CN111000555B - 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法 - Google Patents

一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法 Download PDF

Info

Publication number
CN111000555B
CN111000555B CN201911199673.3A CN201911199673A CN111000555B CN 111000555 B CN111000555 B CN 111000555B CN 201911199673 A CN201911199673 A CN 201911199673A CN 111000555 B CN111000555 B CN 111000555B
Authority
CN
China
Prior art keywords
epileptic
electroencephalogram
target
training data
generated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911199673.3A
Other languages
English (en)
Other versions
CN111000555A (zh
Inventor
蔡庆玲
何鸿奇
孙玮
林进可
林满盈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201911199673.3A priority Critical patent/CN111000555B/zh
Publication of CN111000555A publication Critical patent/CN111000555A/zh
Application granted granted Critical
Publication of CN111000555B publication Critical patent/CN111000555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Neurosurgery (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法，在对有限数量的癫痫患者进行癫痫脑电图检查的情况下，能够通过生成适配于目标癫痫发作类型的癫痫脑电片段，使得选取的各种目标癫痫发作类型不再存在训练数据数量不均衡问题；并且，通过改进损失函数的采样方法，使得损失函数的第三项改变为
Figure DDA0002295556340000011
能够克服现有损失函数存在的损失值D非常不稳定的问题，使得损失函数输出损失值D始终随着迭代训练的进行而越来越小，确保生成式对抗网络的训练过程趋于稳定，以保证能够得到最优生成器，利用该最优生成器生成的癫痫脑电片段的质量高，能够适配于目标癫痫发作类型而作为癫痫发作类型自动识别模型建模的训练数据。

