融合小波包变换的一维ＭｏｂｉｌｅＮｅｔ癫痫脑电信号识别

针对目前传统神经网络内存需求大，运算量大，在移动端或嵌入式设备上运行困难等问题，提出了一种融合了小波包变换的轻量级卷积神经网络模型，用于癫痫脑电信号识别的研究。根据癫痫脑电信号的特性，首先采用小波包变换将脑电信号分成三个频段，然后运用改进的一维MobileNet训练、分类。同时引入超参数宽度因子α，通过改变宽度因子的大小以调整模型的深度。实验结果表明，当一维MobileNet模型的宽度因子α选取为0.75时，最终准确率达到100%，其模型的计算量和参数量分别为56.1M和1.24M。与现有的癫痫EEG信号识别方法比较，此模型在准确率、参数量、计算量方面均有不错的表现。