CN111387974B - 基于深度自编码的脑电特征优化与癫痫发作检测方法 - Google Patents

基于深度自编码的脑电特征优化与癫痫发作检测方法 Download PDF

Info

Publication number
CN111387974B
CN111387974B CN202010105835.9A CN202010105835A CN111387974B CN 111387974 B CN111387974 B CN 111387974B CN 202010105835 A CN202010105835 A CN 202010105835A CN 111387974 B CN111387974 B CN 111387974B
Authority
CN
China
Prior art keywords
encoder
matrix
self
electroencephalogram
coding
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
CN202010105835.9A
Other languages
English (en)
Other versions
CN111387974A (zh
Inventor
曹九稳
祝家华
胡丁寒
蒋铁甲
高峰
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010105835.9A priority Critical patent/CN111387974B/zh
Publication of CN111387974A publication Critical patent/CN111387974A/zh
Application granted granted Critical
Publication of CN111387974B publication Critical patent/CN111387974B/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

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

Abstract

本发明公开了一种基于深度自编码的脑电特征优化与癫痫发作检测方法。本发明步骤：步骤1：将原始脑电信号进行预处理，然后按顺序排列脑电信号的通道，以每4s的脑电图为一个数据样本，进行离散傅里叶变换，并获得样本的幅值谱，将样本的幅值谱整理成合适的特征矩阵；步骤2：设置卷积自编码器的网络结构；步骤3：通过步骤1中的数据训练卷积自编码器，再将数据输入训练好的卷积自编码器的编码器对特征矩阵进行降维，得到低维特征；步骤4：使用低维特征训练基于最近邻分类器的纠错输出编码模型；最后使用整个模型对新的脑电图进行癫痫发作检测，测试模型性能。本发明能滤除干扰特征，降低特征维数和模型学习复杂度，实现更有效的癫痫发作检测。

Description

基于深度自编码的脑电特征优化与癫痫发作检测方法
技术领域
本发明属于智能医学信号及图像处理领域，涉及一种基于深度自编码的脑电特征优化与癫痫发作检测方法。
背景技术
脑电图检查是目前临床上癫痫诊断和病灶定位的常用技术，通过脑电图分析来进行癫痫检测不需要额外的设备和检查，容易为医生和患者所接受。由于脑电图的普遍使用，研究癫痫检测也主要借助于这一工具。EEG脑电信号是一种复杂的非平稳随机信号，具有信号微弱，个体差异大等特点，所以如何有效地提取其中的有用信息是脑科学研究的棘手问题。近年来，人们应用各种信号处理技术分析脑电信号，在脑电的定量分析与辅助诊断方面已经取得了一些进展。研究内容也从简单的癫痫检测向更复杂的癫痫预测发展。
随着脑机接口技术的发展，如何处理多通道、高分辨率的脑电图，是癫痫发作检测的技术难点之一。多通道、高分辨率的脑电图中包含的信息量巨大，在特征提取时会产生高维特征，也包含大量干扰特征和冗余信息。在癫痫的发作检测模型中，干扰特征和过高的特征维数容易产生模型过拟合和模型计算复杂度过高等问题：
1.癫痫的发作检测模型较为复杂，训练后几乎可以拟合训练集的每个数据，若特征中包含大量干扰特征和冗余信息，模型会过于强调拟合这些特征而丢失了癫痫发作检测的本质特征，导致模型过拟合，在模型处理新数据时会有较差的表现。
2.对于癫痫的发作检测模型，随着特征维数的增加，对算法的时间复杂度影响较大，部分算法的时间复杂度会成指数级增加。
相比于传统的癫痫检测方法，本发明的主要作用是：滤除干扰特征，提高癫痫发作检测模型的总体识别率；降低特征维数，降低模型学习复杂度。提高癫痫发作检测的速度和精度，实现更有效的癫痫发作检测。
发明内容
本发明针对传统的癫痫检测方法中存在的问题，提出了一种基于深度自编码的脑电特征优化与癫痫发作检测方法。
如图1所示，本发明的技术方案主要包括以下几个步骤：
步骤1：将原始脑电信号进行预处理，然后按顺序排列脑电信号的通道，以每4s的脑电图为一个数据样本，进行离散傅里叶变换，并获得样本的幅值谱，将样本的幅值谱整理成合适的特征矩阵；
步骤2：设置卷积自编码器的网络结构。
步骤3：通过步骤1中的数据训练卷积自编码器，再将数据输入训练好的卷积自编码器的编码器对特征矩阵进行降维，得到低维特征。
步骤4：使用低维特征训练基于最近邻分类器的纠错输出编码模型。最后使用整个模型对新的脑电图进行癫痫发作检测，测试模型性能。
所述步骤1的具体实现步骤如下：
1-1.按顺序排列脑电信号的通道，将脑电信号ref导联的21个通道按照从左到右、从前到后的顺序排列，并将长时间的脑电图分割成若干时长为4秒的数据样本，每两个相邻的样本中间有50％的重叠部分。
1-2.定义癫痫发作前的十分钟为发作前期，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。
1-3.使用采样率为1000Hz的脑电图，每一个4秒的样本为21*4000的实数矩阵，将样本中的每个通道进行离散傅里叶变换(DFT)：
Figure BDA0002387594040000021
其中，N表示每帧的长度，k＝0，...，N-1。并由下式获取各通道的幅值谱P(k)：
P(k)＝|Xk|
其中，Xk为离散傅里叶变换的结果。将得到的幅值谱去除直流分量和工频干扰，并取87Hz以下的信息，即可得到21*336维(即7056维)的原始幅值谱特征。
1-4.整理原始幅值谱特征，将21*336的特征矩阵按列平均分成4部分，即4个21*84的矩阵，再拼接成84*84的正方形特征矩阵。
步骤2中所述的设置卷积自编码器的网络结构，具体实现如下：
2-1.卷积自编码器包含编码器和解码器。本发明中的卷积自编码器，编码器(编码函数)主要由卷积层和池化层组成，解码器(解码函数)由反卷积层和反池化层组成。如图3所示的编码器为3层的自编码器，它是以模型的分类效果为标准选取的。虚线框内是一个卷积自编码器模型，它由编码器(Encoder)和解码器(Decoder)两部分组成，编码器将输入信号x变换成编码信号y，而解码器将编码信号y转换成输出信号z。
y＝f(x)
z＝g(y)＝g(f(x))
2-2.图2中显示了卷积自编码器结构，图中的矩形代表自编码器每层的输出矩阵。编码器中包含一个输入层、3个卷积层和3个最大池化层，解码器包含4反卷积层和3个上采样层。卷积层中的计算公式为：
Figure BDA0002387594040000031
其中
Figure BDA0002387594040000032
和表
Figure BDA0002387594040000033
示卷积层的第k个输入映射和第i个输出映射。符号
Figure BDA0002387594040000034
表示卷积运算，f是激活函数，Wki是第k个输入映射和第i个输出映射之间的卷积滤波器，bi表示第i个输出映射相对应的神经元的第i个偏移矩阵。本发明中的反卷积层的输入和输出是尺寸相同的矩阵，则可以使用卷积层代替反卷积层。
在每个卷积层后，使用下采样降低特征维数或使用上采样还原特征维数。这里使用最大池化层完成下采样，即滤波器的输出为输入数据的最大值，最大池化层的计算公式如下：
Figure BDA0002387594040000041
Figure BDA0002387594040000042
和表
Figure BDA0002387594040000043
示卷积层的第k个输入映射和第i个输出映射。上采样层中使用最临近插值算法进行上采样，最临近插值算法在输入矩阵中找到最临近的一个点，然后把这个点的值插入到输出矩阵中。计算公式如下：
xi＝round(xo(wi/wo))
yi＝round(yo(hi/ho))
其中，(xi，yi)、(xo，yo)为输入和输出矩阵元素坐标，wi、wo、hi和ho是输入和输出矩阵的行数和列数。
2-3.设置网络参数，网络参数如图3。其中矩阵边缘需要补0填充，表格中”same”表示填充后该层的输出矩阵的尺寸与输入矩阵相同。这里的网络参数决定了特征降维后的特征维数。如图2所示，原本的特征矩阵为84*84，而第三个最大池化层的输出(即编码器部分的输出)为3个21*21的特征矩阵，即特征矩阵经过编码器编码后，特征维数从原始7056维降至1323维。
步骤3中使用步骤1中所述的数据训练卷积自编码器，再将数据输入训练好的卷积自编码器的编码器对特征矩阵进行降维，得到低维特征，具体实现方法如下：
3-1.卷自动编码器是从训练数据中自动学习的，训练自编码器时只需适当的训练数据而不需要数据的标签。自编码器训练时可以使用随机梯度下降优化编码/解码函数的参数以最小化特征重建损失。
L(x，z)＝L(x，g(f(x)))
L表示损失函数，这里以交叉熵误差(cross entropy loss)作为损失函数。使用adam作为优化器，训练卷积自编码器。卷积自编码器训练完成后，其中的编码器就是特征降维模型，解码器中第三个最大池化层的输出即特征降维模型的输出。
3-2.将步骤1中整理好的特征矩阵输入模型，进行特征重建，得到低维特征。
步骤4中使用低维特征训练基于最近邻分类器的纠错输出编码模型。最后使用整个模型对新的脑电图进行癫痫发作检测，测试模型性能，具体实现方法如下：
4-1.使用低维特征和数据的标签训练基于最近邻分类器的纠错输出编码模型。该模型中采用一对一编码，使用10个最近邻分类器进行分类，得到编码矩阵M，根据以下公式预测样本所属类别：
Figure BDA0002387594040000051
其中，mkl为编码矩阵M中的元素，对应第k类第l个分类器的编码；sl为第l个分类器的分类结果；函数g功能为计算mkl和sl间的海明距离；
Figure BDA0002387594040000052
为预测类别。
4-2.将新的脑电图数据按照同样的方式计算幅值谱并整理成84*84的特征矩阵。输入训练好的编码器中，得到低维特征。
4-3.将降维后的低维特征输入基于最近邻分类器的纠错输出编码模型，得到测试样本的类别。
本发明有益效果如下：
本发明使用卷积自编码器滤除干扰特征，降低了模型过拟合风险，提高了癫痫发作检测精度；同时卷积自编码器减少特征维数，降低了模型学习复杂度。
将本发明所述的方法应用在癫痫患者的脑电图中，得到的总体识别率为93.25％，在相同的数据集上，若直接使用原始幅值谱进行癫痫发作检测，总体识别率仅为85.80％。对比它们对癫痫发作检测的效果，基于卷积自编码器的癫痫发作检测特征降维方法提升了总体识别率7.45％。在提高识别率的同时，卷积自编码器将原始7056维的幅值谱降维至1323维，滤除了干扰特征，降低了模型过拟合风险，减小了分类模型的计算复杂度。实现了高精度的癫痫发作检测。
附图说明
图1：癫痫发作检测算法流程图
图2：卷积自编码器结构图
图3：卷积自编码器参数设置
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。
如图1-3所示，本发明具体实现步骤如下：
步骤1：原始脑电信号经过预处理后，按顺序排列脑电信号的通道，以每4s的脑电图为一个数据样本，进行离散傅里叶变换，并获得样本的幅值谱。将样本的幅值谱整理成合适的特征矩阵。
1-1.按顺序排列脑电信号的通道，将脑电信号ref导联的21个通道按照从左到右、从前到后的顺序排列，并将长时间的脑电图分割成若干时长为4秒的数据样本，每两个相邻的样本中间有50％的重叠部分。
1-2.定义癫痫发作前的十分钟为发作前期，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。
1-3.使用采样率为1000Hz的脑电图，每一个4秒的样本为21*4000的实数矩阵，将样本中的每个通道进行离散傅里叶变换(DFT)：
Figure BDA0002387594040000061
其中，N表示每帧的长度，k＝0，...，N-1。并由下式获取各通道的幅值谱P(k)：
P(k)＝|Xk|
其中，Xk为离散傅里叶变换的结果。将得到的幅值谱去除直流分量和工频干扰，并取87Hz以下的信息，即可得到21*336维(即7056维)的原始幅值谱特征。
1-4.整理原始幅值谱特征，将21*336的特征矩阵按列平均分成4部分，即4个21*84的矩阵，再拼接成84*84的正方形特征矩阵。
步骤2中将设置卷积自编码器的网络结构。
2-1.卷积自编码器包含编码器和解码器。本发明中的卷积自编码器，编码器(编码函数)主要由卷积层和池化层组成，解码器(解码函数)由反卷积层和反池化层组成。如图3所示的编码器为3层的自编码器，它是以模型的分类效果为标准选取的。虚线框内是一个卷积自编码器模型，它由编码器(Encoder)和解码器(Decoder)两部分组成，编码器将输入信号x变换成编码信号y，而解码器将编码信号y转换成输出信号z。
y＝f(x)
z＝g(y)＝g(f(x))
2-2.图2中显示了卷积自编码器结构，图中的矩形代表自编码器每层的输出矩阵。编码器中包含一个输入层、3个卷积层和3个最大池化层，解码器包含4反卷积层和3个上采样层。卷积层中的计算公式为：
Figure BDA0002387594040000071
其中
Figure BDA0002387594040000072
和表
Figure BDA0002387594040000073
示卷积层的第k个输入映射和第i个输出映射。符号
Figure BDA0002387594040000074
表示卷积运算，f是激活函数，Wki是第k个输入映射和第i个输出映射之间的卷积滤波器，bi表示第i个输出映射相对应的神经元的第i个偏移矩阵。本发明中的反卷积层的输入和输出是尺寸相同的矩阵，则可以使用卷积层代替反卷积层。
在每个卷积层后，使用下采样降低特征维数或使用上采样还原特征维数。这里使用最大池化层完成下采样，即滤波器的输出为输入数据的最大值，最大池化层的计算公式如下：
Figure BDA0002387594040000075
Figure BDA0002387594040000076
和表
Figure BDA0002387594040000077
示卷积层的第k个输入映射和第i个输出映射。上采样层中使用最临近插值算法进行上采样，最临近插值算法在输入矩阵中找到最临近的一个点，然后把这个点的值插入到输出矩阵中。计算公式如下：
xi＝round(xo(wi/wo))
yi＝round(yo(hi/ho))
其中，(xi，yi)、(xo，yo)为输入和输出矩阵元素坐标，wi、wo、hi和ho是输入和输出矩阵的行数和列数。
2-3.设置网络参数，网络参数如图3。其中矩阵边缘需要补0填充，表格中”same”表示填充后输出矩阵的尺寸与输入矩阵相同。这里的网络参数决定了特征降维后的特征维数。如图2所示，原本的特征矩阵为84*84，而第三个最大池化层的输出(即编码器部分的输出)为3个21*21的特征矩阵，即特征矩阵经过编码器编码后，特征维数从原始7056维降至1323维。
步骤3中使用步骤1中所述的数据训练卷积自编码器，再将数据输入训练好的卷积自编码器的编码器对特征矩阵进行降维，得到低维特征，具体实现方法如下：
3-1.卷自动编码器是从训练数据中自动学习的，训练自编码器时只需适当的训练数据而不需要数据的标签。自编码器训练时可以使用随机梯度下降优化编码/解码函数的参数以最小化特征重建损失。
L(x，z)＝L(x，g(f(x)))
L表示损失函数，这里以交叉熵误差(cross entropy loss)作为损失函数。使用adam作为优化器，训练卷积自编码器。卷积自编码器训练完成后，其中的编码器就是特征降维模型，解码器中第三个最大池化层的输出即特征降维模型的输出。
3-2.将步骤1中整理好的特征矩阵输入模型，进行特征重建，得到低维特征。
步骤4中使用低维特征训练基于最近邻分类器的纠错输出编码模型。最后使用整个模型对新的脑电图进行癫痫发作检测，测试模型性能，具体实现方法如下：
4-1.使用低维特征和数据的标签训练基于最近邻分类器的纠错输出编码模型。该模型中采用一对一编码，使用10个最近邻分类器进行分类，得到编码矩阵M，根据以下公式预测样本所属类别：
Figure BDA0002387594040000091
其中，mkl为编码矩阵M中的元素，对应第k类第l个分类器的编码；sl为第l个分类器的分类结果；函数g功能为计算mkl和sl间的海明距离；
Figure BDA0002387594040000092
为预测类别。
4-2.将新的脑电图数据按照同样的方式计算幅值谱并整理成84*84的特征矩阵。输入训练好的编码器中，得到低维特征。
4-3.将降维后的低维特征输入基于最近邻分类器的纠错输出编码模型，得到测试样本的类别。

Claims (5)

1.基于深度自编码的脑电特征优化与癫痫发作检测系统，其特征在于包括如下模块：
预处理模块：将原始脑电信号进行预处理，然后按顺序排列脑电信号的通道，以每4s的脑电图为一个数据样本，进行离散傅里叶变换，并获得样本的幅值谱，将样本的幅值谱整理成合适的特征矩阵；
卷积自编码器：对特征矩阵进行降维，得到低维特征；
纠错输出编码模型：采用一对一编码，使用10个最近邻分类器进行分类，得到编码矩阵M，预测样本所属类别，得到测试样本的类别；
基于深度自编码的脑电特征优化与癫痫发作检测系统的使用方法，包括如下步骤：
步骤1：通过预处理模块将原始脑电信号进行预处理，然后按顺序排列脑电信号的通道，以每4s的脑电图为一个数据样本，进行离散傅里叶变换，并获得样本的幅值谱，将样本的幅值谱整理成合适的特征矩阵；
步骤2：设置卷积自编码器的网络结构；
步骤3：通过步骤1中的数据训练卷积自编码器，再将数据输入训练好的卷积自编码器的编码器对特征矩阵进行降维，得到低维特征；
步骤4：使用低维特征训练基于最近邻分类器的纠错输出编码模型；最后使用整个模型对新的脑电图进行癫痫发作检测，测试模型性能。
2.根据权利要求1所述的基于深度自编码的脑电特征优化与癫痫发作检测系统，其特征在于所述步骤1的具体实现步骤如下：
1-1.按顺序排列脑电信号的通道，将脑电信号ref导联的21个通道按照从左到右、从前到后的顺序排列，并将长时间的脑电图分割成若干时长为4秒的数据样本，每两个相邻的样本中间有50％的重叠部分；
1-2.定义癫痫发作前的十分钟为发作前期，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；
1-3.使用采样率为1000Hz的脑电图，每一个4秒的样本为21*4000的实数矩阵，将样本中的每个通道进行离散傅里叶变换(DFT)：
Figure FDA0003789378170000021
其中，N表示每帧的长度，k＝0，...，N-1；并由下式获取各通道的幅值谱P(k)：
P(k)＝|Xk|
其中，Xk为离散傅里叶变换的结果；将得到的幅值谱去除直流分量和工频干扰，并取87Hz以下的信息，即可得到21*336维的原始幅值谱特征；
1-4.整理原始幅值谱特征，将21*336的特征矩阵按列平均分成4部分，即4个21*84的矩阵，再拼接成84*84的正方形特征矩阵。
3.根据权利要求1或2所述的基于深度自编码的脑电特征优化与癫痫发作检测系统，其特征在于步骤2所述的设置卷积自编码器的网络结构，具体实现如下：
2-1.卷积自编码器包含编码器和解码器；其中编码器主要由卷积层和池化层组成，解码器由反卷积层和反池化层组成；编码器将输入信号x变换成编码信号y，而解码器将编码信号y转换成输出信号z；
y＝f(x)
z＝g(y)＝g(f(x))
2-2.编码器中包含一个输入层、3个卷积层和3个最大池化层，解码器包含4反卷积层和3个上采样层；卷积层中的计算公式为：
Figure FDA0003789378170000022
其中
Figure FDA0003789378170000023
和表
Figure FDA0003789378170000024
示卷积层的第k个输入映射和第i个输出映射；符号
Figure FDA0003789378170000025
表示卷积运算，f是激活函数，Wki是第k个输入映射和第i个输出映射之间的卷积滤波器，bi表示第i个输出映射相对应的神经元的第i个偏移矩阵；由于反卷积层的输入和输出是尺寸相同的矩阵，因此使用卷积层代替反卷积层；
在每个卷积层后，使用下采样降低特征维数或使用上采样还原特征维数；这里使用最大池化层完成下采样，即滤波器的输出为输入数据的最大值，最大池化层的计算公式如下：
Figure FDA0003789378170000031
Figure FDA0003789378170000033
和表
Figure FDA0003789378170000032
示卷积层的第k个输入映射和第i个输出映射；上采样层中使用最临近插值算法进行上采样，最临近插值算法在输入矩阵中找到最临近的一个点，然后把这个点的值插入到输出矩阵中；计算公式如下：
xi＝round(xo(wi/wo))
yi＝round(yo(hi/ho))
其中，(xi,yi)、(xo,yo)为输入和输出矩阵元素坐标，wi、wo、hi和ho是输入和输出矩阵的行数和列数；
2-3.设置网络参数，其中矩阵边缘需要补0填充，用标记”same”表示填充后该层的输出矩阵的尺寸与输入矩阵相同。
4.根据权利要求3所述的基于深度自编码的脑电特征优化与癫痫发作检测系统，其特征在于步骤3中使用步骤1中所述的数据训练卷积自编码器，再将数据输入训练好的卷积自编码器的编码器对特征矩阵进行降维，得到低维特征，具体实现方法如下：
3-1.卷积自编码器是从训练数据中自动学习的，训练卷积自编码器时只需训练数据而不需要数据的标签；卷积自编码器训练时使用随机梯度下降优化编码/解码函数的参数以最小化特征重建损失；
L(x,z)＝L(x,g(f(x)))
L表示损失函数，这里以交叉熵误差作为损失函数；使用adam作为优化器，训练卷积自编码器；卷积自编码器训练完成后，其中的编码器就是特征降维模型，解码器中第三个最大池化层的输出即特征降维模型的输出；
3-2.将步骤1中整理好的特征矩阵输入模型，进行特征重建，得到低维特征。
5.根据权利要求4所述的基于深度自编码的脑电特征优化与癫痫发作检测系统，其特征在于步骤4中使用低维特征训练基于最近邻分类器的纠错输出编码模型；最后使用整个模型对新的脑电图进行癫痫发作检测，测试模型性能，具体实现方法如下：
4-1.使用低维特征和数据的标签训练基于最近邻分类器的纠错输出编码模型；该模型中采用一对一编码，使用10个最近邻分类器进行分类，得到编码矩阵M，根据以下公式预测样本所属类别：
Figure FDA0003789378170000041
其中，mkl为编码矩阵M中的元素，对应第k类第l个分类器的编码；sl为第l个分类器的分类结果；函数g功能为计算mkl和sl间的海明距离；
Figure FDA0003789378170000042
为预测类别；
4-2.将新的脑电图数据按照同样的方式计算幅值谱并整理成84*84的特征矩阵；输入训练好的编码器中，得到低维特征；
4-3.将降维后的低维特征输入基于最近邻分类器的纠错输出编码模型，得到测试样本的类别。
CN202010105835.9A 2020-02-19 2020-02-19 基于深度自编码的脑电特征优化与癫痫发作检测方法 Active CN111387974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010105835.9A CN111387974B (zh) 2020-02-19 2020-02-19 基于深度自编码的脑电特征优化与癫痫发作检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010105835.9A CN111387974B (zh) 2020-02-19 2020-02-19 基于深度自编码的脑电特征优化与癫痫发作检测方法

Publications (2)

Publication Number Publication Date
CN111387974A CN111387974A (zh) 2020-07-10
CN111387974B true CN111387974B (zh) 2022-12-02

Family

ID=71410784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010105835.9A Active CN111387974B (zh) 2020-02-19 2020-02-19 基于深度自编码的脑电特征优化与癫痫发作检测方法

Country Status (1)

Country Link
CN (1) CN111387974B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113662560B (zh) * 2020-12-22 2022-05-24 北京航空航天大学 发作间期痫样放电的检测方法、存储介质和设备
CN112800928B (zh) * 2021-01-25 2024-04-09 北京工业大学 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
CN112826512B (zh) * 2021-02-05 2022-11-25 南京慧脑云计算有限公司 一种癫痫棘波自动检测与峰值定位方法
CN113673562B (zh) * 2021-07-15 2024-07-16 浙江大华技术股份有限公司 一种特征增强的方法、目标分割方法、装置和存储介质
CN113647962B (zh) * 2021-08-20 2023-09-22 天津大学 基于深度学习集成模型的癫痫定位与发作预测方法
CN114532994B (zh) * 2022-03-23 2023-07-28 电子科技大学 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法
CN115524027A (zh) * 2022-10-31 2022-12-27 杭州宇嘉微科技有限公司 无源无线接触式温度监测系统及其方法
CN116712089B (zh) * 2023-07-26 2024-03-22 华南师范大学 富集癫痫发作间期的癫痫样放电和预测致病灶的方法
CN117493967B (zh) * 2023-11-15 2024-07-19 潮州深能城市燃气发展有限公司 一种天然气加臭罐出口过滤系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101259016A (zh) * 2007-03-06 2008-09-10 李小俚 实时自动检测癫痫特征波的方法
CN106909784A (zh) * 2017-02-24 2017-06-30 天津大学 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法
CN110289081A (zh) * 2019-05-14 2019-09-27 杭州电子科技大学 深度网络堆栈模型自适应加权特征融合的癫痫检测方法
CN110693493A (zh) * 2019-10-12 2020-01-17 北京工业大学 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150282755A1 (en) * 2014-04-02 2015-10-08 King Fahd University Of Petroleum And Minerals System and method for detecting seizure activity

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101259016A (zh) * 2007-03-06 2008-09-10 李小俚 实时自动检测癫痫特征波的方法
CN106909784A (zh) * 2017-02-24 2017-06-30 天津大学 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法
CN110289081A (zh) * 2019-05-14 2019-09-27 杭州电子科技大学 深度网络堆栈模型自适应加权特征融合的癫痫检测方法
CN110693493A (zh) * 2019-10-12 2020-01-17 北京工业大学 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法

Also Published As

Publication number Publication date
CN111387974A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
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
CN107844755B (zh) 一种结合dae和cnn的脑电信号特征提取与分类方法
CN111832416B (zh) 一种基于增强卷积神经网络的运动想象脑电信号识别方法
CN108491077B (zh) 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法
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
CN114266276B (zh) 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法
CN112244873A (zh) 一种基于混合神经网络的脑电时空特征学习与情感分类方法
CN111461201B (zh) 基于相空间重构的传感器数据分类方法
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
CN114366124B (zh) 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法
CN110289081B (zh) 深度网络堆栈模型自适应加权特征融合的癫痫检测方法
CN114176607B (zh) 一种基于视觉Transformer的脑电信号分类方法
CN114093501B (zh) 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法
CN113180659B (zh) 一种基于三维特征和空洞全卷积网络的脑电情感识别方法
CN113158964A (zh) 一种基于残差学习和多粒度特征融合的睡眠分期方法
CN112465069A (zh) 一种基于多尺度卷积核cnn的脑电情绪分类方法
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
CN113974655A (zh) 一种基于脑电信号的癫痫发作预测方法
CN116842361A (zh) 基于时频注意力混合深度网络的癫痫脑电信号识别方法
CN117909822A (zh) 基于多尺度注意力的癫痫自动检测方法
CN114841216B (zh) 一种基于模型不确定性学习的脑电信号分类方法
CN116049655A (zh) 一种基于深度学习的癫痫多类别分类方法及系统
CN114469137B (zh) 基于空时特征融合模型的跨领域脑电情感识别方法及系统
CN115530846A (zh) 头皮脑电图棘波检测方法及系统
CN115017960A (zh) 一种基于时空联合mlp网络的脑电信号分类方法及应用

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