卷积神经网络检测夜间额叶癫痫发作

抽象的

夜间额叶癫痫(NFLE)是一种癫痫，其发作主要发生在睡眠期间。在其他形式的癫痫，常用的临床方法主要涉及人工检查脑电图(EEG)信号，这是一个费力和耗时的过程，往往需要一个以上经验丰富的神经学家的贡献。在过去的几十年里，人们提出了许多自动化这种检测的方法，最近，机器学习显示出了非常有前景的性能。本文提出了一种原始的卷积神经网络(CNN)架构，用于开发针对三名受NFLE影响的患者的患者特异性癫痫检测模型。在准确性、敏感性和特异性方面，其表现比最近的文献高出几个百分点。我们还测试了患者特异性模型的能力，将获得的癫痫发作时间与神经学家提供的进行了比较，得到了令人鼓舞的结果。此外，利用转移学习范式，同样的CNN架构已被用于开发跨患者癫痫检测系统。从特定于患者的模型开始，来自新患者的很少数据就足以定制他的模型。这一贡献旨在减轻神经学家的任务，他们可能有一个强有力的迹象来证实他们的临床结论。

1.介绍

夜行额叶癫痫(NFLE)是一种罕见的癫痫，通常遗传，影响1至60岁的男性和女性，并与认知能力下降有关。危机的特征是频繁和短暂的超运动性睡眠发作，可能从简单的睡眠醒来到更集中的运动运动，具有不协调和紧张的姿势，鬼脸，尖叫或呻吟，偶发的夜间漫游，和刻板的激动的梦游症等[1，2］．本文讨论了利用脑电图(EEG)信号作为原始卷积神经网络(CNN)预测模型的输入来检测NFLE癫痫发作的问题。

脑电图信号的使用被大多数关于癫痫发作检测的文献所证实，这些文献认为脑电图确实是分析大脑电活动的黄金标准[3.］．

在文献中，对一般癫痫发作的鉴定有广泛的建议[4- - - - - -13，主要基于机器学习方法，这种方法支持医生进行耗时的手动标记[4］．然而，专门处理NFLE的贡献很少，而且它们的性能指数较低。在[14]，提出了一种基于加速度计信号的NFLE癫痫发作检测系统，对3例儿童患者的灵敏度为91.67%，特异性为84.19%。加速度计已经在[15，16]检测癫痫发作的利弊;即使它们穿起来更舒服，也只能揭示与运动活动有关的癫痫发作。此外，高假阳性率往往是由于运动伪影造成的，这些伪影不能轻易地与惊厥区分开来。在[17]，有人提出了一种机器学习技术，利用C4/A1脑电图通道(根据国际10-20系统[18)，它是目前用于传统睡眠分期和觉醒评分的单极子派生方法之一[19，特异性值为82.4%。在[20.]，自组织地图（SOM）用于开发用于NFLE的患者特定的癫痫发作检测系统。所提出的方法允许构造包含关于当前脑状态的重要信息的地图，示出了地图的潜力，以便从癫痫发作和偏见模式正确群集数据。此外，它还表明，通过将脑电图迹象突出到它上，还建议使用SOM进行早期危机检测。在地图上进行此投影的轨迹之后，可以根据投射当前EEG样本的集群的组成来激活警报。该方法已在九个患者中测试，该患者获得等于80.5％的敏感性的平均值，并且特异性平均值等于90.2％。

尽管这些结果相当不错，但引用的文献表明，特征工程阶段对机器学习预测模型的成功至关重要，识别适当的捕获指标是初步的尽职调查。事实上，它高度影响分类器的表现，并且它经常被限制在一个特定的知识和能力的病理生理学研究。此外，提取特征通常是手工进行的，这是非常耗时的，需要大量的场景模拟来选择最优的特征组合。为了避免这一具有挑战性的阶段，本文使用了cnn。事实上，cnn能够通过连续应用卷积和下采样操作，从高维数据中自动学习相关的低维特征。

