Cardiotocography信号的设计和实现基于神经网络的分类算法

文摘

移动医疗是目前医学研究的热点问题。由于不便去医院胎儿心脏监测和有限的医疗资源,实时监测胎儿健康便携设备已经成为一个迫切需要孕妇,这有助于保护胎儿的健康以更全面的方式,降低医生的工作负载。的特性采集胎儿心率(FHR)信号,传统的基于特征分类方法需要手动阅读FHR曲线的形态特征,这是费时和昂贵的和有一定程度的校准偏差。FHR信号提出了一种分类方法,基于神经网络,它可以避免手动功能采集,减少人为因素造成的误差。算法将直接从FHR数据,真正实现FHR数据的实时诊断。卷积神经网络分类方法命名为“MKNet”和复发性神经网络设计名为“MKRNN”。本文的主要内容包括FHR信号的预处理、分类模型的训练和实验评估。最后,MKNet被证明是最好的算法实时FHR信号分类。

1。介绍

与一般的改善人民生活水平在当今社会,人们对健康的要求不断增加,特别是对下一代的健康。更多的人希望自己的孩子受到很好的照顾在他们未出生的分娩。在胎儿的发展,父母希望能够实时掌握胎儿的生理信息,如胎儿心率和收缩的压力,帮助早期发现潜在的风险,并指导胎儿健康发展1]。由于心理或生理应激,生理参数检测到一些病人在医院和生理参数检测在他们熟悉的环境会大大不同。最近的研究表明,患者临床诊断为高血压和可能患心脏病,后24小时血压监测在家里,发现只有三分之一的用户的监测结果符合临床诊断(2]。约翰逊教授已经证明远程胎儿监护方法的使用让孕妇和胎儿测量血压等重要的生理指标,血氧和心电图在家里3]。这种环境让孕妇感到轻松更有利于孕妇、胎儿,检测newborncorrectly[的状况4]。因此,使用远程胎儿监测系统在围产期孕妇可以提高围产期保健质量。

本文的目的是使用神经网络分类胎儿心率监测数据,实现实时胎儿健康或不正常的发展在远程胎儿心脏监测系统。因为传统FHR数据分类使用复杂的专业特性,这些特性要求人员与专业医学知识准确地校准,和收集是缓慢和困难(5]。事实上,这些FHR特性的分析是费时和费力,并实时获取医学结论是不可能的,这将大大延误医学诊断的进展(6]。最新的神经网络模型可以直接使用胎儿心率数据作为输入,并使用相关算法自动提取关键特性来获得准确的分类结果(7]。因此,我们使用神经网络来探索胎儿心脏监测数据预测的方法。然而,胎儿心率监测数据面临着问题,如数据量大,数据噪声高、缺陷和严重的数据,这严重影响分类结果。如何对收集到的原始数据进行预处理和设计的神经网络模型与数据的吻合程度是本文要解决的问题。

本文基于神经网络算法,设计不同的FHR数据分类模型(8]。通过比较和评价不同的FHR数据分类模型的性能,我们总结上述的性能模型,并选择最优FHR数据分类模型,最后用它来指导医疗实践。

本文将设置对照组和实验组。对照组采用传统的数据分类方法,包括支持向量机(SVM)和随机森林(RF)法(9]。实验组采用人工神经网络(ANN)方法,包括卷积神经网络(CNN)和递归神经网络(RNN)的方法。这些方法包括以下几点:(1)数据收集,(2)数据预处理,(3)模型训练,和(4)评估。

2。结果

总的来说,神经网络训练算法优于基于功能的训练算法。如表所示1,训练时间的长度反映了分类模型的训练速度。相比之下,我们可以看到,在分类的速度模型中,射频> SVM > MKNet(1330年代= 19 s∗70时代)> MKRNN(350 = 5∗70时代)。然而,训练时间的长度也是相关数据集的大小和模型的复杂性10]。本文简单对比训练时间不有很大的现实意义。尽管基于功能特性的方法是在训练时间短,长时间手动标记也是我们必须考虑的。的准确性,MKNet-C > MKRNN >射频> SVM。

不同的分类模型的实验结果将在下面详细描述。

2.1。支持向量机评价

最高准确率获得的特征分类方法支持向量机是83.46%,最高F1-score是0.8334。具体结果如表所示2。中华民国(接受者操作特征)曲线绘制的训练SVM分类器,如图1(一)。ROC曲线图表显示的结果为每个5倍交叉验证。厚虚线显示平均ROC平均AUC(曲线下的面积)的0.8511]。

