CN112294337A - 基于线性图卷积神经网络的癫痫检测系统 - Google Patents
基于线性图卷积神经网络的癫痫检测系统 Download PDFInfo
- Publication number
- CN112294337A CN112294337A CN202011046815.5A CN202011046815A CN112294337A CN 112294337 A CN112294337 A CN 112294337A CN 202011046815 A CN202011046815 A CN 202011046815A CN 112294337 A CN112294337 A CN 112294337A
- Authority
- CN
- China
- Prior art keywords
- neural network
- channel
- linear graph
- graph convolution
- linear
- 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.)
- Pending
Links
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 16
- 206010010904 Convulsion Diseases 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 208000028329 epileptic seizure Diseases 0.000 claims description 8
- 230000001037 epileptic effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 108091006146 Channels Proteins 0.000 description 28
- 238000000537 electroencephalography Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 8
- 210000004761 scalp Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000010220 Pearson correlation analysis Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 4
- 210000003710 cerebral cortex Anatomy 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 210000001061 forehead Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 230000001787 epileptiform Effects 0.000 description 1
- 208000028326 generalized seizure Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了基于线性图卷积神经网络的癫痫检测系统，包括：获取模块，其被配置为：获取待检测的多通道脑电信号；预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理，将每一个通道的信号视为一个节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；根据图结构得到对应的邻接矩阵；检测模块，其被配置为：将所有通道的脑电信号和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中，输出待检测的多通道脑电信号的癫痫诊断结果。
Description
技术领域
本申请涉及癫痫检测技术领域，特别是涉及基于线性图卷积神经网络的癫痫检测系统。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。
癫痫是指脑神经元突发性异常和过度超同步化放电所产生的临床现象。癫痫发作通常是全身性发作，会使人失去意识，会有抽搐等现象，严重影响人们的正常生活，甚至是生命。当病人拟诊为癫痫时，必须借助脑电图的支持，脑电图是通过放置在头皮或大脑皮层上的多个电极采集，并且携带大脑相关的病理信息。
脑电图的异常通常是背景波异常或者癫样放电，后者才可以确诊为癫痫。但是大部分的脑电样本是通过专业医师人工的去观察，并最终得出结论，十分费时费力，准确性也并不高，所以脑电数据的自动识别越来越成为癫痫检测的发展主线。
癫痫检测方法都循序渐进的得到了推广和进展，但大部分只是考虑了时间上的特征，却没有考虑到时序脑电信号中通道与通道之间的相关性联系，以及正负样本不平衡的问题。在癫痫检测过程中，大多数的模型计算成本高，如果对于规模较大的图，代价高，效率低。
发明内容
为了解决现有技术的不足，本申请提供了基于线性图卷积神经网络的癫痫检测系统；
基于线性图卷积神经网络的癫痫检测系统，包括：
获取模块，其被配置为：获取待检测的多通道脑电信号；
预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理，将每一个通道的信号视为一个节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；根据图结构得到对应的邻接矩阵；
