本发明涉及一种基于S变换和贝叶斯卷积神经网络的脑电检测系统及其工作方法和装置，包括依次连接的脑电信号采集单元、脑电信号预处理单元、脑电信号S变换单元、贝叶斯卷积神经网络模型单元、检测及标记单元；脑电信号采集单元采集脑电信号；脑电信号预处理单元对脑电信号进行分段；脑电信号S变换单元进行S变换，得到时频图；贝叶斯卷积神经网络模型单元训练贝叶斯卷积神经网络模型；检测及标记单元采用训练好的贝叶斯卷积神经网络模型对脑电测试样本进行检测，得到检测结果；并将检测结果结合选定的阈值进行后处理获得最终脑电检测结果并标记。本发明能够对脑电信号的概率分布特性进行学习，提高了癫痫脑电检测的性能。
1.一种利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法，其特征在于，包括依次连接的脑电信号采集单元、脑电信号预处理单元、脑电信号S变换单元、贝叶斯卷积神经网络模型单元、检测及标记单元；
所述脑电信号采集单元用于：利用脑电图仪采集脑电信号，将采集到的脑电信号存储到计算机中；
所述脑电信号预处理单元用于：将采集到的脑电信号进行分段；
所述脑电信号S变换单元用于：对分段的脑电信号进行S变换得到时频图，并对时频图进行压缩；
所述贝叶斯卷积神经网络模型单元用于：通过所述脑电信号S变换单元处理后的训练数据训练贝叶斯卷积神经网络，建立贝叶斯卷积神经网络模型；
所述检测及标记单元用于：采用建立的贝叶斯卷积神经网络模型对通过所述脑电信号S变换单元处理后的脑电样本进行检测，得到检测结果；将检测结果结合选定的阈值进行后处理获得最终脑电检测结果并标记：若检测结果大于选定的阈值，则判断脑电信号为异常，标记为1，否则，则判断脑电信号为正常，标记为0；包括步骤如下：(1)所述脑电信号采集单元利用脑电图仪采集脑电信号；
(2)所述脑电信号预处理单元将采集到的脑电信号进行分段；
(3)所述脑电信号S变换单元对分段的脑电信号进行S变换得到时频图，并对时频图进行压缩；
(4)所述贝叶斯卷积神经网络模型单元通过所述脑电信号S变换单元处理后的训练数据训练贝叶斯卷积神经网络，建立贝叶斯卷积神经网络模型；
(5)所述检测及标记单元采用建立的贝叶斯卷积神经网络模型对通过所述脑电信号S变换单元处理后的脑电样本进行检测，得到检测结果；将检测结果结合选定的阈值进行后处理获得最终脑电检测结果并标记：若检测结果大于选定的阈值，则判断脑电信号为异常，标记为1，否则，则判断脑电信号为正常，标记为0；
所述贝叶斯卷积神经网络模型包括第一贝叶斯卷积层、第一最大池化层、第二贝叶斯卷积层、第二最大池化层、第三贝叶斯卷积层、第四贝叶斯卷积层、第三最大池化层、第五贝叶斯卷积层、第六贝叶斯卷积层、第四最大池化层、展平层、第一全连接层、第二全连接层；
对第一贝叶斯卷积层、第二贝叶斯卷积层、第三贝叶斯卷积层、第四贝叶斯卷积层、第五贝叶斯卷积层、第六贝叶斯卷积层中任一贝叶斯卷积层使用局部重新参数化技巧，第i层贝叶斯卷积层的激活值bi如式(Ⅱ)所示：式(Ⅱ)中，Ai是上一层网络输入的特征图，*是卷积运算，⊙是逐分量乘法，μi为卷积核的均值， 为卷积核的方差，Ai*μi是卷积操作，得到的结果为卷积后的特征图均值，是标准差，在得到特征图均值和标准差后，从标准正态分布采样得到εi，即采样得到贝叶斯卷积层的输出结果。
2.根据权利要求1所述的利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法，其特征在于，所述脑电信号采集单元采集脑电信号，具体是指：采用Neurofile NT脑电图仪采集所述脑电信号，通过16位的A/D转换存储到计算机中，采样频率为256Hz。
3.根据权利要求1所述的利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法，其特征在于，所述脑电信号预处理单元将采集到的脑电信号进行分段，将采集到的脑电信号分割成长为Len的数据段。
