CN110289081B - 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 - Google Patents

Abstract

本发明公开了一种深度网络堆栈模型自适应加权特征融合的癫痫检测方法。本发明步骤如下：1：原始脑电信号经过预处理后，对脑电信号每个通道的数据进行离散傅里叶变换，并获得其平均振幅谱；将取得的平均振幅谱特征随机划分为几部分，以适用于自适应加权特征融合的深度网络堆栈模型；2：使用不同结构的卷积神经网络对步骤1中得到的数据集进行第二次特征提取；3：将不同的卷积神经网络提取的特征进行自适应加权特征融合，最后由基于支持向量机的纠错输出编码模型预测样本所属类别。本发明通过堆栈集成方法和自适应加权特征融合算法，使系统可以融合每种不同结构深度网络提取的特征，提高了癫痫预测效果。

Description

深度网络堆栈模型自适应加权特征融合的癫痫检测方法

技术领域

本发明属于智能医学信号及图像处理领域，涉及一种深度网络堆栈模型自适应加权特征融合的癫痫检测方法。

背景技术

随着机器学习的发展，机器学习的相关方法和思想也应用在智能医学信号及图像处理领域中。现有癫痫预测算法的模型结构和分类效果还有待提高，主要是以下两方面：

1.传统的癫痫预测通常将患者的脑电脑信号粗略地划分成发作间期、发作前期和发作期三个阶段，并根据患者所处的阶段预测癫痫发作的时间。由于这种预测方法本身的局限性，无法准确地预测癫痫发作前期的时间。

2.将传统的卷积神经网络模型直接运用于癫痫发作的预测问题，其对癫痫发作的预测效果不尽如人意，还应继续优化其模型结构，进一步提高预测精度。

相比于传统的癫痫预测，本发明旨在优化癫痫发作预测模型的结构、结合特征融合的方法提高癫痫发作预测的精度，实现更有效的癫痫发作预测。

发明内容

本发明针对传统的癫痫预测方法的不足，提出了一种深度网络堆栈模型自适应加权特征融合的癫痫检测算法。本发明中，对提取原始脑电信号的平均幅度谱特征后，输入深度网络的堆栈模型中，将二次提取的特征进行自适应加权特征融合，并结合基于支持向量机的纠错输出编码(ECOC)模型预测样本脑电信号的所属类别。相同的数据集上，可以获得比传统的癫痫预测方法更精确的预测结果。

本发明的技术方案主要包括以下几个步骤：

步骤1：原始脑电信号经过预处理后，对脑电信号每个通道的数据进行离散傅里叶变换，并获得其平均振幅谱(MAS)。将取得的平均振幅谱特征随机划分为特定的几部分，以适用于自适应加权特征融合的深度网络堆栈模型。

步骤2：在深度网络堆栈模型自适应加权特征融合的癫痫检测算法中，使用不同结构的卷积神经网络对步骤1中得到的数据集进行第二次特征提取。

步骤3：将不同的卷积神经网络提取的特征进行自适应加权特征融合，最后由基于支持向量机的纠错输出编码(ECOC)模型预测样本所属类别。

所述步骤1的具体实现步骤如下：

1-1.整理脑电信号每个通道的信息，将脑电信号调整为13通道，并将其分割成多个时长为2秒的样本，且每两个相邻的样本中间有1秒的重叠部分。

1-2.将癫痫发作前的一个小时平均划分为三个时期，即前期一、前期二和前期三，癫痫发作时记为发作期，癫痫发作前后四小时以外的时间记为癫痫发作间期，并以此为步骤1-1中所述的样本设置标签。

1-3.对于每一个样本，将样本中的每个通道进行离散傅里叶变换，并由下式获取各通道的幅度谱P(k)：

P(k)＝|X_k|

其中，X_k为离散傅里叶变换的结果。将频率信号分为19个频段，并由以下公式计算这19个频段的平均振幅谱：

MAS_i＝mean(P(k),k∈K_i)

其中i＝1,2,...,19表示第i个频率子带，K_i表示第i个子带进行离散傅里叶变换时k值的集合。将得到的矩阵在0到255区间内进行归一化，如此便将癫痫预测所需的每个样本转化为18*19的灰度图像。

