基于卷积神经网络的生物医学信号分类与重构

发布时间：2023-05-26 23:56

　　生物医学信号是通过仪器设备可以采集到的、对于生命体状态最直接的描述信息。其种类众多且来源广泛,是生物学、信息学、医学等学科的重要研究对象。随着生物医学相关学科的迅速发展,科研人员和医务工作者对于此类信号处理、分析技术的需求愈发强烈。高效的生物信号处理方法可以有效提升科研人员探索生命机制工作的效率,从而更好地揭示生理结构与功能的关系,进而推动生物学重大发现的产生。高精度的医学信号分析策略可以在一定程度上分担医生的临床诊断工作压力,协助其制定更有利于疾病预防和治疗的方案,进而减轻患者的生理和精神痛苦,提升社会的整体健康水平。传统的信号分析方法已经很难满足日益增长的生物医学信号处理需求,利用先进的机器学习技术对所涉及问题进行有效建模和分析成为该领域的研究热点。深度学习是指利用多层神经网络获得数据的特征表示,进而利用该特征表示进行数据分析的机器学习方法。作为当今机器学习领域最受关注的研究方向,深度学习正引领着新一轮的人工智能研究浪潮。凭借其强大的非线性特征表示能力,近年来,卷积神经网络成为众多深度学习模型中应用最广、综合效果最好的深度神经网络结构,在以模式识别为代表的诸多任务上取得了一系列前所...

【文章页数】：120 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 生物医学信息学
    1.2 生物医学信号
    1.3 人工神经网络与深度学习
    1.4 主要研究内容和章节安排
        1.4.1 主要研究内容
        1.4.2 章节安排
第二章 基于CNN特征表示的乳腺肿块分类
    2.1 引言
    2.2 深度学习与CNN特征表示
    2.3 基于视觉特征表示的乳腺肿块分类
    2.4 基于CNN特征表示的乳腺肿块分类方法
        2.4.1 乳腺肿块CNN特征表示网络
        2.4.2 乳腺肿块CNN特征决策机制
    2.5 实验结果与分析
        2.5.1 乳腺肿块图像数据
        2.5.2 客观评价
        2.5.3 主观评价
    2.6 本章小结
第三章 基于大间隔度量CNN的乳腺肿块分类方法
    3.1 引言
    3.2 度量学习和深度度量CNN
    3.3 基于大间隔度量CNN的乳腺肿块分类方法
        3.3.1 大间隔度量学习层
        3.3.2 侧重疑难病例的网络训练迭代策略
    3.4 实验结果与分析
    3.5 本章小结
第四章 基于时空融合CNN的EEG信号分类
    4.1 引言
    4.2 EEG信号分类
    4.3 工作记忆和心理负荷分类
    4.4 基于时空融合CNN的EEG分类方法
        4.4.1 多通道输入EEG分类网络
        4.4.2 单通道输入EEG分类网络
        4.4.3 基于时空融合CNN的EEG信号分类
    4.5 实验结果与分析
        4.5.1 EEG信号数据集
        4.5.2 CNN模型训练
        4.5.3 分类错误率
        4.5.4 特征向量分布
    4.6 本章小结
第五章 基于EEG和生成对抗CNN的视觉刺激重构
    5.1 引言
    5.2 基于神经影像信号的视觉解码
    5.3 生成对抗CNN
    5.4 基于EEG和生成对抗CNN的视觉刺激重构方法
        5.4.1 视觉引导的EEG信号分类
        5.4.2 基于生成对抗CNN的视觉刺激生成
    5.5 实验结果与分析
        5.5.1 实验数据
        5.5.2 GAN网络结构与训练方法
        5.5.3 结果分析
    5.6 本章小结
第六章 总结与展望
    6.1 本文总结
        6.1.1 乳腺肿块分类总结
        6.1.2 脑电信号解码总结
    6.2 研究展望
        6.2.1 乳腺肿块分类展望
        6.2.2 脑电信号解码展望
参考文献
致谢
作者简介



本文编号：3823512