一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法技术

本发明专利技术公开了一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法，在对有限数量的癫痫患者进行癫痫脑电图检查的情况下，能够通过生成适配于目标癫痫发作类型的癫痫脑电片段，使得选取的各种目标癫痫发作类型不再存在训练数据数量不均衡问题；并且，通过改进损失函数的采样方法，使得损失函数的第三项改变为

【技术实现步骤摘要】
一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法
本专利技术涉及一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法。
技术介绍
目前深度学习建模在医学领域面临的一个巨大的挑战就是每种类型数据数量不均衡，并且很多数据集都没有标注，这将导致或加重训练过程中过拟合现象，以及CNN分类性能差等一系列问题！如果想取得重大的突破，就必须解决高质量数据集难以获得这一问题。经调查研究发现，数据集难点在于以下三方面：一方面，因为对于癫痫脑电信号的标注需要具有深厚专业功底的医学专家针对医学图像进行精确识别、精细标注，这是一项庞大的工程，并且需要耗费大量的时间去标注；另一方面，癫痫数据中或多或少隐含着每一个患者的私人信息以及很多已获得的癫痫信号不符合训练集的特征；第三，数据各类型的数量不均衡，有些发作类型特别稀缺，不能达到训练集数量要求。令癫痫脑电的每种类型数据数量均衡，最简单的思路是增大对癫痫脑电图的采集数量，从中人工筛选出数量均衡的各种癫痫发作类型的数据，以作为训练集进行深度学习训练，但由于深度神经网络的本文档来自技高网...

【技术保护点】
1.一种癫痫脑电信号的训练数据生成方法，其特征在于，包括：/n步骤A1-1、对多名癫痫患者进行癫痫脑电图检查，以得到每一名所述癫痫患者的癫痫脑电数据，并将所述癫痫脑电数据的单道通数据记为单通道癫痫脑电信号；/n步骤A1-2、选取多种癫痫发作类型作为目标癫痫发作类型，对所述步骤A1-1获得的每一个单通道癫痫脑电信号进行预处理，以对应每一种所述目标癫痫发作类型得到一个训练集，所述训练集包含若干个属于对应目标癫痫发作类型的癫痫脑电片段，该癫痫脑电片段由所述单通道癫痫脑电信号分割而成并具有固定时长T，该癫痫脑电片段所包含采样值

【技术特征摘要】
1.一种癫痫脑电信号的训练数据生成方法，其特征在于，包括：
步骤A1-1、对多名癫痫患者进行癫痫脑电图检查，以得到每一名所述癫痫患者的癫痫脑电数据，并将所述癫痫脑电数据的单道通数据记为单通道癫痫脑电信号；
步骤A1-2、选取多种癫痫发作类型作为目标癫痫发作类型，对所述步骤A1-1获得的每一个单通道癫痫脑电信号进行预处理，以对应每一种所述目标癫痫发作类型得到一个训练集，所述训练集包含若干个属于对应目标癫痫发作类型的癫痫脑电片段，该癫痫脑电片段由所述单通道癫痫脑电信号分割而成并具有固定时长T，该癫痫脑电片段所包含采样值的数量记为m；
步骤A1-3、判断所述步骤A1-2选取的目标癫痫发作类型是否存在训练数据数量不均衡问题，如果任意一种所述目标癫痫发作类型满足不平衡条件，即：该目标癫痫发作类型的训练集所包含癫痫脑电片段的数量少于预设的目标训练数据数量，则判定存在训练数据数量不均衡问题，否则，判定不存在训练数据数量不均衡问题；
步骤A1-4、当判定存在训练数据数量不均衡问题时，对于满足所述不平衡条件的目标癫痫发作类型，用该目标癫痫发作类型对应的癫痫脑电片段对生成式对抗网络进行训练，以得到所述生成式对抗网络的最优生成器，再通过向所述最优生成器输入随机噪声信号，生成适配该目标癫痫发作类型的癫痫脑电片段，并将生成的癫痫脑电片段补充入所述训练集中，直至该目标癫痫发作类型不再满足所述不平衡条件，使得所述步骤A1-2选取的目标癫痫发作类型不再存在训练数据数量不均衡问题；
其中，所述生成式对抗网络的判别器采用以下损失函数：



式中，D表示损失值；
真实梯度矩阵的计算方式为：从输入所述判别器的真实脑电训练数据中随机抽取K个所述癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的癫痫脑电片段的m个采样值求梯度，计算得到的K个梯度即为所述真实梯度矩阵其中，所述真实脑电训练数据由所述目标癫痫发作类型的训练集中的n个癫痫脑电片段组成，K≤n；
真实梯度为所述真实梯度矩阵的K个梯度的平均数；
生成梯度矩阵的计算方式为：从输入所述判别器的生成脑电训练数据中随机抽取K个生成癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的生成癫痫脑电片段的m个生成采样值求梯度，计算得到的K个梯度即为所述生成梯度矩阵其中，所述生成脑电训练数据由所述生成式对抗网络的生成器生成，其包含n个生成癫痫脑电片段，每一个所述生成癫痫脑电片段包含m个生成采样值K≤n；
生成梯度为所述生成梯度矩阵的K个梯度的平均数；
系数λ的取值范围在-1至1之间的常数；
真实范数矩阵的计算方式为：用tensorflow框架中的tf.square()函数和tf.sqrt()函数对所述真实梯度矩阵的每一个梯度求范数，计算得到的K个范数即为所述真实范数矩阵
生成范数矩阵的计算方式为：用tensorflow框架中的tf.square()函数和tf.sqrt()函数对所述生成梯度矩阵的每一个梯度求范数，计算得到的K个范数即为所述生成范数矩阵
范数的计算方式为：分别对所述真实范数矩阵和生成范数矩阵的范数进行排序，将所述真实范数矩阵的第i个范数的平方与所述生成范数矩阵的第i个范数的平方之和记为第i个范数平方和，1≤i≤K，以得到K个所述范数平方和，该K个范数平方和的平均...

【专利技术属性】
技术研发人员：蔡庆玲，何鸿奇，孙玮，林进可，林满盈，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44