2.2。随机森林评价

最高精度获得射频是84.50%,最高F1-score是0.8334。具体结果如表所示3。中华民国曲线绘制在射频训练分类器,如图1 (b)。ROC曲线图表显示的结果为每个5倍交叉验证。更厚的虚线显示平均ROC曲线平均AUC 0.86 [11]。

比较数据1(一)和1 (b),表2和3、支持向量机的性能和射频是相似的。因此,基于特征方法的精度是84%左右。

2.3。MKNet评价

最高MKNet模型的精度是94.70%。获得最高的分类精度的模型是模型MKNet-C, 17-layer网络。接下来,模型的实验结果MKNet-A, MKNet-B, MKNet-C进行了详细分析。

conv1 MKNet-A只包含一个卷积块。卷积核的大小这卷积是9∗9块,由四个取代3∗3卷积核,以减少计算复杂度(12]。MKNet-A如图的学习曲线2(13]。模型的最高准确率约为76%,这是相当不同的期望值。一个卷积块添加到MKNet-B的基础上,从第五层MKNet-A MKNet-B第九层。

MKNet-B如图的学习曲线3。MKNet-B的准确率是80%左右,这是MKNet-A高出5%,但它仍然很低。因此,使用一个卷积MKNet-C块conv3时,它将提高精度(14]。和添加一些辍学层基于MKNet-B防止过度拟合问题引起的模型复杂性的增加(15]。

MKNet-C如图的学习曲线4(一)。MKNet-C的基础上有一个卷积块MKNet-B并将卷积∗1层添加到每个卷积块增加fc2完全连接层。因此,9-layer MKNet-B成为17-layer MKNet-C。

精度在MKNet-B MKNet-C有11%的改善。然而,仍有轻微的过度拟合的模型,所以MKNet-C继续优化和训练,使用图像增强功能来提高原始数据集(16]。MKNet-C如图的学习曲线4 (b)。增强的数据参数设置为width_shift_range = 0.2,和原始图像在水平方向上随机移动20%增加数据集的大小(16]。增强后的数据集数据输入MKNet-C培训,解决过度拟合问题的MKNet-C最后获得94.70%的准确性。

训练的ROC曲线绘制MKNet-C(数据增强),如图6(一),AUC = 0.95,达到良好的分类性能。

2.4。MKRNN评价

MKRNN是90.30%,最高精度和学习曲线如图5。模型收敛快,准确率为90.30%,最高的AUC = 0.91。

MKRNN的AUC值低于MKNet-C,但高于传统的基于特征分类方法(11]。如图6,MKNet的精度明显高于MKRNN。的AUC MKNet大于MKRNN。因此,MKNet显示更好的性能在FHR数据的分类(11]。

3所示。讨论

下面是一个研究课题的工作总结:(1)研究的研究现状和研究方法分类胎儿心脏监测,包括支持向量机,随机森林在传统功能分类方法,CNN在神经网络算法和递归神经网络。的解释每个研究方法的优点和缺点。关注CNN,本文分析了指导意义的CNN胎儿心脏监测的分类,提出了本文的研究思想,指出神经网络创新和可行的胎儿心脏监测分类。(2)预处理胎儿心脏监测数据,顺序删除的胎儿心率数据样本与高比例的删除删除,连续缺失值,线性插值,平滑去噪,然后调整数据结构获得三种不同类型的数据格式。(3)设置对照组和实验组,根据不同的数据格式和设计不同的算法。支持向量机算法和随机森林算法用于胎儿心脏功能的数据进行分类。MKNet算法和MKRNN算法被用来设计胎儿心率数据的分类模型。每个模型的原理和设计过程详细介绍了上述方法的优点和缺点进行了分析。(4)使实验结果的比较分析不同的分类模型,优化和改进最优CNN模型,证明了神经网络创新和可行的胎儿心率监测分类,最后得到MKNet最好的胎儿心脏监测分类预测模型。

