一种基于半监督深层生成对抗网络的癫痫发作预测方法技术

本发明专利技术公开了一种基于半监督深层生成对抗网络的癫痫发作预测方法，采用指定长度的滑动窗口对N导原始脑电样本的每一导脑电数据进行分段加窗处理，分割时相邻子窗之间叠加扩容处理，共得到S段子信号；分别对S段子信号进行短时傅立叶变换，获得频谱信号，并将得到的频谱数据转换成图片形式表示。将处理好的图片信息分别按照有标签训练样本、训练样本标签、无标签训练样本输入到半监督深层生成对抗网络中的判别器中进行训练与分类。向生成器中输入Z维噪声数据，经过生成器生成与无标签数据分布相似的伪数据图像。通过半监督学习形式逐渐释放癫痫发作预测对有标记数据的依赖，获得更好的分类准确率。

Prediction method of epileptic seizure based on semi supervised deep generation network confrontation

【技术实现步骤摘要】
一种基于半监督深层生成对抗网络的癫痫发作预测方法
本专利技术涉及脑电信号处理技术、深度学习领域，尤其涉及癫痫发作不同时期脑电信号分类方法。
技术介绍
癫痫是一种以反复发作为特征的常见脑部疾病，全球约有6500万人受癫痫疾病困扰，在我国现有600万～900万癫痫患者并且以每年40万左右的速度在增长。癫痫发作对于患者及患者家人的生活和精神造成很大影响，甚至会危及患者生命安全。癫痫状态是内科常见急症，若不及时治疗可因高热、循环衰竭、电解质紊乱或神经元兴奋毒性损伤导致永久性脑损害，致残率和死亡率均很高。任何类型的癫痫均可出现癫痫状态，其中全面强直-阵挛发作最常见，危害性也最大。轻度癫痫可以通过药物或手术治疗，部分难治性癫痫(约30％)无法完全治愈。因此有效的癫痫发作预测可以帮助病人、家属和医护人员及时发现病患发作情况，便于脱离危险情况和及时给药抑制癫痫发作，避免癫痫大发作。脑电波(Electroencephalography,EEG)是常用的癫痫诊断手段，医护人员通过观察记录的EEG信号判断癫痫病人所处的生理状态。脑电波分为颅外脑电波EEG和颅内脑电波iEEG。癫痫病人发作前期与发作期间大量神经元族群突发性同时异常放电，典型的痫样放电现象显著。目前癫痫诊断多由经验丰富的医护人员人工观察脑电波图给出判断，工作量繁重、对人工经验依赖性高容易造成信息偏颇、主观因素影响大。因此，对于脑电的研究首要发展方向为减少人工参与，降低对有标签数据的依赖程度。研究人员的终极追求则是对医疗数据的安全可靠的无监督处理方式。由于脑电信号的高度复杂性、非线性、非平稳性等特点使得对于脑电的分析一直是国内外研究的热点与难点。虽然已有许多学者对癫痫发作预测作出研究工作，但是在临床应用中还稍显不足、目前尚未能取得理想效果。癫痫发作形式多样发作期间常伴随如肌肉收缩、肢体抽搐、眨眼伪迹等运动产生干扰脑电波，不同被试间个体发作形式差异明显，同一病人的多次发作间发作机理和发作形式也不尽相同。这使得人工筛选特征变得尤为艰难。因此，准确进行预测癫痫发作仍具有一定挑战。因此，能够对于脑电信号的自动提取深层次、高维度特征，向无监督学习逐步迈进的方法将是脑电信号处理的未来研究方向之一。
技术实现思路
针对上述问题，本专利技术的目的在于采用了一种基于半监督对抗生成网络的癫痫发作预测方法，通过该方法对癫痫脑电信号的不同时期进行分类。本专利技术主要思考是：利用半监督学习方法，将有标签数据和无标签数据一同送入神经网络结构中进行学习与分类，逐步减小模型结构对有标注数据的依赖程度。此外采用半监督深层对抗生成网络，将生成对抗网络模型引入脑电识别中，利用生成器的强大功能对原始脑电信号进行深度、高维度特征学习与提取，与此同时生成学习到的伪脑电时频图用以训练判别器。最后，利用生成器与判别器之间的对抗优化和判别器自身作为神经网络对脑电时频特征的学习不断优化判别器的性能，达到准确分类的效果。首先，对有标签癫痫脑电和无标签癫痫脑电的N导原始脑电样本数据进行分段加窗分割，窗口长度为W，相邻子窗之间相互重叠进行数据增强及扩容处理，重叠率为50％，得到S段子信号；然后，分别对S段子信号进行傅立叶变换，获得频谱信号，并将频谱数据转换成32*32大小的图片形式表示。