静息态闭眼脑电图检测中度外伤性脑损伤

摘要

创伤性脑损伤(TBI)是一种创伤，如果医疗救治延误，会带来严重后果。通常，需要分析计算机断层扫描(CT)或磁共振成像(MRI)来确定中度创伤性脑损伤患者的严重程度。但是，由于近来创伤性脑损伤患者的增加，对每个潜在患者进行CT或MRI扫描不仅费用昂贵，而且耗时。因此，在本文中，我们研究了使用脑电图(EEG)和计算智能作为检测中度创伤性脑损伤患者严重程度的替代方法的可能性。脑电图比CT或MRI便宜得多。与CT和MRI相比，EEG的空间分辨率不高，但时间分辨率高。使用传统的计算智能方法对脑电信号进行中度脑损伤的分析和预测，通常涉及复杂的信号预处理、特征提取或特征选择，因此比较繁琐。因此，我们提出了一种使用卷积神经网络(CNN)自动分类健康受试者和中度创伤性脑损伤患者的方法。该计算智能系统的输入是静息状态的闭眼脑电图，无需进行预处理和特征选择。使用的脑电图数据集包括15名健康志愿者和15名中度创伤性脑损伤患者，这些数据是由马来西亚吉兰丹的马来西亚Sains大学医院获得的。 The performance of the proposed method has been compared with four other existing methods. With the average classification accuracy of 72.46%, the proposed method outperforms the other four methods. This result indicates that the proposed method has the potential to be used as a preliminary screening for moderate TBI, for selection of the patients for further diagnosis and treatment planning.

1.介绍

创伤性脑损伤是由钝器或穿透性物体对头部的打击或震动造成的大脑创伤。创伤可能是由道路交通事故、跌倒或体育活动造成的。在紧急情况下，众所周知的“黄金时间”原则可能会影响该病人的医疗结果[1.]。延迟治疗可能会导致后遗症，如颅内压升高、水肿和大脑自动调节障碍[2.,3.]．因此，立即发现对后续治疗方案至关重要。

创伤性脑损伤(TBI)的严重程度可以用几个评分来分类。格拉斯哥昏迷评分(GCS)是常见的评分之一[4.]．GCS根据患者的睁眼反应、言语反应和运动反应将TBI分为轻度、中度和重度。TBI严重程度对应的GCS评分如表所示1..轻度、中度和重度TBI患者的得分分别为14-15分、9-13分和3-8分。然而，中度TBI通常很难被发现。中度TBI患者在损伤严重程度和急性期病程上有很大的差异[5.].在急性期，臂内和臂间损伤都可能导致继发性脑损伤，从而导致死亡[6.–8.]因此，应在最短的时间内进行中度TBI检测。

对于中度TBI的检测，临床成像是有用的。检测中度TBI的金标准是使用计算机断层扫描（CT）或磁共振成像（MRI）。然而，对每位患者进行CT或MRI扫描既昂贵又耗时。医院资源有限也可能导致对患者进行CT扫描和MRI扫描的延迟，从而造成中度TBI的风险。此外，对处于恢复阶段的中度TBI患者进行扫描可能会干扰睡眠-觉醒节律，并导致恢复延迟[9,10]．此外，为了重新评估创伤性脑损伤而重复扫描引起了人们对CT扫描辐射后果的担忧[11]．

作为进一步治疗计划中早期发现中度脑外伤的潜在替代物，脑电图（EEG）是一种强有力的工具[12]．研究表明，可以通过分析信号频带的定量脑电图(qEEG)发现表明创伤性脑损伤的生物标志物，这些信号被称为alpha、beta、theta和gamma频带。对脑电图信号进行了分析，发现与健康人相比，平均α频带频率降低，θ频带活动增加[13–16]．这些发现可作为脑外伤的生物标志物。

目前已有许多基于脑电图的脑外伤检测工作，因为脑电图具有较高的时间分辨率，能够直接测量大脑活动[17]．在Fisher等人的研究中[18]，采用植入皮质体感诱发脑电图电位(SSEPs)的脑电图，实时检测和跟踪动物模型头部损伤后的神经电生理异常。结果发现，信号的振幅随时间的推移而提高，但在监测1小时后显著降低。他们的分析发现，在损伤后30分钟，低频成分发生了显著变化，脑电图熵也增加了。从他们的实验结果来看，皮质SSEPs可能被用于快速检测和监测TBI。另一方面，McBride等人[19]对脑外伤患者的视觉诱发电位脑电图进行了研究。在这项研究中，TBI患者被要求在EEG记录期间执行记忆任务。提取与事件相关的Tsallis熵作为特征，训练支持向量机（SVM）来区分正常个体和TBI个体。他们的结果表明，EEG作为早期检测TBI的有效方法的潜力。Rapp等人也进行了适当的审查[20.]脑电在脑外伤检测中的应用。从文献中可以看出，在脑电图记录过程中，患者经常受到外部刺激[21,22].将患者暴露于刺激物的目的是促进对人类大脑对外部刺激的功能和反应的诊断[23]．

