CN111956221A - 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 - Google Patents

一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 Download PDF

Info

Publication number
CN111956221A
CN111956221A CN202010932631.2A CN202010932631A CN111956221A CN 111956221 A CN111956221 A CN 111956221A CN 202010932631 A CN202010932631 A CN 202010932631A CN 111956221 A CN111956221 A CN 111956221A
Authority
CN
China
Prior art keywords
temporal lobe
scattering
wavelet
lobe epilepsy
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010932631.2A
Other languages
English (en)
Other versions
CN111956221B (zh
Inventor
向文涛
张枫
李建清
刘宾
朱松盛
吴小玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Medical University
Original Assignee
Nanjing Medical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Medical University filed Critical Nanjing Medical University
Priority to CN202010932631.2A priority Critical patent/CN111956221B/zh
Publication of CN111956221A publication Critical patent/CN111956221A/zh
Application granted granted Critical
Publication of CN111956221B publication Critical patent/CN111956221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Neurosurgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于MEG信号的小波散射因子的特征提取与LSTM网络模型相结合的颞叶癫痫分类的研究方法，包括以下步骤：(1)提取左侧颞叶癫痫，右侧颞叶癫痫以及正常人的262通道的MEG信号；(2)构建小波散射网络，并计算各个通道的散射因子；(3)将散射因子作为LSTM神经网络的输入并进行训练学***均分类准确率、标准差以及F1值对网络训练的结果进行评估。该方法效果优秀，能够有效区分左侧颞叶癫痫，右侧颞叶癫痫以及正常人。