4.根据权利要求3所述的利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法，其特征在于，Len＝4s。
5.根据权利要求1所述的利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法，其特征在于，所述脑电信号S变换单元对分段的脑电信号进行S变换得到时频图，并对时频图进行压缩，具体是指：对于信号x(t)，其S变换S(τ,f)的表达式如式(Ⅰ)所示：
经采样和分段后的脑电信号的S变换通过快速傅里叶变换得到，其具体实现方法如下：ⅰ、对采样得到的脑电信号x[k]进行快速傅里叶变换得到第m点 N＝Len，T为采样周期， 为频率分辨率，k和m的取值范围都为0,1,…N‑1；
iv、计算 对其进行快速傅里叶反变换，得到S变换时频图
v、在进行S变换后，得到的谱特征图像大小为64x1024，将该时频图每行的8点压缩为1点，得到最终的64x64的特征图，该特征图就是要输入到贝叶斯卷积神经网络模型中的脑电特征图像。
6.根据权利要求1所述的利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法，其特征在于，所述贝叶斯卷积神经网络模型单元通过所述脑电信号S变换单元处理后的训练样本训练贝叶斯卷积神经网络模型，具体是指：将所述脑电信号S变换单元处理后的训练样本输入到贝叶斯卷积神经网络模型中进行训练直到收敛，得到训练好的贝叶斯卷积神经网络模型。
7.一种实现权利要求1‑6任一所述的利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法的装置，其特征在于，包括电路连接的脑电图仪和计算机，通过所述脑电图仪采集脑电信号；通过所述计算机实现利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法。
一种基于S变换和贝叶斯卷积神经网络的脑电检测系统及其
工作方法和装置
技术领域
[0001] 本发明涉及一种利用S变换和贝叶斯卷积神经网络的脑电检测系统及其工作方法和装置，属于脑电检测技术领域。
背景技术
[0002] 脑电图(electroencephalogram,EEG)体现的是颅内细胞组织功能状态的变化情况，所以，从20世纪30年代被提出以后，其在诊断检查神经系统相关的疾病方面一直起着十分重要的作用。癫痫是一种脑部神经元群阵发性异常放电所致神经功能异常的慢性精神疾病，它具有短暂性、突发性与反复性。一旦癫痫发作，患者会丧失意识、全身抽搐、精神失常等，严重的还会导致患者死亡或者残疾。因此，癫痫不仅会影响患者的正常工作和家庭生活，也会对社会造成负担。据统计，80％左右的癫痫患者都表现出脑电图异常，主要表现为棘波、尖波、棘‑慢波、尖‑慢波、多棘波等。目前为止，脑电图是研究癫痫发作以及诊断治疗癫痫的重要辅助工具。
[0003] 癫痫诊断的工作主要是由经验丰富的医疗工作者肉眼分析脑电图来完成。人工肉眼分析大量的脑电图是一项繁杂而又耗时的工作，检测效率低且存在主观性。计算机自动检测癫痫脑电信号是一种极有价值的诊断手段，不仅可以减轻医疗人员的负担，提高癫痫发作的诊断效率，还能够有助于加深对癫痫发作的内在机理及其规律的认识。如今便携式医疗设备的大力发展也为癫痫检测算法的研究带来了挑战，需要提出满足临床实时在线要求的癫痫自动检测算法。
[0004] 目前世界上主要的癫痫检测算法有利用用零交叉区间直方图和变分贝叶斯高斯混合模型预测癫痫的新方法。也有首先利用小波变换提取脑电信号特征，然后用支持向量机(SVM)对癫痫脑电信号进行检测分类的方法。与此同时还有一种基于加权极限学习机(ELM)的癫痫检测方法，利用模式匹配规律统计提取脑电特征。然而，这些方法也存在着一些不足之处，在特征提取方面，这些算法基本都需要手动提取脑电信号的特征，这就不可避免会导致忽略掉一些有用的信息；且在分类器的选择上使用了如SVM等机器学习算法，而脑电信号中的癫痫发作段长度通常远远小于正常的脑电信号的长度，因此容易在训练时发生过拟合等情况。
