CN111588375B - 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法 - Google Patents

Abstract

本发明提供了一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，包括采用两个切比雪夫Ⅰ型数字带通滤波器分别获取原始脑电信号80Hz‑250Hz和250Hz‑500Hz频率范围的信号分量，并利用移动窗技术将滤波后的脑电信号截成多个持续时间为100ms的小段信号，得到80Hz‑250Hz和250Hz‑500Hz两类脑电信号段；利用得到的两类脑电信号段分别训练两个栈式稀疏自编码器；利用训练后的栈式稀疏自编码器编码部分和softmax分类器的参数重构网络，形成两个栈式稀疏自编码模型；利用得到的两个栈式稀疏自编码模型分别检测80Hz‑250Hz脑电信号段中的涟波和250Hz‑500Hz脑电信号段中的快速涟波。本发明的有益效果是：实现癫痫脑电信号中涟波和快速涟波的快速和自动检测，协助医生诊断和治疗癫痫。

Description

一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法

技术领域

本发明涉及癫痫脑电信号处理领域，尤其涉及一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法。

背景技术

癫痫的诊断和治疗常常依赖于患者临床发作期或发作间期脑电图中异常放电的精确检测。高频振荡节律是脑电图记录的反映神经元同步瞬变的脑电活动。根据频率范围，高频振荡节律通常可以分为涟波(ripples,80-200Hz)、快速涟波(fast ripples,250-500Hz)和超高频振荡节律(very high frequency oscillations,1000-2500Hz)。由于超高频振荡节律的频率高，难以被常规电极记录，所以研究的重点是80-500Hz的涟波和快速涟波。近20年来，大量研究表明高频振荡节律是癫痫发作始发区的显著生物标志物，它们在癫痫发作始发区的平均发生率更高，且具有明显的特异性，可以用来确定癫痫发作始发区，协助医生诊断和治疗癫痫。

对脑电信号进行带通滤波后，在涟波和快速涟波频带范围内进行目视检查是检测高频振荡节律的常规方法。但脑电信号瞬态持续时间短、振幅低、具有非平稳性，在长期的脑电记录中目视检查高频振荡节律是一项费时费力的工作。因此，亟需寻找一种能快速和自动检测高频振荡节律的方法。同时，考虑到涟波和快速涟波的作用机制和电生理特性不同，分别对涟波和快速涟波频带的脑电信号进行处理，有利于提高高频振荡节律(涟波和快速涟波)的检测精度。

目前，大部分高频振荡节律检测方法是通过观察或统计学分析得到信号的特征，然后基于这些特征进行高频振荡节律的检测。这些特征包括模糊熵、短时能量、功率比和线长等。但是由于临床环境的复杂性，如低信噪比、癫痫手术室的环境噪声干扰等，根据这些方法设计的高频振荡节律检测器尚未得到临床的应用。近年来，深度学习技术被广泛用于大数据抽象特征的自动提取。栈式稀疏自编码器是目前最先进的深度学习算法之一，与传统算法相比，它在模型性能上有很大的优势，并且在组织病理学图像分析中取得了较好的效果。因此有望利用栈式稀疏自编码器提取高频振荡节律的特征，实现高频振荡节律的快速和自动检测，进而促进高频振荡节律在临床中的应用。

发明内容

为了解决上述问题，本发明提供了一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，采用两个切比雪夫Ⅰ型数字带通滤波器分别获取原始脑电信号80Hz-250 Hz和250Hz-500 Hz频率范围的信号分量，并利用移动窗技术将滤波后的脑电信号截成多个持续时间为100ms的小段信号，得到80Hz-250 Hz和250Hz-500 Hz两类脑电信号段；利用得到的两类脑电信号段分别训练两个栈式稀疏自编码器；利用训练后的栈式稀疏自编码器编码部分和softmax分类器的参数重构网络，形成两个栈式稀疏自编码模型；利用得到的两个栈式稀疏自编码模型分别检测80Hz-250 Hz脑电信号段中的涟波和250Hz-500 Hz脑电信号段中的快速涟波。

具体包括以下步骤：

S101：采用通带频率为80Hz-250Hz的切比雪夫Ⅰ型数字带通滤波器获取原始脑电信号中80Hz-250Hz频率范围的脑电信号；采用通带频率为250Hz-500 Hz的切比雪夫Ⅰ型数字带通滤波器获取原始脑电信号中250Hz-500 Hz频率范围的脑电信号；

