本发明专利技术公开了一种基于多终端数据训练神经网络模型的方法和系统级介质，其方法包括：获取不同终端所采集的脑电图数据；基于滑动窗口对癫痫波数据进行数据切片提取含有癫痫波的脑电图样本数据；将含有癫痫波的脑电图样本数据基于混合多尺度卷积核残差网络进行泛化训练形成初步神经网络模型；将提取的伪差数据和基于脑电图数据提取的癫痫波数据进行数据整合；基于滑动窗口对癫痫波整合数据进行数据切片提取含有整合后的脑电图样本数据；将整合后的脑电图样本数据重新基于混合多尺度卷积核残差网络进行泛化训练形成最终神经网络模型。本发明专利技术使得神经网络模型可以对各种终端采集到的不同频率的脑电图进行癫痫发作波形诊断都有很好的准确度。断都有很好的准确度。断都有很好的准确度。
【技术实现步骤摘要】
基于多终端数据训练神经网络模型的方法和系统及介质
[0001]本专利技术涉及计算机
，尤其涉及一种基于多终端数据训练神经网络模型的方法和系统及介质。
技术介绍
[0002]随着人工智能深度学习图像识别技术的飞速发展，将深度学习技术应用于脑电图识别的时机将变得成熟。癫痫患者发作时脑电图会表现出各种癫痫波形状，医生需要对这些癫痫波识别出来用作确诊判断，而一份长程脑电图会有几个到十几个小时之长，要医生把整份脑电图看完再找出癫痫发作的时间段将非常消耗人力资源。按照以往一般医院的做法是让患者陪同家属在患者癫痫发作的时候开始人工记录发作时间，或者在患者床头放置一个按钮让患者觉得要发作前自己点按记录时间。这些方案都有明显的问题，癫痫发作往往发生在睡眠期间，患者或患者陪同家属很容易会错过时间的记录。而目前也有通过机器学习进行计算机定位判断的技术专利技术，但是支持向量机等传统机器学习对脑电图判断的准确度不够高。一般的脑电图深度学习模型最后是通过全连接层输出判断，导致模型没办法对多频率的脑电图进行判断，而现实情况是每家医院采购的脑电机型号不一样，采集的精度不一样，导致采集的频率也各种各样。
[0003]如今世界上有通过贝叶斯决策树模型的癫痫诊断方法，也有通过快速傅里叶变换、小波变换后再结合多视角TSK型模糊系统进行癫痫判断的方法，甚至最近几年出现的有各种网络参数层次设计的带有全连接层的深度学习神经网络模型来进行脑电图癫痫波判断。
[0004]在如今大数据和现代GPU算力的加持下，具有更庞大参数量和更深层次的深度学习神经网络模型的准确性已经超过其它传统的机器学习方法，比如支持向量机、贝叶斯决策树等。而快速傅里叶变换、小波变换等其实是通过人工设计的固定函数来凸显某些重点特征值，但是同时也会削弱其它特征，而这些人工设计的固定函数变换其实对于通过大数据训练出来的深度学习模型来说意义并不大，因为深度学习模型通过大数据训练后本身就是自动抽取出事物的特征维度，这些特征维度比人类设计的特征会更能表示该事物的特点，这也是机器学习的特性。而最近几年涌现出来的用于脑电图癫痫波判断的深度学习神经网络模型，其泛化能力不足，训练集通常只是某个固定的数据源，导致不能对不同医院的各种品牌型号脑电机采集到的不同频率的脑电图都有很好的准确度，其需要训练一种神经网络模型来适应不同数据来源。
技术实现思路
[0005]本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于多终端数据训练神经网络模型的方法和系统及介质，提高了AI模型对不同来源不同频率的脑电图癫痫发作波形识别的泛化识别能力，使得神经网络模型可以对各种品牌型号脑电机采集到的不同频率的脑电图进行癫痫发作波形诊断都有很好的准确度。
[0006]为了解决上述问题，本专利技术提出了一种基于多终端数据训练神经网络模型的方法，所述方法包括：
[0007]获取不同终端所采集的脑电图数据，并基于脑电图数据提取癫痫波数据；
[0008]基于滑动窗口对癫痫波数据进行数据切片提取含有癫痫波的脑电图样本数据；
[0009]将含有癫痫波的脑电图样本数据基于混合多尺度卷积核残差网络进行泛化训练形成初步神经网络模型；
[0010]从初步神经网络模型所训练的整体数据中提取伪差数据；
[0011]将提取的伪差数据和基于脑电图数据提取的癫痫波数据进行数据整合，得到癫痫波整合数据；
[0012]基于滑动窗口对癫痫波整合数据进行数据切片提取含有整合后的脑电图样本数据；
[0013]将整合后的脑电图样本数据重新基于混合多尺度卷积核残差网络进行泛化训练形成最终神经网络模型。
[0014]所述获取不同终端所采集的脑电图数据之后还包括：
[0015]将所采集的脑电图数据进行滤波处理。
[0016]所述将所采集的脑电图数据进行滤波处理包括：
[0017]将所采集的脑电图数据进行50赫兹的滤波去除环境噪音；
[0018]进行30赫兹的低通滤波消除高频噪声；
[0019]进行0.1赫兹的高通滤波消除电压偏移。
[0020]所述基于混合多尺度卷积核残差网络进行泛化训练包括：
[0021]获取具有癫痫波的脑电图样本数据集合；
[0022]将脑电图样本数据集合按照不同脑电图采集频率分批输入混合多尺度卷积核残差网络对所述脑电图样本数据集不同大小波型特性进行拟合抽取特征向量；
[0023]对拟合后的特征向量进行批归一化处理；
[0024]对批归一化处理后的特征向量通过1x1卷积配套全局平均池化处理，获得指定输出维度的特征图；
[0025]将所述特征图经过神经网络的Dropout层进行数据处理，抑制过拟合；