发明内容
[0005] 针对现有技术的不足，本发明提出一种利用贝叶斯卷积神经网络的脑电检测系统及其工作方法。
[0006] 本发明使用特征提取结合分类器的方式，在特征提取方面提取的特征不需要通过人工手动选择，并且将概率模型引入到脑电信号检测领域。该方法首先使用S变换进行时频域脑电特征提取，特征信息全面；然后将S变换后的脑电时频特征用于贝叶斯卷积神经网络模型的训练，最后通过使用训练好的贝叶斯卷积神经网络进行分类。在卷积神经网络的基础上引入概率模型，替换了原有的以点估计为主的前向与反向传播，增加了模型的鲁棒性，有效防止过拟合。
[0007] 本发明的技术方案如下：
[0008] 一种利用S变换和贝叶斯卷积神经网络的脑电检测系统，包括依次连接的脑电信号采集单元、脑电信号预处理单元、脑电信号S变换单元、贝叶斯卷积神经网络模型单元、检测及标记单元；
[0009] 所述脑电信号采集单元用于：利用脑电图仪采集脑电信号；将采集到的脑电信号存储到计算机中；
[0010] 所述脑电信号预处理单元用于：将采集到的脑电信号进行分段；
[0011] 所述脑电信号S变换单元用于：对分段的脑电信号进行S变换，得到时频图，并根据需求对该时频图进行一定的压缩；
[0012] 所述贝叶斯卷积神经网络模型单元用于：通过所述脑电信号S变换单元处理后的训练数据训练贝叶斯卷积神经网络，建立贝叶斯卷积神经网络模型；
[0013] 所述检测及标记单元用于：采用建立的贝叶斯卷积神经网络模型对通过所述脑电信号S变换单元处理后的脑电样本进行检测，得到检测结果；将检测结果结合选定的阈值进行后处理获得最终脑电检测结果并标记：若检测结果大于选定的阈值，则判断脑电信号为异常，标记为1，否则，则判断脑电信号为正常，标记为0。
[0014] 上述利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法，包括步骤如下：
[0015] (1)所述脑电信号采集单元利用脑电图仪采集脑电信号；
[0016] (2)所述脑电信号预处理单元将采集到的脑电信号进行分段；
[0017] (3)所述脑电信号S变换单元对训练集中的脑电信号进行S变换，得到时频图，并根据需求对该时频图进行一定的压缩；
[0018] (4)所述贝叶斯卷积神经网络模型单元通过所述脑电信号S变换单元处理后的训练数据训练贝叶斯卷积神经网络，建立贝叶斯卷积神经网络模型；
[0019] (5)所述检测及标记单元采用建立的贝叶斯卷积神经网络模型对通过所述脑电信号S变换单元处理后的脑电样本进行检测，得到检测结果；将检测结果结合选定的阈值进行后处理获得最终脑电检测结果并标记：若检测结果大于选定的阈值，则判断脑电信号为异常，标记为1，否则，则判断脑电信号为正常，标记为0。
[0020] 根据本发明优选的，所述脑电信号采集单元采集脑电信号，具体是指：采用128通道数字视频脑电图仪Neurofile NT系统采集所述脑电信号，通过16位的A/D转换存储到计算机中，采样频率为256Hz。
[0021] 根据本发明优选的，所述脑电信号预处理单元将采集到的脑电信号进行分段，将采集到的脑电信号分割成长为Len的数据段。
[0022] 进一步优选的，Len＝4s(1024点)。
[0023] 根据本发明优选的，所述脑电信号S变换单元对分段的脑电信号进行S变换得到时频图，并对时频图进行压缩，具体是指：
[0024] 对于信号x(t)，其S变换S(τ,f)的表达式如式(Ⅰ)所示：
[0025]
[0026] 式(Ⅰ)中，f指的是信号的频率，τ指的是时间；
[0027] 经采样和分段后的脑电信号的S变换通过快速傅里叶变换得到，其具体实现方法如下：
[0028] i、对采样得到的脑电信号x[k]进行快速傅里叶变换得到第m点 N＝Len，T为采样周期， 为频率分辨率，k和m的取值范围都为0,1,…N‑1；
