一种基于小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法技术

本发明专利技术公开了一种基于MEG信号的小波散射因子的特征提取与LSTM网络模型相结合的颞叶癫痫分类的研究方法，包括以下步骤：(1)提取左侧颞叶癫痫，右侧颞叶癫痫以及正常人的262通道的MEG信号；(2)构建小波散射网络，并计算各个通道的散射因子；(3)将散射因子作为LSTM神经网络的输入并进行训练学习；(4)利用平均分类准确率、标准差以及F

【技术实现步骤摘要】
一种基于小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法
本专利技术属于生物医学领域，具体涉及一种基于MEG信号小波散射网络构建及特征提取与LSTM神经网络模型相结合的颞叶癫痫分类的研究方法。
技术介绍
颞叶癫痫(TemporalLobeEpilepsy)是由大脑内部神经元群突发性异常放电引起的一种脑部疾病，临床上的症状主要表现为神经元退变伴减少，前颞、海马神经元变性坏死，嗜节现象伴胶质细胞增生等症状。近年来研究表明左右侧聂叶癫痫会对大脑的语言行为甚至性认知功能造成不同的影响，因此对左右侧颞叶癫痫区分有助于辅助诊断治疗以及术后恢复。目前癫痫的检测手段主要包括fMRI，EEG，由于fMRI数据时间分辨率较低，而EEG信号多为非侵入式信号，电压信号的采集不稳定。MEG信号的采集方式为非侵入式的，且它是一种非平稳的，非线性的复杂信号，具有高时间和空间分辨率，有利于癫痫信号的表征。但左右侧颞叶癫痫MEG信号具有易混淆性，采用小波散射能够有效的提取MEG信号的时频特性，能够提取信号的多维特征，利用LSTM与小波散射网络相结合，有效的区分三类不同人群。
技术实现思路
专利技术目的：为了寻找区分左侧颞叶癫痫，右侧颞叶癫痫与正成人的有效方法，本专利技术提供了一种基于小波散射网络的特征提取与LSTM神经网络模型相结合的颞叶癫痫分类识别的研究方法，该方法从MEG信号的非平稳性、非线性、时频域和复杂度等特征上，找出三种不同情况MEG信号的异同性，从而区分左右侧颞叶癫痫以及正常人，帮助疾病的辅助治疗恢复。本专利技术的技术方案如下：一种基于小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是包括以下步骤：步骤(1)导入预处理后的MEG脑磁图信号；步骤(2)通过数据增强，构建样本库；步骤(3)通过构建的小波散射网络，对各个通道MEG信号散射，计算其0至2阶的小波因子，共得到15982维散射因子；步骤(4)将15982维散射因子输入LSTM神经网络进行训练学习；步骤(5)利用平均分类准确率，标准差以及F1值对网络学习结果进行评估。所述步骤(1)具体为：对正常人，左侧颞叶癫痫和右侧颞叶癫痫的MEG信号进行分析；数据库来源为南京医科大学附属脑科医院；数据来自39名左侧颞叶癫痫患者，32名右侧颞叶癫痫患者以及16为正常人，对每位受试者的275通道的MEG信号进行采集并利用Brainstorm软件进行数据处理得到262通道，采样频率为300Hz的MEG数据。所述步骤(2)具体为：步骤(2-1)对导入的数据进行整理后，将10s的数据定义为一个窗口，将数据切分为10秒的片段，左侧颞叶癫痫样本量为7380个，正常人样本量为456个，右侧颞叶癫痫样本量为5364个，样本总量为13200个。所述步骤(3)具体为：步骤(3-1)通过对傅里叶变换以及传统小波变换的结合，对于一个能量有限的有限长时间信号x(t)，它的小波散射变换为其中，φ(t)代表母波函数；步骤(3-2)通过小波散射变换的公式，我们可以得到非线性相关的因子的传播公式如下：我们从而可以得到作为输入特征的散射因子集合为所述步骤(4)具体为：步骤(4-1)将步骤(3-1)到步骤(3-2)提取到的MEG信号的小波散射因子进行维度拉伸操作，从262×61变换为1×15982。步骤(4-2)将步骤(4-1)经维度变换后的散射特征作为输入特征送入LSTM网络中进行训练。所述步骤(5)具体为：步骤(5-1)本专利技术是一个三分类模型，采用五次交叉实验后的平均准确率，类准确率以及类召回率作为评价指标；步骤(5-2)分析对比不同参数条件下的平均准确率，类准确率以及类召回率的效果。有益效果：本专利技术对颞叶癫痫识别分析的方法进行研究，提取MEG信号的小波散射系数作为15982维散射因子，并送入LSTM神经网络进行学习。本专利技术的有益效果是：能够准确的分类左侧颞叶癫痫，右侧颞叶癫痫和正常人，能够帮助颞叶癫痫的恢复。附图说明图1为本专利技术公开的方法流程图；图2为左侧颞叶癫痫部分通道MEG信号图；图3为右侧颞叶癫痫部分通道MEG信号图；图4为正常人部分通道MEG信号图；图5小波散射网络结构图；图6为隐层节点数为50，学习率为0.0002时，网络训练过程；图7为隐层节点数为100，学习率为0.0004时，网络训练过程；图8为隐层节点数为50，学习率为0.0002时，结果图；图9为隐层节点数为100，学习率为0.0004时，结果图；具体实施方式下面结合附图和具体实施方式，进一步阐明本专利技术。如图1所示，为本专利技术公开的基于MEG信号与LSTM神经网络模型的颞叶癫痫识别分类方法的流程图，具体包括以下步骤：步骤(1)导入预处理后的MEG脑磁图信号；步骤(1-1)本专利技术对正常人，左侧颞叶癫痫和右侧颞叶癫痫的MEG信号进行分析。数据库来源为南京医科大学附属脑科医院。数据来自39名左侧颞叶癫痫患者，32名右侧颞叶癫痫患者以及16为正常人，对每位受试者的275通道的MEG信号进行采集并利用Brainstorm软件进行数据预处理，处理完的数据为262通道采样频率为300Hz的MEG数据。步骤(2)数据增强，构建数据库；具体步骤为：对导入的数据进行整理后，将十秒的数据定义为一个窗口，将数据切分为十秒的片段，左侧颞叶癫痫样本量为7380个，正常人样本量为456个，右侧颞叶癫痫样本量为5364个，样本总量为13200个。步骤(3)构建小波散射网络，并对各个通道MEG信号散射，计算其0至2阶的小波因子；具体步骤为：步骤(3-1)通过对傅里叶变换以及传统小波变换的结合，对于一个能量有限的有限长时间信号x(t)，它的小波散射变换为其中，φ(t)代表母波函数。步骤(3-2)通过小波散射变换的公式，得到非线性相关的因子的传播公式如下：得到作为输入特征的散射因子集合：步骤(4)将15982维散射因子输入LSTM神经网络进行训练学习，包括如下步骤：步骤(4-1)将步骤(3-1)到步骤(3-2)提取到的MEG信号的小波散射因子进行维度拉伸操作，从262×61变换为1×15982。步骤(4-2)将步骤(4-1)经维度变换后的散射特征作为输入特征送入LSTM网络中进行训练。步骤(5)利用平均分类准确率，标准差以及F1值对网络学习结果进行评估，具体步骤如下；步骤(5-1)本专利技术是一个三分类模型，采用五次交叉实验后的平均准确率，类准确率以及类召回率作为评价指标；步骤(5-2)分析对比不同参数条件下的平均准确率，类准确率以及类召回率的效果。实验步骤：采用具体实施方式中的步骤(本文档来自技高网...