cnn属于所谓的深度神经网络[21- - - - - -23]，现在肯定自动检测来自EEG信号的癫痫癫痫发作。在[24]， Acharya等人提出了一种包含13层的一维CNN: 5个卷积层，5个最大池化层，3个完全连接层。CNN经过训练可以将脑电图分为三类:正常、胎儿期和癫痫发作。使用波恩脑电图数据库中5名患者的100个单通道脑电图轨迹[25[精度为88.67％，敏感性为95％，含有十倍的交叉验光得到90％的特异性。即使结果是有希望的，与同一数据库上的文献相比，也揭示了所提出的检测系统，条件是提供更多EEG数据。在[26]，Ullah等人。提出了金字塔1-D CNNS（P-1D-CNN）的集合来解决[24]在波恩大学同一数据库中。每个P-1D-CNN有三个卷积层和两个完全连接层。为了选择最佳的模型参数，进行了多次模拟。为了克服数据的缺乏，[24]，介绍了两种数据增强方案。采用多数投票策略融合cnn整体的决策，平均准确率达到96.1%。在[27，作者利用cnn的态度来处理图像，而不是0-D时间序列。为此，首先对原始脑电图多通道数据进行滤波，然后使用前置时间窗进行分割，最后转换为一系列脑电图图。基于VGG-16架构的[28他已经训练过将每张图像分为癫痫发作和非癫痫发作两类。结果显示，按秒标记的中位数真阳性率为74%，作者声称这比商业上可用的癫痫检测软件的结果要高。在[29，每个单通道EEG信号被转换成2D图，并且对应于22个不同的EEG通道的图在3D图像中组合在3D图像中，这取决于电极之间的强度的互相关。然后，使用3D核，3D CNN，带有4个卷积层，3个最大池层和2个完全连接的层，以检测13名癫痫患者的嵌入，预测和ICTAL阶段。使用十倍的交叉过滤程序，获得了90％，灵敏度为88.9％的敏感性，并且特异性为93.8％。

如所引用的文献所示，训练CNN模型需要大量的脑电图记录，由熟练的神经学家手工标记，这可能是一项冗长而耗时的任务。因此,正如大多数的作者强调的,这些深度学习发作的主要问题限制了性能检测方法的训练数据量,这可能还不够,和癫痫的特征空间,这可能会发生显著的变化在不同的患者脑电图记录,甚至同样的耐心。为了克服这些局限性，本文采用了迁移学习策略，该策略可以显著减少训练所需的数据量。有关迁移学习的调查载于[30.，它被定义为“系统识别并将在以前的任务中学习到的知识和技能应用到新任务中的能力。”迁移学习被证明在训练深度神经网络方面特别有用，这些神经网络可以共享之前用其他任务的数据训练的网络的一些较低层次，而使用依赖任务的数据对上层进行再训练和微调[31］．转移学习技术在很大程度上仍未得到探索，尽管它们似乎有很大潜力克服癫痫发作检测数据缺乏的问题。

在本文中，cnn首次被用于为三名受NFLE影响的患者构建患者特异性癫痫检测系统。该检测问题被建模为一个癫痫和非癫痫分类问题，其性能优于[20.对同样的病人。患者特定的CNN模型也被用于发现癫痫发作，从而限制了医生耗时的手动标签。然后，采用迁移学习技术，允许对CNN模型中的一个进行微调，使用来自一个患者的数据进行训练，以获得不同患者的检测预测器。在目前的工作中获得的结果表明，即使只是一次癫痫发作也足以定制CNN给新患者。

本文的其余部分安排如下。使用数据库，数据增强架构和CNN模型架构在一节中讨论2．部分3.呈现并讨论由患者特异性和跨患者检测系统获得的结果。部分4总结研究结果。

2.材料和方法

深度学习和迁移学习的结合已被用于构建患者特异性和跨患者癫痫发作检测系统。该检测问题被形式化为两类分类问题，其中两类对应于睡眠期间的癫痫(SZ)或非癫痫(NS)状态，并通过训练卷积神经网络模型(包括癫痫发作的长期脑电图记录)来实现。

2．1．数据集

本研究的数据来自两个癫痫中心：Unidade deMonitedizaçãoem epilepsia e sono do centro hapaintro hapentainalar eUniversitáriodecoimbra，葡萄牙，埃斯佩斯德鲁姆，德国大学，德国，代表epilepsiae项目[32］．这些数据涉及三位额叶夜间癫痫发作的患者。同样的病人也在[20.]，主题编号参照表中1(20.］．本研究纳入患者的相关信息汇总于表中1．