然后，将Z维噪声数据送入生成器中，经过对抗与生成训练过程获得生成图像。最后将有标签数据、无标签数据和生成数据一同送入判别器中分类，得到最后的分类结果；该方法包括以下步骤：步骤一，输入原始脑电信号数据。原始脑电信号数据包括：有标签训练样本集、训练样本集标签、无标签训练样本集、测试样本集、测试样本集标签。同一组被试采集到的样本电极导数相同，样本电极导数用N表示，不同被试间N取值未必相同。训练样本标签、测试样本标签即为每个样本数据对应的数据所属类别。步骤二，将原始脑电信号数据转化成频谱形式表示。首先，采用指定长度的滑动窗口对原始脑电信号数据中每一组样本的每一导脑电信号数据进行分段加窗分割，共N导，其中滑动窗口的长度取决于原始数据的长度和采样频率，滑动窗口长度用W表示，每一次分割得到一个子窗，步长为W/2，即相邻子窗之间进行叠加扩容处理，共得到S段子窗信号；步骤三，计算对应数据傅立叶变化结果。对步骤二中所得到的每一段子窗信号计算傅里叶变换获得频谱信息，分别对步骤二中所得的S段子窗信号进行傅立叶变换计算获得二维脑电频谱数据。步骤四，将步骤三中计算出的二维脑电频谱数据转换成图片。根据获得的二维脑电频谱数据，输出成脑电频谱图。步骤五，利用半监督深层生成对抗网络生成伪样本。将维度为Z的随机噪声数据输入到半监督深层生成对抗网络中的生成器G中，生成器G从噪声数据中进行随机采样，将步骤四中的脑电频谱图利用反卷积生成伪脑电频谱数据图。步骤六，对抗生成分类。将步骤四中的脑电频谱图和步骤五中的伪脑电频谱数据图一同送入判别器中进行训练与分类，得到最后的分类结果。训练的同时生成器G会根据判别器的判别结果优化自己生成能力，以生成与原始脑电频谱图像数据分布相近的伪脑电频谱数据图。判别器通过与生成器G之间的对抗训练，迭代优化后最终获得更加准确的分类效果。实验结果如下表所示。为了验证本文提出方法的有效性，与一些经典的特征提取方法做对比其中第一行为Coherencemean(CM)特征，该特征对Dog1效果非常好准确率达到94.99％，对于Dog2、Dog3、Dog5效果不错都能达到超过百分之九十以上的准确率，但是对Dog4的分类准确率较低88.79％。第二行为Spectralentropy(SE)特征，第三行为Spectralrelationpower(SRP)特征第四行为多种特征融合分类的对比实验。前四种特征是针对原始脑电信号数据进行的特征提取。第五行为频谱图加卷积神经网络(ConvolutionalNeuralNetwork，CNN)的分类效果。第六行为频谱图加超限学习机(ExtremeLearningMachine)的分类结果。最后一行即为本方法的实验结果，可以看出本方法在各个被试中的实验准确率都很高，其中对Dog2、Dog3、Dog5的分类准确率最佳。所有方法依次在五组犬类进行实验最终获得的分类结果如上表所示。本文提出的方案优势在于：(一)本方法在各个被试上的实验结果显示，本方法对各个被试都有很高的分类准确率。(二)利用半监督学习方法，将无标注数据和有标注数据一同送入神经网络结构中进行学习与分类，逐步解放模型结构对有标注数据的依赖程度。(三)采用深层对抗生成网络，将生成对抗网络模型引入脑电识别中，利用生成器的强大功能对原始脑电信号进行深度特征学习的同时生成伪脑电时频图。利用生成器与判别器之间的对抗优化和判别器自身作为神经网络对脑电时频特征的学习不断优化判别器的性能，达到准确分类的效果。(四)采用半监督学习方法，判别器对于生成器生成的伪数据与真数据的判断使其获得先验知识，对于数据的真假有了初步的判断，初步学到一些特征，继而使用真实数据进行特征学习与训练。附图说明图1是本专利技术所设计方法的流程图。图2是本专利技术所设计的半监督深度生成对抗网络结构流程示意图。具体实施方式下面结合附图和具体实施方式对本专利技术做进一步的描述。步骤一，数据获取。本专利技术所述方法应用于由宾夕法尼亚大学和梅奥诊本文档来自技高网...

