基于卷积神经网络的癫痫无创诊断的识别算法制造技术

本发明专利技术专利针对癫痫的脑电检测的低识别率现象，设计了高精度模式识别算法。算法创新性地运用卷积神经网络对传感信号处理，从而进行疾病和健康的分类。算法由PYTHON3.6.5的Keras工具搭建，包括三层卷积层，三个池化层和四个随机失活层，最后用两个全连接层得到最终输出。电子鼻系统的传感时间序列数据作为算法的输入，最终得到高准确率、高灵敏度和高特异性的癫痫或健康的识别效果。此算法可在癫痫无损检测领域进行广泛应用。

Recognition algorithm for noninvasive diagnosis of epilepsy based on convolutional neural network

【技术实现步骤摘要】
基于卷积神经网络的癫痫无创诊断的识别算法
本专利技术专利针对癫痫无创检测领域，特别是脑电模式识别领域。
技术介绍
脑电包含了大量的生理和病理信息,可以直接在人体上进行测量,适合于临床应用,能够为某些脑疾病提供诊断依据,甚至成为某些脑疾病有效的治疗手段。近年来,对认知功能的研究越来越受到人们的重视,有效的分析、评价认知功能,对认知障碍疾病的检测和治疗有着重大意义。为此，本申请人设计了针对疾病检测的模式识别系统的高精度识别算法解决上述问题，以提高疾病识别率。脑电数据收集后仍需要合理的数据处理方法才能完成高精度的疾病的识别。因此，除了合理的数据采集操作，模式识别的算法设计更为重要，但目前国内外学者对癫痫疾病诊断做出一些研究分析显示,诊断仍存在分类类别少,分类准确率低的问题。
技术实现思路
本专利技术专利针对上述现有技术存在的缺陷，设计了针对疾病筛查系统的模式识别算法。本算法创新性地将卷积神经网络应用于无创疾病筛查系统中。本专利技术专利的技术系统能很好的实现了对健康志愿者和疾病患者的分类，使疾病患者能够被精准地从样本集中识别出来，实现疾病的无创诊断。为实现疾病的有效识别，本专利技术专利提出了基于卷积神经网络的模式识别算法，算法构架为端到端系统，能够实现特征的自动提取，并进行有效分类。算法含有三层卷积网络，三个池化层和四个随机失活层，最后用两个全连接层得到最终输出。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，对数据进行学习、有稳定的效果且对数据没有额外的特征工程。要求本专利技术专利的有益效果：本专利技术专利由PYTHON3.6.5的Keras工具搭建，再结合正确的数据采集过程，有效提高疾病识别率，从而提高患者存活率。如图1为算法流程图。整个算法的结构的具体步骤如下：步骤1：数据采集后进行预处理，得到脑电信号的时序信息；步骤2：将时序数据作为样本集，并取其子集作为训练数据输入给CNN网络；步骤3：运用反向传播和梯度下降对网络进行训练，得到内部的模型参数；步骤4：将最终模型进行保存，输入测试集进行识别效果测试，最终模型可用于实际癫痫判断环节。所述步骤1包括以下步骤：步骤1.1：数据采集：采集足量的脑电数据作为样本集；步骤1.2：数据预处理：脑电信号数据进行小波变换后得到预处理后的传样本的数据。所述步骤2包括以下步骤：步骤2.1：CNN网络的搭建：一共采用三次卷积层，卷积层含有池化层和随机失活层，卷积完成后将隐藏特征扁平化后输入第一层全连接网络，再进行一次随机失活后进行第二层全连接进行最终的识别分类。步骤2.2：初始化网络内部参数，并将传感网络时序数据输入所搭建的CNN网络。所述步骤3包括以下步骤：步骤3.1：使用反向传播和梯度下降调节所搭建网络的内部参数；步骤3.2：进行N轮训练后模型收敛。所述步骤4包括以下步骤：步骤4.1：将模型及模型参数进行保存；步骤4.2：将未经过训练的样本数据输入模型进行模型评估，最终将保存的模型运用在实际检测中。本专利技术专利算法进行有效的癫痫与健康的二分类，其算法达到的最终效果为：94.98％的准确率和0.0397的方差、93.84％的准确率及0.0349的方差和94.41％的特异性及0.0404的方差。