检测模块，其被配置为：将所有通道的脑电信号和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中，输出待检测的多通道脑电信号的癫痫诊断结果。
与现有技术相比，本申请的有益效果是：
(1)第一次将LGCN和Focal loss结合起来应用到癫痫检测上。
(2)将图卷积神经网络应用到图数据结构上，处理不规则数据。
(3)应用了传统GCN的升级版本LGCN，大大减少了运算量，累加聚合的思想，进一步防止了过拟合现象。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本申请实施例一的癫痫脑电数据预处理过程的流程图
图2是本申请实施例一的基于LGCN和Focal loss的癫痫检测方法的流程图；
图3是本申请实施例一的大脑导联的实例图；
图4是本申请实施例一的4种正常脑电波的实例图；
图5是本申请实施例一的一个大脑电极位的实例图；
图6是本申请实施例一的大脑处理的整体流程；
图7是本申请实施例一的癫痫发作的示意图；
图8是本申请实施例一的最终的实验结果对比图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
术语解释：
1.Focal-loss:用来解决正负样本不平衡所导致的癫痫检测准确率低的问题。
2.线性图卷积神经网络(Linear Graph Convolution Network，LGCN)：又叫Linear GCN,在癫痫检测中主要用来提取EEG中特征的显著区域。
实施例一
本实施例提供了基于线性图卷积神经网络的癫痫检测系统；
基于线性图卷积神经网络的癫痫检测系统，包括：
获取模块，其被配置为：获取待检测的多通道脑电信号；
预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理，将每一个通道的信号视为一个节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；根据图结构得到对应的邻接矩阵；
检测模块，其被配置为：将所有通道的脑电信号和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中，输出待检测的多通道脑电信号的癫痫诊断结果。
作为一个或多个实施例，所述获取待检测的多通道脑电信号；是指：
采用19个电极，采集脑电信号，获得待检测的19个通道的脑电信号。
作为一个或多个实施例，所述对待检测的多通道脑电信号进行预处理；是指：
对待检测的多通道脑电信号进行去噪处理；
对去噪处理后的每个通道的脑电信号，按照设定时间长度，划分为若干个时间段的脑电信号。
作为一个或多个实施例，将每一个通道的信号视为一个节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；具体包括：
将每一个通道的信号视为一个节点；
计算任意两个通道信号之间的皮尔森相关性；
判断皮尔森相关性是否大于设定阈值，如果是，则表示对应两个通道信号之间存在相关性，则对应两个节点之间存在连接边；否则，表示对应两个节点之间不存在连接边。
作为一个或多个实施例，所述将所有通道的脑电信号和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中，输出待检测的多通道脑电信号的癫痫诊断结果；具体步骤包括：
将所有通道的脑电信号特征矩阵和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中；预先训练好的线性图卷积神经网络，对所有通道的脑电信号和邻接矩阵进行傅里叶变换；对傅里叶变换后的信号进行特征提取；将提取的特征通过分类器进行分类；输出待检测的多通道脑电信号的癫痫诊断结果。
所述傅里叶变换中应用归一化的拉普拉矩阵。
进一步地，所述线性图卷积神经网络，包括：
依次连接的第一线性图卷积层、第一Relu激活函数层、第二线性图卷积层、第二Relu激活函数层、全连接层和softmax分类器。
所述第一线性图卷积层和第二线性图卷积层的卷积核，均由切比雪夫的一阶多项式近似而成。
第一线性图卷积层和第二线性图卷积层的工作原理是一样的。
第一线性图卷积层和第二线性图卷积层，均采用了多次累加聚合的思想和切比雪夫一阶近似的思想。
所述第一线性图卷积层，对图结构中的每一个顶点计算其与所有邻居节点之间的相关度的加和，按照相关度加和结果由大到小的顺序进行排序，按照排序的顺序从头到尾依次进行特征的提取，对每次提取的特征进行去冗余的信息聚合，得到第一特征图。
所述第一线性图卷积层和第一Relu函数层的工作原理是：
其中，A代表邻接矩阵，D表示相关度矩阵，W是可训练的权重矩阵。
作为一个或多个实施例，所述线性卷积神经网络，线性体现在对卷积核的参数进行拟合和归一化，最终减少为一个参数并大大的减少了运算量，降低了成本。
作为一个或多个实施例，所述线性图卷积神经网络，工作原理：
第一线性图卷积层，对用python和皮尔森算法读取处理后的癫痫数据进行最优特征提取，降噪；经过第一Relu激活函数层增加非线性元素来增加分类的宽度；
第一Relu激活函数层输出后的数据再放入第二线性图卷积层和第二Relu激活函数层进行相同的操作；
最后，第二Relu激活函数层输出经过Softmax分类器做二分类-癫痫发作期或者癫痫发作间期。
作为一个或多个实施例，所述预先训练好的线性图卷积神经网络，训练步骤包括：
构建训练集、验证集和测试集；
构建线性图卷积神经网络；
利用训练集、验证集和测试集，对线性图卷积神经网络进行训练、验证和测试，得到训练好的线性图卷积神经网络。
进一步地，训练集、验证集和测试集中均包含已知癫痫或非癫痫诊断结果的脑电信号。
进一步地，在训练过程中，使用focal loss损失函数来平衡正负样本权重。