Description

一种基于小波散射因子与LSTM神经网络模型的颞叶癫痫分类 方法
技术领域
本发明属于生物医学领域，具体涉及一种基于MEG信号小波散射网络构建及特征提取与LSTM神经网络模型相结合的颞叶癫痫分类的研究方法。
背景技术
颞叶癫痫(Temporal Lobe Epilepsy)是由大脑内部神经元群突发性异常放电引起的一种脑部疾病，临床上的症状主要表现为神经元退变伴减少，前颞、海马神经元变性坏死，嗜节现象伴胶质细胞增生等症状。近年来研究表明左右侧聂叶癫痫会对大脑的语言行为甚至性认知功能造成不同的影响，因此对左右侧颞叶癫痫区分有助于辅助诊断治疗以及术后恢复。
目前癫痫的检测手段主要包括fMRI，EEG，由于fMRI数据时间分辨率较低，而EEG信号多为非侵入式信号，电压信号的采集不稳定。MEG信号的采集方式为非侵入式的，且它是一种非平稳的，非线性的复杂信号，具有高时间和空间分辨率，有利于癫痫信号的表征。但左右侧颞叶癫痫MEG信号具有易混淆性，采用小波散射能够有效的提取MEG信号的时频特性，能够提取信号的多维特征，利用LSTM与小波散射网络相结合，有效的区分三类不同人群。
发明内容
发明目的：为了寻找区分左侧颞叶癫痫，右侧颞叶癫痫与正成人的有效方法，本发明提供了一种基于小波散射网络的特征提取与LSTM神经网络模型相结合的颞叶癫痫分类识别的研究方法，该方法从MEG信号的非平稳性、非线性、时频域和复杂度等特征上，找出三种不同情况MEG信号的异同性，从而区分左右侧颞叶癫痫以及正常人，帮助疾病的辅助治疗恢复。
本发明的技术方案如下：
一种基于小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是包括以下步骤：
步骤(1)导入预处理后的MEG脑磁图信号；
步骤(2)通过数据增强，构建样本库；
步骤(3)通过构建的小波散射网络，对各个通道MEG信号散射，计算其0至2阶的小波因子，共得到15982维散射因子；
步骤(4)将15982维散射因子输入LSTM神经网络进行训练学习；
步骤(5)利用平均分类准确率，标准差以及F1值对网络学习结果进行评估。
所述步骤(1)具体为：
对正常人，左侧颞叶癫痫和右侧颞叶癫痫的MEG信号进行分析；数据库来源为南京医科大学附属脑科医院；数据来自39名左侧颞叶癫痫患者，32名右侧颞叶癫痫患者以及16为正常人，对每位受试者的275通道的MEG信号进行采集并利用Brainstorm软件进行数据处理得到262通道，采样频率为300Hz的MEG数据。
所述步骤(2)具体为：
步骤(2-1)对导入的数据进行整理后，将10s的数据定义为一个窗口，将数据切分为10秒的片段，左侧颞叶癫痫样本量为7380个，正常人样本量为456个，右侧颞叶癫痫样本量为5364个，样本总量为13200个。
所述步骤(3)具体为：
步骤(3-1)通过对傅里叶变换以及传统小波变换的结合，对于一个能量有限的有限长时间信号x(t)，它的小波散射变换为
Figure BDA0002669153690000021
其中，φ(t)代表母波函数；
步骤(3-2)通过小波散射变换的公式，我们可以得到非线性相关的因子的传播公式如下：
Figure BDA0002669153690000022
Figure BDA0002669153690000023
我们从而可以得到作为输入特征的散射因子集合为
Figure BDA0002669153690000024
所述步骤(4)具体为：
步骤(4-1)将步骤(3-1)到步骤(3-2)提取到的MEG信号的小波散射因子进行维度拉伸操作，从262×61变换为1×15982。
步骤(4-2)将步骤(4-1)经维度变换后的散射特征作为输入特征送入LSTM网络中进行训练。
所述步骤(5)具体为：
步骤(5-1)本发明是一个三分类模型，采用五次交叉实验后的平均准确率，类准确率以及类召回率作为评价指标；
步骤(5-2)分析对比不同参数条件下的平均准确率，类准确率以及类召回率的效果。
有益效果：本发明对颞叶癫痫识别分析的方法进行研究，提取MEG信号的小波散射系数作为15982维散射因子，并送入LSTM神经网络进行学习。本发明的有益效果是：能够准确的分类左侧颞叶癫痫，右侧颞叶癫痫和正常人，能够帮助颞叶癫痫的恢复。
附图说明
图1为本发明公开的方法流程图；
图2为左侧颞叶癫痫部分通道MEG信号图；
图3为右侧颞叶癫痫部分通道MEG信号图；
图4为正常人部分通道MEG信号图；
图5小波散射网络结构图；
图6为隐层节点数为50，学习率为0.0002时，网络训练过程；
图7为隐层节点数为100，学习率为0.0004时，网络训练过程；
图8为隐层节点数为50，学习率为0.0002时，结果图；
图9为隐层节点数为100，学习率为0.0004时，结果图；
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
如图1所示，为本发明公开的基于MEG信号与LSTM神经网络模型的颞叶癫痫识别分类方法的流程图，具体包括以下步骤：
步骤(1)导入预处理后的MEG脑磁图信号；
步骤(1-1)本发明对正常人，左侧颞叶癫痫和右侧颞叶癫痫的MEG信号进行分析。数据库来源为南京医科大学附属脑科医院。数据来自39名左侧颞叶癫痫患者，32名右侧颞叶癫痫患者以及16为正常人，对每位受试者的275通道的MEG信号进行采集并利用Brainstorm软件进行数据预处理，处理完的数据为262通道采样频率为300Hz的MEG数据。
步骤(2)数据增强，构建数据库；
具体步骤为：
对导入的数据进行整理后，将十秒的数据定义为一个窗口，将数据切分为十秒的片段，左侧颞叶癫痫样本量为7380个，正常人样本量为456个，右侧颞叶癫痫样本量为5364个，样本总量为13200个。
步骤(3)构建小波散射网络，并对各个通道MEG信号散射，计算其0至2阶的小波因子；具体步骤为：