Description

一种癫痫脑电信号的训练数据生成方法、自动识别模型建模 方法和自动识别方法
技术领域
本发明涉及一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法。
背景技术
目前深度学习建模在医学领域面临的一个巨大的挑战就是每种类型数据数量不均衡，并且很多数据集都没有标注，这将导致或加重训练过程中过拟合现象，以及CNN分类性能差等一系列问题！如果想取得重大的突破，就必须解决高质量数据集难以获得这一问题。经调查研究发现，数据集难点在于以下三方面：一方面，因为对于癫痫脑电信号的标注需要具有深厚专业功底的医学专家针对医学图像进行精确识别、精细标注，这是一项庞大的工程，并且需要耗费大量的时间去标注；另一方面，癫痫数据中或多或少隐含着每一个患者的私人信息以及很多已获得的癫痫信号不符合训练集的特征；第三，数据各类型的数量不均衡，有些发作类型特别稀缺，不能达到训练集数量要求。
令癫痫脑电的每种类型数据数量均衡，最简单的思路是增大对癫痫脑电图的采集数量，从中人工筛选出数量均衡的各种癫痫发作类型的数据，以作为训练集进行深度学习训练，但由于深度神经网络的训练前提是大数据，这要求训练集包含的数据量要足够大，而这就需要从非常庞大的癫痫脑电图的采集数量中才能帅选出满足数量要求且满足癫痫发作类型数量均衡要求的训练集，大大的提高了实施成本，且不切实际。
因此，如今主要通过数据增强的方法来解决类别数量不均衡问题。数据增强的方法主要有传统方法，如平移、旋转、翻转等操作实现数据增强。传统方法仅仅对原始数据做了很小程度的改变，并没有从本质上达到数据增强的目的。另一种方法是采用GAN(Generative Adversarial Networks,生成式对抗网络)进行数据增强，GAN采用的是一种无监督的学习方式，其主要灵感源自零和博弈的思想，对神经网络而言，通过生成网络和判别网络不断博弈，进而使生成网络学习到真实数据的分布。目前已经有上百种GAN，可用于数据增强、隐私保护、异常探测、判别建模、风格迁移、数据操控等。目前在医学领域，GAN主要被开发和应用于生成图像的研究，GAN在医学图像的去燥、分割、合成等方面的应用，大多都是图像到图像的生成技术，对于时间序列信号的研究非常少。
现如今癫痫脑电的自动检测和精准分类越来越多，但依靠原有的数据集远远不够，并且数据集中各发作类型数量存在极大差异，对于数量极少的发作类型，无法完成自动检测以及分类任务。
用生成式对抗网络进行数据增强，需要用目标癫痫发作类型对应的癫痫脑电片段对生成式对抗网络进行训练，以得到所述生成式对抗网络的最优生成器，再通过向所述最优生成器输入随机噪声信号，生成适配该目标癫痫发作类型的癫痫脑电片段，实现数据增强。
其中，如图1所示，训练所述生成式对抗网络得到所述最优生成器，其工作原理为：所述生成式对抗网络包括生成器和判别器，生成式对抗网络的训练过程就是生成器和判别器进行多次迭代训练的博弈过程，即：在每一次迭代训练中，均将一个随机噪声信号输入生成器，利用生成器对随机噪声信号进行处理，以生成n*m维的生成脑电训练数据，n表示该生成脑电训练数据包含n个生成癫痫脑电片段，m表示每一个所述生成癫痫脑电片段包含m个生成采样值
Figure BDA0002295556320000021
在每一次迭代训练中，使用所述目标癫痫发作类型的训练集中的n个癫痫脑电片段组成n*m维的真实脑电训练数据，n表示该真实脑电训练数据包含n个所述癫痫脑电片段，m表示每一个所述癫痫脑电片段包含m个采样值
Figure BDA0002295556320000022
该真实脑电训练数据和前述生成脑电训练数据均会输入所述判别器，判别器会对该两组训练数据的真假进行判断，且会通过损失函数优化自身的判断能力(即对两组训练数据的真假判断更准确)，并会向所述生成器传递梯度，使得所述生成器能够通过判别器传递的梯度更新学习真实脑电训练数据的特征，优化生成器自身的参数，以在下一次迭代训练中生成更接近真实脑电训练数据的生成癫痫脑电片段；从而，通过不断进行迭代训练，直至所述判别器的损失函数达到最优解状态，此时的生成器即为最优生成器，通过向该最优生成器输入随机噪声信号，生成得到的生成脑电训练数据能够作为真实脑电训练数据使用，也即此时的生成脑电训练数据所包含的生成癫痫脑电片段是适配于对应目标癫痫发作类型的癫痫脑电片段。
现有技术中，所述生成式对抗网络的判别器采用以下损失函数：
Figure BDA0002295556320000031
式中，D表示损失值；
真实梯度矩阵
Figure BDA0002295556320000032
的计算方式为：从输入所述判别器的真实脑电训练数据中随机抽取K个所述癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的癫痫脑电片段的m个采样值
Figure BDA0002295556320000033
求梯度，计算得到的K个梯度即为所述真实梯度矩阵
Figure BDA0002295556320000034
其中，所述真实脑电训练数据由所述目标癫痫发作类型的训练集中的n个癫痫脑电片段组成，K≤n；
真实梯度
Figure BDA0002295556320000035
为所述真实梯度矩阵
Figure BDA0002295556320000036
的K个梯度的平均数；
生成梯度矩阵
Figure BDA0002295556320000037
的计算方式为：从输入所述判别器的生成脑电训练数据中随机抽取K个生成癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的生成癫痫脑电片段的m个生成采样值
Figure BDA0002295556320000038
求梯度，计算得到的K个梯度即为所述生成梯度矩阵
Figure BDA0002295556320000039
其中，所述生成脑电训练数据由所述生成式对抗网络的生成器生成，其包含n个生成癫痫脑电片段，每一个所述生成癫痫脑电片段包含m个生成采样值
Figure BDA00022955563200000310
也即生成脑电训练数据和真实脑电训练数据的维度均为n*m维，K≤n；
生成梯度
Figure BDA00022955563200000311
为所述生成梯度矩阵
Figure BDA00022955563200000312
的K个梯度的平均数；
混合梯度矩阵D(x)的计算方式为：从所述真实脑电训练数据和生成脑电训练数据中通过随机插值方式均匀抽取癫痫脑电片段和生成癫痫脑电片段，共计K个，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的癫痫脑电片段的m个采样值
Figure BDA00022955563200000313
或生成癫痫脑电片段的m个生成采样值
Figure BDA00022955563200000314
求梯度，计算得到的K个梯度即为所述混合梯度矩阵D(x)；
混合范数E[||D(x)||2-1]的计算方式为：混合梯度矩阵D(x)中的每一个梯度求解范数的平方再减1后，得到的K个值求平均数，即为所述混合范数E[||D(x)||2-1]。
上述生成式对抗网络的现有损失函数存在以下不足：
