CN111291614B - 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 - Google Patents
基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 Download PDFInfo
- Publication number
- CN111291614B CN111291614B CN202010029064.XA CN202010029064A CN111291614B CN 111291614 B CN111291614 B CN 111291614B CN 202010029064 A CN202010029064 A CN 202010029064A CN 111291614 B CN111291614 B CN 111291614B
- Authority
- CN
- China
- Prior art keywords
- probability
- features
- signal
- training
- layer
- 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
Links
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 28
- 208000002877 Epileptic Syndromes Diseases 0.000 title claims abstract description 22
- 208000024658 Epilepsy syndrome Diseases 0.000 title claims abstract description 20
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 230000005012 migration Effects 0.000 title claims description 5
- 238000013508 migration Methods 0.000 title claims description 5
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000008030 elimination Effects 0.000 claims abstract description 6
- 238000003379 elimination reaction Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 208000017888 childhood-onset epilepsy syndrome Diseases 0.000 claims 4
- 230000009467 reduction Effects 0.000 claims 1
- 238000013526 transfer learning Methods 0.000 abstract description 6
- 206010010904 Convulsion Diseases 0.000 description 9
- 230000001037 epileptic effect Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000028329 epileptic seizure Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001480010 Cestrum Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- A61B5/7264—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
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Neurology (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于迁移学习多模型决策融合的儿童癫痫综合症分类方法。本发明步骤如下：步骤1：对原始多通道EEG信号数据进行数字滤波删选频段，然后进行基于黎曼几何的无监督聚类算法的伪迹剔除，基于中值滤波的异常数据点剔除，得到纯净的EEG信号。步骤2：对EEG信号提取MFCC特征、LPCC特征、小波包特征、统计特征。步骤3：将MFCC和LPCC特征图片输入并训练模型F1，小波包特征和统计特征输入并训练模型F2，对模型F1和F2的SoftMax概率输出层进行加权求和，根据得到的最终概率得出样本所属儿童癫痫综合征类别。本发明能够实现儿童癫痫综合征的精准分类。
Description
技术领域
本发明属于机器学习及智能生物医学信号处理领域，涉及一种基于迁移学习多模型决策融合的儿童癫痫综合症分类方法。
背景技术
儿童癫痫是慢性神经系统的常见疾病，其发病率是成人癫痫的10-15倍，严重威胁儿童的生命健康。世界卫生组织2018年指出全球癫痫患者约为7‰-8‰，75％-80％的癫痫起病年龄在18岁以前，且其发病率一般在4岁内最高。虽然现代癫痫治疗技术越来越先进，癫痫治愈率也逐步提升，但儿童癫痫的发病率及致死率并没有显著下降，其主要原因包括：医疗资源有限、缺乏高效的癫痫早期检测与智能辅助诊断系统、没有针对性的干预治疗与跟踪评估系统。因此，构建高效智能的儿童癫痫综合征分类辅助诊断模型具有重要的社会经济意义。
