CN112587155A - 一种基于自监督学习的脑电波图异常检测的方法及装置 - Google Patents
一种基于自监督学习的脑电波图异常检测的方法及装置 Download PDFInfo
- Publication number
- CN112587155A CN112587155A CN202011462026.XA CN202011462026A CN112587155A CN 112587155 A CN112587155 A CN 112587155A CN 202011462026 A CN202011462026 A CN 202011462026A CN 112587155 A CN112587155 A CN 112587155A
- Authority
- CN
- China
- Prior art keywords
- data
- self
- eeg
- classifier
- electroencephalogram
- 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
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
- 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
Abstract
本发明涉及图像处理技术领域,公开了一种基于自监督学习的脑电波图异常检测的方法及装置,方法包括:根据脑电图(EEG)信号,生成自标签数据集;所述自标签数据集包括经过变换后的EEG数据及其变换对应的标签;根据所述自标签数据集,训练分类器;所述分类器由四个卷积模块和一个全连接层组成;根据所述分类器输出的k维向量V,对EEG数据异常值进行评分;k表示变换集的基数|T|。本发明不需要对EEG数据进行人工特征提取和过于复杂的预处理就能够对EEG数据进行异常检测,并达到较好的检测效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于自监督学习的脑电波图异常检测的方法及装置。
背景技术
近些年来,异常检测相关算法在医学图像领域也得到了有效的应用,对图像数据中异常(疾病)的检测至关重要,这有利于疾病的诊断、疾病进展的检测、治疗反应的观察和后续治疗方案的制订。
现有技术中,在EEG(Electroencephalography)数据异常识别这一领域,有许多基于人工选择特征和机器学习的分类器算法。其中,有一些算法首先对EEG数据的某些特征进行选择,例如对EEG数据进行频域和时域分析等得到特征,或者先对EEG信号进行傅里叶变换和小波变换(Wavelet Transforms)进行特征提取。然后将得到的特征用某种分类算法进行分类。然而,上述方法都是依赖于一系列特定的且有限的人工操作对脑电波原始数据进行特征提取,再用提取出来的特征表征原数据。因此模型的性能表现很大程度上依赖于人们对于脑电波信号的认识程度,门槛较高,并且需要人工选择某些特定的参数作为特征值,这一特征提取过程较为盲目,工作量较大。另外一些算法利用深度学习自动地对数据进行特征提取,免除了人工进行特征选择的过程,但是这些算法的训练过程需要正常和异常数据,也就是需要大量的标注数据,增加了医生的工作量。
因此,如何提供一种基于自监督学习的脑电波图异常检测的方法,以提高图像数据异常检测的准确度成为亟待解决的技术问题。
发明内容
本发明要解决的技术问题在于如何提供一种基于自监督学习的脑电波图异常检测的方法,以提高图像数据异常检测的准确度。
为此,根据第一方面,本发明实施例公开了基于自监督学习的脑电波图异常检测的方法,包括:根据脑电图(EEG)信号,生成自标签数据集;所述自标签数据集包括经过变换后的EEG数据及其变换对应的标签;根据所述自标签数据集,训练分类器;所述分类器由四个卷积模块和一个全连接层组成;根据所述分类器输出的k维向量V,对EEG数据异常值进行评分;k表示变换集的基数|T|。
可选地,所述根据EEG数据,生成自标签数据集具体的包括:对EEG原始数据进行不同尺度的线性插值;从插值后的数据中截取出与原始EEG数据维度一样的数据;截取位置可以是插值后数据序列的中心前后,也可以是序列的前端。
可选地,采用如下公式得到所述自标签数据集:Sr={(Ti(x),i):x∈S,Ti∈T},其中,ST为自标签数据集,T={...}为对EEG原始数据所进行的变换组成的集合,x为EEG数据。
可选地,根据所述自标签数据集,训练分类器,具体的包括:将自标签数据集中每个EEG数据作为一个多类分类模型fθ的训练数据,并设置交叉熵为损失函数,训练出一个多类分类器。
可选地,采用如下公式得到所述k维向量V:V=softmax(fθ(Ti(x))),其中,Ti(x)为EEG数据x经过变换Ti进行缩放后得到的数据,Vi(0≤i≤k-1)表示分类器将变换后的EEG数据Ti(x)预测为第i类的概率。
根据第二方面,本发明实施例公开了一种基于自监督学习的脑电波图异常检测的装置,包括:数据变换模块,用于根据脑电图(EEG)信号,生成自标签数据集;数据训练模块,用于根据所述自标签数据集,训练分类器;数据评分模块,用于根据所述分类器输出的k维向量V,对EEG数据异常值进行评分。
可选地,所述数据变换模块包括:线性插值单元,用于对EEG原始数据进行不同尺度的线性插值;数据截取单元,用于从插值后的数据中截取出与原始EEG数据维度一样的数据;截取位置可以是插值后数据序列的中心前后,也可以是序列的前端。
根据第三方面,本发明实施例公开了一种计算机装置,包括处理器,处理器用于执行存储器中存储的计算机程序实现上述第一方面任一项的基于自监督学习的脑电波图异常检测的方法。
根据第四方面,本发明实施例公开了一种计算机可读存储介质,其上存储有计算机程序,处理器用于执行存储介质中存储的计算机程序实现上述第一方面任一项的基于自监督学习的脑电波图异常检测的方法。
本发明具有以下有益效果:本发明实施例公开了一种基于自监督学习的脑电波图异常检测的方法,根据EEG数据,生成自标签数据集;根据所述自标签数据集,训练分类器;根据所述分类器输出的k维向量V,对EEG数据异常值进行评分。与现有技术相比,不需要对EEG数据进行人工特征提取和过于复杂的预处理就能够对EEG数据进行异常检测,并达到较好的检测效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本实施例公开的一种基于自监督学习的脑电波图异常检测的方法的流程图;