然而，使用兴奋剂记录脑电图有其局限性。任务相关范式依赖于较高的认知功能能力，如注意力或语言理解能力[24]．中度创伤性脑损伤患者可能在急性期处于昏迷状态，他们可能无法执行任务或对所给的兴奋剂作出反应。此外，要求病人执行特定的任务并让他们接触刺激物会扰乱他们的睡眠-觉醒节奏，影响他们的恢复过程[9,10]因此，静息状态脑电图是一个更好的选择。它是在患者闭上眼睛休息时记录的，提供了不干扰患者睡眠周期的优势。

我们回顾了四种类似的计算智能方法，分别用于从健康样本中分类重度或轻度TBI。在den Brink等人的研究中[24]，采用朴素贝叶斯分类器对重型脑外伤患者和健康对照组进行分类。基于每个电极β波段的平均功率和静息状态脑电图中提取的delta、theta和gamma波段的脑电连通性特征训练分类器。他们的方法首先对信号进行预处理，通过一个陷波器去除线噪声，然后是一个100 Hz的低通滤波器。接下来，应用一个具有0.5 Hz截止频率的高通滤波器。信号中的伪影被手动移除。每个受试者发出的信号被分成两秒的片段。在此基础上，提取了三种特征。三个波段的连通性是通过计算δ、theta和gamma波段的对数变换正交化振幅包络之间的相关性得到的[24]．该方法具有较高的分类精度。尽管如此，他们的工作方法很大程度上依赖于提取的特征。因此，为了保证有效的分类器学习，需要进行广泛的探索，选择具有区别性的特征。

McNerney等[25利用静息状态脑电和自适应增强(AdaBoost)对轻度脑损伤进行分类。首先，应用一个截止频率为0.1 Hz到100 Hz的带通滤波器。随后，人工标记和去除信号中的伪影和尖波。在他们的方法中提取的特征是delta、theta、alpha和gamma波段的功率谱密度(PSD)。计算了AF7 ~ FpZ和AF8 ~ FpZ通道信号的PSD。每个频带的PSD均值的基数10的对数作为特征来训练AdaBoost分类器。AdaBoost是一个功能强大的分类器，它通过组合几个弱的、不准确的分类器来创建一个高度精确的分类器，创建一个级联的分类模型。它具有简单的优点，尽管对噪声数据和异常值很敏感，但需要更少的参数调整来获得高分类结果。因此，预处理成为McNerney等人工作中不可避免的一个阶段[25以消除外界噪音。

在Cao等人的研究中[26]，提出了一种基于脑电图的支持向量机(SVM)的脑震荡运动员自动分类方法。他们的方法能够检测运动员的轻度创伤性脑损伤，并确定他们是否适合重返比赛(RTP)。在三种不同的情况下，受试者的静息状态脑电图被记录下来，即受试者坐着、站在坚硬的表面上和站在泡沫表面上。通过目视检查，手工去除记录的脑电信号中的伪影。一分钟无伪影脑电图，然后在0.5至30赫兹之间进行带通滤波，相移为零。对合成信号进行快速傅里叶变换(FFT)，将信号分为theta、alpha、beta1、beta2和beta3。计算每个频带的功率平均值。除了特征集之外，还计算了所有电极在1到30赫兹之间的个人1hz频率的平均功率。为了减少庞大的特征量，采用启发式最小冗余最大关联(MRMR)框架进行特征约简。根据互信息对特征进行排序。 Top 10 features were selected and directed to an SVM for classification of the healthy subject and mild TBI patient.

在此之前，我们还提出了一种利用静息状态闭眼脑电图对中度脑外伤患者和健康受试者进行分类的方法[27]．与Cao等人的工作相似[26，我们的方法也使用SVM作为我们的计算智能方法。然而，我们要提供给SVM的特征是从alpha波段提取的功率值。

脑电图记录经常被噪声和伪影等不需要的因素污染。预处理对于去除信号中所有不需要的元素至关重要[28]．然而，定位和去除信号中的杂质非常耗时。最后，脑电信号的特征选择和预处理都是复杂和耗时的。此外，静息状态脑电图的分析具有更大的挑战性，因为它所包含的信息比有外部刺激的脑电图更少。对于静息状态脑电信号的实现，机器更适合自行发现和学习数据。

