一种多任务癫痫脑电自动检测与预测系统技术方案

该设计是一种多任务癫痫脑电自动检测与预测系统。该系统首先通过预处理模块接收癫痫患者待识别的脑电信号或采集到的用于训练模块的患者脑电信号，并对信号进行去噪、滤波、分段、规范化等处理，并将处理后的用于训练模块的患者脑电信号输出到训练模块；在训练模块中，通过对采集到的用于训练模块的患者脑电信号进行训练与测试，先通过多尺度卷积网络进行特征提取，然后对加入双注意力机制的检测与预测分支进行训练，并保存训练后模型参数用于检测与预测模块；在检测与预测模块中对癫痫患者待识别的脑电信号给出检测与预测结果。本发明专利技术采用模块化设计，实现了对带噪声的不平衡脑电信号的实时检测与预测，为实际应用提供可靠的系统。系统。系统。

【技术实现步骤摘要】
一种多任务癫痫脑电自动检测与预测系统


[0001]本专利技术涉及脑电信号处理
,尤其涉及基于深度学习的癫痫脑电检测与预测系统，具体是一种多任务癫痫脑电自动检测与预测系统。

技术介绍

[0002]癫痫是由大脑神经元的突发异常放电产生的一种短暂影响大脑功能的神经系统疾病，它会在无诱因的情况下持续重复发作。我国癫痫患者约为900万人，每年新增约40万人，其中18岁以下青少年占2/3。正确经济的使用药物治疗后，70％左右的患者可以避免发作。所以在防治癫痫中，准确的诊断疾病是十分重要的。目前情况下，病情诊断主要是依靠经验丰富的医生观察患者的脑电图的波形、幅值等直观信号。但仅靠医生诊断疾病效率低下，长时间诊断会出现误判。为了能快速的对癫痫进行诊断，及时治疗降低发作风险。需要使用神经网络对癫痫脑电信号进行检测与预测，自动检测癫痫所处时期，预测未来时间段癫痫的发作。因此设计出的网络要更快、更精准的检测以及预测尤为重要。
[0003]卷积神经网络相对于传统神经网络能自动提取特征，并且运行速度更快，目前卷积神经网络在脑电信号的检测和预测中的效果较好。注意力机制能使模型保留更多空间、时间和通道中的主要特征信息，使模型的精度得到了提升。