在这一章,我们比较和分析实验结果的四个分类模型设计和实现,并得出结论:神经网络算法的分类更有利胎儿心脏监测数据。在神经网络模型中,比MKRNN MKNet显示了更好的性能。根据实验结果,传统的特征分类方法难以继续改善后,准确率达到84%。这是训练数据集的质量密切相关,基于神经网络的分类方法,无论是MKNet或MKRNN,至少已经达到了90%的准确率。通过增加卷积MKNet-A,分类精度可以逐渐增加。MKNet-C是最复杂的实现,同时也获得最佳预测结果优于上述模型。基于功能的分类方法的准确性很大程度上取决于质量的训练数据集,但是很难形成一个高质量的手工标注数据集的特性。神经网络分类方法可以处理数据通过数据预处理算法,形成高质量的数据集。从综合实验的结果,MKNet优于基于特征分类困难的数据集收集和分类分类性能也优于传统的特征。总之,本文列车MKNet作为最终模型,具有明显优势的残酷算法设计原则和预测结果的比较。

4所示。材料和方法

本节介绍了数据采集、数据预处理、模型设计。

4.1。数据收集

FHR数据集用于本文收集了微胎儿心脏监测器,它是来自20多个全国医院的妇科。病人使用胎儿心率监测器进行胎儿心脏监测和上传监控系统图形。合格的产科医生远程解释数据通过网络计算机和智能手机。

在软件方面,终端控制设备法官最初收集的数据胎儿心率仪来确定胎儿心脏收集数据的开始时间,记录胎儿心脏数据和胎儿运动时间点,并生成相应的检测报告。在硬件方面,多普勒胎儿心率信号探测器获得的胎儿心脏监测器preamplified、解调、放大,过滤后的钢管和发送到微处理器进行A / D转换,然后进行一系列复杂的计算得到的频率胎儿心跳每分钟(17]。

每个样品的标签重新解释由专门成立的三个专业权威专家组成的专家小组。样品标签是基于专家的共识。

4.2。数据预处理

原始数据分为两个部分:一个是FHR胎儿心脏监测器,所收集的数据,另一个是医疗功能,医生根据胎儿心率曲线。总共有24360个样本。FHR特性存储为数据字段和用作对照组数据。本文选择60%的数据样本作为训练集,20%作为测试集,20%作为验证集。

原始数据的一部分有大量的数据丢失,和原始数据中存在缺失的数据作为一个零值。示例图7丢失在少量,可以由一个简单的缺失值填充方法。示例图8有大量的零。有多个连续长时间失踪的线路图9。失踪的时间间隔可能输掉加速或减速的特点。

原始数据的缺失数据的统计图所示10。1.2%的数据失踪约1000点,和14.7%的数据有一个失踪的200点至500点。51.1%的数据是相对完整;只有大约100数据点失踪和33%的数据不会丢失。此外,由于环境因素如胎儿心率监测和孕产妇生理因素,测量FHR数据可能不稳定,可能会严重干扰的结果。这种不稳定的数据被称为脏数据。

在这篇文章中,数据预处理的方法如下:(1)失踪的心FHR信号曲线计算,价值和样本的比例大于10年代被拒绝(18]。(2)执行断点检测FHR信号曲线,和样品连续断点超过30年代被拒绝。(3)线性插值缺失值修复FHR信号曲线(19]。(4)FHR降噪信号曲线,心率低于10 5倍bpm(每分钟节拍)被认为是稳定的心率。每当邻近的区别心率高于25 bpm,样品将被之间的线性插值取代之前的心率和新的稳定心率。

图11显示了一小部分缺失的样本后的曲线是由线性插值,上层图像是原始曲线和较低的图像修正FHR曲线。

从图中,我们可以明显看到数据仍然存在小的锯齿状的胎儿心率信号不稳定,主要由仪器测量误差导致。为了减少锯齿状的图形图像趋势,缓和曲线的使用过滤器。无视当地小曲线变化对整体曲线的趋势。本文使用Savitzky-Golay FHR数据过滤器,这是一个数字滤波器(20.]。

图12显示了FHR曲线后由平滑处理算法。它可以观察到,当地的细锯齿状不稳定信号被一个光滑曲线,同时保留原始曲线的趋势。

每个样本连续FHR监测样品20分钟;总共有2400次记录在20分钟的时间21]。因此,每个样本包含2400个胎儿心率值。在json格式存储原始FHR数据;图13胎儿心率显示了时间序列数据中提取的json格式的数据,这将被用作循环神经网络的输入数据。

