论文部分内容阅读
在通过音乐感知的方式对儿童自闭症谱系障碍(Autistic Spectrum Disorder,ASD)的治疗过程中,感知效果和病情的发展主要体现在脑电图(Electroencephalogram,EEG)的波动上,临床上对脑电图判断方面存在不精确的问题,而深度学习在信号特征提取与分类方面有着极大优势。本文以深度学习中的深度信念网络(Deep Belief Network,DBN)为理论基础,提出将优化的受限玻尔兹曼机(Restricted Boltzmann machine,RBM)特征提取模型与softmax分类算法相结合的方法,对接受不同音乐感知治疗的自闭症儿童进行脑电波跟踪分析,以提高分类准确度,达到精准判断病情的目的。脑电图人工判断不准确的原因之一就是采集的脑电数据中掺杂着工频干扰、眼电伪迹等一系列噪声。为了给后续脑电分类提供相对纯净的数据支持,本文采用卷积神经网络(Convolution neural network,CNN)的方法对原始信号进行眼电伪迹检测,并使用希尔伯特-黄变换(Hilbert-Huang transform,HHT)结合FastICA的方法来去除噪声。相比传统去噪方法,CNN预先检测的方式大大节约了后续噪声去除的工作量,HHT在对非平稳信号处理过程中,表现出了极大优越性,FastICA比传统ICA的方法有着较快的收敛速度和较少的CPU占用率,通过对去噪效果的评价,发现去噪后信噪比(SNR)有所提高,均方根误差(RMSE)合理。针对传统DBN识别性能不太高的缺点,本文提出了基于频带能量比例(Frequency Band Energy Ratio,FBER)和滑动平均样本熵值(Moving Average Sample Entropy,MVSE)双重特征的DBN脑电识别的改进算法。该方法首先依据FBER和MVSE的提取流程,从样本脑电数据中提取两者的特征,然后把这些特征构成矩阵作为原波形的表征信息输入到DBN网络中。通过对模型中权值矩阵的不断调整和优化,得到一个稳定的识别模型。仿真结果表明,这种优化算法能有效的提高DBN的识别性能,在一定环境下准确度达到94%,相比其他传统分类方法,有着更好的分类效果。