一种基于特征筛选的流式癫痫预测方法技术

本发明专利技术涉及一种基于特征筛选的流式癫痫预测方法，所述方法包括：进行脑电信号的采集和标注；对数据进行归一化处理；对归一化后的数据进行特征提取并对提取特征进行拼接；采用递推平均滤波方式获取时序序列的轮廓曲线，结合动态时间规整算法计算特征的趋势排序；采用递归特征消除法的方式选择最优特征；构建时域卷积网络作为训练模型，将提取到的最优特征放入所述模型中进行模型训练，构建流式训练模式，当模型输出达到预期的准确率时，停止训练，得到训练后的模型；利用训练后的模型，进行癫痫前期或者癫痫发作期的报警，利用特异度与灵敏度评测癫痫监测效果，在脑电波的日常监测中，提高预警正确的概率的同时降低了错误预警的次数。的次数。的次数。

【技术实现步骤摘要】
一种基于特征筛选的流式癫痫预测方法


[0001]本专利技术涉及脑电信号处理中癫痫预测领域，具体是一种基于特征筛选的流式癫痫预测方法。

技术介绍

[0002]癫痫是一种由脑部神经元的过分性放电所引起的慢性脑部疾病。全世界大约有5000万的癫痫患者，癫痫的发作具有重复性和突发性的特点。一次突然的癫痫发作存在很高的风险，会对癫痫患者带来各种各样的伤害，比如摔倒，溺水，窒息等。而重复性的癫痫发作也会损害患者正常的大脑功能，使患者患有不可预知的慢性疾病，丧失日常生活的自主性，严重时甚至导致早死。及时地检测到患者的癫痫发作现象并予以救治，成了对于癫痫患者来说至关重要的事情。通过及早的对癫痫患者在发作时或者发作前进行人工的干预，一方面可以减轻患者受到的痛苦，减缓患者的病症，另一方面也可以减小癫痫发作带来的高风险伤害。
[0003]EEG脑电波信号是一种表达脑部神经元活动的特征，其中包含着脑内丰富而复杂的活动信号。通过观察患者的脑电信号，检测是否存在重复性地神经放电，从而来检测癫痫发作，成为了当前临床实践中的标准诊断癫痫的技术。使用脑电信号进行癫痫检测具有普遍性、安全性和全天候的优点。
[0004]目前基于EEG的癫痫检测或癫痫预警研究已经日趋增多，主要的目标就是提高模型的分类准确率，通过更加精确地降低信号噪声、选取更合适的脑电特征以及训练更好的分类模型来达到这个目标。在基于脑电的癫痫预警研究中，特征提取方法繁多，如何选择有效的特征是一个很大的挑战。另外，现有的EEG信号采集基本采用10
‑
20国际电极标准系统，如何筛选通道获取更好的预测效果也是研究的难点所在。