[0029] ⅱ、将 平移n个采样点得到 n＝0,1,…N‑1；
[0030] iii、计算高斯窗函数 的快速傅里叶变换
[0031] ⅳ、计算 对其进行快速傅里叶反变换，得到S变换时频图
[0032] ⅴ、在进行S变换后，得到的谱特征图像大小为64x1024，为了加快贝叶斯卷积神经网络模型的运算速度，将该时频图每行的8点压缩为1点，得到最终的64x64的特征图，该特征图就是要输入到贝叶斯卷积神经网络模型中的脑电特征图像。
[0033] 根据本发明优选的，所述贝叶斯卷积神经网络模型包括第一贝叶斯卷积层、第一最大池化层、第二贝叶斯卷积层、第二最大池化层、第三贝叶斯卷积层、第四贝叶斯卷积层、第三最大池化层、第五贝叶斯卷积层、第六贝叶斯卷积层、第四最大池化层、展平(Flatten)层、第一全连接层、第二全连接层；
[0034] 对第一贝叶斯卷积层、第二贝叶斯卷积层、第三贝叶斯卷积层、第四贝叶斯卷积层、第五贝叶斯卷积层、第六贝叶斯卷积层中任一贝叶斯卷积层使用局部重新参数化技巧，第i层贝叶斯卷积层的激活值bi如式(Ⅱ)所示：
[0035]
[0036] 式(Ⅱ)中，Ai是上一层网络输入的特征图，*是卷积运算，⊙是逐分量乘法，μi为卷积核的均值， 为卷积核的方差，Ai*μi是卷积操作，得到的结果为卷积后的特征图均值， 是标准差，在得到特征图均值和标准差后，从标准正态分布采样得到εi，即采样得到贝叶斯卷积层的输出结果。
[0037] 根据本发明优选的，所述贝叶斯卷积神经网络模型单元通过所述脑电信号S变换单元处理后的训练样本训练贝叶斯卷积神经网络模型，具体是指：
[0038] 将所述脑电信号S变换单元处理后的训练样本输入到贝叶斯卷积神经网络模型中进行训练直到收敛，得到训练好的贝叶斯卷积神经网络模型。
[0039] 一种实现利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法的装置，包括电路连接的脑电图仪和计算机，通过所述脑电图仪采集脑电信号；通过所述计算机实现利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法。
[0040] 本发明的有益的效果是：
[0041] 1.本发明利用S变换提取时频域特征，该时频特征提取方法能够对脑电信号进行多尺度的分析，在低频域有着良好的频率分辨率。
[0042] 2.本发明综合多个通道对脑电数据进行分析检测，提高了脑电检测的准确性。
[0043] 3.本发明采用贝叶斯卷积神经网络的方法，在脑电信号检测中使用了概率分布的概念，取得了较为准确的检测结果。
[0044] 4.本发明不但减轻了医护工作者的负担，能够实现对复杂癫痫脑电的检测，有较为广泛的应用前景。
附图说明
[0045] 图1为本发明利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法的流程示意图；
[0046] 图2为本发明贝叶斯卷积神经网络模型的结构示意图；
[0047] 图3(a)为中癫痫发作脑电信号的原始信号示意图；
[0048] 图3(b)为中非癫痫发作脑电信号的原始信号示意图；
[0049] 图4(a)为中癫痫发作脑电信号的S变换时频特征图示意图；
[0050] 图4(b)为中非癫痫发作脑电信号的S变换时频特征图示意图；
[0051] 图5(a)为中第六贝叶斯卷积层的特征图的均值的展开示意图；
[0052] 图5(b)为中第六贝叶斯卷积层的特征图的标准差的展开示意图；
[0053] 图6为本发明的脑电检测装置的硬件连接图；
[0054] 图7为中脑电信号的分类结果以及后处理示意图。
具体实施方式
[0055] 下面结合说明书附图与实例对本发明做进一步说明，但不限于此。
[0056] 实施例1
[0057] 一种利用S变换和贝叶斯卷积神经网络的脑电检测系统，包括依次连接的脑电信号采集单元、脑电信号预处理单元、脑电信号S变换单元、贝叶斯卷积神经网络模型单元、检测及标记单元；
