面向癲癇腦電的簡(jiǎn)化深度學(xué)習(xí)模型*

張 錦，劉 熔，田 森，陳 勝，魏建好

(1. 湖南師范大學(xué) 信息科學(xué)與工程學(xué)院， 湖南 長(zhǎng)沙 410081；2. 湖南師范大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院， 湖南 長(zhǎng)沙 410081； 3. 湖南大學(xué) 信息科學(xué)與工程學(xué)院， 湖南 長(zhǎng)沙 410082)

癲癇(epilepsy)，又名“羊癲瘋”，是最為常見(jiàn)的神經(jīng)系統(tǒng)疾病[1]之一，據(jù)WHO最新統(tǒng)計(jì)，全球約有5000萬(wàn)癲癇病患者，且每年兒童患病者逐步增加[2]。癲癇年齡跨度大，且趨于年輕化，目前治療方式主要有藥物保守治療、手術(shù)切除病灶治療[3]等，治療周期長(zhǎng)、副作用大。

癲癇腦電 (Epilepsy ElectroencephaloGram, EEG)研究主要包括特征提取[4-5]和分類兩個(gè)方面。近年來(lái)，越來(lái)越多的研究者開(kāi)始對(duì)不同場(chǎng)景下的信號(hào)去噪，以提高檢測(cè)率[6]。文獻(xiàn)[7]提出采用小波系數(shù)分解的方式提取癲癇腦電信號(hào)特征，實(shí)現(xiàn)對(duì)正常期、發(fā)作期和發(fā)作間期的癲癇腦電分類。近年來(lái)，Wang等采用主成分分析和方差性分析降低原始特征空間維數(shù)，對(duì)癲癇腦電發(fā)作期和非發(fā)作期進(jìn)行自動(dòng)分類[8]。

深度學(xué)習(xí)目前被認(rèn)為是較為先進(jìn)的模型，在模式識(shí)別和機(jī)器學(xué)習(xí)方面有廣泛的應(yīng)用[9]，在基準(zhǔn)數(shù)據(jù)集分類方面達(dá)到甚至比人類本身更高的準(zhǔn)確度。大腦對(duì)某些刺激、任務(wù)或生理狀態(tài)的電響應(yīng)通常包括許多子反應(yīng)，這些子反應(yīng)被組合以提供完整的反應(yīng)。深度學(xué)習(xí)現(xiàn)已用于癲癇腦電圖中的分類以及癲癇發(fā)作預(yù)測(cè)等領(lǐng)域。深度學(xué)習(xí)在結(jié)構(gòu)上與深度神經(jīng)網(wǎng)絡(luò)類似，文獻(xiàn)[10]提出采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)結(jié)構(gòu)對(duì)癲癇腦電數(shù)據(jù)進(jìn)行分類，此外，也可通過(guò)基于Softmax回歸方法對(duì)癲癇腦電信號(hào)進(jìn)行分類。

目前癲癇腦電識(shí)別的方法過(guò)程較煩瑣，中間過(guò)程參數(shù)過(guò)多。針對(duì)該問(wèn)題，本文提出一種簡(jiǎn)化版的深度學(xué)習(xí)模型L-NET，首先將原始信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)，分別選取前幾階本征模態(tài) (Intrinsic Mode Function，IMF)，使用一維卷積替換傳統(tǒng)的二維卷積以保留更豐富的局部特征，通過(guò)使用L-NET進(jìn)行訓(xùn)練，對(duì)五類不同的腦電信號(hào)進(jìn)行對(duì)比識(shí)別研究；將L-NET模型直接對(duì)原始癲癇腦電數(shù)據(jù)進(jìn)行五分類，沒(méi)有進(jìn)行數(shù)據(jù)預(yù)處理；基于前面已有實(shí)驗(yàn)，對(duì)前三階的本征模態(tài)分量分別重構(gòu)7種典型特征，利用K近鄰和隨機(jī)森林兩種方法分別進(jìn)行五分類對(duì)比。實(shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)EMD數(shù)據(jù)預(yù)處理后前三階的IMF分量的識(shí)別率最高；通過(guò)前八階本征模態(tài)分量識(shí)別率較低，表明在處理的過(guò)程中，后幾階為殘差分量，這些對(duì)于癲癇腦電識(shí)別研究具有重要意義。