图2是本实施例公开的一种基于自监督学习的脑电波图异常检测的装置的结构示意图;
图3是本实施例公开的一种基于自监督学习的脑电波图异常检测的方法的自标签数据集生成示意图;
图4是本实施例公开的一种基于自监督学习的脑电波图异常检测的方法的异常检测过程示意图;
图5是本实施例公开的一种基于自监督学习的脑电波图异常检测的方法与其它检测方法的应用对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例公开了基于自监督学习的脑电波图异常检测的方法,如图1所示,包括:
步骤S101,根据脑电图(EEG)信号,生成自标签数据集;所述自标签数据集包括经过变换后的EEG数据及其变换对应的标签;
步骤S102,根据自标签数据集,训练分类器;分类器由四个卷积模块和一个全连接层组成;通过该全连接层把平均池化的输出映射到k维空间中;
步骤S103,根据分类器输出的k维向量V,对EEG数据异常值进行评分;k表示变换集的基数|T|。
需要说明的是,本发明实施例公开了一种基于自监督学习的脑电波图异常检测的方法,通过根据EEG数据,生成自标签数据集;根据自标签数据集,训练分类器;根据分类器输出的k维向量V,对EEG数据异常值进行评分。与现有技术相比,不需要对EEG数据进行人工特征提取和过于复杂的预处理就能够对EEG数据进行异常检测,并达到较好的检测效果。
在具体实施过程中,根据EEG原始数据,生成自标签数据集具体的包括:对EEG原始数据进行不同尺度的线性插值;从插值后的数据中截取出与原始EEG数据维度一样的数据。例如某个EEG波形有400个数据点,将原本400个数据点插值为原来的2倍得到800个数据点,然后从数据序列中间部位或前端进行截取得到中间的400个或前端的400个数据点,这样就达到了对原EEG数据放大两倍的目标。
在具体实施过程中,采用如下公式得到自标签数据集:
ST={(Ti(x),i):x∈S,Ti∈T},其中,ST为自标签数据集,T={...}为对EEG原始数据所进行的变换组成的集合,x为EEG数据。
在具体实施过程中,根据自标签数据集,训练分类器具体的包括:将自标签数据集中每个EEG数据作为一个多类分类模型fθ的训练数据,并设置交叉熵为损失函数,训练出一个多类分类器。
在具体实施过程中,采用如下公式得到k维向量V:
V=softmax(fθ(Ti(x))),其中,Ti(x)为EEG数据x经过变换Ti进行缩放后得到的数据,Vi(0≤i≤k-1)表示分类器将变换后的EEG数据Ti(x)预测为第i类的概率。
在具体实施过程中,采用如下公式得到EEG数据异常值的评分:
本发明实施例公开了一种基于自监督学习的脑电波图异常检测的装置,如图2所示,包括:数据变换模块201,用于根据脑电图(EEG)信号,生成自标签数据集;数据训练模块202,用于根据自标签数据集,训练分类器;数据评分模块203,用于根据分类器输出的k维向量V,对EEG数据异常值进行评分。
在具体实施过程中,数据变换模块201包括:线性插值单元,用于对EEG原始数据进行不同尺度的线性插值;数据截取单元,用于从插值后的数据中截取出与原始EEG数据维度一样的数据。在具体实施过程中,截取位置可以是插值后数据序列的中心前后,也可以是序列的前端。
此外,本发明实施例中还提供一种计算机装置,处理器通过执行计算机指令,从而实现以下方法:
根据脑电图(EEG)信号,生成自标签数据集;自标签数据集包括经过变换后的EEG数据及其变换对应的标签;根据自标签数据集,训练分类器;分类器由四个卷积模块和一个全连接层组成;根据分类器输出的k维向量V,对EEG数据异常值进行评分。
图3是本实施例公开的一种基于自监督学习的脑电波图异常检测的方法的生成自标签数据集示意图;图4是本实施例公开的一种基于自监督学习的脑电波图异常检测的方法的异常检测过程示意图;图5是本实施例公开的一种基于自监督学习的脑电波图异常检测的方法与其它检测方法的应用对比示意图。
如图3所示,图左部为一个多序列脑电图数据;图中部为每个序列在时间维度上通过不同的缩放变换缩放;图右部为选择每个序列的一部分(围绕序列中心)进行截取,形成多个新的自标记脑电图数据,不同的标签对应不同的缩放变换。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,该存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。计算机处理器用于执行存储介质中存储的计算机程序实现以下方法:
根据脑电图(EEG)信号,生成自标签数据集;自标签数据集包括经过变换后的EEG数据及其变换对应的标签;根据自标签数据集,训练分类器;分类器由四个卷积模块和一个全连接层组成;根据分类器输出的k维向量V,对EEG数据异常值进行评分。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。这里无需也无法对所有的实施方式予以穷举。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于自监督学习的脑电波图异常检测的方法,其特征在于,包括:
根据脑电图(EEG)信号,生成自标签数据集;所述自标签数据集包括经过变换后的EEG数据及其变换对应的标签;
根据所述自标签数据集,训练分类器;所述分类器由四个卷积模块和一个全连接层组成;
根据所述分类器输出的k维向量V,对EEG数据异常值进行评分;k表示变换集的基数|T|。
2.根据权利要求1所述的基于自监督学习的脑电波图异常检测的方法,其特征在于,所述根据EEG原始数据,生成自标签数据集具体的包括:
对EEG原始数据进行不同尺度的线性插值;
从插值后的数据中截取出与原始EEG数据维度一样的数据。
3.根据权利要求1所述的基于自监督学习的脑电波图异常检测的方法,其特征在于,采用如下公式得到所述自标签数据集:
ST={Ti(x),i):x∈S,Ti∈T},
其中,ST为自标签数据集,T={...}为对EEG原始数据所进行的变换组成的集合,x为EEG数据。
