有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维...有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维时间序列数据转换为二维图像,使用EfficientNetV2模型来实现癫痫检测的二分类。同时,引入梯度加权类激活映射(Gradient⁃weighted class activation mapping,Grad⁃CAM)对二维图像分类进行可视化分析。对德国伯恩大学脑电癫痫脑电信号数据集的预处理版本进行分类实验,EfficientNetV2模型的准确率达到了98.69%,优于BiLSTM模型。结果表明,EfficientNetV2模型可以有效通过二维脑电图像实现癫痫脑电分类,而且分类准确率更高。展开更多
文摘深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network,CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map,Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。
文摘有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维时间序列数据转换为二维图像,使用EfficientNetV2模型来实现癫痫检测的二分类。同时,引入梯度加权类激活映射(Gradient⁃weighted class activation mapping,Grad⁃CAM)对二维图像分类进行可视化分析。对德国伯恩大学脑电癫痫脑电信号数据集的预处理版本进行分类实验,EfficientNetV2模型的准确率达到了98.69%,优于BiLSTM模型。结果表明,EfficientNetV2模型可以有效通过二维脑电图像实现癫痫脑电分类,而且分类准确率更高。
