癫痫预测方法及装置制造方法及图纸

本发明专利技术涉及智能生物医学信号处理领域，提高了一种癫痫预测方法及装置，该方法包括：获取待测脑电图EEG数据；基于双通道融合模型对EEG数据进行预测，得到癫痫预测结果；其中，双通道融合模型的两个通道分支分别通过编码网络和卷积神经网络构建得到，编码网络基于自注意力机制构建；双通道融合模型通过以样本EEG数据为训练样本，以融合特征为训练特征训练得到；融合特征基于编码网络输出的全局特征和卷积神经网络输出的局部特征确定。本发明专利技术所述方法结合EEG数据中的全局信息和局部信息实现网络的迭代训练和癫痫预测，提升了癫痫预测的准确性。

【技术实现步骤摘要】

本专利技术涉及智能生物医学信号处理领域，尤其涉及一种癫痫预测方法及装置。

技术介绍

1、脑电图（electroencephalography，eeg）中记录了大脑神经自发电活动的信息，包含了丰富的大脑信息，是疾病诊断、病灶定位等疾病诊断和治疗的重要辅助工具。

2、目前，eeg可以分为侵入式脑电图和非侵入式脑电图。侵入式脑电图具有噪声干扰小、信噪比高等优点，但是需要手术植入电极，可能会对人体造成伤害，风险较大，相较于侵入式脑电图，非侵入式脑电图因其非侵入式，采集方便等优点已被广泛应用于癫痫发作预测。

3、相关技术中，通常采用基于机器学习的方法和基于深度学习的方法进行癫痫发作预测，由于传统的机器学习方法预测癫痫发作时需要设计合适的特征和分类器，而手工设计特征时需要大量的先验知识，导致预测结果不可靠；而采用基于深度学习方法进行癫痫预测时，通过单一的网络模型提取的特征表征能力低，导致预测结果不准确。

技术实现思路

1、本专利技术提供一种癫痫预测方法及装置，用以解决现有技术采用基于深度学习方法进本文档来自技高网...

【技术保护点】

1.一种癫痫预测方法，其特征在于，包括：

2.根据权利要求1所述的癫痫预测方法，其特征在于，所述双通道融合模型通过如下步骤训练得到：

3.根据权利要求2所述的癫痫预测方法，其特征在于，所述对所述样本EEG数据集进行预处理包括：

4.根据权利要求2所述的癫痫预测方法，其特征在于，所述从预处理后的样本EEG数据集中提取出梅尔频率倒谱系数MFCC特征包括：

5.根据权利要求2所述的癫痫预测方法，其特征在于，所述编码网络包括多头注意力层；

6.根据权利要求2所述的癫痫预测方法，其特征在于，所述卷积神经网络包括多个卷积层和一个全连接层；<...

【技术特征摘要】

1.一种癫痫预测方法，其特征在于，包括：

2.根据权利要求1所述的癫痫预测方法，其特征在于，所述双通道融合模型通过如下步骤训练得到：

3.根据权利要求2所述的癫痫预测方法，其特征在于，所述对所述样本eeg数据集进行预处理包括：

4.根据权利要求2所述的癫痫预测方法，其特征在于，所述从预处理后的样本eeg数据集中提取出梅尔频率倒谱系数mfcc特征包括：

5.根据权利要求2所述的癫痫预测方法，其特征在于，所述编码网络包括多头注意力层；

6.根据权利要求2所述的癫痫预测方法，其特征在于，所述卷...

【专利技术属性】
技术研发人员：吴雅婧，唐永强，马鸿程，张文生，
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：