论文总字数：44357字

摘 要

EEG因其简便、灵活的特点在临床医学中被广泛用作癫痫(Epilepsy)诊断方法。然而，通过人工筛查EEG的方式进行癫痫诊断将耗费大量的时间和精力，患者无法得到及时的治疗，医生在面对大量冗长的临床EEG记录时，也难以保证诊断的客观性和可靠性。深度学习作为机器学习中的一个新兴研究方向，由于能够从海量数据中挖掘出有价值的信息，现已被广泛地应用于金融、信息、医学等领域。本文在研究深度学习理论的基础上，尝试构建一个基于神经网络的癫痫诊断系统，以实现对癫痫脑电的自动化分类与诊断。

本文采用的EEG数据集为美国天普大学医院(Temple University Hospital, TUH)于2017年发布、采自临床环境的一组癫痫EEG数据集(v 1.0.4版本)。该数据集由国际10-20系统法测量所得并且以EDF文件格式存储，记录了同一时间段内至少21个通道的EEG信号。

本文应用卷积神经网络(Convolutional Neural Network, CNN)和循环神经网络(Recurrent Neural Network, RNN)构建多种模型对上述数据集进行分类预测，并对各模型的性能进行综合分析。实验结果表明，本文提出的一种2D-CCPG模型能够比较有效地区分癫痫脑电，该模型的分类准确率可达到85.5%，高于Schirrmeister等人于2017年8月公布的分类准确率(82.6%)。此外，该模型的召回率可达到88.1%，说明它对癫痫发作信号有着较高的识别率，这为癫痫的诊断提供了一定的参考价值。

关键词： EEG 癫痫自动诊断 深度学习 卷积神经网络 循环神经网络

Research on EEG Signal Processing in Deep Learning

ABSTRACT

EEG is widely used as a diagnostic method for epilepsy in clinical medicine because of its simplicity and flexibility. However, diagnosis of epilepsy through manual screening of EEG will take a lot of time and effort, and patients will not be able to receive timely treatment. When faced with a large number of lengthy clinical EEG records, doctors can hardly guarantee the objectivity and reliability of diagnosis. Deep learning, as a new research direction in machine learning, has been widely used in finance, information, medicine and other fields because it can mine valuable information from massive data. Based on the study of deep learning theory, we attempts to construct an epilepsy diagnosis system based on neural network in order to realize the automatic classification and diagnosis of EEGs during seizure phases.

The EEG dataset used in this paper is a set of epileptic EEG datasets (v 1.0.4) released by the Temple University Hospital (TUH) in the United States, 2017. The data was recorded by the International 10-20 System Method and stored in an EDF file format, which covered more than 21 channels of EEG signals over the same time period.

In this paper, we used the Convolutional Neural Network (CNN) and the Recurrent Neural Network (RNN) to construct a variety of models to classify the epilepsy EEG signals, and perform a comprehensive analysis on the performances of these models. The results show that the 2D-CCPG model proposed in this paper is able to distinguish seizure EEGs effectively. The classification accuracy of the model can reach up to 85.5%, which is higher than the classification accuracy(82.6%) provided by Schirrmeister et al. in August 2017. In addition, the recall rate of this model is around 88.1%, indicating that it has a high recognition rate for seizure signals, which provides a certain reference value for the diagnosis of epilepsy.

keywords: EEG; Automatic diagnosis of epilepsy; Deep learning; CNN; RNN

目录

摘 要 I

ABSTRACT II

第一章 绪 论 1

1.1 研究背景及意义 1

1.2 研究现状 1

1.3 研究目标及内容 2

1.3.1 研究目标 2

1.3.2 研究内容 2

1.4 本文组织结构 3

第二章 相关理论及实验平台搭建 5

2.1 EEG分析方法 5

2.1.1 时域方法 5

2.1.2 频域方法 5

2.1.3 时频域方法 6

2.1.4 非线性方法 7

2.2 深度学习相关理论 7

2.2.1 人工神经网络概述 7

2.2.2 卷积神经网络 9

2.2.3 循环神经网络 11

2.2.4 欠拟合与过拟合问题 13

2.3 实验框架 14

2.3.1 现有深度学习框架及其特点 14

2.3.2 Keras框架分析 15

2.4 实验平台搭建 16

2.4.1 硬件平台 16

2.4.2 软件平台 16

2.5 本章小结 17

第三章 数据集及其预处理 18

3.1 脑电信号相关知识 18

3.1.1 EEG概述 18

3.1.2 国际10/20系统 19

3.2 实验数据集 21

3.2.1 数据来源 21

3.2.2 数据内容 21

3.3 数据预处理 23

3.3.1 分割数据片段 23

3.3.2 筛查数据并生成数据集 27

3.3.3 数据集的重采样及归一化 29

3.4 本章小结 31

第四章 深度学习在癫痫脑电分类中的应用 32

4.1 评估方法及指标 32

4.1.1 基于投票法的分类原理 32

4.1.2 基于交叉验证法的模型评估原理 33

4.1.3 评估指标 34

4.2 1D-CG模型实验 35

4.2.1 模型分析 35

4.2.2 数据准备及实验结果分析 38

4.3 2D-CG模型实验 39

4.3.1 模型分析 39

4.3.2 数据准备及实验结果分析 40

4.4 改进的2D-CG模型实验 41

4.4.1 模型分析 41

4.4.2 时间序列相关长度的应用 42

4.4.3 Concatenate层的应用 43

4.4.4 Permute层的应用 44

4.4.5 数据准备及实验结果分析 45

4.5 实验总结 48

4.6 本章小结 49

第五章 总结与展望 50

5.1 研究总结 50

5.2 思考与展望 50

参考文献 52

致谢 54

请支付后下载全文，论文总字数：44357字