S102：采用移动窗技术，分别将所述80Hz-250Hz频率范围的脑电信号和所述250Hz-500 Hz频率范围的脑电信号截成多小段信号，得到80Hz-250 Hz脑电信号段和250Hz-500 Hz脑电信号段；

S103：针对涟波和快速涟波分别设计栈式稀疏自编码模型，并分别用来检测80Hz-250 Hz脑电信号段中的涟波和250Hz-500 Hz脑电信号段中的快速涟波。

进一步地，步骤S101中，采用脑电信号记录仪器采集原始脑电信号；其中，一个脑电记录仪具有多个导联，各个导联与大脑接触并记录接触点产生的脑电信号。

进一步地，步骤S101中，切比雪夫Ⅰ型数字带通滤波器的传递函数如下式所示：

上式中，max(M,N)为切比雪夫Ⅰ型数字带通滤波器的阶数；M为切比雪夫Ⅰ型数字带通滤波器传递函数分子多项式的阶数；N为切比雪夫Ⅰ型数字带通滤波器传递函数分母多项式的阶数；b_m是分子第m阶的系数；a_n是分母第n阶的系数；z是待滤波信号，即原始脑电信号。

进一步地，步骤S102中，在得到80Hz-250 Hz频率范围的脑电信号和250Hz-500 Hz频率范围的脑电信号的基础上，采用移动窗技术，将每个导联记录的长段脑电信号截成多个持续时间为100ms的小段信号，得到80Hz-250 Hz和250Hz-500 Hz两类脑电信号段，即80Hz-250 Hz脑电信号段和250Hz-500 Hz脑电信号段；其中，第r段脑电信号x_r如下式所示：

上式中，

是滤波后长段脑电信号中第rL_w个序列的幅值(脑电信号时间序列的第rL_w个值)；L_w是移动窗的窗长。

进一步地，步骤S103中，针对涟波和快速涟波分别设计栈式稀疏自编码模型，并分别用来检测80Hz-250 Hz脑电信号段中的涟波和250Hz-500 Hz脑电信号段中的快速涟波；具体为：

S201：针对涟波设计的第一栈式稀疏自编码模型和针对快速涟波设计的第二栈式稀疏自编码模型各选择5个候选模型结构；

S202：利用临床标记的涟波和正常活动信号段组成第一数据集，利用临床标记的快速涟波和正常活动信号段组成第二数据集，第一数据集和第二数据集的信号段长度均为L_w，并采用第一数据集和第二数据集分别对所述第一栈式稀疏自编码模型的5个候选模型和所述第二栈式稀疏自编码模型的5个候选模型进行训练和测试，得到所述第一栈式稀疏自编码模型的5个候选模型分别对应的特异性和灵敏度和所述第二栈式稀疏自编码模型的5个候选模型分别对应的特异性和灵敏度；

S203：选择所述第一栈式稀疏自编码模型的5个候选模型中特异性和灵敏度均最高的模型作为第一最佳栈式稀疏自编码模型；若特异性和灵敏度不是同时最高，则选择灵敏度最高的模型作为最终的第一最佳栈式稀疏自编码模型；

选择所述第二栈式稀疏自编码模型的5个候选模型中特异性和灵敏度均最高的模型作为第二最佳栈式稀疏自编码模型；若特异性和灵敏度不是同时最高，则选择灵敏度最高的模型作为第二最佳栈式稀疏自编码模型；

S204：采用第一最佳栈式稀疏自编码模型检测所述80Hz-250 Hz脑电信号段中的涟波，采用第二最佳栈式稀疏自编码模型检测所述250Hz-500 Hz脑电信号段中的快速涟波。

进一步地，步骤S201中，第一栈式稀疏自编码模型用来检测80Hz-250 Hz脑电信号段中的涟波，其5个候选模型结构的隐藏层节点数m₁-m₂分别为150-120、120-90、90-60、60-30和30-10；第二栈式稀疏自编码模型用来检测250Hz-500Hz脑电信号段中的快速涟波，其5个候选模型结构的隐藏层节点数m₁-m₂分别为200-150、150-120、120-90、90-60和60-30；m₁-m₂表示栈式稀疏自编码模型的第一个隐藏层的节点数是m₁，第二个隐藏层的节点数是m₂。

进一步地，步骤S202中，所述第一数据集包括多个带标签的涟波信号段和多个带标签的正常活动信号段，所述第二数据集包括多个带标签的快速涟波信号段和多个带标签的正常活动信号段；

利用第一数据集和第二数据集分别对所述第一栈式稀疏自编码模型的5个候选模型中的某个候选模型和所述第二栈式稀疏自编码模型的5个候选模型中的某个候选模型进行训练和测试，具体包括：