步骤(3-1)通过对傅里叶变换以及传统小波变换的结合，对于一个能量有限的有限长时间信号x(t)，它的小波散射变换为
Figure BDA0002669153690000041
其中，φ(t)代表母波函数。
步骤(3-2)通过小波散射变换的公式，得到非线性相关的因子的传播公式如下：
Figure BDA0002669153690000042
Figure BDA0002669153690000043
得到作为输入特征的散射因子集合：
Figure BDA0002669153690000044
步骤(4)将15982维散射因子输入LSTM神经网络进行训练学习，包括如下步骤：
步骤(4-1)将步骤(3-1)到步骤(3-2)提取到的MEG信号的小波散射因子进行维度拉伸操作，从262×61变换为1×15982。
步骤(4-2)将步骤(4-1)经维度变换后的散射特征作为输入特征送入LSTM网络中进行训练。
步骤(5)利用平均分类准确率，标准差以及F1值对网络学习结果进行评估，具体步骤如下；
步骤(5-1)本发明是一个三分类模型，采用五次交叉实验后的平均准确率，类准确率以及类召回率作为评价指标；
步骤(5-2)分析对比不同参数条件下的平均准确率，类准确率以及类召回率的效果。
实验步骤：
采用具体实施方式中的步骤(1)，导入MEG数据库，数据库中共有87名受试者的MEG数据，包括39位左侧颞叶癫痫患者，32位右侧颞叶癫痫患者以及16位正常无脑部疾病史受试者，数据库拥有权为南京医科大学附属脑科医院；采用具体实施方式中的步骤(2)，将每位患者的采集片段切割为10秒长的片段，左侧颞叶癫痫样本量为7380个，正常人样本量为456个，右侧颞叶癫痫样本量为5364个，样本总量为13200个；
采用具体实施方式中的步骤(3)，构建一个最高阶次为1的小波散射网络，滤波器采用Morlet wavelet和Gabor wavelet分别作为带通和低通滤波器，散射因子采样间隔为8，对每个片段每个通道进行散射，得到1×61的特征，将262个通道组合后得到262×61的散射因子集合；
采用具体实施方式中的步骤(4)，将262维的特征拉伸至15982维后，将15982维散射因子输入LSTM神经网络进行学习。网络输入层的大小参数为小波散射因子序列的维度，此处为15982，LSTM层可学习到不同步长的时间序列数据中的长期依赖关系，输出模式为last代表此网络为针对序列-标签的分类，全连接层的大小为3即为分类的种类数，通过softmax层输出各类的概率，最后的分类层输出最后的分类结果。其中，网络的隐层节点数与样本量的多少以及分类的要求都有直接关系，隐层节点数太多会延长网络的学习时间，隐层节点数过少会导致网络的容错性低，在测试样本集上的分类识别能力降低。本发明中左侧颞叶癫痫样本量为7380个，正常人样本量为456个，右侧颞叶癫痫样本量为5364个，样本总量为13200个。打乱总样本，将总样本划分为五个分块，共进行五次交叉验证，每次交叉验证采用其中的一个划分块作为测试样本，剩余九个划分块作为训练样本，根据本发明的样本量大小，设置网络的隐层单元数为1，学习率从0.0002到0.0004，隐层节点数从50到100；
采用具体实施方式中的步骤(4)，利用平均分类准确率和标准差对网络学习结果进行评估。本发明中，记LTLE(Left lobaltemporal epilepsy)为左侧颞叶癫痫，RTLE(Right lobal temporal epilepsy)为右侧颞叶癫痫，H(Healthy)为正常人，TP(TruePositive，真阳性)为被模型预测为正类的正类样本，TN(TrueNegative，真阴性)为被模型预测为负类的负类样本，FP(FalsePositive，假阳性)为被模型预测为正类的负类样本，FN(False Negative，假阴性)为被模型预测为负类的正类样本，i＝1，2，3，…，5，则，准确率定义为所有样本正确分类的概率：
Figure BDA0002669153690000061
则五次交叉验证实验的平均准确率为：
Figure BDA0002669153690000062
精确率即为在预测为正类的样本中实际也为正类的占比：
Figure BDA0002669153690000063
precision为五层交叉验证后的平均值。
召回率为在实际为正类的样本中，被判定为正类的占比：
Figure BDA0002669153690000064
recall为五层交叉验证后的平均值。
F1值综合考虑了精确率和召回率，为精确率和召回率的调和平均数，常作为机器学习分类方法的最终评价方法，每一类的F1值越高代表分类结果越好。每个类别下的F1值表示为：
Figure BDA0002669153690000071
F1为五层交叉验证后的平均值。
表1中列出了在不同的隐层节点数以及学习率下的总样本的分类准确率：
Figure BDA0002669153690000072
表1不同隐层节点数以及学***均精确度，平均召回率和分类准确率。
由表1可以看出，颞叶癫痫识别的分辨率随着隐含层提高而提高，随学习率降低而提高，并逐渐收敛，在学习率为0.0002，隐含层为100层可达到最高的准确率为97.19％(网络的训练过程如图2、3所示)，并且五次交叉验证的标准差在7％左右，具有较高的准确率以及稳定性，符合现实预期目标。
由表1的实验结果可以看出，在对比实验中，当学习率为0.0002，隐层节点数为100时，左侧颞叶癫痫，右侧颞叶癫痫以及正常人分类的F1值达到各自最大值。
从表1的实验结果可以得出，隐层节点数为100，学习率为0.0002时，颞叶癫痫识别分类准确率最高，各类分类的F1值也最高。因此，综合比较总样本的分类准确率以及每一类样本的F1值，可以看基于MEG信号的小波散射网络与LSTM分类模型结合在颞叶分类问题上是有效的，即使是在样本分布不均匀的情况下，也能够取得很好的分类效果。