在原始数据,有医疗功能根据FHR手动校准曲线;这些特性字段将被用作输入数据的基于特征分类方法,如图14。

11个字段的24360个样本实验数据集作为输入用于基于特征分类方法。一些输入数据样本如表所示4。

原始FHR数据存在形式的连续数据点,结果呈现给医生是胎儿心脏监测图像,即FHR曲线从原来的连续数据点。用曲线的形式表达,更直观、更方便看到曲线的特点和医疗信息由这些特征。为了统一图像数据的大小,胎儿心率的速度低于80次/分钟被80次/分钟,和心跳的速度超过200次/分钟是标准化,以200次/分钟。由此产生的图像在垂直轴和2400像素120像素在水平轴上,所以图像大小是120∗2000像素。胎儿心脏监测图像将作为卷积神经网络的输入数据。

我们进行胎儿心脏监测数据的格式转换,将原来的胎儿心率数据转换为连续的数据只包含胎儿心率值,并显示胎儿心率曲线的图像。数据库字段提取和分类的字段值被选中。因此,数据预处理后,共有三种类型的数据。不同的算法用于模型不同的数据类型。(1)连续胎儿心率值表示胎儿心率的变化作为时间的函数,这是一个时间序列数据。模型MKRNN将用于训练模型基于递归神经网络。(2)FHR曲线代表胎儿心率的变化趋势在整个监测时间和图像数据。模型基于卷积神经网络训练算法MKNet将被使用。(3)FHR特性字段,它代表了医学从胎儿心率曲线特征值分析22]。支持向量机和随机森林模型将用于培训(9]。

这篇文章将集中在这三个不同类型的数据特点:(1)和(2)组的实验和(3)对照组,分别为模型设计和实验,实验结果进行了比较。

4.3。MKNet基于卷积神经网络

本文设计一种卷积神经网络模型名为“MKNet”;首先,介绍了MKNet所涉及的重要参数,如表所示5。Keras深学习框架是用于实验。TensorFlow作为后端。

图15的简化VGG(视觉几何组)的网络结构。卷积VGG网络主要由五块,三个完整的连接层,和一个softmax层(23]。

卷积每个卷积块包含三个层次,它的特点是连续卷积层和大型计算。本文将使用VGG网络结构作为参考,从一个卷积块开始,逐步建立一个卷积神经网络适合胎儿心脏监测图像分类。输入数据的摘要MKNet灰度图像数据,用120∗2400像素的大小。

摘要3∗3过滤器VGG网络结构可以使网络深度深,玩隐式正则化的作用,从而使网络收敛只有几个迭代(24]。2和2∗最大池采用。当网络初始化,坏权重对网络训练更有影响。肤浅的网络以随机的方式训练。培训其他网络层时,浅网络的初始权值的初始值作为其他网络(25]。下面描述了卷积神经网络设计的基本结构,如图16:(1)conv1 + fc1 + softmax实线的人物16MKNet的基本结构,被称为网络MKNet-A。MKNet-A conv1卷积有一块。卷积块包含四个褶积层和一个大池层,加上一个完整的连接层,共7层。训练后MKNet-A, MKNet-A根据实验结果调整。(2)如果MKNet-A的实验结果并不理想,添加一个卷积块conv2基于MKNet-A conv2还包含4层和卷积1最大池层,叫做MKNet-B;因此,MKNet-B总共有12层。(3)MKNet-C也可以MKNet-B的基础上设计的,和conv3卷积模块的基础上可以添加conv1和conv2卷积块。这导致MKNet-C共有17层。这取决于情况是否增加1×1卷积层和fc2完全连接层和一个fc3。文件

在神经网络训练过程中,经常遇到的一个问题是过度拟合。提高泛化能力,一种方法是使用更多的训练数据,是数据集的大小是有限的,增强的数据可以用来解决这个问题。在Keras keras.preprocessing.image数据增强可以实现功能。ImageGenerator,随机转换应用到数据集在训练(26]。表6显示了参数用于数据增强。因为本文FHR曲线代表了相应的医学意义,它不能被逆转向上或向下或左或右在不违反其原意。可行的方法是进行小规模水平随机运动的形象,这样图像的关键信息不丢失。

4.4。MKRNN基于递归神经网络

在本文中,我们设计了递归神经网络模型作为MKRNN [27]。涉及到的重要参数如表所示7。的输入层LSTM(长短期记忆)是由input_shape参数指定的第一个隐层神经网络。LSTM层必须prespecify形状的输入和输入LSTM层是三维的。你需要原始时间序列数据转换成三维空间。需要输入的三维样本大小、时间步,和特性25]。(1)样本数量:序列是一个样本,样本的数量大于1,默认情况下。(2)时间步:时间步代表样本观测点之一。(3)特点:特性是观察到在一个时间步,相当于每一列的数据。基于上面的分析和设计中,我们已经确定最后的递归神经网络模型和描述递归神经网络模型的训练过程。

