文章目录
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/