一种基于CNN与Transformer的癫痫检测系统技术方案

本发明专利技术提供了一种基于CNN与Transformer的癫痫检测系统，包括：获取模块，其被配置为：获取待检测的多通道脑电信号；预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理；检测模块，其被配置为：利用CNN和Transformer模型，得到待检测的多通道脑电信号的癫痫诊断结果；具体包括：将所述脑电信号切片输入到预先训练好的图注意力残差网络中，利用预先训练好的CNN与Transformer模型，对每个通道的脑电信号进行局部和全局的特征提取。本发明专利技术首次将CNN和Transformer模型结合起来应用到癫痫检测上，解决了单一CNN模型中捕获全局特征的局限性和单一Transformer模型中忽略局部特征的细节。略局部特征的细节。略局部特征的细节。

【技术实现步骤摘要】
一种基于CNN与Transformer的癫痫检测系统


[0001]本专利技术涉及脑电信号处理
，尤其涉及一种基于CNN与Transformer的癫痫检测系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]脑电图是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，用于协助癫痫检测。由于癫痫在发作时脑电图可以准确地记录出散在性慢波、棘波或不规则棘波，对于诊断癫痫，脑电图检查十分准确，因此脑电图是诊断癫痫必不可少的一种检查方法。癫痫病人有必要经常复查脑电图。癫痫发作是大脑神经元的异常放电，这种异常放电在脑电图上表现为“异常波”。这种波可出现在癫痫发作时也可出现在不发作时。为了确定癫痫发作类型和寻找癫痫病灶，需要反复做脑电图。但是大部分的脑电样本是通过专业医师人工的去观察，并最终得出结论，效率低，所以脑电图的自动识别成为医学领域发展的主线。
[0004]大多传统的癫痫检测方法以及深度学习方法只是使用了单一的模型，例如，单一的CNN模型，卷积运算擅长提取局部特征，但在捕获全局特征表示方面还是有一定的局限性。而单一Transformer中，自注意力模块可以捕获长距离的特征依赖，但会忽略局部特征的细节。这些单一模型会对实验准确率以及各项指标造成一定的干扰。

技术实现思路

[0005]本专利技术为了解决上述问题，提出了一种基于CNN与Transformer的癫痫检测系统，其能够极大地提高局部特征的全局感知能力和全局表示的局部细节，从而提升癫痫检测的准确率。
[0006]根据一些实施例，本专利技术采用如下技术方案：
[0007]一种基于CNN与Transformer的癫痫检测系统，包括：
[0008]获取模块，其被配置为：获取待检测的多通道脑电信号；
[0009]预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理；
[0010]检测模块，其被配置为：利用CNN和Transformer模型，得到待检测的多通道脑电信号的癫痫诊断结果；具体包括：将所述脑电信号切片输入到预先训练好的图注意力残差网络中，利用预先训练好的CNN与Transformer模型，对每个通道的脑电信号进行局部和全局的特征提取。
[0011]进一步地，所述对待检测的多通道脑电信号进行预处理，包括：
[0012]对待检测的多通道脑电信号进行去噪处理。
[0013]进一步地，所述对待检测的多通道脑电信号进行预处理，还包括：
[0014]对去噪处理后的每个通道的脑电信号，按照设定时间长度，划分为若干个时间段
的脑电信号，即脑电信号切片。
[0015]进一步地，所述特征提取，包括提取每个通道信号的初始特征，以及每个通道之间的关系特征。
[0016]进一步地，所述特征提取后，将提取的特征通过分类器进行分类，并输出待检测的多通道脑电信号的癫痫诊断结果。
[0017]进一步地，所述预先训练CNN与Transformer模型，包括：
[0018]构建训练集、验证集和测试集；
[0019]构建CNN与Transformer模型。
[0020]进一步地，所述预先训练CNN与Transformer模型，还包括：
[0021]利用训练集、验证集和测试集，对图注意力残差网络进行训练、验证和测试，当损失函数达到最小值，或迭代次数满足设定要求时，停止训练，得到训练好的CNN与Transformer模型。
[0022]进一步地，所述训练集、验证集和测试集中均包含已知癫痫或非癫痫诊断结果的脑电信号。
[0023]一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于CNN与Transformer的癫痫检测方法，所述方法包括以下步骤：
[0024]获取待检测的多通道脑电信号；
[0025]对待检测的多通道脑电信号进行预处理，将预处理后脑电信号进行切片，为输入到模型做准备；
[0026]将所有读取的切片，均输入到预先训练好的CNN和Transformer模型中，输出待检测的多通道脑电信号的癫痫诊断结果。
[0027]一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于CNN与Transformer的癫痫检测方法，所述方法包括以下步骤：
[0028]获取待检测的多通道脑电信号；
[0029]对待检测的多通道脑电信号进行预处理，将预处理后的每一个通道的信号进行切片；
[0030]将所有读取的切片，均输入到预先训练好的CNN和Transformer模型中，输出待检测的多通道脑电信号的癫痫诊断结果。
[0031]与现有技术相比，本专利技术的有益效果为：
[0032]本专利技术对首次将CNN和Transformer模型结合起来应用到癫痫检测上，解决了单一CNN模型中捕获全局特征的局限性和单一Transformer模型中忽略局部特征的细节；
[0033]本专利技术设计了特性耦合单元(FCU)作为CNN与Vision Transformer之间的桥接，以交互的方式融合两种风格的特征，消除它们之间的特征错位，保证了癫痫检测的正确进行；
[0034]CNN和Transformer分支倾向于捕获不同级别的特征(局部和全局)，由于特性耦合单元(FCU)的存在，使融合过程可以极大地提高局部特征的全局感知能力和全局表示的局部细节，从而进一步提升癫痫检测的准确率。
附图说明
[0035]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0036]图1是本申请实施例的癫痫脑电数据预处理过程以及CNN和transformer模型的癫痫检测方法流程图；
[0037]图2是本申请实施例的CNN和transformer模型结构示意图；
[0038]图3是本申请实施例的原始脑电图；
[0039]图4是本申请实施例的头皮电极脑电图；
[0040]图5是本申请实施例的一个数据集介绍实例图；
[0041]图6是本申请实施例的最终的实验结果对比图。
具体实施方式：
[0042]下面结合附图与实施例对本专利技术作进一步说明。
[0043]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0044]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN与Transformer的癫痫检测系统，其特征在于，包括：获取模块，其被配置为：获取待检测的多通道脑电信号；预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理；检测模块，其被配置为：利用CNN和Transformer模型，得到待检测的多通道脑电信号的癫痫诊断结果；具体包括：将所述脑电信号切片输入到预先训练好的图注意力残差网络中，利用预先训练好的CNN与Transformer模型，对每个通道的脑电信号进行局部和全局的特征提取。2.如权利要求1所述的一种基于CNN与Transformer的癫痫检测系统，其特征在于，所述对待检测的多通道脑电信号进行预处理，包括：对待检测的多通道脑电信号进行去噪处理。3.如权利要求2所述的一种基于CNN与Transformer的癫痫检测系统，其特征在于，所述对待检测的多通道脑电信号进行预处理，还包括：对去噪处理后的每个通道的脑电信号，按照设定时间长度，划分为若干个时间段的脑电信号，即脑电信号切片。4.如权利要求3所述的一种基于CNN与Transformer的癫痫检测系统，其特征在于，所述特征提取，包括提取每个通道信号的初始特征，以及每个通道之间的关系特征。5.如权利要求4所述的一种基于CNN与Transformer的癫痫检测系统，其特征在于，所述特征提取后，将提取的特征通过分类器进行分类，并输出待检测的多通道脑电信号的癫痫诊断结果。6.如权利要求5所述的一种基于CNN与Transformer的癫痫检测系统，其特征在于，所述预先训练CNN与Transformer模型，包括：构建训练集、验证集和测试集；构建CNN与Tra...

【专利技术属性】
技术研发人员：赵艳娜，褚登雨，张高波，董长续，薛明睿，何佳桐，郑元杰，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：