｒｅｓｔｃｌａｓｓｉｆｉｅｒ［Ｊ］．ＢｉｏｍｅｄｉｃａｌＳｉｇｎａｌＰｒｏｃｅｓ⁃ｓｉｎｇａｎｄＣｏｎｔｒｏｌ，２０１７，３１：５５０⁃５５９．［３］ＭａｔｉｎＡ，ＢｈｕｉｙａｎＲＡ，ＳｈａｆｉＳＲ，ｅｔａｌ．ＡｈｙｂｒｉｄｓｃｈｅｍｅｕｓｉｎｇＰＣＡａｎｄＩＣＡｂａｓｅｄｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｆｏｒｅｐｉｌｅｐｔｉｃｓｅｉｚｕｒｅｒｅｃｏｇｎｉｔｉｏｎｆｒｏｍＥＥＧｓｉｇｎａｌ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ８ｔｈＪｏｉｎｔＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎ⁃ｆｏｒｍａｔｉｃｓ，Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｖｉｓｉｏｎａｎｄｔｈｅ３ｒｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｇｉｎｇ，Ｖｉｓｉｏｎ＆ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０１９：３０１⁃３０６．［４］ＬｉＳｈｕｆａｎｇ，ＺｈｏｕＷｅｉｄｏｎｇ，ＹｕａｎＱｉ，ｅｔａｌ．Ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｒｅ⁃ｃｏｇｎｉｔｉｏｎｏｆｉｃｔａｌＥＥＧｕｓｉｎｇＥＭＤａｎｄＳＶＭ［Ｊ］．ＣｏｍｐｕｔｅｒｓｉｎＢｉｏｌｏ⁃ｇｙａｎｄＭｅｄｉｃｉｎｅ，２０１３，４３（７）：８０７⁃８１６．［５］孔祥浩，马琳，薄洪健，等．ＣＮＮ与ＣＳＰ相结合的脑电特征提取与识别方法研究［Ｊ］．信号处理，２０１８，３４（２）：１６４⁃１７３．［６］ＷａｎｇＹｏｎｇ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｅｐｉｌｅｐｔｉｃｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍｓｓｉｇｎａｌｓｕｓｉｎｇｃｏｍｂｉｎｉｎｇｗａｖｅｌｅｔａｎａｌｙｓｉｓａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｄｉｃａｌＩｍａｇｉｎｇ＆ＨｅａｌｔｈＩｎｆｏｒｍａｔｉｃｓ，２０１８，８（１）：６２⁃６５．［７］张健钊，姜威，贲晛烨．基于样本熵与小波包能量特征提取和ＲｅａｌＡｄａＢｏｏｓｔ算法的正常期㊁癫痫间歇与发作期的脑电自动检测［Ｊ］．生物医学工程学杂志，２０１６，３３（６）：１０３１⁃１０３８．［８］ＡｌｉｃｋｏｖｉｃＥ，ＫｅｖｒｉｃＪ，ＳｕｂａｓｉＡ．Ｐｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｏｆｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ｄｉｓｃｒｅｔｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ａｎｄｗａｖｅｌｅｔｐａｃｋｅｄｄｅｃｏｍｐｏｓｉｔｉｏｎｆｏｒａｕｔｏｍａｔｅｄｅｐｉｌｅｐｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎａｎｄｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＢｉｏｍｅｄｉｃａｌＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ＆Ｃｏｎｔｒｏｌ，２０１８，３９（１）：９４⁃１０２．