一种联合动态脑网络和长短时记忆网络的癫痫识别装置制造方法及图纸

本发明专利技术公开了一种联合动态脑网络和长短时记忆网络的癫痫识别装置，属于生物医学图像模式识别技术领域。本发明专利技术首先计算癫痫患者和正常对照组的功能磁共振成像的脑网络和动态脑网络。然后对于脑网络，使用F‑score特征选择算法计算脑网络中每一个功能连接的F值，取出F值大于0.06对应的动态脑网络的特征作为长短时记忆网络的输入。接下来建立长短时记忆网络结构，输入为选出的动态脑网络特征，输出为样本标签，其中癫痫患者标签为1，正常人标签为0。最后使用随机梯度下降算法来优化网络中的参数，经过不断的训练，最终完成癫痫患者于正常人之间的识别任务。本发明专利技术首次结合动态脑网络和长短时记忆网络来进行癫痫医疗辅助诊断任务。

【技术实现步骤摘要】
一种联合动态脑网络和长短时记忆网络的癫痫识别装置
本专利技术属于生物医学图像模式识别
，具体涉及功能磁共振图像的动态脑网络模式识别框架搭建。
技术介绍
癫痫即俗称的“羊角风”，是一种常见的危害性极大的神经系统疾病。根据世界卫生组织的统计，目前大约有五千万癫痫患者，而且每年新增癫痫患者有四十万。通过以往研究发现，能够引发该疾病的原因有很多，例如先天因素，脑部病变，全身或系统性疾病。此外，癫痫发病率还与年龄相关。目前一些癫痫疾病，诸如特发强直-阵挛癫痫(GTCS)，在常规检查来看，癫痫患者的脑部结构并没有发生显著的器质性病变，而且患者其他的一些生理代谢功能也与常人无异，到目前为止还没能找出正确的发病机制以及准确的病灶。因此，提高诊断水平，找出病灶区域是对治疗以及预测癫痫疾病发作的保障。功能磁共振成像(functionalmagneticresonanceimaging,fMRI)是近几年发展起来的一种新的非介入性研究脑功能的成像技术，是研究人脑认知思维活动的强有力的工具。应用功能磁共振可以研究癫痫全面发展的发病机制，具有很好的临床实用性。而且通过模式识别算法来研究功能磁共振图像不仅可以在个体水平上进行高准确率的疾病的诊断，还可以更好地定位癫痫致病灶。
技术实现思路
本专利技术通过分析大脑图像，克服现有技术中不能很好的辨识癫痫患者大脑图像的问题，设计出一种分辨患者是否患有癫痫的装置。本专利技术技术方案为一种联合动态脑网络和长短时记忆网络的癫痫识别装置，该装置包括数据输入接口、数据存储器、数据处理器，所述数据存储器上的数据被处理执行能够实现以下步骤；步骤1：步骤脑网络的计算：步骤11：获取病人M个时间节点的脑部静息态的功能磁共振信号，对功能磁共振信号进行包含时间校正、头动校正、配准的预处理；对每个时间节点预处理过后的功能磁共振数据进行如下处理；步骤12：按照246个脑区的模板，计算每个脑区的平均信号，会得到246个平均信号；步骤13：每个脑区的平均信号之间两两算皮尔逊相关系数，会得到246*246的皮尔逊相关系数组成的矩阵，该矩阵为脑网络；步骤2：计算动态脑网络；将步骤1得到M个时间节点的脑网络依次排列，设置时间节点的滑窗长度K和步长，在滑窗过程中计算每次处于窗内的K个脑网络的皮尔逊相关系数矩阵，滑窗完毕后得到H个246*246个皮尔逊相关系数矩阵，这些皮尔逊相关系数矩阵为动态脑网络；步骤3：对脑网络进行特征提取；采用特征提取矩阵来提取动态脑网络的特征，得到H个246*246个特征矩阵，该特征提取矩阵提取出步骤2得到的皮尔逊相关系数矩阵中特定位置的数据，其余位置数据置0，设非零包含有E个非零数据，将非零数据取出，组成一个H*E的特征矩阵；步骤4：将步骤3提取的H个246*246个特征矩阵输入训练好的长短时记忆网络，根据该长短时记忆网络的输出判断病人情况。进一步的，所述步骤4中选取出步骤3得到的H*E的特征矩阵的前R行数据，然后每次滑动一行，每次都提取出下一个R行数据，滑动结束后，将所有提取的数据作为长短时记忆网络的输入，R根据实际情况决定。进一步的，所述步骤2中特征提取矩阵的方法为：步骤2.1：获取数据存储器中所有样本数据，该样本数据中包括正常样本和癫痫样本，采用步骤1、步骤2的方法获得所有样本的一个时间节点的脑网络，得到Q个样本脑网络，Q为样本总数；步骤2.2：提取所有样本脑网络中第一个位置(1，1)的数据，组成功能连接向量x；步骤2.3：采用如下公式计算第一个位置的F值；其中，表示特征向量x的所有样本的均值；表示特征向量中，属于正常样本子集的均值；表示特征向量中，属于癫痫样本子集的均值；n0表示样本中正常样本的个数；n1表示样本中癫痫样本的个数；表示正常样本子集中第i个样本的功能连接值；表示癫痫样本子集中第i个样本的功能连接值；步骤2.4：采用步骤2.3的方法计算出其余所有位置的F值，得到一个大小为246*246的F值矩阵；步骤2.5：设定特征提取阈值，将F值矩阵中各位置元素大于阈值的置为1，小于等于阈值的置为0，最终得到特征提取矩阵。进一步的，所述4中长短时记忆网络的步长为3，层数为8，输入层大小为1*E，输出层为1个值；采用步骤1、2、3的方法计算出存储器中所有样本的特征矩阵，采用各样本的特征矩阵输入长短时记忆网络，使用随机梯度下降算法进行训练，更新长短时记忆网络中的参数，最终长短时记忆网络中参数基本稳定，得到训练好的长短时记忆网络。本专利技术结合动态功能连接以及长短时记忆网络的方法，使用长短时记忆网络模拟癫痫病人脑网络的动态特性，提供了一种有效的基于功能磁共振成像的癫痫诊断手段。附图说明图1为本专利技术流程图；图2为本专利技术长短时记忆网络(LSTM)结构图；图3为本专利技术不同迭代次数与分类正确率之间的关系走势图；图4为不同迭代次数，训练损失值和测试损失值。具体实施方式一种联合动态脑网络和长短时记忆网络的癫痫识别方法，包括以下几个步骤：A.脑网络的计算：步骤A1：扫描癫痫患者和正常人的静息态功能磁共振信号；对功能磁共振信号进行预处理，其中预处理包含时间校正、头动校正、配准。步骤A2：对与处理过后的功能磁共振数据，按照246个脑区的模板，计算每个脑区的平均信号，会得到246个平均信号。步骤A3：每个脑区的平均信号之间两两算皮尔逊相关系数，会得到246*246的皮尔逊相关系数组成的矩阵。该矩阵就是脑网络。B.动态脑网络的计算：步骤B1：扫描癫痫患者和正常人的静息态功能磁共振信号。对功能磁共振信号进行预处理，其中预处理包含时间校正、头动校正、配准。步骤B2：利用处理过后的功能磁共振数据，按照246个脑区的模板，计算每个脑区的平均信号，会得到246个平均信号。步骤B3：利用滑窗的方法计算每个脑区平均信号之间的皮尔逊相关系数。经过预处理后的每个人的数据有245个时间点，计算时将每个滑窗设置成50个时间点长度的窗宽，相邻两个滑窗的重叠度为90％。结果每个人会计算出40个246*246的皮尔逊相关系数组成的矩阵。C.F-score对脑网络进行特征选择：步骤C1：训练样本包含100名被试(癫痫患者50名，正常人50名)，每名被试经过步骤A1、A2、A3，一共会得到100个246*246大小的二维脑网络矩阵以及1个100*1大小的一维标签向量y，其中1表示癫痫患者，0表示正常被试。步骤C2：取出被试脑网络矩阵中第一个位置的功能连接值，第一个位置的坐标为(1，1)。会得到第一个位置所有被试的功能连接向量x，其大小为100*1。对第一个位置所有被试的功能连接向量x与标签向量y，按照F-score公式计算第一个位置的F值。F-score公式如下：其中，表示特征向量x的所有样本的均值；表示特征向量中，属于正常被试样本子集的均值；表示特征向量中，属于癫痫患者样本子集的均值；n0表示样本中正常被试的个数；n1表示样本中癫痫患者的个数；表示正常被试子集中第i个样本的功能连接值；表示癫痫患者子集中第i个样本的功能连接值；步骤C3：对脑网络矩阵每个位置，重复步骤C2，会得到大小为246*246的F值矩阵。步骤C4：提取F值矩阵中大于0.06的F值所对应的位置信息W，本专利所用数据，大于0.06包含469个功能连接。根据位置信息W，提取出三维动态本文档来自技高网...

【技术保护点】
一种联合动态脑网络和长短时记忆网络的癫痫识别装置，该装置包括数据输入接口、数据存储器、数据处理器，所述数据存储器上的数据被处理执行能够实现以下步骤；步骤1：步骤脑网络的计算：步骤11：获取病人M个时间节点的脑部静息态的功能磁共振信号，对功能磁共振信号进行包含时间校正、头动校正、配准的预处理；对每个时间节点预处理过后的功能磁共振数据进行如下处理；步骤12：按照246个脑区的模板，计算每个脑区的平均信号，会得到246个平均信号；步骤13：每个脑区的平均信号之间两两算皮尔逊相关系数，会得到246*246的皮尔逊相关系数组成的矩阵，该矩阵为脑网络；步骤2：计算动态脑网络；将步骤1得到M个时间节点的脑网络依次排列，设置时间节点的滑窗长度K和步长，在滑窗过程中计算每次处于窗内的K个脑网络的皮尔逊相关系数矩阵，滑窗完毕后得到H个246*246个皮尔逊相关系数矩阵,这些皮尔逊相关系数矩阵为动态脑网络；步骤3：对脑网络进行特征提取；采用特征提取矩阵来提取动态脑网络的特征，得到H个246*246个特征矩阵，该特征提取矩阵提取出步骤2得到的皮尔逊相关系数矩阵中特定位置的数据，其余位置数据置0，设非零包含有E个非零数据，将非零数据取出，组成一个H*E的特征矩阵；步骤4：将步骤3提取的H个246*246个特征矩阵输入训练好的长短时记忆网络，根据该长短时记忆网络的输出判断病人情况，R根据实际情况决定。...

【技术特征摘要】
1.一种联合动态脑网络和长短时记忆网络的癫痫识别装置，该装置包括数据输入接口、数据存储器、数据处理器，所述数据存储器上的数据被处理执行能够实现以下步骤；步骤1：步骤脑网络的计算：步骤11：获取病人M个时间节点的脑部静息态的功能磁共振信号，对功能磁共振信号进行包含时间校正、头动校正、配准的预处理；对每个时间节点预处理过后的功能磁共振数据进行如下处理；步骤12：按照246个脑区的模板，计算每个脑区的平均信号，会得到246个平均信号；步骤13：每个脑区的平均信号之间两两算皮尔逊相关系数，会得到246*246的皮尔逊相关系数组成的矩阵，该矩阵为脑网络；步骤2：计算动态脑网络；将步骤1得到M个时间节点的脑网络依次排列，设置时间节点的滑窗长度K和步长，在滑窗过程中计算每次处于窗内的K个脑网络的皮尔逊相关系数矩阵，滑窗完毕后得到H个246*246个皮尔逊相关系数矩阵,这些皮尔逊相关系数矩阵为动态脑网络；步骤3：对脑网络进行特征提取；采用特征提取矩阵来提取动态脑网络的特征，得到H个246*246个特征矩阵，该特征提取矩阵提取出步骤2得到的皮尔逊相关系数矩阵中特定位置的数据，其余位置数据置0，设非零包含有E个非零数据，将非零数据取出，组成一个H*E的特征矩阵；步骤4：将步骤3提取的H个246*246个特征矩阵输入训练好的长短时记忆网络，根据该长短时记忆网络的输出判断病人情况，R根据实际情况决定。2.如权利要求1所述的一种联合动态脑网络和长短时记忆网络的癫痫识别装置,其特征在于所述数据存储器上的数据被处理步骤4中选取出步骤3得到的H*E的特征矩阵的前R行数据，然后每次滑动一行，每次都提取出下一个R行数据，滑动结束后，将所有提取的数据作为长短时记忆网络的输入。3.如权利要求1所述的一种联合动态脑网络和长短时记忆网络的癫痫识别装置,其特征在于所述数据存储器上的数据被处理所述步骤2中特征提取矩...

【专利技术属性】
技术研发人员：陈华富，黄伟，王冲，颜红梅，李蓉，余洋洋，杨天，刘秩铭，杨晓青，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51