CN108549875B - 一种基于深度通道注意力感知的脑电癫痫发作检测方法 - Google Patents

Abstract

本发明公开了一种基于深度通道注意力感知的脑电癫痫发作检测方法，属于生物医学工程和机器学习领域。本发明引入注意力机制于多通道脑电癫痫发作检测中，训练端到端的深度通道注意力感知模型。该模型不仅可以提取脑波信号的深度特征，而且能够同时学习各通道对于检测癫痫的贡献分数，实现动态选择最相关脑电通道。与现有技术相比，本发明通过结合深度特征提取和注意力机制动态选择最相关脑电通道并协同表达癫痫特征，使其融合特征具有通道感知能力，并在提升癫痫检测率的同时具有可解释性。

Description

一种基于深度通道注意力感知的脑电癫痫发作检测方法

技术领域

本发明涉及生物医学工程和机器学习领域，尤其涉及一种基于深度通道注意力感知的脑电癫痫发作检测方法。

背景技术

癫痫是一种由脑部神经元异常放电所引起的慢性神经疾病，我国大约有600万左右的癫痫患者并逐年快速增长。癫痫的临床特征通常表现为抽搐、精神异常、发作性意识改变等，对患者身心健康危害极大。随着医疗信息化建设的日益发展与普及，癫痫诊断可由医学专家直接根据多通道脑电图(electroencephalogram，EEG)通过视觉检测进行诊断。但由于癫痫发作的不确定性，医生需要长期监控病人的冗长的脑电图记录。这种耗时费力的人工检测很容易导致漏诊误诊的发生。因此，有必要实现自动化的多通道脑电癫痫发作检测，从而减轻医疗工作者的工作量并避免主观因素干扰，这在医学应用中具有重大意义。

近年来，国内外对于基于机器学习的多通道脑电癫痫发作检测的方法研究给予极大重视。具体地，当前研究主要集中在应用深度学习算法自动提取多通道脑电特征从而检测癫痫的发作。由于脑电数据的多通道复杂性，有些脑电通道会提供与癫痫发作无关的干扰信息，因此研究者们尝试利用深度学习技术预先选择有用的脑电通道作为检测癫痫的主要特征。尽管如此，现有的脑电通道选择模型大多都是通过阈值判断一次性滤除所有无关通道。这种硬选择(hard selection)模型忽略了脑电通道信息的动态性，因为相关通道的选择是随不同病人和病情而变化的。另外，现有模型往往将特征学习和通道选择视为各自独立的模块，即多阶段(multi-stage)模型，并非端到端(end-to-end)模型。这种多阶段模型很难保证癫痫检测性能的稳定，由于其需要使用人工手段协调各阶段模块工作。因此，如何结合深度学习技术动态选择相关脑电通道协同表达癫痫特征，是技术人员需要攻克的一个难题。

发明内容

本发明的目的在于解决现有深度学习算法在脑电癫痫检测中的不足，提出一种基于深度通道注意力感知的脑电癫痫发作检测方法，即通过结合深度特征提取和注意力机制(attention mechanism)动态选择最相关脑电通道并协同表达癫痫特征，使其融合特征具有通道感知能力，并在提升癫痫检测率的同时具有可解释性。

为实现以上目的，本发明采用的技术方案是，一种基于深度通道注意力感知的脑电癫痫发作检测方法，该方法包括以下步骤：

1)采集多通道脑电数据X，并对所采集的多通道脑电数据进行癫痫标注Y，

将多通道脑电数据X和采集的多通道脑电数据进行癫痫标注Y作为训练数据集{(X⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}，m为训练样本数量。

2)对训练数据进行预处理。对训练集中的脑电信号使用短时傅里叶变换(short-time Fourier transform，STFT)表达其时频信息，并按照时间方向定长分块，生成多通道脑电时频矩阵训练集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}。其中，对于脑电信号样本x(t)，利用短时傅里叶变换表达脑电时频信息s的公式如下：

其中，τ为时间索引，用来定位信号并调用窗函数w(t)进行傅里叶变换；t表示时间，j为脑电信号的定长分块长度。

3)用生成的脑电时频矩阵训练集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}训练深度通道注意力感知模型，具体为：

a)通过深度神经网络表达脑电数据S⁽ⁱ⁾的全通道深度特征

全通道深度特征

为向量并反映多通道脑电信号的全局特征。

b)通过深度神经网络表达脑电数据S⁽ⁱ⁾的各通道深度特征向量组

其中C表示通道个数，该向量组反映多通道脑电信号的局部特征。

c)基于步骤a)～b)得到的全局和局部特征，然后计算各通道的注意力得分(attention score)