技术实现思路

[0005]本专利技术的目的在于提供一种EEG趋势特征筛选及通道自适应选择的流式癫痫预测方法，同时兼顾对象个体差异及脑电信号通道之间关系，筛选有效特征，从而降低网络模型复杂度并提高癫痫预测准确率。在病人的实际生活中，可以根据脑电波进行日常的癫痫监测，如发现波段进入癫痫发作前期，则进行预警，从而为病人提高更好的治疗和防护。本专利技术提供的癫痫预测方法，包括脑电信号采集与获取、特征提取及筛选以及癫痫流式预测三个过程。主要包含以下步骤：
[0006]步骤1：进行脑电信号的采集，并标注发作间期、发作前期及发作期；
[0007]步骤2：对数据进行预处理，即进行归一化处理；
[0008]步骤3：对归一化后的数据进行特征提取，并对提取到的特征进行拼接；
[0009]步骤4：获取时序序列的轮廓曲线，计算特征的趋势排序；
[0010]步骤5：采用递归特征消除法的方式选择最优特征；
[0011]步骤6：构建时域卷积网络作为训练模型，将步骤5中提取到的最优特征放入所述
模型中进行模型训练，并优化训练数据，将上一时刻的训练结果作为下一时刻的特征构建流式训练模式，当模型输出达到预期的准确率时，停止训练，得到训练后的模型；
[0012]步骤7：在脑电癫痫监测中，利用训练后的模型，当达到规定的阳性次数时，认定为一次癫痫前期或者癫痫发作期的报警。
[0013]进一步的，还可以包含：
[0014]步骤8：利用特异度与灵敏度评测癫痫监测效果。
[0015]进一步，步骤1包含下列步骤：
[0016]步骤1
‑
1：按照10
‑
20国际电极标准进行脑电信号的采集。
[0017]步骤1
‑
2：使用Python中的EdfReader将数据读取出来，并按照发作前30分钟为发作前期，发作前4个小时或发作后4个小时为发作间期，癫痫发作时为发作期的方式完善标签。
[0018]步骤1
‑
3：将每个病人的发作前期、发作间期及发作期分割成20s的数据段。
[0019]进一步地，步骤2包括以下步骤：数据归一化处理。
[0020]对数据进行归一化处理，记原始数据为Z＝[z1，z2，z3，z4......，z
n
]对每个维度进行归一化，操作为其中，Z
i_new
是归一化之后的数据，z
i
是原始数据，n为数据维度i∈(1，n)，i
new
∈(1，n)。
[0021]进一步地，所述步骤3中的所述特征提取包括：时域特征提取、频域特征提取和时频谱特征提取。
[0022]进一步地，步骤3包括以下步骤：
[0023]步骤3
‑
1：提取时序特征，所述时序特征包括：均值、方差、峰峰值、偏度、方根幅值、近似熵和样本熵。
[0024]步骤3
‑
2：采用功率谱密度提取频域特征。
[0025]步骤3
‑
3：采用短时傅里叶变换提取时频谱特征。
[0026]进一步，步骤4包括以下步骤：
[0027]步骤4
‑
1：对提取的特征按照时序排布，采用递推平均滤波的方式平滑曲线。
[0028]步骤4
‑
2：采用动态时间规整算法计算平滑后的特征与标签之间的距离，从而获得特征的趋势排序。
[0029]进一步，步骤5包括以下步骤：
[0030]步骤5
‑
1：采用常见的卷积神经网络模型Alexnet，选择模型的学习率和损失函数。
[0031]步骤5
‑
2：按照步骤4中取得的特征排序，采用递归特征消除法的方式，进行模型训练，最终选出最优特征组合。
[0032]进一步，所述步骤6包括以下步骤：
[0033]步骤6
‑
1：根据步骤5所获得的特征组合整理训练集以及测试集的样本矩阵。
[0034]步骤6
‑
2：构建时序卷积网络，在网络输入端添加基于注意力机制的通道自适应选择模块，将加权组合后的特征矩阵送入时序卷积网络。
[0035]步骤6
‑
3：损失函数采用focal loss，对训练集中正负样本不平衡的问题进行矫正。
[0036]步骤6
‑
4：构建流式的训练策略，将上一个时间步的预测结果作为当前时间步的特
征参与训练过程。
[0037]进一步，步骤7中规定的阳性次数为，连续5次预测中，有4次判定为阳性。
[0038]根据上述构思，实现本专利技术的技术方案主要有以下特点：
[0039]提出了一种基于动态时间规整算法的趋势特征筛选方法，通过计算来拟合从发作间期到发作期的特征趋势变化。并通过递归消除的方式，选用Alexnet网络，选出最优的特征组合。
[0040]基于上述方法提取的特征，提出了一种癫痫流式预测方法，充分利用筛选的有效特征，提高模型的预测效果；利用基于注意力机制的通道自选择算法，完成数据通道的自动筛选；最后采用流式训练及预测方法，在脑电波的日常监测中，提高预警正确的概率的同时降低错误预警的次数。
[0041]基于上述技术方案，本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征筛选的流式癫痫预测方法，所述方法包括：步骤1:进行脑电信号的采集，并标注发作间期、发作前期及发作期；步骤2:对数据进行预处理，即进行归一化处理；步骤3:对归一化后的数据进行特征提取，并对提取到的特征进行拼接；步骤4:获取时序序列的轮廓曲线，计算特征的趋势排序；步骤5:采用递归特征消除法的方式选择最优特征；步骤6:构建时域卷积网络作为训练模型，将步骤5中提取到的最优特征放入所述模型中进行模型训练，并优化训练数据，将上一时刻的训练结果作为下一时刻的特征构建流式训练模式，当模型输出达到预期的准确率时，停止训练，得到训练后的模型；步骤7：在脑电癫痫监测中，利用训练后的模型，当达到规定的阳性次数时，认定为一次癫痫前期或者癫痫发作期的报警。2.根据权利要求1所述的癫痫预测方法，其特征在于，进一步包括：步骤8：利用特异度与灵敏度评测癫痫监测效果。3.根据权利要求1或2所述的癫痫预测方法，其特征在于，所述步骤1进一步包括：步骤1
‑
1:按照10
‑
20国际电极标准进行脑电信号的采集；步骤1
‑
2:使用Python中的EdfReader将数据读取出来，并按照发作前30分钟为发作前期，发作前4个小时或发作后4个小时为发作间期，癫痫发作时为发作期的方式完善标签；步骤1
‑
3:将每个病人的发作前期、发作间期及发作期分割成20s的数据段。4.根据权利要求1或2所述的癫痫预测方法，其特征在于，步骤2中的所述归一化处理为：记原始数据为Z＝[z1，z2，z3，z4......，z
n
]对每个维度进行归一化，操作为其中，Z
i_new
是归一化之后的数据，z
i
是原始数据，n为数据维度i∈(1，n)，i
new
∈(1，n)。5.根据权利要求1或2所述的癫痫预测方法，其特征在于，所述步骤3中的所述特征提...

【专利技术属性】
技术研发人员：李鑫，黄科杰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：