【李佳辉_周报_2022.9.18】

1. 本周学习主要内容

1.1 深度学习方面

• 复现GoogLeNet网络
• 复现ResNet网络
• 图像数据的预处理与数据增强
• 怎么将数据放入模型中进行训练

1.2 EEG方面

• 振幅整合脑电图（aEEG）基础知识
• EEGlab的基本操作
• 文献阅读

1.3 难点

• GoogLeNet、ResNet网络的原理、架构、代码实现
  1.主要是ResNet残差块与瓶颈块的代码
  2.每层网络的参数确定
• EEGlab的操作

2. 下周学习内容

• 神经网络优化算法
• 迁移学习
• EEG、aEEG的深入学习
• EEGlab的熟练操作

3. 本周重点知识

3.1 深度学习

3.1.1 GoogLeNet

1.经典Inception架构

特点：
1.同时使用多种卷积核可以确保各种类型和层次的信息都被提取出来；
2.并联的卷积池化层计算效率更高；
3.大量使用1x1卷积层来整合信息，既实现了“聚类信息”又实现了大规模降低参数量，让特征图数量实现了
前所未有的增长。

3.1.2 ResNet

• 神经网络的退化现象
  

深层网络中的函数关系本质上就比浅层网络中的函数关系更复杂、更难拟合（fit），因此深层网络本质上就比浅
层网络更难优化和训练。

• ResNet网络中重要的三层结构
  

目的：望在不削弱精度的情况下加深网络

残差单元就是令跳跃连接和普通卷积层并联、并加和其结果的结构，残差单元几乎实现了0负担增加深度，残差单元还可以大幅加速训练和运算速度，且残差单元中不会出现梯度消失。

由于两种网络的代码均比较复杂，未在周报中显示，重要的是写两种网络架构的步骤，超参数的设置等等。

3.1.3

3.2 脑电

3.2.1 aEEG学习记录

• 在新生儿应用范围：早期识别脑损伤、评估脑发育、诊断发作
• 国内重要文献《振幅整合脑电图临床医生应用共识》
  为什么要提取aEEG？
  1.EEG读取繁琐 2.需要巨大精力
  
• aEEG临床诊断方法
  

3.2.2 EEGlab基本操作

数据预处理

• 导入数据
  原始数据：
  

• Channel location

• 插入电极

• 设置某个电极为参考电极

• 移除无用电极（删除电极）

• 重参考

• 滤波
  1.高通滤波
  2.低通滤波
  –非必要不同时进行

• 插值坏导（利用好导矫正坏导）
  好导均值填补坏导

• 降采样率
  不需要很高的话就降采样率，减少数据量，提高计算速度

• ICA（独立成分分析，去掉坏成分）
  （此处实验时出现bug）
  跑完ICA
  

做完ICA分析后，脑电图比原始数据平滑很多，这是最耗费时间的步骤，精华数据，ICA完保存文件

• 移除伪迹
  1.手动去除：根据地形图和参考手动去除（需要经验）
  2.自动去除

一个华盛顿大学开发的EEG数据分析工具箱：https://neonatalneurophysiolab.wustl.edu/tools/neonatal-eeg-analysis-toolbox-neat/