癫痫发作的最初和最后时间(SZ)已根据至少两名神经专家的协议确定。对于非癫痫发作记录，没有关于患者睡眠或清醒状态的信息。在[20.在本研究中，也假设患者在癫痫发作前10分钟处于睡眠状态，这10分钟被认为是非癫痫状态(NS)的特征。

数据集包括11个头皮脑电图通道，按照国际10-20系统放置[33]，采样频率为256hz。根据神经学家的建议，选择了11条通道，在图中用蓝色标注1，是更适合检测NFLE癫痫发作的:3个中央通道(C3、C4、Cz)， 2个额叶通道(F3、F4)， 2个额极通道(Fp1、Fp2)， 2个顶叶通道(P3、P4)， 2个枕叶通道(O1、O2)。所有的通道都是用一个共同的参比电极的单极导数。

2.2。EEG分段和数据增强

数据来自连续的11个记录，每一个记录对应一个脑电图通道，使用5秒的重叠滑动窗口进行分割。这样，每次窗口，或段在11D空间中有1280个数据点。数据分割可以增加训练样本的数量，这是强制性的，特别是在深度学习中[26，29］．在神经网络的训练中，对癫痫发作数据进行分割，与患者5、6、9的前窗时间分别为0.1484 s、0.5508 s、1 s。三例患者癫痫发作重叠时间的选择有所不同，以减少总发作时间不同造成的类不平衡(见表)1)．由于平均发作时间约为非发作记录的10%，非发作记录段的长度仍然等于5秒而没有重叠，然而，对于发作记录段，重叠时间已被动态设置，以产生两个类内均衡的片段数量。这种操作可以产生具有非常相似的数据的窗口，所以对CNN的训练没有什么新奇的;然而，在我们看来，这似乎是最有效的方法来平衡课程，同时保持高数据量的深度学习。在测试期间，对所有患者和两个阶段(癫痫/非癫痫)使用了一个5秒重叠1秒的滑动窗口。

为了提高原始脑电信号的质量，对原始脑电信号进行了预处理。在丢弃丢失数据的窗口之后，执行了潜在值的标准阈值。在这里，如果试验中任何数据点的绝对值超过一个固定阈值，数据就被标记为人工数据。该方法是目前脑电图学界应用最广泛的伪影检测方法。它是最有效的检测肉眼闪烁或眼球运动伪影。由于这些极值即使很少也会导致不准确的结果，因此包含这些极值的片段就被丢弃了。此外，由于存在50hz的线噪声和直流偏置(去除0hz)，滤波已经是一个必要的步骤。因此，应用了一个带宽为1 Hz、频率为50 Hz的陷波滤波器来去除50 Hz的线噪声，并将每个电极沿发作前相位的平均值作为直流偏置去除。然后对每个患者的清理数据集进行分区，以便将不同的癫痫发作随机分配到训练、验证和测试集。

2．3.CNN架构

对于CNN架构的发展，深度残差网络(ResNet)结构[34]已被用于检测癫痫发作的问题。CNN的架构如图所示2．

第一卷积单元(CU₀)，由三层组成，将尺寸为1280 × 11的输入图像转换为尺寸为320 × 11的4通道图像。负责减小尺寸的是卷积层，它的滤波器尺寸为5 × 1，步幅为4 × 1。在第一个卷积单元之后是最大池化层(maximum pooling layer, MP)，池大小为5 × 1，步长为4 × 1，再次将图像降为80 × 11大小的4通道图像。第二个卷积单元(CU₁由七层组成，通过残余连接滤除尺寸80×11的4通道图像。两个以下卷积单元（Cu₂和铜_3.），每个由九层组成的每个，通过剩余连接滤除尺寸80×11的4通道图像，首先将图像尺寸减小到大小20×11的16通道图像，然后将图像尺寸降低到64-Channel尺寸为5×11的图像。平均池层（AP），池大小为5×1，将图像尺寸降低到64通道图像的大小为1×11，产生一组704个功能。最后，完全连接的层（FC）处理了704个特征，平均池的输出，并为分类（CO）提供Softmax层（SM）。

在该架构中，输入图像的每个信道是单独滤波的，从而获得每个电极的一组64个特征。来自不同电极的特征在完全连接的层中组合，即仅在卷积单元之后进行分类。

CU中已包含Dropout layer, Dropout probability为20%₁、铜₂,铜_3.卷积单元，以减少训练集上的过拟合，提高泛化能力。训练网络的算法为带动量的随机梯度下降算法[35］．