1-4.将实验所需的每类数据按照4：1随机划分为训练集和测试集，再将训练集随机分为5份，用于5倍交叉验证。

步骤2中将设置4种不同的卷积神经网络的结构，并对步骤1中所述的数据集进行第二次特征提取。

2-1.第一种结构的卷积神经网络，在图像输入层后连接第一个卷积层，第一个卷积层设置128个5*5的卷积核，步长为1，零填充。接着设置激活函数为ReLU的激活层，其后是核为2*2、步长为2的最大池化层。下面是第二个卷积层，它有256个5*5的卷积核，后面连接有与之前相同的激活层和最大池化层。之后连接50个神经元的全连接层，并使用保留概率为0.5的dropout正则化。最后连接5个神经元的softmax层，该层通过以下公式输出样本的概率向量：

其中T，a_j和S_j表示类别的总数、softmax层的第j个神经元的网络输入以及表示样本属于第j类癫痫状态的概率。

2-2.第二种卷积神经网络在第一种卷积神经网络的基础上，将激活层函数替换为LReLU：

其中，a是提前定义好的参数，这里我们将其设为0.01。

第三种卷积神经网络在第一种卷积神经网络的基础上，在每个最大池化层之后加入Batch Normalization层进行批量标准化。

第四种卷积神经网络在第二种卷积神经网络的基础上，同样在每个最大池化层之后加入Batch Normalization层。

2-3.完成所有卷积神经网络的模型设置和训练后，再将脑电数据输入模型后，即可在softmax层得到模型对每个样本的特征向量输出即

其中，p_i＝[p(1),p(2),…,p(k)],1≤i≤m。表示第i个卷积神经网络对测试样本的概率向量输出，其维数为k，这里k＝5。

步骤3中使用自适应加权特征融合算法将不同的卷积神经网络提取的特征向量进行特征融合，再由基于支持向量机的纠错输出编码(ECOC)模型对其进行最终的分类，具体实现方法如下：

3-1.对卷积神经网络提取的特征进行自适应加权特征融合，使用下式计算权值。

其中，m表示不同卷积神经网络的个数，

为每个模型对样本分类的特征向量的最大值。

3-2.融合后得到5维的特征向量，再将其作为纠错输出编码(ECOC)模型的输入。该模型中采用一对一编码，使用10个线性核的二分类支持向量机进行分类，得到编码矩阵M，根据以下公式预测样本所属类别：

其中，m_kl为编码矩阵M中第k行l列的元素；s_l为第k类所对应的编码；函数g功能为计算m_kl和s_l间的海明距离；

为预测类别。

本发明的有益效果如下：

运用上述改进的卷积神经网络，一方面可以使得在不活跃的单元处也具有梯度值，实现对权值的更新；另一方面可以加速训练，加快收敛，并且能降低过拟合的风险，提高模型的泛化能力。通过堆栈集成方法和自适应加权特征融合算法，使整个系统可以融合每种不同结构深度网络提取的特征，提高整个系统的癫痫预测效果，实现癫痫发作精准预测。

附图说明

图1：提取平均幅度谱特征

图2：深度网络堆栈模型和自适应加权特征融合

具体实施方式

下面结合附图详细说明本发明的具体实施方式。

本发明第一个主要步骤为平均振幅谱特征的提取和数据集的划分，其具体实现步骤如下：

1-1.整理脑电信号每个通道的信息，一般将脑电信号调整为13通道，并将其分割成若干时长为2秒的样本(每两个相邻的样本中间有1秒的重叠部分)。

1-2.将癫痫发作前的一个小时平均划分为三个时期，即前期一、前期二和前期三，癫痫发作时记为发作期，癫痫发作前后四小时以外的时间记为癫痫发作间期，并以此为1-1中所述的样本设置标签。

1-3.对于每一个样本，将样本中的每个通道进行离散傅里叶变换，并由下式获取各通道的幅度谱P(k)：

P(k)＝|X_k|

其中，X_k为离散傅里叶变换的结果。将频率信号分为19个频段，并由以下公式计算这19个频段的平均振幅谱：

MAS_i＝mean(P(k),k∈K_i)

