基于功率谱密度的多尺度癫痫发作跨对象检测方法技术

本发明专利技术公开一种基于功率谱密度的多尺度癫痫发作跨对象检测方法，其步骤为：获取癫痫患者的多通道脑电信号数据并进行预处理；对预处理后的脑电信号数据进行正则化处理；自适应功率谱密度构建；根据功率谱密度特征对脑电信号数据使用SMOTE过采样方法进行平衡，形成平衡数据集；多尺度时空深度卷积网络模型搭建与训练；将平衡数据集中的数据划分为训练集与验证集，将训练数据和验证数据输入多尺度时空深度卷积网络模型中进行训练。本发明专利技术能够减少对大量标记数据的依赖，降低模型的复杂性和计算成本，同时提高模型在不同患者间的适用性。

【技术实现步骤摘要】

本专利技术属于生物医学信号处理和人工智能，尤其是涉及一种基于功率谱密度的多尺度癫痫发作跨对象检测方法。

技术介绍

1、癫痫是大脑神经元突发性异常放电导致的暂时性脑功能障碍，患者在发作时可能出现意识或知觉丧失、运动功能紊乱等短暂性症状。目前，全世界约有5000万癫痫患者，且不限年龄。癫痫的发病具有突发性和反复性，给患者及其家属带来身心上的巨大困扰。因此，癫痫发作的准确检测对于患者的诊断、治疗和管理至关重要。

2、传统的癫痫发作检测主要依赖于神经科医生对脑电(eeg)信号的人工分析，脑电图能够捕捉大脑的复杂动态电活动，识别癫痫类型，辅助诊断癫痫综合征，并评估癫痫复发风险，但是，这种方法既耗时又容易受主观因素影响，难以及时准确地检测出癫痫发作。因此，自动化处理脑电信号进行癫痫发作检测显得尤为重要。

3、近年来，随着深度学习技术的发展，越来越多的研究尝试将人工智能用于癫痫发作的预测，其中主要通过分析脑电(eeg)信号来发现潜在的异常模式。然而，由于个体间生理差异巨大，脑电信号在时域、频域、空间域上具有高度个性化特征，且易受噪声影响，这些因素本文档来自技高网...

【技术保护点】

1.一种基于功率谱密度的多尺度癫痫发作跨对象检测方法，其特征是：其包括以下步骤：

2.根据权利要求1所述的基于功率谱密度的多尺度癫痫发作跨对象检测方法，其特征是：所述步骤S3，包括以下子步骤：

3.根据权利要求2所述的基于功率谱密度的多尺度癫痫发作跨对象检测方法，其特征是：所述步骤S3中，使用Multitaper方法计算相应频段的PSD值，步骤如下：

4.根据权利要求1所述的基于功率谱密度的多尺度癫痫发作跨对象检测方法，其特征是：所述步骤S5中，MSSTDCN模型中的空间特征提取网络由五个小波卷积层组成，首先，通过五个小波卷积层分别提取σ频段、θ频段、...

【技术特征摘要】

1.一种基于功率谱密度的多尺度癫痫发作跨对象检测方法，其特征是：其包括以下步骤：

2.根据权利要求1所述的基于功率谱密度的多尺度癫痫发作跨对象检测方法，其特征是：所述步骤s3，包括以下子步骤：

3.根据权利要求2所述的基于功率谱密度的多尺度癫痫发作跨对象检测方法，其特征是：所述步骤s3中，使用multitaper方法计算相应频段的psd值，步骤如下：

4.根据权利要求1所述的基于功率谱密度的多尺度癫痫发作跨对象检测方法，其特征是：所述步骤s5中，msstdcn模型中的空间特征提取网络由五个小波卷积层组成，首先，通过五个小波卷积层分别提取σ频段、θ频段、α频段、β频段、γ频段特征；其次，将每个频段的特征进行连接；最后，融合后的特征输入第二多分支注意力层，经第二多分支注意力层得到空间卷积网络提取的特征fs；具体地，对于时间样本t处的给定输入eeg表示x，第一个小波卷积层执行离散小波变换，定义为：

5.根据权利要求4所述的基于功率谱密度的多尺度癫痫发作跨对象检测方法，其特征是：所述步骤s5中，msstdcn模型中的时间特征提取网络由多个具有不同大小卷积核的标准二维卷积层组成，分别提取信号中的不同尺度的时间特征，最后融合后的特征输入第一多分支注意力层，经第一多分支注意力层得到时间卷积网络提取的特征ft。

6.根据权利要求4或5所述的基于功率...

【专利技术属性】
技术研发人员：谷培培，寿纪斌，申红雪，黄敏，陈庆涛，马军霞，师夏阳，陈锐，郑倩，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：