DWT-Net:癫痫检测系统和结构化的脑电图蒙太奇和卷积神经网络中的多个特征提取器

文摘

基于测量自动化癫痫检测系统(EEG)是一个跨学科研究计算机科学和神经科学之间的问题。癫痫发作影响全球1%的人口,可以导致严重的长期伤害安全和生活质量。癫痫检测的自动化可以极大地改善病人的治疗。在这项工作中,我们提出一种神经网络模型从EEG信号中提取特征的方法安排的维数特征提取灵感来自神经学家的传统方法。使用后处理程序来提高分类器的输出。我们TUSZ癫痫检测系统的结果数据集达到12的误警率每24小时的敏感性为59%,接近平均人类探测器的性能基于qEEG工具。

1。介绍

脑电图(EEG)记录指的是测量的电活动产生的脑内突触后电位(1]。脑电图分析用于诊断神经功能障碍,如癫痫发作、脑血管病、脑肿瘤。数据科学的快速发展和机器/深度学习技术近几十年来,自动脑电图分析在提出一个有吸引力的发展也有巨大的潜力在神经障碍的诊断和治疗的准确性和效率(1]。

在不同类型的癫痫治疗的基本要求是确定癫痫发作从脑电图信号特性。脑电图信号采集系统的设备是相对便宜;然而,培训的成本或雇佣一个认证的神经病学家阅读和报告脑电图数据相当高得多(2]。目前,脑电图记录的解释在很大程度上依赖于神经学家的判断(3]。也很耗时且乏味的执行24/7脑电图监测,以避免丢失的癫痫病例(4]。此外,非固定的性质(5的脑电图和工件提供了评分者间信和intrarater分歧,降低诊断效度(6]。自动脑电图诊断系统提供有效的,主观的,因此需要准确地检测癫痫。

自动癫痫检测的问题可以分为两个主要步骤,特征提取和分类器训练。大量的作品已经完成了这两步程序更好的检测精度,包括地图时频特性与支持向量机(SVM) [3,7),非线性特性与不同类型的分类器(5,8,9),与图像识别方法和基于时频图像特征(10,11]。这些研究为癫痫检测提供了不同的方法。然而,由于这些作品只有在验证数据集不到25例(3),需要额外的验证来验证他们的方法在一个更大的数据集。可能需要额外的信号处理技术来调整他们的方法在实际使用。最近,越来越多的研究人员开始利用神经网络(NN)方法由于其固有的自动特征提取特征(12- - - - - -14]。San-segundo等人分析了深层神经网络的使用对癫痫EEG信号分类与不同的输入和建议经验模态分解为更好的性能在焦和nonfocal分类和傅里叶变换用于癫痫检测(15]。Tsiouris等人提出的短期记忆(LSTM)方法使用脑电图在癫痫检测信号,扩大使用传统的深在这个领域学习算法(16]。然而,这些神经网络方法的一个常见的问题是他们利用现有的神经学知识来提高模型的精度和收敛速度。

控制的特征提取方法为我们提供了神经学的知识应用到模型。ChronoNet [17]介绍了multiple-time-scale特征提取的概念,《盗梦空间》前层编码时间序列信息融合的脑电图信号。然而,这项工作将脑电图通道作为功能通道模型的初,未能了解个人脑电图信号模式渠道。Eberlein et al。12与内核对EEG信号进行卷积等多个渠道而不是单通道检测本地模式。虽然作者尝试几种拓扑在通道的数量一起错综复杂,精度是有限的在脑电图记录由于代表功能不足。两个工作引入了手动调整输入域的概念在早期阶段的神经网络寻求更好的性能的模型。然而,我们所知,没有一个现有的研究已经进行了特征提取技术在时间和区域模式作为癫痫领域的检测。

为了解决上述问题,我们建议使用小波包系数作为输入特性和本地模式《盗梦空间》的概念引入到神经网络模型作为我们的检测系统。我们的模型是训练和检查最新的实际临床脑电图数据集(18),它提供了59.07%的敏感性的误警率12/24小时,达到普通人的性能(19]。

我们工作的主要贡献总结如下:(1)数据准备。我们提出一个参考脑电图蒙太奇癫痫检测来解决问题的独立和依赖的相邻电极。(2)特征提取。我们提出一种特征提取方法受神经学家”的阅读方式脑电图提高DWT-Net癫痫检测与特征提取的有效计算成本。(3)神经网络优化。我们优化的内核大小卷积层处理不同时间分辨率的各种离散小波系数。(4)后处理程序。我们优化系统连接的分类器有限状态机后处理程序。