1 面向癲癇腦電的簡(jiǎn)化深度學(xué)習(xí)模型

1.1 面向癲癇腦電的一維卷積神經(jīng)網(wǎng)絡(luò)

1.1.1 模型結(jié)構(gòu)

面向癲癇腦電的一維卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)包含很多一維卷積層，一個(gè)卷積層可以包含很多卷積面。激活函數(shù)有很多不同的選擇，但一般為sigmoid函數(shù)或校正線性單元(Rectified Linear Unit, ReLU)。池化層將輸入數(shù)據(jù)劃分為許多小的子區(qū)域，每次只提取子區(qū)域最大值的方法就稱為最大值池化。池化層的意義在于提取出數(shù)據(jù)中的顯著特征而忽略細(xì)節(jié)特征，以減少網(wǎng)絡(luò)中的參數(shù)和計(jì)算量，并且能夠控制過(guò)擬合。

卷積神經(jīng)網(wǎng)絡(luò)在圖像[11]、語(yǔ)音識(shí)別方面取得非常好的成績(jī)，核心想法在于物體的特征往往可以提取出來(lái)，且通過(guò)卷積、池化可以大大減少輸入數(shù)據(jù)，加快訓(xùn)練效率。一維卷積神經(jīng)網(wǎng)絡(luò)可以很好地應(yīng)用于傳感器數(shù)據(jù)的時(shí)間序列分析[12]也可以實(shí)時(shí)抗噪診斷[13]，還能應(yīng)用于自然語(yǔ)言處理的任務(wù)[14]。深度卷積神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中取得了不錯(cuò)的成果[15]。

1.1.2 算法設(shè)計(jì)

簡(jiǎn)化深度學(xué)習(xí)模型如算法1所示。

算法1 簡(jiǎn)化深度學(xué)習(xí)模型L-NET

設(shè)計(jì)算法重要的指標(biāo)之一是優(yōu)化器，實(shí)驗(yàn)所用到的為RMSProp，其全稱叫Root Mean Square Prop，為了進(jìn)一步優(yōu)化損失函數(shù)在更新中存在擺動(dòng)幅度過(guò)大的問(wèn)題，RMSProp算法對(duì)權(quán)重W和偏置b的梯度使用微分平方加權(quán)平均數(shù)。

另一個(gè)重要參數(shù)為目標(biāo)函數(shù)，或稱損失函數(shù)，是編譯一個(gè)模型必要的參數(shù)之一。本文中損失函數(shù)是binary crossentropy(亦稱作對(duì)數(shù)損失，logloss)，該函數(shù)主要用來(lái)做極大似然估計(jì)，以方便計(jì)算。

1.2 模型參數(shù)設(shè)計(jì)

本文模型建立在一般的卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，同時(shí)也增加了部分結(jié)構(gòu)，如圖1所示，模型結(jié)構(gòu)主要是由一維卷積層(conv1D)、一維池化層(max_pooling1D)、批標(biāo)準(zhǔn)化層(batch_normalization)、全局均值池化層(global_average_pooling1D)、全連接層(Dense)和Dropout層等構(gòu)成。

圖1 簡(jiǎn)化深度學(xué)習(xí)模型L-NET結(jié)構(gòu)Fig.1 Simplified deep learning model L-NET structure

由于原始輸入數(shù)據(jù)是列向量，根據(jù)輸入數(shù)據(jù)的特殊性設(shè)計(jì)兩層卷積層疊加結(jié)構(gòu)，增加一層批標(biāo)準(zhǔn)化層，使網(wǎng)絡(luò)訓(xùn)練CNN時(shí)更加穩(wěn)定。隨后再增加一個(gè)最大池化層，減小模型結(jié)構(gòu)復(fù)雜度。全局平均池化層，與普通池化不同之處在于不需要池化窗口在輸入數(shù)據(jù)上進(jìn)行滑動(dòng)采樣，全局平均池化能夠替代卷積神經(jīng)網(wǎng)絡(luò)中的全連接層，好處是能夠減少整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)數(shù)量。兩個(gè)全連接層之間是dropout層，是在訓(xùn)練過(guò)程中，對(duì)每一個(gè)全連接層的神經(jīng)網(wǎng)絡(luò)單元，按照一定的概率將其隨機(jī)地丟棄，所以每一個(gè)批次(batch)都在訓(xùn)練不同的網(wǎng)絡(luò)，從而增加了網(wǎng)絡(luò)的健壯性。另外也設(shè)置了L2正則化，使權(quán)值變化率相應(yīng)減小，通過(guò)這一系列設(shè)置從而減少了過(guò)擬合現(xiàn)象的發(fā)生，表1為前三階實(shí)驗(yàn)中模型結(jié)構(gòu)的具體參數(shù)。