3.结果与讨论

深度模型的性能使用了大多数癫痫文献中使用的一些指标进行了评估，一般来说，通过机器学习进行分类，如准确性、特异性、敏感性和Gmean: TP(真阳性)是正确分类的癫痫模式(SZ)， TN(真阴性)是正确分类的非癫痫模式(NS)， FP(假阳性)是分类为癫痫模式的非癫痫模式，FN(假阴性)是分类为非癫痫模式的癫痫模式。

3．1.针对病人的癫痫检测

首先，针对这三名患者分别开发了患者特异性癫痫检测系统。表格2报告癫痫发作的数量和用于训练、验证和测试的片段的数量。使用MATLAB R2018b深度学习库开发CNN模型。在Nvidia GeForce GTX 960M 4gb内存的帮助下，我们使用了Intel®Core™i7 CPU来训练模型。

举个例子，Figure3.显示了患者#9的性能，在训练、验证和测试集的准确性方面，相对于训练时期。只有当验证性能相对于前一个历元有所增加时，训练过程才继续历元接历元。如果没有，训练就会中断。这种很强的约束有助于避免由于网络规模较大而采用常规的交叉验证过程时对训练集进行过拟合。如图所示3.，对于患者＃9，培训已停在8^thepoch由于在验证集上没有获得更好的性能。患者特定型号的培训时间范围从大约1小时到5小时，具体取决于训练和验证集中的癫痫发作。

表格3.在三名患者的准确性，特异性和敏感性方面报告表现。

除与患者#9相关的敏感度为83.94%外，所有平均值高于93%的患者的所有性能指标均达到94%以上。从表3.，可以看出病人6的各项指标都非常高，特异性甚至达到100%。病人# 5仍然有高性能的价值,即使是不到前面的情况下,由于相对低价值的特异性,而病人# 9提供了一个相反的行为具有高特异性和敏感性的最低价值的价值,显示脑电图特征变化从一个病人到另一个。

对于每个患者，获得的结果，在特异性和敏感性的几何平均值(Gmean)，已与在[20.]，其中SOM和SVM已被用作分类器。最后的方法广泛用于癫痫癫痫发作检测系统[4，36］．结果见表4结果表明，CNN将两种方法的性能提高了几个百分点。

这些患者特异性模型可用于在耗时识别癫痫发作时间的耗时识别时支持神经根学家。特别地，在EEG记录的演变期间，当滑动窗口被分类为SZ时，用于触发来自CNN模型的条件来触发警报（即，癫痫发作发作）d连续秒。断言的时间d已经在用于训练模型的同一组上进行了优化。作为一个例子，表5报告差异算法给出的报警时间之间的秒数(t_警报)及神经科医生提供的癫痫发作时间(t_深圳)以查看9号病人的脑电图记录。可以注意到，在87%的病例中，警报时间与发作时间相差小于10秒。在其他两种情况下，这种差异最多为17秒。数字4报告9号病人的累计报警时间分布。在同一张图中，报道了神经科医生提供的癫痫发作时间。请注意，因为在每一个脑电图记录中，前10分钟对应的是非癫痫状态(NS)，t_深圳总是等于600s。

数字5例如，显示9号病人14号的癫痫测试和之前的10分钟。图中最上面的三个地块5报告FP2、F4和C4通道的原始信号，蓝色表示NS状态，红色表示SZ状态。图的底部5显示了一个柱状图，其中每个柱状图对应于一秒，根据CNN的答案被着色:蓝色的柱状图代表分类为NS的模式，而红色的柱状图代表SZ模式。在脑电记录的时间演化过程中，将条形图与原始信号进行比较，发现有很好的对应关系。

这些结果显示了CNN的良好性能，这些结果是从使用大量癫痫发作训练的模型中获得的。然而，对于新患者，可以使用转移学习能力，而不是收集足够数量的癫痫发作来从零开始定制新的患者特定模型(这有时很困难)。从一个已经为其他患者训练过的模型开始，它可以通过新患者的新发作进行再训练，获得一个具有患者间迁移学习的跨患者发作检测系统。