为了克服预处理、特征提取和特征选择的复杂设计，CNN是开发中常用的计算智能方法之一，需要分类[29]．CNN是一种机器学习方法，灵感来自生物系统[30.]，它最初是为图像分类任务而提出的[31]．由于CNN在分析图像中像素所呈现的小细节方面具有巨大的潜力，因此它也适用于脑电图分析[32–34]．这是因为EEG的数据点可以以矩阵的形式排列，类似于像素的矩阵[35]．

CNN的拓扑结构由多层感知(multilayer perception, MLP)构成，它结合了输入层、隐藏层和输出层。隐含层包括卷积层和传统的反向传播神经网络密层。卷积层由带有可学习参数的卷积核组成，需要多次迭代学习和验证以经验确定最优值[36]．卷积层通过加权可学习核从输入矩阵中提取重要特征[37].矩阵的每个正向输入计算一个特征图。当在输入中检测到感兴趣的模式时，卷积层学习激活特征映射。激活的特征地图将使用池层进行下采样，并进一步反馈到下一层。使用特征映射对完全连接层（也称为密集层）进行训练。可学习参数的学习过程意味着反向传播[31]和梯度下降[38]．

本文的目的是提出一种基于闭眼静息状态脑电的适度脑外伤检测方法。该方法可避免人为错误，有可能成为急诊创伤性脑损伤的早期筛查工具。CNN的参数是根据经验选择的，以优化结构。参数为学习率和最小批量大小。我们的方法与现有的先进方法和我们之前的工作进行了进一步的比较[27]．

2.方法

2．1．主题

本研究使用的数据集是在马来西亚吉兰丹的马来西亚Sains大学医院收集的。已获得马来西亚大学的伦理批准，编号为USM/JEPeM/1511045。本研究共收集30例静息闭眼脑电记录，分为15例中度脑外伤患者和15例健康志愿者。15例患者提供了TBI数据。健康数据收集自15名健康人。中度脑外伤患者的年龄范围在18 - 65岁之间。根据GSC评分，所有患者均为非手术性中度创伤性脑损伤(GSC评分为9 - 13分)，经脑部CT扫描诊断，所有患者均遭受左侧额颞顶叶的初次撞击。记录时要求每个受试者闭上眼睛，获取静息状态脑电图数据。

2.2.记录系统和电极放置

采用64通道WaveGuard EEG帽上的64个电极连续记录EEG信号，通道的布置采用国际上10-10的EEG电极系统，如图所示1.．头皮的电活动将被记录在64个位置。然而,本研究排除了频道录制，只留下63个有用频道，因为在本研究中，通道被用作眼电图(EOG)通道。接地电极位于Fz前10%，连接耳垂作为参考，电极阻抗小于5 kOhm。利用可编程的直流耦合宽带synps放大器记录脑电图信号。EEG信号被放大(增益2500，精度0.033/位)，记录范围为55 在直流至70 Hz的频率范围内为mV。EEG信号在1000 Hz时数字化 使用16位模数转换器，频率为20 Hz。

２．３．数据准备

录音的前60秒被丢弃，因为它们通常被伪影污染，因为在录音的早期阶段，受试者通常不够平静。在检查的基础上删除包含工件的段。接下来的60秒录音被分成60个片段，每个片段一秒。一项研究表明，60秒的录音足以获得可靠的诊断结果[39]此外，EEG更具鉴别特征的出现接近于记录的开始[40]．

脑电信号作为CNN的输入，以通道振幅随时间的矩阵形式排列。通道的排列是64通道WaveGuard EEG帽给出的默认排列。由于每一段以1秒为单位，因此EEG的矩阵大小为 ,在哪里N频道的数量是多少是采样频率。在本研究中，矩阵大小为63 × 1000，因为抽样率为1000 使用Hz，通道数为63。因此，每个数据包含60个矩阵。矩阵中的分量使用以下公式从EEG数据点存储： 在哪里我为采样点的通道(即 ），t是采样点的索引（即。， ），和是信道采样点的振幅吗我当时t．

2.4.卷积神经网络拓扑

本研究使用的CNN拓扑如表所示2.和数字2.．本研究中使用的CNN拓扑由6个卷积层、2个池化层和1个完全连接层组成。每个卷积层由6个卷积层组成过滤器。为了从信号中获取更精细的方向和信息，选择较小的滤波器尺寸。在一个卷积层中使用六个过滤器来创建一个包含更多来自输入的特征变化的特征图。CNN的架构总共有九层。

CNN的输入是一个63 × 1000矩阵。本研究中使用的卷积层的滤波器大小固定为5 × 5。带有尺寸的输入将生成大小为的要素图 通过卷积层，可以使用 在哪里F为过滤器的大小，是卷积层中滤波器的个数，和s为步长。在这项研究中,F设为5，设为6，然后呢s为所有卷积层设置为一个。

