【技术实现步骤摘要】
基于时频注意力混合深度网络的癫痫脑电信号识别方法
[0001]本专利技术涉及脑电信号处理
，具体涉及基于时频注意力混合深度网络的癫痫脑电信号识别方法。
技术介绍
[0002]癫痫是一种常见的神经系统疾病，主要表现为反复发作的脑神经功能障碍，如意识障碍、肢体抽搐、口吐白沫等。其病理表现为大脑神经细胞反复超同步放电，其发作会影响患者的身体机能，对患者大脑造成不可逆的损害，所以及时发现癫痫发作并给予患者抗癫痫药物治疗至关重要。
[0003]在现有技术中，癫痫的识别主要依靠医生查验患者的脑电图来判断，存在较大的主观因素。并且，由于脑电信号的非稳定性和波的多样性，脑电信号的分析和处理一直很困难。传统的方法主要从时域来分析脑电信号，忽略了其非平稳性，效果并不是很理想。
[0004]近年来，随着深度学习的蓬勃发展，卷积神经网络和循环神经网络已经在计算机视觉、自然语言处理和语音等领域取得了不错的效果，许多研究也开始用深度学习的方法来进行癫痫脑电信号识别。结合卷积神经网络和循环神经网络的混合深度学习模型可以同时提取时空特...
【技术保护点】
【技术特征摘要】
1.基于时频注意力混合深度网络的癫痫脑电信号识别方法，其特征在于，包括以下步骤：步骤一：对原始脑电信号数据进行预处理；步骤二：利用时频注意力机制模块对预处理后的脑电信号进行时频表示；步骤三：构建混合深度网络模块对拓展后的脑电信号进行时空信息提取；步骤四：将所述特征提取后的脑电信号通过特征分类模块进行特征融合并且分类，将分类精度作为最终的评价指标。2.根据权利要求1所述的基于时频注意力混合深度网络的癫痫脑电信号识别方法，其特征在于，所述的原始脑电信号数据是使用标准的10
‑
20电极放置系统，以173.61Hz的频率进行采样所获取的单通道脑电信号，采样持续时间为23.6s，每个所述的单通道脑电信号包含4097数据点。3.根据权利要求1所述的基于时频注意力混合深度网络的癫痫脑电信号识别方法，其特征在于，所述的原始脑电信号数据进行预处理具体步骤包括：对所述的原始脑电信号进行数据划分，将连续的原始脑电信号划分成脑电信号片段，将每个所述的原始脑电信号分为23个片段，每段脑电信号包含178个数据点，余下的少量数据点因不构成完整的脑电信号片段而舍弃。4.根据权利要求1所述的基于时频注意力混合深度网络的癫痫脑电信号识别方法，其特征在于，所述的时频注意力机制模块包括时频表示层和注意力网络层。5.根据权利要求4所述的基于时频注意力混合深度网络的癫痫脑电信号识别方法，其特征在于，在所述的时频表示层中，使用小波变换方法对脑电信号进行时频表示，得到4个不同时频特征的波段δ，θ，α，和β，并使用注意力网络结构，...
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。