理论上，随着迭代训练的不断进行，所述损失函数的损失值D应该随着迭代训练数量增加而不断减小，直至损失函数达到最优解状态，这样，所述生成器生成的生成癫痫脑电片段方能越来越接近真实脑电训练数据，所述判别器的判断能力方能越来越强。
但是，实践发现，在所述生成器和判别器进行迭代训练的初期，由于生成脑电训练数据与真实脑电训练数据的差异较大，以及癫痫脑电的非平稳特性，上述现有损失函数中的第三项λ*E[||D(x)||2-1]无效，此时判别器不能为生成器提供准确的梯度，使得上述现有损失函数在迭代训练过程中很容易出现梯度爆炸的情况，即损失函数的损失值D非常不稳定，可能会越来越大，使得生成器生成的生成癫痫脑电片段与真实脑电训练数据的差异越来越大；从而，造成所述生成式对抗网络经过训练后有可能得不到最优生成器，难以生成能够作为真实脑电训练数据使用的生成脑电训练数据，无法实现数据增强的目的。
发明内容
本发明所要解决的技术问题之一是：提供一种癫痫脑电信号的训练数据生成方法，以解决现有技术中采用生成式对抗网络生成癫痫脑电片段，因判别器的现有损失函数输出的损失值D非常不稳定，造成无法得到最优生成器，导致生成器生成的数据不适配于目标癫痫发作类型，无法用于癫痫发作类型自动识别模型建模的问题。
解决上述技术问题，本发明所采用的技术方案如下：
一种癫痫脑电信号的训练数据生成方法，其特征在于，包括：
步骤A1-1、对多名癫痫患者进行癫痫脑电图检查，以得到每一名所述癫痫患者的癫痫脑电数据，并将所述癫痫脑电数据的单道通数据记为单通道癫痫脑电信号；
步骤A1-2、选取多种癫痫发作类型作为目标癫痫发作类型，对所述步骤A1-1获得的每一个单通道癫痫脑电信号进行预处理，以对应每一种所述目标癫痫发作类型得到一个训练集，所述训练集包含若干个属于对应目标癫痫发作类型的癫痫脑电片段，该癫痫脑电片段由所述单通道癫痫脑电信号分割而成并具有固定时长T，该癫痫脑电片段所包含采样值
Figure BDA0002295556320000041
的数量记为m；
步骤A1-3、判断所述步骤A1-2选取的目标癫痫发作类型是否存在训练数据数量不均衡问题，如果任意一种所述目标癫痫发作类型满足不平衡条件，即：该目标癫痫发作类型的训练集所包含癫痫脑电片段的数量少于预设的目标训练数据数量，则判定存在训练数据数量不均衡问题，否则，判定不存在训练数据数量不均衡问题；
步骤A1-4、当判定存在训练数据数量不均衡问题时，对于满足所述不平衡条件的目标癫痫发作类型，用该目标癫痫发作类型对应的癫痫脑电片段对生成式对抗网络进行训练，以得到所述生成式对抗网络的最优生成器，再通过向所述最优生成器输入随机噪声信号，生成适配该目标癫痫发作类型的癫痫脑电片段，并将生成的癫痫脑电片段补充入所述训练集中，直至该目标癫痫发作类型不再满足所述不平衡条件，使得所述步骤A1-2选取的目标癫痫发作类型不再存在训练数据数量不均衡问题；
其中，所述生成式对抗网络的判别器采用以下损失函数：
Figure BDA0002295556320000051
式中，D表示损失值；
真实梯度矩阵
Figure BDA0002295556320000052
的计算方式为：从输入所述判别器的真实脑电训练数据中随机抽取K个所述癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的癫痫脑电片段的m个采样值
Figure BDA0002295556320000053
求梯度，计算得到的K个梯度即为所述真实梯度矩阵
Figure BDA0002295556320000054
其中，所述真实脑电训练数据由所述目标癫痫发作类型的训练集中的n个癫痫脑电片段组成，K≤n；
真实梯度
Figure BDA0002295556320000055
为所述真实梯度矩阵
Figure BDA0002295556320000056
的K个梯度的平均数；
生成梯度矩阵
Figure BDA0002295556320000057
的计算方式为：从输入所述判别器的生成脑电训练数据中随机抽取K个生成癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的生成癫痫脑电片段的m个生成采样值
Figure BDA0002295556320000058
求梯度，计算得到的K个梯度即为所述生成梯度矩阵
Figure BDA0002295556320000059
其中，所述生成脑电训练数据由所述生成式对抗网络的生成器生成，其包含n个生成癫痫脑电片段，每一个所述生成癫痫脑电片段包含m个生成采样值
Figure BDA00022955563200000510
K≤n；
生成梯度
Figure BDA00022955563200000511
为所述生成梯度矩阵
Figure BDA00022955563200000512
的K个梯度的平均数；
系数λ的取值范围在-1至1之间的常数；
真实范数矩阵
Figure BDA00022955563200000513
的计算方式为：用tensorflow框架中的tf.square()函数和tf.sqrt()函数对所述真实梯度矩阵
Figure BDA00022955563200000514
的每一个梯度求范数，计算得到的K个范数即为所述真实范数矩阵
Figure BDA00022955563200000515
生成范数矩阵
Figure BDA00022955563200000516
的计算方式为：用tensorflow框架中的tf.square()函数和tf.sqrt()函数对所述生成梯度矩阵
Figure BDA0002295556320000061
的每一个梯度求范数，计算得到的K个范数即为所述生成范数矩阵
Figure BDA0002295556320000062
范数
Figure BDA0002295556320000063
的计算方式为：分别对所述真实范数矩阵
Figure BDA0002295556320000064
和生成范数矩阵
Figure BDA0002295556320000065
的范数进行排序，将所述真实范数矩阵
Figure BDA0002295556320000066
的第i个范数的平方与所述生成范数矩阵
Figure BDA0002295556320000067
的第i个范数的平方之和记为第i个范数平方和，1≤i≤K，以得到K个所述范数平方和，该K个范数平方和的平均数即为所述范数
Figure BDA0002295556320000068
从而，本发明的训练数据生成方法，在步骤A1-1对有限数量的癫痫患者进行癫痫脑电图检查的情况下，能够通过生成适配于目标癫痫发作类型的癫痫脑电片段，使得步骤A1-2选取的各种目标癫痫发作类型不再存在训练数据数量不均衡问题，即令每一种目标癫痫发作类型的训练集所包含癫痫脑电片段的数量均在预设的目标训练数据数量以上；
并且，本发明通过改进损失函数的采样方法，使得损失函数的第三项改变为
Figure BDA0002295556320000069
能够克服现有损失函数存在的损失值D非常不稳定的问题，使得本发明中损失函数输出损失值D始终随着迭代训练的进行而越来越小，确保生成式对抗网络的训练过程趋于稳定，以保证能够得到最优生成器，利用该最优生成器生成的癫痫脑电片段的质量高，能够适配于目标癫痫发作类型而作为癫痫发作类型自动识别模型建模的训练数据。