[0026]将处理后的数据流输入softmax层进行运算，最终输出神经网络最初输入的脑电波是否癫痫发作的判断结果。
[0027]所述将脑电图样本数据集合按照不同脑电图采集频率分批输入混合多尺度卷积核残差网络对所述脑电图样本数据集不同大小波型特性进行拟合包括：
[0028]将所述脑电图样本数据集合输入混合多层度卷积核残差网络的第一级卷积网络，并基于第一级卷积网络对所述脑电图样本进行第一级拟合处理，所述第一级卷积网络包括五层卷积网络，每一层卷积网络上设置有32个1x1卷积核、32个3x3卷积核、32个5x5卷积核；
[0029]将第一级拟合处理后的脑电图样本数据集合输入混合多层度卷积核残差网络的第二级卷积网络，并基于第二级卷积网络对所述脑电图样本进行第二级拟合处理，所述第二级卷积网络包括十层卷积网络，每一层卷积网络上设置有128个1x1卷积核、128个3x3卷积核、128个5x5卷积核；
[0030]将第二级拟合处理后的脑电图样本数据集合输入混合多层度卷积核残差网络的
第三级卷积网络，并基于第三级卷积网络对所述脑电图样本进行第三级拟合处理，所述第三级卷积网络包括五层卷积网络，每一层卷积网络上设置有192个1x1卷积核、192个3x3卷积核、192个5x5卷积核。
[0031]所述对拟合后的脑电图样本数据集进行批归一化处理包括：
[0032]计算拟合后的脑电图样本数据集的均值；
[0033]计算拟合后的脑电图样本数据集的方差；
[0034]使用计算的均值和方差对拟合后的脑电图样本数据集进行归一化处理，获得0
‑
1分布；
[0035]对拟合后的脑电图样本数据集进行尺度变换和偏移处理。
[0036]所述从初步神经网络模型所训练的整体数据中提取伪差数据包括：
[0037]将整体脑电图导入训练好的初步模型进行推断，将误判的假阳性脑电波段数据提取出来。
[0038]所述脑电图样本数据集合中的数据源具有相同频率，所述脑电图样本数据集合中的数据源顺序随机打乱，所述脑电图样本数据集合中的数据源为从不同采集端所采集的脑电图数据。
[0039]相应的，本专利技术还提出了一种基于多终端数据训练神经网络模型的系统，所述系本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多终端数据训练神经网络模型的方法，其特征在于，所述方法包括：获取不同终端所采集的脑电图数据，并基于脑电图数据提取癫痫波数据；基于滑动窗口对癫痫波数据进行数据切片提取含有癫痫波的脑电图样本数据；将含有癫痫波的脑电图样本数据基于混合多尺度卷积核残差网络进行泛化训练形成初步神经网络模型；从初步神经网络模型所训练的整体数据中提取伪差数据；将提取的伪差数据和基于脑电图数据提取的癫痫波数据进行数据整合，得到癫痫波整合数据；基于滑动窗口对癫痫波整合数据进行数据切片提取含有整合后的脑电图样本数据；将整合后的脑电图样本数据重新基于混合多尺度卷积核残差网络进行泛化训练形成最终神经网络模型。2.如权利要求1所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述获取不同终端所采集的脑电图数据之后还包括：将所采集的脑电图数据进行滤波处理。3.如权利要求2所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述将所采集的脑电图数据进行滤波处理包括：将所采集的脑电图数据进行50赫兹的滤波去除环境噪音；进行30赫兹的低通滤波消除高频噪声；进行0.1赫兹的高通滤波消除电压偏移。4.如权利要求1所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述基于混合多尺度卷积核残差网络进行泛化训练包括：获取具有癫痫波的脑电图样本数据集合；将脑电图样本数据集合按照不同脑电图采集频率分批输入混合多尺度卷积核残差网络对所述脑电图样本数据集不同大小波型特性进行拟合抽取特征向量；对拟合后的特征向量进行批归一化处理；对批归一化处理后的特征向量通过1x1卷积配套全局平均池化处理，获得指定输出维度的特征图；将所述特征图经过神经网络的Dropout层进行数据处理，抑制过拟合；将处理后的数据流输入softmax层进行运算，最终输出神经网络最初输入的脑电波是否癫痫发作的判断结果。5.如权利要求4所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述将脑电图样本数据集合按照不同脑电图采集频率分批输入混合多尺度卷积核残差网络对所述脑电图样本数据集不同大小波型特性进行拟合包括：将所述脑电图样本数据集合输入混合多层度卷积核残差网络的第一级卷积网络，并基于第一级卷积网络对所述脑电图样本进行第一级拟合处理，所述第一级卷积网络包括五层卷积网络，每一层卷积网络上设置有32个1x1卷积核、32个3x3卷积核、32个5x5卷积核；将第一级拟合处理后的脑电图样本数据集合输入混合多层度卷积核残差网络的第二级卷积网络，并基于第二级卷积网络对所述脑电图样本进行第二级拟合处理，所述...
【专利技术属性】
技术研发人员：何俊权，金四化，谢哲林，黄斌，
申请(专利权)人：肇庆美兰特科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。