多任务深度网络的癫痫综合征脑电分析方法技术

本发明专利技术公开了一种多任务深度网络的癫痫综合征脑电分析方法。本发明专利技术包括如下步骤：步骤1、对原始采集的脑电信号数据进行切分，切割发作期脑电信号和发作间期脑电信号，并为它们打上标签，已备后续神经网络训练；步骤2、对原始采集的脑电信号进行预处理；步骤3、对预处理后的脑电信号每4s一段采用STFT提取时频特征图，最终将21通道提取的时频特征图组合成21*32*32的3D特征；步骤4、得到的3D特征和预处理后的脑电信号作为输入传入多任务深度神经网络进行训练。本发明专利技术相比于单任务(癫痫综合征分类或癫痫时期分类)能够获得更高的分类准确率。本发明专利技术的多任务双流融合模型的每一任务分类准确率都有提高，实现了对儿童癫痫综合征及癫痫时期的精确分类。癫痫时期的精确分类。癫痫时期的精确分类。

【技术实现步骤摘要】
多任务深度网络的癫痫综合征脑电分析方法


[0001]本专利技术属于深度学习及智能生物医学信号处理领域，涉及一种多任务 (LSTM+3D)深度神经网络的儿童癫痫综合征及癫痫时期的多任务脑电分析方法。

技术介绍

[0002]癫痫是一种长期性的神经系统疾病，全世界有将近1％的人深受其影响，越来越多的人认识到，通过采用癫痫发作预警的闭环治疗策略，可以在一定程度上控制癫痫的发作。如果能够提前预测癫痫发作，癫痫患者的生活质量将显着改善。例如，癫痫发作预警装置使患者、家属和医生具备采取应急预防措施的时间，减轻癫痫发作对患者造成的潜在伤害。癫痫发作可由足够剂量的药物控制，而区分癫痫综合征对药物的选择非常关键。虽然大多数癫痫综合征可以通过相应的临床特点和脑电信号的改变进行诊断与治疗，但是仍然存在部分癫痫综合征难以精确识别诊断。因此，为癫痫患者建立一个精准高效的自动识别癫痫时期及其综合征类型的分析方法具有很强的经济效益和社会现实意义。
[0003]通常，癫痫可由连续的脑电图监测确诊，随着近些年来便携式脑电图系统的推出，脑电图记录变得非常普遍。脑电信号是诊断本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.多任务深度网络的癫痫综合征脑电分析方法，其特征在于包括如下步骤：步骤1、对原始采集的脑电信号数据进行切分，切割发作期脑电信号和发作间期脑电信号，并为它们打上标签，已备后续神经网络训练；步骤2、对原始采集的脑电信号进行预处理；步骤3、对预处理后的脑电信号每4s一段采用STFT提取时频特征图，最终将21通道提取的时频特征图组合成21*32*32的3D特征；步骤4、得到的3D特征和预处理后的脑电信号作为输入传入多任务深度神经网络进行训练。2.根据权利要求1所述的多任务深度网络的癫痫综合征脑电分析方法，其特征在于所述步骤1的具体流程如下：1
‑
1、将EIEE发作期标签为0_0,EIEE发作间期标签为0_1，WEST发作期标签为1_0,WEST发作间期标签为1_1，前一位数据代表综合征分类，后一位数据代表时期分类。3.根据权利要求1或2所述的多任务深度网络的癫痫综合征脑电分析方法，其特征在于所述步骤2的具体流程如下：2
‑
1、使用陷波滤波器剔除50Hz工频干扰，最后使用IIR数字滤波器选择1Hz至70Hz频段的EEG数据，以此得到噪声干扰较少的脑电信号。4.根据权利要求1或2所述的多任务深度网络的癫痫综合征脑电分析方法，其特征在于所述步骤3的具体流程如下：把经过预处理的脑电信号每4s一段采用STFT短时傅里叶变换提取时频特征，将提取的时频特征通过matlab的imagesc函数进行绘图，转化特征维数为32*32的时频特征图；最终将这21通道提取的时频特征图组合成21*32*32的3D特征；短时傅里叶变换定义如下：其中f代表信号频率，对于给定时间t，STFT(t,f)可以看作是该时刻的频谱，其中h(τ
‑
t)为分析窗函数。5.根据权利要求1或2所述的多任务深度网络的癫痫综合征脑电分析方法，其特征在于所述步骤4具体实现流程如下：4
‑
1、将组合成21*32*32的3D特征传入3D卷积神经网络；4
‑
2、预处理后的脑电信号传入LSTM网络，预处理后的脑电信号维数为21*4000，21为通道数，4000为数据点数；4
‑
3、将LSTM网络和3D卷积神经网络的输出特征向量进行拼接，得到1024*1的新特征，新特征经过具有信息共享机制的全连接层模块后输出2个任务的输出流，最终把每个输出流经过softmax输出类别的概率值；4
‑
4、损失函数设计；4
‑
5、使用Precision、Recall、Specificity来评估网络的训练效果。6.根据权利要求4所述的多任务深度网络的癫痫综合征脑电分析方法，其特征在于所述步骤4
‑
1具体实现如下：4
‑1‑
1、3D卷积神经网络中3D卷积模块的计算公式如下：
其中，表示第i层的第k个特征图，其维度为x*y*z，tanh为双曲正切函数，提供卷积过程中的非线性化功能；分别表示偏置、权重、卷积核高度、宽度以及深度；3D卷积神经网络输出的每个特征图的大小计算公式如下：3D卷积神经网络输出的每个特征图的大小计算公式如下：3D卷积神经网络输出的每个特征图的大小计算公式如下：其中，D
out
,H
out
,W
out
分别表示输出...

【专利技术属性】
技术研发人员：曹九稳，陈耀辉，郑润泽，赖晓平，蒋铁甲，高峰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：