[發(fā)明專利]一種原始腦電深度學(xué)習(xí)分類方法和應(yīng)用

在審

• 申請(qǐng)?zhí)枺?/td>: 202110182451.1
• 申請(qǐng)日: 2021-02-07
• 公開（公告）號(hào): CN112790774A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設(shè)計(jì)）人: 車艷秋;鄭海令;劉靖;秦迎梅;韓春曉;王若凡
• 申請(qǐng)（專利權(quán)）人: 天津職業(yè)技術(shù)師范大學(xué)（中國(guó)職業(yè)培訓(xùn)指導(dǎo)教師進(jìn)修中心）
• 主分類號(hào): A61B5/369
• 分類號(hào): A61B5/369;A61B5/00
• 代理公司: 天津創(chuàng)智睿誠(chéng)知識(shí)產(chǎn)權(quán)代理有限公司 12251
• 代理人: 李薇

1.一種原始腦電深度學(xué)習(xí)分類方法，其特征在于：包括以下步驟：

步驟A：提取原始腦電時(shí)間序列信號(hào)，并對(duì)其進(jìn)行噪聲過(guò)濾處理，噪聲過(guò)濾處理后的腦電時(shí)間序列信號(hào)作為測(cè)試樣本；

步驟B：將步驟A所得測(cè)試樣本轉(zhuǎn)換為測(cè)試輸入圖像；

步驟C：將步驟B所得測(cè)試輸入圖像輸入到經(jīng)由訓(xùn)練的深度學(xué)習(xí)模型中，并且在所述深度學(xué)習(xí)模型中進(jìn)行魯棒性特征提取得到魯棒性特征；

步驟D：將步驟C提取到的魯棒性特征輸入到極限學(xué)習(xí)機(jī)分類器中進(jìn)行分類。

2.如權(quán)利要求1所述的原始腦電深度學(xué)習(xí)分類方法，其特征在于：步驟B中，測(cè)試樣本轉(zhuǎn)換方法是基于短時(shí)傅里葉變換算法。

3.如權(quán)利要求2所述的原始腦電深度學(xué)習(xí)分類方法，其特征在于：所述短時(shí)傅里葉變換算法是通過(guò)以下公式完成的：

其中，z(u)為在時(shí)刻u時(shí)腦電時(shí)間序列信號(hào)，g(u-t)為窗函數(shù)，f為腦電時(shí)間序列信號(hào)采樣率，j為復(fù)數(shù)，j＝1×i，i為虛數(shù)單位。

4.如權(quán)利要求3所述的原始腦電深度學(xué)習(xí)分類方法，其特征在于：將所得測(cè)試樣本轉(zhuǎn)換為測(cè)試輸入圖像時(shí)，使用了3秒的窗口進(jìn)行了短時(shí)傅里葉變換。

5.如權(quán)利要求1所述的原始腦電深度學(xué)習(xí)分類方法，其特征在于：步驟C中，所述深度學(xué)習(xí)模型由卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)成。

6.如權(quán)利要求5所述的原始腦電深度學(xué)習(xí)分類方法，其特征在于：所述卷積神經(jīng)網(wǎng)絡(luò)共有三層，第一層卷積核大小為3×(3-20)，優(yōu)選3×20，第二層卷積核大小為2×(2-20)，優(yōu)選2×20，第三層卷積核大小為2×(2-20)，優(yōu)選2×20。

7.如權(quán)利要求5所述的原始腦電深度學(xué)習(xí)分類方法，其特征在于：所述長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)共有三層，第一次為輸入層，第二層為隱藏層，所述隱藏層設(shè)置的隱藏單元為50-200，第三層為輸出層。

8.如權(quán)利要求7所述的原始腦電深度學(xué)習(xí)分類方法，其特征在于：所述深度學(xué)習(xí)模型的訓(xùn)練方法，包括以下步驟：

步驟1：提取精神分裂癥患者和健康人的原始腦電時(shí)間序列信號(hào)，并進(jìn)行噪聲過(guò)濾處理，噪聲過(guò)濾處理后的精神分裂癥患者和健康人的腦電時(shí)間序列信號(hào)作為訓(xùn)練樣本；

步驟2：將步驟1提取的訓(xùn)練樣本劃分為訓(xùn)練集和驗(yàn)證集；

步驟3：基于短時(shí)傅里葉變換算法，將步驟2劃分的訓(xùn)練集和驗(yàn)證集分別轉(zhuǎn)換為卷積神經(jīng)網(wǎng)絡(luò)可識(shí)別的訓(xùn)練集輸入圖像和驗(yàn)證集輸入圖像，所述訓(xùn)練集輸入圖像和驗(yàn)證集輸入圖像組成模型輸入圖像集；

步驟4：將步驟3轉(zhuǎn)換所得模型輸入圖像集輸入到所述深度學(xué)習(xí)模型中，進(jìn)行魯棒性特征提取，并訓(xùn)練深度學(xué)習(xí)模型最優(yōu)參數(shù)；

步驟5：將步驟4訓(xùn)練好的深度學(xué)習(xí)模型的最優(yōu)參數(shù)輸出,應(yīng)用于測(cè)試階段的深度學(xué)習(xí)模型。

9.如權(quán)利要求7所述的原始腦電深度學(xué)習(xí)分類方法，其特征在于：步驟2中，所述訓(xùn)練集中的腦電時(shí)間序列的數(shù)量為所述訓(xùn)練樣本中的腦電時(shí)間序列總數(shù)量的70％，所述驗(yàn)證集中的腦電時(shí)間序列的數(shù)量為所述訓(xùn)練樣本中的腦電時(shí)間序列總數(shù)量的30％。

10.如權(quán)利要求1-9所述的原始腦電深度學(xué)習(xí)分類方法在腦電分析中的應(yīng)用。