4.根据权利要求1所述的基于自监督学习的脑电波图异常检测的方法,其特征在于,根据所述自标签数据集,训练所述分类器,具体过程包括:
将自标签数据集作为一个多类分类模型fθ的训练数据,并设置交叉熵为损失函数,训练出一个多类分类器。
5.根据权利要求1所述的基于自监督学习的脑电波图异常检测的方法,其特征在于,采用如下公式得到所述k维向量V:
V=softmax(fθ(Ti(x))),
其中,Ti(x)为EEG数据x经过变换Ti进行缩放后得到的数据,Vi(0≤i≤k-1)表示分类器将变换后的EEG数据Ti(x)预测为第i类的概率。
7.一种基于自监督学习的脑电波图异常检测的装置,其特征在于,包括:
数据变换模块,用于根据脑电图(EEG)信号,生成自标签数据集;
数据训练模块,用于根据所述自标签数据集,训练分类器;
数据评分模块,用于根据所述分类器输出的k维向量V,对EEG数据异常值进行评分。
8.根据权利要求7所述的基于自监督学习的脑电波图异常检测的装置,其特征在于,所述数据变换模块包括:
线性插值单元,对EEG原始数据进行不同尺度的线性插值;
数据截取单元,用于从插值后的数据中截取出与原始EEG数据维度一样的数据;截取位置可以是插值后数据序列的中心前后,也可以是序列的前端。
9.一种计算机装置,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序实现如权利要求1-6任意一项所述的基于自监督学习的脑电波图异常检测的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,处理器用于执行存储介质中存储的计算机程序实现如权利要求1-6任意一项所述的基于自监督学习的脑电波图异常检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462026.XA CN112587155A (zh) | 2020-12-12 | 2020-12-12 | 一种基于自监督学习的脑电波图异常检测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462026.XA CN112587155A (zh) | 2020-12-12 | 2020-12-12 | 一种基于自监督学习的脑电波图异常检测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112587155A true CN112587155A (zh) | 2021-04-02 |
Family
ID=75192522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011462026.XA Pending CN112587155A (zh) | 2020-12-12 | 2020-12-12 | 一种基于自监督学习的脑电波图异常检测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112587155A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158949A (zh) * | 2021-04-30 | 2021-07-23 | 湖北工业大学 | 一种基于自监督学习的运动想象脑电信号分类方法 |
CN113344875A (zh) * | 2021-06-07 | 2021-09-03 | 武汉象点科技有限公司 | 一种基于自监督学习的异常图像检测方法 |
CN114027786A (zh) * | 2021-08-11 | 2022-02-11 | 中国科学院计算技术研究所 | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统 |
CN114343640A (zh) * | 2022-01-07 | 2022-04-15 | 北京师范大学 | 注意力评估方法及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150257700A1 (en) * | 2010-08-02 | 2015-09-17 | Chi Yung Fu | Apparatus for treating a patient |
CN105550705A (zh) * | 2015-12-11 | 2016-05-04 | 杭州电子科技大学 | 一种基于改进自训练学习的脑电信号识别方法 |
CN108256629A (zh) * | 2018-01-17 | 2018-07-06 | 厦门大学 | 基于卷积网络和自编码的eeg信号无监督特征学习方法 |
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 |
CN109271964A (zh) * | 2018-10-11 | 2019-01-25 | 刘仕琪 | 基于深度学习模型与长短记忆网络的情绪识别方法及系统 |
CN110801221A (zh) * | 2019-12-09 | 2020-02-18 | 中山大学 | 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备 |
-
2020
- 2020-12-12 CN CN202011462026.XA patent/CN112587155A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150257700A1 (en) * | 2010-08-02 | 2015-09-17 | Chi Yung Fu | Apparatus for treating a patient |
CN105550705A (zh) * | 2015-12-11 | 2016-05-04 | 杭州电子科技大学 | 一种基于改进自训练学习的脑电信号识别方法 |
CN108256629A (zh) * | 2018-01-17 | 2018-07-06 | 厦门大学 | 基于卷积网络和自编码的eeg信号无监督特征学习方法 |
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 |