3.2。转移学习对患者癫痫发作检测

迁移学习是一种技术，它包括在一组数据上预先训练一个模型，然后在另一组数据上微调它。在这种情况下，采用深度跨患者迁移学习框架，利用与另一受试者脑电图训练的CNN对患者脑电图数据进行分类。特别是，从特定于患者的CNN模型开始，使用其权重作为第二阶段使用另一个患者癫痫发作训练的初始值。在癫痫发作很少的情况下，这可以提供许多好处。

例如，我们假设患者9 (CNN9)的患者特异性CNN模型为起始模型。之所以这样做是因为一方面9号病人癫痫发作的次数最多，另一方面它的模型在Gmean方面的表现最差。

表格6显示了跨患者癫痫发作检测程序的结果，该程序用于检测患者5的癫痫发作，从患者9预先训练的网络开始;数字6报告患者＃5的五个癫痫发作期间的敏感性和特异性的趋势，用于训练集（蓝线）和验证集（红线）。同一图中的绿色方块表示测试癫痫发作上获得的性能。

从CNN9模型开始，五号病人的五次发作中的第一次被用作测试案例。正如预期的那样，性能相当低，因为模型还没有为新患者定制。特别是CNN9模型的特异性较低(约28%)，而敏感性值却很高(100%)。这建议通过使用患者特定的信息来改进初始模型。

因此，在下一步中，第一次癫痫发作的三分之二被用作训练集和另一个作为验证集，而定制模型的性能已经在第二个癫痫发作上进行了测试，表现出提高到85.92％的特异性，而敏感性不会降低。在随后的步骤中，最后一次缉获已被用于测试在前面癫痫发作上定制的模型。可以注意到，在后续癫痫发作的测试期间，特异性和灵敏度值始终保持高于80％，并在最后一次测试的癫痫发作中提供最高的GMEN值高达约99％的值。

对于过程的每个步骤，表7报告了跨患者癫痫发作检测过程的总结:用于训练、验证和测试的癫痫发作，在训练期间执行的纪元数，以及总CPU时间(以秒为单位)。如果epoch的个数为零，则表示在训练过程中，没有发现网络配置可以提高验证步骤的预测精度。注意，使用每个新数据模式对模型进行微调的过程用了不到30分钟。

表格8和图7报告与表相同的结果6和图6但提到病人6，从CNN9模式重新开始。

在这种情况下，跨患者癫痫发作检测系统自第一次癫痫发作以来表现非常好，特别是在特异性方面，其值总是在95%以上。

这种波动趋势，特别是在敏感性方面，显示了癫痫发作的多样性，不仅在患者之间，而且在同一患者内部，这对所有分类器都是一个挑战，不管它们可能有多深。

在表9，显示了从CNN9到患者#6的迁移学习过程，与表中报告的信息相同7．此外，在这种情况下，对CNN9进行重新培训，并进行新的扣押不超过20分钟。

4.结论

通过将ResNet结构适应于夜间额叶癫痫(NFLE)脑电图痕迹的癫痫检测问题，部署了CNN架构。体系结构的调整主要是在卷积层中使用一维滤波器，对来自不同电极的信息进行分离过滤，并加入dropout层，以减少训练集上的过拟合，提高泛化能力。深度学习方法的一个优点是不需要复杂和耗时的特征工程步骤。此外，所开发的患者特异性检测系统在所有性能指标上均优于文献，对所有考虑的患者的准确率均在94%以上。据我们所知，这是第一次将深度学习应用于NFLE癫痫检测。此外，利用迁移学习的潜力，克服了缺乏广泛的脑电图数据库的问题，并证明了开发跨患者癫痫发作检测系统的可能性。事实上，一个依赖于病人的系统可以用很少的数据和有限的计算量来对一个新病人进行微调。

数据可用性

为癫ae项目记录数据。

同意

入院前告知所有患者研究情况，并给予知情同意。

利益冲突

作者证实，该出版物没有已知的利益冲突，也没有对这项工作的重大财政支持，可能会影响其结果。

致谢

作者愿意承认欧盟FP 7项目Epilepsiae Grant 211713.这项工作得到了Cagliari大学的开放式公开发布基金，并获得了地区AutomaDella Sardegna-L.R的资金。ñ。7/2007。

