脑电波信号多域变换与深度学习癫痫诊断

摘要：

单一维度的特征检测使现有基于EEG的癫痫诊断准确性受到限制.通过将EEG转换成格拉姆角场图和小波时频图,构建一种由2个2维CNN和1个DNN的集成深度学习模型,2个2维CNN分别提取格拉姆角场图和小波时频图的特征并融合,将融合特征输出至DNN以进行癫痫融合识别.借助波恩大学的脑电数据集测试了该集成深度学习模型的有效性,结果表明,该模型对癫痫EEG识别的准确度、特异性以及敏感度分别为96.5％、95.0％以及96.0％,整体识别性能优于传统的单神经网络模型,可为癫痫等疾病的诊断提供更好的辅助功能.

关键词：深度学习、癫痫、卷积神经网络、连续小波变换、格拉姆角场

分类号：TP391(计算技术、计算机技术)

资助基金：广西自然科学基金资助项目;教育部重点实验室基金;教育部重点实验室基金

在线出版日期：2022-11-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：6-10