基于二维时频图像深度卷积神经网络的癫痫脑电识别装置制造方法及图纸

本发明专利技术涉及一种基于二维时频图像深度卷积神经网络的癫痫脑电识别装置，包括预处理模块、有效频段提取模块、时频分析模块、深度卷积神经网络训练模块、癫痫发作识别通道选择模块和癫痫状态识别模块，依次利用预处理模块、有效频段提取模块和时频分析模块、对原始脑电信号进行预处理、有效频段提取及时频分析之后，利用深度卷积神经网络训练模块训练深度卷积神经网络，对图像进行特征提取，通过全连接的网络进行数据降维，最终输出用于表示分类结果的二维向量；癫痫发作识别通道选择模块，用于选出患者特定的最优的五个通道，并计算权重；癫痫状态识别模块用于采用加权求和的方法结合最优的五个通道进行癫痫的识别。

Recognition method of epileptic EEG based on two dimensional time-frequency image depth convolution neural network

The invention relates to a method for identification of epileptic EEG time-frequency image depth based on convolutional neural network, which comprises the following steps: Step 1: to preprocess the original EEG signal; step 2: effective EEG signal extraction; step 3: time-frequency analysis of EEG signals; step 4: use time-frequency map training deep convolutional neural network: the two-dimensional after step 1 3 from a patient's time-frequency image is divided into training data and test data, deep convolutional neural network to establish LeNet 5 structure, input to the training in depth convolutional neural network, image feature extraction. Data reduction through the whole network connected to the final output for two-dimensional vector representation of the classification results; step 5: five channels to select the optimal patient specific, and calculate the weight; step 6: using weighted sum And the method combines five optimal channels for identification of epilepsy.