[0058] 所述脑电信号采集单元用于：利用脑电图仪采集脑电信号；将采集到的脑电信号存储到计算机中；
[0059] 所述脑电信号预处理单元用于：将采集到的脑电信号进行分段；
[0060] 所述脑电信号S变换单元用于：对训练集中的脑电信号进行S变换，得到时频图，并根据需求对该时频图进行一定的压缩；
[0061] 所述贝叶斯卷积神经网络模型单元用于：通过所述脑电信号S变换单元处理后的训练数据训练贝叶斯卷积神经网络，建立贝叶斯卷积神经网络模型；
[0062] 所述检测及标记单元用于：采用建立的贝叶斯卷积神经网络模型对通过所述脑电信号S变换单元处理后的脑电样本进行检测，得到检测结果；将检测结果结合选定的阈值进行后处理获得最终脑电检测结果并标记：若检测结果大于选定的阈值，则判断脑电信号为异常，标记为1，否则，则判断脑电信号为正常，标记为0。
[0063] 实施例2
[0064] 实施例1所述的利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法，如图1所示，图1中为三个通道的脑电输入，在经过了S变换和贝叶斯卷积神经网络模型测试后的结果进行过后处理便可以检测出异常脑电；包括步骤如下：
[0065] (1)所述脑电信号采集单元利用脑电图仪采集脑电信号；具体是指：采用Neurofile NT脑电图仪采集所述脑电信号，通过16位的A/D转换存储到计算机中，采样频率为256Hz。
[0066] (2)所述脑电信号预处理单元将采集到的脑电信号进行分段；将采集到的脑电信号分割成长为Len的数据段，Len＝4s(1024点)。
[0067] (3)脑电信号S变换单元对训练集中的脑电信号进行S变换，得到时频图，并根据需求对该时频图进行一定的压缩；具体是指：
[0068] 对于信号x(t)，其S变换S(τ,f)的表达式如式(Ⅰ)所示：
[0069]
[0070] 式(Ⅰ)中，f指的是信号的频率，τ指的是时间；
[0071] 经采样和分段后的脑电信号的S变换通过快速傅里叶变换得到，其具体实现方法如下：
[0072] i、对采样得到的脑电信号x[k]进行快速傅里叶变换得到第m点 N＝Len，T为采样周期， 为频率分辨率，k和m的取值范围都为0,1,…N‑1；
[0073] ⅱ、将 平移n个采样点得到 n＝0,1,…N‑1；
[0074] iii、计算高斯窗函数 的快速傅里叶变换
[0075] ⅳ、计算 对其进行快速傅里叶反变换，得到S变换时频图
[0076] ⅴ、在进行S变换后，得到的谱特征图像大小为64x1024，为了加快贝叶斯卷积神经网络模型的运算速度，将该时频图每行的8点压缩为1点，得到最终的64x64的特征图，该特征图就是要输入到贝叶斯卷积神经网络模型中的脑电特征图像。
[0077] 根据上述步骤，图3(a)为中癫痫发作脑电信号的原始信号示意图；图3(b)为中非癫痫发作脑电信号的原始信号示意图；图3(a)、图3(b)中，横坐标代表时间，纵坐标代表归一化后脑电信号的幅度；图4(a)为中癫痫发作脑电信号的S变换时频特征图示意图；图4(b)为中非癫痫发作脑电信号的S变换时频特征图示意图；图4(a)、图4(b)中，横坐标代表时间，纵坐标代表频率，颜色深度代表在该时刻该频率的能量。
[0078] (4)贝叶斯卷积神经网络模型单元通过所述脑电信号S变换单元处理后的训练数据训练贝叶斯卷积神经网络，建立贝叶斯卷积神经网络模型；具体是指：将脑电信号S变换单元处理后的训练集中的训练样本输入到贝叶斯卷积神经网络模型中进行训练直到收敛，得到训练好的贝叶斯卷积神经网络模型。
[0079] (5)所述检测及标记单元采用建立的贝叶斯卷积神经网络模型对通过所述脑电信号S变换单元处理后的脑电样本进行检测，得到检测结果；将检测结果结合选定的阈值进行后处理获得最终脑电检测结果并标记：若检测结果大于选定的阈值，则判断脑电信号为异常，标记为1，否则，则判断脑电信号为正常，标记为0。阈值的选定需要根据不同的病人进行不同的判断，其大小在0‑1之间，目的是为了将模型判断为异常脑电的部分选取出来。