经过第一层卷积，得到59 × 996 × 6的特征图。然后将feature map定向到第2卷积层，输出尺寸为55 × 992 × 6的feature map。通过第三层卷积，生成51 × 988 × 6的特征图。经过第四层卷积，得到一张47 × 984 × 6的特征图。随后，第五卷积层输出一张43 × 980 × 6的feature map。

接下来，feature map将通过一个平均池化层。输入特征图的大小将生成大小为的输出特征映射 使用(2.)–(4.）.F设为2，设为6，然后呢s对于本研究中所有平均池化层，均设为2。平均池化层生成了21 × 490 × 6的feature map。得到的feature map将被传递到最后的卷积层，生成一个17 × 486 × 6的feature map。然后将特征图传递到平均池化层，生成8 × 243 × 6的特征图。然后输出被压平并传递到完全连接层。全连接层的激活功能为Softmax。整个CNN的输入处理过程如图所示2.．对于本研究中使用的CNN拓扑，在每个卷积层之后使用批归一化和整流线性单元(ReLU)。

本研究中选择了七个参数来优化CNN拓扑3.显示了这些参数。选取0.0001的学习率，并在CNN的整个训练过程中保持恒定。标准化用于在每个卷积层之后执行批标准化。每个迭代的最小批量大小设置为128。由于历元由680个训练数据组成，需要六次迭代才能完成一个历元通过CNN。每个历元的训练迭代固定为30。为防止此设计中的过度装配，正则化使用正则化系数0.0005。用于CNN训练反向传播的优化器是动量为0.9的随机梯度下降（SGD）。

2．5．培训过程

在本研究中，用于评估CNN培训的绩效指标是使用分类准确度（百分比）来衡量的，即测试准确度和验证准确度。测试和验证准确度是通过三重交叉验证获得的。四重交叉验证的数据集划分如表所示4..在这张表中，K是折叠的数量，和每个受试者标记为训练或测试数据集在每个K-折叠验证。

测试精度计算公式如下: 在哪里是中度创伤性脑损伤的输入，可以正确地预测为中度创伤性脑损伤，是作为健康受试者正确预测的健康对照输入，TBI输入是否被错误预测为健康受试者，以及是被错误地预测为中度脑损伤患者的健康控制输入。测试精度由测试集获得，验证精度由训练集本身获得。

在生物信息学的应用中，由于患者数量有限等不可预见的限制，小数据集往往成为一个问题。小数据集会导致分类器的评价存在乐观偏差，这对评估分类器的性能是不准确的。数据增强可以增加数据集的数量，这在图像分类中很常见。而中度脑损伤患者的脑电增强会增加分类误差，因为在增强过程中会加入随机噪声。为了克服评估所提出的体系结构时数据集小的问题，本研究使用了bootstrap方法[41]．Bootstrap方法是一种生成Bootstrap样本集的重采样方法。生成自举样本集的自举概念可以用三个步骤来解释。首先，从原始数据集中选择一个随机样本。接下来，随机样本将被添加到新的数据集并返回到原始数据集。这两步重复进行，直到引导样本集达到固定数量的样本。对于计算智能方法，生成的bootstrap样本集将是原始数据集的数据数量[42]．因此，有些样本将被重复表示，而有些则根本不被选择[42]．bootstrap是一种有用的方法，因为使用bootstrap样本集训练的机器学习模型的预测结果往往呈高斯分布。此外，通过预测结果可以计算出95%置信区间(CI)来估计机器学习模型的准确性和稳定性。

在本研究中，提出的体系结构通过100次重采样的bootstrap样本集测试。Efron提出迭代范围为50 ~ 200 [41].对每个引导样本进行三次交叉验证，并记录每个生成的引导样本集的交叉验证准确度。根据记录的交叉验证准确度计算95%置信区间（CI）、平均交叉验证准确度（ACC）和标准偏差（SD）。

3.结果

为了选择最优的学习率和最小批量大小进行CNN的训练，通过验证不同参数的性能进行了实验。参数为学习率和最小批量大小。然后将训练有素的CNN模型与朴素贝叶斯进行比较[24]，AdaBoost分类器[25]、支持向量机(mrmr) [26]，和SVM（功率）[27]．

３．１．最佳学习率的选择

学习率是决定反向传播学习更新步骤的重要参数[43]。它控制可学习权重相对于损失梯度的调整。当学习率太大时，梯度下降可能会不计后果地增加而不是减少训练误差。另一方面，使用太小的学习率可能会导致训练速度慢，并可能导致恒定的高训练误差。因此e、 确定最佳学习速率至关重要，因为它将影响反向传播学习中最小损失点的搜索。

