TY - Jour Au - Zhang，Baocan Au - Wang，Wennan Au - Xiao，Yutian Au - Xiao，Shixiao Au - Chen，Shuaichen Au - Chen，Sirui Au - Xu，Gaowei Au - Che，Wenliang Py - 2020 DA - 2020 /05/08 TI - 使用深度传输学习的EEG中的交叉主题癫痫发作检测SP - 7902072 VL - 2020 AB - 脑电图（EEG）在监测癫痫患者的大脑活动中起着进口作用，并且已广泛用于诊断癫痫患者。临床读数数十甚至数百小时的EEG录音是非常耗时的。因此，癫痫发作的自动检测具有重要意义。但属于不同患者的脑电图信号的巨大多样性使得癫痫发作检测的任务充分挑战，适用于人类专家和自动化方法。我们提出了三个深度转移卷积神经网络（CNN），用于分别基于VGG16，VGG19和Resnet50的自动交叉对象癫痫发作检测。原始数据集是CHB-MIT Scalp EEG数据集。我们使用短时间傅里叶变换来产生时频谱图像作为输入数据集，而由于癫痫发作的不常见性质，阳性样本被增强。想象人返回的模型参数将转移到我们的模型。和微调的顶层，具有两个神经元的输出层，用于二进制分类（癫痫发作或癫痫发作），从头开始培训。 Then, the input dataset are randomly shuffled and divided into three partitions for training, validating, and testing the deep transfer CNNs, respectively. The average accuracies achieved by the deep transfer CNNs based on VGG16, VGG19, and ResNet50 are 97.75%, 98.26%, and 96.17% correspondingly. On those results of experiments, our method could prove to be an effective method for cross-subject seizure detection. SN - 1748-670X UR - https://doi.org/10.1155/2020/7902072 DO - 10.1155/2020/7902072 JF - Computational and Mathematical Methods in Medicine PB - Hindawi KW - ER -