一种基于迁移学习和空洞卷积的癫痫状态识别方法技术

本发明专利技术提供一种基于迁移学习和空洞卷积的癫痫状态识别方法，包含步骤：S1、提取每组原始癫痫脑电图信号特定频率下的若干个小波包系数组作为一个特征组；S2、去除特征组中显著相关的小波包系数组，实现对特征组降维；降维后特征组的每个小波包系数均为一个特征值；S3、标准化处理从若干组原始癫痫脑电图信号提取的所有特征值；S4、将经标准化处理的的所有特征值作为测试数据集，将现有癫痫脑电图信号特征数据库中的特征作为训练数据集；通过改进的CMJAE迁移学习方法实现跨领域知识迁移，并通过二维空洞卷积神经网络作为分类器，迭代获取测试数据集的分类结果；S5、采用十折交叉验证法，验证分类准确性。

【技术实现步骤摘要】
一种基于迁移学习和空洞卷积的癫痫状态识别方法
本专利技术涉及非平稳信号的特征提取，模式分类，迁移学习和深度学习，属于信号处理和模式识别

技术介绍
目前癫痫是一种常见的神经系统疾病，根据世界卫生组织(WHO)的数据，全球每年有近240万人被诊断为癫痫，它影响着全球大约5000万人口的日常生活，并呈现逐年增加的趋势。癫痫主要是由大量神经元集群异常同步化放电活动而造成的脑功能障碍。头皮脑电或颅内脑电反映了主要的脑神经活动，包含了脑内大量的生理和病理信息，因此EEG(electroencephalogram脑电图)信号的智能识别是研究癫痫发作的主要手段。目前，癫痫的诊断需要由神经电生理医师对患者长达数天的脑电图信号进行人工分析，不仅需要消耗大量的人力物力，同时较长的时间周期也导致了一部分患者无法及时得到治疗。另一方面，因为病人之间的脑电图信号差异较大，所以在一个病人数据上训练好的分类模型在另一个病人上的识别效果往往很差，现有的模型在临床应用中的泛化性很差。因此，如何通过仅仅通过少量患者脑电图信号数据并且在训练数据和测试数据分布不一致的情况下对患者状态进行自动判别分析是本专利技术着力解决的两个问题。癫痫患者的EEG信号随机性很强，其本质上是非线性和非平稳的时间序列，信号非常复杂并且很难从视觉上给出直观解释。研究者们往往通过量化分析的方法来提取癫痫EEG信号的特征信息。在现有的研究中主要的癫痫EEG信号特征抽取方法包括三种：时域特征提取、频域特征提取和时频域特征提取。(1)时域分析方法作为最早应用于EEG信号分析中的方法，主要通过分析EEG信号波形中的信号幅度、均值、方差、标准差来提取特征。癫痫EEG信号中的棘波、尖波、慢波都可以在时域上提取出来。(2)频域分析主要分析脑电图信号的频率特征，根据脑电波的频率识别出不同的节律。同时还可以通过使用短时快速傅里叶变换(short-timeFouriertransform,STFT)方法将脑电波幅值随时间的变化转换为脑电功率随时间的变化，从而可以观察不同频段脑电波的变化情况。(3)时频分析可以提取EEG信号中时域的波形参数特征，也可以提取频域内的能量分布特征，典型的时频分析代表性技术为小波包分解。随着机器学习和深度学习技术的快速发展，多种智能识别方法都被应用于癫痫脑电的建模识别中。应用比较广泛的方法包括以下几种：极限学习机(ExtremeLearningMachine,ELM),基于前馈神经网络，通过计算分配节点参数，并计算隐含层的输出矩阵，最后求解输出权重；支持向量机(SupportVectorMachine,SVM),基于统计学习理论和结构风险最小化，利用核函数将非线性特征映射到高维空间，找到超平面实现分类；决策树(DecisionTree,DT),作为一个预测模型，代表对象属性与对象值之间的一种映射关系，使用归纳法生成决策树结构和过程中的规则，然后对测试数据进行分类；K近邻算法(K-nearestneighbor,KNN)，随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，遍历训练元组集，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别。