［９］林栋，黄晓真，庄婉玉，等．基于近似熵及关联维度对浅针疗法干预失眠患者脑电数据的提取及分析［Ｊ］．针刺研究，２０１８，４３（３）：１８０⁃１８４．［１０］赵利民，朱晓军．基于局部均值分解与样本熵的脑电信号特征提取与分类［Ｊ］．计算机工程，２０１７，４３（２）：２９９⁃３０３．［１１］ＹｕａｎＱｉ，ＺｈｏｕＷｅｉｄｏｎｇ，ＬｉＳｈｕｆａｎｇ，ｅｔａｌ．ＥｐｉｌｅｐｔｉｃＥＥＧｃｌａｓｓｉｆｉｃａ⁃ｔｉｏｎｂａｓｅｄｏｎｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅａｎｄｎｏｎｌｉｎｅａｒｆｅａｔｕｒｅｓ［Ｊ］．ＥｐｉｌｅｐｓｙＲｅｓｅａｒｃｈ，２０１１，９６（１⁃２）：２９⁃３８．［１２］ＳｒｉｒａａｍＮ，ＲａｇｈｕＳ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｆｏｃａｌａｎｄｎｏｎｆｏｃａｌｅｐｉｌｅｐｔｉｃｓｅｉ⁃ｚｕｒｅｓｕｓｉｎｇｍｕｌｔｉ⁃ｆｅａｔｕｒｅｓａｎｄＳＶＭｃｌａｓｓｉｆｉｅｒ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｄｉｃａｌＳｙｓｔｅｍｓ，２０１７，４１（１０）：１６０．［１３］ＭｕｒｕｇａｖｅｌＡＳＭ，ＲａｍａｋｒｉｓｈｎａｎＳ．Ｈｉｅｒａｒｃｈｉｃａｌｍｕｌｔｉ⁃ｃｌａｓｓＳＶＭｗｉｔｈＥＬＭｋｅｒｎｅｌｆｏｒｅｐｉｌｅｐｔｉｃＥＥＧｓｉｇｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．Ｍｅｄｉｃａｌ＆ＢｉｏｌｏｇｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ＆Ｃｏｍｐｕｔｉｎｇ，２０１６，５４（１）：１４９⁃１６１．［１４］宋玉龙，赵冕，郑威．基于经验模态分解和极限学习机的癫痫脑电提取分类研究［Ｊ］．生物医学工程研究，２０１９，３８（３）：２６３⁃２６８．［１５］ＡｎｄｒｚｅｊａｋＲＧ，ＬｅｈｎｅｒｔｚＫ，ＭｏｒｍａｎｎＦ，ｅｔａｌ．Ｉｎｄｉｃａｔｉｏｎｓｏｆｎｏｎｌｉｎｅａｒｄｅｔｅｒｍｉｎｉｓｔｉｃａｎｄｆｉｎｉｔｅ⁃ｄｉｍｅｎｓｉｏｎａｌｓｔｒｕｃｔｕｒｅｓｉｎｔｉｍｅｓｅｒｉｅｓｏｆｂｒａｉｎｅｌｅｃｔｒｉｃａｌａｃｔｉｖｉｔｙ：ｄｅｐｅｎｄｅｎｃｅｏｎｒｅｃｏｒｄｉｎｇｒｅｇｉｏｎａｎｄｂｒａｉｎｓｔａｔｅ［Ｊ］．ＰｈｙｓｉｃａｌＲｅｖｉｅｗＥ，２００１，６４（６）：０６１９０７．［１６］周飞燕，金林鹏，董军．卷积神经网络研究综述［Ｊ］．计算机学报，２０１７，４０（６）：１２２９⁃１２５１．［１７］ＣｈｅｎＴｉａｎｑｉ，ＧｕｅｓｔｒｉｎＣ．ＸＧＢｏｏｓｔ：ａｓｃａｌａｂｌｅｔｒｅｅｂｏｏｓｔｉｎｇｓｙｓｔｅｍ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ２２ｎｄＡＣＭＳＩＧＫＤＤＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙａｎｄＤａｔａＭｉｎｉｎｇ．ＮｅｗＹｏｒｋ：ＡＣＭＰｒｅｓｓ，２０１６：７８５⁃７９４．［１８］ＳｈａｈｒｉａｒｉＢ，ＳｗｅｒｓｋｙＫ，ＷａｎｇＺｉｙｕ，ｅｔａｌ．Ｔａｋｉｎｇｔｈｅｈｕｍａｎｏｕｔｏｆｔｈｅｌｏｏｐ：ａｒｅｖｉｅｗｏｆＢａｙｅｓｉａｎｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ，２０１６，１０４（１）：１４８⁃１７５．㊃４９㊃计算机应用研究２０２０年㊀。