剩下的纸是组织如下:部分2礼物预赛对脑电图记录方法和癫痫检测数据集问题的定义。节3与详细的方法,我们提出癫痫检测系统包括特征提取、网络结构和后处理程序。并给出了实验结果和讨论部分4,紧随其后的是结论部分5。

2。预赛

在本节中,我们将讨论目前的脑电图记录技术和相关的数据和问题陈述的定义基于评价矩阵。

2.1。脑电图记录方法

临床癫痫治疗,非侵入式脑电图信号记录是一个可取的方法,因为伦理问题和医疗风险20.]。脑电图信号通常是获得通过的潜在差异对与设备记录头皮的电极表面。任何两个电极之间的测量是一个鸡蛋通道。

根据“国际10 - 20体系”计量标准,电极分布在大脑头皮确保脑电图的再现性实验(21]。“10”和“20”的符号定义相邻电极之间的距离是总数的10%或20%的纵向或横向距离的头骨。总共有19个记录电极和两个参考电极。每个电极都有一个“位置”代码和数量;奇数代表左脑的位置,偶数表示右脑。如图1电极“T3”称为颞叶(T)大脑的左侧。

EEG信号的形式给出了单参考或双相蒙太奇,如图2,蒙太奇的定义是有序列表的脑电图通道记录在固定时间间隔(22]。使用两种类型的蒙太奇临床医师了解癫痫发作的起源和位置信号。一个引用蒙太奇也被称为引用蒙太奇与一个或两个参考电极。参考电极可以耳电极或平均潜在的电极。他们搭配记录电极形成的通道蒙太奇的一个引用。双相情感蒙太奇没有参考电极,它记录的潜在差异对记录电极(23]。

2.2。脑电图数据集

开发一个自动癫痫检测系统,具有定义良好的癫痫脑电图数据库记录是必需的。表1提供了一个开源的癫痫检测数据集列表(全集)。

“波恩”语料库,从波恩大学(24),已被广泛用于研究癫痫检测(8,11,25]。它包括单通道脑电图记录总数的10个主题和100癫痫发生。语料库的脑电图信号都是由专业临床医生选择手动审查代表癫痫通道和删除录音与工件。因此,每个会话只保留一个脑电图通道测量。

“CHB-MIT”头皮脑电图语料库[3,26)是癫痫检测的另一个广泛使用的数据集(11,27,28]。它由连续头皮脑电图记录来自23个儿科患者药物戒断对癫痫手术评估儿童医院,波士顿。语料库包括19-channel脑电图记录总数为163发作次数和总记录时间175小时。

天普大学医院癫痫检测语料库(TUSZ) [29日)是最大的开源脑电图癫痫检测和语料库提供的准确表示实际临床条件。这个语料库仍在进行更新,本文使用的版本是v1.5.0。目前,该语料库包括19-channel脑电图记录总数为315例,1791没收事件,总共记录时间为797小时。特别是,这个语料库是唯一的数据集提供了不同类型的癫痫发作的信号。Ref。30.,31日)完成了一个基准的分类在TUSZ不同类型的癫痫发作。

因为“波恩”和“CHB-MIT”主体之一缺乏足够的对象和数据,两个语料库的可能不是一个好代表真实世界临床情况(32]。因此,我们采用了“TUSZ”语料库研究开发癫痫检测系统。

2.3。问题公式化和定义

我们定义以下评价矩阵用于评价癫痫检测系统的性能对“TUSZ”语料库。

定义1。(癫痫密度函数)。理想癫痫检测系统或人工标记将标签记录中的每个发作一个准确的开始时间和结束时间。一个评价方法6)被认为是描述癫痫的脑电图信号密度函数,它在整个记录在0和1之间。一个理想的密度函数的检测系统是时间的函数值1在检测和0。

定义2。(灵敏度(Sen))。灵敏度定义为总数的比率检测癫痫事件和所有标签扣押事件的总数在脑电图记录, 发现发作事件定义如果发作的平均价值在事件持续时间超过阈值密度函数 。

定义3。(特异性(Sp))。特异性之间的比率被定义为正常检测到事件的数量和总数量的标签正常脑电图记录事件, 定义在一个正常的事件如果没收密度函数的平均值对事件持续时间低于阈值 。

