一种癫痫脑电信号处理方法技术

本发明专利技术公开一种癫痫脑电信号处理方法

【技术实现步骤摘要】
一种癫痫脑电信号处理方法、系统及辅助诊断设备


[0001]本专利技术属于脑电信号处理
，尤其涉及一种癫痫脑电信号处理方法
、
系统及辅助诊断设备
。

技术介绍

[0002]癫痫是一种慢性疾病，其特征是大脑神经元突然异常放电，导致短暂的脑功能障碍
。
它影响着全世界约
5000
万人，包括成年人
、
婴儿和幼儿等
。
癫痫患者表现出各种症状，包括全身抽搐
、
意识不清和尿失禁等
。
癫痫患者发病经常在没有预警的情况下意外发生，可能导致不可逆转的脑损伤甚至危及生命
。
因此，癫痫的早期诊断和预防措施至关重要
。CT(Computed Tomography
，计算断层成像，简称为
CT)
和
MRI(Magnetic Resonance Imaging
，磁共振成像，简称为
MRI)
等医学成像技术可以检测癫痫
。
尽管
CT
和
MRI
可以通过识别病变和提供空间信息来检测癫痫
。
然而，它们缺乏时间数据，无法检测到持续性癫痫发作
。
此外，
MRI
检测既昂贵又耗时，并且也不适用于在测试过程中需要安静躺着的患者，因此限制了其应用
。
为了解决上述应用的局限性并确保癫痫的及时诊断，脑电图
(electroencephalogram
，简称为
EEG)
信号被用于癫痫识别
。
脑电图检查在定位方面高度准确，有效地解决了持续性癫痫脑电图检查的挑战
。
准确解码癫痫脑电图对于辅助医学癫痫诊断
、
降低癫痫发作风险以及支持繁忙的神经科病房的神经科医生至关重要
。
[0003]但是，由于
EEG
信号高度不稳定，常用的处理脑电信号的流程是利用算法对数据进行预处理和特征提取，然后，基于传统机器学习的算法进行分类
。
这样的流程操作繁琐，不利于医疗工作者进行实时检测
。
早期的一些研究对脑电进行二分类
(
健康
vs.
患病
)
很少有对脑电进行三分类
(
健康
vs.
中等患病
vs.
重度患病
)。

技术实现思路

[0004]本专利技术的目的在于提供一种癫痫脑电信号处理方法
、
系统及辅助诊断设备，用于提高提高癫痫脑电信号分类的准确率，实现精准辅助癫痫诊断的目的
。
[0005]第一方面，本专利技术提供一种癫痫脑电图信号处理方法，包括如下步骤：
[0006]获取原始癫痫脑电图信号；
[0007]预处理所述原始癫痫脑电图信号，以获得预处理癫痫脑电图信号；
[0008]运行混合模块，所述混合模块具有特征提取和特征分类功能，所述混合模块是基于卷积神经网络和长短期记忆网络训练获得的混合模块；所述混合模块接收所述预处理癫痫脑电图信号，利用所述卷积神经网络对其进行特征提取，利用所述长短期记忆网络将其分类至相应的数据标签下；基于预处理癫痫脑电图信号子集训练长短期记忆网络，输出多个所述数据标签，每一所述数据标签均用于表征患病程度
。
[0009]与现有技术相比，本专利技术提供的癫痫脑电图信号处理方法摒弃传统处理方式操作复杂的缺点，依靠卷积神经网络和长短期记忆网络对混合模型进行自学习以及自训练，不仅解决了脑电的二分类问题而且还解决了三分类问题，不仅如此，还可以向更多病情等级
的分类问题进行扩展，本专利技术在波恩大学的开源癫痫数据集上进行了测试，结果三分类的准确度高达
98
％，二分类的准确率再
97.3
‑
100
％，分类效果较好，因此具有很好的实际应用价值
。
[0010]第二方面，本专利技术还提供一种癫痫脑电图信号处理系统，包括：
[0011]数据采集模块，用于获取原始癫痫脑电图信号
[0012]数据预处理模块，用于预处理所述原始癫痫脑电图信号，以获得预处理癫痫脑电图信号；
[0013]以及混合模块，所述混合模块具有特征提取和特征分类功能，所述混合模块是基于卷积神经网络和长短期记忆网络训练获得的混合模块；所述混合模块接收所述预处理癫痫脑电图信号，利用所述卷积神经网络对其进行特征提取，利用所述长短期记忆网络将其分类至相应的数据标签下；基于预处理癫痫脑电图信号子集训练长短期记忆网络，输出多个所述数据标签，每一所述数据标签均用于表征患病程度
。
[0014]与现有技术相比，本专利技术提供的癫痫脑电图信号处理系统的有益效果与第一方面和
/
或第一方面任一种实现方式提供的癫痫脑电图信号处理方法的有益效果相同，在此不做赘述
。
[0015]第三方面，本专利技术还提供一种癫痫脑电图检测辅助诊断设备，执行第一方面所述的癫痫脑电图信号处理方法；或，配置有第二方面所述的癫痫脑电图信号处理系统
。
[0016]与现有技术相比，本专利技术提供的癫痫脑电图检测辅助诊断设备的有益效果与第一方面和
/
或第一方面任一种实现方式提供的癫痫脑电图信号处理方法的有益效果相同在此不做赘述
。
附图说明
[0017]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
在附图中：
[0018]图1为本专利技术实施例提供的癫痫脑电图信号处理系统的结构框图；
[0019]图2为本专利技术实施例提供的混合模块的结构框图；
[0020]图3为本专利技术实施例提供的混合模块训练实现示意图；
[0021]图4为本专利技术实施例提供的癫痫脑电图信号处理方法与现有技术的
ROC
和
PRC
曲线对比图；
[0022]图5为本专利技术实施例提供的混合矩阵结构示意图；
[0023]图6为本专利技术实施例提供的三分类
ROC
曲线结果示意图
。
具体实施方式
[0024]为了使本专利技术所要解决的技术问题
、
技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明
。
应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术
。
[0025]需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上
。
当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种癫痫脑电图信号处理方法，其特征在于，包括如下步骤：获取原始癫痫脑电图信号；预处理所述原始癫痫脑电图信号，以获得预处理癫痫脑电图信号；运行混合模块，所述混合模块具有特征提取和特征分类功能，所述混合模块是基于卷积神经网络和长短期记忆网络训练获得的混合模块；所述混合模块接收所述预处理癫痫脑电图信号，利用所述卷积神经网络对其进行特征提取，利用所述长短期记忆网络将其分类至相应的数据标签下；基于预处理癫痫脑电图信号子集训练长短期记忆网络，输出多个所述数据标签，每一所述数据标签均用于表征患病程度
。2.
根据权利要求1所述的癫痫脑电图信号处理方法，其特征在于，所述混合模块训练过程中生成多个超参数；配置混合模块前，所述癫痫脑电图信号处理方法还包括：评估所述混合模块，评估指标至少包括准确度
、
混淆矩阵
、
准确度
‑
召回曲线
、
受试者工作特征曲线
、
曲线下面积和召回曲线；基于评估指标确定的评估结果，优化所述混合模块，以使所述混合模块能够自动搜索最合适的超参数
。3.
根据权利要求2所述的癫痫脑电图信号处理方法，其特征在于，所述混合模块为采用监督式学习方法训练获得的混合模块，训练所述混合模块采用五个预处理癫痫脑电图信号子集；标注所述预处理癫痫脑电图信号子集
{F}
‑
{N}
‑
{O}
‑
{Z}
‑
{S}
里数据的标签：
{F}
和
{N}
的标签为1；
{O}
和
{Z}
的标签为2；
{S}
的标签为3；
{O}
和
{Z}
是健康被试；
{F}
和
{N}
是中等患病；
{S}
是重度患病，共计三个类别；每个所述预处理癫痫脑电图信号子集至少包括
100
条数据
。4.
根据权利要求1所述的癫痫脑电信号处理方法，其特征在于，预处理所述原始癫痫脑图信号至少包括：滤波
、
去除不良通道
、
基线校准和重新参考
。5.
根据权利要求1所述的癫痫脑电图信号处理方法，其特征在于，所述混合模块接收所述预处理癫痫脑电图信号，利用所述卷积神经网络对其进行特征提取，利用所述长短期记忆网络将其分类至相应的数据标签下，包括：所述预处理癫痫脑电图信号输入所述卷积神经网络所包括的卷积层和池化层以提取空间特征；所述长短记忆网络连接到所述池化层，以提取所述预处理癫痫脑电图信号的时间序列信息；利用所述长短记忆网络所包括的丢弃层和完全连接层将所述预处理癫痫脑电图信号分类至相应的所述数据标签下
。6.
根据权利要求5所述的癫痫脑电图信号处理方法，其特征在于，所述预处理癫痫脑电图信号输入所述卷积神经网络所包括的卷积层和池化层以提取空间特征包括：输入样本数
、
序列数和通道数；采用如下方式获得特征信号：其中，是第
m
个通道第
l
层卷积层的输出，
f(
·
)
是激活函数；是卷积层的第
m
个通道
的激活值；是第
n
个通道第
l
‑1层卷积层的输出；
p
是信号输入选择的特征集；代表卷积函数；是偏置；对获得的所述特征信号进行小邻域下采样，经过卷积得到新的特征，计算公式如下：其中，代表偏移系数；
down(
·
)
代表下采样函数；通过加权输入并响应公式，能够获得完全连接层，
u
l
＝
w
l
x
l
‑1+b
l
，其中，
u
l
代表
l
th
全连接层的激活值，
w
l
和
b
l
表示完全连接层的权重和偏差
。7.
根据权利要求5所述的癫痫脑电图信号处理方法，其特征在于，利用所述长短记忆网络所包括的丢弃层和完全连接层将所述预处理癫痫脑电图信号分类至相应的所述数据标签下，包括：通过如下公式确定
t
时刻的候选单元为：其中，
x
t
是
t
时刻的数据输入值，
h
t
‑1是
t
‑1时刻隐藏层的输出数值，
b
c
是第一个偏移量，
W
C
为隐藏层的权重，
W
xC
为
x
t
在隐藏层的权重，
W
hC
为
h
t
‑1在隐藏层的权重；输入门
i
t
用于决定向所述候选单元添加的新信息的量，通过如下方式确定输入门
i
t
：
i
t
＝
σ
(W
i
[h
t
‑1,x
t
]+b
i
)...

【专利技术属性】
技术研发人员：王夏爽，康梦雪，王正军，班昊轩，
申请(专利权)人：中国长峰机电技术研究设计院，
类型：发明
国别省市：