[0080] 实施例3
[0081] 实施例2所述的利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法，其区别在于：
[0082] 如图2所示，贝叶斯卷积神经网络模型包括第一贝叶斯卷积层、第一最大池化层、第二贝叶斯卷积层、第二最大池化层、第三贝叶斯卷积层、第四贝叶斯卷积层、第三最大池化层、第五贝叶斯卷积层、第六贝叶斯卷积层、第四最大池化层、展平(Flatten)层、第一全连接层、第二全连接层；建立的贝叶斯卷积神经网络结构如表1所示。
[0083] 表1
[0084] 输入数据格式 输出数据格式 卷积核/池化尺寸第一贝叶斯卷积层 1*32*32 8*32*32 3*3
第一最大池化层 8*32*32 8*16*16 2*2
第二贝叶斯卷积层 8*16*16 32*16*16 3*3
第二最大池化层 32*16*16 32*8*8 2*2
第三贝叶斯卷积层 32*8*8 128*8*8 3*3
第四贝叶斯卷积层 128*8*8 128*8*8 3*3
第三最大池化层 128*8*8 128*4*4 2*2
第五贝叶斯卷积层 128*4*4 512*4*4 3*3
第六贝叶斯卷积层 512*4*4 512*4*4 3*3
第四最大池化层 512*4*4 512*2*2 2*2
Flatten层 512*2*2 2048
第一全连接层 2048 128
第二全连接层 128 2
[0085] 在本发明中，使用高斯分布作为贝叶斯卷积层的先验分布，以加快训练速度。由于高斯分布由两个参数确定，即均值和方差。对第一贝叶斯卷积层、第二贝叶斯卷积层、第三贝叶斯卷积层、第四贝叶斯卷积层、第五贝叶斯卷积层、第六贝叶斯卷积层中任一贝叶斯卷积层使用局部重新参数化技巧，第i层贝叶斯卷积层的激活值bi如式(Ⅱ)所示：
[0086]
[0087] 式(Ⅱ)中，Ai是上一层网络输入的特征图，*是卷积运算，⊙并且是逐分量乘法，μi为卷积核的均值， 为卷积核的方差，Ai*μi是卷积操作，得到的结果为卷积后的特征图均值， 是标准差，在得到特征图均值和标准差后，从标准正态分布采样得到εi，即采样得到贝叶斯卷积层的输出结果。
[0088] 在本发明中，首先，应用了两个连续的卷积层来计算高斯分布参数：均值和方差。然后，将通过卷积计算的均值和方差结合，以形成同一感受野的一组高斯分布，最后，使用局部重参数化技巧，形成一层贝叶斯卷积神经网络的输出。图5(a)为第六贝叶斯卷积层的特征图的均值的展开示意图；图5(b)为第六贝叶斯卷积层的特征图的标准差的展开示意图；特征图的格式为n*4*4，n取512，图5(a)及图5(b)为将这n个4*4的特征图展开横坐标为
32个、纵坐标为16个的示意图。
[0089] 图7为中脑电信号的分类结果以及后处理示意图：其中，1表示异常脑电，即癫痫样放电；0表示正常脑电；两竖线间为异常脑电持续时间。
[0090] 利用本发明对21例癫痫患者的脑电进行检测，对癫痫样异常放电检测的准确率达96.67％，每小时错误检测次数为0.38次。
[0091] 实施例4
[0092] 一种实现实施例2或3所述的利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法的装置，如图6所示，包括电路连接的脑电图仪和计算机，通过脑电图仪采集脑电信号；通过计算机实现利用S变换和贝叶斯卷积神经网络的脑电检测系统的工作方法。对脑电信号进行采集后传输到计算机中，利用S变换和贝叶斯卷积神经网络模型对脑电信号进行分段；采用S变换对每段脑电信号进行处理提取时频特征；将脑电测试样本送入贝叶斯卷积神经网络中进行测试，将测试的判决值进行一定的后处理，得到脑电检测结果并加以标记。其中电极帽中安装有脑电采集设备的采集电极。