表1 模型結(jié)構(gòu)參數(shù)表

2 性能分析

2.1 數(shù)據(jù)集

癲癇腦電信號(hào)本質(zhì)上是一種時(shí)序信號(hào)，本實(shí)驗(yàn)采用的腦電數(shù)據(jù)是印度學(xué)者Varun Bajaj和Ram Bilas Pachori對(duì)正常人和癲癇病患者實(shí)際測(cè)試的數(shù)據(jù)。腦電信號(hào)數(shù)據(jù)總共分為5類，分別為Z、O、N、F、S，每類腦電子集包含100個(gè)信道序列，總共500個(gè)信道序列。每個(gè)信道持續(xù)時(shí)間為23.6 s，信號(hào)采樣點(diǎn)數(shù)為4097。五類信號(hào)分別代表不同人的腦電測(cè)試信號(hào)，其中Z、O表示的是正常清醒的健康人，N、F表示的是未發(fā)作的癲癇病人，S表示癲癇病發(fā)作時(shí)的病人；記錄位置不同，Z、O兩類是在顱外記錄的數(shù)據(jù)，而其余三類是在顱內(nèi)記錄的。所有的EEG信號(hào)都是由128通道的放大器系統(tǒng)記錄下的，都采用常用的參數(shù)設(shè)置。在經(jīng)過(guò)12位模數(shù)轉(zhuǎn)換后，數(shù)據(jù)以173.6 Hz的采樣頻率連續(xù)讀入，在本實(shí)驗(yàn)過(guò)程中，將行信號(hào)轉(zhuǎn)置成列信號(hào)方便數(shù)據(jù)處理及后面模型的設(shè)計(jì)。

2.2 基于數(shù)據(jù)預(yù)處理的EEG識(shí)別

2.2.1 基于EMD數(shù)據(jù)預(yù)處理的識(shí)別框架

經(jīng)驗(yàn)?zāi)B(tài)分解算法[16]是一種適用于處理非平穩(wěn)非線性序列的自適應(yīng)時(shí)空分析方法。EMD提取特征后，將一個(gè)序列分成多個(gè)IMF分量而不偏離時(shí)間域。這與一些時(shí)空分析方法相似[17]，如傅里葉變換和小波分解。這種方法尤其適用于分析自然信號(hào)，而自然信號(hào)通常是非線性和非平穩(wěn)的[18]。

基于EMD數(shù)據(jù)預(yù)處理的EEG識(shí)別流程如圖2所示，這種方法對(duì)前面輸入的500個(gè)列向量進(jìn)行數(shù)據(jù)預(yù)處理，每一條原始數(shù)據(jù)經(jīng)過(guò)EMD后形成8～13不等階數(shù)的IMF分量。由于后幾階的分量中包含較多的殘差噪聲，為了保證輸入統(tǒng)一，分別取前三、前五、前七、前八階分量作為模型的輸入。

圖2 基于EMD數(shù)據(jù)預(yù)處理的EEG識(shí)別流程圖Fig.2 EEG identification flow chart based on EMD feature extraction

2.2.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)將數(shù)據(jù)集劃分為3個(gè)部分——訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)(總共五類共500條數(shù)據(jù))比例為3 ∶1 ∶1。這些數(shù)據(jù)每次讀入的時(shí)候都是隨機(jī)打亂的，訓(xùn)練過(guò)程對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行調(diào)參，經(jīng)過(guò)一次epoch后，得到一個(gè)訓(xùn)練結(jié)果和驗(yàn)證結(jié)果，通過(guò)驗(yàn)證集對(duì)模型的準(zhǔn)確率進(jìn)行評(píng)估，訓(xùn)練完成后，用測(cè)試集對(duì)最后的結(jié)果進(jìn)行總體檢測(cè)。

