Bootstrap

【基于深度学习的脑电图识别】应用篇:DEEP LEARNING APPROACHES FOR AUTOMATIC ANALYSIS OF EEGS

摘要:

在本章中,我们将讨论各种深度学习架构在自动捕获检测中的应用,研究的体系结构包括多层感知器(MLPs)、卷积神经网络(CNNs)、长短时记忆网络(LSTMs)、选通递归单元(GRUs)和残差神经网络(ResNets);

数据库使用了 TUH-EEG ,并辅以来自杜克大学的数据,来评估这些混合深层结构的性能;

由于 TUH-EEG 包含大量的未标记数据,本文还讨论了在训练这些复杂递归网络之前使用的无监督训练方法;

最红本文介绍了一个集成了 CNNs 和 LSTMs 的混合系统,这个先进的系统观察到的主要错误模式是在短暂的范围减缓模式(如间歇性节律性活动)期间产生的假警报,这也是本文致力于标注更多 TUH-EEG 数据的原因;

数据:

数据是用几代 Natus Medical Incorporated 公司的 NicoletTM 脑电图记录技术对t脑电图信号进行记录;

原始信号由多通道录音组成,其中通道的数量在 20 到 128 个通道之间变化,标注包括起病和终止、频率和幅度、局部性和局限性,可用作检出任务;

采用16位A/D转换器对数据进行数字化处理,采样频率从250赫兹到1024赫兹不等;

在本文的工作中,将所有的 EEGs 重采样到一个250 Hz的采样频率,使用了 22 个与标准的10/20脑电图配置相关的通道;

原始的脑电图记录被分割成多个EDF文件,这取决于技术人员是如何标注的;

时序信号的时序建模:

;