定义4。(真阳性率(TPR))。真阳性率被定义为检测到的数量之间的比率扣押事件和事件的总数公认扣押事件,

定义5。(误警率(远))。假警报发生时如果没收密度函数的积分nonseizure事件超过发作密度阈值 。24小时的假警报率在一段时间内被定义为假警报事件的数量之间的比例和脑电图记录在单位的持续时间24小时。 与上面的定义,癫痫发作检测问题是制定如下。

问题1。(癫痫发作检测)。给定一个语料库包含脑电图正常的渠道和扣押事件,火车癫痫检测系统基于滑动窗口的方法。的敏感性和特异性对于每个滑动窗口,它包含一个发作事件是否应该最大化。系统的最终输出,扣押事件的误警率检测应该最小化。

3所示。特征提取方法和神经网络模型

3.1。特征提取

3.1.1。蒙太奇的选择

通道的数量和脑电图蒙太奇的选择直接影响分类系统的性能(33]。TUSZ语料库,它包含40多个不同的通道配置和4种不同类型的参考点。如图3之后,我们的频道选择基于初步研究(34,35),我们决定使用19频道从单一参考蒙太奇基于“国际10 - 20系统”,以确保我们的模型的通用性。

在这项工作中,我们已安排单一参考脑电图渠道在一个新的蒙太奇提取EEG信号的空间信息。的渠道来源于纵向双蒙太奇标准推荐的神经生理学指南(36]。在这种蒙太奇,每一对记录电极相邻通道对应一个通道的纵向双蒙太奇。例如,双通道Fp1-reference和F7-reference对应Fp1-F7双相蒙太奇。双极蒙太奇可以从单一参考蒙太奇,因为两个渠道的减法引用相同的电极将取消的影响参考点(37]。因此,这个单一参考蒙太奇,保持双序列不仅使神经网络检测功能从单一参考电极,也可以把信息从两个相邻电极之间的区别,模拟双相蒙太奇。与其他蒙太奇相比,提出的单参考蒙太奇为分类器提供了更多的信息比仅使用传统单一参考或双相蒙太奇作为输入信号。相关实验结果讨论部分4。

3.1.2。窗口长度的选择

获得连续脑电图的癫痫密度函数录音,EEG信号需要处理移动窗分析。神经学家通常评估基于症状10秒的窗户脑电图信号(14]。然而,大部分的事件“TUSZ”语料库是短于10秒。因此,我们选择了两个短窗口,秒,5秒窗口。与250 Hz TUSZ语料库的采样率,秒和5秒钟窗户里面包含19单参考脑电图渠道与250年和1250年抽样分渠道,分别。

3.1.3。脑电图噪声去除和规范化

一个eighth-order 49到51赫兹的巴特沃斯滤波器应用于每个窗口过滤掉电源噪声。每个信号进一步规范化 - - - - - -分数归一化(38),遵守以下方程: 在哪里和代表均值和标准差的脑电图在窗口时间。的结果 - - - - - -分数归一化是一个信号零均值和标准偏差为1。

3.1.4。离散小波变换

离散小波变换(DWT)是一种小波分解方法39]。这个方法一个离散信号分解为包系数代表近似和详细信息通过计算信号的内积和母小波函数。脑电图信号可以看作是由不同频率成分组成的时间序列信号。因此,包系数对应的低和高频率分量的信号,分别。如图4,一个详细的方案代表了一个频率分量 ,相对应的频率范围(fs / 2^{m + 1}赫兹,fs / 2^米赫兹),采样率(250赫兹), ,和是分解的总体水平。

大多数的相关研究使用inverse-DWT DWT重建后脑电图为时序信号不同的频率成分(5,25,28]。在我们的研究中,我们直接使用系数作为输入功能。这种方法已经被测试在其他领域,如故障诊断(40]。

第四Daubechies母小波函数(db4)是一种广泛使用的脑电图分析领域的母小波函数(10,35,41]。这个母小波函数的形态特征与EEG信号。从我们的初步研究,我们已经确定了四个小波包分解系数由db4代表最低的脑电波的频率成分,这些频率成分更与癫痫相关的信号。db4小波滤波器的长度是8。我们可以分解系数包的长度,由以下方程

小波分解停止当信号变得比db4滤波器长度短。基于原点信号长度1250年和250年的最大分解级别5秒钟窗口和7和5秒的窗口,分别。我们把1024年中期从1250个采样点采样点5秒钟windows和260个采样点与重叠10秒的采样点的窗口。使用此方法,包的长度系数代表最低的频率成分秒和5秒钟windows将14日,22日,38岁,到70年,让我们的模型适用于两个窗口大小。总结提出的特征提取方法,见图5。

