机构名称：
¥ 1.0
摘要 - 大多数传统的酒精中毒检测方法都是基于基于机器学习的方法开发的，这些方法无法从不同层中提取脑电图（EEG）信号的深层隐藏特性。因此，本研究旨在引入一种基于深倾的方法，该方法可以自动识别酒精脑电图信号。它还探讨了手工制作的特征提取方法是否值得应用于酒精中毒分类的深度学习技术。为了调查这一点，本文介绍了两种基于深度学习的算法，用于分类酒精性脑电图信号以进行比较。在算法1中，基于主成分分析（PCA）的特征提取技术已应用于提取代表性的组件，然后将提取的特征用作人工神经网络（ANN）进行分类的输入。在算法2中，原始的脑电图数据直接用作深度学习方法的输入：“长期记忆（LSTM）用于检测酒精中毒。对所提出的算法进行了公开可用的UCI酒精脑电图数据集测试。实验结果表明，提出的算法2可以达到93％的平均分类精度，而该算法的准确性为86％。使用最新算法的比较评估表明，算法2还优于文献中其他相互竞争的算法。因此，将深度学习算法应用于原始数据时，可以比手工制作的特征方法和深倾斜算法的组合产生更好的性能。我们提出的系统可用于确定与酒精中语相关的EEG信号变化的程度以及治疗计划的有效性。
使用深度学习方法对酒精性EEG信号进行分类
主要关键词
相关文件推荐
