【技术实现步骤摘要】
本申请涉及脑电信号处理，具体涉及一种局灶性癫痫发作特征级识别方法及系统。
技术介绍
1、当前脑机接口（brain-machine interface, bmi）技术在针对药物难治性癫痫等神经功能性疾病的治疗中仍然存在重大挑战。目前关于癫痫发作识别系统的技术方案主要集中在基于传统特征提取和简单机器学习方法的系统上。这些系统通常通过提取脑电信号的线性特征（如线长、面积或频谱功率）进行发作检测。这类方法虽然在特定条件下能够实现对显著癫痫发作的初步识别，但对局灶性癫痫发作时表现出一定的局限性。局灶性癫痫发作的特征如癫痫样棘波（spike）和高频振荡（hfo），往往隐匿于复杂的脑电背景中，而固定的脑节律和噪声信号更是进一步掩盖了这些重要特征。因此传统特征提取和简单机器学习方法对信号复杂度较高、特征较为隐匿、持续时间短以及发作范围小的局灶性发作，识别精度低且错误率高。此外，这些方法往往依赖固定的阈值判断，难以适应脑电信号的动态变化和不同患者的个性化特征，在实际临床应用中鲁棒性和泛化能力表现较差。
2、另一类技术方案基于深度学习和数据驱动...
【技术保护点】
1.一种局灶性癫痫发作特征级识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的局灶性癫痫发作特征级识别方法，其特征在于，所述使用集成有策略网络、残差神经网络和循环神经网络的特征提取模型对所述时序脑电数据进行特征提取，获得脑电特征，包括：
3.根据权利要求2所述的局灶性癫痫发作特征级识别方法，其特征在于，所述利用预设的幅度感知层捕捉所述时序脑电数据的幅度信息，包括：
4.根据权利要求1-3中任一项所述的局灶性癫痫发作特征级识别方法，其特征在于，所述时序脑电数据的序列长度为250时，对应的滑动检测时间窗口为0.5秒。
...【技术特征摘要】
1.一种局灶性癫痫发作特征级识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的局灶性癫痫发作特征级识别方法，其特征在于，所述使用集成有策略网络、残差神经网络和循环神经网络的特征提取模型对所述时序脑电数据进行特征提取，获得脑电特征，包括：
3.根据权利要求2所述的局灶性癫痫发作特征级识别方法，其特征在于，所述利用预设的幅度感知层捕捉所述时序脑电数据的幅度信息，包括：
4.根据权利要求1-3中任一项所述的局灶性癫痫发作特征级识别方法，其特征在于，所述时序脑电数据的序列长度为250时，对应的滑动检测时间窗口为0.5秒。
5.根据权利要求2所述的局灶性癫痫发作特征级识别方法，其特征在于，所述特征提取模型使用交叉熵损失函数和奖励机制进行训练与优化；
<...【专利技术属性】
技术研发人员：张园园，赵国光，宋子昂，徐航，李昭颖，王彦朝，
申请(专利权)人：首都医科大学宣武医院，
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。