对于第k个通道的注意力得分

的计算公式如下：

表示为通道k的能量系数，

根据S⁽ⁱ⁾的全局特征

和局部特征

共同计算表达。经过计算后，S⁽ⁱ⁾的各通道被动态分配了一个归一化的得分

该归一化的得分用来表示相对应通道对癫痫检测的贡献，训练深度通道注意力感知模型根据这个动态得分自动选择通道。

d)基于脑电时频矩阵训练集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,n}进行端到端的特征融合训练，其成本函数(cost function)J_ChannelAtt为：

其中，

通过基于softmax分类器的特征融合函数获得。经过训练后，得到由参数集合Θ组成的深度通道注意力感知模型。

4)采集待检测多通道脑电信号X。

5)用步骤2)方法对待检测多通道脑电信号X进行预处理，获得待检测的多通道脑电时频矩阵S。

6)将待检测的多通道脑电时频矩阵S输入到训练好的深度通道注意力感知模型中，得到分类结果Y和各通道得分{α_g1,α_g2,…,α_gC}。

7)根据模型分类结果Y和各通道得分{α_g1,α_g2,…,α_gC}，对待检测数据X的脑电类型即癫痫或非癫痫和各通道的贡献系数进行标记。至此，完成基于深度通道注意力感知的脑电癫痫发作检测过程。

与现有技术相比，本发明的优点在于：首先，本发明通过结合深度神经网络和注意力机制，不仅提取了脑波信号的深度特征，而且同时学习了各通道对于检测癫痫的贡献分数，实现动态选择相关脑电通道。其次，本发明是由数据驱动的端到端的学习模型，训练时的特征学习和通道选择阶段无需人工干预且不依赖其它医学先验知识。最后，本发明首次引入注意力机制于多通道脑电癫痫发作检测中，使其融合特征具有通道感知能力，并在提升癫痫检测率的同时具有可解释性。经试验，上述方法在基准数据库上的脑电癫痫识别准确率和检全率较高，准确率96％以上，检全率97％以上。

附图说明

图1是本发明基于深度通道注意力感知的脑电癫痫发作检测方法流程示意图。

图2是深度通道注意力感知模型的训练意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明：

图1是基于深度通道注意力感知的脑电癫痫发作检测方法流程示意图，包括以下步骤：

步骤1、采集多通道脑电数据X，并对所采集的数据进行癫痫标注Y，将这些已标注的数据作为训练数据集{(X⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}，其中m为训练样本数量。

步骤2、对训练数据进行预处理。对训练集中的生物医学信号使用短时傅里叶变换表达其时频信息，并按照时间方向定长分块，生成多通道脑电时频矩阵训练集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}。其中，对于生物医学信号样本x(t)，利用短时傅里叶变换表达脑电时频信息s的公式如下：

其中，τ为时间索引，用来定位信号并调用窗函数w(t)进行傅里叶变换。

步骤3、用生成的脑电时频矩阵训练集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}训练深度通道注意力感知模型。图2是深度通道注意力感知模型的训练示意图，具体为：

步骤3-1、通过深度神经网络表达脑电数据的全通道深度特征，其反应多通道脑电信号的全局特征。具体地，对于具有C个通道的脑电时频矩阵S⁽ⁱ⁾＝

其全通道深度特征

的计算公式为：

其中，W_g和b_g为模型中待训练的参数，函数f(·)为sigmoid激活函数f(z)＝1/(1+e^-z)。

步骤3-2、通过深度神经网络表达脑电数据的各通道深度特征，其反应多通道脑电信号的局部特征。具体地，对于具有C个通道的脑电时频矩阵S⁽ⁱ⁾＝

其第k个通道的深度特征

的计算公式为：

其中，W_c和b_c为模型中待训练的参数。经过计算后，S⁽ⁱ⁾的各通道的深度特征可表示为向量集合

步骤3-3、基于步骤3-1和3-2得到的特征计算各通道的注意力得分。具体地，对于具有C个通道的脑电时频矩阵

其注意力得分可表示为数值集合

其中第k个通道的注意力得分

的计算公式如下：

其中

表示为通道k的能量系数，它根据S⁽ⁱ⁾的全局特征

和局部特征

共同计算表达，其公式如下：

其中，W_e和v_e分别为模型中待训练的参数。经过计算后，S⁽ⁱ⁾的各通道被动态分配了一个归一化的得分

即

且

该得分用来表示相对应通道对癫痫检测的贡献，模型根据这个动态得分自动选择通道。

步骤3-4、基于脑电时频矩阵训练集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}进行端到端的特征融合训练，其成本函数J_ChannelAtt为：

