一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法技术

本发明专利技术提供了一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法。采用公开的癫痫脑电数据集CHB

【技术实现步骤摘要】
一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法


[0001]本专利技术提供了一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法。

技术介绍

[0002]癫痫是一种重大的慢性神经紊乱性疾病，因其发作具有突发性、反复性和高危险性，严重影响患者的正常生活与生命健康。癫痫发作前期若能准确预测并及时干预，可有效提高救治率，极大降低患者风险，并对深入探究癫痫发病机制和研究新的调控方法具有促进作用。
[0003]脑电(Electroencephalogram,EEG)信号是癫痫发作预测的重要依据。临床现有基于EEG的癫痫预测方法主要依靠医生经验判断，发作预测精度较低，且因发作时段的不确定，需要医生不间断地观察判断，预测及时性不强。近年来，借助深度学习方法预测癫痫已成为研究热点，该方法通过自动提取样本特征，可将低维特征映射为高维特征，从而实现癫痫智能预测。此前，大多数基于深度学习的卷积神经网络(Convolution Neural Network,CNN)预测方法，仅从单一时域或频域提取EEG信号特征，忽略了EEG的空间域特征和非平稳特性，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法，其特征在于包括：步骤S1：对预先获取的公开的癫痫脑电数据集CHB
‑
MIT进行预处理，并划分为源域数据和目标域数据，将源域数据和目标域中的一部分数据作为训练集，将目标域中的另一部分数据作为测试集；步骤S2：使用Pytorch深度学习框架构建域对抗多层级深度卷积特征融合网络的模型结构；步骤S3：将步骤1中建立的训练集数据输入模型，通过域对抗方法进行训练，并使用目标域训练数据微调模型参数，生成最终训练模型；步骤S4：将步骤1中预处理后的测试集脑电数据输入到最终训练好的模型中，获取癫痫发作前期推理时长和发作前期预测指标，其中：在所述步骤S1中，数据预处理包括脑电信号通道选择、基线校正、伪迹去除、低通滤波和滑动窗口数据划分，滑动窗口将连续脑电信号划分为5s长度的信号片段，信号片段间无重叠；在所述步骤S2中，所构建的域对抗多层级深度卷积特征融合网络包括：多层级深度特征提取模块、多层级特征自注意力融合模块、域判别发作预测模块，多层级深度特征提取模块与多层级特征自注意力融合模块串行连接，并将融合结果输入域判别发作预测模块，其中，多层级深度特征提取模块用于提取脑电信号中时域、频域和空间域深度特征；多层级特征自注意力融合模块用于深度融合时
‑
空特征和频
‑
空特征，并提取用于分类的时
‑
空
‑
频融合特征；域判别发作预测模块用于输出融合特征的二分类结果，计算输入脑电信号片段分别来自源域数据和目标域数据的概率，并计算输入脑电信号片段在发作前期和发作间期出现的概率；在所述步骤S3中：通过域对抗方法进行模型训练时，采用交叉熵函数计算域判别发作预测模块的输出与标签的误差，通过误差反向传播与随机梯度下降迭代更新模型参数，设置训练数据Batchsize为256，设置模型学习率为0.0001，采用Adam优化器进行模型参数优化，损失函数采用交叉熵损失函数，经过160次迭代训练后保存模型参数；使用目标域训练数据微调模型参数时，通过冻结多层级深度特征提取模块和多层级特征自注意力融合模块的参数，使用交叉熵函数计算域判别发作预测模块的输出与标签的误差，反向传播误差以微调域判别发作预测模块的参数；在所述步骤S4中：进行发作前期时长推理时，采用归纳学习策略，自动迭代推导个体化发作前期时长；进行发作前期预测指标计算时，将测试集连续脑电数据及标签按时间顺序输入训练好的模型中，获取模型输出的连续预测曲线，并采用ROC曲线下面积、预测准确率、每小时误报率来评价模型的发作预测效果。2.如权利要求1所述的基于域对抗多层级深度卷积特征融合网络的癫痫预测方法，其特征在于：在所述步骤S1中，数据预处理的具体步骤包括：步骤S1.1：通道选择，包括：选取CHB
‑
MIT癫痫脑电为数据输入，其中为保证数据质量，
剔除部分损坏通道与重复通道，保留'FP1
‑
F7','F7
‑
T7','T7
‑
P7','P7
‑
O1','FP1
‑
F3','F3
‑
C3','C3
‑
P3','P3
‑
O1','FP2
‑
F4','F4
‑
C4','C4
‑
P4','P4
‑
O2','FP2
‑
F8','F8
‑
T8','T8
‑
P8
‑
0','P8
‑
O2','FZ
‑
CZ','CZ
‑
PZ','P7
‑
T7','T7
‑
FT9','FT9
‑
FT10','FT10
‑
