【技术实现步骤摘要】
：本专利技术属于通信，涉及一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，能够挖掘和利用脑电图不同通道之间的相关性信息，对脑电数据进行分类判断，其判断准确率高、精确度好。
技术介绍
0、
技术介绍
：
1、对癫痫脑电分类，一般都依赖于专业人士，比如医生的解读，但是，由于主要依赖于人工进行解读，需要消耗较多的时间，处理效率较低；而且，由于技术质量、以及医生资质的参差不齐，对于同一癫痫脑电信息，不同的人可能会得到不同的解读内容，甚至常常会出现判读错误的情况，所以，其判断的准确性不高。随着通信技术在医学上的应用，传统机器学习方法开始广泛应用，该方法是基于多个受试者两个半球的5个语言区域(3个额叶和2个颞叶)的神经生理学特征，组合成多个特征子集，使用极致梯度提升算法对这些特征子集进行分类，取得了较好的分类效果；近年来随着深度学习在图像分类、语音识别等领域的成功应用，有学者提出了一个基于深度学习的系统，这是一个金字塔式的一维卷积神经网络(p-1d-cnn)模型的集合，开始在深度学习扩展到图结构上，用于脑疾病的分类和预测，但是，现有技术对脑电多通道间的空间信息挖掘力度不足，提取特征组合过少，导致分类判断准确性不好。
2、因此，需要寻求设计一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，分别提取癫痫脑电信号的4种时频域特征和2种非线性动力学特征，通过将特征进行受试者切片维度的特征拼接作为模型方法的输入特征,提取脑电通道之间的空间相似性和频谱相似性，融合两种通道相似性作为整体图节点之间的边关系矩阵,能够挖掘和利用
技术实现思路
0、
技术实现思路
：
1、本专利技术专利技术的目的在于克服现有技术存在的缺点和不足，设计提供一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，以解决现有技术对脑电多通道间的空间信息挖掘力度不足、提取特征组合过少、导致分类判断精确度不高、准确性不好的问题。
2、为了达到上述目的，本专利技术所述的一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，包括：读取脑电数据，使用图描述10秒的脑电切片数据特征，作为输入数据；对输入数据进行图卷积，生成节点级嵌入；对全图的节点嵌入进行池化操作，返回一个图嵌入；将图级嵌入作为输入经过一个全连接层，通过比对模型的输出值进行结果判断，然后输出类别，即判断结果。
3、所述的读取的脑电数据包括两部分，第一部分是从部分脑电通道集合组成的16个双极癫痫脑电通道对中提取的多个特征数据，将提取的特征矩阵选择在特征层进行融合拼接组成最终的图节点数据；第二部分是癫痫脑电通道与通道之间的相关系数，即通过映射关系，以图的形式表明通道间存在的隐藏空间关系，其数据维度为16×16。
4、进一步地，将通过l个脑部电极通道记录下来的待检测脑电图数据进行处理后共选择m个脑部电极对作为测试的最原始数据，将这些原始数据以10秒为单位划分为n个切片。这样原始数据就被划分成n个时长为10s的m通道脑电数据，切片变成最小的数据单位。定义一个图gi＝(v,ei)，表示切片i处的通道之间的相互作用关系，这个动态图是一个全连接图。其中v表示m(m＝|v|)个通道的集合，可以用特征矩阵xi∈rm×d表示，其中d表示每个通道的输入特征维度，m表示通道数。表示节点集v之间的无向边的集合，可以用一个加权邻接矩阵a∈rm×m来表示。其中每个节点的自连边aii＝1；i＝1,2,...,m。
