一种基于深度学习的癫痫脑电波识别方法技术

本发明专利技术公开了一种基于深度学习的癫痫脑电波识别方法，涉及生物电信号识别领域。其输入为伴中央颞区棘波的儿童良性癫痫(BECT)脑电波数据和作为对照组的正常脑电波数据，输出为深度学习模型识别出的分类结果；通过对多通道脑电信号进行预处理，生成频谱图，并应用深度可分离卷积网络将BECT脑电波数据和正常脑电波数据区分开来。首先将脑电波中与BECT诊断相关的通道信号提取，切片后采用连续傅里叶变换和功率谱密度对多通道脑电信号进行预处理，生成频谱图，作为神经网络模型训练与测试的输入数据；然后应用深度可分离卷积网络从频谱图中自动提取特征，对BECT脑电波数据和正常脑电波数据进行分类。采用本方法能提高对BECT癫痫疾病脑电波的自动识别准确率。疾病脑电波的自动识别准确率。疾病脑电波的自动识别准确率。

【技术实现步骤摘要】
一种基于深度学习的癫痫脑电波识别方法


[0001]本专利技术涉及生物电信号识别领域，特别涉及一种基于深度学习的癫痫脑电波识别方法。

技术介绍

[0002]癫痫是大脑局部神经异常放电，并向周围正常组织扩散所引起的反复发作性的慢性脑部疾病。癫痫的发病率很高，目前全球约有5000万癫痫患者。癫痫类型的识别是癫痫患者确定治疗方法的基础。伴中央颞区棘波的儿童良性癫痫(BECT)是儿童最常见的局灶性癫痫，占儿童癫痫的15
‑
20％。脑电波是脑细胞群在生理过程中自发或诱发的电活动在头皮表层的电位信号。在癫痫发作时，患者脑电与正常人脑电波存在很大差异，临床上通过脑电波来预测和诊断癫痫发作是一种不可替代的有效手段。BECT发作时，患儿中央颞区的脑电波波形非常具有特征性。脑电波是医生诊断BECT最重要的参考信号之一。直到现在，脑电波的解读仍然依赖于经验丰富的神经科医师，受医生学识、临床经验等因素影响较大。
[0003]深度学习在近几年内取得了长足的进步。大型数据集的可用性以及图形处理单元(GPU)的最新发展为突破深度学习框架的硬件瓶颈提供了一种廉价且功能强大的解决方案。深度学习在图像、视频、语音、文本等许多传统挑战性领域显著提高了性能。由于神经网络会自动迭代优化参数，通常认为深度学习的应用需要较少的关于数据集的先验专家知识。这一优势加深了深度学习在医学领域的应用。随着大型脑电波数据集可用性的不断提高，深度学习已在脑电波的解码和分类上有很多应用。然而，目前已有的深度学习识别癫痫脑电波的方法中，多针对癫痫发作的普遍特征进行分类，并没有针对BECT这一特定癫痫疾病的特点设计基于深度学习的脑电波识别方法。