T8'即22个通道作为模型的输入数据；步骤S1.2：校准基线，去除伪迹，包括：为避免脑电长时间采集中存在的基线漂移现象，采用经验模态分解算法进行基线校准，同时，采用直接移除法去除脑电信号中的噪声和伪迹；步骤S1.3：进行0
‑
64Hz滤波，包括：采用0
‑
64Hz低通滤波，去除脑电信号高频干扰；步骤S1.4：利用滑动窗口划分数据片段，包括：采用滑动窗口划分原始脑电信号，其中设定滑动窗长度为5s，滑动步长为2.5s，将癫痫信号和非癫痫信号划分成包含28160个采样点即22
×
5s
×
256Hz的矩阵数据段；步骤S1.5：构建训练集和测试集，包括：S1.5.1：在分析病人i时，将患者i的所有数据划分为目标域数据，除患者i以外的所有数据划分为源域数据，将源域数据和目标域中的一部分数据作为训练集，将目标域中的另一部分数据作为测试集；S1.5.2：重复S1.5.1的操作N次，其中N为患者i癫痫发作次数，其中，在第j次重复时，将患者i的第j次完整癫痫发作的包含发作前期和发作间期的连续数据作为测试数据，将剩余数据和源域数据一起作为训练数据，重复N次后，每一次发作都作为测试数据得到了测试结果，此时取N次发作的平均测试结果作为该发明在患者i上的结果。3.如权利要求1所述的基于域对抗多层级深度卷积特征融合网络的癫痫预测方法，其特征在于：在所述步骤S2中，构建的域对抗多层级深度卷积特征融合网络具体包括：(a)多层级深度特征提取模块，用于提取脑电信号中的时域信息、频域信息和通道分布的空间域信息，所述多层级深度特征提取模块包括：时域卷积层，采用不同大小卷积核和不同大小卷积步长提取脑电信号的不同尺度的时域特征，时域卷积层可以表示为：x
t
＝ReLU(Conv(x))
ꢀꢀꢀꢀ
(1)其中，Conv表示卷积，ReLU表示线性整流函数，为进一步提取时域特征，使用5种卷积核的时域卷积提取不同尺度的时域特征，参数设置为：卷积核大小分别为1
×
4，1
×
8，1
×
16，1
×
32，1
×
32，各层步长一致，均无填充；通过时域卷积层，得到5个时域特征x1，x2，x3，x4和x5，其大小分别为22
×
320，22
×
160，22
×
80，22
×
40，22
×
40；频域卷积层，其使用小波分解提取脑电信号的频谱特征，其中：小波分解参数选择多贝西四阶小波(Daubechies order
‑
4,Db4)，将信号输入频域卷积层，其输出由两部分组成，输出的偶数下标为低频信号，奇数下标为高频信号，一层频域卷积可以表示为：x
L
(t)＝Conv(x)(2t)
ꢀꢀꢀꢀ
(2)x
H
(t)＝Conv(x)(2t+1)
ꢀꢀꢀꢀ
(3)式中x
L
和x
H
分别代表小波分解的低频信号和高频信号；通过频域卷积，将信号按频率对半分解成低频近似信号和高频细节信号；将低频信号再次输入频域卷积层，即可得到更低
的频率分解；其中，由香农采样定理可得，数据采样频率为256Hz，因此信号最高包含的频率为128Hz；为能提取出5个响应的临床频段信号，即δ频段(0
‑
4Hz)，θ频段(4
‑
8Hz),α频段(8
‑
12Hz),β频段(13
‑
30Hz)和γ频段(30
‑
50Hz)，需要得到最低为4Hz的低频信号，因此小波卷积的层数层；参数设置为：卷积核大小均为1
×
8，各层步长均为1
×
2；通过频域卷积层，得出5个频域特征图x
γ
，x
β
，x
α
，x
θ
和x
δ
，其大小分别为22
×
320，22
×
160，22
×
80，22
×
40，22
×
40；空间域卷积层，其首先计算通道间信号的皮尔逊相关系数,得到通道间初始连接矩阵A0，其大小为22
×
22；其中，对于变量X和变量Y，其皮尔逊相关系数计算方法如下：式中E(
·
)指计算变量的期望值；通道i和通道j之间的皮尔逊相关系数A0(i,j)计算如下：A0(i,j)＝A0(j,i)＝Person(X
i
,X
j
)
ꢀꢀꢀꢀꢀ
(5)式中X
i
和X
j
分别表示通道i和通道j采集的脑电信号，同时A0(i,j)表示A0矩阵中第i行第j列的元素；其中，为过滤通道间初始连接矩阵A0的无用空间域信息，放大重要空间域信息，采用了注意力机制优化连接矩阵，包括：先将原始的二维连接矩阵展开为一维连接向量，再通过第一层线性全连接层(FC)来压缩特征，采用非线性函数ReLU激活，通过压缩而过滤无用信息，仅保留有用信息；之后通过第二层线性层(FC)来恢复得到原始数量的一维向量，按照重要性得出通道权重，最后使用Tanh激活函数来激活不同通道的权值，从而保证模型更加关注信息量大的通道包含的特征，抑制非重要通道包含的特征，其计算公式如下：A
c
＝Tanh(FC(ReLU(FC(A0))))
ꢀꢀꢀꢀꢀ
(6)式中A
c
为通道空间域特征矩阵，其大小为22
×
22；(b)多层级特征自注意力融合模块，用于将时域信息和空间域信息融合为时
‑
空特征，同时将频域信息和空间域信息融合为频
‑
空特征，并最终实现时
‑...

【专利技术属性】
技术研发人员：李阳，严伟栋，向岩松，崔渭刚，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：