传统的分类方法利用大量带标签信息的训练数据来训练得到一个决策函数，利用该函数来对标签信息未知的测试样本进行分类识别。但是这些分类方法均存在一个前提假设：训练数据和测试数据需满足相同的概率分布特征。同时，需要带标签的数据量必须足够大才可以训练得到一个性能足够好的分类器。现实中许多场景下，保持训练样本的概率分布与测试样本的概率分布相同是很难做到的，样本的数量往往也难以满足数量要求。对于前文所述小数据量下含有不同类型分布特征的癫痫EEG信号而言，传统的方法显然不能得到较好的分类效果。迁移学习利用与目标域数据分布不同但相关的源域训练数据来帮助目标任务进行学习，可以有效解决小数据量下不同分布数据的分类问题。空洞卷积神经网络(DilatedConvolutionalNeuralNetwork)是近些年来在卷积神经网络的基础上发展起来的，并广受关注的高效识别方法，特别是在模式识别，图像分割等领域，得到了广泛的应用。其本质上是一种不增加参数数量，同时增加输出单元感受野的一种方法。空洞卷积可以解决当二维数据输入到CNN网络提取特征时，经过池化操作降低数据尺度后，数据的很多细节被池化操作丢失的问题。空洞卷积好处是在不损失信息的情况下，加大感受野，让每个卷积输出都包含较大范围的信息。
技术实现思路
本专利技术针对癫痫脑电图信号识别中训练数据量不足以及训练数据与测试数据分布不一致导致的分类准确率低的问题，提出了一种基于迁移学习和空洞卷积的癫痫脑电图信号识别方法，能够提高辅助临床癫痫识别诊断的检测效率和准确率，减轻医生负担，防止进一步防止误诊，帮助病人获得及时治疗。为了达到上述目的，本专利技术提供了一种基于迁移学习和空洞卷积的癫痫状态识别方法，包含步骤：S1、任选若干组原始癫痫脑电图信号；对每组原始癫痫脑电图信号进行五层离散Daubechies小波包分解，从中提取特定频率下的若干个小波包系数组作为一个特征组；一个特征组对应一组原始癫痫脑电图信号；S2、计算所述特征组中的小波包系数组之间的皮尔逊相关系数和显著性P值，去除特征组中显著相关的小波包系数组，实现对特征组降维；降维后特征组的小波包系数组中的每个小波包系数均为一个有效特征；S3、标准化处理从所述若干组原始癫痫脑电图信号提取的所有有效特征；S4、将从所述若干个原始癫痫脑电图信号中提取的所有有效特征作为测试数据集，将现有癫痫脑电图信号特征数据库中的特征作为训练数据集；通过改进的CMJAE迁移学习方法实现跨领域知识迁移，并通过二维空洞卷积神经网络作为分类器，迭代获取测试数据集的分类结果；S5、采用十折交叉验证法，验证测试数据集的分类效果。所述步骤S1包含：S11、任选若干组原始癫痫脑电图信号；对每组癫痫脑电图信号进行五层离散Daubechies小波包分解，得到32个小波包系数组；每个小波包系数组对应一个频段；S12、从步骤S11得到的32个小波包系数组中，提取所对应频段不大于50HZ的小波包系数组，得到24个小波包系数组；S13、将所述24个小波包系数组作为一个特征组。步骤S2中所述去除特征组中显著相关的小波包系数组，具体是指对于特征组中皮尔逊相关系数大于0.8且P值大于0.01的若干个小波包系数组，只保留其中一个小波包系数组。步骤S3中所述标准化处理，具体是指采用z-score标准化方式，对从所述若干组原始癫痫脑电图信号提取的所有有效特征进行标准化处理。步骤S4所述迭代获取测试数据集的分类结果，具体包含步骤：S41、建立训练数据集DS和测试数据集DT，以DS为源域，DT为目标域；其中DS为现有癫痫脑电图信号数据库中的特征集合，DT为从所述若干组原始癫痫脑电图信号中提取的所有有效特征；C为DS中特征的类别数，一个特征类别对应一个标签，DS的标签集合本文档来自技高网...

