利用卷积神经网络对脑电图解码及可视化
目录
- Part 1 导读
- Part 2 网络结构
- Part 3 实验结果
本分享为脑机学习者Rose整理发表于公众号:脑机接口社区 .QQ交流群:941473018
Part 1 导读
研究人员应用卷积神经网络(ConvNets)对病理和正常的脑电图记录进行区分。
研究人员使用两种基本的,浅的和深的卷积网络结构来解码从脑电图中任务相关的信息。在脑电图病理解码中,两种卷积神经网络的准确率都比该数据集公布的唯一结果高了很多(大约提高了6%,≈85% vs≈79%),而且在每次记录中仅使用1分钟进行训练和每次记录只用6秒进行测试时,准确率更高。
研究人员使用自动化的方法来优化体系结构的超参数,并发现了有趣的不同的卷积网络体系结构,例如,最大池作为唯一的非线性。卷积网络解码行为的可视化结果表明,使用了delta (0-4 Hz)和theta (4-8 Hz)频率范围的频谱功率变化,可能与其他特征一起使用,这与脑电图数据的频谱分析和文本医学报告的预期一致。对文本医疗报告的分析还强调了通过整合上下文信息(如受试者的年龄)提高准确性的潜力。
可以说脑卷积神经网络和可视化技术为下一步迈向临床有用的自动化脑电图诊断方面的研究奠定了新的基础。
源码:https://github.com/robintibor/auto-eeg-diagnosis-example
Part 2 网络结构
下图为深度ConvNet架构。
黑色长方体:输入/功能图; 棕色长方体:卷积/池核。 相应的尺寸分别用黑色和棕色表示。
输入:21 × 601
也就是输入大小是 21 通道的 6 秒长的数据,采样频率是 100 Hz;
作者直接将原始时序数据作为输入,输入是 600 个样本(即对应 6 秒内采样数据。采样频率为100 Hz);
从上图可以看到在Block 1中,输入大小为 :601×21;
第一步:采用 25 个卷积核大小为 10×1的线性卷积核(无 ReLU 激活),对数据进行卷积,滑动步长为 3×1,得到大小为 198×21×25 的特征图;
第二步:采用 25 个卷积核大小为 21×25的空间滤波器(Spatial filter)对特征图进行卷积,得到大小为 198×25的特征图;
第三步:使用 3×1 大小的最大池化层对198×25的特征图进行池化处理。
上图为ConvNet架构的Block 2,在Block 2中,数据的输入大小为 196×25;
第一步:使用 50 个卷积核大小为 10x25的卷积核对Block 1中的输出进行卷积,使用ELU 激活,滑动步长为 3×1,卷积得到大小为 63x50 的特征图;
第二步:使用 3×1 大小的最大池化层对63x50的特征图进行池化。
由于Block 3、Block 4与Block 2 结构类似,所以分析方法类似。
最后利用全连接层对数据处理得到分类结果。
下面是浅层卷积网络结构:
Part 3 实验结果
数据集介绍:
The Temple University Hospital(TUH)脑电图异常语料库1.1.2是手动标记的正常和病理性临床脑电图记录的数据集。它来自TUH EEG数据语料库,其中包含来自12年以来的10000多个受试者的16000多个临床记录。异常语料库包含3017个记录,其中1529个标记为正常,而1488个标记为病理。语料库分为训练和评估集,如下图所示:
利用深浅ConvNet区分正常和病理性EEG的解码精度:
下面两幅图为频谱功率差和输入扰动网络-预测相关图。
(a)图为训练组的病理与正常相对光谱带功率差异。显示的是病理记录与正常(根据专家的评分)EEG记录的中值带功率之比的对数。
(b)图为Deep ConvNet(深度卷积网络,在顶部)和Shallow ConvNet(浅层卷积网络,在底部)的输入扰动网络-预测相关图。病理学类别的预测与幅度扰动的相关性。头皮图显示,例如,delta和theta频率范围的双边正相关,以及beta和低gamma频率范围的空间分布更广的负相关,表明ConvNets在决策中使用了这些频率分量。
论文信息:
Deep learning with convolutional neural networks for EEG decoding and visualization
参考
利用卷积神经网络对脑电图解码及可视化
https://blog.csdn.net/weixin_44936889/article/details/104967430?utm_medium=distribute.pc_relevant.none-task-blog-baidujs-3
本文章由脑机学习者Rose笔记分享,QQ交流群:941473018
更多分享,请关注公众号
利用卷积神经网络对脑电图解码及可视化相关推荐
- Neuromation新研究:利用卷积神经网络进行儿童骨龄评估
近日,Neuromation 团队在 Medium 上撰文介绍其最新研究成果:利用卷积神经网络(CNN)评估儿童骨龄,这一自动骨龄评估系统可以得到与放射科专家相似或更好的结果.该团队评估了手骨不同区域 ...
