文献类型：期刊文章

作　　者：张远鹏[1,2] 蔡可夫[3] 姚敏[1] 姚登福[4] 王理[5,6,7]

ZHANG Yuanpeng;CAI Kefu;YAO Min;YAO Dengfu;WANG Li(Department of Medical Informatics,School of Medical,Nantong University,Nantong 226019;Department of Health Technology and Informatics,Hong Kong Polytechnical University;Department of Neurology,the Affiliated Hospital of Nantong University;Clinical Medical Research Center,the Affiliated Hospital of Nantong University;School of Information Science and Technology,Nantong University;Research Center for Intelligence Information Technology,Nantong University;Nantong Research Institute for Advanced Communication Technologies)

机构地区：[1]南通大学医学院医学信息学系,南通226019 [2]香港理工大学医疗科技与资讯学系 [3]南通大学附属医院神经内科 [4]南通大学附属医院临床医学研究中心 [5]南通大学信息科学技术学院 [6]南通大学智能信息技术研究中心 [7]南通先进通信技术研究院有限公司

出　　处：《南通大学学报（医学版）》

基　　金：国家自然科学基金资助项目(82072019,81873915);江苏省自然科学基金面上项目(SBK2020021703);南通市科技计划项目(MS12020021)。

年　　份：2021

卷　　号：41

期　　号：3

起止页码：212-216

语　　种：中文

收录情况：JST、普通刊

摘　　要：目的:探讨深度堆叠式稀疏回归在癫痫患者脑电图(electroencephalogram,EEG)特征提取中的作用。方法:基于稀疏回归模型,以逐层连接的方式构造了一个堆叠深度结构,并使用波恩大学提供的癫痫EEG数据来评估该结构。基于癫痫EEG数据,构造了3个分类任务。在每个任务上,使用不同的特征选择模型来选择特征,然后使用两个分类器根据选定的特征进行异常EEG检测。结果:深度堆叠式稀疏回归模型所选的癫痫EEG特征相比基准模型更具有区分度。结论:添加到原始特征中的随机投影可以堆叠的方式连续打开原始特征空间中存在的流形结构,使输入特征空间变得线性可分,从而使提取的EEG特征能够辅助癫痫诊断。

关 键 词：癫痫 脑电图 人工智能 回归  稀疏学习  

分 类 号：TP181]