4.5。基于特征的方法

了基于分类方法作为对照组,建立SVM和射频选为分类器。

搜索后的网格搜索算法,结合支持向量机的最优hyperparameters{“内核”:“rbf”、“C”: 1000年,“伽马”:0.0001},所有其他hyperparameters设置默认值。

5。结论

下面是一个研究课题的工作总结:(1)研究的研究现状和研究方法分类胎儿心脏监测,包括支持向量机,随机森林在传统功能分类方法,卷积神经网络算法,神经网络和递归神经网络。的解释每个研究方法的优点和缺点。专注于卷积神经网络,本文分析了指导意义上的卷积神经网络分类的胎儿心脏监测,并提出了本文的研究思想,指出神经网络创新和可行的胎儿心脏监测分类。(2)预处理胎儿心脏监测数据,顺序删除的胎儿心率数据样本与高比例的删除删除,连续缺失值,线性插值,平滑去噪,然后调整数据结构获得三种不同类型的数据格式。(3)设置对照组和实验组,根据不同的数据格式和设计不同的算法。支持向量机算法和随机森林算法用于胎儿心脏功能的数据进行分类。MKNet算法和MK-RNN算法被用来设计胎儿心率数据的分类模型。每个模型的原理和设计过程详细介绍了上述方法的优点和缺点进行了分析。(4)使实验结果的比较分析不同的分类模型,优化和改进最优卷积神经网络模型,证明了神经网络创新和可行的胎儿心率监测分类,最后得到MKNet最好的胎儿心脏监测分类预测模型。

数据可用性

胎儿心脏监测数据用于支持本研究的发现正在禁运,而研究成果商业化。请求数据(6/12个月后发表这篇文章)将被相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

