CN110916653B - 一种头戴式提醒癫痫患者的预警装置 - Google Patents

Abstract

本发明公开了一种头戴式提醒癫痫患者的预警装置，所述装置包括：训练模块：构建由输入层、卷积层、池化层、残差块、全连接层和输出层构成的残差神经网络，通过残差块跳跃连接使得上一层的输出作为下一层的输入还同时跳过中间一层作为后一层的输入；将训练集分成若干个批次输入网络进行训练；预测模块：通过残差神经网络预测实时监测的脑电时频图，经过逐层变化由卷积层和残差块提取抽象特征，通过softmax函数得到癫痫是否会发作的标签和概率；预警模块：癫痫发作前期预警提示患者和患者家属。本发明解决了现有的癫痫预警方式误报率过高的问题。

Description

一种头戴式提醒癫痫患者的预警装置

技术领域

本发明涉及脑电图像识别领域，尤其涉及一种头戴式提醒癫痫患者的预警装置。

背景技术

癫痫是一种常见的慢性神经系统疾病，由于癫痫具有突然性和反复性的特点，所以经常会给患者带来巨大的痛苦。如果能在癫痫发作前预警告知，就能提前采取措施做好准备，在很大程度上能缓解患者的烦恼。

早期的癫痫预警大多是人们设计好特征提取算法，然后进行模板匹配，这样的识别误差率十分高。近年来随着人工智能的不断发展，尤其是神经网络的巨大进步，越来越多的人尝试通过神经网络的方式去提前预警癫痫发作。因为神经网络能自动从数据样本中学习大量的特征，能有效的将低层特征抽象为更高层的特征，从而更准确的完成脑电图像的识别问题

中国专利公开号CN106821376A提出了“一种基于深度学习算法的癫痫发作预警系统及方法”，虽然该专利提出了使用深度神经网络去识别癫痫信号，但是并没有通过卷积层去提取特征，所以识别准确率并不高。中国专利公开号CN108403111A提出了“一种基于卷积神经网络的癫痫脑电识别方法和系统”，虽然该专利在深度神经网络的基础上增加了卷积层，但是其模型采用的是Lenet-5网络架构，只有6层网络，所以识别准确率还有很大的提升空间。

综上所述，如何克服现有技术不足，设计一种准确率更高的能够提醒癫痫患者的预警装置是一个十分重要的难题。

发明内容

本发明提供了一种头戴式提醒癫痫患者的预警装置，本发明解决了现有的癫痫预警方式误报率过高的问题，详见下文描述：

一种头戴式提醒癫痫患者的预警装置，所述装置包括：

训练模块：构建由输入层、卷积层、池化层、残差块、全连接层和输出层构成的残差神经网络，通过残差块跳跃连接使得上一层的输出作为下一层的输入还同时跳过中间一层作为后一层的输入；将训练集分成若干个批次输入网络进行训练；

预测模块：通过残差神经网络预测实时监测的脑电时频图，经过逐层变化由卷积层和残差块提取抽象特征，通过softmax函数得到癫痫是否会发作的标签和概率；

预警模块：癫痫发作前期预警提示患者和患者家属。

其中，所述训练模块还包括：

记录患者每次癫痫发作前期的脑电信号和患者正常时期的脑电信号，与临床癫痫发作前期的脑电信号制成脑电信号数据集，并预处理转化为脑电时频图，将脑电时频图分为训练集、交叉验证集和测试集。

进一步地，所述预警模块具体为：

残差神经网络根据脑电时频图预测患者是否发生癫痫和发生癫痫的概率；

如果是，发出预警音，且发生癫痫概率越大预警音量越大，同时癫痫发作的概率会通过网络通信系统发送短信到患者家属的手机上。

其中，所述残差神经网络的网络层数是34层，每个学习批次大小为32，输入的脑电时频图大小是224X224。

本发明提供的技术方案的有益效果是：

1、本发明所构思的癫痫预警实现了头戴式实时检测癫痫发作预警的功能；

2、本发明利用微处理器作为算法处理器实现了便携式的需求，本发明通过构建残差神经网络实现了癫痫发作判断准确率高的需求。

附图说明

图1为头戴式提醒癫痫患者的预警装置的原理图；

图2为本发明实施例的流程示意图；

图3为本发明实施例的残差神经网络的残差块示意图；

图4为本发明实施例的残差神经网络的网络结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

如图1所示，一种头戴式提醒癫痫患者的预警装置，包括模块；第一个模块是训练模块：在PC端训练残差神经网络，第二个模块是预测模块：微处理器利用残差神经网络预测癫痫发作概率，第三个模块是预警模块：癫痫发作前期预警提示患者和患者家属。