【技术保护点】
1.一种基于小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是包括以下步骤：/n步骤(1)导入预处理后的MEG脑磁图信号；/n步骤(2)通过数据增强，构建样本库；/n步骤(3)通过构建的小波散射网络，对各个通道MEG信号散射，计算其0至2阶的小波因子，共得到15982维散射因子；/n步骤(4)将15982维散射因子输入LSTM神经网络进行训练学习；/n步骤(5)利用平均分类准确率，标准差以及F

【技术特征摘要】
1.一种基于小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是包括以下步骤：
步骤(1)导入预处理后的MEG脑磁图信号；
步骤(2)通过数据增强，构建样本库；
步骤(3)通过构建的小波散射网络，对各个通道MEG信号散射，计算其0至2阶的小波因子，共得到15982维散射因子；
步骤(4)将15982维散射因子输入LSTM神经网络进行训练学习；
步骤(5)利用平均分类准确率，标准差以及F1值对网络学习结果进行评估。


2.根据权利要求1所述的小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是所述步骤(1)具体为：
对正常人，左侧颞叶癫痫和右侧颞叶癫痫的MEG信号进行分析；数据库来源为南京医科大学附属脑科医院；数据来自39名左侧颞叶癫痫患者，32名右侧颞叶癫痫患者以及16为正常人，对每位受试者的275通道的MEG信号进行采集并利用Brainstorm软件进行数据处理得到262通道，采样频率为300Hz的MEG数据。


3.根据权利要求1所述的小波散射因子与LSTM神经网络模型的颞叶癫痫分类方法，其特征是所述步骤(2)具体为：
步骤(2-1)对导入的数据进行整理后，将10s的数据定义为一个窗口，将数据切分为10秒的片段，左侧颞叶癫痫样本量为7380个，正常人样本量为456个，右侧颞叶癫痫样本量为5364个，样本总量为13...

【专利技术属性】
技术研发人员：向文涛，张枫，李建清，刘宾，朱松盛，吴小玲，
申请(专利权)人：南京医科大学，
类型：发明
国别省市：江苏;32