- DL之AlexNet:利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型)
DL之AlexNet:利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型) 目录 利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型) 设计思路 处 ...
- DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测 目录 输出结果 设计思路 核心代码 输出结果 下边两张 ...
- DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测 目录 输出结果 设计思路 核心代码 输出结果 1.10 ...
- GNN-图卷积模型-2016:PATCHY-SAN【图结构序列化:将图结构转换成了序列结构,然后直接利用卷积神经网络在转化成的序列结构上做卷积】
我们之前曾提到卷积神经网络不能应用在图结构上是因为图是非欧式空间,所以大部分算法都沿着找到适用于图的卷积核这个思路来走. 而 PATCHY-SAN 算法 <Learning Convolutio ...
- 猴子?狒狒?傻傻分不清楚——制作tfrecord数据集并利用卷积神经网络训练实例
去年年底学习了深度学习的相关知识,但是寒假回来之后忘得也差不多了...为了巩固下所学知识,近期利用卷积神经网络做了一个小实例.卷积神经网络是一种多层神经网络,擅长处理图像特别是大图像的相关机器学习问题 ...
- 实战▍利用卷积神经网络(VGG19)实现火灾分类(附tensorflow代码及训练集)
作者| 帅虫哥 编辑|布袋熊 利用卷积神经网络(VGG19)实现火灾分类 先看两组数据: <新民周刊>:2018年6月到11月,美国加利福尼亚州的山火断断续续地烧了小半年,到入冬方才算 ...
- 深度学习实战——利用卷积神经网络对手写数字二值图像分类(附代码)
系列文章目录 深度学习实战--利用卷积神经网络对手写数字二值图像分类(附代码) 目录 系列文章目录 前言 一.案例需求 二.MATLAB算法实现 三.MATLAB源代码 参考文献 前言 本案例利用MA ...
- 卷积神经网络精确率不增反降_姿态跟踪论文研读--(1)利用卷积神经网络学习人体姿态估计特征...
摘要 本文介绍了一种新的结构,就是利用多层卷积神经网络结构和模块化学习技术来习得低维特征和高维弱空间模型,以此来进行人体姿态估计.无约束的人体姿态估计是计算机视觉领域中最困难,最棘手的问题之一,而我们 ...
最新文章
- Java Day01-1
- 一文读懂图像局部特征点检测算法
- Karma和Jasmine自动化单元测试——本质上还是在要开一个浏览器来做测试
- Scala教程之:Future和Promise
- mysql忘记root密码咋办_MySQL忘记root用户密码怎么办?
- 前端模块化工具--webpack学习心得
- 学好Java的八个条件
- CPU 明明 8 个核,网卡为啥拼命折腾一号核?
- zookeeper 3.6.0安装以及基本使用
- Oracle执行计划 讲解(二) .
- Xmind模板文档分享——商务模板(2)
- 局域网电脑屏幕桌面监控怎么样
- CentOS 7 安装教程、硬盘分区、LVM、网络配置、软件源配
- 常用相机投影及畸变模型(针孔|广角|鱼眼)
- 20年ICPC澳门站L - Random Permutation
- iOS 一个带动画的等待指示器
- 基于OpenCV做图像数据增强(平移、镜像、缩放、旋转、仿射)
- 个人项目github链接及README.md
- 对麦克斯韦方程式的一些遐(瞎)想
- 直播系统开发语音源码功能开发
热门文章
- SpringMVC异常处理机制详解[附带源码分析]
- SpringMVC 学习-异常处理 SimpleMappingExceptionResolver 类
- Codis——分布式Redis服务的解决方案
- SQLSTATE[HY000] [2002] 乱码解决方法
- flask from app import db ImportError: cannot import name ‘db’ 的解决方案
- 找到IIS Express配置/配置数据库文件在哪里?
- 将多个csv文件导入到pandas中并串联到一个DataFrame中
- 在不丢失堆栈跟踪的情况下重新抛出Java中的异常
- PHP随机字符串生成器
- 为什么处理排序数组要比处理未排序数组快?