其中i＝1,2,...,19表示第i个频率子带，K_i表示第i个子带进行离散傅里叶变换时k值的集合。将得到的矩阵在0到255区间内进行归一化，如此便将癫痫预测所需的每个样本转化为18*19的灰度图像。

1-4.将实验所需的每类数据按照4：1随机划分为训练集和测试集，再将训练集随机分为5份，用于5倍交叉验证。

步骤二中将设置4种不同的卷积神经网络的结构，并对步骤一中所述的数据集进行第二次特征提取。

2-1.第一种结构的卷积神经网络，在图像输入层后连接第一个卷积层，第一个卷积层设置128个5*5的卷积核，步长为1，零填充。接着设置激活函数为ReLU的激活层，其后是核为2*2、步长为2的最大池化层。下面是第二个卷积层，它有256个5*5的卷积核，后面连接有与之前相同的激活层和最大池化层。之后连接50个神经元的全连接层，并使用保留概率为0.5的dropout正则化。最后连接5个神经元的softmax层，该层通过以下公式输出样本的概率向量：

其中T，a_j和S_j表示类别的总数，softmax层的第j个神经元的网络输入，以及表示样本属于第j类癫痫状态的概率。

2-2.第二种卷积神经网络在第一种卷积神经网络的基础上，将激活层函数替换为LReLU：

其中，a是提前定义好的参数，这里我们将其设为0.01。第三种卷积神经网络在第一种卷积神经网络的基础上，在每个最大池化层之后加入Batch Normalization层进行批量标准化。第四种卷积神经网络在第二种卷积神经网络的基础上，同样在每个最大池化层之后加入Batch Normalization层。

2-3.完成所有卷积神经网络的模型设置和训练后，再将脑电数据输入模型后，即可在softmax层得到模型对每个样本的特征向量输出即

其中，p_i＝[p(1),p(2),…,p(k)],1≤i≤m。表示第i个卷积神经网络对测试样本的概率向量输出，其维数为k，这里k＝5。

步骤三中使用自适应加权特征融合算法将不同的卷积神经网络提取的特征向量进行特征融合，再由基于支持向量机的纠错输出编码(ECOC)模型对其进行最终的分类，具体实现方法如下：

3-1.对卷积神经网络提取的特征进行自适应加权特征融合，使用下式计算权值。

其中，m表示不同卷积神经网络的个数，

为每个模型对样本分类的特征向量的最大值。

3-2.融合后得到5维的特征向量，再将其作为纠错输出编码(ECOC)模型的输入。该模型中采用一对一编码，使用10个线性核的二分类支持向量机进行分类，得到编码矩阵M，根据以下公式预测样本所属类别：

其中，m_kl为编码矩阵M中第k行l列的元素；s_l为第k类所对应的编码；函数g功能为计算m_kl和s_l间的海明距离；

为预测类别。

如图2所示，本发明实施例如下：

提取实验样本的平均振幅谱(MAS)特征，并将其将划分为适用于深度网络堆栈模型的平均振幅谱特征。然后，深度网络堆栈模型会对这些特征进行第二次特征提取。将二次特征提取得到的特征进行自适应加权平均特征融合。最后，将自适应加权平均特征融合后的特征输入基于支持向量机的ECOC模型，并得到样本所属类别。

将本发明所述的方法应用在癫痫患者的脑电图中，取癫痫患者脑电图中0～70Hz的MAS特征，使用卷积神经网络进行第二次特征提取，再由基于支持向量机的ECOC模型分类，得到的总体识别率为84.49％。在相同的数据集上，采用本发明中的深度网络堆栈模型的自适应加权特征融合算法提取特征，并由基于支持向量机ECOC模型分类后，总体识别率达到了88.10％。对比它们对癫痫预测的效果，可以证明本发明的有效性。

综上所述，本发明提出的深度网络堆栈模型自适应加权特征融合的癫痫检测算法，相比于传统的癫痫预测提高了预测精度；采用了更优的网络结构，同时也提高了癫痫发作预测的准确率，实现了癫痫发作的精准预测。

Claims (1)

1.深度网络堆栈模型自适应加权特征融合的癫痫检测方法，其特征在于包括如下步骤：

步骤1：原始脑电信号经过预处理后，对脑电信号每个通道的数据进行离散傅里叶变换，并获得其平均振幅谱；将取得的平均振幅谱特征随机划分为几部分，以适用于自适应加权特征融合的深度网络堆栈模型；