S301：从第一数据集中随机选择80％信号段作为第一训练数据集，用来训练第一栈式稀疏自编码模型，剩余的20％信号段作为第一测试数据集，用来测试第一栈式稀疏自编码模型的性能；

从第二数据集中随机选择80％信号段作为第二训练数据集，用来训练第二栈式稀疏自编码模型，剩余的20％信号段作为第二测试数据集，用来测试第二栈式稀疏自编码模型的性能；

S302：将所述第一训练数据集作为所述第一栈式稀疏自编码模型的训练数据，采用逐层贪婪法对所述第一栈式稀疏自编码模型进行训练，得到训练好的第一栈式稀疏自编码模型；

将所述第二训练数据集作为所述第二栈式稀疏自编码模型的训练数据，采用逐层贪婪法对所述第二栈式稀疏自编码模型进行训练，得到训练好的第二栈式稀疏自编码模型；

S303：采用第一测试数据集对所述训练好的第一栈式稀疏自编码模型进行测试，采用第二测试数据集对所述训练好的第二栈式稀疏自编码模型进行测试；并计算第一栈式稀疏自编码模型和第二栈式稀疏自编码模型各自测试得到的特异性和灵敏度两个指标。

进一步地，步骤S303中，SEN和SPE的定义如下式所示：

上式中，SEN为灵敏度，表示被正确检测的高频振荡节律数量占总高频振荡节律数量的比例；SPE为特异性，表示被正确检测的正常脑电活动数量占总正常脑电活动数量的比例；TP表示被正确检测的高频振荡节律的数量，TN表示被正确检测的正常脑电活动的数量，FP表示正常脑电活动被错误检测为高频振荡节律的数量，FN表示高频振荡节律被错误检测为正常脑电活动的数量。

本发明提供的技术方案带来的有益效果是：实现癫痫脑电信号中涟波和快速涟波的快速和自动检测，协助医生诊断和治疗癫痫。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例中一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法的流程图；

图2是本发明实施例中患者1导联1的80Hz-250 Hz切比雪夫带通滤波结果；

图3是本发明实施例中患者1导联1的250Hz-500 Hz切比雪夫带通滤波结果；

图4是本发明实施例中采用移动窗技术得到的部分脑电信号段；

图5是本发明实施例中自编码器的结构示意图；

图6是本发明实施例中栈式稀疏自编码的器结构示意图；

图7是本发明实施例中栈式稀疏自编码模型。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明的实施例提供了一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法；

请参考图1，图1是本发明实施例中一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法的流程图，具体包括如下步骤：

S101：采用通带频率为80Hz-250Hz的切比雪夫Ⅰ型数字带通滤波器获取原始脑电信号中80Hz-250Hz频率范围的脑电信号；采用通带频率为250Hz-500 Hz的切比雪夫Ⅰ型数字带通滤波器获取原始脑电信号中250Hz-500 Hz频率范围的脑电信号；

S102：采用移动窗技术，分别将所述80Hz-250Hz频率范围的脑电信号和所述250Hz-500 Hz频率范围的脑电信号截成多小段信号，得到80Hz-250 Hz脑电信号段和250Hz-500 Hz脑电信号段；

S103：针对涟波和快速涟波分别设计栈式稀疏自编码模型，并分别用来检测80Hz-250 Hz脑电信号段中的涟波和250Hz-500 Hz脑电信号段中的快速涟波。

步骤S101中，(由于涟波和快速涟波的作用机制和电生理特性不同，分别对涟波和快速涟波频带的脑电信号进行处理，有利于提高涟波和快速涟波的检测精度)采用脑电信号记录仪器采集原始脑电信号；其中一个脑电记录仪具有多个(几个到几十个不等)导联，各个导联与大脑接触并记录接触点产生的脑电信号。

步骤S101中，切比雪夫Ⅰ型数字带通滤波器的传递函数如下式所示：

上式中，max(M,N)为切比雪夫Ⅰ型数字带通滤波器的阶数；M为切比雪夫Ⅰ型数字带通滤波器传递函数分子多项式的阶数；N为切比雪夫Ⅰ型数字带通滤波器传递函数分母多项式的阶数；b_m是分子第m阶的系数；a_n是分母第n阶的系数；z是待滤波信号，即原始脑电信号。