技术实现思路

[0004]为了提高对BECT癫痫疾病脑电波的自动识别准确率，本专利技术提出了一种基于深度学习的癫痫脑电波识别方法，该方法首先将脑电波中与BECT诊断相关的中央颞区通道信号提取，生成频谱图，然后应用深度可分离卷积网络从频谱图中自动提取特征，最后将训练好的模型应用于BECT脑电波数据和正常脑电波数据的分类。为解决上述问题，采用的技术方案概述如下：
[0005]一种基于深度学习的癫痫脑电波识别方法，输入为BECT脑电波数据和作为对照组的正常脑电波数据，输出为深度学习模型识别的分类结果。包括以下步骤：
[0006]步骤一：将获取的BECT脑电波数据和正常脑电波数据提取到本地，进行数据清洗，再提取中央颞区相关通道的脑电波数据；将中央颞区相关通道的数据进行切片处理，将切片处理后的数据转化为频谱图，划分为训练集和测试集，并打上分类标签，为后续的神经网络模型训练和测试提供有效输入；
[0007]步骤二：将训练集和对应标签输入到深度可分离卷积网络中，神经网络模型自动学习其特征，训练好的模型对测试集进行分类，并计算分类准确率。
[0008]优选地，所述步骤一具体包括以下步骤：
[0009]A、获取BECT脑电波数据和正常脑电波数据，根据数据提供方给出的数据结构，去掉不完整的样本；
[0010]B、根据电极安放位置，提取中央颞区相关通道的脑电波数据；
[0011]C、将中央颞区相关通道的数据按照窗口宽度为2s，滑动步长为1s进行切片处理；
[0012]D、采用连续傅里叶变换和功率谱密度对多通道脑电信号进行预处理，生成频谱图；
[0013]E、按照7:3的比例随机划分训练集和测试集，并打上标签。
[0014]优选地，所述步骤二具体包括以下步骤：
[0015]I、建立深度可分离卷积网络。其中包括输入层、2个可分离卷积层、2个最大池化层、1个Dropout层、1个全连接层和输出层。第1层是输入层，输入是大小为4
×
251
×
4的三维数组。第2层是可分离卷积层，使用了32个大小为3
×
3的卷积核，并对卷积结果使用ReLU激活函数，得到激活结果。第3层是最大池化层，对上一层获得的卷积特征图进行2
×
2不重叠窗口的最大池化计算。第4层是可分离卷积层，使用了64个大小为1
×
3的卷积核，并对卷积结果使用ReLU激活函数，得到激活结果。第5层是最大池化层，对上一层获得的卷积特征图进行1
×
2不重叠窗口的最大池化计算。第6层是Dropout层，对上一层的池化结果使用概率为0.5的dropout操作，得到dropout结果。第7层是全连接层，使用256个卷神经元对上一层的dropout结果进行全连接处理，然后对全连接处理结果使用ReLU激活函数，得到激活结果。第8层是输出层，使用sigmoid函数产生一个2分类的标签分布。
[0016]II、使用交叉熵损失函数、Adam优化算法对深度可分离卷积网络进行编译，输入训练集和对应标签进行训练。
[0017]III、使用训练好的模型对测试集和对应标签进行分类测试，获得分类准确度。
[0018]与现有技术相比，本专利技术具有以下特点：
[0019](1)本专利技术提出的方法适用于BECT癫痫发作分类，而现有癫痫脑电波分类方法未针对BECT癫痫进行设计；
[0020](2)本专利技术所提出癫痫脑电波识别方法参考了BECT的临床诊断经验，针对BECT相关的4个通道的脑电波数据进行处理，并使用深度可分离卷积网络自动提取特征，合理利用通道间的差异性，获得更高的准确率。
附图说明
[0021]图1是本专利技术方法实现的总体流程图；
[0022]图2是本专利技术数据预处理部分的流程图；
[0023]图3是本专利技术使用的深度可分离卷积网络的模型结构示意图。
具体实施方式
[0024]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0025]下面结合具体实施对本专利技术提出的癫痫脑电波识别方法进行详细描述，本方法的工作流程如下：
[0026]脑电波数据的存储方式为edf格式。根据数据提供方可知，每个edf文件中包含10s的脑电波数据，采样频率为500.0Hz，电极安放方式参照国际10
‑
20系统，共包括19个脑电波通道，分别为：'EEG Fp1
‑
A1','EEG Fp2
‑
A2','EEG F3
‑
A1','EEG F4
‑
A2','EEG C3
‑
A1','EEG C4
‑
A2','EEG P3
‑
A1','EEG P4
‑
A2','EEG F7
‑
A1','EEG F8
‑
A2','EEG T3
‑
A1','EEG T4
‑
A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的癫痫脑电波识别方法，其输入为伴中央颞区棘波的儿童良性癫痫(BECT)脑电波数据和作为对照组的正常脑电波数据，输出为深度学习模型识别出的分类结果，其特征在于，包括以下步骤：步骤一：将获取的BECT脑电波数据和正常脑电波数据提取到本地，进行数据清洗，再提取中央颞区相关通道的脑电波数据；将中央颞区相关通道的数据进行切片处理，将切片处理后的数据转化为频谱图，划分为训练集和测试集，并打上分类标签，为后续的神经网络模型训练和测试提供有效的输入；步骤二：将训练集和对应标签输入到深度可分离卷积网络中，神经网络模型自动学习其特征，训练好的模型对测试集进行分类，并计算分类准确率。2.根据权利要求1所述的一种基于深度学习的癫痫脑电波识别方法，其特征在于，所述步骤一具体包括以下步骤：A、获取BECT脑电波数据和正常脑电波数据，根据数据提供方给出的数据结构，去掉不完整的样本；B、根据电极安放位置，提取中央颞区相关通道的脑电波数据；C、将中央颞区相关通道的数据按照窗口宽度为2s，滑动步长为1s进行切片处理；D、采用连续傅里叶变换和功率谱密度对多通道脑电信号进行预处理，生成频谱图；E、按照7:3的比例随机划分训练集和测试集，并打上标签。3.根据权利要求1所述的一种基于深度学习的癫痫脑电波识别方法，其特征在于，所述步骤二具体包括以下步骤：I、建立深度可分离卷积网络，...

【专利技术属性】
技术研发人员：王艳，赵文兵，苏航，高红雨，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：