优选的：所述步骤A1-4中，系数λ的取值优选为-1、1/2、1/3、1/6、1该五个常数中的任意一者，其中，以系数λ取值为1/2，本申请的技术效果最优。
作为本发明的优选实施方式：所述步骤A1-2中对所述单通道癫痫脑电信号进行预处理的方式为：
步骤A1-2-1、对所述单通道癫痫脑电信号进行滤波，以滤除所述单通道癫痫脑电信号的噪点；
步骤A1-2-2、对滤除噪点后的单通道癫痫脑电信号进行分割，以得到多个时长固定为T的癫痫脑电片段，所述时长T的取值使所述癫痫脑电片段至多包含一种癫痫发作类型的特征，并将所述癫痫脑电片段所包含采样值
Figure BDA00022955563200000610
的数量记为m；
步骤A1-2-3、识别每一个所述癫痫脑电片段的准确的癫痫发作类型，抽取出属于所述目标癫痫发作类型的癫痫脑电片段，以对应每一种所述目标癫痫发作类型建立一个训练集，每一个所述训练集均包含若干个属于对应目标癫痫发作类型的癫痫脑电片段，每一个所述癫痫脑电片段包含m个所述采样值
Figure BDA0002295556320000071
其中，全部属于所述目标癫痫发作类型的癫痫脑电片段的采样值
Figure BDA0002295556320000072
进行归一化处理，以提高生成式对抗网络的训练稳定性，并加快收敛时间。
优选的：所述步骤A1-2-1中，采用二阶巴特沃斯带通滤波器对所述单通道癫痫脑电信号进行滤波，以滤除频率在0.5Hz至50Hz以外的噪点。
优选的：所述步骤A1-2-2中，所述癫痫脑电片段的时长T为4.096秒，也即：当步骤A1-1中采集所述癫痫脑电数据所采用癫痫脑电图检查设备的采样频率为250Hz时，所述癫痫脑电片段所包含采样点的数量m为1024个。
作为本发明的优选实施方式：所述的训练数据生成方法还包括：
步骤A1-5、用FID指标对所述步骤A1-4生成的癫痫脑电片段与所述步骤A1-2预处理得到的癫痫脑电片段进行评估，得到FID分数，如果该FID分数在目标FID分数以下，则判定所述步骤A1-4生成的癫痫脑电片段满足质量要求，能够适配于对应的目标癫痫发作类型；否则，判定所述步骤A1-4生成的癫痫脑电片段不满足质量要求，重复所述步骤A1-1至步骤A1-4，直至所述步骤A1-4生成的癫痫脑电片段满足质量要求。
本发明所要解决的技术问题之二是：提供一种癫痫脑电信号的自动识别模型建模方法。
解决上述技术问题，本发明所采用的技术方案如下：
一种癫痫脑电信号的自动识别模型建模方法，其特征在于，包括：
步骤A1、按照所述癫痫脑电信号的训练数据生成方法，获得每一个选取出的目标癫痫发作类型的训练集，并使得选取的目标癫痫发作类型不存在训练数据数量不均衡问题；
步骤A2、从每一种所述目标癫痫发作类型的训练集中抽取所述目标训练数据数量的癫痫脑电片段，将抽取出的癫痫脑电片段及其对应的癫痫发作类型作为训练数据，通过神经网络模型进行训练后，获得能够由输入的癫痫脑电片段识别出其对应癫痫发作类型的癫痫发作类型自动识别模型。
从而，本发明的自动识别模型建模方法，利用上述训练数据生成方法获得目标癫痫发作类型的训练集进行神经网络模型训练，由于克服了各种目标癫痫发作类型的训练数据数量不均衡的问题，因此，能够得到性能优秀的癫痫发作类型自动识别模型。
本发明所要解决的技术问题之三是：提供一种癫痫脑电信号的自动识别方法。
解决上述技术问题，本发明所采用的技术方案如下：
一种癫痫脑电信号的自动识别方法，其特征在于，包括：
步骤A、用所述癫痫脑电信号的自动识别模型建模方法，获得所述癫痫发作类型自动识别模型；
步骤B、对被检查患者进行癫痫脑电图检查，并将得到的癫痫脑电数据的每一个通道的单通道癫痫脑电信号分割成时长为所述固定时长T的癫痫脑电片段；
步骤C、将所述步骤B得到的癫痫脑电片段输入所述癫痫发作类型自动识别模型，以识别出所述步骤B得到的每一个癫痫脑电片段对应的癫痫发作类型。
从而，本发明的自动识别方法，利用上述自动识别模型建模方法得到的性能优秀的癫痫发作类型自动识别模型，对被检查患者进行癫痫发作类型自动识别，具有识别准确率高的优点。
与现有技术相比，本发明具有以下有益效果：
第一，本发明的训练数据生成方法，在步骤A1-1对有限数量的癫痫患者进行癫痫脑电图检查的情况下，能够通过生成适配于目标癫痫发作类型的癫痫脑电片段，使得步骤A1-2选取的各种目标癫痫发作类型不再存在训练数据数量不均衡问题，即令每一种目标癫痫发作类型的训练集所包含癫痫脑电片段的数量均在预设的目标训练数据数量以上；
并且，本发明通过改进损失函数的采样方法，使得损失函数的第三项改变为
Figure BDA0002295556320000081
能够克服现有损失函数存在的损失值D非常不稳定的问题，使得本发明中损失函数输出损失值D始终随着迭代训练的进行而越来越小，确保生成式对抗网络的训练过程趋于稳定，以保证能够得到最优生成器，利用该最优生成器生成的癫痫脑电片段的质量高，能够适配于目标癫痫发作类型而作为癫痫发作类型自动识别模型建模的训练数据。
第二，本发明的自动识别模型建模方法，利用上述训练数据生成方法获得目标癫痫发作类型的训练集进行神经网络模型训练，由于克服了各种目标癫痫发作类型的训练数据数量不均衡的问题，因此，能够得到性能优秀的癫痫发作类型自动识别模型。
第三，本发明的自动识别方法，利用上述自动识别模型建模方法得到的性能优秀的癫痫发作类型自动识别模型，对被检查患者进行癫痫发作类型自动识别，具有识别准确率高的优点。
附图说明
下面结合附图和具体实施例对本发明作进一步的详细说明：
图1为生成式对抗网络的原理图；
图2-1为通过步骤A1-2获得的意识丧失性发作类型ABSZ的癫痫脑电片段；
图2-2为由现有生成式对抗网络生成的意识丧失性发作类型ABSZ的癫痫脑电片段；
图2-3为由本发明生成的意识丧失性发作类型ABSZ的癫痫脑电片段；
图3-1为通过步骤A1-2获得的强直阵挛性发作类型TCSZ的癫痫脑电片段；
图3-2为由现有生成式对抗网络生成的强直阵挛性发作类型TCSZ的癫痫脑电片段；
图3-3为由本发明生成的强直阵挛性发作类型TCSZ的癫痫脑电片段；
图4-1为通过步骤A1-2获得的肌阵挛性发作类型MYSZ的癫痫脑电片段；
图4-2为由现有生成式对抗网络生成的肌阵挛性发作类型MYSZ的癫痫脑电片段；
图4-3为由本发明生成的肌阵挛性发作类型MYSZ的癫痫脑电片段。
具体实施方式
下面结合实施例及其附图对本发明进行详细说明，以帮助本领域的技术人员更好的理解本发明的发明构思，但本发明权利要求的保护范围不限于下述实施例，对本领域的技术人员来说，在不脱离本发明之发明构思的前提下，没有做出创造性劳动所获得的所有其他实施例，都属于本发明的保护范围。
实施例一
本发明公开的是一种癫痫脑电信号的训练数据生成方法，包括：
步骤A1-1、对多名癫痫患者进行癫痫脑电图检查，以得到每一名所述癫痫患者的癫痫脑电数据，并将所述癫痫脑电数据的单道通数据记为单通道癫痫脑电信号；
步骤A1-2、选取多种癫痫发作类型作为目标癫痫发作类型，对所述步骤A1-1获得的每一个单通道癫痫脑电信号进行预处理，以对应每一种所述目标癫痫发作类型得到一个训练集，所述训练集包含若干个属于对应目标癫痫发作类型的癫痫脑电片段，该癫痫脑电片段由所述单通道癫痫脑电信号分割而成并具有固定时长T，该癫痫脑电片段所包含采样值