【技术实现步骤摘要】
基于二维时频图像深度卷积神经网络的癫痫脑电识别方法
本专利技术涉及脑电信号分类领域，具体来说是一种通过对癫痫脑电信号进行特征提取与分类来对癫痫发作进行识别的方法。
技术介绍
近年来，脑电信号(EEG)已经发展成为癫痫研究的一种主要手段。传统的通过分析EEG信号的癫痫识别方法已有了较为固定的模式，首先是提取EEG信号中的有效频段，再对提取出的有效频段信号进行特征提取，这些特征通过是人工选取的，如样本熵、小波熵、多尺度熵、多尺度LZ复杂度等用于反映信号非线性程度的一些指标，之后再将提取的特征通过支持向量机或神经网络等分类器进行分类来完成对癫痫的识别。目前，已有许多学者对上述的癫痫识别方法进行了研究，如汪春梅等采用近似熵+NEYMAN-PEARSON准则[1]进行分类；黄丽亚等采用多尺度样本熵+支持向量机[2]的形式。这些分类方法固然取得了一定的效果，但这些研究方法中用于分类的特征均是通过人工来选取，存在着一定的随机性，无法完全表现出癫痫发作状态下与未发作状态下的差异，可能无法适用于所有的EEG样本的癫痫识别。所以，如何提取出癫痫发作时与未发作时EEG信号具有最大差异性的特征，是目前研究的一个重要方向。参考文献：[1]汪春梅,张崇明,王丽慧.一种癫痫脑电信号分类检测装置及方法:CN102429657A[P].2012.[2]黄丽亚,郭迪,沈洋洋.基于多尺度样本熵的癫痫脑皮层电图信号分类方法:CN105046273A[P].2015.
技术实现思路
本专利技术旨在提供一种新型的通过对脑电信号进行特征提取与分类的癫痫发作状态识别方法。本专利技术先利用小波变换提取出脑电信号0～32Hz的有效频段信号，再通过时频分析方法中的短时傅里叶变换，将提取出的0～32Hz频段的一维脑电信号转化为二维时频图像，再利用LeNet-5网络结构的深度卷积神经网络对时频图像进行特征提取与分类，接着根据部分样本数据测试出具有患者特异性的最优的五个识别通道并计算权重，最后采用加权求和的方法结合最优的五个通道进行癫痫状态的识别。技术方案如下：一种基于二维时频图像深度卷积神经网络的癫痫脑电识别方法，包括下列步骤：步骤1：对原始脑电信号的预处理分成多段数据，为每段数据设置相应的标签，标签一共分为两类，第一类为发作状态，设置为1；第二类为非发作状态，设置为0；再对各段数据分别进行低通滤波处理，去除高于32Hz的信号。步骤2：脑电信号的有效频段提取通过小波变换进行5层分解，提取出经过预处理的脑电信号中多个有效频段的信号，再将提取出的多个信号进行叠加，合成得到0～32Hz频段的一维脑电信号，此频段的脑电信号能反映出患者癫痫发作时的有效信息。步骤3：脑电信号的时频分析对合成后的0～32Hz频段的一维脑电信号通过短时傅里叶变换对有效频段的脑电信号进行变换，使一维时域信号，转化为包含时间和频率信息的二维时频图像，时频图像纵轴的频率范围为0～32Hz，横轴的时间范围为窗口长度，所得到的时频图像在癫痫发作状态与非癫痫发作状态具有不同的图像特征，反映不同的时频信息；步骤4：利用时频图训练深度卷积神经网络将对某患者的经过步骤1-3处理得到的二维时频图像分为训练数据和测试数据，建立LeNet-5结构的深度卷积神经网络，输入到深度卷积神经网络中对其进行训练，对图像进行特征提取，通过全连接的网络进行数据降维，最终输出用于表示分类结果的二维向量，二维向量为(0,1)则表示癫痫发作状态，(1,0)则表示非癫痫发作状态，将患者的脑电数据的各个通道，均通过这种方式来训练对应的网络参数。步骤5：选出患者特定的最优的五个通道，并计算权重根据患者所有通道测试数据的识别结果，选出准确率排在前五的通道，并用其准确率构建该五个通道的权重，这五个准确率相对较高的通道用于最终的癫痫发作识别通道。步骤6：采用加权求和的方法结合最优的五个通道进行癫痫的识别进行实时癫痫发作状态识别时，对所采集的原始脑电信号进行步骤1-3的处理，再根据上述步骤选出的五个通道及其权重，将五个通道的识别结果加权求和，所得结果与癫痫发作标签值进行比较，如果所得结果的标签值与癫痫发作标签值更接近，便可判断患者处于癫痫发作状态，反之如果所得结果的标签值与非癫痫发作标签值更接近，则判断患者处于非癫痫发作状态。本专利技术提出的用于癫痫脑电实时识别的基于二维时频图像特征的深度卷积神经网络方法，采用时频分析将一维脑电信号转化为二维的时频图像，再通过深度卷积神经网络对时频图像进行分类，从而判别出患者是否处于癫痫发作状态。本专利技术打破了传统的基于一维脑电信号的人工特征提取并用SVM等进行分类的方法。而采用通过时频分析将脑电信号的有效信息反映在时频图像上，相应的特征通过深度卷积神经网络进行自动提取与分类，而非人工地指定需要提取的特征。在最大程度保留脑电信号有效信息的情况下，充分发挥深度卷积神经网络的优势，提高癫痫发作状态识别的准确率。同时对多个通道通过准确率进行删选，对选出的五个相对最优通道，采用加权求和的方式来综合五个通道的分类结果，使得多个通道的信息得以充分利用。克服了以单个通道进行识别造成其他通道信息浪费的缺点，并使结果的准确率更高。附图说明图1：某位患者某次发作前后的某通道脑电信号4分钟数据时域图图2：分段后的脑电信号数据的标签设置图图3：脑电信号有效频段提取的小波分解示意图图4a、图4b、图4c：一位患者某次发作前的单通道delta波时域图图5a、图5b、图5c：一位患者某次发作时的单通道delta波时域图图6a、图6b、图6c：一位患者某次发作后的单通道delta波时域图图7a、图7b、图7c：一位患者某次发作前的单通道时频图图8a、图8b、图8c：一位患者某次发作时的单通道时频图图9a、图9b、图9c：一位患者某次发作后的单通道时频图图10：本专利技术采用的LeNet-5的深度卷积网络模型图11：本专利技术采用的LeNet-5的深度卷积网络实际结构具体实施方式现结合实施例、附图对本专利技术作进一步描述：步骤1：脑电信号的预处理脑电信号的原始数据以PhysioNet网站的CHB-MIT数据库为例来进行说明。该数据库共有23个患者，患者的年龄从3岁到22岁不等，每个患者均在停药的情况下，同时监测23个通道，共监控了46个小时。同时，每位患者每次癫痫发作的开始时间和结束时间均已知。该数据库每个通道脑电信号的采样频率均为256Hz，其中一位患者的某次发作前后的某个通道一维脑电信号4分钟数据时域图如图1所示，其中，两条红线之间为患者癫痫发作的时间段。为了模拟实时采集的情况，以4秒长数据的窗口，每次移动1秒长的数据，将原始脑电数据分割成多段的脑电信号。同时为了更好地进行分类，每一段脑电信号数据设置相应的标签。由于事先已知患者每次发作的开始时间和结束时间，因此对于每段数据，标签设置方法如图2所示。其中，标签一共分为两类，第一类为发作状态，设置为1；第二类为非发作状态，设置为0。只要4秒长的数据的窗口部分或完全处于癫痫发作时间段，则将该段脑电信号的数据设为发作状态，否则设为非发作状态。由于原始的脑电信号中包含着各类噪声，如50Hz工频干扰、肌电干扰等，因此在进行特征提取之前，需要对脑电信号进行滤波。根据前人的研究，脑电信号的有效频段约为32Hz之内，因此，针对每本文档来自技高网...