Claims (6)

1.一种基于小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是包括以下步骤：
步骤(1)导入预处理后的MEG脑磁图信号；
步骤(2)通过数据增强，构建样本库；
步骤(3)通过构建的小波散射网络，对各个通道MEG信号散射，计算其0至2阶的小波因子，共得到15982维散射因子；
步骤(4)将15982维散射因子输入LSTM神经网络进行训练学习；
步骤(5)利用平均分类准确率，标准差以及F1值对网络学习结果进行评估。
2.根据权利要求1所述的小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是所述步骤(1)具体为：
对正常人，左侧颞叶癫痫和右侧颞叶癫痫的MEG信号进行分析；数据库来源为南京医科大学附属脑科医院；数据来自39名左侧颞叶癫痫患者，32名右侧颞叶癫痫患者以及16为正常人，对每位受试者的275通道的MEG信号进行采集并利用Brainstorm软件进行数据处理得到262通道，采样频率为300Hz的MEG数据。
3.根据权利要求1所述的小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是所述步骤(2)具体为：
步骤(2-1)对导入的数据进行整理后，将10s的数据定义为一个窗口，将数据切分为10秒的片段，左侧颞叶癫痫样本量为7380个，正常人样本量为456个，右侧颞叶癫痫样本量为5364个，样本总量为13200个。
4.根据权利要求1所述的小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是所述步骤(3)具体为：
步骤(3-1)通过对傅里叶变换以及传统小波变换的结合，对于一个能量有限的有限长时间信号x(t)，它的小波散射变换为
Figure FDA0002669153680000011
其中，φ(t)代表母波函数；
步骤(3-2)通过小波散射变换的公式，我们可以得到非线性相关的因子的传播公式如下：
Figure FDA0002669153680000021
Figure FDA0002669153680000022
我们从而可以得到作为输入特征的散射因子集合为
Figure FDA0002669153680000023
5.根据权利要求1所述的小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是所述步骤(4)具体为：
步骤(4-1)将步骤(3-1)到步骤(3-2)提取到的MEG信号的小波散射因子进行维度拉伸操作，从262×61变换为1×15982。
步骤(4-2)将步骤(4-1)经维度变换后的散射特征作为输入特征送入LSTM网络中进行训练。
6.根据权利要求1所述的小波散射因子与LSTM神经网络模型的颞叶癫痫识别分类方法，所述步骤(5)具体为：
步骤(5-1)本发明是一个三分类模型，采用五次交叉实验后的平均准确率，类准确率以及类召回率作为评价指标；
步骤(5-2)分析对比不同参数条件下的平均准确率，类准确率以及类召回率的效果。
CN202010932631.2A 2020-09-07 2020-09-07 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 Active CN111956221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010932631.2A CN111956221B (zh) 2020-09-07 2020-09-07 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010932631.2A CN111956221B (zh) 2020-09-07 2020-09-07 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法

Publications (2)

Publication Number Publication Date
CN111956221A true CN111956221A (zh) 2020-11-20
CN111956221B CN111956221B (zh) 2022-06-07

Family

ID=73392523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010932631.2A Active CN111956221B (zh) 2020-09-07 2020-09-07 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法

Country Status (1)

