脑电波信号多域变换与深度学习癫痫诊断

打开文本图片集

摘  要：单一维度的特征检测使现有基于EEG的癫痫诊断准确性受到限制。通过将EEG转换成格拉姆角场图和小波时频图，构建一种由2个2维CNN和1个DNN的集成深度学习模型，2个2维CNN分别提取格拉姆角场图和小波时频图的特征并融合，将融合特征输出至DNN以进行癫痫融合识别。借助波恩大学的脑电数据集测试了该集成深度学习模型的有效性，结果表明，该模型对癫痫EEG识别的准确度、特异性以及敏感度分别为96.5%、95.0%以及96.0%，整体识别性能优于传统的单神经网络模型，可为癫痫等疾病的诊断提供更好的辅助功能。（剩余8767字）