基于知识蒸馏的跨病人无监督SEEG癫痫预警方法技术

本发明专利技术公开了一种基于知识蒸馏的跨病人无监督SEEG癫痫预警方法，采集已有病人的正常SEEG信号片段并进行预处理后作为SEEG信号数据矩阵构成训练集，构建SEEG信号重构模型并采用训练集进行训练，对于需要进行癫痫发作预警的病人，采用其自身SEEG信号数据矩阵对SEEG信号重构模型进行适配训练，并确定癫痫发作预警的异常分数阈值，然后将需要进行癫痫发作预警的SEEG信号片段输入适配训练好的SEEG信号重构模型，基于异常分数阈值进行癫痫发作预警检测。本发明专利技术引入其他病人的知识来辅助对当前病人的判断，从而辅助新病人癫痫发作预警，减少新病人的模型训练时间，提高癫痫发作预警的性能。能。

【技术实现步骤摘要】
基于知识蒸馏的跨病人无监督SEEG癫痫预警方法


[0001]本专利技术属于数据挖掘
，更为具体地讲，涉及一种基于知识蒸馏的跨病人无监督SEEG癫痫预警方法。

技术介绍

[0002]脑电图是研究人脑功能和诊断各类神经疾病的重要工具。常用的脑电信号可以包括EEG(Electroencephalogram，脑电图)信号和SEEG(SEEG,stereoelectroencephalography，立体脑电图)信号。EEG信号又称头皮脑电信号，是通过放置在头皮上的电极采集得到的，因此EEG信号容易被噪声干扰，信噪比较低。SEEG又叫立体脑电或者深度脑电，是依靠多个深度电极来记录发作时和发作间的活动，不同与EEG电极，SEEG的电极是深入到大脑内部的，因此其具有三维立体性质。同时SEEG数据是由颅内采集的方式得到的，因此它受到噪声的干扰较小，具有更高的数据质量。
[0003]癫痫的突发性和高危性严重影响患者的身心健康、增加医护人员的工作负担以及加大社会风险指标，癫痫发作的早期预测是癫痫疾病治疗的瓶颈。已有研究表明,在癫痫发作前患者的大脑模式已经发生变化,通过在发作前特定时间区间内完成对神经活动异常变化的检测可以有效实现癫痫预警。因此通过信噪比较低、包含更多大脑生理信息的SEEG信号，设计开发一个有效的癫痫预警算法可以加快人工智能辅助诊断研究，同时对癫痫疾病诊断提供有价值的参考。
[0004]但是，SEEG的触电位置是根据临床的需求灵活设定的，因此其信道的位置和数量具有不确定性，这也就给算法带来不确定性。同时不同受试者的颅内不同区域的SEEG信号都存在有较大的差异，如何利用已有历史数据捕获特征共性，辅助新病人模型的训练，提升模型鲁棒性和精确性，具有重要意义。
[0005]综上，目前在基于跨病人的无监督SEEG癫痫预警模型构建时，存在难以有效捕获不同病人的数据特征共性、特征对齐、“知识”融入等问题，从而影响模型的设置。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供一种基于知识蒸馏的跨病人无监督SEEG癫痫预警方法，引入其他病人的知识来辅助对当前病人的判断，从而辅助新病人癫痫发作预警，减少新病人的模型训练时间，提高癫痫发作预警的性能。
[0007]为了实现上述专利技术目的，本专利技术基于知识蒸馏的跨病人无监督SEEG癫痫预警方法包括以下步骤：
[0008]S1：对M位已有病人分别采集若干预设长度的正常SEEG信号数据，对每个SEEG信号数据进行预处理得到SEEG信号数据矩阵，预处理方法为：根据实际需要设置SEEG电极数量F，并设置F个SEEG电极的信道及排序，对SEEG信号数据进行信道插补，并按照预设SEEG电极排序对SEEG信号数据进行重排序，得到处理后的SEEG信号数据；然后将处理后的SEEG信号数据均匀划分为N个SEEG信号片段，记每个SEEG信号片段的长度为T，构成SEEG信号数据矩
阵X＝{x1,x2,
…
,x
N
}，x
n
∈R
T
×
F
表示第n个SEEG信号片段；
[0009]将M位已有病人预处理后的正常SEEG信号数据矩阵作为SEEG信号样本构成训练集；
[0010]S2：根据实际需要构建SEEG信号重构模型，包括遮蔽模块、时间嵌入模块、自注意力模块和重构模块，其中：
[0011]遮蔽模块用于根据预设的遮蔽比例λ对输入的SEEG信号数据矩阵X＝{x1,x2,
…
,x
N
}进行遮蔽处理，将处理后的SEEG信号数据矩阵X
′
＝{x
′1,x
′2,
…
,x
′
N
}输出至时间嵌入模块；
[0012]时间嵌入模块用于使用一维卷积神经网络对接收到的SEEG信号数据矩阵进行一维卷积操作，其中卷积步长设置为1，卷积核的大小设置为1
×
F，将每个SEEG信号片段x
′
n
经过一维卷积操作提取得到的嵌入特征发送至自注意力模块，其中d表示一维卷积操作的输出通道数；