本申请通过提取EEG图像中的特征，利用皮尔森相关分析矩阵表达不同通道之间的相关性，利用softmax分类器最终实现癫痫的检测工作。该发明为癫痫检测的计算机辅助诊断提供了一种新的思路。
对EEG图像进行预处理，利用皮尔森相关性求通道之间的联系；再将原始数据和图的邻接矩阵放入到线性图卷积神经网络中，进行傅里叶变换，提取主要特征，利用focalloss损失函数进一步提高实验的准确性；利用softmax分类器进行癫痫检测。
在多通道脑电图中，通过考虑通道之间的时间联系和空间联系，利用线性图卷积神经网络对EEG信号在频谱域的特征提取和降噪来对病人进行癫痫检测。通道之间的空间联系通过皮尔森相关性形成邻接矩阵，加上一段时间内所有通道的特征矩阵作为线性图卷积神经网络的输入，通过focal loss平衡正负样本权重，使用softmax分类器最终实现高效的癫痫检测。
在本申请中我们引用了一个多层的线性图卷积神经网络，对输入的癫痫数据进行特征提取，具体的运行规则是:
该公式是每一卷积层的计算公式，该模型共两个卷积层。其中，A代表邻接矩阵，D表示度矩阵，W是可训练的权重矩阵。
线性图卷积神经网络的初始输入为X，代表图第一层的特征图谱。再加上Relu激活函数和softmax分类器，就形成了我们的模型架构。
线性图卷积神经网络，是根据传统的基于频谱GCN的进一步近似得到的，也可理解为是传统GCN的进化版本，线性图卷积神经网络LGCN的卷积核是由切比雪夫的k阶多项式近似而成的，其物理意义就是中心节点对邻居节点的一次性聚合，成本高，而且容易过拟合，所以我们应用的模型中心思想是切比雪夫一阶近似的累加聚合，累加聚合的思想主要针对图中每一个顶点依次聚合信息(信息比如峰值，斜率等)，而一次性聚合思想是每一次聚合信息是针对整个图结构，计算成本太高，易发生过拟合现象。在传统GCN中进一步减少参数，可在一定程度上减少运算量，防止了过拟合现象，提取主要特征，过滤掉一些不必要的特征，从而实现了高效的癫痫检测。
我们的线性图卷积神经网络是从频谱域的图卷积神经网络一步一步近似而来。首先说一下频谱域卷积神经网络。频谱域指的就是将信号从时域信号通过傅里叶变换转到频谱域中去。Linear GCN模型是根据传统的基于频谱GCN的进一步近似得到的，也可理解为是传统频谱GCN的进化版本。
参见图1，主要说明了数据的预处理过程，首先我们通过放置在大脑皮层的电极得到EEG脑电图，然后对原始数据进行读取，最终读取出来得到一个矩阵，矩阵的每一行代表一个通道及其所包含的特征信息。在通道之间进行皮尔森相关性分析，得到邻接矩阵。将读取出来的矩阵即整个信号的特征矩阵feature map和邻接矩阵作为输入，输入到线性GCN模型中进行癫痫检测。
图2主要说明了数据放入模型后，提取特征和癫痫检测的过程。应用的模型一共有两层。放入模型中后的数据是时域的，所以先将这些数据通过傅里叶变换转化到频谱中，在傅里叶变换中应用到了归一化的拉普拉斯矩阵，对拉普拉斯矩阵进行分解，通过分解会得到拉普拉斯矩阵的特征向量矩阵和特征值矩阵：
为了减少运算量，防止过拟合，在对LGCN卷积核进行切比雪夫多项式的一阶近似：
进而，为了防止梯度消失或者爆炸我们对上述公式做了归一化的处理。得到我们所应用的模型，通过LGCN的累加聚合思想，不断地聚合邻居信息，提取主要特征。累加聚合的思想主要针对图中每一个顶点依次聚合信息(信息比如峰值，斜率等)，而一次性聚合思想是每一次聚合信息是针对整个图结构，计算成本太高，易发生过拟合现象，再结合Focalloss,平衡正负样本权重进一步提高癫痫检测准确性。最后通过softmax分类器去做二分类(癫痫发作间期或者癫痫发作期)实现癫痫检测。
图3，图4，图5主要介绍了脑电图及其它的工作原理，还有四种正常的脑电波。脑电图根据电极放置于颅内或颅外，可分为头皮电极脑电图、颅内电极脑电图。头皮电极脑电图是从头皮上将脑部的自发性电活动加以放大记录而获得的图形。脑电信号经过放大器(因为脑电信号非常微弱，为mv或uv级别，所以需要放大器才行。脑电图一般采用的走纸速度为(走纸速度对应的是横轴)30mm/s，也就是说30mm＝1s。而脑电图的敏感性(纵轴)单位为uv/mm，敏感性一般采用的是10uv/mm，也就是说1mm＝10uv。现在头皮电极脑电图常规使用的是国际10-20系统。10-20系统包括19个记录电极和2个参考电极。19个电极位分别是：Fz(额中线)、Cz(中央中线)、Pz(顶中线)，C3(左中央)、C4(右中央)，F7(左前颞)、T3(左中颞)、T5(左后颞)及O1(左枕)，FP2(右颞极)、F8(右前颞)、F4(右额)、P4(右顶)，F3(左额)、P3(左顶)，T4(右中颞)、T6(右后颞)，FP1,P2。
图6主要介绍了我们实验的整理流程，从数据的预处理开始，到放入到线性图卷积神经网络中，利用累加聚合思想对癫痫数据进行特征提取，实现高效的癫痫检测。图7主要是展示了癫痫检测的设备部分和用设备测出来脑电图的实例图。
图8则主要展示了我们的实验部分。我们使用了公开的脑电数据集CHB-MIT数据集，并且利用focal loss解决了样本不平衡对实验结果带来的影响。我们对脑电图数据进行切分，对于截取的通道分别每隔5s划分为一个样本，作为训练以及测试样本，5s的时间足够检出癫痫是否发作，切分的样本根据比例构成训练集与测试集。我们实验通过与VMM,GMM等方法的比较，证明了我们实验在准确率，特异性，还有灵敏度上都有更好的效果。也证明了线性GCN和Focal loss结合的方法在一定程度上实现了的高效的癫痫检测。
通过在大脑皮层放置电极获取脑电图，要求头皮上每个电极位的电阻为0。将EEG原始数据用python读取成一个矩阵的形式，用X表示特征图谱。需要将读取出来的矩阵用python做皮尔森相关性分析，求出各个通道之间的时空联系，用邻接矩阵A来表示。将A和X放入到线性图卷积神经网络中，作傅里叶变换，累加聚合邻居信息且有效的防止了过拟合。
每一层卷积后都要经过一个relu激活函数，增加非线性元素；利用focal loss平衡样本不平衡，提高分类准确率。最后用softmax分类器，做二分类，癫痫发作期或者癫痫发作间期。
本申请通过放置在大脑皮层的电极进行测试得到EEG图；进而对该图像做皮尔森相关性分析，从而得到脑电图中各通道之间的相关性系数，进而得到一个邻接矩阵；通过邻接矩阵来判断通道之间的时空关系，做傅里叶变换，并利用LGCN的累加聚合思想和Focal-loss平衡正负样本权重来实现癫痫的自动检测。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.基于线性图卷积神经网络的癫痫检测系统，其特征是，包括：
获取模块，其被配置为：获取待检测的多通道脑电信号；
预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理，将每一个通道的信号视为一个节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；根据图结构得到对应的邻接矩阵；
检测模块，其被配置为：将所有通道的脑电信号和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中，输出待检测的多通道脑电信号的癫痫诊断结果。
2.如权利要求1所述的系统，其特征是，所述对待检测的多通道脑电信号进行预处理；是指：
对待检测的多通道脑电信号进行去噪处理；
对去噪处理后的每个通道的脑电信号，按照设定时间长度，划分为若干个时间段的脑电信号。
3.如权利要求1所述的系统，其特征是，将每一个通道的信号视为一个节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；具体包括：
将每一个通道的信号视为一个节点；
计算任意两个通道信号之间的皮尔森相关性；
判断皮尔森相关性是否大于设定阈值，如果是，则表示对应两个通道信号之间存在相关性，则对应两个节点之间存在连接边；否则，表示对应两个节点之间不存在连接边。
4.如权利要求1所述的系统，其特征是，所述将所有通道的脑电信号和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中，输出待检测的多通道脑电信号的癫痫诊断结果；具体步骤包括：
将所有通道的脑电信号特征矩阵和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中；预先训练好的线性图卷积神经网络，对所有通道的脑电信号和邻接矩阵进行傅里叶变换；对傅里叶变换后的信号进行特征提取；将提取的特征通过分类器进行分类；输出待检测的多通道脑电信号的癫痫诊断结果。
5.如权利要求1所述的系统，其特征是，所述线性图卷积神经网络，包括：
依次连接的第一线性图卷积层、第一Relu函数层、第二线性图卷积层、第二Relu函数层、全连接层和softmax分类器；
所述第一线性图卷积层和第二线性图卷积层的卷积核，均由切比雪夫的一阶多项式近似而成。
6.如权利要求5所述的系统，其特征是，第一线性图卷积层和第二线性图卷积层的工作原理是一样的；
第一线性图卷积层和第二线性图卷积层，均采用了多次聚合的思想和切比雪夫一阶近似的思想；
所述第一线性图卷积层，对图结构中的每一个顶点计算其与所有邻居节点之间的相关度的加和，按照相关度加和结果由大到小的顺序进行排序，按照排序的顺序从头到尾依次进行特征的提取，对每次提取的特征进行去冗余的信息聚合，得到第一特征图。
7.如权利要求5所述的系统，其特征是，所述线性图卷积神经网络，工作原理：
第一线性图卷积层，对用python和皮尔森算法读取处理后的癫痫数据进行最优特征提取，降噪；经过第一Relu激活函数层增加非线性元素来增加分类的宽度；
第一Relu激活函数层输出后的数据再放入第二线性图卷积层和第二Relu激活函数层进行相同的操作；
最后，第二Relu激活函数层输出经过Softmax分类器做二分类-癫痫发作期或者癫痫发作间期。
8.如权利要求4所述的系统，其特征是，所述预先训练好的线性图卷积神经网络，训练步骤包括：
构建训练集、验证集和测试集；
构建线性图卷积神经网络；
利用训练集、验证集和测试集，对线性图卷积神经网络进行训练、验证和测试，得到训练好的线性图卷积神经网络。
9.如权利要求8所述的系统，其特征是，训练集、验证集和测试集中均包含已知癫痫或非癫痫诊断结果的脑电信号。
10.如权利要求8所述的系统，其特征是，在训练过程中，使用focal loss损失函数来平衡正负样本权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011046815.5A CN112294337A (zh) | 2020-09-29 | 2020-09-29 | 基于线性图卷积神经网络的癫痫检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011046815.5A CN112294337A (zh) | 2020-09-29 | 2020-09-29 | 基于线性图卷积神经网络的癫痫检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112294337A true CN112294337A (zh) | 2021-02-02 |
Family
ID=74489230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011046815.5A Pending CN112294337A (zh) | 2020-09-29 | 2020-09-29 | 基于线性图卷积神经网络的癫痫检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112294337A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113197545A (zh) * | 2021-04-08 | 2021-08-03 | 山东师范大学 | 基于图注意力残差网络与焦点损失的癫痫检测系统 |
| CN113288050A (zh) * | 2021-04-23 | 2021-08-24 | 山东师范大学 | 基于图卷积网络的多维增强癫痫发作预测系统 |
| CN113712571A (zh) * | 2021-06-18 | 2021-11-30 | 陕西师范大学 | 一种基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法 |
| CN114129129A (zh) * | 2021-10-28 | 2022-03-04 | 山东师范大学 | 一种基于CNN与Transformer的癫痫检测系统 |
| CN114224300A (zh) * | 2022-02-23 | 2022-03-25 | 广东工业大学 | 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 |
| CN116152574A (zh) * | 2023-04-17 | 2023-05-23 | 厦门大学 | 一种基于多阶段信息抽取和记忆的病理图像分类方法 |
| CN117708570A (zh) * | 2024-02-05 | 2024-03-15 | 中国科学院自动化研究所 | 癫痫预测方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108403111A (zh) * | 2018-02-01 | 2018-08-17 | 华中科技大学 | 一种基于卷积神经网络的癫痫脑电识别方法和系统 |
| KR20190111570A (ko) * | 2018-03-23 | 2019-10-02 | 인하대학교 산학협력단 | 확률모델 및 기계학습과 함께 특징추출을 이용한 뇌전도 신호의 멀티 주파수 대역 계수 기반 간질 발작파 검출 시스템 |
| CN111340142A (zh) * | 2020-05-14 | 2020-06-26 | 南京慧脑云计算有限公司 | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 |
| WO2020162837A2 (en) * | 2019-02-08 | 2020-08-13 | Nanyang Technological University | Method and system for seizure detection |
-
2020
- 2020-09-29 CN CN202011046815.5A patent/CN112294337A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108403111A (zh) * | 2018-02-01 | 2018-08-17 | 华中科技大学 | 一种基于卷积神经网络的癫痫脑电识别方法和系统 |
| KR20190111570A (ko) * | 2018-03-23 | 2019-10-02 | 인하대학교 산학협력단 | 확률모델 및 기계학습과 함께 특징추출을 이용한 뇌전도 신호의 멀티 주파수 대역 계수 기반 간질 발작파 검출 시스템 |
| WO2020162837A2 (en) * | 2019-02-08 | 2020-08-13 | Nanyang Technological University | Method and system for seizure detection |
| CN111340142A (zh) * | 2020-05-14 | 2020-06-26 | 南京慧脑云计算有限公司 | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 |
Non-Patent Citations (3)
| Title |
|---|
| XIN CHEN: "Epilepsy Classification for Mining Deeper Relationships between EEG Channels based on GCN", 《2020 INTERNATIONAL CONFERENCE COMPUTER VISION，IMAGE AND DEEP LEARNING （CVIDL）》 * |
| 不务正业的土豆: "SGC-Simplifying Graph Convolutional Networks简化的图卷积网络论文详解ICML2019", 《CSDN》 * |
| 李元香: "基于图卷积神经网络的软件缺陷分派方法", 《武汉大学学报（理学版）》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113197545A (zh) * | 2021-04-08 | 2021-08-03 | 山东师范大学 | 基于图注意力残差网络与焦点损失的癫痫检测系统 |
| CN113288050A (zh) * | 2021-04-23 | 2021-08-24 | 山东师范大学 | 基于图卷积网络的多维增强癫痫发作预测系统 |
| CN113288050B (zh) * | 2021-04-23 | 2022-10-04 | 山东师范大学 | 基于图卷积网络的多维增强癫痫发作预测系统 |
| CN113712571A (zh) * | 2021-06-18 | 2021-11-30 | 陕西师范大学 | 一种基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法 |
| CN114129129A (zh) * | 2021-10-28 | 2022-03-04 | 山东师范大学 | 一种基于CNN与Transformer的癫痫检测系统 |
| CN114224300A (zh) * | 2022-02-23 | 2022-03-25 | 广东工业大学 | 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 |
| CN114224300B (zh) * | 2022-02-23 | 2022-07-12 | 广东工业大学 | 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 |
| CN116152574A (zh) * | 2023-04-17 | 2023-05-23 | 厦门大学 | 一种基于多阶段信息抽取和记忆的病理图像分类方法 |
| CN117708570A (zh) * | 2024-02-05 | 2024-03-15 | 中国科学院自动化研究所 | 癫痫预测方法、装置、电子设备及存储介质 |
| CN117708570B (zh) * | 2024-02-05 | 2024-06-04 | 中国科学院自动化研究所 | 癫痫预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112294337A (zh) | 基于线性图卷积神经网络的癫痫检测系统 | |
| Yuan et al. | Epileptic seizure detection based on imbalanced classification and wavelet packet transform | |
| CN113786204B (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
| Singh et al. | Classification of focal and nonfocal EEG signals using features derived from Fourier-based rhythms | |
| Güler et al. | Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients | |
| Kumari et al. | Seizure detection in EEG using time frequency analysis and SVM | |
| CN108959895B (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
| 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 | |
| CN111150393A (zh) | 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 | |
| CN110960191A (zh) | 一种基于频谱能量图的癫痫脑电信号分类方法 | |
| CN113662560B (zh) | 发作间期痫样放电的检测方法、存储介质和设备 | |
| CN111184511A (zh) | 一种基于注意力机制和卷积神经网络的脑电信号分类方法 | |
| CN111543946A (zh) | 基于改进变分模态分解算法的癫痫脑电信号自动检测方法 | |
| 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 | |
| CN111387975A (zh) | 基于机器学习的脑电信号识别方法 | |
| CN111067513B (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
| CN113974655A (zh) | 一种基于脑电信号的癫痫发作预测方法 | |
| CN114305452A (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
| CN106923825B (zh) | 基于频域及相空间的脑电放松度识别方法及装置 | |
| CN116211322A (zh) | 一种基于机器学习脑电信号的抑郁症识别方法和系统 | |
| CN116982993B (zh) | 一种基于高维随机矩阵理论的脑电信号分类方法及系统 | |
| CN116687406B (zh) | 情绪识别方法、装置、电子设备及存储介质 | |
| CN110458066B (zh) | 一种基于静息态脑电数据的年龄段分类方法 | |
| CN113197545B (zh) | 基于图注意力残差网络与焦点损失的癫痫检测系统 | |
| Zhang et al. | Tiny CNN for seizure prediction in wearable biomedical devices |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210202 |
|
| RJ01 | Rejection of invention patent application after publication |