目前的研究表明，通过初始化一个较低的学习率，并在每次迭代时增加学习率，可以估计出较好的学习率[44].通过使用具有6个卷积层和32个小批量的CNN拓扑改变学习速率来进行实验。研究了五个学习率值。使用的学习率分别为0.1、0.01、0.001、0.0001和0.00001。CNN使用不同学习率的训练时间如图所示3.. 该图显示，学习率的值越小，则需要更长的训练时间。此外，从实验来看，表中显示了3倍交叉验证准确度、SD和95%CI的平均值5.．从表中可以看出，学习率0.0001在平均精度和标准差方面表现最好。

３．２．确定最佳的小批量

在CNN学习中，训练集被分成若干个小批量，每个小批量由少量的训练样本组成。对于优化的CNN拓扑，最小批量大小是必须通过经验确定的参数之一。一个更大的小批量可以导致更快的CNN训练。然而，一个大的迷你批处理使用高计算能力。此外，一项研究表明，使用太大的小批量可能会导致训练的CNN模型的质量显著下降[45]因此，必须确定最佳小批量，以确保CNN训练具有更好的收敛速度和稳定性[43]．

本实验在部分研究推荐的基础上，以32个小批量作为起始点[36,46]．利用6个卷积层CNN拓扑和学习率0.0001，对32、64和128的小批量进行评估，选择最优的小批量。表格6.分别显示了它们的测试精度。从这个表中可以看出，128的最小批量大小提供了最好的性能。

３．３．提出的方法与现有工程的比较

由于目前尚无将中度创伤性脑损伤与健康组进行分类的工作，本文提出的方法与现有的四种相似的方法进行了比较。第一种比较方法是den Brink等人所做的工作[24采用无任务脑电和朴素贝叶斯分类器对创伤性脑损伤进行分类。比较的第二种方法是由McNerney等人提出的[25使用AdaBoost分类器。第三种比较方法是Cao等人所做的工作。26]它使用支持向量机。第四种方法是我们之前的工作，提出了一种基于脑电的支持向量机分类器，使用阿尔法带功率进行中度脑外伤检测[27]．为了公平比较，使用了相同的数据集和训练过程。表中显示了使用相同数据集的不同方法的交叉验证精度(ACC)的平均值、SD和CI7.．

4.讨论

从表5.，结果表明，学习率为0.0001时的准确率最高，为56.57%。与其他学习率值相比，在该学习率下，搜索CNN最佳权重的步长是最佳的。如果使用较大的学习率，则所采取的步长可能会超出局部极小值。同时，使用较低的le学习速度会导致CNN学习时间延长。如图所示3.，可以看出，随着学习率的增加，训练时间也随之增加。

关于选择合适的小批量，如表所示6.128的小批量提供了最高的测试精度。32的小批量提供了最低的精度（56.57%），因为它收敛到一个平坦的最小值，提供了较低的测试精度。128的小批量可以有效地概括数据并收敛到一个尖锐的最小值，使经过训练的CNN模型具有更高的测试精度 ．

与现有的其他方法相比，该方法的准确率高达72.46%，与denbrink等人的工作相比更为突出[24， McNerney等[25， Cao等[26]，以及我们以前的工作[27]．采用相同的数据集，这些方法的平均交叉验证精度分别为59.05%、54.00%、51.17%和49.64%，如表所示7.．

在确定了从频带中提取的特征可以在分类器训练过程中提供重要信息后，den Brink等[24和McNerney等[25]都是根据频带进行特征提取。另一方面，本文提出的方法对原始信号没有进行任何特征提取。脑电信号以矩阵形式排列并馈给CNN拓扑输入。卷积层进行特征提取，从输入中获得不同的特征。卷积层由可学习核组成，目的是从输入中提取局部特征。在卷积层中进行特征提取，首先提取低层次特征，然后再提取高层次特征。

在平均交叉验证精度方面，该方法优于其他四种方法。朴素贝叶斯假设每个特征都是相互独立的，消除了脑电信号通道之间的依赖性。它使得信道之间的相关性被忽略，从而导致分类器训练过程中信息的丢失。因此，本文提出的利用CNN的方法可以克服朴素贝叶斯的缺点。AdaBoost分类器是一种机器学习方法，参数调整少，使用方便。然而，它对噪声和异常值非常敏感，这在脑电图记录中是不可避免的。因此，需要付出更多的努力来确保噪声和伪影被完全去除，以确保有效的分类器训练。该方法不需要对信号进行滤波以去除噪声。卷积层的可学习核可以有效地提取信号的重要特征，同时抑制信号中的噪声。