[0013]自注意力模块包括K个级联的自注意力层，K的值根据实际需要确定，基于自注意力机制分别对嵌入特征E
n
进行处理，通过大小为F
×
F的注意力分数矩阵提取SEEG电极之间的依赖关系，得到特征并输出至重构模块；
[0014]重构模块用于根据接收到的N个特征S
n
重构得到N个SEEG信号片段，从而得到重构SEEG信号数据矩阵X
r
＝{x
r,1
,x
r,2
,
…
,x
r,N
}，其中x
r,n
表示第n个重构SEEG信号片段；
[0015]S3：采用步骤S1得到的训练集对SEEG信号重构模型进行训练，损失函数L
T
＝MSE，MSE表示重构SEEG信号数据矩阵和输入的SEEG信号数据矩阵之间的均方误差；从训练好的SEEG信号重构模型提取自注意力模块中最后一层自注意力层中的注意力分数矩阵
[0016]S4：对于需要进行癫痫发作预警的病人，采集若干预设长度的正常SEEG信号数据，采用步骤S1相同方法预处理得到正常SEEG信号数据矩阵，将预处理后的正常SEEG信号数据矩阵作为适配训练SEEG信号样本，重新初始化SEEG信号重构模型，采用适配训练SEEG信号样本对该SEEG信号重构模型进行适配训练，其损失函数采用如下公式计算：
[0017]L
S
＝MSE+KL(M
S
,M
T
)
[0018]其中，MSE表示重构的适配训练SEEG信号样本和适配训练SEEG信号样本之间的均方误差，KL(M
S
,M
T
)表示当前SEEG信号重构模型中最后一层自注意力层的注意力分数矩阵M
S
和注意力分数矩阵M
T
之间的KL散度；
[0019]S5：对于需要进行癫痫发作预警的病人，采集若干预设长度的正常SEEG信号数据，采用步骤S1相同方法预处理得到正常SEEG信号数据矩阵，从而构成验证集；将验证集中每个正常SEEG信号数据矩阵输入步骤S4适配训练好的SEEG信号重构模型，统计每个重构SEEG信号数据矩阵和对应原始SEEG信号数据矩阵之间的均方误差，将验证集中所有SEEG信号数据矩阵的均方误差进行平均，作为异常分数阈值；
[0020]S6：采集需要进行癫痫发作预警的病人预设长度的SEEG信号数据，采用步骤S1中的预处理方法进行处理，将预处理后的SEEG信号数据矩阵作为检测SEEG信号样本输入至步骤S4适配训练好的SEEG信号重构模型，得到重构的检测SEEG信号样本；计算重构的检测SEEG信号样本和原始的检测SEEG信号样本的均方误本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识蒸馏的跨病人无监督SEEG癫痫预警方法，其特征在于，包括以下步骤：S1：对M位已有病人分别采集若干预设长度的正常SEEG信号数据，对每个SEEG信号数据进行预处理得到SEEG信号数据矩阵，预处理方法为：根据实际需要设置SEEG电极数量F，并设置F个SEEG电极的信道及排序，对SEEG信号数据进行信道插补，并按照预设SEEG电极排序对SEEG信号数据进行重排序，得到处理后的SEEG信号数据；然后将处理后的SEEG信号数据均匀划分为N个SEEG信号片段，记每个SEEG信号片段的长度为T，构成SEEG信号数据矩阵X＝{x1,x2,
…
,x
N
}，x
n
∈R
T
×
F
表示第n个SEEG信号片段；将M位已有病人预处理后的正常SEEG信号数据矩阵作为SEEG信号样本构成训练集；S2：根据实际需要构建SEEG信号重构模型，包括遮蔽模块、时间嵌入模块、自注意力模块和重构模块，其中：遮蔽模块用于根据预设的遮蔽比例λ对输入的SEEG信号数据矩阵X＝{x1,x2,
…
,x
N
}进行遮蔽处理，将处理后的SEEG信号数据矩阵X
′
＝{x
′1,x
′2,
…
,x
′
N
}输出至时间嵌入模块；时间嵌入模块用于使用一维卷积神经网络对接收到的SEEG信号数据矩阵进行一维卷积操作，其中卷积步长设置为1，卷积核的大小设置为1
×
F，将每个SEEG信号片段x
′
n
经过一维卷积操作提取得到的嵌入特征发送至自注意力模块，其中d表示一维卷积操作的输出通道数；自注意力模块包括K个级联的自注意力层，K的值根据实际需要确定，基于自注意力机制分别对嵌入特征E
n
进行处理，通过大小为F
×
F的注意力分数矩阵提取SEEG电极之间的依赖关系，得到特征并输出至重构模块；重构模块用于根据接收到的N个特征S
n
重构得到N个SEEG信号片段，从而得到重构SEEG信号数据矩阵X
r
＝{x
r,1
,x
r,2
,
...

【专利技术属性】
技术研发人员：王晓玲，钟博，栾金锋，陈亮，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：