本发明实施例中，采集到的具体脑电信号如附图2和3所示。

附图2(a)是患者1导联1采集到的原始脑电信号，附图2(b)是80Hz-250 Hz带通滤波得到的脑电信号时域图，附图2(c)是80Hz-250 Hz带通滤波得到的脑电信号幅值谱。从图2中可以看出，80Hz-250 Hz带通滤波后，得到的脑电信号的频率限制在80Hz-250 Hz范围。

附图3(a)是患者1导联1采集到的原始脑电信号，附图3(b)是250Hz-500 Hz带通滤波得到的脑电信号时域图，附图3(c)是250Hz-500 Hz带通滤波得到的脑电信号幅值谱。从图3中可以看出，250Hz-500 Hz带通滤波后，得到的脑电信号的频率限制在250Hz-500 Hz范围。

从附图2和图3可以得出以下结论：经过两个切比雪夫Ⅰ型数字带通滤波器后，分别得到了80Hz-250 Hz和250Hz-500 Hz频率范围的脑电信号。因此，可以分别处理这两类脑电数据，在80Hz-250 Hz脑电信号中检测涟波，在250Hz-500Hz脑电信号中检测快速涟波。

步骤S102中，在得到80Hz-250 Hz频率范围的脑电信号和250Hz-500 Hz频率范围的脑电信号的基础上，采用移动窗技术，将每个导联记录的长段脑电信号(逐个处理每个导联记录的长段脑电信号时间序列)，截成多个持续时间为100ms的小段信号，得到80Hz-250Hz和250Hz-500 Hz两类脑电信号段，即80Hz-250Hz脑电信号段和250Hz-500 Hz脑电信号段；移动窗技术分段的部分结果如附图4所示；其中，第r段脑电信号x_r如下式所示：

上式中，

是滤波后长段脑电信号中第rL_w个序列的幅值(脑电信号时间序列的第rL_w个值)；L_w是移动窗的窗长。

步骤S103中，栈式稀疏自编码模型的设计方法具体如下：

(3-1)：自编码器：自编码器是一种无监督的神经网络模型，它包含输入层、隐藏层和输出层，如附图5所示。自编码器的实现具体步骤如下：

Step 1：编码：若给定无标签的输入数据向量x＝[x₁,x₂,L,x_n]^T，则经过编码得到隐藏层的激活值(输入数据的特征)h＝[h₁,h₂,L,h_m]^T，n和m分别是输入节点和隐藏层节点数目。计算公式如下：

h＝f(W⁽¹⁾x+b⁽¹⁾),

式中，W⁽¹⁾∈R^m×n是输入层到隐藏层的权重矩阵，b⁽¹⁾∈R^m是隐藏层的偏置向量，f(z)是激活函数；

Step 2：解码：将编码得到的特征进行解码，重构输入数据，得到输入数据的重构向量

计算公式如下：

式中，W⁽²⁾∈R^n×m是隐藏层到输出层的权重矩阵，b⁽²⁾∈R^m是输出层的偏置向量；

Step 3：最小化代价函数：假设输入数据集为{x⁽¹⁾,x⁽²⁾,L,x^(k)}，则自编码器的代价函数如下：

式中，J_weight是L₂正则项，λ是L₂正则项的权重衰减系数，L是隐藏层数目，s_l是第l层的节点数目。

(3-2)：稀疏自编码器：通过在自编码器的隐藏层节点上增加稀疏性限制来实现稀疏自编码器。实现稀疏自编码器的具体步骤如下：

Step 1：注意到h_j(x)表示输入向量x对隐藏层节点j的激活值，所以所有输入向量对隐藏层节点j的平均激活值为：

Step 2：通过令所有隐藏层节点的平均激活值

接近一个足够小的实数p来实现稀疏性。为此，引入KL散度描述它们之间的接近程度，则稀疏自编码器的代价函数J_SAEcost可表示为如下形式：

J_SAEcost＝J_cost+J_sparsity

式中，J_sparsity是稀疏惩罚项，β是控制稀疏惩罚项的权重系数。

(3-3)：栈式稀疏自编码器：增加稀疏自编码器的隐藏层数量，可以提取到输入数据更高阶的抽象特征。因此，将两个稀疏自编码器堆叠在一起，形成一个具有两层隐藏层的栈式稀疏自编码器，如附图6所示。在附图6中，第一个稀疏自编码器提取的特征h⁽¹⁾作为第二个稀疏自编码器的输入，第二个稀疏自编码器提取更高阶的抽象特征h⁽²⁾。

(3-4)：softmax分类器：在设计了栈式稀疏自编码器的基础上，通过增加softmax分类器来分类步骤二中得到的脑电信号段中的涟波和快速涟波。softmax分类器是一种有监督的多标签分类模型。给定带标签(涟波、快速涟波、正常活动)的数据集{(z⁽¹⁾,y⁽¹⁾),(z⁽²⁾,y⁽²⁾),L,(z^(k),y^(k))}，z^(k)∈R^c是第二个稀疏自编码器提取的特征向量h⁽²⁾，y^(k)∈[1,2]是与z^(k)相对应的标签。若y^(k)＝1，则表示与z^(k)相对应的脑电信号段是高频振荡节律(涟波或快速涟波)活动；若y^(k)＝2，则表示与z^(k)相对应的脑电信号段是正常脑电活动。通过最小化softmax分类器的代价函数来估计脑电信号段的标签，从而实现自动检测脑电信号段中涟波和快速涟波的目的。softmax分类器的代价函数如下：

式中，θ是softmax分类器的参数，λ是权重衰减系数，1{y⁽ⁱ⁾＝j}是示性函数，当y⁽ⁱ⁾等于j时，其值为1；否则，其值为0。

(3-5)：栈式稀疏自编码模型：在设计的栈式稀疏自编码器的基础上，为了降低训练复杂度和避免训练过程中出现梯度弥散问题，采用逐层贪婪法训练模型。将训练后的第一个和第二个稀疏自编码器的编码部分和softmax分类器的参数提取出来，重构网络，形成栈式稀疏自编码模型。具体步骤如下：

Step 1：将在步骤二中得到的脑电数据段作为输入，训练第一个稀疏自编码器，得到特征h⁽¹⁾。

Step 2：将特征h⁽¹⁾作为输入，训练第二个稀疏自编码器，得到特征h⁽²⁾。

Step 3：将上述训练好的第一个和第二个稀疏自编码器的编码部分以及softmax分类器连接在一起，将有标签的数据集{(z⁽¹⁾,y⁽¹⁾),(z⁽²⁾,y⁽²⁾),…,(z^(k),y^(k))}(z^(k)是第k个训练样本，y^(k)是第k个训练样本的标签)作为输入，微调网络的各层参数(通过随机梯度下降法调整第一个稀疏自编码器的编码权重W⁽¹⁾和偏置b⁽¹⁾、第二个稀疏自编码器的编码权重W⁽²⁾和偏置b⁽²⁾以及softmax分类器的参数θ)；

Step 4：在Step 3微调后，将第一个和第二个稀疏自编码器的编码部分和softmax分类器的参数提取出来，重构网络，形成栈式稀疏自编码模型，如附图7所示。

Step 5：针对80Hz-250 Hz和250Hz-500 Hz两部分脑电信号段，根据以上step1～step4四步，设计两个栈式稀疏自编码模型，分别用来检测80Hz-250 Hz脑电信号段中的涟波和250Hz-500 Hz脑电信号段中的快速涟波。

步骤S103中，针对涟波和快速涟波分别设计栈式稀疏自编码模型，并分别用来检测80Hz-250 Hz脑电信号段中的涟波和250Hz-500 Hz脑电信号段中的快速涟波；具体为：

在栈式稀疏自编码模型中，隐藏层的数量和隐藏层节点的数量会对检测结果产生影响，且通常根据经验设置栈式稀疏自编码模型的隐藏层及其节点的数量。

因此，针对涟波和快速涟波分别设计栈式稀疏自编码模型，具体如下：

S201：根据经验，本实施例针对涟波设计的第一栈式稀疏自编码模型和针对快速涟波设计的第二栈式稀疏自编码模型各选择5个候选模型结构；

S202：利用临床标记的涟波和正常活动信号段组成第一数据集，利用临床标记的快速涟波和正常活动信号段组成第二数据集，第一数据集和第二数据集的信号段长度均为L_w，并采用第一数据集和第二数据集分别对所述第一栈式稀疏自编码模型的5个候选模型和所述第二栈式稀疏自编码模型的5个候选模型进行训练和测试，得到所述第一栈式稀疏自编码模型的5个候选模型分别对应的特异性和灵敏度和所述第二栈式稀疏自编码模型的5个候选模型分别对应的特异性和灵敏度；

S203：选择所述第一栈式稀疏自编码模型的5个候选模型中特异性和灵敏度均最高的模型作为第一最佳栈式稀疏自编码模型；若特异性和灵敏度不是同时最高，则选择灵敏度最高的模型作为最终的第一最佳栈式稀疏自编码模型；

选择所述第二栈式稀疏自编码模型的5个候选模型中特异性和灵敏度均最高的模型作为第二最佳栈式稀疏自编码模型；若特异性和灵敏度不是同时最高，则选择灵敏度最高的模型作为第二最佳栈式稀疏自编码模型；

S204：采用第一最佳栈式稀疏自编码模型检测所述80Hz-250 Hz脑电信号段中的涟波，采用第二最佳栈式稀疏自编码模型检测所述250Hz-500 Hz脑电信号段中的快速涟波。

步骤S201中，第一栈式稀疏自编码模型用来检测80Hz-250 Hz脑电信号段中的涟波，其5个候选模型结构的隐藏层节点数m₁-m₂分别为150-120、120-90、90-60、60-30和30-10；第二栈式稀疏自编码模型用来检测250Hz-500Hz脑电信号段中的快速涟波，其5个候选模型结构的隐藏层节点数m₁-m₂分别为200-150、150-120、120-90、90-60和60-30；m₁-m₂表示栈式稀疏自编码模型的第一个隐藏层的节点数是m₁，第二个隐藏层的节点数是m₂；

此外，设置L₂正则项的参数λ＝0.001，稀疏性参数ρ＝0.05，稀疏性参数惩罚系数β＝1。

步骤S202中，所述第一数据集和第二数据集均包括多个带标签的涟波信号段(或快速涟波信号段)和多个带标签的正常脑电活动信号段(本实施例中第一数据集包括121056个涟波信号段和121056个正常脑电活动信号段，第二数据集包括30242个快速涟波信号段和30242个正常脑电活动信号段)；

利用第一数据集和第二数据集分别对所述第一栈式稀疏自编码模型的5个候选模型中的某个候选模型和所述第二栈式稀疏自编码模型的5个候选模型中的某个候选模型进行训练和测试，具体包括：

S301：从第一数据集中随机选择80％信号段(即193689个信号段，涟波信号段与正常活动信号段1:1)作为第一训练数据集，用来训练第一栈式稀疏自编码模型，剩余的20％信号段(即48423个信号段，涟波信号段与正常活动信号段1:1)作为第一测试数据集，用来测试第一栈式稀疏自编码模型的性能；

从第二数据集中随机选择80％信号段(即48387个信号段，快速涟波信号段与正常活动信号段1:1)作为第二训练数据集，用来训练第二栈式稀疏自编码模型，剩余的20％信号段(即12097个信号段，快速涟波信号段与正常活动信号段1:1)作为第二测试数据集，用来测试第二栈式稀疏自编码模型的性能；

S302：将所述第一训练数据集作为所述第一栈式稀疏自编码模型的训练数据，采用逐层贪婪法(逐层贪婪法训练是每次只训练一个隐藏层，直到训练完成所有隐藏层的方法。在训练每层隐藏层时采用随机梯度下降法调整自编码器网络的权重和偏置)对所述第一栈式稀疏自编码模型进行训练，得到训练好的第一栈式稀疏自编码模型；

将所述第二训练数据集作为所述第二栈式稀疏自编码模型的训练数据，采用逐层贪婪法对所述第二栈式稀疏自编码模型进行训练，得到训练好的第二栈式稀疏自编码模型(分别训练第一个和第二个栈式稀疏自编码器，经过微调后，得到两个栈式稀疏自编码模型)；

S303：采用第一测试数据集对所述训练好的第一栈式稀疏自编码模型进行测试，采用第二测试数据集对所述训练好的第二栈式稀疏自编码模型进行测试；并计算第一栈式稀疏自编码模型和第二栈式稀疏自编码模型各自测试得到的灵敏度(SEN)和特异性(SPE)两个指标。

步骤S303中，SEN和SPE的定义如下式所示：

上式中，SEN为灵敏度，表示被正确检测的高频振荡节律(涟波或快速涟波)数量占总高频振荡节律(涟波或快速涟波)数量的比例；SPE为特异性，表示被正确检测的正常脑电活动数量占总正常脑电活动数量的比例；TP表示被正确检测的高频振荡节律(涟波或快速涟波)的数量，TN表示被正确检测的正常脑电活动的数量，FP表示正常脑电活动被错误检测为高频振荡节律(涟波或快速涟波)的数量，FN表示高频振荡节律(涟波或快速涟波)被错误检测为正常脑电活动的数量；

SEN和SPE的值越大，表明栈式稀疏自编码模型预测的结果与临床检查的结果越接近，模型的性能越好。

本发明实施例中，得到的测试结果如表1和表2所示。

表1第一栈式稀疏自编码模型检测涟波的结果

表1是第一栈式稀疏自编码模型检测涟波的结果。可以看出，该模型的5个候选结构得到的SEN和SPE在87％以上。但隐藏层节点数为90-60的模型结构得到的SEN和SPE最高，因此选择具有该结构的模型作为检测涟波的栈式稀疏自编码模型。

表2第二栈式稀疏自编码模型检测快速涟波的结果

表2是第二栈式稀疏自编码模型检测快速涟波的结果。可以看出，该模型的5个候选结构得到的SEN和SPE相差较大，其中SEN最高为83.2％(隐藏层节点152-120)和SEP最高为91.9％(隐藏层节点60-30)。根据模型的应用准则不同，可以选择不同的模型结构。在保证良好SPE的情况下，为了提高SEN，本实施例选择隐藏层节点数为150-120的模型作为检测快速涟波的栈式稀疏自编码模型。

本发明基于其技术方案所具有的有益效果在于：

(1)本发明的一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，首先设计两个切比雪夫Ⅰ型数字带通滤波器，分别用来获取80Hz-250 Hz和250Hz-500 Hz频带的脑电信号。然后采用移动窗技术，将长段的脑电信号截成多个持续时间为100ms的信号段，并给出其相关计算公式，为实现自动检测涟波和快速涟波奠定了基础；

(2)本发明的一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，通过两个栈式稀疏自编码器模型，分别自动提取80Hz-250 Hz和250Hz-500 Hz两部分脑电信号段的高阶抽象特征，并利用提取到的特征自动检测涟波和快速涟波，相对于其他同类机器学习模型，具有更高的检测精度；

(3)本发明的一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，分别处理涟波和快速涟波，并基于临床数据进行仿真实验，实现了癫痫脑电信号中涟波和快速涟波的快速和自动检测，有利于促进高频振荡节律在临床中的应用，从而协助医生诊断和治疗癫痫。

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 (7)

1.一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，其特征在于：包括以下步骤：

S101：采用通带频率为80Hz-250Hz的切比雪夫Ⅰ型数字带通滤波器获取原始脑电信号中80Hz-250Hz频率范围的脑电信号；采用通带频率为250Hz-500Hz的切比雪夫Ⅰ型数字带通滤波器获取原始脑电信号中250Hz-500Hz频率范围的脑电信号；

S102：采用移动窗技术，分别将所述80Hz-250Hz频率范围的脑电信号和所述250Hz-500Hz频率范围的脑电信号截成多小段信号，得到80Hz-250Hz脑电信号段和250Hz-500Hz脑电信号段；

S103：针对涟波和快速涟波分别设计栈式稀疏自编码模型，并分别用来检测80Hz-250Hz脑电信号段中的涟波和250Hz-500Hz脑电信号段中的快速涟波；

其中，步骤S103中，针对涟波和快速涟波分别设计栈式稀疏自编码模型，并分别用来检测80Hz-250Hz脑电信号段中的涟波和250Hz-500Hz脑电信号段中的快速涟波；具体为：

S201：针对涟波设计的第一栈式稀疏自编码模型和针对快速涟波设计的第二栈式稀疏自编码模型各选择5个候选模型结构；

S202：利用临床标记的涟波和正常活动信号段组成第一数据集，利用临床标记的快速涟波和正常活动信号段组成第二数据集，第一数据集和第二数据集的信号段长度均为L_w，并采用第一数据集和第二数据集分别对所述第一栈式稀疏自编码模型的5个候选模型和所述第二栈式稀疏自编码模型的5个候选模型进行训练和测试，得到所述第一栈式稀疏自编码模型的5个候选模型分别对应的特异性和灵敏度和所述第二栈式稀疏自编码模型的5个候选模型分别对应的特异性和灵敏度；

S203：选择所述第一栈式稀疏自编码模型的5个候选模型中特异性和灵敏度均最高的模型作为第一最佳栈式稀疏自编码模型；若特异性和灵敏度不是同时最高，则选择灵敏度最高的模型作为最终的第一最佳栈式稀疏自编码模型；

选择所述第二栈式稀疏自编码模型的5个候选模型中特异性和灵敏度均最高的模型作为第二最佳栈式稀疏自编码模型；若特异性和灵敏度不是同时最高，则选择灵敏度最高的模型作为第二最佳栈式稀疏自编码模型；

S204：采用第一最佳栈式稀疏自编码模型检测所述80Hz-250Hz脑电信号段中的涟波，采用第二最佳栈式稀疏自编码模型检测所述250Hz-500Hz脑电信号段中的快速涟波。

2.如权利要求1所述的一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，其特征在于：步骤S101中，采用脑电信号记录仪器采集原始脑电信号；其中，一个脑电记录仪具有多个导联，各个导联与大脑接触并记录接触点产生的脑电信号。

3.如权利要求1所述的一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，其特征在于：步骤S101中，切比雪夫Ⅰ型数字带通滤波器的传递函数如下式所示：

上式中，max(M,N)为切比雪夫Ⅰ型数字带通滤波器的阶数；M为切比雪夫Ⅰ型数字带通滤波器传递函数分子多项式的阶数；N为切比雪夫Ⅰ型数字带通滤波器传递函数分母多项式的阶数；b_m是分子第m阶的系数；a_n是分母第n阶的系数；z是待滤波信号，即原始脑电信号。

4.如权利要求1所述的一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，其特征在于：步骤S102中，在得到80Hz-250Hz频率范围的脑电信号和250Hz-500Hz频率范围的脑电信号的基础上，采用移动窗技术，将每个导联记录的长段脑电信号截成多个持续时间为100ms的小段信号，得到80Hz-250Hz和250Hz-500Hz两类脑电信号段，即80Hz-250Hz脑电信号段和250Hz-500Hz脑电信号段；其中，第r段脑电信号x_r如下式所示：

上式中，

是滤波后长段脑电信号中第rL_w个序列的幅值，即脑电信号时间序列的第rL_w个值；L_w是移动窗的窗长。

5.如权利要求1所述的一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，其特征在于：步骤S201中，第一栈式稀疏自编码模型用来检测80Hz-250Hz脑电信号段中的涟波，其5个候选模型结构的隐藏层节点数m₁-m₂分别为150-120、120-90、90-60、60-30和30-10；第二栈式稀疏自编码模型用来检测250Hz-500Hz脑电信号段中的快速涟波，其5个候选模型结构的隐藏层节点数m₁-m₂分别为200-150、150-120、120-90、90-60和60-30；m₁-m₂表示栈式稀疏自编码模型的第一个隐藏层的节点数是m₁，第二个隐藏层的节点数是m₂。

6.如权利要求5所述的一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，其特征在于：步骤S202中，所述第一数据集包括多个带标签的涟波信号段和多个带标签的正常活动信号段，所述第二数据集包括多个带标签的快速涟波信号段和多个带标签的正常活动信号段；

利用第一数据集和第二数据集分别对所述第一栈式稀疏自编码模型的5个候选模型中的某个候选模型和所述第二栈式稀疏自编码模型的5个候选模型中的某个候选模型进行训练和测试，具体包括：

S301：从第一数据集中随机选择80％信号段作为第一训练数据集，用来训练第一栈式稀疏自编码模型，剩余的20％信号段作为第一测试数据集，用来测试第一栈式稀疏自编码模型的性能；

从第二数据集中随机选择80％信号段作为第二训练数据集，用来训练第二栈式稀疏自编码模型，剩余的20％信号段作为第二测试数据集，用来测试第二栈式稀疏自编码模型的性能；

S302：将所述第一训练数据集作为所述第一栈式稀疏自编码模型的训练数据，采用逐层贪婪法对所述第一栈式稀疏自编码模型进行训练，得到训练好的第一栈式稀疏自编码模型；

将所述第二训练数据集作为所述第二栈式稀疏自编码模型的训练数据，采用逐层贪婪法对所述第二栈式稀疏自编码模型进行训练，得到训练好的第二栈式稀疏自编码模型；

S303：采用第一测试数据集对所述训练好的第一栈式稀疏自编码模型进行测试，采用第二测试数据集对所述训练好的第二栈式稀疏自编码模型进行测试；并计算第一栈式稀疏自编码模型和第二栈式稀疏自编码模型各自测试得到的特异性和灵敏度两个指标。

7.如权利要求6所述的一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，其特征在于：步骤S303中，SEN和SPE的定义如下式所示：

上式中，SEN为灵敏度，表示被正确检测的高频振荡节律数量占总高频振荡节律数量的比例；SPE为特异性，表示被正确检测的正常脑电活动数量占总正常脑电活动数量的比例；TP表示被正确检测的高频振荡节律的数量，TN表示被正确检测的正常脑电活动的数量，FP表示正常脑电活动被错误检测为高频振荡节律的数量，FN表示高频振荡节律被错误检测为正常脑电活动的数量。

Images