如需要完整文档点击下方 "点击下载文档" 按钮

癫痫发作自动检测技术对癫痫患者的诊断和治疗具有重要意义。 由于癫痫发作期持续时间较短,发作期与非发作期的 脑电数据分布是不平衡的。 针对该问题,本文提出了一种不平衡分类与深度学习相结合的癫痫发作自动检测方法。 首先,为防 止不同类别数据之间界限模糊,使用 Borderline-SMOTE 算法对 1 / 3 训练集做平衡处理;之后,设计了金字塔型的一维深度卷积 神经网络,并利用平衡处理的训练集进行训练。 与常见的二维卷积神经网络不同,本文构造的一维卷积神经网络减少了训练参 数,提高了训练速率,能够有效地避免由于训练样本较少而造成的过拟合。 在长达 991 小时的长程头皮脑电数据集上的实验表 明,经过平衡处理后的检测效果得到明显改善,最佳敏感度达到 92. 35% ,特异性达到 99. 88% ,阳性预测率达到 90. 68% ,阴性预 测率达到 99. 91% 。 同时,与其他癫痫检测方法的比较表明,本文方法具有更好的检测结果,更加符合临床应用的要求。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于深度学习的癫痫脑电不平衡分类方法》

将 完整文档 下载到本地，方便收藏和查阅

文件号：306989

点击下载文档