在曹等人的工作中[26，采用MRMR特征选择框架来减小大特征集的规模。然而，当使用我们的数据集时，检测精度较低。在曹等人的原著中[26]，所使用的脑电图数据集要求受试者在记录脑电图时处于三种不同的姿势。在我们的病例中，当受试者放松和坐下时记录脑电图。因此，用他们的方法提取的特征不能提供足够的信息给SVM。在他们的工作中使用的多姿势脑电图为分类器提供了更多变化的信息。另一方面，它导致一个大的数据集，其中的特征选择必须执行。在特征选择过程中，可能会发生信息丢失，导致检测精度降低。在我们提出的方法中，特征提取和选择是由内核自动进行的，其中这些内核的可学习参数使用反向传播更新。自动化的过程比他们的方法更有效。利用CNN进行特征提取的效率可以避免繁琐的特征选择和约简过程，以及人为的偏倚。

与我们以前的工作相比[27，提取脑电图的α波段功率作为特征训练SVM。然而，它显示出的分类低于我们提出的方法。Alpha波段功率可以作为中等创伤性脑损伤分类的特征之一，但仅使用Alpha波段功率是不够的。为了提供足够的信息来训练SVM，必须提取其他特征，如相关系数、相位差等。

5.结论

这项研究表明，卷积层的数量、学习率和最小批量是设计稳健的CNN时必须根据经验确定的重要参数。不同应用的参数值可能不同。在具有六个卷积层的CNN应用中，发现学习率f 0.0001和128的小批量为中等TBI分类目的提供了最佳分类精度。将所提出的方法与现有的四种TBI分类方法进行了进一步比较。结果表明，所提出的方法在交叉验证精度和易于执行方面优于其他方法。这研究表明，CNN是EEG机器学习应用程序的潜在替代品，EEG机器学习应用程序需要复杂的信号预处理和特征提取程序。本研究的进一步改进可能会在急诊科为中度TBI患者引入一种即时诊断工具，可作为诊断工具医生的第二意见。

