【技术实现步骤摘要】
本专利技术涉及生物医学工程和人工智能，尤其涉及一种癫痫发作预测模型训练方法及癫痫发作预测系统。
技术介绍
1、癫痫是大脑神经元突发性异常放电，导致短暂的大脑功能性障碍的脑部慢性非传染疾病，若能在癫痫发作前及时有效预测发作，并采取适当预防和保护措施，可显著减少一些由癫痫发作症状给患者带来的损伤。
2、目前，脑电信号图(electroencephalogram，eeg)由于其有效特征较多、时效性较好，在预测神经类疾病具有独特优势，被广泛由于癫痫诊断和癫痫预测当中。脑电信号能够充分反映病发前大脑神经元集群异常放电的特征，呈现出特有的痫样脑电波形，如棘波、尖波、棘慢复合波和尖慢复合波等，表现在时域方面即为在eeg时域上提取到棘波等具有尖峰特征的异常波形，表现在频域方面即为出现高频振荡大幅增加且低频概率显著减少。在此基础上，癫痫脑电信号可分为发作期(正在发作且有明显的临床症状)、发作间期(癫痫发作的间隙且无明显的临床症状)、发作前期(临近癫痫发作且存在相关异常生物电活动的时间段)。
3、癫痫发作预测的研究目的是准确的区分癫痫发作前期和癫痫发作间期这两个阶段，如果确定了当前状态为发作前期，可以给予患者相应的警告，让他们有一定的预防措施(如发出警报、使用短效药物、电刺激等)，以应对即将到来的癫痫发作或减少癫痫发作情况下造成的伤害。
4、然而，现有的癫痫发作预测方法通常通过计算脑电信号数据的时频域特征，设定阈值来区分发作前期和发作间期，这需要大量的手工提取特征工作且不具有普适性；还有通过对脑电信号数据进行特征
5、因此，如何在发作间期和发作前期之间的分类问题上获得高灵敏度和低错误预测率仍然是一个主要挑战。
技术实现思路
1、本专利技术提供一种癫痫发作预测模型训练方法及癫痫发作预测系统，用以解决现有技术中存在的缺陷。
2、本专利技术提供一种癫痫发作预测模型训练方法，包括：
3、采集样本癫痫患者的脑电信号数据训练样本，并基于所述脑电信号数据训练样本，确定发作前期的第一数据集、发作间期的第二数据集以及分布外数据集；
4、将所述第一数据集、所述第二数据集和所述分布外数据集中的数据按时长进行分段，分别得到第一分段结果、第二分段结果和第三分段结果；
5、对于所述第一分段结果、所述第二分段结果和所述第三分段结果中的任一分段结果，提取所述任一分段结果的第一时频特征，并将所述第一时频特征输入至初始预测模型，由所述初始预测模型计算所述第一时频特征的多尺度注意力特征并进行特征聚合，得到聚合特征，并基于所述聚合特征得到所述任一分段结果对应的分类结果；
6、基于所述第一分段结果、所述第二分段结果和所述第三分段结果对应的分类结果以及发作时期，计算损失值，并基于所述损失值，对所述初始预测模型的结构参数进行迭代更新，得到癫痫发作预测模型。
7、根据本专利技术提供的一种癫痫发作预测模型训练方法，基于所述脑电信号数据训练样本，确定发作前期的第一数据集、发作间期的第二数据集以及分布外数据集，包括：
8、对所述脑电信号数据训练样本进行预处理，得到预处理结果；
9、在所述预处理结果中截取发作前期的第三数据集和发作间期的第四数据集，并在所述第四数据集中的数据中加入随机噪声，得到所述分布外数据集；
10、将所述第三数据集中的数据加入预设信噪比的噪声信号，更新所述第三数据集，得到所述第一数据集；
11、若所述第四数据集的数据时长的量级大于所述第一数据集的数据时长的量级，则删除所述第四数据集中的部分数据，得到所述第二数据集；
12、若所述第四数据集的数据时长的量级小于所述第一数据集的数据时长的量级，则将所述第四数据集中的数据加入所述噪声信号，更新所述第四数据集，得到所述第二数据集。
13、根据本专利技术提供的一种癫痫发作预测模型训练方法，将所述第一数据集、所述第二数据集和所述分布外数据集中的数据按时长进行分段，分别得到第一分段结果、第二分段结果和第三分段结果，包括：
14、采用预设时长的滑动窗口，以第一滑动步长，对所述第一数据集中的数据进行分段，得到所述第一分段结果；
15、采用所述预设时长的滑动窗口，以第二滑动步长，对所述第二数据集中的数据进行分段，得到所述第二分段结果；
16、采用所述预设时长的滑动窗口，以所述第二滑动步长，对所述分布外数据集中的数据进行分段，得到所述第三分段结果；
17、其中，所述第一滑动步长大于所述第二滑动步长。
18、根据本专利技术提供的一种癫痫发作预测模型训练方法，提取所述任一分段结果的第一时频特征，包括：
19、基于短时傅里叶变换，确定所述第一时频特征；
20、其中，所述第一时频特征基于脑电信号数据训练样本的通道数、频域以及时域构成的三维张量。
21、根据本专利技术提供的一种癫痫发作预测模型训练方法，由所述初始预测模型计算所述第一时频特征的多尺度注意力特征并进行特征聚合，得到聚合特征，并基于所述聚合特征得到所述任一分段结果对应的分类结果，包括：
22、由所述初始预测模型的上采样层对所述第一时频特征进行上采样，得到上采样结果，并由所述初始预测模型的卷积层进行二维卷积处理，得到卷积特征；
23、由所述初始预测模型的主干网对所述卷积特征进行切块嵌入，得到嵌入特征，并对所述嵌入特征进行多尺度注意力特征提取，得到不同尺度的注意力特征；
24、由所述初始预测模型的聚合网络对不同尺度的注意力特征进行特征聚合，得到所述聚合特征；
25、由所述初始预测模型的输出网络先后对所述聚合特征进行归一化操作和平均池化操作，得到所述任一分段结果对应的分类结果。
26、根据本专利技术提供的一种癫痫发作预测模型训练方法，基于所述第一分段结果、所述第二分段结果和所述第三分段结果对应的分类结果以及发作时期，计算损失值，包括：
27、基于所述第一分段结果和所述第二分段结果对应的分类结果以及发作时期，计算交叉熵损失，并基于所述第三分段结果对应的分类结果以及发作时期，计算最大熵损失；
28、基于所述交叉熵损失和所述最大熵损失，计算所述损失值。
29、根据本专利技术提供的一种癫痫发作预测模型训练方法，基于所述损失值，对所述初始预测模型的结构参数进行迭代更新，得到癫痫发作预测模型，之后包括：
30、采集样本癫痫患者的脑电信号数据测试样本，并将所述脑电信号数据测试样本按时长进行分段，得到第四分段结果；
31、提取所述第四分段结果的第二时频特征，并将所述第二时频特征输入至所述癫痫发作预测模型，由所述癫痫发作预测模型输出所述第四分段结果对应本文档来自技高网...
【技术保护点】
1.一种癫痫发作预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的癫痫发作预测模型训练方法，其特征在于，基于所述脑电信号数据训练样本，确定发作前期的第一数据集、发作间期的第二数据集以及分布外数据集，包括：
3.根据权利要求1所述的癫痫发作预测模型训练方法，其特征在于，将所述第一数据集、所述第二数据集和所述分布外数据集中的数据按时长进行分段，分别得到第一分段结果、第二分段结果和第三分段结果，包括：
4.根据权利要求1所述的癫痫发作预测模型训练方法，其特征在于，提取所述任一分段结果的第一时频特征，包括：
5.根据权利要求1-4中任一项所述的癫痫发作预测模型训练方法，其特征在于，由所述初始预测模型计算所述第一时频特征的多尺度注意力特征并进行特征聚合，得到聚合特征，并基于所述聚合特征得到所述任一分段结果对应的分类结果，包括：
6.根据权利要求1-4中任一项所述的癫痫发作预测模型训练方法，其特征在于，基于所述第一分段结果、所述第二分段结果和所述第三分段结果对应的分类结果以及发作时期，计算损失值，包括：
7.
8.一种癫痫发作预测模型训练装置，其特征在于，包括：
9.一种癫痫发作预测系统，其特征在于，包括：
10.根据权利要求9所述的癫痫发作预测系统，其特征在于，还包括后处理模块，用于：
...【技术特征摘要】
1.一种癫痫发作预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的癫痫发作预测模型训练方法，其特征在于，基于所述脑电信号数据训练样本，确定发作前期的第一数据集、发作间期的第二数据集以及分布外数据集，包括：
3.根据权利要求1所述的癫痫发作预测模型训练方法，其特征在于，将所述第一数据集、所述第二数据集和所述分布外数据集中的数据按时长进行分段，分别得到第一分段结果、第二分段结果和第三分段结果，包括：
4.根据权利要求1所述的癫痫发作预测模型训练方法，其特征在于，提取所述任一分段结果的第一时频特征，包括：
5.根据权利要求1-4中任一项所述的癫痫发作预测模型训练方法，其特征在于，由所述初始预测模型计算所述第一时频特征的多尺度...
【专利技术属性】
技术研发人员：董秋雷，王芷熙，高梦宇，
申请(专利权)人：中国科学院自动化研究所，
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。