3.2。DWT-Net结构

神经学家读脑电图信号和识别异常的波形在个人渠道以及相邻脑电图通道之间的相关性(1]。他们的方法寻求从时频域和空间域的特性,以确保癫痫信号不清楚可以检测到在一个域。

在这项工作中,我们设计了一个CNN结构称为DWT-Net模仿上面的特征提取方法。模型有9层并生成每个脑电图的癫痫密度窗口。我们的模型的输入是四个系数大小的包 ,在哪里代表的数量输入脑电图渠道和预处理代表的长度系数包。根据预处理数据,是19岁,等于14日,22日,38岁,到70年,分别。

输入层后,我们实现了多个单独处理小波包特征提取器。多个特征提取器的方法已被用于当地成对模型特征交互图像识别(42]。模拟神经的异常信号识别方法,我们延长了概念和实现四大功能器指导模型。因此,模型将提取特征按照预先定义的顺序在不同的领域。第二个维度的特征图谱指的是小波包系数的时间步骤。见图6第二维度,通过调整内核大小,进步,和卷积的填充层,我们可以正常的时间分辨率不同DWT系数包。如图7与多个特征提取器的细节模型描述如下:(1)4小波包系数喂4-input特征提取器(2)每个包经历第一次卷积与内核层(3、6)和步幅大小2的《盗梦空间》当地时间和空间特性。内核大小的第一个维度是指渠道参与卷积和的数量为3。2的步伐,确保每个脑电图通道有机会与邻近的2通道。注意,第一个卷积层部分功能维度沿着通道的数量(3)两个一维卷积层是用来提取特征以及每个通道的时间维度。不同大小的内核中使用这两个层之间特征提取器对不同输入系数包。大小的内核(1, )更大用于长系数包,如图6。的大小 ,进步,填充是精心挑选的,以确保输出特征图归一化正确的形状(4)卷积第三层的输出是使用一个内核卷积的大小(3、3)(5)max-pooling层应用于产品的内核,减少特征地图大小 (6)特征映射接着通过辍学层辍学比例达到50%自动去噪的效果,防止过度拟合(7)4的结果由第一个维度特征提取器堆积成一个三维的特征空间 。现在的第一个维度代表信号的频域(8)最后卷积与内核大小为3层应用于3 d功能映射。这一层融合特征从不同的频段(9)另一个max-pooling层是用来减少特性映射到的大小 (10)结果768特性是完全连接神经元的输出2两个完全连接层

3.3。实时系统的设计

将softmax分类器的输出是一个概率向量的维度,包括的概率脑电图癫痫脑电图窗口和的概率脑电图正常脑电图窗口 。如算法1后处理程序处理脑电图信号窗口的序列。开始与国家= -,一旦窗口检测癫痫,的结果脑电图窗口将被设置为癫痫和状态更改为正面(8 - 9行)。在这种情况下,系统提出了接下来的两扇窗户是癫痫的可能性 ,0.1将这项工作。如果下一个2个窗户和未能被发现为癫痫。的窗口将被视为一个假警报将修改后的正常(25行)。同样,一个正常的窗口之间的两个windows将修改后的癫痫癫痫。尽管这样的后处理程序带来10秒的延迟,提出了后处理程序抚平顺序假设抑制的分类器和提供了一个温和的效果,增加Sen。

4所示。实验结果和讨论

4.1。数据集的准备

在这项工作中,我们选择的最新版本v1.5.0 TUSZ语料库。在TUSZ,脑电图标签有开始时间和结束时间为每个脑电图记录。TUSZ标签的数据集的解析是0.0001秒。我们可以定义一个事件的开始时间和结束时间。语料库的会话,包括八类的事件(“背景”事件和7“癫痫”事件)表中列出2。因为我们不会包括癫痫分类在我们的系统中,所有的癫痫类被认为是“积极的”事件和背景类“负面”事件在这个实验中,分别。因为癫痫检测系统的窗口长度只有5秒,我们把扣押事件作为单独的事件与短暂休息的充分利用标签。

第一分钟的脑电图记录提供tale-tail迹象是否信号癫痫因为癫痫信号最强的开始发作(17]。因此,限制事件的长度可以提供更好的分类性能。然而,从事件中提取只有60秒的信号将导致短缺所需的训练数据训练深学习模式,降低分类器适应性强。平衡训练数据的数量和分类器的性能,为事件超过400秒,仅包含了第一个400秒。