【技术保护点】
一种基于二维时频图像深度卷积神经网络的癫痫脑电识别方法，包括下列步骤：步骤1：对原始脑电信号的预处理分成多段数据，为每段数据设置相应的标签，标签一共分为两类，第一类为发作状态，设置为1；第二类为非发作状态，设置为0；再对各段数据分别进行低通滤波处理，去除高于32Hz的信号。步骤2：脑电信号的有效频段提取通过小波变换进行5层分解，提取出经过预处理的脑电信号中多个有效频段的信号，再将提取出的多个信号进行叠加，合成得到0～32Hz频段的一维脑电信号，此频段的脑电信号能反映出患者癫痫发作时的有效信息。步骤3：脑电信号的时频分析对合成后的0～32Hz频段的一维脑电信号通过短时傅里叶变换对有效频段的脑电信号进行变换，使一维时域信号，转化为包含时间和频率信息的二维时频图像，时频图像纵轴的频率范围为0～32Hz，横轴的时间范围为窗口长度，所得到的时频图像在癫痫发作状态与非癫痫发作状态具有不同的图像特征，反映不同的时频信息；步骤4：利用时频图训练深度卷积神经网络将对某患者的经过步骤1‑3处理得到的二维时频图像分为训练数据和测试数据，建立LeNet‑5结构的深度卷积神经网络，输入到深度卷积神经网络中对其进行训练，对图像进行特征提取，通过全连接的网络进行数据降维，最终输出用于表示分类结果的二维向量，二维向量为(0,1)则表示癫痫发作状态，(1,0)则表示非癫痫发作状态，将患者的脑电数据的各个通道，均通过这种方式来训练对应的网络参数。步骤5：选出患者特定的最优的五个通道，并计算权重根据患者所有通道测试数据的识别结果，选出准确率排在前五的通道，并用其准确率构建该五个通道的权重，这五个准确率相对较高的通道用于最终的癫痫发作识别通道。步骤6：采用加权求和的方法结合最优的五个通道进行癫痫的识别进行实时癫痫发作状态识别时，对所采集的原始脑电信号进行步骤1‑3的处理，再根据上述步骤选出的五个通道及其权重，将五个通道的识别结果加权求和，所得结果与癫痫发作标签值进行比较，如果所得结果的标签值与癫痫发作标签值更接近，便可判断患者处于癫痫发作状态，反之如果所得结果的标签值与非癫痫发作标签值更接近，则判断患者处于非癫痫发作状态。...

【技术特征摘要】
1.一种基于二维时频图像深度卷积神经网络的癫痫脑电识别方法，包括下列步骤：步骤1：对原始脑电信号的预处理分成多段数据，为每段数据设置相应的标签，标签一共分为两类，第一类为发作状态，设置为1；第二类为非发作状态，设置为0；再对各段数据分别进行低通滤波处理，去除高于32Hz的信号。步骤2：脑电信号的有效频段提取通过小波变换进行5层分解，提取出经过预处理的脑电信号中多个有效频段的信号，再将提取出的多个信号进行叠加，合成得到0～32Hz频段的一维脑电信号，此频段的脑电信号能反映出患者癫痫发作时的有效信息。步骤3：脑电信号的时频分析对合成后的0～32Hz频段的一维脑电信号通过短时傅里叶变换对有效频段的脑电信号进行变换，使一维时域信号，转化为包含时间和频率信息的二维时频图像，时频图像纵轴的频率范围为0～32Hz，横轴的时间范围为窗口长度，所得到的时频图像在癫痫发作状态与非癫痫发作状态具有不同的图像特征，反映不同的时频信息；步骤4：利用时频图训练深度卷积神经网络将对某患者的经过步骤1-3处理得到的二维时频图像...

【专利技术属性】
技术研发人员：曹玉珍，郭怡湘，余辉，张力新，葛亚芳，孙敬来，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12