数据可用性

用于支持本研究结果的静息状态闭眼脑电图(EEG)数据受到马来西亚大学人类研究伦理委员会(USM)的限制，以保护患者的隐私。

利益冲突

作者声明他们没有利益冲突。

致谢

本研究由马来西亚高等教育部（MOHE）通过跨学科研究资助计划（TRGS）资助，资助号为203\PELECT\6768002。

工具书类

1. R. Ruff，“在对轻度创伤性脑损伤的理解上取得了20年的进步，”头部创伤康复杂志，第20卷，第2期。1，页5-18,2005。视图:出版商的网站|谷歌学术搜索
2. D.P.Becker、J.D.Miller、J.D.Ward、R.P.Greenberg、H.F.Young和R.Sakala，“早期诊断和强化治疗的重型颅脑损伤的结果，”神经外科杂志，第47卷，第4期，第491-502页，1977年。视图:出版商的网站|谷歌学术搜索
3. S.A.Goldberg，D.Rojanasarntikul和A.Jagoda，“第23章创伤性脑损伤的院前处理”，年创伤性脑损伤，第一部分，临床神经病学手册格拉夫曼(J. Grafman)和萨拉查(A. M. Salazar),vol. 127, pp. 367–378, Elsevier, Amsterdam, Netherlands, 2015.视图:出版商的网站|谷歌学术搜索
4. P.Udekwu、S.Kromhout Schiro、S.Vaslef、C.Baker和D.Oller，“格拉斯哥昏迷评分、死亡率和头部受伤患者的功能结果，”创伤杂志:损伤，感染和重症护理第56期5、2004年。视图:出版商的网站|谷歌学术搜索
5. L.Papa，G.Robinson，M.Oli等人，“使用生物标记物诊断和管理创伤性脑损伤患者，”关于医疗诊断的专家意见，第2卷，第2期8，第937-945页，2008。视图:出版商的网站|谷歌学术搜索
6. a.i. Maas, N. Stocchetti，和R. Bullock，“成人中、重度创伤性脑损伤”，神经病学，第7卷，第8期，第728-7412008页。视图:出版商的网站|谷歌学术搜索
7. T. W. Vitaz, J. Jenks, G. H. Raque, C. B. Shields，《中度创伤性脑损伤后的结果》，外科神经学，第60卷，第4期，第285-2912003页。视图:出版商的网站|谷歌学术搜索
8. A. Fabbri, F. Servadei, G. Marchesini, S. C. Stein, and A. Vandelli，“急诊中中度颅脑损伤患者不良预后的早期预测因子”，神经病学、神经外科学和精神病学杂志，第79卷，第5期，第567-573页，2008年。视图:出版商的网站|谷歌学术搜索
9. C.Duclos，M.Dumont，H.Blais等人，“中重度创伤性脑损伤急性期的静息活动周期紊乱，”神经康复和神经修复第28卷第2期5, pp. 472-482, 2014。视图:出版商的网站|谷歌学术搜索
10. M.-C。Ouellet, S. beaulieuo - bonneau，和C. M. Morin，《创伤性脑损伤后的睡眠-觉醒障碍》神经病学第14卷第2期7, pp. 746-757, 2015。视图:出版商的网站|谷歌学术搜索
11. R. T. Griffey和A. Sodickson，“接受重复或多次CT检查的急诊患者的累积辐射暴露和癌症风险评估，”美国x线学杂志，第192卷，第2期。4，第887-892页，2009。视图:出版商的网站|谷歌学术搜索
12. t·m·里夫斯和b·s·科利，创伤性脑损伤的电生理途径，Humana出版社，美国新泽西州托托瓦，2012年。
13. D. B. Arciniegas，“临床电生理评估和轻度创伤性脑损伤:临床实践的科学现状和启示”，国际心理生理学杂志，第82卷，第2期1，第41-52页，2011。视图:出版商的网站|谷歌学术搜索
14. D. Hanley, L. S. Prichep, N. Badjatia等人，“创伤性脑损伤中基于脑电图的功能障碍的脑电活动生物标志物:多位点验证试验，”杂志上的创伤第35期1，第41-47页，2018。视图:出版商的网站|谷歌学术搜索
15. J. N. Ianof和R. Anghinah，《创伤性脑损伤:脑电图的观点》，痴呆与这项研究，第11卷，第5期。1, pp. 3-5, 2017。视图:出版商的网站|谷歌学术搜索
16. A. Tolonen, M. o.k . Särkelä， R. S. K. Takala等，“定量脑电图参数预测严重创伤性脑损伤预后:发展研究，”临床脑电图与神经科学，第49卷，第49期。4, pp. 248-257, 2018。视图:出版商的网站|谷歌学术搜索
17. P. L. Nunez，“面向大规模新皮层动态功能和脑电图的定量描述”，行为与脑科学，第23卷，第2期。3，页371 - 398,2000。视图:出版商的网站|谷歌学术搜索
18. 黄士生，叶敏等，“利用诱发脑电图电位对急性脑损伤的实时检测与监测，”神经系统与康复工程学报，第24卷，第9期，第1003-1012页，2016年。视图:出版商的网站|谷歌学术搜索
19. J. McBride, X. Zhao, T. Nichols et al.，“基于头皮脑电图的创伤性脑损伤后认知缺陷的事件相关tallis熵分析”，生物医学工程汇刊，第60卷，第1期，第90-962013页。视图:出版商的网站|谷歌学术搜索
20. P.E.Rapp，D.O.Keyser，A.Albano等人，“使用电生理方法检测创伤性脑损伤，”人类神经科学前沿，第9卷，第5期。1, p. 11, 2015。视图:出版商的网站|谷歌学术搜索
21. N. K. Yadav和K. J. Ciuffreda，“使用视觉诱发电位(VEP)客观评估轻度创伤性脑损伤(mTBI)中的视觉注意”，脑损伤，第29卷，第2期3, pp. 352-365, 2015。视图:出版商的网站|谷歌学术搜索
22. S.Schmitt和M.A.Dichter，“第21章创伤性脑损伤的电生理记录”，年创伤性脑损伤，第一部分，临床神经病学手册格拉夫曼(J. Grafman)和萨拉查(A. M. Salazar),vol. 127, pp. 319–339, Elsevier, Amsterdam, Netherlands, 2015.视图:谷歌学术搜索
23. E.Basar、A.Gönder和P.Ungan，“EEG和脑诱发电位之间的重要关系。即猫脑硬膜下结构的共振现象，”生物控制论，第25卷，第27-40页，1977年。视图:谷歌学术搜索
