生物醫(yī)學(xué)信號(hào)是通過儀器設(shè)備可以采集到的、對(duì)于生命體狀態(tài)最直接的描述信息。其種類眾多且來源廣泛,是生物學(xué)、信息學(xué)、醫(yī)學(xué)等學(xué)科的重要研究對(duì)象。隨著生物醫(yī)學(xué)相關(guān)學(xué)科的迅速發(fā)展,科研人員和醫(yī)務(wù)工作者對(duì)于此類信號(hào)處理、分析技術(shù)的需求愈發(fā)強(qiáng)烈。高效的生物信號(hào)處理方法可以有效提升科研人員探索生命機(jī)制工作的效率,從而更好地揭示生理結(jié)構(gòu)與功能的關(guān)系,進(jìn)而推動(dòng)生物學(xué)重大發(fā)現(xiàn)的產(chǎn)生。高精度的醫(yī)學(xué)信號(hào)分析策略可以在一定程度上分擔(dān)醫(yī)生的臨床診斷工作壓力,協(xié)助其制定更有利于疾病預(yù)防和治療的方案,進(jìn)而減輕患者的生理和精神痛苦,提升社會(huì)的整體健康水平。傳統(tǒng)的信號(hào)分析方法已經(jīng)很難滿足日益增長(zhǎng)的生物醫(yī)學(xué)信號(hào)處理需求,利用先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)對(duì)所涉及問題進(jìn)行有效建模和分析成為該領(lǐng)域的研究熱點(diǎn)。深度學(xué)習(xí)是指利用多層神經(jīng)網(wǎng)絡(luò)獲得數(shù)據(jù)的特征表示,進(jìn)而利用該特征表示進(jìn)行數(shù)據(jù)分析的機(jī)器學(xué)習(xí)方法。作為當(dāng)今機(jī)器學(xué)習(xí)領(lǐng)域最受關(guān)注的研究方向,深度學(xué)習(xí)正引領(lǐng)著新一輪的人工智能研究浪潮。憑借其強(qiáng)大的非線性特征表示能力,近年來,卷積神經(jīng)網(wǎng)絡(luò)成為眾多深度學(xué)習(xí)模型中應(yīng)用最廣、綜合效果最好的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),在以模式識(shí)別為代表的諸多任務(wù)上取得了一系列前所...

【文章頁數(shù)】：120 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 生物醫(yī)學(xué)信息學(xué)
    1.2 生物醫(yī)學(xué)信號(hào)
    1.3 人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
    1.4 主要研究?jī)?nèi)容和章節(jié)安排
        1.4.1 主要研究?jī)?nèi)容
        1.4.2 章節(jié)安排
第二章 基于CNN特征表示的乳腺腫塊分類
    2.1 引言
    2.2 深度學(xué)習(xí)與CNN特征表示
    2.3 基于視覺特征表示的乳腺腫塊分類
    2.4 基于CNN特征表示的乳腺腫塊分類方法
        2.4.1 乳腺腫塊CNN特征表示網(wǎng)絡(luò)
        2.4.2 乳腺腫塊CNN特征決策機(jī)制
    2.5 實(shí)驗(yàn)結(jié)果與分析
        2.5.1 乳腺腫塊圖像數(shù)據(jù)
        2.5.2 客觀評(píng)價(jià)
        2.5.3 主觀評(píng)價(jià)
    2.6 本章小結(jié)
第三章 基于大間隔度量CNN的乳腺腫塊分類方法
    3.1 引言
    3.2 度量學(xué)習(xí)和深度度量CNN
    3.3 基于大間隔度量CNN的乳腺腫塊分類方法
        3.3.1 大間隔度量學(xué)習(xí)層
        3.3.2 側(cè)重疑難病例的網(wǎng)絡(luò)訓(xùn)練迭代策略
    3.4 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于時(shí)空融合CNN的EEG信號(hào)分類
    4.1 引言
    4.2 EEG信號(hào)分類
    4.3 工作記憶和心理負(fù)荷分類
    4.4 基于時(shí)空融合CNN的EEG分類方法
        4.4.1 多通道輸入EEG分類網(wǎng)絡(luò)
        4.4.2 單通道輸入EEG分類網(wǎng)絡(luò)
        4.4.3 基于時(shí)空融合CNN的EEG信號(hào)分類
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 EEG信號(hào)數(shù)據(jù)集
        4.5.2 CNN模型訓(xùn)練
        4.5.3 分類錯(cuò)誤率
        4.5.4 特征向量分布
    4.6 本章小結(jié)
第五章 基于EEG和生成對(duì)抗CNN的視覺刺激重構(gòu)
    5.1 引言
    5.2 基于神經(jīng)影像信號(hào)的視覺解碼
    5.3 生成對(duì)抗CNN
    5.4 基于EEG和生成對(duì)抗CNN的視覺刺激重構(gòu)方法
        5.4.1 視覺引導(dǎo)的EEG信號(hào)分類
        5.4.2 基于生成對(duì)抗CNN的視覺刺激生成
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 實(shí)驗(yàn)數(shù)據(jù)
        5.5.2 GAN網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練方法
        5.5.3 結(jié)果分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
        6.1.1 乳腺腫塊分類總結(jié)
        6.1.2 腦電信號(hào)解碼總結(jié)
    6.2 研究展望
        6.2.1 乳腺腫塊分類展望
        6.2.2 腦電信號(hào)解碼展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3823512