一种基于R的制作方法

技术特征：
1.一种基于r
é
nyi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：包括如下步骤：步骤1、获取eeg数据；步骤2、对获取的eeg数据进行r
é
nyi相位传递熵处理，得到脑功能网络的相关矩阵c；步骤3、选择阈值，二值化相关矩阵c，得到脑功能网络的邻接矩阵a；步骤4、将邻接矩阵a输入到轻量级卷积神经网络模型，对脑功能网络作特征提取和癫痫识别任务中分类。2.使用权利要求1所述的基于r
é
nyi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述步骤2中的r
é
nyi相位传递熵的定义为：其中，q表示r
é
nyi熵参数，θ(t)为解析信号s(t)的相位序列。3.如权利要求1所述的基于r
é
nyi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述阈值的选择应满足以下条件：(1)保证脑功能网络中各节点都是有联系的，不存在独立的节点；(2)保证脑网络的平均度的值满足大于2lnn，n为网络中节点的个数；(3)保证邻接矩阵a所表示功能脑网络具备小世界属性。4.如权利要求1所述的基于r
é
nyi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所轻量级卷积神经网络模型包括第一分类层、第二分类层、第三分类层、第四分类层。5.如权利要求1所述的基于r
é
nyi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述第一分类层包括两层卷积层、一层池化层。6.如权利要求5所述的基于r
é
nyi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述卷积运算的公式如下：其中表示cnn第l层的第i个特征图，第(l 1)的特征图可以通过卷积运算，通过第l层的第i个特征图进行卷积求和与偏置相加后所得到的，b
j
是偏置项，k
ij
表示第i个通道第j个卷积核，公式中的“*”表示卷积运算，f是cnn的激活函数。7.如权利要求1所述的基于r
é
nyi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述第二分类层、第三分类层均包括深度可分离卷积层、池化层。8.如权利要求7所述的基于r
é
nyi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述深度可分离卷积层的深度可分离卷积先进行通道卷积，如式(13)(其中表示对应元素相乘)，再进行逐点卷积，如式(14)，最后将式(13)带入式(14)得到深度可分离卷积如式(15)；
sepconv(w
p
,w
d
,y)
(i,j)
＝pointwiseconv
(i,j)
(w
p
,depthwiseconv
(i,j)
(w
d
,y))
ꢀꢀꢀꢀꢀ
(15)其中w为卷积核，y为输入特征图，i，j为输入特征图分辨率，k，l为输出特征图分辨率，m为通道个数。9.如权利要求1所述的基于r
é
nyi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述第四分类层包括三层全连接层。10.如权利要求1所述的基于r
é
nyi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述全连接层的定义式如下：a
i
＝w
i1
*x1 w
i2
*x2
…
w
in
*x
n
b
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)其中，x
i
为全连接层的输入，a
i
为输出，w
ij
为权值参数，b
i
是偏置参数。

技术总结
本发明提供了一种基于R


技术研发人员：张小凤 张光斌 方冲 牟燕平
受保护的技术使用者：陕西师范大学
技术研发日：2021.06.18
技术公布日：2021/11/30