5、选取若干个原始脑部电极通道作为通道集合c，将通道集合中通道ci和通道cj的电极的电位差作为新的双极通道ck，组成新的双极通道集合c。提取通道集合的多个时频特征特征和非线性动力学特征，以通道为单位进行拼接，作为通道的特征矩阵f。网络中的节点k用通道ck的特征矩阵fk来表示。
6、在图神经网络的研究中，用邻接矩阵表示顶点间的关系，设计通道i与通道j之间的关系aij由两部分组成，分别是通道i与通道j之间的空间距离关系，记为以及通道i与通道j之间频谱相关性，记为
7、对于空间相关性，根据10-10国际标准导联系统各个通道的位置信息，得到通道在笛卡尔坐标系中的具体坐标值。在笛卡尔坐标空间中，半径为r的球面上的点(xi,yi,zi)与点(xj,yj,zj)之间的测地线距离定义为：
8、
9、对于频谱相关性，根据guido nolte等人[6]，设xi(f)和xj(f)分别为通道i和通道j的时间序列和的傅里叶变换。将交叉谱定义为
10、通道i和通道j的频谱相关性定义为归一化的交叉谱的绝对值
11、
12、空间图卷积神经网络卷积的本质目的就是用来提取拓扑图的空间特征,在每一层卷积中，每个节点的特征的更新依据其邻居节点，对其所有邻居的特征进行加权求和，从而得到新一层的节点特征[7]，卷积层的数据更新规则如下：
13、
14、其中：
15、h(l)表示当所有阶段在l层的特征向量矩阵，h(l+1)表示所有经过一次卷积操作之后下一层的特征向量矩阵；其中i是单位矩阵，a表示图gi的邻接矩阵，d是a的度矩阵,计算方法σ是非线性激活函数，如relu函数；w(l)表示的是当前层卷积变换的可训练的参数矩阵。
16、进一步地，经过多轮训练后，程序自动得出最佳分类阈值，此阈值作为分类标准，通过比对模型的输出值，来决定受试者脑电数据的所属类别是癫痫或者非癫痫。
17、一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法分别提取癫痫脑电信号的时频域特征和非线性动力学特征，通过将特征进行受试者切片维度的特征拼接作为模型方法的输入特征。提取脑电通道之间的空间相似性和频谱相似性，融合两种通道相似性作为整体图节点之间的边关系矩阵。在数据集上进行了实验，实现结果表明此模型能够挖掘和利用脑电图不同通道之间的相关性信息，对不同癫痫患者的脑电数据的平均分类准确率达到较高水平，优于传统机器学习算法以及单特征单关系的图卷积神经网络。
18、一种基于多特征多关系图卷积神经网络的癫痫脑电分类装置，其主体结构包括：脑电数据采集器、数据处理器、显示器，脑电数据采集器与数据处理器之间电信息连接，数据处理器与显示器之间电信息连接，所述的脑电数据采集器为帽子结构，冒顶均匀布置有电极，电极用于采集受试者的脑电波信号，该采集过程为自然状态下采集，无需实施刺激等对人体有害的操作；脑电数据采集器的电极与数据处理器之间电信息连接，数据处理器中设置有程序模型，该程序模型读取脑部电极通道数据、通道与通道之间的数据作为输入数据，然后对脑电数据进行处理、切片、提取特征数据，将程序自动得出最佳分类阈值作为比对分类标准，通过比对数据集的模型输出值，来决定数据集受试者的所属类别是癫痫或者非癫痫，将分类结果显示在显示器上。
19、本专利技术与现有技术相比，提取脑电通本文档来自技高网...