优选地，第一个训练模块：在PC端训练残差神经网络的具体过程如下。

(S1)前期患者头戴脑电帽传感器，按照1000Hz的采样频率大量记录患者每次癫痫发作前期的脑电信号和患者正常时期的脑电信号，并加上临床癫痫发作前期的脑电信号一起制作成脑电信号数据集，然后通过巴特沃斯带通滤波器将0.5Hz～90Hz的脑电信号从脑电信号数据集中取出；再通过窗宽200ms、重叠80％的短时傅里叶变换将信号转化为脑电时频图。脑电时频图一共分为两类，一类是癫痫发作前期的脑电时频图，另一类是患者正常时候的脑电时频图，然后将得到的大量脑电时频图随机分为训练集、交叉验证集和测试集。

(S2)搭建残差神经网络：在PC机上搭建34层的残差神经网络，具体搭建过程是先按照输入层，卷积层1、卷积层2、池化层1，卷积层3、卷积层4、池化层2……卷积层19、卷积层20、池化层10、全连接层1，全连接层2，全连接层3和输出层的形式搭建普通卷积神经网络；然后添加残差块，使得输入层不但作为卷积层1的输入，还同时作为卷积层3的输入，卷积层1的输出不但作为卷积层2的输入，还同时作为卷积层4的输入；以此类推，通过残差块的跳跃连接使得上一层的输出不但作为下一层的输入还同时跳过中间一层作为后一层的输入，即由传统卷积神经网络的一次输出就是一次输入变成了一次输出为两次输入。

具体地，卷积层的卷积核大小为3×3，卷积核步数为2，卷积层的权重初始化按照He initialization的方式，激活函数为ReLu；卷积层1～4的卷积核个数为32，卷积层5～10的卷积核个数为64，卷积层11～14的卷积核个数为128，卷积层15～18的卷积核个数为256，卷积层19和20的卷积核个数为512；池化层的卷积核大小为3×3，池化层步数为2，池化方式为SAME，按照最大值池化；全连接层的神经元个数为200设置dropout为0.5，输出层的神经元个数为2用softmax函数分类。

其中，He initialization的公式为：

公式(1)中P表示权重初始化的参数，G表示为服从均值为0、方差为1的高斯分布的随机数，n^【l-1】表示上一层的神经元个数。

其中，ReLu的公式为：

公式(2)中x表示激活函数的输入，f(x)表示激活函数的输出。

(S3)减少残差神经网络参数：由于微处理器的计算能力不如PC机，所以为了增加残差神经网络在微处理器上的运行速度，大量利用1×1的卷积核改变每层特征的通道数，例如在送入下一层网络训练前。先通过1×1×32的卷积核把特征通道数降为32，这一层网络训练完后再通过1×1×64的卷积核把特征通道数还原为64。

(S4)训练残差神经网络：把训练集随机分成很多个学习批次batch，并对脑电时频图作归一化处理，即时频图减去平均值然后除以方差，然后每次将一个batch输入搭建好的残差神经网络的输入层，经过逐层变换后传输到残差神经网络的输出层；利用交叉熵评估残差神经网络的训练输出和样本标签的误差，利用RMSprop算法，通过反向传播，调整残差网络的权重和偏差。不断重复训练迭代，重复800次后将训练过的残差神经网络在交叉验证集上验证以及调参，直到在测试集的准确率大于95％，得到训练好的残差神经网络。残差神经网络batch的学习批次大小是32，输入的脑电时频图的大小是224×224。

其中，RMSprop算法由公式(3)～(6)组成：

S_dW′＝βS_dW+(1-β)dW²……公式(3)

S_db′＝βS_db+(1-β)db²……公式(4)

公式(3)和公式(4)中的S_dW′为神经网络每层更新后的权重加权平均数，S_dW为神经网络每层旧的权重加权平均数，dW为神经网络每层旧的权重微分，S_db′为神经网络每层更新后的偏差加权平均数，S_db为神经网络每层旧的偏差加权平均数，db为神经网络每层旧的偏差微分，β为超参数设置为0.9。

公式(5)和公式(6)中的W′为更新后的神经网络的每层权重，W为旧的神经网络的每层权重，b′为更新后的神经网络的每层偏差，b为旧的神经网络的每层偏差，dW为神经网络每层权重的微分，db为神经网络每层偏差的微分，S_dW为神经网络每层权重的加权平均数，S_db为神经网络每层偏差的加权平均数，a为学习率。

其中，交叉熵的公式为：

公式(7)中C表示代价，x表示样本，n表示样本的总数，y表示实际值，a表示预测值。将PC机上训练好的残差神经网络移植到微处理器，优选地，微处理器通过python语言、TensorFlow框架保存训练好的残差神经网络，微处理可以选用Raspberry Pi4。

优选地，第二个预测模块：微处理器利用残差神经网络预测癫痫发作概率具体过程如下。

(S1)脑电帽通过1000Hz的采样频率对癫痫患者采集一次脑电信号，并通过串口通信传输给微处理器。优选地，脑电帽可以选用美国Cognionics公司生产的Handset型号脑电帽，该款脑电帽具有便携和稳定的特点，并且是干电极型，不需要使用脑电膏，方便使用。

