[发明专利]基于深度学习的耳鸣脑电图卷积神经网络模型构建方法

权利要求书

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MATLAB for R2013a和EEGLAB for v13.0.0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；

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。