【技术保护点】
1.一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，其特征在于该方法包括：读取脑电数据，使用图描述10秒的脑电切片数据特征，作为输入数据；对输入数据进行图卷积，生成节点级嵌入；对全图的节点嵌入进行池化操作，返回一个图嵌入；将图级嵌入作为输入经过一个全连接层，通过比对模型的输出值进行结果判断，然后输出类别，即判断结果。
2.根据权利要求1所述的一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，其特征在于所述的读取的脑电数据包括两部分，第一部分是从部分脑电通道集合组成的16个双极癫痫脑电通道对中提取的多个特征数据，将提取的特征矩阵选择在特征层进行融合拼接组成最终的图节点数据；第二部分是癫痫脑电通道与通道之间的相关系数，即通过映射关系，以图的形式表明通道间存在的隐藏空间关系，其数据维度为16×16。
3.根据权利要求2所述的一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，其特征在于将通过L个脑部电极通道记录下来的待检测脑电图数据进行处理后共选择M个脑部电极对作为测试的最原始数据，将这些原始数据以10秒为单位划分为N个切片；这样原始数据就被划分成N
4.根据权利要求3所述的一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，其特征在于分别提取癫痫脑电信号的时频域特征和非线性动力学特征，通过将特征进行受试者切片维度的特征拼接作为模型方法的输入特征；提取脑电通道之间的空间相似性和频谱相似性，融合两种通道相似性作为整体图节点之间的边关系矩阵；在数据集上进行实验，实现结果表明此模型能够挖掘和利用脑电图不同通道之间的相关性信息，提高对不同癫痫患者的脑电数据的平均分类准确率。
5.一种基于多特征多关系图卷积神经网络的癫痫脑电分类装置，其主体结构包括：脑电数据采集器、数据处理器、显示器，脑电数据采集器与数据处理器之间电信息连接，数据处理器与显示器之间电信息连接，所述的脑电数据采集器为帽子结构，冒顶均匀布置有电极，电极用于采集受试者的脑电波信号，该采集过程为自然状态下采集，不实施刺激等对人体有害的操作；脑电数据采集器的电极与数据处理器之间电信息连接，数据处理器中设置有程序模型，该程序模型读取脑部电极通道数据、通道与通道之间的数据作为输入数据，然后对脑电数据进行处理、切片、提取特征数据，将程序自动得出最佳分类阈值作为比对分类标准，通过比对数据集的模型输出值，来决定数据集受试者的所属类别是癫痫或者非癫痫，将分类结果显示在显示器上。
6.根据权利要求5所述的一种基于多特征多关系图卷积神经网络的癫痫脑电分类装置，其特征在于所述的数据处理器可以是电脑或智能手机或PLC控制器等能存储、处理数据的设备。
...【技术特征摘要】
1.一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，其特征在于该方法包括：读取脑电数据，使用图描述10秒的脑电切片数据特征，作为输入数据；对输入数据进行图卷积，生成节点级嵌入；对全图的节点嵌入进行池化操作，返回一个图嵌入；将图级嵌入作为输入经过一个全连接层，通过比对模型的输出值进行结果判断，然后输出类别，即判断结果。
2.根据权利要求1所述的一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，其特征在于所述的读取的脑电数据包括两部分，第一部分是从部分脑电通道集合组成的16个双极癫痫脑电通道对中提取的多个特征数据，将提取的特征矩阵选择在特征层进行融合拼接组成最终的图节点数据；第二部分是癫痫脑电通道与通道之间的相关系数，即通过映射关系，以图的形式表明通道间存在的隐藏空间关系，其数据维度为16×16。
3.根据权利要求2所述的一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法，其特征在于将通过l个脑部电极通道记录下来的待检测脑电图数据进行处理后共选择m个脑部电极对作为测试的最原始数据，将这些原始数据以10秒为单位划分为n个切片；这样原始数据就被划分成n个时长为10s的m通道脑电数据，切片变成最小的数据单位；定义一个图gi＝(v,ei)，表示切片i处的通道之间的相互作用关系，这个动态图是一个全连接图；其中v表示m(m＝|v|)个通道的集合，可以用特征矩阵xi∈rm×d表示，其中d表示每个通道的输入特征维度，m表示通道数；表示节点集v之间的无向边的集合，可以用一个加权邻接矩阵a∈rm×m来表示；其...
【专利技术属性】
技术研发人员：张玉乾，付永江，张玉麟，彭玉娇，牛嵩云，于永强，隋毅，
申请(专利权)人：中船人因工程研究院青岛有限公司，
类型：发明
国别省市：
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。