Country Link
CN (1) CN111956221B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077795A (zh) * 2021-04-06 2021-07-06 重庆邮电大学 一种通道注意力传播与聚合下的声纹识别方法
CN113743590A (zh) * 2021-09-13 2021-12-03 哈电发电设备国家工程研究中心有限公司 一种可倾瓦轴承拍瓦故障诊断方法、计算机及存储介质
CN113796873A (zh) * 2021-10-26 2021-12-17 山东建筑大学 穿戴式动态心电信号分类方法及***
CN114081462A (zh) * 2021-11-19 2022-02-25 齐齐哈尔大学 一种基于多维度生理信息的心脏健康监护***
CN114358161A (zh) * 2021-12-27 2022-04-15 中国人民解放军国防科技大学 一种基于小波散射网络的跌倒检测方法、装置及电子设备
CN116172531A (zh) * 2023-04-25 2023-05-30 南京信息工程大学 一种基于小波散射变换的血压变化趋势估计方法
CN116898454A (zh) * 2023-07-11 2023-10-20 湖北大学 基于脑电特征融合深度学习模型的癫痫分类方法及***
CN118216934A (zh) * 2024-05-22 2024-06-21 中国石油大学(华东) 小波散射变换与微分熵特征融合的脑电信号分类方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106821376A (zh) * 2017-03-28 2017-06-13 南京医科大学 一种基于深度学习算法的癫痫发作预警***及方法
CN106874694A (zh) * 2017-03-20 2017-06-20 江南大学 一种面向癫痫脑电信号识别的智能诊断***
CN108549875A (zh) * 2018-04-19 2018-09-18 北京工业大学 一种基于深度通道注意力感知的脑电癫痫发作检测方法
CN109691985A (zh) * 2018-12-19 2019-04-30 北京工业大学 一种基于dti技术及svm的颞叶癫痫辅助诊断方法
CN109700463A (zh) * 2019-03-12 2019-05-03 四川大学 一种脑磁图癫痫棘波识别方法和***
CN109934089A (zh) * 2018-10-31 2019-06-25 北京航空航天大学 基于监督梯度提升器的多级癫痫脑电信号自动识别方法
CN109924974A (zh) * 2019-01-18 2019-06-25 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于EcoG癫痫神经信号的解码方法和云端解码***
CN111222442A (zh) * 2019-12-31 2020-06-02 中国电子科技集团公司第三十六研究所 一种电磁信号分类方法和装置
GB2578929A (en) * 2018-11-13 2020-06-03 King Abdulaziz City Of Science And Tech Automatic brain disorder tendency screening using statistical features of MEG data
CN111340142A (zh) * 2020-05-14 2020-06-26 南京慧脑云计算有限公司 一种癫痫脑磁图棘波自动检测方法与溯源定位***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874694A (zh) * 2017-03-20 2017-06-20 江南大学 一种面向癫痫脑电信号识别的智能诊断***
CN106821376A (zh) * 2017-03-28 2017-06-13 南京医科大学 一种基于深度学习算法的癫痫发作预警***及方法
CN108549875A (zh) * 2018-04-19 2018-09-18 北京工业大学 一种基于深度通道注意力感知的脑电癫痫发作检测方法
CN109934089A (zh) * 2018-10-31 2019-06-25 北京航空航天大学 基于监督梯度提升器的多级癫痫脑电信号自动识别方法
GB2578929A (en) * 2018-11-13 2020-06-03 King Abdulaziz City Of Science And Tech Automatic brain disorder tendency screening using statistical features of MEG data
CN109691985A (zh) * 2018-12-19 2019-04-30 北京工业大学 一种基于dti技术及svm的颞叶癫痫辅助诊断方法
CN109924974A (zh) * 2019-01-18 2019-06-25 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于EcoG癫痫神经信号的解码方法和云端解码***
CN109700463A (zh) * 2019-03-12 2019-05-03 四川大学 一种脑磁图癫痫棘波识别方法和***
CN111222442A (zh) * 2019-12-31 2020-06-02 中国电子科技集团公司第三十六研究所 一种电磁信号分类方法和装置
CN111340142A (zh) * 2020-05-14 2020-06-26 南京慧脑云计算有限公司 一种癫痫脑磁图棘波自动检测方法与溯源定位***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JOAN BRUNA等: "Invariant Scattering Convolution Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
PHILIP A. WARRICK等: "Hybrid scattering-LSTM networks for automated detection of sleep", 《PHYSIOL. MEAS.》 *
骆春桃: "基于脑电（EEG）的帕金森疾病早期诊断的研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077795A (zh) * 2021-04-06 2021-07-06 重庆邮电大学 一种通道注意力传播与聚合下的声纹识别方法
CN113077795B (zh) * 2021-04-06 2022-07-15 重庆邮电大学 一种通道注意力传播与聚合下的声纹识别方法
CN113743590A (zh) * 2021-09-13 2021-12-03 哈电发电设备国家工程研究中心有限公司 一种可倾瓦轴承拍瓦故障诊断方法、计算机及存储介质
CN113796873A (zh) * 2021-10-26 2021-12-17 山东建筑大学 穿戴式动态心电信号分类方法及***
CN113796873B (zh) * 2021-10-26 2024-05-03 山东建筑大学 穿戴式动态心电信号分类方法及***
CN114081462A (zh) * 2021-11-19 2022-02-25 齐齐哈尔大学 一种基于多维度生理信息的心脏健康监护***
CN114358161A (zh) * 2021-12-27 2022-04-15 中国人民解放军国防科技大学 一种基于小波散射网络的跌倒检测方法、装置及电子设备
CN114358161B (zh) * 2021-12-27 2024-02-02 中国人民解放军国防科技大学 一种基于小波散射网络的跌倒检测方法、装置及电子设备
CN116172531A (zh) * 2023-04-25 2023-05-30 南京信息工程大学 一种基于小波散射变换的血压变化趋势估计方法
CN116172531B (zh) * 2023-04-25 2023-07-21 南京信息工程大学 一种基于小波散射变换的血压变化趋势估计方法
CN116898454A (zh) * 2023-07-11 2023-10-20 湖北大学 基于脑电特征融合深度学习模型的癫痫分类方法及***
CN118216934A (zh) * 2024-05-22 2024-06-21 中国石油大学(华东) 小波散射变换与微分熵特征融合的脑电信号分类方法