6971年和2238年的总数会话被用作训练集和测试集TUSZ预定义的。特征提取后,119491 5秒钟windows生成与显示在表的细节3。相应地,秒的windows是源自5秒钟。

4.2。培训窗口标识符

该模型是由开源框架Pytorch [43]。神经网络的权重与开明正常化(初始化44)提高重量训练中收敛与ReLu激活我们的模型层。被选为加权叉的损失函数分类器。我们使用了亚当优化方法(45)与0.9,0.999、0.0005的学习速率和重量衰变(L2点球正规化)为0.005。亚当方法结合的优势AdaGrad [46]和RMSprop [47),它会自动调整学习速率在训练模型的加速收敛。学习速率调整根据TPR结果之间的默认值0.001 [43)和0.0005,这是一个类似的技术报告(14]。同样,体重衰变调整从默认值0到0.005在(这是一个类似的技术报告17)来实现更好的性能。我们使用默认设置由Pytorch其他参数(例如,和 )这些参数有一个微不足道的影响学习速度或基于实验试验的准确性。

合成少数过采样技术(打)48)采用应对积极和消极类之间的不平衡数据集的问题。击打在少数类通过计算一个插值生成样本之间的一个随机选择的少数类样本和它的一个 - - - - - -最近的少数类的邻居。批处理大小为64,56个样本来自数据集和八小类样本生成。该方法降低了正面和负面的样本之间的比率从2.25到1.6。

每个分类器在训练我们的实验经历180年时代。不同分类器之间的性能比较如表所示4。TUSZ提供了一个原始分割的培训和验证数据集。我们创建一个随机的数据集的数据集 - - - - - -褶皱的评估。基于原始数据和结果 - - - - - -评价都检查了,折起来被选为5,这样数量的样本在训练阶段和验证阶段类似于原始数据集。的结果 - - - - - -褶皱评价明显优于原始数据集的结果森和TPR。这种现象可以通过来解释 - - - - - -褶皱的数据集是打乱平衡的比例不同类型的癫痫事件在训练集和验证集,提高数据集的内在性能。因此,其余的文章所讨论的结果都与获得 - - - - - -褶皱的评估。

最好的结果是5秒钟窗口获得的分类器与杀技术,其性能与时代如图8。5秒钟的敏感性窗口标识符没有击杀将下降9%相似的特异性表现。更深层次的模型建立了基于DWT-Net卷积的数量增加1到2层的网络初始层后的多个特征提取器。根据实验结果见表4,额外的卷积层不能提供任何改善分类器的性能。它可以得出结论,我们提出的模型可以有效地学习从输入特性的复杂关系,从而降低神经网络模型。

分类器的学习能力空间信息从我们提出蒙太奇是由另一项试验测试使用双香蕉蒙太奇。TPR结果没有提出蒙太奇下降4.4%。因此,结合技术(提出蒙太奇和分类器),我们可以提高分类器的森16%。

4.3。对癫痫检测系统的评价

平均发作时癫痫事件定义密度函数值对其持续时间大于阈值 。这个输出相比,贴上地面真理森的计算和远。结果基于秒和5秒钟检测窗口如表所示5。不同的值的阈值检查系统的特点。考虑到相同的 ,系统的性能基于窗口分类器执行比5秒秒的系统平均增加7%的敏感性。秒的特异性系统大幅下降时,阈值降低,而5秒钟系统仍然持有89.72%的特异性0.35阈值。我们得出结论,我们的模型可以获得更好的特性从一个5秒钟窗口分类器,输入的小波系数表示更多的信息在低频段的2 32赫兹。这个结果同意临床知识的代表频带发作低于30 Hz,证明模型的学习能力有意义的EEG信号与该方法的代表特征。

与最先进的作品(14),我们提供了一个图远和敏感性的图9来说明我们提出系统的优势。系统基于5秒钟DWT-Net分类器达到4/24小时最好的远用同样的敏感性水平的30.25%,超过了CNN / LSTM模型降低了43%。据报道,19)相似的任务,人类平均性能基于qEEG工具的范围内65%的敏感性远12每24小时。比较系统与人类性能,远固定12/24小时通过调整密度阈值 ,和我们的系统可以检测扣押事件的敏感性为59.07%。该系统几乎是达到一个专家医生的性能诊断工具。