各階數(shù)在參數(shù)設(shè)置環(huán)境相同的情況下，分別進(jìn)行30次獨(dú)立實(shí)驗(yàn)，表2中數(shù)據(jù)分別表示第1～6次、第7～12次、第13～18次、第19～24次和第25～30次實(shí)驗(yàn)的平均準(zhǔn)確率結(jié)果。此外，評(píng)價(jià)指標(biāo)損失值(loss)，通過(guò)30次重復(fù)實(shí)驗(yàn)得到相應(yīng)的平均loss值。實(shí)驗(yàn)結(jié)果表明，前三階的IMF分量的整體效果是最好的，前三階、前五階準(zhǔn)確率逐漸升高，loss值基本持平；前七階、前八階準(zhǔn)確率逐漸降低、loss值也逐漸增加。具體實(shí)驗(yàn)數(shù)據(jù)如表2所示。

表2 基于EMD數(shù)據(jù)預(yù)處理的EEG識(shí)別結(jié)果Tab.2 EEG recognition results based on EMD feature extraction

2.3 基于深度學(xué)習(xí)的EEG識(shí)別

2.3.1 基于原始數(shù)據(jù)的識(shí)別框架

本實(shí)驗(yàn)硬件環(huán)境：操作系統(tǒng)為Windows10；處理器為AMD Ryzen 5 2600X 六核；內(nèi)存為金士頓 DDR4 2400 MHz，采用GPU加速，基于MATLAB平臺(tái)和Keras平臺(tái)，MATLAB由一系列工具組成，其中包含一些內(nèi)置的函數(shù)和文件。Keras框架是一個(gè)高層神經(jīng)網(wǎng)絡(luò)應(yīng)用程序接口，Keras框架由純Python編寫(xiě)而成并基于Tensorflow、Theano以及CNTK后端?？梢灾苯诱{(diào)用圖像處理中的一些內(nèi)置函數(shù)及封裝的庫(kù)，支持CPU和GPU無(wú)縫切換。在基于原始數(shù)據(jù)的實(shí)驗(yàn)中是直接進(jìn)行模型訓(xùn)練，而未進(jìn)行數(shù)據(jù)預(yù)處理。

基于原始數(shù)據(jù)的EEG識(shí)別流程如圖3所示，首先將其中一道原始波形記錄4097個(gè)采樣點(diǎn)，數(shù)據(jù)采集后組合形成一個(gè)行向量，再將原始數(shù)據(jù)進(jìn)行轉(zhuǎn)置變成一個(gè)列向量?？偣?00道波形，將這些波形依次轉(zhuǎn)置后形成500個(gè)列向量直接作為L(zhǎng)-NET的輸入，通過(guò)訓(xùn)練模型后識(shí)別屬于哪一類。

圖3 基于原始數(shù)據(jù)的EEG識(shí)別流程圖Fig.3 EEG identification flow chart based on raw data

2.3.2 實(shí)驗(yàn)結(jié)果

基于原始數(shù)據(jù)的EEG識(shí)別結(jié)果如表3所示，本類實(shí)驗(yàn)總共進(jìn)行30次，以6組實(shí)驗(yàn)為一單位，分別取其平均值，共有5組實(shí)驗(yàn)數(shù)據(jù)，另外再把5組實(shí)驗(yàn)數(shù)據(jù)取平均值得到最終的識(shí)別結(jié)果。輸入數(shù)據(jù)為轉(zhuǎn)置后的一維列向量，不需要進(jìn)行數(shù)據(jù)預(yù)處理，因?yàn)長(zhǎng)-NET模型是一種深度學(xué)習(xí)模型，其卷積層可自動(dòng)提取特征并進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，未經(jīng)處理的原始信號(hào)識(shí)別率基本上能達(dá)到90%。

表3 基于原始數(shù)據(jù)的EEG識(shí)別結(jié)果

本實(shí)驗(yàn)分為兩部分，即基于原始數(shù)據(jù)的EEG識(shí)別和基于EMD數(shù)據(jù)預(yù)處理的EEG識(shí)別。主要是探究簡(jiǎn)化的一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)于原始腦電信號(hào)以及經(jīng)過(guò)EMD數(shù)據(jù)預(yù)處理后的不同IMF分量識(shí)別分析，原始信號(hào)輸入大小為4097*1，前三階IMF輸入為4097*3，前五階輸入為4097*5，前七階輸入為4097*7，前八階輸入為4097*8。