(S2)微处理器通过巴特沃斯带通滤波算法，将接收到的脑电信号按照0.5Hz～90Hz范围提取，然后通过窗宽200ms，重叠80％的短时傅里叶变换将信号转化为脑电时频图。

(S3)微处理器将得到的脑电时频图输入到已经训练好的残差神经网络，残差神经网络将输入的脑电时频图逐层提取特征，由低级特征转化为更抽象的高级特征，最后通过softmax层二分类预测出该脑电时频图的标签和概率。

优选地，第三个预警模块：癫痫发作前期预警提示患者和患者家属的具体过程如下。

癫痫发作前期提醒患者的功能由扬声器和微处理器共同实现。如果微处理器的残差神经网络预测得出的标签是0(表示不会发生癫痫)，扬声器不会发出声音；如果微处理器的残差神经网络预测得出的标签是1(表示会发生癫痫)，扬声器会根据标签是1的概率值发出声音，概率越高声音越大，提示患者提前做好准备。

癫痫发作前期告知患者家属的功能由网络通信系统和微处理共同实现。如果微处理器的残差神经网络预测得出的标签是0(表示不会发生癫痫)，微处理不会通过网络通信系统发送短信给患者家属的手机；如果微处理器的残差神经网络预测得出的标签是1(表示会发生癫痫)，那么微处理会通过网络通信系统发送短信给患者家属，告知患者家属前往照顾。

优选地，网络通信系统可以选用GSM短信模块和SIM卡，其中GSM短信模块可以选用西安达泰电子的T09C型号的GSM短信模块，因为该模块较为稳定并且提供标准的AT指令。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种头戴式提醒癫痫患者的预警装置，其特征在于，所述装置包括：

训练模块：构建由输入层、卷积层、池化层、残差块、全连接层和输出层构成的残差神经网络模型，模型的特点为通过残差连接，使得上一卷积层的输出不但作为下一卷积层的输入，还跳过中间卷积层，作为第后三层的卷积层输入；即输入图像不但作为卷积层1的输入，还作为卷积层3的输入；卷积层2的输出不但作为卷积层3的输入，还作为卷积层5的输入；卷积层4的输出不但作为卷积层5的输入，还作为卷积层7的输入，以此类推；

将训练集分成若干个批次输入网络进行训练；

预测模块：通过残差神经网络预测实时监测的脑电时频图，经过逐层变化由卷积层和残差块提取抽象特征，通过softmax函数得到癫痫是否会发作的标签和概率；

预警模块：癫痫发作前期预警提示患者和患者家属；

所述装置还包括：输入图像先通过32个大小为1*1的卷积核改变特征的通道数目，再送入卷积层1；而且中间计算特征在送入卷积层5之前，需要再通过64个大小为1*1的卷积核改变特征的通道数目；

所述装置还包括：在PC机上搭建34层的残差神经网络，具体搭建过程是先按照输入层，卷积层1、卷积层2、池化层1，卷积层3、卷积层4、池化层2……卷积层19、卷积层20、池化层10、全连接层1，全连接层2，全连接层3和输出层的形式搭建普通卷积神经网络；

所述残差神经网络的网络层数是34层，每个学习批次大小为32，输入的脑电时频图大小是224*224；其中，卷积层的卷积核大小为3*3，卷积核步数为2，卷积层的权重初始化按照He initialization的方式，激活函数为ReLu；卷积层1～4的卷积核个数为32，卷积层5～10的卷积核个数为64，卷积层11～14的卷积核个数为128，卷积层15～18的卷积核个数为256，卷积层19和20的卷积核个数为512；池化层的卷积核大小为3*3，池化层步数为2，池化方式为SAME，按照最大值池化；全连接层的神经元个数为200，设置dropout为0.5，输出层的神经元个数为2，用softmax函数分类；

所述训练模块还包括：

记录患者每次癫痫发作前期的脑电信号和患者正常时期的脑电信号，与临床癫痫发作前期的脑电信号制成脑电信号数据集，并预处理转化为脑电时频图，将脑电时频图分为训练集、交叉验证集和测试集；

利用交叉熵评估残差神经网络的训练输出和样本标签的误差，利用RMSprop算法，通过反向传播，调整残差网络的权重和偏差；

所述PC机通过巴特沃斯带通滤波算法，将接收到的脑电信号按照0.5Hz～90Hz范围提取，然后通过窗宽200ms，重叠80％的短时傅里叶变换将信号转化为脑电时频图。

2.根据权利要求1所述的一种头戴式提醒癫痫患者的预警装置，其特征在于，所述预警模块具体为：

残差神经网络根据脑电时频图预测患者是否发生癫痫和发生癫痫的概率；

如果是，发出预警音，且发生癫痫概率越大预警音量越大，同时癫痫发作的概率会通过网络通信系统发送短信到患者家属的手机上。

Images