参考

1. F. Provini，G.Plazzi，P. Tinuper，S. Vandi，E. Lugaresi和P.Montagna，“夜间叶片癫痫：连续100个临床和复图概述，”大脑第122卷6，第1017-1031页，1999。视图:出版商的网站|谷歌学者
2. P. Ryvlin, S. rhems，和G. Risse，“夜间额叶癫痫”，Epilepsia，第47卷，第47期。2，页83-86,2006。视图:出版商的网站|谷歌学者
3. F. Rosenow, K. M. Kleim和H. M. Hamer，“癫痫诊断中的无创脑电图评估”，专家Neurother牧师。《神经疗法专家评论》，卷。15，不。4，2015。视图:出版商的网站|谷歌学者
4. U. R. Acharya, S. Vinitha Sree, G. Swapna, R. J. Martis，和J. S. Suri，“癫痫的自动脑电图分析:综述”，以知识为基础的系统， vol. 45, pp. 147-165, 2013。视图:出版商的网站|谷歌学者
5. O. Faust, U. R. Acharya, H. Adeli和A. Adeli，“基于小波的脑电图处理用于计算机辅助癫痫检测和癫痫诊断”，发作，第26卷，第56-64页，2015。视图:出版商的网站|谷歌学者
6. “基于小波变换和脑电的癫痫发作检测算法研究”，国家自然科学基金项目，项目项目:《公共科学图书馆•综合》，第12卷，第2期3、文章编号e0173138, 2017。视图:出版商的网站|谷歌学者
7. M. Bandarabadi, C. A. Teixeira, F. Sales，和A. Dourado，“Wepilet，单表面通道癫痫发作预测的最佳正交小波，”医学与生物工程学会， vol. 2011, pp. 7059-7062, 2011。视图:出版商的网站|谷歌学者
8. M. Zabihi，S.Kiranyaz，A. B.Rad，A.K.Katsaggelos，M.Gabbouj和T.Ince，“通过Poincaré部分对患者特异性癫痫发作检测的高维相空间分析”，“关于神经系统和康复工程的IEEE交易，第24卷，第2期3, pp. 386-398, 2016。视图:出版商的网站|谷歌学者
9. U. R. Acharya, H. Fujita, V. K. Sudarshan, S. Bhat, J. E. W. Koh，“利用脑电图信号进行癫痫自动诊断的熵的应用:综述，”以知识为基础的系统， vol. 88, pp. 85-96, 2015。视图:出版商的网站|谷歌学者
10. L. Wang，W. Xue，Y.Li等，“使用多域特征提取和非线性分析的EEG信号中的自动癫痫癫痫检测”，熵第19卷第2期6，页222,2017。视图:出版商的网站|谷歌学者
11. Y. Park, L. Luo, K. K. Parhi, T. Netoff，“使用成本敏感支持向量机的脑电图频谱功率预测癫痫发作”，Epilepsia，卷。52，不。10，pp。1761-1770,2011。视图:出版商的网站|谷歌学者
12. A. Kavitha和V. Krishnaveni，“一种基于自动步进信号处理的新型脑电癫痫发作检测和分类计算机辅助诊断系统”，生物医学研究，卷。10,2016。视图:谷歌学者
13. P. Swami, T. K. Gandhi, B. K. Panigrahi, M. Tripathi, and S. Anand，“在脑电图中检测癫痫的新稳健诊断模型，”具有应用的专家系统，卷。56，pp。116-130，2016。视图:出版商的网站|谷歌学者
14. K. Cuppens, L. Lagae, B. Ceulemans, S. Van Huffel，和B. Vanrumste，“通过加速计检测儿童患者夜间额叶癫痫发作:第一项研究”，刊于IEEE EMBS第31届国际年会论文集2009年9月，美国马萨诸塞州明尼阿波利斯市。视图:谷歌学者
15. T. M. E. Nijsen, J. B. A. M. Arends, P. A. M. Griep，和P. J. M. Cluitmans，“三维加速度测量在检测严重癫痫运动性发作中的潜在价值”，癫痫和行为，第7卷，第5期1，页74-84,2005。视图:出版商的网站|谷歌学者
16. T. M. E. Nijsen, R. M. Aarts, P. J. M. Cluitmans, P. A. M. Griep，“用于检测肌阵挛发作的加速测量数据的时频分析”，IEEE生物医学信息技术汇刊，卷。14，不。5，PP。1197-1203,2010。视图:出版商的网站|谷歌学者
17. B. Pisano, B. Cannas, G. Milioli等，“通过脑电图记录的小波变换和自组织图的常染色体显性夜间额叶癫痫发作特征”2016年第26届IEEE信号处理机器学习国际研讨会论文集，pp.1-6，Vietri Sul Mare，意大利，2016年9月。视图:出版商的网站|谷歌学者
18. H. H. Jasper，《脑电图临床检查方法委员会报告》，脑电图与临床神经生理学，第10卷，第5期。2、1958年。视图:谷歌学者
19. M. Bonnet，《脑电图唤起:评分规则和例子》，睡眠，卷。15，不。2，pp。173-184,1992。视图:谷歌学者
20. B. Pisano，C.A.Teixeira，A. Dourado和A.Fanni，“自组织地图的应用识别夜行癫痫发作”神经计算与应用，卷。10,2019。视图:出版商的网站|谷歌学者
21. G. Litjens, T. Kooi, B. E. Bejnordi等人，“医学图像分析中的深度学习研究”，医学图像分析， vol. 42, pp. 60-88, 2017。视图:出版商的网站|谷歌学者
22. S. Pouyanfar，“深度学习调查：算法，技术和应用，”ACM计算调查第51卷第1期5, pp. 92-36, 2018。视图:出版商的网站|谷歌学者
23. M. Z. Alom，“深度学习理论与架构的最新研究”，电子产品，卷。2019年8日。视图:谷歌学者
24. U. R. Acharya, S. L. Oh, Y. Hagiwara, J. H. Tan，和H. Adeli，“利用脑电图信号自动检测和诊断癫痫的深度卷积神经网络”，生物与医学计算机，第100卷，第270-278页，2018。视图:出版商的网站|谷歌学者
25. 波恩大学，波恩癫痫数据库，德国波恩大学，波恩，2019。
26. 乌拉，侯赛因，e - u - hQazi和H. Aboalsamh，“基于深度学习方法的脑电图脑信号癫痫检测自动化系统”，专家系统与应用， vol. 107, pp. 61-71, 2018。视图:出版商的网站|谷歌学者
27. A. Emami, N. Kunii, T. Matsuo, T. Shinozaki, K. Kawai, H. Takahashi，“基于卷积神经网络分析头皮脑电图图图像的癫痫检测”，neuroImage：临床，卷。22，2019年第101684号。视图:谷歌学者
28. K. Simonyan和A. Zisserman，“用于大规模图像识别的非常深度卷积网络”ICLR 2015年诉讼程序，学习陈述国际会议，第1-14页，圣地亚哥，加州，美国，2015年5月。视图:谷歌学者
29. 魏旭东，周磊，周志刚。“基于多通道脑电的三维CNN自动癫痫发作检测”，医学信息学和决策第18卷第2期5，页111,2018。视图:出版商的网站|谷歌学者
30. 潘思杰，“迁移学习的调查研究”，IEEE知识与数据工程汇刊第22卷第2期10，页1345-1359,2010。视图:出版商的网站|谷歌学者
31. I. Goodfellow, Y. Bengio和A. Courville，深度学习(15.2迁移学习和领域适应)，麻省理工学院出版社，剑桥，马萨诸塞州，美国，2016。
32. J. Klatt, H. Feldwisch-Drentrup, M. Ihle等，“epilepsy ae数据库:一个广泛的癫痫患者脑电图数据库，”Epilepsia，第53卷，第53期9, pp. 1669-1676, 2012。视图:出版商的网站|谷歌学者
33. 美国脑电图学会标准电极位置命名指南临床神经生理学杂志，第8卷，第2期2，页200-202,1991。视图:谷歌学者
34. K.他，X.张，仁和J. Sun，“深度剩余学习的图像认可”计算机愿景和模式识别上的IEEE会议的诉讼程序（CVPR），pp.770-778，拉斯维加斯，NV，美国，2016年。视图:谷歌学者
35. N.Qian，“在梯度下降学习算法中的势头”，“神经网络，第12卷，第2期1，页145-151,1999。视图:出版商的网站|谷歌学者
36. T. N. Alotaiby, S. a . Alshebeili, T. Alshawi, I. Ahmad, F. E. a . El-Samie，《脑电图发作检测和预测算法:一项调查》，信号处理进展， 2014年第5期。1, p. 183, 2014。视图:谷歌学者

版权

版权所有©2020 Fabio Pisano等人。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。