其中，

可通过特征融合函数获得，其计算公式如下：

其中，W_s和b_s分别为模型中待训练的权值矩阵和偏置向量，softmax(·)表示softmax分类器。经过训练后，得到由参数Θ＝{W_g,c,e,s,b_g,c,s,v_e}组成的深度通道注意力感知模型。

步骤4、采集待检测多通道脑电信号X。

步骤5、用步骤2方法对待检测多通道脑电信号进行预处理，获得待检测的多通道脑电时频矩阵S。

步骤6、将待检测的多通道脑电时频矩阵S输入到训练好的深度通道注意力感知模型中，得到分类结果Y和各通道得分{α_g1,α_g2,…,α_gC}。

步骤7、根据模型输出的分类结果Y和各通道得分{α_g1,α_g2,…,α_gC}，对待检测数据X的脑电类型(癫痫、非癫痫)和各通道的贡献系数进行标记。至此，完成基于深度通道注意力感知的脑电癫痫发作检测过程。经试验，上述方法在基准数据库上的脑电癫痫识别准确率和检全率较高，准确率96％以上，检全率97％以上。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、修正等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于深度通道注意力感知的脑电癫痫发作检测方法，其特征在于：该方法包括以下步骤，

1)采集多通道脑电数据X，并对所采集的多通道脑电数据进行癫痫标注Y，将多通道脑电数据X和采集的多通道脑电数据进行癫痫标注Y作为训练数据集{(X⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}，m为训练样本数量；

2)对训练数据进行预处理；对训练集中的脑电信号使用短时傅里叶变换(short-timeFouriertransform，STFT)表达其时频信息，并按照时间方向定长分块，生成多通道脑电时频矩阵训练集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}；其中，对于脑电信号样本x(t)，利用短时傅里叶变换表达脑电时频信息s的公式如下：

其中，τ为时间索引，用来定位信号并调用窗函数w(t)进行傅里叶变换；t表示时间，j为脑电信号的定长分块长度；

用生成的脑电时频矩阵训练集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}训练深度通道注意力感知模型；

3)采集待检测多通道脑电信号X1；

4)用步骤2)方法对待检测多通道脑电信号X1进行预处理，获得待检测的多通道脑电时频矩阵S；

5)将待检测的多通道脑电时频矩阵S输入到训练好的深度通道注意力感知模型中，得到分类结果的癫痫标注Y和各通道得分{α_g1,α_g2,…,α_gC}；

6)根据模型分类结果Y1和各通道得分{α_g1,α_g2,…,α_gC}，对待检测多通道脑电信号X1的脑电类型即癫痫或非癫痫和各通道的贡献系数进行标记；至此，完成基于深度通道注意力感知的脑电癫痫发作检测过程。

2.根据权利要求1所述的一种基于深度通道注意力感知的脑电癫痫发作检测方法，其特征在于：步骤3)的具体实施过程如下，

a)通过深度神经网络表达脑电数据S⁽ⁱ⁾的全通道深度特征

全通道深度特征

为向量并反映多通道脑电信号的全局特征；

b)通过深度神经网络表达脑电数据S⁽ⁱ⁾的各通道深度特征向量组

其中C表示通道个数，该向量组反映多通道脑电信号的局部特征；

c)基于步骤a)～b)得到的全局和局部特征，然后计算各通道的注意力得分(attentionscore)

对于第k个通道的注意力得分

的计算公式如下：

表示为通道k的能量系数，

根据S⁽ⁱ⁾的全局特征

和局部特征

共同计算表达；经过计算后，S⁽ⁱ⁾的各通道被动态分配了一个归一化的得分

该归一化的得分用来表示相对应通道对癫痫检测的贡献，训练深度通道注意力感知模型根据这个动态得分自动选择通道；

d)基于脑电时频矩阵训练集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}进行端到端的特征融合训练，其成本函数(cost function)J_ChannelAtt为：

其中，

通过基于softmax分类器的特征融合函数获得；经过训练后，得到由参数集合Θ组成的深度通道注意力感知模型。

Images