【技术保护点】
1.一种基于半监督深层生成对抗网络的癫痫发作预测方法，其特征在于：该方法包括以下步骤：步骤一，输入原始脑电信号数据；原始脑电信号数据包括：有标签训练样本集、训练样本集标签、无标签训练样本集、测试样本集、测试样本集标签；同一组被试采集到的样本电极导数相同，样本电极导数用N表示，不同被试间N取值未必相同；训练样本标签、测试样本标签即为每个样本数据对应的数据所属类别；步骤二，将原始脑电信号数据转化成频谱形式表示；首先，采用指定长度的滑动窗口对原始脑电信号数据中每一组样本的每一导脑电信号数据进行分段加窗分割，共N导，其中滑动窗口的长度取决于原始数据的长度和采样频率，滑动窗口的长度用W表示，每一次分割得到一个子窗，步长为W/2，即相邻子窗之间进行叠加扩容处理，共得到S段子窗信号；步骤三，计算对应数据傅立叶变化结果；对步骤二中所得到的每一段子窗信号计算傅里叶变换获得频谱信息，分别对步骤二中所得的S段子窗信号进行傅立叶变换计算获得二维脑电频谱数据；步骤四，将步骤三中计算出的二维脑电频谱数据转换成图片；根据获得的二维脑电频谱数据，输出成脑电频谱图；步骤五，利用半监督深层生成对抗网络生成伪样本；将维度为Z的随机噪声数据输入到半监督深层生成对抗网络中的生成器G中，生成器G从噪声数据中进行随机采样，将步骤四中的脑电频谱图利用反卷积生成伪脑电频谱数据图；步骤六，对抗生成分类；将步骤四中的脑电频谱图和步骤五中的伪脑电频谱数据图一同送入判别器中进行训练与分类，得到最后的分类结果；训练的同时，生成器G会根据判别器的判别结果优化自己生成能力，以生成与原始脑电频谱图像数据分布相近的伪脑电频谱数据图；判别器通过与生成器G之间的对抗训练，迭代优化后最终获得分类效果。...

【技术特征摘要】
1.一种基于半监督深层生成对抗网络的癫痫发作预测方法，其特征在于：该方法包括以下步骤：步骤一，输入原始脑电信号数据；原始脑电信号数据包括：有标签训练样本集、训练样本集标签、无标签训练样本集、测试样本集、测试样本集标签；同一组被试采集到的样本电极导数相同，样本电极导数用N表示，不同被试间N取值未必相同；训练样本标签、测试样本标签即为每个样本数据对应的数据所属类别；步骤二，将原始脑电信号数据转化成频谱形式表示；首先，采用指定长度的滑动窗口对原始脑电信号数据中每一组样本的每一导脑电信号数据进行分段加窗分割，共N导，其中滑动窗口的长度取决于原始数据的长度和采样频率，滑动窗口的长度用W表示，每一次分割得到一个子窗，步长为W/2，即相邻子窗之间进行叠加扩容处理，共得到S段子窗信号；步骤三，计算对应数据傅立叶变化结果；对步骤二中所得到的每一段子窗信号计算傅里叶变换获得频谱信息，分别对步骤二中所得的S段子窗信号进行傅立叶变换计算获得二维脑电频谱数据；步骤四，将步骤三中计算出的二维脑电频谱数据转换成图片；根据获得的二维脑电频谱数据，输出成脑电频谱图；步骤五，利用半监督深层生成对抗网络生成伪样本；将维度为Z的随机噪声数据输入到半监督深层生成对抗网络中的生成器G中，生成器G从噪声数据中进行随机采样，将步骤四中的脑电频谱图利用反卷积生成伪脑电频谱数据图；步骤六，对抗生成分类；将步骤四中的脑电频谱图和步骤五中的伪脑电频谱数据图一同送入判别器中进行训练与分类，得到最后的分类结果；训练的同时，生成器G会根据判别器的判别结果优化自己生成能力，以生成与原始脑电频谱图像数据分布相近的伪脑电频谱数据图；判别器通过与生成器G之间的对抗训练，迭代优化后最终获得分类效果。2.根据权利要求1所述的一种基于半监督深层生成对抗网...

【专利技术属性】
技术研发人员：段立娟，刘莉莉，肖莹，乔元华，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11