基于 EEG 和 EOG 使用一维卷积神经网络与批归一化的缺血性脑卒中识别
机器学习
2016-10-07 v1 神经与进化计算
摘要
2015 年，脑卒中是印度尼西亚的头号死因。大多数脑卒中类型为缺血性。诊断脑卒中的标准工具是 CT 扫描。对于像印度尼西亚这样的发展中国家，CT 扫描的可及性非常有限且费用相对昂贵。由于可及性问题，另一种在印度尼西亚具有诊断脑卒中潜力的设备是脑电图 (EEG)。缺血性脑卒中由阻塞引起，可导致脑卒中患者的脑血流量 (CBF) 低于正常人（对照）的 CBF，从而使 EEG 信号出现减速。在本研究中，我们探究了一维卷积神经网络 (1DCNN) 构建分类模型的能力，该模型能够区分脑卒中的 EEG 和眼电图 (EOG) 数据与对照的 EEG 和 EOG 数据。为加速模型训练过程，我们使用了批归一化 (Batch Normalization)。涉及 62 人的数据对象，通过留一法交叉验证并重复五次测量，我们仅在 200 个训练周期就获得了 0.86 的平均准确率（F 值 0.861）。这一结果优于所有用作对比的浅层和流行分类器（最佳准确率 0.69，F 值 0.72）。我们研究中使用的特征仅为 24 个手工制作的特征，且特征提取过程简单。
引用
@article{arxiv.1610.01757,
title = {Ischemic Stroke Identification Based on EEG and EOG using 1D Convolutional Neural Network and Batch Normalization},
author = {Endang Purnama Giri and Mohamad Ivan Fanany and Aniati Murni Arymurthy},
journal= {arXiv preprint arXiv:1610.01757},
year = {2016}
}
备注
13 pages. To be published in ICACSIS 2016