將基于原始數(shù)據(jù)的EEG識(shí)別結(jié)果和基于EMD數(shù)據(jù)預(yù)處理的對(duì)比識(shí)別結(jié)果如圖4所示，根據(jù)圖中五類數(shù)據(jù)，前三階準(zhǔn)確率基本高于其他幾類，前七階和前八階本征模態(tài)分量明顯低于原始數(shù)據(jù)。這些說(shuō)明通過(guò)合適的數(shù)據(jù)預(yù)處理方式能夠提高準(zhǔn)確率。另外五類輸入迭代200次的運(yùn)行時(shí)間基本保持在2 min至2 min 40 s以內(nèi)，時(shí)間效率非常高。

圖4也表明經(jīng)過(guò)EMD后確實(shí)把噪聲過(guò)濾到后幾階IMF中，因此選取的IMF分量越是前幾階，信號(hào)中包含的信號(hào)噪聲越少，信號(hào)的差異越不受噪聲影響，識(shí)別率越高。所以，前三階IMF分量因?yàn)榘脑肼曒^少，識(shí)別率最高。由于前八階信號(hào)的后幾階信號(hào)中包含較多的噪聲，影響信號(hào)的真實(shí)差異，得到的整體識(shí)別率最低。在實(shí)驗(yàn)中，原始信號(hào)的識(shí)別率高于前七、前八階的識(shí)別率，而低于前三、前五階的識(shí)別率。這是因?yàn)榍叭?、前五階的信號(hào)經(jīng)過(guò)EMD后，保留了原始信號(hào)的主要信息，同時(shí)去除了噪聲，因此識(shí)別率高于原始信號(hào)。但是當(dāng)選取的階數(shù)越多時(shí)，比如，前七、前八階IMF分量信號(hào)，這些信號(hào)包含被EMD后的低頻信號(hào)(例如第7階、第8階IMF分量)和原始信號(hào)差異明顯，可能含有較多的噪聲，導(dǎo)致前七階、前八階IMF分量的整體識(shí)別率低于原始信號(hào)的識(shí)別率。

圖4 兩類方法結(jié)果對(duì)比圖Fig.4 Comparison of the results of the two types of methods

2.4 對(duì)比實(shí)驗(yàn)

2.4.1 對(duì)比方法

K近鄰(K-Nearest Neighbor，KNN)分類算法是一種既可用于分類又可用于回歸的機(jī)器學(xué)習(xí)算法。其基本思想是找到與當(dāng)前樣本特征最相近的K個(gè)樣本，這K+1個(gè)樣本均屬于同一類。這種方法中K的取值較為敏感，通過(guò)對(duì)距離進(jìn)行加權(quán)，可以優(yōu)化最終的結(jié)果。

隨機(jī)森林(Random Forest，RF)算法也是一種既可用于分類問(wèn)題也可用于回歸問(wèn)題的機(jī)器學(xué)習(xí)算法。它是一種由多棵決策樹(shù)組成的集成模型，決策樹(shù)本質(zhì)上是一種樹(shù)形結(jié)構(gòu)，每一個(gè)節(jié)點(diǎn)表示相關(guān)測(cè)試，其葉節(jié)點(diǎn)表示分類屬性的概率。對(duì)于分類問(wèn)題，隨機(jī)森林通過(guò)多棵決策樹(shù)投票得到最終的結(jié)果，而對(duì)于回歸問(wèn)題，則是根據(jù)平均值而得到。

文獻(xiàn)[19]采用最小二乘支持向量機(jī)(Least Squares Support Vector Machine，LSSVM)是為了克服標(biāo)準(zhǔn)支持向量機(jī)復(fù)雜度大、計(jì)算難度大的問(wèn)題而提出的。

2.4.2 實(shí)驗(yàn)結(jié)果

根據(jù)上述實(shí)驗(yàn)結(jié)果，經(jīng)過(guò)EMD數(shù)據(jù)處理后前三階實(shí)驗(yàn)效果最好，基于上述實(shí)驗(yàn)結(jié)果，對(duì)前三階的本征模態(tài)分量分別重構(gòu)7種典型特征[20]，包括波動(dòng)指數(shù)、變化系數(shù)、方差、相對(duì)能量、平均頻率、偏斜度和峰度。將五類信號(hào)提取特征后，500個(gè)信道分別都有7個(gè)特征。然后分別采用KNN和隨機(jī)森林進(jìn)行五分類，第三組實(shí)驗(yàn)引用了文獻(xiàn)[20]的實(shí)驗(yàn)結(jié)果，最終的實(shí)驗(yàn)結(jié)果如表4所示。