技术实现思路

[0004]本专利技术目的在于，提供一种多任务癫痫脑电自动检测与预测系统，来解决目前现有的癫痫脑电信号系统由于受噪声影响、工频干扰、脑电信号数据不平衡、检测癫痫时期速度较慢以及预测癫痫发作的准确率较低的问题，此系统可以为实际工程应用提供可靠的参考。
[0005]为实现上述目的，本专利技术提供如下技术方案：提供一个多任务癫痫脑电信号检测与预测系统，该系统的检测与预测精度高、所用时间短，系统包括信号预处理模块、训练模块、检测与预测模块。
[0006]所述模型预处理模块，用于接收用户输入的相关脑电信号，并对信号进行处理，包括：接收数据、脑电信号时期的划分、对信号进行去噪、对信号进行滤波、对信号进行规范化处理、对信号进行分段、提取信号的频谱图，并将处理后的信息输出到训练模块，预处理模块包括如下步骤。
[0007]S1.1：获取到在sEEG监测下的癫痫患者的脑电图(EEG)数据，所述脑电图(EEG)数据源于波士顿儿童医院，包括23名儿童患者24条顽固性癫痫发作的脑电图。
[0008]S1.2：将癫痫脑电信号分为癫痫发作期、癫痫发作前1期、癫痫发作前2期、癫痫发作前3期以及癫痫发作间期五种类型。
[0009]S1.3：使用小波函数对EEG处理，去除眼电、心电、肌电噪声干扰，使用带阻滤波器滤除脑电数据中57
‑
63Hz和117
‑
123Hz的工频干扰，离差标准化对数据进行规范化处理。
[0010]S1.4：将癫痫脑电信号划分为2s的片段，癫痫发作期的片段有75％的重叠部分，其
它时期划分的片段无重叠部分。
[0011]S1.5：采用连续小波变换与短时傅里叶变换融合的方法提取每段数据的时频特征，两种方法生成的时频矩阵进行重采样之后进行拼接融合，得到更为丰富的图像特征，并将特征图传递给训练模块中的预测网络。
[0012]所述训练模块，用于对经过预处理模块后的脑电信号通过神经网络进行训练，包括信号特征提取、双注意力模块、多任务网络中的检测网络、多任务网络中的预测网络、检测预测分支损失函数以及总损失函数，并保存训练好的模型参数，用于检测与预测模块，训练模块包括以下步骤。
[0013]S2.1：利用多尺度卷积块组成的多尺度卷积网络进行特征提取，用K最大池化层替代最大池化层进行池化操作，并在每一步多尺度卷积块之后采用双注意力模块，把提取到的信息传递给检测网络。
[0014]S2.2：双注意力模块，利用最大、平均池化操作将沿水平和垂直方向的输入特征分别聚合为两个单独的特征图，两个特征图分别沿时间和空间方向捕获输入特征图与时间的关系和各个通道之间的关系，之后进行特征图的融合。
[0015]S2.3：利用堆叠残差网络进行癫痫脑电信号的检测，每个堆叠残差网络由三个残差块块组成，每个残差模块依次包含逐点卷积(Pointwise Conv2d)，批量归一化(BN)处理，深度可分离卷积(Depthwise Conv2d)，BN处理和Pointwise Conv2d，BN处理，以及修正线性单元。
[0016]S2.4：利用双向长短期记忆网络(Bi
‑
LSTM)进行癫痫脑电信号的预测，并在网络的最后一层加入双注意力模块，双注意力模块由空间注意力和通道注意力组成，采用并行方式连接方式。
[0017]S2.5：分别对所述检测分支网络与所述预测分支网络进行训练，获取所述检测分支网络的损失函数(GHM Loss)和所述预测分支网络的损失函数(Cross Entropy Loss)；通过两个分支损失函数计算得到总损失函数；并进行预设迭代次数的训练，获取最优的多任务癫痫脑电检测与预测模型，完成模型建立。
[0018]所述检测与预测模块，是用于对采集到的患者脑电信号给出检测预测结果。
[0019]本专利技术具有如下有益效果：
[0020]本专利技术采用模块化设计，公开了一种多任务癫痫检测与预测系统，针对采集的脑电数据含有眼电、工频干扰等噪声问题，采用了小波变换、带阻滤波的方法，解决了错误的预测了发作期发生时间而导致治疗不及时的问题。
[0021]在本专利技术的特征提取部分采用连续小波变换与短时傅里叶变换融合的方法并结合多尺度卷积网络进行特征提取，这两个部分之间的配合能够让此系统提取到的信息更全面，重要信息更多。
[0022]本专利技术设计了一种双注意力模块，使得多尺度卷积网络特征提取部分每一步提取到的特征都能得到利用，提升网络检测性能，并且预测分支的双注意力模块考虑到某一时刻与前后时间段的关系以及各个通道之间的关系，考虑更全面，使预测精度提高。
[0023]本专利技术的检测部分利用堆叠残差网络保留有用信息、提高模型运行速度、减少参数数量。预测部分引入了Bi
‑
LSTM模块，有效的防止了梯度爆炸和梯度消失，更好的捕捉到前后时间的关系，还引入了双注意力模块，使网络关注前后时间的关系以及各个通道之间
的关系，从通道和时间两个方面达到了强化感兴趣区域的目的。多任务检测与预测方法能够同时学习检测与预测任务，并在任务之间共享特征信息，从而提高每一个任务的性能。
[0024]本专利技术将待识别的癫痫患者脑电信号输入到系统模型中，通过预处理模块、训练模块对数据进行处理，通过两个模块的配合能够让此系统在有各种噪声干扰的情况下对患者进行更全面且快速的检测，并给出一个精确度更高的结果，使此系统可以为癫痫脑电的工程应用提供参考。
附图说明
[0025]为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多任务癫痫脑电自动检测与预测系统，其特征包括信号预处理模块、训练模块、检测与预测模块；所述模型预处理模块，用于接收用户输入的相关脑电信号，并对信号进行处理，并将处理后的信息输出到训练模块，其中包括如下步骤：S1.1：将癫痫脑电信号分为癫痫发作期、癫痫发作前1期、癫痫发作前2期、癫痫发作前3期以及癫痫发作间期五种类型；S1.2：使用小波函数对EEG处理，去除眼电、心电、肌电噪声干扰，使用带阻滤波器滤除脑电数据中57
‑
63Hz和117
‑
123Hz的工频干扰，离差标准化对数据进行规范化处理；S1.3：将癫痫脑电信号划分为2s的片段，癫痫发作期的片段有75％的重叠部分，其它时期划分的片段无重叠部分；S1.4：采用连续小波变换与短时傅里叶变换融合的方法提取每段数据的时频特征，两种方法生成的时频矩阵进行重采样之后进行拼接融合，并将特征图传递给训练模块中的预测网络；所述训练模块，用于对经过预处理模块后的脑电信号通过神经网络进行训练，并保存训练好的模型参数，用于检测与预测模块，其包括以下步骤：S2.1：利用多尺度卷积块组成的多尺度卷积网络进行特征提取，用K最大池化层替代最大池化层进行池化操作，并在每一步多尺度卷积块之后采用双注意力模块...

【专利技术属性】
技术研发人员：李冰，于尚宁，刘侠，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：