癫痫的辅助诊断研究以脑电信号最为直观，目前的研究主要集中在以下方向：
癫痫预测：通常将癫痫患者的脑电信号分为发作前期、发作期、发作间期这三个阶段，根据其所在阶段对癫痫发作时间进行预测。
癫痫检测：分析放电信号与背景信号的信号特征异同，进行癫痫放电信号的检测，以确定是否处于癫痫发作期。
癫痫发作症状分类：将癫痫发作时的脑电信号划分为不同的发作症状类型。分析在不同发作症状下的脑电信号在不同域之间的共性和差异性，从而进行准确分类。
近年来，深度学习模型，由于其强大的数据表示和特征学习能力而被广泛的应用于生物医学信号处理和智能辅助诊断领域。基于此，本发明提出一种基于多通道脑电信号深度迁移特征学习与多模型决策融合的儿童癫痫综合征分类算法，旨在构建精准的癫痫综合征辅助诊断系统。
发明内容
针对传统的识别方法以及直接训练深度学习模型时存在的问题，本发明结合癫痫领域和深度学习领域，利用基于预训练的深度网络模型的迁移学习方法，提出了一种基于迁移学习多模型决策融合的儿童癫痫综合征分类方法。
本发明中，首先对原始的多通道脑电图(EEG)信号数据进行预处理得到纯净的EEG数据，包括数字滤波删选频段、基于黎曼几何的无监督聚类算法的伪迹剔除和基于中值滤波的异常数据点剔除。对得到的纯净的EEG数据，分别提取MFCC(Mel Frequency CestrumCoefficient梅尔频率倒谱系数)特征、LPCC(Linear Predictive Cepstral Coefficient线性预测倒谱系数)特征、小波包分解特征和统计特征。将得到的MFCC和LPCC特征矩阵拼接后转换为适应网络输入尺寸的图片，作为预训练的深度网络模型1(记为F1)的输入，针对上述的MFCC和LPCC特征数据，对F1模型进行权值调整训练；提取的小波包特征和统计特征进行同样操作以作为预训练的深度网络模型2(记为F2)的输入，对F2进行权值调整训练。将训练好的两个深度模型F1和F2的SoftMax输出层的概率加权求和，得到最终融合的概率输出，依据最终输出概率，对样本进行分类决策。
本发明的技术方案主要包括以下几个步骤：
步骤1：对原始多通道EEG信号数据进行数字滤波删选频段，然后进行基于黎曼几何的无监督聚类算法的伪迹剔除，基于中值滤波的异常数据点剔除，得到纯净的EEG信号。
步骤2：对得到的纯净的EEG信号提取MFCC特征、LPCC特征、小波包特征、统计特征。
步骤3：将MFCC和LPCC特征图片输入并训练模型F1，小波包特征和统计特征输入并训练模型F2，对模型F1和F2的SoftMax概率输出层进行加权求和，根据得到的最终概率得出样本所属儿童癫痫综合征类别。
所述步骤1的具体流程如下：
1-1.将原始多通道EEG信号通过0.5-70HZ带通滤波器、50HZ陷波滤波器进行基础预处理。
1-2.将预处理过后的数据分为多个时长为1秒的时期，计算各时期的协方差矩阵对之间的距离：
其中，C表示协方差矩阵，X表示多通道EEG信号矩阵，m表示1秒时期的数据点数，δ表示协方差矩阵对间的距离，λ表示对应协方差矩阵特征值。
1-3.计算协方差矩阵Ci到其他协方差矩阵距离的平均值di，阈值d取为所有平均值di的平均值，利用k-means算法根据协方差矩阵之间的距离δ将数据聚为若干个簇。
1-4.簇的数量从1迭代地增加到最大值10，获得质心作为几何平均值；一旦构造的簇满足总体正态性条件，该过程便完成。整体常态p-值是利用所取组合获得的，p-使用Z分数法。当p-值大于0.05时，将停止簇的构建过程。如果聚类构建完成而未达到总体正态性，则选择达到最大p-值时的聚类数量。
1-5.将预处理过后的脑电数据分为多个时长为1秒的时期，每两个时期之间有0.9秒重叠，求出步骤1-4所求k个簇的质心Oj，求出当前时期信号的协方差矩阵与质心Oj的距离σij，当前信号归属于距离最小的簇。在聚类构建步骤中确定了簇内部的几何平均值μ、标准差σ，所以可以求得当前时期信号的协方差矩阵与质心Oj的标准化距离σ* i，具体计算公式如下：
1-6.由于簇与簇之间标准化距离是正态分布的，所以将获得的视作z分数，并使用高斯累积分布函数将其转化为一个概率值pi。然后用一个移动平均滤波器对得到的分数进行平滑处理，使输出更健壮。如果一个片段的得分高于阈值得分超过0.4秒，则认为该片段是伪迹。0.4秒是伪迹持续时间的最小值。最后得到伪迹标签，0为干净信号，1为伪迹。
所述步骤2的具体流程如下：
2-1将经过预处理后的的21通道，采样频率1000HZ的EEG数据切分成若干长度为4秒的样本，相邻两个样本之间有2秒的重叠，则单个样本的数据量为21*4000，对每个样本进行中值滤波，然后分别提取MFCC特征、LPCC特征、小波包特征、统计特征。
2-2MFCC特征(梅尔频率倒谱系数)提取步骤为:
(1)预加重：将EEG信号通过一个高通滤波器，使频谱平坦。
(2)分帧：将每512个采样点归为一帧，相邻帧之间有256个采样点的重叠，对每一帧信号乘以汉明窗，以增加每一帧左端和右端的连续性。
(3)快速傅立叶变化：对分帧加窗后的各帧信号进行快速傅立叶变换得到各帧的频谱。并对EEG信号的频谱取模平方得到EEG信号的功率谱。
(4)三角带通滤波器：将功率谱通过一组Mel尺度的三角形滤波器组，定义一个有M个滤波器的滤波器组，采用的滤波器为三角滤波器，中心频率为f(m)。M取24，各f(m)之间的间隔随着m值的减小而缩小，随着m值的增大而增宽。
(5)计算滤波器组输出的对数能量，经离散余弦变换DCT过后得到12阶MFCC系数：
2-3LPCC特征(线性预测倒谱系数)求解步骤为：
(1)对EEG信号建立全极点模型，并写成差分方程形式：
x(n)为真实信号，加权项aix(n-i)为预测信号，e(n)为预测误差，p为模型阶数，这里选择p＝12.