步骤2：在深度网络堆栈模型自适应加权特征融合的癫痫检测算法中，使用不同结构的卷积神经网络对步骤1中得到的数据集进行第二次特征提取；

步骤3：将不同的卷积神经网络提取的特征进行自适应加权特征融合，最后由基于支持向量机的纠错输出编码ECOC模型预测样本所属类别；

所述步骤1的具体实现步骤如下：

1-1.整理脑电信号每个通道的信息，将脑电信号调整为13通道，并将其分割成多个时长为2秒的样本，且每两个相邻的样本中间有1秒的重叠部分；

1-2.将癫痫发作前的一个小时平均划分为三个时期，即前期一、前期二和前期三，癫痫发作时记为发作期，癫痫发作前后四小时以外的时间记为癫痫发作间期，并以此为步骤1-1中所述的样本设置标签；

1-3.对于每一个样本，将样本中的每个通道进行离散傅里叶变换，并由下式获取各通道的幅度谱P(k)：

P(k)＝|X_k|

其中，X_k为离散傅里叶变换的结果；将频率信号分为19个频段，并由以下公式计算这19个频段的平均振幅谱：

MAS_i＝mean(P(k),k∈K_i)

其中i＝1,2,...,19表示第i个频率子带，K_i表示第i个子带进行离散傅里叶变换时k值的集合；将得到的矩阵在0到255区间内进行归一化，如此便将癫痫预测所需的每个样本转化为18*19的灰度图像；

1-4.将实验所需的每类数据按照4：1随机划分为训练集和测试集，再将训练集随机分为5份，用于5倍交叉验证；

所述步骤2中将设置4种不同的卷积神经网络的结构，并对步骤1中所述的数据集进行第二次特征提取，具体实现如下：

2-1.第一种结构的卷积神经网络，在图像输入层后连接第一个卷积层，第一个卷积层设置128个5*5的卷积核，步长为1，零填充；接着设置激活函数为ReLU的激活层，其后是核为2*2、步长为2的最大池化层；下面是第二个卷积层，它有256个5*5的卷积核，后面连接有与之前相同的激活层和最大池化层；之后连接50个神经元的全连接层，并使用保留概率为0.5的dropout正则化；最后连接5个神经元的softmax层，该层通过以下公式输出样本的概率向量：

其中T'，a_j和S_j表示类别的总数、softmax层的第j个神经元的网络输入以及表示样本属于第j类癫痫状态的概率；

2-2.第二种卷积神经网络在第一种卷积神经网络的基础上，将激活层函数替换为LReLU：

其中，a是提前定义好的参数，这里我们将其设为0.01；

第三种卷积神经网络在第一种卷积神经网络的基础上，在每个最大池化层之后加入Batch Normalization层进行批量标准化；

第四种卷积神经网络在第二种卷积神经网络的基础上，同样在每个最大池化层之后加入Batch Normalization层；

2-3.完成所有卷积神经网络的模型设置和训练后，再将脑电数据输入模型后，即可在softmax层得到模型对每个样本的特征向量输出即

其中，p_i＝[p(1),p(2),…,p(k”)],1≤i≤m；表示第i个卷积神经网络对测试样本的概率向量输出，其维数为k”，这里k”＝5；

所述步骤3中使用自适应加权特征融合算法将不同的卷积神经网络提取的特征向量进行特征融合，再由基于支持向量机的纠错输出编码模型对其进行最终的分类，具体实现方法如下：

3-1.对卷积神经网络提取的特征进行自适应加权特征融合，使用下式计算权值；

其中，m表示不同卷积神经网络的个数，

为每个模型对样本分类的特征向量的最大值；

3-2.融合后得到5维的特征向量，再将其作为纠错输出编码模型的输入；该模型中采用一对一编码，使用10个线性核的二分类支持向量机进行分类，得到编码矩阵m，根据以下公式预测样本所属类别：

其中，m_kl为编码矩阵M中第k'行l列的元素；s_l为第k'类所对应的编码；函数g功能为计算m_kl和s_l间的海明距离；

为预测类别。

Images