海景唐、许阳构思和设计实验,孟克·李做了实验,Taoyi王先生和李孟克·分析数据,和王Taoyi写道。

确认

这项工作得到了中国国家重点研发项目下2016号yfc0904902和中国国家自然科学基金批准号61502032。

引用

1. d·沃森,“发现、调查和管理在妊娠高血压,”澳大利亚和新西兰的妇产科杂志》上40卷,第155 - 139页,2010年。视图:谷歌学术搜索
2. c . Rosendorff d·t·拉克兰·m·埃里森et al .,”治疗的高血压患者的冠状动脉疾病:美国心脏协会的科学声明,美国心脏病学会和美国高血压学会,”循环,卷131,不。19日,pp. e435-e470, 2015年。视图:出版商的网站|谷歌学术搜索
3. p·约翰逊和华盛顿安德鲁斯,“远程连续生理监测在家里,”远程医疗和Telecare杂志》上,卷2,不。2、107 - 113年,1996页。视图:出版商的网站|谷歌学术搜索
4. e . Salamalekis p . Thomopoulos d Giannaris et al .,“电脑产时胎儿缺氧的诊断根据胎儿心率监测胎儿脉搏血氧测量并记录利用小波分析和神经网络,”问卷:一个国际妇产科杂志》上,卷109,不。10日,1137 - 1142年,2002页。视图:出版商的网站|谷歌学术搜索
5. g·a·梅肯·g·d·汉c . y . Spong j . Hauth t·摩尔,“2008年国家儿童健康和人类发展研究所的研讨会报告电子胎儿监测:更新定义,解释,和研究指南,”产科妇科和新生儿护理杂志》上37卷,第515 - 510页,2010年。视图:谷歌学术搜索
6. 郑胜耀叶、l . Betyar和e·h·鸿“计算机诊断胎儿心率模式,”美国妇产科杂志》上,卷114,不。7,890 - 897年,1972页。视图:出版商的网站|谷歌学术搜索
7. f·阿马托,a·洛佩兹e . Pena-Mendez p . Vanhara a . Hampl和j·哈维尔,人工神经网络在医学诊断中,“应用生物医学杂志,11卷,不。2,47-58,2013页。视图:出版商的网站|谷歌学术搜索
8. c . Sundar m . Chitradevi m . Chitradevi, g . Geetharamani”cardiotocogram分类数据使用基于神经网络的机器学习技术,”国际期刊的计算机应用程序卷,47 19-25,2013页。视图:谷歌学术搜索
9. t . Peterek p . Gajdošp Dohnalek, j . Krohova人类胎儿健康使用随机森林分类Cardiotocographic数据,激飞国际出版,瑞士,2014年。
10. a . Karpathy g . Toderici s Shetty t梁,r . Sukthankar f·f·李,“大规模视频与卷积神经网络分类”学报IEEE计算机视觉与模式识别会议哥伦布,页1725 - 1732年,哦,美国,2014年。视图:谷歌学术搜索
11. a·p·布拉德利“ROC曲线下的面积的使用机器学习算法的评价,“模式识别,30卷,第1159 - 1145页,1997年。视图:出版商的网站|谷歌学术搜索
12. c, c·l·陈,x,“加速Super-5解析卷积神经网络,”电脑Vision-ECCV 2016,页391 - 407,施普林格国际出版,柏林,德国,2016年。视图:谷歌学术搜索
13. a . m .斯宾塞,“学习曲线和竞争,”贝尔经济学杂志,12卷,不。1,49 - 70年,2000页。视图:出版商的网站|谷歌学术搜索
14. j·鲁宾,s . Parvaneh a·拉赫曼b·康罗伊和s . Babaeizadeh”密集连接卷积网络和信号质量分析检测房颤使用短单管线心电图记录”程序的计算在心脏病学会议,雷恩,法国,2017年。视图:谷歌学术搜索
15. n .斯利瓦斯塔瓦辛顿,a . Krizhevsky Sutskever,和r . Salakhutdinov”辍学:一个简单的方法来防止神经网络过度拟合,“机器学习研究杂志》上15卷,第1958 - 1929页,2014年。视图:谷歌学术搜索
16. j·s·李,数字图像增强和噪声过滤利用当地的统计数据IEEE计算机协会,华盛顿,美国,1980年。
17. 和j . Jezewski d . Roj j . Wrobel k . Horoba”小说的技术从多普勒胎儿心率估计超声波信号,”生物医学工程在线,10卷,不。1,p。92年,2011。视图:出版商的网站|谷歌学术搜索
18. j . Spilka g . Georgoulas p Karvelis et al .,“自动评价FHR录音从CTU-UHB CTG数据库”学报》国际会议信息技术在生物和医学信息学施普林格,页47 - 61年,柏林,德国海德堡2013。视图:谷歌学术搜索
19. b . n . Krupa m·a·穆罕默德·阿里,e . Zahedi”的应用经验模态分解为分娩监护仪信号的增强,“生理测量,30卷,第743 - 729页,2009年。视图:出版商的网站|谷歌学术搜索
20. p . j . Chen琼森,m . (z顾,b .松下和l . Eklundh”一个简单的方法的重建高质量归一化植被指数时间序列数据集根据Savitzky-Golay过滤器,”环境遥感卷,91年,第344 - 332页,2004年。视图:出版商的网站|谷歌学术搜索
21. r·h·保罗·a·k·Suidan叶,b . s . Schifrin和e·h·宝贝临床胎儿监测。七世。产时的评估和意义基线FHR可变性,”美国妇产科杂志》上卷,123年,第210 - 206页,1975年。视图:出版商的网站|谷歌学术搜索
22. j . Spilka诉Chudaček m . Koucky et al .,“胎儿心率分类,使用非线性特性”生物医学信号处理和控制,7卷,不。4、350 - 357年,2012页。视图:出版商的网站|谷歌学术搜索
23. o . Russakovsky j .邓·h·苏et al .,“ImageNet大规模视觉识别的挑战。”国际计算机视觉杂志》上卷,115年,第252 - 211页,2015年。视图:出版商的网站|谷歌学术搜索
24. n . Ketkar“卷积神经网络”深度学习与Python然后,伯克利、钙、美国,2017年。视图:谷歌学术搜索
25. d . Erhan p . a . Manzagol y Bengio, s . Bengio p·文森特,”培训的难度深架构和未受训的影响,“真菌感染的免疫学5卷,第160 - 153页,2009年。视图:谷歌学术搜索
26. n . k . Manaswi“理解和处理Keras,”深度学习与应用程序使用Python然后,伯克利、钙、美国,2018年。视图:谷歌学术搜索
27. 坟墓,a·r·穆罕默德·g·辛顿,”与深复发性神经网络语音识别,”学报IEEE国际会议音响、演讲和信号处理6649年,页6645 - 2013 BC,加拿大,温哥华。视图:出版商的网站|谷歌学术搜索

版权

版权©2018海唐等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。