基于深度学习的耳鸣脑电图卷积神经网络模型构建方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113712542A(43)申请公布日2021.11.30(21)申请号202110998471.6(22)申请日2021.08.27(71)申请人中山大学孙逸仙纪念医院地址510120广东省广州市越秀区沿江西路107号(72)发明人蔡跃新郑亿庆(74)专利代理机构深圳市圳博友邦专利代理事务所(普通合伙)44600代理人王芬思(51)Int.Cl.A61B5/12(2006.01)A61B5/369(2021.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图3页(54)发明名称基于深度学习的耳鸣脑电图卷积神经网络模型构建方法(57)摘要本发明公开了一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法，属于脑电图数据分析技术领域，对耳鸣脑电图卷积神经网络模型先进行分类处理，再对耳鸣脑电图卷积神经网络模型后进行分级处理。该基于深度学习的耳鸣脑电图卷积神经网络模型构建方法，通过从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集，划分多个测试集以及训练集，获得训练得到的卷积神经网络分类模型以及卷积神经网络分级模型，并经过参数的更新与优化，获得用于耳鸣脑电图分级分类的新的卷积神经网络模型，在测试集上卷积神经网络模型的性能，筛选出最优卷积神经网络耳鸣分级分类模型，经过长期训练模型达到提高耳鸣识别速度和识别结果准确性的目的。CN113712542ACN113712542A权利要求书1/2页1.一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法，其特征在于，对耳鸣脑电图卷积神经网络模型先进行分类处理，包括以下步骤：步骤A：从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集，将数据集划分为测试集以及训练集；步骤B：加载预训练的卷积神经网络分类模型，在所得到的训练集上微调预训练的卷积神经网络分类模型，获得训练得到的卷积神经网络分类模型；步骤C：在测试集上验证步骤B中训练得到的卷积神经网络分类模型的性能，筛选出最优卷积神经网络分类模型。2.根据权利要求1所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法，其特征在于，所述步骤A中构建耳鸣脑电数据集的方法包括以下步骤：a1：利用医院耳鼻喉科的耳鸣脑电数据库，获取耳鸣患者的脑电数据组成耳鸣脑电数据集；a2：利用医院耳鼻喉科的正常脑电数据库，获取正常人的脑电数据组成正常脑电数据集；a3：使用MATLABforR2013a和EEGLABforv13.0.0工具箱对耳鸣组和正常组的脑电数据进行预处理并筛除伪迹较多的数据，将取样率降低为250Hz/s，带通滤波0.5～80Hz，以双侧乳突E56和E107为参考电极进行重参考，使用独立成分分析算法去除数据中的眨眼、眼球运动以及心跳影响的参数，对数据进行分段，一段的时间为两秒；a4：随机选取耳鸣脑电数据集和正常脑电数据集的脑电数据，使用交叉验证方法，划分多个测试集以及训练集。3.根据权利要求1所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法，其特征在于，所述步骤B中卷积神经网络分类模型的训练方法包括以下步骤：b1：加载预训练的卷积神经网络分类模型，每层GCN后均加上BN层，3层GCN提取空间特征后将数据输入长短期记忆网络来提取时间关联，再用注意力机制加权求得最终的特征向量，最后输入2层全卷积网络；b2：微调预训练的卷积神经网络分类模型，经过参数的更新与优化，获得用于耳鸣脑电图分类的新的卷积神经网络模型；b3：在每个构建的训练集上训练获得的新的卷积神经网络分类模型，获得训练得到的卷积神经网络分类模型。4.根据权利要求1所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法，其特征在于，所述步骤C中验证步骤B训练得到的神经网络分类模型性能方法包括以下步骤：c1：使用准确率评估训练得到的卷积神经网络模型在多折交叉验证的性能，准确率最高的卷积神经网络模型即为最优卷积神经网络模型；c2：验证该最优卷积神经网络模型的性能，绘出最优卷积神经网络模型的ROC曲线图。5.根据权利要求1所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法，其特征在于，对耳鸣脑电图卷积神经网络模型后进行分级处理，包括以下步骤：步骤A：从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集，将数据集划分为测试集以及训练集；2CN113712542A权利要求书2/2页步骤B：加载预训练的卷积神经网络耳鸣分级模型，在所得到的训练集上微调预训练的卷积神经网络耳鸣分级模型，获得训练得到的卷积神经网络耳鸣分级模型；步骤C：在测试集上验证步骤B训练得到的卷积神经网络耳鸣分级模型的性能，筛选出最优卷积神经网络耳鸣分级模型。6