【技术保护点】
1.一种基于迁移学习和空洞卷积的癫痫状态识别方法，其特征在于，包含步骤：/nS1、任选若干组原始癫痫脑电图信号；对每组原始癫痫脑电图信号进行五层离散Daubechies小波包分解，从中提取特定频率下的若干个小波包系数组作为一个特征组；一个特征组对应一组原始癫痫脑电图信号；/nS2、计算所述特征组中的小波包系数组之间的皮尔逊相关系数和显著性P值，去除特征组中显著相关的小波包系数组，实现对特征组降维；降维后特征组的小波包系数组中的每个小波包系数均为一个有效特征；/nS3、标准化处理从所述若干组原始癫痫脑电图信号提取的所有有效特征；/nS4、将从所述若干个原始癫痫脑电图信号中提取的所有有效特征作为测试数据集，将现有癫痫脑电图信号特征数据库中的特征作为训练数据集；通过改进的CMJAE迁移学习方法实现跨领域知识迁移，并通过二维空洞卷积神经网络作为分类器，迭代获取测试数据集的分类结果；/nS5、采用十折交叉验证法，验证测试数据集的分类效果。/n

【技术特征摘要】
1.一种基于迁移学习和空洞卷积的癫痫状态识别方法，其特征在于，包含步骤：
S1、任选若干组原始癫痫脑电图信号；对每组原始癫痫脑电图信号进行五层离散Daubechies小波包分解，从中提取特定频率下的若干个小波包系数组作为一个特征组；一个特征组对应一组原始癫痫脑电图信号；
S2、计算所述特征组中的小波包系数组之间的皮尔逊相关系数和显著性P值，去除特征组中显著相关的小波包系数组，实现对特征组降维；降维后特征组的小波包系数组中的每个小波包系数均为一个有效特征；
S3、标准化处理从所述若干组原始癫痫脑电图信号提取的所有有效特征；
S4、将从所述若干个原始癫痫脑电图信号中提取的所有有效特征作为测试数据集，将现有癫痫脑电图信号特征数据库中的特征作为训练数据集；通过改进的CMJAE迁移学习方法实现跨领域知识迁移，并通过二维空洞卷积神经网络作为分类器，迭代获取测试数据集的分类结果；
S5、采用十折交叉验证法，验证测试数据集的分类效果。


2.如权利要求1所述的基于迁移学习和空洞卷积的癫痫状态识别方法，其特征在于，所述步骤S1包含：
S11、任选若干组原始癫痫脑电图信号；对每组癫痫脑电图信号进行五层离散Daubechies小波包分解，得到32个小波包系数组；每个小波包系数组对应一个频段；
S12、从步骤S11得到的32个小波包系数组中，提取所对应频段不大于50HZ的小波包系数组，得到24个小波包系数组；
S13、将所述24个小波包系数组作为一个特征组。


3.如权利要求1所述的基于迁移学习和空洞卷积的癫痫状态识别方法，其特征在于，步骤S2中所述去除特征组中显著相关的小波包系数组，具体是指对于特征组中皮尔逊相关系数大于0.8且P值大于0.01的若干个小波包系数组，只保留其中一个小波包系数组。


4.如权利要求1所述的基于迁移学习和空洞卷积的癫痫状态识别方法，其特征在于，步骤S3中所述标准化处理，具体是指采用z-score标准化方式，对从所述若干组原始癫痫脑电图信号提取的所有有效特征进行标准化处理。


5.如权利要求1所述的基于迁移学习和空洞卷积的癫痫状态识别方法，其特征在于，步骤S4所述迭代获取测试数据集的分类结果，具体包含步骤：
S41、建立训练数据集DS和测试数据集DT，以DS为源域，DT为目标域；其中DS为现有癫痫脑电图信号数据库中的特征集合，DT为从所述若干组原始癫痫脑电图信号中提取的所有有效特征；C为DS中特征的类别数，一个特征类别对应一个标签，DS的标签集合为yc为标签；DS和DT共享标签集合Y；
S42、通过二...

【专利技术属性】
技术研发人员：王守岩，沈雷，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31