Also Published As

Publication number Publication date
CN111956221B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN111956221B (zh) 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法
Wen et al. Deep convolution neural network and autoencoders-based unsupervised feature learning of EEG signals
Hamad et al. Feature extraction of epilepsy EEG using discrete wavelet transform
Acharya et al. Automated diagnosis of epileptic EEG using entropies
Bairy et al. Automated diagnosis of depression electroencephalograph signals using linear prediction coding and higher order spectra features
CN109431497B (zh) 一种脑电信号处理方法及癫痫检测***
Prasanth et al. Deep learning for interictal epileptiform spike detection from scalp EEG frequency sub bands
Mustafa et al. The analysis of eeg spectrogram image for brainwave balancing application using ann
Sunaryono et al. Gradient boosting machines fusion for automatic epilepsy detection from EEG signals based on wavelet features
Wessam et al. K-complexes detection in EEG signals using fractal and frequency features coupled with an ensemble classification model
Jadhav et al. Automated sleep stage scoring using time-frequency spectra convolution neural network
CN114366124A (zh) 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法
CN112641451A (zh) 基于单通道脑电信号多尺度残差网络睡眠分期方法及***
Sheykhivand et al. Sleep stage scoring of single-channel EEG signal based on RUSBoost classifier
Thanaraj et al. Multichannel interictal spike activity detection using time–frequency entropy measure
Kbah et al. Epileptic EEG activity detection for children using entropy-based biomarkers
Satapathy et al. A deep learning approach to automated sleep stages classification using Multi-Modal Signals
Tripathi et al. Automatic seizure detection and classification using super-resolution superlet transform and deep neural network-A preprocessing-less method
Mohi-ud-Din et al. Detection of Autism Spectrum Disorder from EEG signals using pre-trained deep convolution neural networks
Li et al. A one-dimensional convolutional neural network model for automated localization of epileptic foci
Yuan et al. Automatic seizure detection using logarithmic Euclidean-Gaussian mixture models (LE-GMMs) and improved deep forest learning
Kaur et al. Comparison of Classification Models Using Entropy Based Features from Sub-bands of EEG.
Ranjan et al. A machine learning framework for automatic diagnosis of schizophrenia using EEG signals
Romaissa et al. Epileptic seizure detection from imbalanced EEG signal
Chavan et al. EEG signals classification and diagnosis using wavelet transform and artificial neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant