基于卷积网络的放电指数检测方法技术

本发明专利技术提供了一种基于卷积网络的放电指数检测方法，收集癫痫患者的脑电图数据样本；对所述脑电图数据样本进行预处理，去除工作频率噪声，并进行归一化后进行固定长度的不重叠滑动切片；通过进行协调处理后的所述脑电图数据样本进行卷积神经网络进行训练；在训练过程中为每个所述脑电图数据样本进行梯度的修改，以进行样本的协调处理；通过医生对识别结果进行校正，反向输入卷积神经网络，对卷积神经网络的参数进行更新；将待检测的脑电图数据样本输入卷积神经网络，得到预测结果，并生成报告。

【技术实现步骤摘要】

本专利技术涉及医学检测，具体涉及一种基于卷积网络的放电指数检测方法。

技术介绍

1、发作间期痫样放电(interictal epilepti-form discharge,ied)的干预评估是值得关注的重要问题。放电指数计算是关键之一,其是一种用于评估和量化脑电图中发作间期痫样放电的特征的工具。它通常用于分析癫痫患者的脑电图数据，以帮助医生确定病情的严重程度、患者的认知功能状态以及治疗策略的制定。放电指数是一种定量测量的指标。通过对脑电图数据进行分析，可以计算不同类型的放电指数，如棘波放电指数、尖波放电指数等。这些指数有助于量化癫痫患者的放电活动，从而更好地理解其脑电图特点。

2、许多研究显示ied对认知功能有负面的影响。ied可导致“短暂性认知障碍”，对短暂认知机制的影响可能会随着时间的推移而积累，从而影响认知功能更稳定的方面，如教育成就。频繁广泛的棘波放电，会通过干扰清醒时的学习与记忆以及睡眠时的记忆巩固来损害认知能力。睡眠期的局灶性ied不仅损害神经过程，还损害学习和其他认知功能的局部可塑性变化。ied通过诱导神经生理功能的重复中断而影响本文档来自技高网...

【技术保护点】

1.一种基于卷积网络的放电指数检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于卷积网络的放电指数检测方法，其特征在于：步骤S1中所述脑电图数据样本为单极导联，包括：Fp1-A1，Fp2-A2，F3-A1，F4-A2，C3-A1，C4-A2，P3-A1，P4-A2，O1-A1，O2-A2，F7-A1，F8-A2，T3-A1，T4-A2，T5-A1和T5-A2。

3.根据权利要求2所述的一种基于卷积网络的放电指数检测方法，其特征在于：步骤S2中进行预处理的方法包括以下步骤：进行重采样将采样频率降为250Hz，再使用1Hz高通滤波去除低频噪声，使用...

【技术特征摘要】

1.一种基于卷积网络的放电指数检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于卷积网络的放电指数检测方法，其特征在于：步骤s1中所述脑电图数据样本为单极导联，包括：fp1-a1，fp2-a2，f3-a1，f4-a2，c3-a1，c4-a2，p3-a1，p4-a2，o1-a1，o2-a2，f7-a1，f8-a2，t3-a1，t4-a2，t5-a1和t5-a2。

3.根据权利要求2所述的一种基于卷积网络的放电指数检测方法，其特征在于：步骤s2中进行预处理的方法包括以下步骤：进行重采样将采样频率降为250hz，再使用1hz高通滤波去除低频噪声，使用50hz和100hz陷波滤波去除工作频率噪声。

4.根据权利要求1所述的一种基于卷积网络的放电指数检测方法，其特征在于：步骤s4中通过重构损失函数进行梯度的修改。

5.根据权利要求4所述的一种基于卷积网络的放电指数检测方法，其特征在于：重构损失函数的方法包括以下步骤：对于一个样本，设p∈[0,1]是模型预测的概率，p...

【专利技术属性】
技术研发人员：游强，冯杰，郭堃，柳德荣，赵崇宇，党程，王晓东，吉旭祥，陈在军，陈公来，毕宏伟，陈磊，李刚，高峰，杨震强，吉宏生，
申请(专利权)人：国网陕西省电力有限公司延安供电公司，
类型：发明
国别省市：