表4 對(duì)比實(shí)驗(yàn)結(jié)果

K近鄰和隨機(jī)森林兩組對(duì)比實(shí)驗(yàn)均是基于相同的環(huán)境，進(jìn)行五次對(duì)比實(shí)驗(yàn)然后取平均值。通過(guò)實(shí)驗(yàn)結(jié)果說(shuō)明，針對(duì)癲癇腦電這類時(shí)序數(shù)據(jù)，相對(duì)于KNN、隨機(jī)森林和最小二乘支持向量機(jī)三種方法，本文所提出的方法中癲癇腦電的識(shí)別平均準(zhǔn)確率分別提升了69.72%、31.04%、20.64%。并且本文中的簡(jiǎn)化深度學(xué)習(xí)模型沒(méi)有提取特征這一環(huán)節(jié)，只是對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

3 結(jié)論

針對(duì)癲癇腦電數(shù)據(jù)這種時(shí)序信號(hào)，本文以一維卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，設(shè)計(jì)簡(jiǎn)化深度學(xué)習(xí)模型對(duì)癲癇腦電信號(hào)進(jìn)行識(shí)別研究。相比于二維CNN，這樣設(shè)計(jì)的模型參數(shù)更少，效率更高。通過(guò)研究發(fā)現(xiàn)，原始數(shù)據(jù)經(jīng)過(guò)EMD處理后取前三階分量，再利用一維CNN做分類識(shí)別這種方式識(shí)別率最高。隨著采用分量數(shù)越多識(shí)別率降低，實(shí)驗(yàn)結(jié)果表明在數(shù)據(jù)預(yù)處理的過(guò)程中會(huì)給原始信號(hào)帶來(lái)噪聲。在實(shí)驗(yàn)過(guò)程中，以基本調(diào)參方法為基礎(chǔ)，L-NET做相應(yīng)改進(jìn)，如增加全局均值池化，每一層加入權(quán)重和偏置初始化等，使識(shí)別率有所提高。這種調(diào)參方法對(duì)于今后其他模型的參數(shù)調(diào)整具有借鑒意義。

基于現(xiàn)有的研究，本文將一維CNN應(yīng)用到其他方面，例如人臉識(shí)別，可以將手動(dòng)預(yù)處理后的數(shù)據(jù)以及數(shù)據(jù)不做處理進(jìn)行對(duì)比研究。將一維CNN、二維CNN和VGG等一系列網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行對(duì)比分析，通過(guò)研究這些模型，可以了解它們之間更多的共性和特性。目前這一方面存在諸多可研究的問(wèn)題，一般的人臉識(shí)別過(guò)程包含人臉檢測(cè)、特征提取以及人臉識(shí)別幾個(gè)重要組成部分。其中，人臉檢測(cè)是整個(gè)識(shí)別過(guò)程的關(guān)鍵部分，已有的檢測(cè)方法大部分都是基于目標(biāo)檢測(cè)的方法，另外在人臉識(shí)別過(guò)程中，已有的研究基本上是基于卷積神經(jīng)網(wǎng)絡(luò)，并在此基礎(chǔ)上進(jìn)行改進(jìn)并不斷優(yōu)化，一般的網(wǎng)絡(luò)結(jié)構(gòu)非常復(fù)雜并且訓(xùn)練模型復(fù)雜，訓(xùn)練要求設(shè)備配置高并且耗時(shí)長(zhǎng)。本論文中所提出的簡(jiǎn)化深度學(xué)習(xí)模型也可嘗試用于此過(guò)程中，將提取人臉面部的128維特征向量作為本文所提出模型的輸入部分，然后進(jìn)行訓(xùn)練并進(jìn)行分類來(lái)實(shí)現(xiàn)整個(gè)人臉識(shí)別過(guò)程。這種方式使人臉識(shí)別幾個(gè)過(guò)程分離，并且整個(gè)過(guò)程更加簡(jiǎn)化，這是下一步所要研究的方向。