一种基于GRU循环神经网络的疾病诊断系统技术方案

本发明专利技术涉及的一种基于GRU循环神经网络的癫痫无创检测数据分析的方法，对志愿者的脑电数据进行分析，通过脑电的信息判断是否患有癫痫。本发明专利技术解决了脑电数据检测数据维度高、时序性强等导致的癫痫诊断的误诊率、漏诊率高等问题。基于GRU循环神经网络的数据分析方法对采集的脑电数据进行处理，主要包括：S1利用便携式脑电信号采集端采集志愿者的脑电信号并进行保存，S2对采集的脑电数据进行预处理，例如滤波等，S3利用GRU对预处理后的训练集进行训练，S4训练过程通过反馈信号对参数进行调整，S5得到分类模型，适用于脑电信号的分类处理，并判断是否为癫痫患者。

A Disease Diagnosis System Based on GRU Circulating Neural Network

【技术实现步骤摘要】
一种基于GRU循环神经网络的疾病诊断系统
本专利技术涉及无创检测系统的数据分析
，特别涉及一种用于癫痫诊断的GRU循环神经网络数据处理方法，该方法是利用脑电信号诊断癫痫的重要部分。
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。癫痫是一种脑内神经元异常放电,导致部分或整个脑功能障碍的慢性疾病,脑电图蕴含丰富的大脑机能信息,对癫痫疾病诊断具备很高的参考价值。在传统诊断过程中,医生需要收集患者一天或者多天的脑电数据,大量的脑电数据使得医务人员劳动强度增加,检测效率降低,而且医务人员可能受主观因素干扰,存在检查标准不一的弊端。因此,对癫痫疾病的智能诊断变得尤为重要。目前国内外学者对癫痫疾病诊断做出一些研究分析,但仍存在分类类别少,分类准确率低的问题。本专利技术涉及疾病诊断中信号数据分析算法部分，算法的选择显著影响无创检测系统的识别能力，使用深度学习算法对采集的脑电数据进行分类，可以避免传统机器学习的特征提取过程，并且根据误差反向调节特征提取过程，得到更加准确的深层特征，最终实现数据的分类。GRU是时间递归神经网络的一种，对时间序列信号具有很好的数据分析能力。
技术实现思路
近年来，因脑电信号在癫痫诊断方面具备很高的参考价值，数据分析算法作为检测系统中重要的一部分，可直接影响疾病的识别能力，本专利技术的目的是提供一种基于门控循环单元(GRU)的疾病筛查方法及装置，以有效的实现对疾病的检测，提高系统的识别效果。一种基于GRU的疾病诊断系统包括以下步骤：利用便携式脑电信号采集方法得到样本。首先，对样本数据进行预处理，将预处理后的数据输入到GRU对网络中进行训练，训练过程通过反馈信号对参数进行调整，得到分类模型，适用于脑电信号的数据分析，并判断是否为癫痫。S1.利用便携式脑电信号采集端采集志愿者的脑电信号并进行保存；S2.对采集的原始数据进行预处理，采用小波滤波的方法进行滤波，对脑电信号进行分解和重构，得到脑电信号的时域信息。S3.数据预处理完成后，门控循环单元GRU对训练集进行训练，对数据进行训练并利用误差反向调节得到更加丰富的脑电信息的特征，通过每次迭代的损失函数判断训练的效果；S4.训练过程通过反馈信号对参数进行调整，并对隐含层数进行选择；S5.通过数据训练得到分类模型，适用于样本的分类，提高利用脑电信号对癫痫诊断效果。优选地，S3数据训练过程中，数据本身的噪声会导致过拟合，使得数据在训练集上有良好的表现，但是在测试集上的识别效果无法保证，为了防止这种情况的出现，采用正则化的方法对模型的复杂程度进行限制。训练过程如图3所示。【附图说明】图1是算法的流程图图2是GRU原理结构图图3是训练过程中的损失值和准确率变化曲线【具体实施方式】在本专利技术所阐述的基于GRU的疾病筛查中数据分析的方法，步骤S1.利用便携式脑电信号采集端进行脑电数据采集，并进行保存。步骤S2.数据预处理中采用滤波的方法去噪，采用小波进行滤波，对脑电信号进行分解和重构，得到脑电信号的时域信息。步骤S3.数据预处理完成后，采用门控循环单元(GRU)的方法对数据进行训练并利用GRU具有的“记忆功能”，将上一时刻的“记忆单元”和上一时刻的输入一起作为输入给网格，并且通过重置门、更新门对通过的信息进行选择保留和输入，可以利用数据的全部信息；步骤S4.GRU对数据集进行训练的过程，通过反馈信号对参数进行调整，并对隐含层数进行选择，步骤具体如下：zt表示更新门，rt表示重置门，σ表示sigmoid激活函数。zt＝σ(Wz·[ht-1,xt])rt＝σ(Wr·[ht-1,xt])这些门的计算公式由使用不同参数矩阵构成，所有的门隐藏状态的大小相同。W为系数矩阵，xt为t时刻的输入，h为隐藏层输出。步骤S5.通过数据训练得到分类模型，可以应用于疾病检测系统的疾病诊断中。在本专利技术所阐述的基于GRU的疾病筛查中数据分析的方法，步骤S3分类识别中是基于深度学习算法对原始数据进行识别，判断是否患有癫痫。最终结果如表1所示，准确率达到93.03％，具有较好的实际应用特性。上述方法实例与系统是一一对应的，因此，方法的扩展也可适用于上述系统实例实施。结合本文所公开的实例描述的方法或者算法的步骤可直接用于硬件、处理执行的软件模块，或者二者结合起来实施。可以理解的是，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。表1模型结果图本文档来自技高网...

【技术保护点】
1.为使无创癫痫诊断系统的具有较好的识别效果，提出一种基于GRU循环神经网络的癫痫诊断数据分析方法，其特征在于，包括以下步骤：步骤S1：利用便携式脑电信号采集端对样本的脑电信号进行采集并保存；步骤S2：对样本的脑电数据进行预处理，例如滤波等；步骤S3：利用GRU对预处理后数据组成的训练集进行训练；步骤S4：训练过程通过反馈信号对参数进行调整；步骤S5：得到分类模型，适用于呼吸样本的分类处理，并判断是否为癫痫患者。

【技术特征摘要】
1.为使无创癫痫诊断系统的具有较好的识别效果，提出一种基于GRU循环神经网络的癫痫诊断数据分析方法，其特征在于，包括以下步骤：步骤S1：利用便携式脑电信号采集端对样本的脑电信号进行采集并保存；步骤S2：对样本的脑电数据进行预处理，例如滤波等；步骤S3：利用GRU对预处理后数据组成的训练集进行训练；步骤S4：训练过程通过反馈信号...

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