(2)根据e(n)的最小均方误差(MSE)准则来计算系数ai，为使最小均方误差取极小值，对ai求偏导使其为0。
(3)写成自相关形式,拆写加权式子，写成Toeplitz矩阵,解得线性预测系数a1a2...ap。
(4)通过下述递推公式求解出LPCC系数：
h(1)＝0
其中ak为线性预测系数，h(n)为递推得到的LPCC系数。
2-4小波包、统计特征求解过程：
(1)利用Haar小波，将信号进行六层小波包分解，重构前15个子频段信号；
(2)求解15个子频段的香农熵H、对数能量熵M和范数熵N：
N＝|xi|p
其中xi为信号，p(xi)为信号xi的概率密度函数。
(3)提取第六层分解前15个子频段的小波包系数的均值、标准差、中值、偏态、峰态。
所述步骤3的具体流程如下：
3-1.将提取的21*12维LPCC特征矩阵与21*12维MFCC特征矩阵拼接并转为图片，调整图片大小为224*224*3使其适应网络的输入，输入训练集图片训练模型F1，训练模型F1的初始学习率为1×10-4，minibatch Size为50，训练Epoch为30、采用SGDM优化算法。
3-2.将提取的21*60维小波包特征矩阵与21*75维统计特征矩阵拼接并转为图片，调整图片大小为224*224*3使其适应网络的输入，输入训练集图片训练模型F2，训练模型F2的初始学习率为1×10-4，minibatch Size为50，训练Epoch为30、采用SGDM优化算法。
3-3.将测试数据集的MFCC特征、LPCC特征拼接转换为图片，以及测试数据集的小波包特征、统计特征拼接转换为图片后，分别输入已经训练好的模型F1和F2，模型F1和F2的SoftMax概率输出层输出的是当前样本属于某种儿童癫痫综合征的概率pi，将模型F1和F2的SoftMax层输出概率加权求和，得到最终输出概率：
pi＝1.2pi1+1.2pi2
其中，pi1是指模型F1输出的概率；pi2是指模型F2输出的概率；
根据最终输出概率，把当前样本分类为概率最大的儿童癫痫综合征，下图为输入不同种类样本与之对应的输出概率效果图：
所述的训练模型F1和F2采用的是深度学习模型为AlexNet网络，AlexNet网络是一个8层的深度神经网络(不包括池化层和LRN层(局部响应归一化层))，前5层为卷积层，后3层为全连接层。最后一个全连接层为SoftMax分类层。LRN层出现在第1个及第2个卷积层后，最大池化层出现在LRN层及最后一个卷积层。每一层都有ReLu激活函数。
本发明有益效果如下：
采用迁移学习方法，其优势主要包括，1)迁移学习能够保留深度学习对信号的强大表示能力，能对数据进行更深层次的挖掘，从而拥有良好的识别性能。2)迁移学习方法利用预训练好的深度模型，直接提取信号特征；其能够很好解决深度学习高耗时，硬件要求高，数据要求大的问题3)迁移学习具有良好的模型可移植性。
本发明对数据进行了滤波和伪迹剔除，相比未进行伪迹剔除，实验准确率在单模型上提升了3％，运用两个模型融合的方法，一方面可以克服模型对个别儿童癫痫综合征分类效果不好的问题；另外一方面可以使用不同域的特征，提高系统的稳定性，提高模型泛化能力，同时提高了4％的分类准确率，分类总体准确率达到了91％，通过本发明，可以实现儿童癫痫综合征的精准分类。
附图说明
图1：系统总体结构图
图2：样本输出概率分布图
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无监督伪迹识别，其具体实现步骤如下：
1-1对EEG信号做0.5-70HZ带通滤波、50HZ陷波滤波。
1-2把EEG信号切分成若干1秒时期，通过协方差矩阵在黎曼几何的距离度量进行聚类，形成若干个簇，求得阈值。
1-3把脑电信号切分成若干1秒时期，两个时期之间重叠0.9秒，根据协方差矩阵和1-2形成的若干簇的质心距离，求得Z分数。
1-4利用高斯累计积分分布函数将获得的Z分数转换成概率值，再用移动平均滤波器平滑分数，将得分高于阈值得分大于0.4秒的样本视为伪迹，得到样本的伪迹标签，0代表纯净信号，1代表伪迹干扰。
本发明第二个主要步骤为提取特征，其具体实现步骤如下：
2-1将基础滤波过后的21通道脑电数据分为若干个时长4秒的时期，每两个时期之间有2秒重叠。
2-2根据步骤一得到的伪迹标签，对纯净的信号分别提取MFCC特征、LPCC特征、小波包特征和统计特征。
本发明第三个主要步骤为模型融合输出分类结果，其具体实现步骤如下：
3-1将提取的21*12维LPCC特征矩阵与21*12维MFCC特征矩阵拼接并转为图片，调整图片大小为224*224*3使其适应网络的输入，输入训练集的图片训练模型F1。
3-2将提取的21*60维小波包特征和21*75维统计特征矩阵拼接并转为图片，调整图片大小为224*224*3使其适应网络的输入，输入训练集的图片训练模型F2。
3-3将测试数据集特征转换为大小224*224*3的图片过后输入已经训练好的模型F1和F2，将模型F1和F2的SoftMax层输出概率加权求和，得到最终输出概率，根据最终输出概率，把当前样本分类为概率最大的儿童癫痫综合征类别。
将本发明所述方法应用于儿童癫痫综合征患者的脑电图中，自动识别去除伪迹过后取患者脑电图中0.5～70HZ频率段的特征，使用两个预训练深度网络模型，训练模型后，取两个模型的SoftMax层概率加权求和的到最终输出概率进行分类，可以对儿童癫痫综合征进行有效的分类。
Claims (5)
1.基于迁移学习多模型决策融合的儿童癫痫综合症分类方法，其特征在于：
步骤1：对原始多通道EEG信号数据进行数字滤波删选频段，然后进行基于黎曼几何的无监督聚类算法的伪迹剔除，基于中值滤波的异常数据点剔除，得到纯净的EEG信号；
步骤2：对得到的纯净的EEG信号提取MFCC特征、LPCC特征、小波包特征、统计特征；
步骤3：将得到的MFCC和LPCC特征矩阵拼接后转换为网络输入尺寸的图片；将得到的小波包特征矩阵与统计特征矩阵拼接后转换为网络输入尺寸的图片；将拼接的特征图片分别输入训练模型F1和F2，对训练模型F1和F2的SoftMax概率输出层进行加权求和，根据得到的最终概率得出样本所属儿童癫痫综合征类别；
所述步骤1的具体流程如下：
1-1.将原始多通道EEG信号通过0.5-70HZ带通滤波器、50HZ陷波滤波器进行基础预处理；
1-2.将预处理过后的数据分为多个时长为1秒的时期，计算各时期的协方差矩阵对之间的距离：
其中，C表示协方差矩阵，X表示多通道EEG信号矩阵，m表示1秒时期的数据点数，δ表示协方差矩阵对间的距离，λi表示对应协方差矩阵特征值；
1-3.计算协方差矩阵Ci到其他协方差矩阵距离的平均值di，阈值d取为所有平均值di的平均值，利用k-means算法根据协方差矩阵之间的距离δ将数据聚为若干个簇；
1-4.簇的数量从1迭代地增加到最大值10，获得质心作为几何平均值；一旦构造的簇满足总体正态性条件，该过程便完成；
1-5.将预处理过后的脑电数据分为多个时长为1秒的时期，每两个时期之间有0.9秒重叠，求出步骤1-4所求k个簇的质心Oj，求出当前时期信号的协方差矩阵与质心Oj的距离σij，当前信号归属于距离最小的簇；在聚类构建步骤中确定了簇内部的几何平均值μ、标准差σ，所以可以求得当前时期信号的协方差矩阵与质心Oj的标准化距离σ* i，具体计算公式如下：
1-6.由于簇与簇之间标准化距离是正态分布的，所以将获得的视作z分数，并使用高斯累积分布函数将其转化为一个概率值；然后用一个移动平均滤波器对得到的分数进行平滑处理，使输出更健壮；如果一个片段的得分高于阈值得分超过0.4秒，则认为该片段是伪迹；0.4秒是伪迹持续时间的最小值；最后得到伪迹标签，0为干净信号，1为伪迹。
2.根据权利要求1所述的基于迁移学习多模型决策融合的儿童癫痫综合症分类方法，其特征在于：所述步骤2的具体流程如下：
2-1将经过预处理后的的21通道，采样频率1000HZ的EEG数据切分成若干长度为4秒的样本，相邻两个样本之间有2秒的重叠，则单个样本的数据量为21*4000，对每个样本进行中值滤波，然后分别提取MFCC特征、LPCC特征、小波包特征、统计特征。
3.根据权利要求2所述的基于迁移学习多模型决策融合的儿童癫痫综合症分类方法，其特征在于：
2-2.MFCC特征提取步骤为:
(1)预加重：将EEG信号通过一个高通滤波器，使频谱平坦；
(2)分帧：将每512个采样点归为一帧，相邻帧之间有256个采样点的重叠，对每一帧信号乘以汉明窗，以增加每一帧左端和右端的连续性；
(3)快速傅立叶变化：对分帧加窗后的各帧信号进行快速傅立叶变换得到各帧的频谱；并对EEG信号的频谱取模平方得到EEG信号的功率谱；
(4)三角带通滤波器：将功率谱通过一组Mel尺度的三角形滤波器组，定义一个有N个滤波器的滤波器组，采用的滤波器为三角滤波器，中心频率为f(m)，M取24，各f(m)之间的间隔随着m值的减小而缩小，随着m值的增大而增宽；
(5)计算滤波器组输出的对数能量，经离散余弦变换DCT过后得到12阶MFCC系数：
2-3LPCC特征求解步骤为：
(1)对EEG信号建立全极点模型，并写成差分方程形式：
x(n)为真实信号，加权项aix(n-i)为预测信号，e(n)为预测误差，p为模型阶数，这里选择p＝12.
(2)根据e(n)的最小均方误差准则来计算系数ai，为使最小均方误差取极小值，对ai求偏导使其为0；
(3)写成自相关形式,拆写加权式子，写成Toeplitz矩阵,解得线性预测系数a1a2...ap；
(4)通过下述递推公式求解出LPCC系数：
h(1)＝0
其中ak为线性预测系数，h(n)为递推得到的LPCC系数；
2-4小波包、统计特征求解过程：
(1)利用Haar小波，将信号进行六层小波包分解，重构前15个子频段信号；
(2)求解15个子频段的香农熵H、对数能量熵M和范数熵N：
N＝|xi|p
其中xi为信号，p(xi)为信号xi的概率密度函数；
(3)提取第六层分解前15个子频段的小波包系数的均值、标准差、中值、偏态、峰态。
4.根据权利要求2或3所述的基于迁移学习多模型决策融合的儿童癫痫综合症分类方法，其特征在于：所述步骤3的具体流程如下：
3-1.将提取的21*12维LPCC特征矩阵与21*12维MFCC特征矩阵拼接并转为图片，调整图片大小为224*224*3使其适应网络的输入，输入训练集图片训练模型F1，训练模型F1的初始学习率为1×10-4，minibatch Size为50，训练Epoch为30、采用SGDM优化算法；
3-2.将提取的21*60维小波包特征矩阵与21*75维统计特征矩阵拼接并转为图片，调整图片大小为224*224*3使其适应网络的输入，输入训练集图片训练模型F2，训练模型F2的初始学习率为1×10-4，minibatch Size为50，训练Epoch为30、采用SGDM优化算法；
3-3.将测试数据集的MFCC特征、LPCC特征拼接转换为图片，以及测试数据集的小波包特征、统计特征拼接转换为图片后，分别输入已经训练好的模型F1和F2，模型F1和F2的SoftMax概率输出层输出的是当前样本属于某种儿童癫痫综合征的概率，将模型F1和F2的SoftMax层输出概率加权求和，得到最终输出概率pi：
pi＝1.2pi1+1.2pi2
其中，pi1是指模型F1输出的概率；pi2是指模型F2输出的概率；
根据最终输出概率，把当前样本分类为概率最大的儿童癫痫综合征。
5.根据权利要求4所述的基于迁移学习多模型决策融合的儿童癫痫综合症分类方法，其特征在于：
所述的训练模型F1和F2采用的是深度学习模型为AlexNet网络，AlexNet网络是一个8层的深度神经网络，前5层为卷积层，后3层为全连接层；最后一个全连接层为SoftMax分类层；LRN层出现在第1个及第2个卷积层后，最大池化层出现在LRN层及最后一个卷积层；每一层都有ReLu激活函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010029064.XA CN111291614B (zh) | 2020-01-12 | 2020-01-12 | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010029064.XA CN111291614B (zh) | 2020-01-12 | 2020-01-12 | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111291614A CN111291614A (zh) | 2020-06-16 |
| CN111291614B true CN111291614B (zh) | 2023-11-21 |
Family
ID=71024170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010029064.XA Active CN111291614B (zh) | 2020-01-12 | 2020-01-12 | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111291614B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832452B (zh) * | 2020-06-30 | 2023-11-21 | 杭州电子科技大学 | 基于脑电的特殊手势指令的特征优化与识别方法 |
| CN112006678B (zh) * | 2020-09-10 | 2022-08-30 | 齐鲁工业大学 | 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统 |
| CN112971800B (zh) * | 2021-01-27 | 2023-01-03 | 东南大学 | 基于深度学习的心电早搏信号处理方法、模块和装置 |
| CN112932498B (zh) * | 2021-01-29 | 2023-06-06 | 山东大学 | 一种基于深度学习的强泛化能力的t波形态分类系统 |
| CN113116361A (zh) * | 2021-03-09 | 2021-07-16 | 山东大学 | 一种基于单导脑电的睡眠分期方法 |
| CN113139518B (zh) * | 2021-05-14 | 2022-07-29 | 江苏中天互联科技有限公司 | 基于工业互联网的型材切割状态监控方法 |
| CN113349800A (zh) * | 2021-06-10 | 2021-09-07 | 重庆工程学院 | 一种基于生成式对抗网络的脑电波信号降噪方法 |
| CN113440145B (zh) * | 2021-06-28 | 2022-04-08 | 西北大学 | 一种心电信号t波及其终点自动检测方法 |
| CN113569725B (zh) * | 2021-07-27 | 2024-05-17 | 复旦大学 | 一种基于迁移Softmax回归的癫痫状态识别方法 |
| CN114224341B (zh) * | 2021-12-02 | 2023-12-15 | 浙大宁波理工学院 | 基于可穿戴前额脑电的抑郁症快速诊断筛查系统及方法 |
| CN115836846A (zh) * | 2022-12-14 | 2023-03-24 | 北京航空航天大学 | 一种基于自监督迁移学习的无创血压估计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107693014A (zh) * | 2017-11-22 | 2018-02-16 | 北京工业大学 | 一种基于词袋模型和极限学习机的癫痫发作预警方法 |
| CN108664949A (zh) * | 2018-05-21 | 2018-10-16 | 江苏信息职业技术学院 | 利用径向基神经网络对癫痫脑电图信号进行分类的方法 |
| CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
| CN109994203A (zh) * | 2019-04-15 | 2019-07-09 | 江南大学 | 一种基于eeg信号深度多视角特征学习的癫痫检测方法 |
| KR20190130808A (ko) * | 2018-05-15 | 2019-11-25 | 연세대학교 산학협력단 | 뇌파와 얼굴 이미지의 특징 융합을 이용한 감정 분류 장치 및 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150038869A1 (en) * | 2011-07-16 | 2015-02-05 | Cerora, Inc. | Systems and methods for the physiological assessment of brain health and the remote quality control of eeg systems |
| WO2013142051A1 (en) * | 2012-03-19 | 2013-09-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
-
2020
- 2020-01-12 CN CN202010029064.XA patent/CN111291614B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107693014A (zh) * | 2017-11-22 | 2018-02-16 | 北京工业大学 | 一种基于词袋模型和极限学习机的癫痫发作预警方法 |
| KR20190130808A (ko) * | 2018-05-15 | 2019-11-25 | 연세대학교 산학협력단 | 뇌파와 얼굴 이미지의 특징 융합을 이용한 감정 분류 장치 및 방법 |
| CN108664949A (zh) * | 2018-05-21 | 2018-10-16 | 江苏信息职业技术学院 | 利用径向基神经网络对癫痫脑电图信号进行分类的方法 |
| CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
| CN109994203A (zh) * | 2019-04-15 | 2019-07-09 | 江南大学 | 一种基于eeg信号深度多视角特征学习的癫痫检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Epileptic State Classification based on Intrinsic Mode Function and Wavelet Packet Decomposition;Jiuwen Cao et al.;《2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)》;全文 * |
| Improved binary dragonfly optimization algorithm and wavelet packet based non-linear features for infant cry classification;M. Hariharan et al.;《Computer Methods and Programs in Biomedicine》;全文 * |
| 基于脑网络和TSK模糊系统的癫痫脑电识别;杜轻 等;《计算机工程与应用》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111291614A (zh) | 2020-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291614B (zh) | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 | |
| CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
| CN109074822B (zh) | 特定声音识别方法、设备和存储介质 | |
| CN111387974B (zh) | 基于深度自编码的脑电特征优化与癫痫发作检测方法 | |
| CN109949824B (zh) | 基于N-DenseNet和高维mfcc特征的城市声音事件分类方法 | |
| CN110310666B (zh) | 一种基于se卷积网络的乐器识别方法及系统 | |
| CN112869711B (zh) | 一种基于深度神经网络的自动睡眠分期及迁移方法 | |
| CN113221673B (zh) | 基于多尺度特征聚集的说话人认证方法及系统 | |
| CN111951824A (zh) | 一种基于声音判别抑郁症的检测方法 | |
| CN115381466A (zh) | 基于AE和Transformer的运动想象脑电信号分类方法 | |
| Yan et al. | An EEG signal classification method based on sparse auto-encoders and support vector machine | |
| CN111783534A (zh) | 一种基于深度学习的睡眠分期方法 | |
| CN112800928B (zh) | 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法 | |
| CN111986699A (zh) | 基于全卷积网络的声音事件检测方法 | |
| CN113488063A (zh) | 一种基于混合特征及编码解码的音频分离方法 | |
| CN111685774A (zh) | 基于概率集成回归模型的osahs诊断方法 | |
| CN112465069A (zh) | 一种基于多尺度卷积核cnn的脑电情绪分类方法 | |
| CN116211319A (zh) | 一种基于图注意力网络和稀疏编码的静息态多通道脑电信号识别方法 | |
| CN113011330B (zh) | 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法 | |
| CN110811591A (zh) | 一种基于心率变异性的心力衰竭分级方法 | |
| Yarga et al. | Efficient spike encoding algorithms for neuromorphic speech recognition | |
| Zhovna et al. | Automatic detection and classification of sleep stages by multichannel EEG signal modeling | |
| CN113940638B (zh) | 基于频域双特征融合的脉搏波信号识别分类方法 | |
| Hao et al. | A novel sleep staging algorithm based on hybrid neural network | |
| CN115429286A (zh) | 一种心电表征自监督学习方法 |
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 |