【附图说明】图1是算法的结构图图2是算法流程图图3是算法训练过程图【具体实施方式】如图2所示为算法结构示意图图，第一步先用多个卷积核提取传感器数据的特征，每个卷积核提取的特征是不一样的，所以最后能提取到不同的特征。第二步进行池化操作进行特征缩减。第三步用一层随机失活防止过拟合。第四步到第九步两次重复前三步，在提取特征的基础上进一步提取特征得到最终用于分类的深层特征。第十步，将特征扁平化。第十一步将扁平化的特征喂入第一层全连接层。第十二步是用一层随机失活层防止过拟合。第十三步是第二层全连接层进行最后的分类输出。整个网络通过训练和十折交叉验证，得到了最终的模型参数可直接用于实际检测。具体步骤如下：步骤1：数据采集后进行预处理，得到脑电信号的时序数据；步骤2：将时序数据作为样本集，并取其子集作为训练数据输入给CNN网络；步骤3：运用反向传播和梯度下降对网络进行训练，得到内部的模型参数；步骤4：将最终模型进行保存，输入测试集进行识别效果测试，最终模型可用于实际疾病检测环节。所述步骤1包括以下步骤：步骤1.1：数据采集：采集目标为人体脑电数据；步骤1.2：数据预处理：对传感器反应数据进行小波变换后得到最终的传感器时序数据。所述步骤2包括以下步骤：步骤2.1：CNN网络的搭建：一共采用三次卷积层，卷积层含有池化层和随机失活层，卷积完成后将隐藏特征扁平化后输入第一层全连接网络，再进行一次随机失活后进行第二层全连接进行最终的识别分类。步骤2.2：初始化网络内部参数，并将传感网络时序数据输入所搭建的CNN网络。所述步骤3包括以下步骤：步骤3.1：使用反向传播和梯度下降调节所搭建网络的内部参数；步骤3.2：进行N轮训练后模型收敛，训练过程如图3所示。所述步骤4包括以下步骤：步骤4.1：将模型及模型参数进行保存；步骤4.2：将未经过训练的样本数据输入模型进行模型评估，最终将保存的模型运用在实际检测中。最终模型的评估结果如表1所示，准确率、灵敏度、特异性和F1分数均高于93％。F1分数，是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。因此，综合各种指标，本专利中的算法拥有较好的实用前景和泛化能力。表1：模型结果应说明的是，以上实施例仅用以说明本专利技术专利针对脑疾病筛查的说明，而不是对本专利技术专利的限定。本领域的普通技术人员应当理解，可以对本设计的技术方案进行修改或者等同替换，而不脱离本专利技术技术方案的精神和范围，其均应涵盖在本专利技术的权利要求范围当中。本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的癫痫无创检测系统的模式识别算法，包括以下步骤：步骤1：数据采集后进行预处理，得到脑电信号的时序数据；步骤2：将时序数据作为样本集，并取其子集作为训练数据输入给CNN网络；步骤3：运用反向传播和梯度下降对网络进行训练，得到内部的模型参数；步骤4：将最终模型进行保存，输入测试集进行识别效果测试，最终模型可用于实际无创检测环节。

【技术特征摘要】
1.基于卷积神经网络的癫痫无创检测系统的模式识别算法，包括以下步骤：步骤1：数据采集后进行预处理，得到脑电信号的时序数据；步骤2：将时序数据作为样本集，并取其子集作为训练数据输入给CNN网络；步骤3：运用反向传播和梯度下降对网络进行训练，得到内部的模型参数；步骤4：将最终模型进行保存，输入测试集进行识别效果测试，最终模型可用于实际无创检测环节。2.根据权利要求1所述的癫痫检测中基于卷积神经网络的模式识别算法，其使用癫痫脑电信号诊断系统，能有效区分癫痫患者和健康人群。3.根据权利要求所述基于卷积神经网络的无创癫痫筛查系统的模式识别算法,其特征是所述步骤1包括以下步骤；步骤1.1：数据采集：采集脑电数据；步骤1.2：数据预处理：脑电波数据进行小波变换后得到预处理后的样本数据。4.根据权利要求所述基于卷积神经网络的无创癫痫...

【专利技术属性】
技术研发人员：符礼丹，陆彬春，艾海男，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50