Figure BDA0002295556320000101
的数量记为m；
例如：可以选取意识丧失性发作类型、强直阵挛性发作类型、肌阵挛性发作类型作为目标癫痫发作类型，建立三个分别对应该三种发作类型的训练集。
步骤A1-3、判断所述步骤A1-2选取的目标癫痫发作类型是否存在训练数据数量不均衡问题，如果任意一种所述目标癫痫发作类型满足不平衡条件，即：该目标癫痫发作类型的训练集所包含癫痫脑电片段的数量少于预设的目标训练数据数量，则判定存在训练数据数量不均衡问题，否则，判定不存在训练数据数量不均衡问题；
步骤A1-4、当判定存在训练数据数量不均衡问题时，对于满足所述不平衡条件的目标癫痫发作类型，用该目标癫痫发作类型对应的癫痫脑电片段对生成式对抗网络进行训练，以得到所述生成式对抗网络的最优生成器，再通过向所述最优生成器输入随机噪声信号，生成适配该目标癫痫发作类型的癫痫脑电片段，并将生成的癫痫脑电片段补充入所述训练集中，直至该目标癫痫发作类型不再满足所述不平衡条件，使得所述步骤A1-2选取的目标癫痫发作类型不再存在训练数据数量不均衡问题；
其中，如图1所示，训练所述生成式对抗网络得到所述最优生成器，为本领域的惯用手段，本申请不作详细说明，仅对其工作原理做简单介绍，以便于对下文的理解：所述生成式对抗网络包括生成器和判别器，生成式对抗网络的训练过程就是生成器和判别器进行多次迭代训练的博弈过程，即：在每一次迭代训练中，均将一个随机噪声信号输入生成器，利用生成器对随机噪声信号进行处理，以生成n*m维的生成脑电训练数据，n表示该生成脑电训练数据包含n个生成癫痫脑电片段，m表示每一个所述生成癫痫脑电片段包含m个生成采样值
Figure BDA0002295556320000102
在每一次迭代训练中，使用所述目标癫痫发作类型的训练集中的n个癫痫脑电片段组成n*m维的真实脑电训练数据，n表示该真实脑电训练数据包含n个所述癫痫脑电片段，m表示每一个所述癫痫脑电片段包含m个采样值
Figure BDA00022955563200001111
该真实脑电训练数据和前述生成脑电训练数据均会输入所述判别器，判别器会对该两组训练数据的真假进行判断，且会通过损失函数优化自身的判断能力(即对两组训练数据的真假判断更准确)，并会向所述生成器传递梯度，使得所述生成器能够通过判别器传递的梯度更新学习真实脑电训练数据的特征，优化生成器自身的参数，以在下一次迭代训练中生成更接近真实脑电训练数据的生成癫痫脑电片段；从而，通过不断进行迭代训练，直至所述判别器的损失函数达到最优解状态，此时的生成器即为最优生成器，通过向该最优生成器输入随机噪声信号，生成得到的生成脑电训练数据能够作为真实脑电训练数据使用，也即此时的生成脑电训练数据所包含的生成癫痫脑电片段是适配于对应目标癫痫发作类型的癫痫脑电片段。
其中，所述生成式对抗网络的判别器采用以下损失函数：
Figure BDA0002295556320000111
式中，D表示损失值；
真实梯度矩阵
Figure BDA0002295556320000112
的计算方式为：从输入所述判别器的真实脑电训练数据中随机抽取K个所述癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的癫痫脑电片段的m个采样值
Figure BDA00022955563200001112
求梯度，计算得到的K个梯度即为所述真实梯度矩阵
Figure BDA0002295556320000113
其中，所述真实脑电训练数据由所述目标癫痫发作类型的训练集中的n个癫痫脑电片段组成，K≤n；
真实梯度
Figure BDA0002295556320000114
为所述真实梯度矩阵
Figure BDA0002295556320000115
的K个梯度的平均数；
生成梯度矩阵
Figure BDA0002295556320000116
的计算方式为：从输入所述判别器的生成脑电训练数据中随机抽取K个生成癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的生成癫痫脑电片段的m个生成采样值
Figure BDA00022955563200001113
求梯度，计算得到的K个梯度即为所述生成梯度矩阵
Figure BDA0002295556320000117
其中，所述生成脑电训练数据由所述生成式对抗网络的生成器生成，其包含n个生成癫痫脑电片段，每一个所述生成癫痫脑电片段包含m个生成采样值
Figure BDA0002295556320000118
也即生成脑电训练数据和真实脑电训练数据的维度均为n*m维，K≤n；
生成梯度
Figure BDA0002295556320000119
为所述生成梯度矩阵
Figure BDA00022955563200001110
的K个梯度的平均数；
系数λ的取值范围在-1至1之间的常数，其取值影响所述生成式对抗网络的收敛速度和损失值D的准确性；
真实范数矩阵
Figure BDA0002295556320000121
的计算方式为：用tensorflow框架中的tf.square()函数和tf.sqrt()函数对所述真实梯度矩阵
Figure BDA0002295556320000122
的每一个梯度求范数，计算得到的K个范数即为所述真实范数矩阵
Figure BDA0002295556320000123
生成范数矩阵
Figure BDA0002295556320000124
的计算方式为：用tensorflow框架中的tf.square()函数和tf.sqrt()函数对所述生成梯度矩阵
Figure BDA0002295556320000125
的每一个梯度求范数，计算得到的K个范数即为所述生成范数矩阵
Figure BDA0002295556320000126
范数
Figure BDA0002295556320000127
的计算方式为：分别对所述真实范数矩阵
Figure BDA0002295556320000128
和生成范数矩阵
Figure BDA0002295556320000129
的范数进行排序，将所述真实范数矩阵
Figure BDA00022955563200001210
的第i个范数的平方与所述生成范数矩阵
Figure BDA00022955563200001211
的第i个范数的平方之和记为第i个范数平方和，1≤i≤K，以得到K个所述范数平方和，该K个范数平方和的平均数即为所述范数
Figure BDA00022955563200001212
从而，本发明的训练数据生成方法，在步骤A1-1对有限数量的癫痫患者进行癫痫脑电图检查的情况下，能够通过生成适配于目标癫痫发作类型的癫痫脑电片段，使得步骤A1-2选取的各种目标癫痫发作类型不再存在训练数据数量不均衡问题，即令每一种目标癫痫发作类型的训练集所包含癫痫脑电片段的数量均在预设的目标训练数据数量以上；
并且，本发明通过改进损失函数的采样方法，使得损失函数的第三项改变为
Figure BDA00022955563200001213
能够克服现有损失函数存在的损失值D非常不稳定的问题，使得本发明中损失函数输出损失值D始终随着迭代训练的进行而越来越小，确保生成式对抗网络的训练过程趋于稳定，以保证能够得到最优生成器，利用该最优生成器生成的癫痫脑电片段的质量高，能够适配于目标癫痫发作类型而作为癫痫发作类型自动识别模型建模的训练数据。
优选的：所述步骤A1-4中，系数λ的取值优选为-1、1/2、1/3、1/6、1该五个常数中的任意一者，其中，以系数λ取值为1/2，本申请的技术效果最优。
本发明还公开了一种癫痫脑电信号的自动识别模型建模方法，包括：
步骤A1、按照上述训练数据生成方法，获得每一个选取出的目标癫痫发作类型的训练集，并使得选取的目标癫痫发作类型不存在训练数据数量不均衡问题；
步骤A2、从每一种所述目标癫痫发作类型的训练集中抽取所述目标训练数据数量的癫痫脑电片段，将抽取出的癫痫脑电片段及其对应的癫痫发作类型作为训练数据，通过神经网络模型进行训练后，获得能够由输入的癫痫脑电片段识别出其对应癫痫发作类型的癫痫发作类型自动识别模型。
从而，本发明的自动识别模型建模方法，利用上述训练数据生成方法获得目标癫痫发作类型的训练集进行神经网络模型训练，由于克服了各种目标癫痫发作类型的训练数据数量不均衡的问题，因此，能够得到性能优秀的癫痫发作类型自动识别模型。
本发明还公开了一种癫痫脑电信号的自动识别方法，包括：
步骤A、用上述癫痫脑电信号的自动识别模型建模方法，获得所述癫痫发作类型自动识别模型；
步骤B、对被检查患者进行癫痫脑电图检查，并将得到的癫痫脑电数据的每一个通道的单通道癫痫脑电信号分割成时长为所述固定时长T的癫痫脑电片段；
步骤C、将所述步骤B得到的癫痫脑电片段输入所述癫痫发作类型自动识别模型，以识别出所述步骤B得到的每一个癫痫脑电片段对应的癫痫发作类型。
从而，本发明的自动识别方法，利用上述自动识别模型建模方法得到的性能优秀的癫痫发作类型自动识别模型，对被检查患者进行癫痫发作类型自动识别，具有识别准确率高的优点。
实施例二
在上述实施例一的基础上，本实施例二还采用了以下优选的实施方式：
所述步骤A1-2中对所述单通道癫痫脑电信号进行预处理的方式为：
步骤A1-2-1、由于脑电信号是一种随机性很强的非平稳生理信号，其幅度非常微弱，并且是非线性信号，所以脑电信号极易被无关噪声污染，因此，要先对所述单通道癫痫脑电信号进行滤波，以滤除所述单通道癫痫脑电信号的噪点；
步骤A1-2-2、由于完整的单通道癫痫脑电信号所包含的采样点非常多，生成式对抗网络难以一次性学习如此庞大的数据，还要求输入信号的大小相同，且单通道癫痫脑电信号中也可能会包含多种发作类型，因此，需要对滤除噪点后的单通道癫痫脑电信号进行分割，以得到多个时长固定为T的癫痫脑电片段，所述时长T的取值使所述癫痫脑电片段至多包含一种癫痫发作类型的特征，并将所述癫痫脑电片段所包含采样值
Figure BDA0002295556320000143
的数量记为m，该采样值
Figure BDA0002295556320000144
的数量m也即所述时长T与步骤A1-1中采集所述癫痫脑电数据所采用癫痫脑电图检查设备的采样频率的乘积；
步骤A1-2-3、用现有技术中可靠的方法(例如医生人工识别)，识别每一个所述癫痫脑电片段的准确的癫痫发作类型，抽取出属于所述目标癫痫发作类型的癫痫脑电片段，以对应每一种所述目标癫痫发作类型建立一个训练集，每一个所述训练集均包含若干个属于对应目标癫痫发作类型的癫痫脑电片段，每一个所述癫痫脑电片段包含m个所述采样值
Figure BDA0002295556320000142
其中，全部属于所述目标癫痫发作类型的癫痫脑电片段的采样值
Figure BDA0002295556320000141
进行归一化处理，以提高生成式对抗网络的训练稳定性，并加快收敛时间。
以上为本实施例二的基本实施方式，可以在该基本实施方式的基础上做进一步的优化、改进和限定：
优选的：所述步骤A1-2-1中，采用二阶巴特沃斯带通滤波器对所述单通道癫痫脑电信号进行滤波，以滤除频率在0.5Hz至50Hz以外的噪点。
优选的：所述步骤A1-2-2中，所述癫痫脑电片段的时长T为4.096秒，也即：当步骤A1-1中采集所述癫痫脑电数据所采用癫痫脑电图检查设备的采样频率为250Hz时，所述癫痫脑电片段所包含采样点的数量m为1024个。
实施例三
在上述实施例一或实施例二的基础上，本实施例三还采用了以下优选的实施方式：
所述的训练数据生成方法还包括：
步骤A1-5、用FID指标(Fréchet Inception Distance)对所述步骤A1-4生成的癫痫脑电片段与所述步骤A1-2预处理得到的癫痫脑电片段进行评估，得到FID分数，如果该FID分数在目标FID分数以下，则判定所述步骤A1-4生成的癫痫脑电片段满足质量要求，能够适配于对应的目标癫痫发作类型；否则，判定所述步骤A1-4生成的癫痫脑电片段不满足质量要求，重复所述步骤A1-1至步骤A1-4，直至所述步骤A1-4生成的癫痫脑电片段满足质量要求。
另外：
本发明还可以用所述自动识别方法对多名被检查患者进行癫痫发作类型自动识别，将识别结果与准确的癫痫发作类型进行比较，以判断识别的准确率、精准度、敏感度、特异性、F1分数，如果不能满足要求，则需要重复所述步骤A1至步骤A2，直至获得癫痫发作类型自动识别模型达标。
本发明对目标癫痫发作类型选取为意识丧失性发作类型、强直阵挛性发作类型、肌阵挛性发作类型的情况，进行了大量对比试验，验证了本发明的训练数据生成方法可以使生成式对抗网络更稳定的生成对应目标癫痫发作类型的癫痫脑电片段，在生成数据的评估方面：本发明的FID分数优化到23.67；自动识别方法对三种目标癫痫发作类型的F1分数分别提升到90.8％、87.3％、91.1％。
下面为上述对比试验的部分实验数据：
图2-1为通过步骤A1-2获得的意识丧失性发作类型ABSZ的癫痫脑电片段，图2-2为由现有生成式对抗网络生成的意识丧失性发作类型ABSZ的癫痫脑电片段，图2-3为由本发明生成的意识丧失性发作类型ABSZ的癫痫脑电片段。图3-1为通过步骤A1-2获得的强直阵挛性发作类型TCSZ的癫痫脑电片段，图3-2为由现有生成式对抗网络生成的强直阵挛性发作类型TCSZ的癫痫脑电片段，图3-3为由本发明生成的强直阵挛性发作类型TCSZ的癫痫脑电片段。图4-1为通过步骤A1-2获得的肌阵挛性发作类型MYSZ的癫痫脑电片段，图4-2为由现有生成式对抗网络生成的肌阵挛性发作类型MYSZ的癫痫脑电片段，图4-3为由本发明生成的肌阵挛性发作类型MYSZ的癫痫脑电片段。可以看出，本发明生成的癫痫脑电片段与通过步骤A1-2获得的癫痫脑电片段非常相似。
如下表所示，Real Test A中表示由现有生成式对抗网络生成的癫痫脑电片段训练得到的癫痫发作类型自动识别模型的准确率；Real Test B表示由本发明生成的癫痫脑电片段训练得到的癫痫发作类型自动识别模型的准确率，意识丧失性发作类型ABSZ、强直阵挛性发作类型TCSZ、肌阵挛性发作类型MYSZ该三种发作类型的分类准确率分别提升了5％、4％、2％。
Figure BDA0002295556320000151
Figure BDA0002295556320000161
本发明不局限于上述具体实施方式，根据上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，本发明还可以做出其它多种形式的等效修改、替换或变更，均落在本发明的保护范围之中。

Claims (7)

1.一种癫痫脑电信号的训练数据生成方法，其特征在于，包括：
步骤A1-1、对多名癫痫患者进行癫痫脑电图检查，以得到每一名所述癫痫患者的癫痫脑电数据，并将所述癫痫脑电数据的单通道数据记为单通道癫痫脑电信号；
步骤A1-2、选取多种癫痫发作类型作为目标癫痫发作类型，对所述步骤A1-1获得的每一个单通道癫痫脑电信号进行预处理，以对应每一种所述目标癫痫发作类型得到一个训练集，所述训练集包含若干个属于对应目标癫痫发作类型的癫痫脑电片段，该癫痫脑电片段由所述单通道癫痫脑电信号分割而成并具有固定时长T，该癫痫脑电片段所包含采样值
Figure FDA0003653263390000015
的数量记为m；
步骤A1-3、判断所述步骤A1-2选取的目标癫痫发作类型是否存在训练数据数量不均衡问题，如果任意一种所述目标癫痫发作类型满足不平衡条件，即：该目标癫痫发作类型的训练集所包含癫痫脑电片段的数量少于预设的目标训练数据数量，则判定存在训练数据数量不均衡问题，否则，判定不存在训练数据数量不均衡问题；
步骤A1-4、当判定存在训练数据数量不均衡问题时，对于满足所述不平衡条件的目标癫痫发作类型，用该目标癫痫发作类型对应的癫痫脑电片段对生成式对抗网络进行训练，以得到所述生成式对抗网络的最优生成器，再通过向所述最优生成器输入随机噪声信号，生成适配该目标癫痫发作类型的癫痫脑电片段，并将生成的癫痫脑电片段补充入所述训练集中，直至该目标癫痫发作类型不再满足所述不平衡条件，使得所述步骤A1-2选取的目标癫痫发作类型不再存在训练数据数量不均衡问题；
其中，所述生成式对抗网络的判别器采用以下损失函数：
Figure FDA0003653263390000011
式中，D表示损失值；
真实梯度矩阵
Figure FDA0003653263390000012
的计算方式为：从输入所述判别器的真实脑电训练数据中随机抽取K个所述癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的癫痫脑电片段的m个采样值
Figure FDA0003653263390000013
求梯度，计算得到的K个梯度即为所述真实梯度矩阵
Figure FDA0003653263390000014
其中，所述真实脑电训练数据由所述目标癫痫发作类型的训练集中的n个癫痫脑电片段组成，K≤n；
真实梯度
Figure FDA0003653263390000021
为所述真实梯度矩阵
Figure FDA0003653263390000022
的K个梯度的平均数；
生成梯度矩阵
Figure FDA0003653263390000023
的计算方式为：从输入所述判别器的生成脑电训练数据中随机抽取K个生成癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的生成癫痫脑电片段的m个生成采样值
Figure FDA0003653263390000024
求梯度，计算得到的K个梯度即为所述生成梯度矩阵
Figure FDA0003653263390000025
其中，所述生成脑电训练数据由所述生成式对抗网络的生成器生成，其包含n个生成癫痫脑电片段，每一个所述生成癫痫脑电片段包含m个生成采样值
Figure FDA0003653263390000026
K≤n；
生成梯度
Figure FDA0003653263390000027
为所述生成梯度矩阵
Figure FDA0003653263390000028
的K个梯度的平均数；
系数λ的取值范围在-1至1之间的常数；
真实范数矩阵
Figure FDA0003653263390000029
的计算方式为：用tensorflow框架中的tf.square()函数和tf.sqrt()函数对所述真实梯度矩阵
Figure FDA00036532633900000210
的每一个梯度求范数，计算得到的K个范数即为所述真实范数矩阵
Figure FDA00036532633900000211
生成范数矩阵
Figure FDA00036532633900000212
的计算方式为：用tensorflow框架中的tf.square()函数和tf.sqrt()函数对所述生成梯度矩阵
Figure FDA00036532633900000213
的每一个梯度求范数，计算得到的K个范数即为所述生成范数矩阵
Figure FDA00036532633900000214
范数
Figure FDA00036532633900000215
的计算方式为：分别对所述真实范数矩阵
Figure FDA00036532633900000216
和生成范数矩阵
Figure FDA00036532633900000217
的范数进行排序，将所述真实范数矩阵
Figure FDA00036532633900000218
的第i个范数的平方与所述生成范数矩阵
Figure FDA00036532633900000219
的第i个范数的平方之和记为第i个范数平方和，1≤i≤K，以得到K个所述范数平方和，该K个范数平方和的平均数即为所述范数
Figure FDA00036532633900000220
2.根据权利要求1所述癫痫脑电信号的训练数据生成方法，其特征在于：所述步骤A1-4中，系数λ的取值为-1、1/2、1/3、1/6、1该五个常数中的任意一者。
3.根据权利要求1或2所述癫痫脑电信号的训练数据生成方法，其特征在于：所述步骤A1-2中对所述单通道癫痫脑电信号进行预处理的方式为：
步骤A1-2-1、对所述单通道癫痫脑电信号进行滤波，以滤除所述单通道癫痫脑电信号的噪点；
步骤A1-2-2、对滤除噪点后的单通道癫痫脑电信号进行分割，以得到多个时长固定为T的癫痫脑电片段，所述时长T的取值使所述癫痫脑电片段至多包含一种癫痫发作类型的特征，并将所述癫痫脑电片段所包含采样值
Figure FDA0003653263390000031
的数量记为m；
步骤A1-2-3、识别每一个所述癫痫脑电片段的准确的癫痫发作类型，抽取出属于所述目标癫痫发作类型的癫痫脑电片段，以对应每一种所述目标癫痫发作类型建立一个训练集，每一个所述训练集均包含若干个属于对应目标癫痫发作类型的癫痫脑电片段，每一个所述癫痫脑电片段包含m个所述采样值
Figure FDA0003653263390000032
其中，全部属于所述目标癫痫发作类型的癫痫脑电片段的采样值
Figure FDA0003653263390000033
进行归一化处理。
4.根据权利要求3所述癫痫脑电信号的训练数据生成方法，其特征在于：所述步骤A1-2-1中，采用二阶巴特沃斯带通滤波器对所述单通道癫痫脑电信号进行滤波，以滤除频率在0.5Hz至50Hz以外的噪点。
5.根据权利要求3所述癫痫脑电信号的训练数据生成方法，其特征在于：所述步骤A1-2-2中，所述癫痫脑电片段的时长T为4.096秒。
6.根据权利要求1或2所述癫痫脑电信号的训练数据生成方法，其特征在于：所述的训练数据生成方法还包括：
步骤A1-5、用FID指标对所述步骤A1-4生成的癫痫脑电片段与所述步骤A1-2预处理得到的癫痫脑电片段进行评估，得到FID分数，如果该FID分数在目标FID分数以下，则判定所述步骤A1-4生成的癫痫脑电片段满足质量要求，能够适配于对应的目标癫痫发作类型；否则，判定所述步骤A1-4生成的癫痫脑电片段不满足质量要求，重复所述步骤A1-1至步骤A1-4，直至所述步骤A1-4生成的癫痫脑电片段满足质量要求。
7.一种癫痫脑电信号的自动识别模型建模方法，其特征在于，包括：
步骤A1、按照权利要求1至6任意一项所述癫痫脑电信号的训练数据生成方法，获得每一个选取出的目标癫痫发作类型的训练集，并使得选取的目标癫痫发作类型不存在训练数据数量不均衡问题；
步骤A2、从每一种所述目标癫痫发作类型的训练集中抽取所述目标训练数据数量的癫痫脑电片段，将抽取出的癫痫脑电片段及其对应的癫痫发作类型作为训练数据，通过神经网络模型进行训练后，获得能够由输入的癫痫脑电片段识别出其对应癫痫发作类型的癫痫发作类型自动识别模型。
CN201911199673.3A 2019-11-29 2019-11-29 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法 Active CN111000555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911199673.3A CN111000555B (zh) 2019-11-29 2019-11-29 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911199673.3A CN111000555B (zh) 2019-11-29 2019-11-29 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法

Publications (2)

Publication Number Publication Date
CN111000555A CN111000555A (zh) 2020-04-14
CN111000555B true CN111000555B (zh) 2022-09-30

Family

ID=70112352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911199673.3A Active CN111000555B (zh) 2019-11-29 2019-11-29 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法

Country Status (1)

Country Link
CN (1) CN111000555B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111657860B (zh) * 2020-05-14 2021-07-20 清华大学 一种基于对抗学习的睡眠阶段识别方法及系统
CN111523520A (zh) * 2020-06-11 2020-08-11 齐鲁工业大学 利用CycleGAN分析包含运动想象脑卒中患者脑电信号的方法
CN111772585B (zh) * 2020-07-13 2021-06-04 清华大学 间期颅内脑电信号中癫痫异常群体活动的数据提取方法
CN114098764B (zh) * 2021-11-05 2024-02-20 北京大学 数据处理方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564039A (zh) * 2018-04-16 2018-09-21 北京工业大学 一种基于半监督深层生成对抗网络的癫痫发作预测方法
WO2018235076A1 (en) * 2017-06-21 2018-12-27 Hadasit Medical Research Services And Development Ltd. METHOD AND SYSTEM FOR PREDICTING RESPONSE TO PHARMACOLOGICAL TREATMENT FROM EEG
CN109620223A (zh) * 2018-12-07 2019-04-16 北京工业大学 一种脑卒中康复系统脑机接口关键技术方法
CN109800785A (zh) * 2018-12-12 2019-05-24 中国科学院信息工程研究所 一种基于自表达相关的数据分类方法和装置
CN109998500A (zh) * 2019-04-30 2019-07-12 陕西师范大学 一种基于生成式对抗网络的脉搏信号生成方法及系统
CN110169770A (zh) * 2019-05-24 2019-08-27 西安电子科技大学 情绪脑电的细粒度可视化系统和方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7840522B2 (en) * 2007-03-07 2010-11-23 Microsoft Corporation Supervised rank aggregation based on rankings
US20190147343A1 (en) * 2017-11-15 2019-05-16 International Business Machines Corporation Unsupervised anomaly detection using generative adversarial networks

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018235076A1 (en) * 2017-06-21 2018-12-27 Hadasit Medical Research Services And Development Ltd. METHOD AND SYSTEM FOR PREDICTING RESPONSE TO PHARMACOLOGICAL TREATMENT FROM EEG
CN108564039A (zh) * 2018-04-16 2018-09-21 北京工业大学 一种基于半监督深层生成对抗网络的癫痫发作预测方法
CN109620223A (zh) * 2018-12-07 2019-04-16 北京工业大学 一种脑卒中康复系统脑机接口关键技术方法
CN109800785A (zh) * 2018-12-12 2019-05-24 中国科学院信息工程研究所 一种基于自表达相关的数据分类方法和装置
CN109998500A (zh) * 2019-04-30 2019-07-12 陕西师范大学 一种基于生成式对抗网络的脉搏信号生成方法及系统
CN110169770A (zh) * 2019-05-24 2019-08-27 西安电子科技大学 情绪脑电的细粒度可视化系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jian Wang ; Qingling Cai ; Qingquan Chang ; Jacek M.Zurada.Convergence analyses on sparse feedforward neural networks via group lasso regularization.《Information Sciences》.2017,第381卷全文. *
刘坤 ; 王典 ; 荣梦学.基于半监督生成对抗网络X光图像分类算法.《光学学报》.2019,第39卷(第8期),全文. *

Also Published As

Publication number Publication date
CN111000555A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN111000555B (zh) 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法
CN110811609B (zh) 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置
CN111616701B (zh) 基于多元变分模态分解的脑电多域特征提取方法
Kropf et al. ECG classification based on time and frequency domain features using random forests
CN107811626A (zh) 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN108511055B (zh) 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN104887222B (zh) 可逆化脑电信号分析方法
CN110059564B (zh) 基于功率谱密度和互相关熵谱密度融合的特征提取方法
CN111428601B (zh) 一种基于ms-cnn的p300信号识别方法、装置及存储介质
CN111091074A (zh) 最优区域共空间模式的运动想象脑电信号分类方法
CN112438741B (zh) 一种基于脑电特征迁移学习的驾驶状态检测方法及系统
CN114532993A (zh) 一种癫痫患者脑电高频振荡信号的自动检测方法
Matias et al. Robust Anomaly Detection in Time Series through Variational AutoEncoders and a Local Similarity Score.
CN111643076A (zh) 一种基于多通道脑电信号的bect棘波智能检测方法
Abbas et al. FBCSP-based multi-class motor imagery classification using BP and TDP features
Yamada et al. Decomposition of electromyographic signal by principal component analysis of wavelet coefficients
Yildirim et al. Heartbeat type classification with optimized feature vectors
CN111887811A (zh) 基于脑电信号特征的大脑异常放电检测方法及系统
CN116340825A (zh) 一种基于迁移学习的跨被试rsvp脑电信号的分类方法
CN116595434A (zh) 一种基于维度和分类算法的测谎方法
CN115486814A (zh) 基于多模态癫痫数据智能融合分析与处理方法
CN113052229B (zh) 一种基于心电数据的心脏病症分类方法及装置
Yousefi et al. Automated decomposition of needle EMG signal using STFT and wavelet transforms
Saeed et al. A Slantlet based statistical features extraction for classification of normal, arrhythmia, and congestive heart failure in electrocardiogram
CN113558637A (zh) 一种基于相位传递熵的音乐感知下脑网络构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant