文献类型：期刊文章

作　　者：韦晓燕[1] 周霖[2] 陈秋源[1] 陈子怡[3] 周毅[1]

WEI Xiao-yan;ZHOU Lin;CHEN Qiu-yuan(Computer Center of Medical College,Sun Yat-sen University,Guangzhou 510080,Guangdong Province,P.R.C)

机构地区：[1]中山大学中山医学院计算机中心 [2]中山大学数据科学与计算机学院 [3]中山大学附属第一医院神经内科

出　　处：《中国数字医学》

基　　金：国家自然科学基金项目(编号:61876194;11661007);国家重点研发计划项目(编号:2018YFC0116902;2018YFC0116904;2016YFC0901602);NSFC-广东大数据科学中心联合基金项目(编号:U1611261);广州市科技计划项目(编号:201604020016)~~

年　　份：2019

卷　　号：14

期　　号：1

起止页码：9-13

语　　种：中文

收录情况：JST、ZGKJHX、普通刊

摘　　要：自动癫痫发作检测可以减少一般的诊断时间成本,并为癫痫患者提供有针对性的治疗。传统的癫痫检测算法需要人工筛选特定特征模式,并结合浅层机器学习进行识别,耗时耗力。而深度学习可以实现自动特征学习,在诸多领域取得显著成果。在文中提出基于深度学习的卷积神经网络模型来识别不同阶段的癫痫EEG数据。首先将全导联EEG数据构造成适合深度学习输入的二维图像模式。设置多层深度卷积神经网络对数据进行学习,完成不同癫痫EEG分期的分类。该方法在临床数据中的测试准确率均超过90%,其中实现灵敏度为92%,特异性90%,均远高于传统方法。研究实现了端到端的癫痫自动检测分类算法,为实现临床癫痫诊断提供新的选择。

关 键 词：深度学习  发作检测  癫痫 分类  

分 类 号：R319[基础医学类]