5。结论

在这部作品中,合作设计的多个特征提取器CNN结构小波包系数作为输入来源于提议脑电图蒙太奇。我们介绍了一个系统的自动实时检测癫痫脑电图事件。使用多个特征提取器在我们提出DWT-Net指导模型的特征提取行为,提高其接收本地时间和空间特性的能力。获得59%的敏感性远的12/24小时。而系统提高了先进的自动捕获检测器的结果接近人类的水平,它不需要额外的计算成本或多个神经网络层。我们建议的方法达到同样的性能相比人类探测器用qEEG工具。然而在实践中,qEEG工具和原始的结合脑电图所使用的神经学家提供了更好的精度。我们的系统可以用额外的验证由神经学家更健壮。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者声明,我们没有财务或个人关系与他人或组织不当影响或偏见的内容。

确认

这项研究支持部分由中国国家重点研发项目批准号2019年yfb2204500和部分由美国国家科学基金会中国部分批准号61874171下,科学、技术和创新行动计划的上海市、中国,在批准号1914220370。

引用

1. d . l . Schomer和f·h·洛佩斯·达席尔瓦Niedermeyer脑电图:基本原理、临床应用及相关领域英国牛津,牛津大学出版社,2017年。
2. 洛佩兹,g .苏亚雷斯d . Jungreis欧贝得,和j . Picone“自动识别成人脑电图异常,”2015年IEEE信号处理在医学和生物学研讨会(SPMB)美国宾夕法尼亚州,费城,2015年12月。视图:出版商的网站|谷歌学术搜索
3. a . h . Shoeb“机器学习应用于癫痫发作开始检测和治疗,“技术。代表,博士论文,麻省理工学院,2010。视图:谷歌学术搜索
4. m·沙玛r . b . Pachori, Rajendra Acharya,“一种新的描述方法使用分析癫痫发作时间-频率灵活的小波变换和分形维数,“模式识别的字母卷,94年,第179 - 172页,2017年。视图:出版商的网站|谷歌学术搜索
5. r . Acharya美国诉Sree, p . c . a .和r . Yanti和j·s .苏瑞”应用程序基于非线性和小波的特性对于癫痫EEG信号的自动识别,”国际期刊的神经系统,22卷,不。2,1250002条,2012年。视图:出版商的网站|谷歌学术搜索
6. 美国b·威尔逊·m·l·朔伊尔普卢默,b .年轻,和s . Pacia“癫痫检测:人类专家的相关性,”临床神经生理学,卷114,不。11日,第2164 - 2156页,2003年。视图:出版商的网站|谷歌学术搜索
7. 黎刹a和s Hadiyoso样本熵multidistance信号电平差癫痫EEG分类,“科学世界日报卷,2018篇文章ID 8463256, 6页,2018。视图:出版商的网站|谷歌学术搜索
8. Ghosh-Dastidar和h·埃德里”,改善了脑电图的飙升神经网络分类和癫痫和癫痫检测”集成计算机辅助工程,14卷,不。3、187 - 212年,2007页。视图:出版商的网站|谷歌学术搜索
9. m·d·k·哈桑·m·a·艾哈迈德·m·艾哈迈德·m·a·拉希德,“预测癫痫发作的时间序列分析EEG信号使用神经网络分类器,”应用仿生学和生物力学卷,2017篇文章ID 6848014, 12页,2017。视图:出版商的网站|谷歌学术搜索
10. 郭曹y, y, h . Yu, x,“癫痫发作使用深度学习方法,自动识别”2017年第四届国际会议系统和信息学(ICSAI)2017年11月,杭州,中国。视图:出版商的网站|谷歌学术搜索
11. w . y . Li崔,m·罗k . Li和l . Wang“癫痫发作检测基于EEG信号的时频图像使用高斯混合模型和灰度共生矩阵法的特性,“国际期刊的神经系统,28卷,不。7,1850003条,2018年。视图:出版商的网站|谷歌学术搜索
12. 泰兹拉夫·m·Eberlein r·希尔德布兰德r . et al .,“卷积神经网络对癫痫发作预测”IEEE国际生物信息学和生物医学会议2018年12月,马德里,西班牙,。视图:谷歌学术搜索
13. m . Golmohammadi s Ziyabari诉沙et al .,“封闭的复发性癫痫检测网络,”信号处理在医学和生物学研讨会美国宾夕法尼亚州,费城,2017年12月。视图:谷歌学术搜索
14. m . Golmohammadi s Ziyabari诉Shah s . l . de迭戈,欧贝得,和j . Picone“深架构自动化检测头皮脑电图的癫痫,”国际会议上机器学习斯德哥尔摩,瑞典,2017年7月。视图:谷歌学术搜索
15. r . San-Segundo m . Gil-Martin l . f . D 'Haro-Enriquez和j·m·帕尔多”分类的癫痫脑电图记录使用信号变换和卷积神经网络,”计算机在生物学和医学,卷109,不。6,148 - 158年,2019页。视图:出版商的网站|谷歌学术搜索
16. k . m . Tsiouris v c . Pezoulas m . Zervakis s Konitsiotis d·d·Koutsouris和d . i Fotiadis”长期短期记忆深学习网络的预测癫痫发作使用EEG信号,”计算机在生物学和医学卷。99年,24-37,2018页。视图:出版商的网站|谷歌学术搜索
17. 罗伊,我Kiral-Kornek,大厦,“ChronoNet:深度递归神经网络异常脑电图识别、”人工智能在医学上卷。11526年,47-56,2019页。视图:出版商的网站|谷歌学术搜索
18. 诉Shah e·冯·Weltin s·洛佩兹et al .,“天普大学医院癫痫检测语料库,”Neuroinformatics前沿,12卷,p。83年,2018年。视图:出版商的网站|谷歌学术搜索
19. c·b·斯威舍c . r .白色,b . e . Mace et al .,“诊断神经电记录的癫痫检测的精度和non-neurophysiologists成人ICU使用一组定量脑电图的趋势,”临床神经生理学杂志,32卷,不。4、324 - 330年,2015页。视图:出版商的网站|谷歌学术搜索
20. f .腕和d·德罗西,“非侵入性脑机接口,”Ariadna最终报告31卷,外墙面,2006页。视图:谷歌学术搜索
21. r·w·Homan j·赫尔曼,p . Purdy“本地化脑病性des电极位置根据国际10 - 20,“Electroen——cephalography和临床神经生理学,卷66,不。4、376 - 382年,1987页。视图:出版商的网站|谷歌学术搜索
22. “参考蒙太奇和电极设置如何影响头皮脑电图测量势?”《神经工程,15卷,不。2、第026013条,2018年。视图:出版商的网站|谷歌学术搜索
23. m . Sazgar和m . g .年轻,“脑电图的概述,电极位置,蒙太奇”绝对癫痫和脑电图旋转审查125年,页117 -施普林格国际出版,2019年。视图:谷歌学术搜索
24. r . g . Andrzejak k . Lehnertz f . Mormann c .里克·大卫和c e . Elger”迹象的非线性时间序列的确定性和有限维结构大脑电活动:依赖记录区域和大脑状态,”物理评论E,卷64,不。6日,第061907条,2001年。视图:出版商的网站|谷歌学术搜索
25. 美国Ghosh-Dastidar、h·埃德里和n . Dadmehr“閒杂wavelet-chaos-neural网络检测方法对癫痫和癫痫发作,”IEEE生物医学工程,54卷,不。9日,第1551 - 1545页,2007年。视图:出版商的网站|谷歌学术搜索
26. a . l . Goldberger l·a·阿马拉尔l .玻璃et al。”PhysioBank、PhysioToolkit和生理网:组件的一个新的研究资源对于复杂的生理信号,”循环,卷101,不。23日,E215-E220, 2000页。视图:出版商的网站|谷歌学术搜索
27. p . Thodoroff j . Pineau, a . Lim”学习强大的功能使用自动癫痫检测深度学习,”学报第一机器学习医疗会议美国洛杉矶CA, 2016年8月。视图:谷歌学术搜索
28. A . Bhattacharyya和r . b . Pachori多元的方法为病人特定脑电图癫痫检测小波变换使用经验,“IEEE生物医学工程,卷64,不。9日,第2015 - 2003页,2017年。视图:出版商的网站|谷歌学术搜索
29. a . Harati洛佩兹,欧贝得,j . Picone m·雅各布森和s . Tobochnik”TUH脑电图文集:大数据资源自动化脑电图解释,”2014年IEEE信号处理在医学和生物学研讨会(SPMB)美国宾夕法尼亚州,费城,2014年12月。视图:出版商的网站|谷歌学术搜索
30. i r·d·Saputro n . d . Maryati s . r . Solihati Wijayanto, s . Hadiyoso和r . Patmasari”发作类型使用支持向量机分类EEG信号,”物理学杂志》:会议系列第012065条,卷。1201年,2019年。视图:出版商的网站|谷歌学术搜索
31. s罗伊,阿西夫·j·唐,大厦,“机器学习为癫痫发作类型分类:设置基准,”2019年,https://arxiv.org/abs/1902.01012。视图:谷歌学术搜索
32. m . Golmohammadi a . h . Torbati Harati内贾德洛佩兹de迭戈,欧贝得,和j . Picone”使用大数据自动分析脑电图和混合深度学习架构,”人类神经科学前沿,13卷,不。3,p。76年,2019年。视图:出版商的网站|谷歌学术搜索
33. 洛佩兹,a .总值杨,m . Golmohammadi欧贝得,和j . Picone“脑电图的分析两个常见的参考点,”2016年IEEE信号处理在医学和生物学研讨会(SPMB)美国宾夕法尼亚州,费城,2016年12月。视图:出版商的网站|谷歌学术搜索
34. j . Duun-Henriksen t·w·卡亚尔:r·e·马德森l . s . Remvig c·e·汤姆森和h·b·d·索伦森“通道选择自动癫痫检测,”临床神经生理学,卷123,不。1,第92 - 84页,2012。视图:出版商的网站|谷歌学术搜索
35. m . Qaraqe m·伊斯梅尔,大肠Serpedin”通过CSP-enhanced Band-sensitive癫痫发病检测脑电图特点”,癫痫和行为:e和b,50卷,不。7,77 - 87年,2015页。视图:出版商的网站|谷歌学术搜索
36. j . n . Acharya a·j·哈尼,p . Thirumala和t . n . Tsuchida”美国临床神经生理学协会准则3:建议标准蒙太奇用于临床脑电图,”《神经诊断卷,56号4、253 - 260年,2017页。视图:出版商的网站|谷歌学术搜索
37. 哈格曼·d·e·瑙曼和j·f·塞耶,“追求EEG参考重新审视:从脑不对称研究一眼,“心理生理学,38卷,不。5,847 - 857年,2010页。视图:出版商的网站|谷歌学术搜索
38. 美国r . Acharya h . Fujita s l .哦,et al .,“深卷积神经网络的自动诊断充血性心力衰竭使用心电图信号,”应用智能卷,49号1,16-27,2019页。视图:出版商的网站|谷歌学术搜索
39. 答:,离散小波变换Birkhauser,波士顿,1998年。
40. m .赵m·康b . Tang和m . Pecht“多小波系数融合在深残余网络故障诊断,”IEEE工业电子产品,卷66,不。6,4696 - 4706年,2019页。视图:出版商的网站|谷歌学术搜索
41. n . Rafiuddin y汗,o . Farooq”特征提取和分类自动癫痫的脑电图检测”2011年国际会议上多媒体、信号处理和通信技术阿里格尔,印度,2011年12月。视图:出版商的网站|谷歌学术搜索
42. T.-Y。林、a . r . Chowdhury和s . Maji“双线性CNN模型细粒度的视觉识别,”2015年IEEE计算机视觉国际会议(ICCV)圣地亚哥,智利,2015年12月。视图:出版商的网站|谷歌学术搜索
43. a . Paszke总值,s . Chintala et al .,“在PyTorch自动分化,”IEEE会议神经信息处理系统美国长滩,2017年12月。视图:谷歌学术搜索
44. k . x张,他任美国,j .太阳”深入深入整流器:超越人类ImageNet分类、性能”2015年IEEE计算机视觉国际会议(ICCV)圣地亚哥,智利,2015年12月。视图:出版商的网站|谷歌学术搜索
45. d . Kingma和j .英航“亚当:随机优化方法,”学习国际会议上表示美国圣地亚哥CA, 2015年5月。视图:谷歌学术搜索
46. j . Duchi大肠领唱者,y歌手,“次梯度自适应在线学习和随机优化方法,”机器学习研究杂志》上,12卷,不。7,257 - 269年,2011页。视图:谷歌学术搜索
47. l . Bottou和y LeCun(“大规模的在线学习,”神经信息处理系统的进步16(少量的2003)麻省理工学院出版社,页217 - 225年,剑桥,2004年。视图:谷歌学术搜索
48. n . v .拉k·w·鲍耶l . o .大厅,和w·p·Kegelmeyer“击杀:少数over-sampling合成技术,”人工智能研究杂志》上》16卷,第357 - 321页,2002年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020哲Zhang et al。这是一个开放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。