24. R.V.den Brink、S.Nieuwenhuis、G.J.M.van Boxtel、G.van Luijtelaar、H.J.Eilander和V.J.M.Wijnen，“无任务频谱脑电图动力学跟踪和预测严重获得性脑损伤患者的康复，”科学杂志:临床，第17卷，第43-52页，2018年。视图:出版商的网站|谷歌学术搜索
25. M.W.McNerney，T.Hobday，B.Cole等人，“结合额极脑电图测量和自我报告症状，使用机器学习对mTBI进行客观分类，”体育Medicine-Open，第5卷，第5期。1，第14页，2019。视图:出版商的网站|谷歌学术搜索
26. C.Cao，R.L.Tutwiler和S.Slobounov，“通过使用支持向量机的EEG信号对脑震荡后残存功能缺陷的运动员进行自动分类，”神经系统与康复工程学报，第16卷，第5期。4, pp. 327-335, 2008。视图:出版商的网站|谷歌学术搜索
27. 赖昌庆，M. Z. Abdullah, J. M. Abdullah, A. Azman，和H. Ibrahim，“使用支持向量机从静息状态脑电图的功率特征筛选中度创伤性脑损伤”，发表于2019年第二届电子和电气工程技术国际会议记录，第99-103页，马来西亚乔治敦，2019年9月。视图:出版商的网站|谷歌学术搜索
28. 杨振宇，“头皮脑电图伪影检测与去除方法综述”Neurophysiologie倩碧/临床神经生理学，第46卷，第4-5号，第287-305页，2016年。视图:出版商的网站|谷歌学术搜索
29. D. C. Cireşan, U. Meier, J. Masci, L. M. Gambardella，和J. Schmidhuber，“用于图像分类的灵活、高性能卷积神经网络”第22届国际人工智能联合会议论文集第二卷，IJCAI'11，第1237-1242页，西班牙巴塞罗那，2011年7月。视图:谷歌学术搜索
30. K. Muhammad, J. Ahmad, I. Mehmood, S. Rho, and S. W. Baik，“基于卷积神经网络的监控视频火灾探测”，IEEE访问，第6卷，第18174-18183页，2018。视图:出版商的网站|谷歌学术搜索
31. e . LeCun, B. Boser, J. S. Denker等，“应用于手写邮政编码识别的反向传播”，神经计算，第一卷，第4期，第541-55119989页。视图:出版商的网站|谷歌学术搜索
32. Z.Wen，R.Xu和J.Du，“一种基于EEG信号的用于情绪识别的新型卷积神经网络”，发表于2017年安全、模式分析与控制论国际会议论文集，页672-677，中国深圳，2017年12月。视图:出版商的网站|谷歌学术搜索
33. S. U. Amin, M. Alsulaiman, G. Muhammad, M. A. Bencherif，和M. S. Hossain，“使用卷积神经网络进行EEG运动图像分类的多级加权特征融合”，IEEE访问，第7卷，第1894 - 18950页，2019年。视图:出版商的网站|谷歌学术搜索
34. S.Yang，F.Deravi和S.Hoque，“EEG生物识别中的任务敏感性，”模式分析与应用第21卷第2期1, pp. 105-117, 2018。视图:出版商的网站|谷歌学术搜索
35. C.Q.Lai，H.Ibrahim，M.Z.Abdullah，J.M.Abdullah，S.A.Suandi和A.Azman，“静息状态脑电图作为生物识别卷积神经网络输入的安排，”计算智能与神经科学，2019卷，文章编号7895924，10页，2019年。视图:出版商的网站|谷歌学术搜索
36. Y. Bengio，“学习人工智能的深度架构”，机器学习的基础和趋势，第2卷，第2期1, pp. 1 - 127, 2009。视图:出版商的网站|谷歌学术搜索
37. A. Sehgal和N. Kehtarnavaz，“用于实时语音活动检测的卷积神经网络智能手机应用程序，”IEEE访问，第6卷，第9017-9026页，2018年。视图:出版商的网站|谷歌学术搜索
38. L. botou，“基于随机梯度下降的大规模机器学习”第19届国际计算统计会议记录（COMPSTAT'2010），页177-187，巴黎，法国，2010年8月。视图:谷歌学术搜索
39. B.Albert，J.Zhang，A.Noyvirt等，“脑外伤早期诊断的自动EEG处理，”Procedia计算机科学，第96卷，第703-712页，2016。视图:出版商的网站|谷歌学术搜索
40. G.E.Hine、E.Maiorana和P.Campisi，“静息状态脑电图：生物特征应用的非平稳性研究”，年2017年生物特征特别利益集团（BIOSIG）国际会议记录，第1-5页，德国达姆施塔特，2017年9月。视图:出版商的网站|谷歌学术搜索
41. B. Efron，《标准误差的非参数估计:折刀法、自助法和其他方法》，生物统计学，第68卷，第3期，第589-599页，1981年。视图:出版商的网站|谷歌学术搜索
42. M.库恩和K.约翰逊，应用预测建模，施普林格，纽约，纽约，美国，2013。
43. S. Khan, H. Rahmani, S. A. A. Shah，和M. Bennamoun，《计算机视觉的卷积神经网络指南》，计算机视觉综合讲座，第8卷，第2期1, pp. 1 - 207, 2018。视图:出版商的网站|谷歌学术搜索
44. L.N.Smith，“训练神经网络的周期学习率”，年2017 IEEE冬季计算机视觉应用大会论文集(WACV)，第464-472页，圣罗莎，加州，美国，2017年3月。视图:出版商的网站|谷歌学术搜索
45. N. S. Keskar, D. Mudigere, J. Nocedal, M. Smelyanskiy, P. T. P. Tang，“基于深度学习的大批量训练:泛化差距和急剧极小值”，2016，https://arxiv.org/abs/1609.04836．视图:谷歌学术搜索
46. D. Masters和C. Luschi，“基于深度神经网络的小批量训练研究”，2018，https://arxiv.org/abs/1804.07612．视图:谷歌学术搜索

版权

版权所有©2020迟勤来等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。