菜单
　　
    摘要癫痫是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病。癫痫患者的脑电图上常记录到棘波、尖波、棘慢复合波等癫痫样异常放电。人工检测脑电图劳动强度高，主观因素大，且难以实现大规模筛查。通过研究使用深度学习算法，使用深度置信网络、卷积神经网络模型，提取EEG信号中的癫痫特征，训练网络，对输入的脑电信号进行分类，从而实现癫痫的自动识别，有效解决了人工检测有很大缺陷的问题。同时，探究了网络中不同参数的设置对实验结果的影响，比较了不同网络识别的结果。实验表明，检测的准确率高，有良好的应用前景。   41525
    毕业论文关键词  癫痫  深度学习  自动识别
    Title         Automatic Epilepsy Detection Based on     Deep Learning Algorithm                        
    Abstract Epilepsy is a chronic disease of the brain  caused by  abnormal discharging of neuron which could lead to temporary brain dysfunction. The electroencephalogram (EEG) of epilepsy patients is often with spike wave, sharp wave or the combination of sharp and slow wave. It takes too much time to check epilepsy by human inspectors due to the large amounts of data and the results are often subjective. To effectively solve this problem, we focus on how to use deep learning algorithm to extract features of EEG of epilepsy and to detect epilepsy automatically. Meanwhile, we explore how different parameters in of the deep learning network could affect the experiment results by comparing the performances under different settings.  Our promising result shows the effectiveness of deep learning algorithm in recognizing epilepsy in EEG.  
    Keywords    epilepsy  deep learning  detection
    目次
    1绪论1
    1.1引言„1
    1.2课题背景及研究意义1
    1.3国内外研究现状2
    1.4主要研究内容„4
    1.5论文的结构安排4
    2癫痫脑电信号分析与深度学习的基础知识6
    2.1癫痫发作原因及特点6
    2.2脑电图的测量方法„6
    2.3脑电信号种类„7
    2.4癫痫脑电的特征波„8
    2.5深度学习简介„9
    3用DBN算法检测EEG信号中的癫痫波形„12
    3.1癫痫波形检测的DBN算法框架12
    3.2深度置信网络（DBN）12
    3.3实验数据准备„17
    3.4数据处理18
    3.5实验结果„20
    3.6最终结果„25
    3.7改进„26
    3.8本章小结„26
    4用CNN算法检测EEG信号中的癫痫波形„28
    4.1癫痫波形检测的CNN算法框架28
    4.2卷积神经网络（CNN）28
    4.3实验结果„31
    4.4最终结果„31
    4.5本章小结„31
    结论„33
    致谢„34
    参考文献„35
    图2.1国际标准的头皮电极放置法6
    图2.2正常脑电波7
    图2.3癫痫脑电的常见特征波形9
    图2.4深度学习与传统方法、机器学习、表征学习的区别10
    图2.5深度学习模型阐释10
    图3.1癫痫波形检测的DBN算法框架12
    图3.2DBN示意图12
    图3.3RBM结构13
    图3.4伪代码的算法流程15
    图3.5Sigmoid函数16
    图3.6原始数据图像18
    图3.7学习率和节点数对检测结果的影响21
    图3.8训练迭代次数对检测结果的影响22
    图3.9分类器对检测结果的影响24
    图3.103号个体第344号样本图像26
    图4.1癫痫波形检测的CNN算法框架28
    图4.2卷积神经网络示意图29
    图4.3特征映射图29
    图4.4CNN的网络结构30
    图4.52号个体第1311号样本图像32
  1. 上一篇：多自由度机械臂运动轨迹规划与Matlab仿真
  2. 下一篇：具有领导者的不确定非线性多智能体系统的跟踪问题研究

  1. 基于中频信号的家用治疗...

  2. 基于嵌入式技术的智能家...

  3. 基于FPGA竞赛系统设计+程序

  4. Matlab基于前馈控制的加热炉温度控制系统设计

  5. MEMS基于SHARC型DSP的组合导航算法实现

  6. 基于LabVIEW的车牌图像识别技术研究

  7. 基于LabVIEW和MATLAB混合编程...

  8. 电站锅炉暖风器设计任务书

  9. java+mysql车辆管理系统的设计+源代码

  10. 河岸冲刷和泥沙淤积的监测国内外研究现状

  11. 酸性水汽提装置总汽提塔设计+CAD图纸

  12. 十二层带中心支撑钢结构...

  13. 大众媒体对公共政策制定的影响

  14. 乳业同业并购式全产业链...

  15. 中考体育项目与体育教学合理结合的研究

  16. 杂拟谷盗体内共生菌沃尔...

  17. 当代大学生慈善意识研究+文献综述

　　

About

751论文网手机版...

主页：http://www.751com.cn

关闭返回