CN109271964A (zh) * | 2018-10-11 | 2019-01-25 | 刘仕琪 | 基于深度学习模型与长短记忆网络的情绪识别方法及系统 |
CN110801221A (zh) * | 2019-12-09 | 2020-02-18 | 中山大学 | 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备 |
Non-Patent Citations (4)
Title |
---|
I. GOLAN ET AL.: "Deep Anomaly Detection Using Geometric Transformations", 《PROCEEDINGS OF THE 32ND INTERNATIONAL CONFERENCEON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
MOHSENVAND, M.R. IZADI & P. MAES: "Contrastive Representation Learning for Electroencephalogram Classification", 《PROCEEDINGS OF MACHINE LEARNING RESEARCH》 * |
双锴: "《计算机视觉》", 31 January 2020, 北京邮电大学出版社 * |
张韩等: "基于深度学习的脑电信号特征识别", 《电脑知识与技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158949A (zh) * | 2021-04-30 | 2021-07-23 | 湖北工业大学 | 一种基于自监督学习的运动想象脑电信号分类方法 |
CN113344875A (zh) * | 2021-06-07 | 2021-09-03 | 武汉象点科技有限公司 | 一种基于自监督学习的异常图像检测方法 |
CN114027786A (zh) * | 2021-08-11 | 2022-02-11 | 中国科学院计算技术研究所 | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统 |
CN114343640A (zh) * | 2022-01-07 | 2022-04-15 | 北京师范大学 | 注意力评估方法及电子设备 |
CN114343640B (zh) * | 2022-01-07 | 2023-10-13 | 北京师范大学 | 注意力评估方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112587155A (zh) | 一种基于自监督学习的脑电波图异常检测的方法及装置 | |
Dhar et al. | Cross-wavelet assisted convolution neural network (AlexNet) approach for phonocardiogram signals classification | |
Acharya U et al. | Application of higher order spectra for the identification of diabetes retinopathy stages | |
CN109410204B (zh) | 一种基于cam的皮质白内障图像处理及增强方法 | |
Mahajan et al. | Classification of EEG using PCA, ICA and Neural Network | |
CN111598003B (zh) | 一种面向癫痫患者脑电信号的时频图像分类方法 | |
Selvathi et al. | Performance analysis of various classifiers on deep learning network for breast cancer detection | |
Li et al. | Human sperm health diagnosis with principal component analysis and K-nearest neighbor algorithm | |
CN112257738A (zh) | 机器学习模型的训练方法、装置和图像的分类方法、装置 | |
Song et al. | An improved semi-supervised learning method on cataract fundus image classification | |
Oskouei et al. | Chromosome classification based on wavelet neural network | |
CN113647908A (zh) | 波形识别模型的训练、心电波形识别方法、装置及设备 | |
Hameed et al. | Content based image retrieval based on feature fusion and support vector machine | |
CN110991364A (zh) | 脑电信号分类方法及系统 | |
Elsayed et al. | Hand gesture recognition based on dimensionality reduction of histogram of oriented gradients | |
Elelimy et al. | Towards automatic classification of breast cancer histopathological image | |
Akbulut | Feature normalization effect in emotion classification based on EEG signals | |
González et al. | A comparative study on discrete Shmaliy moments and their texture-based applications | |
CN112446307B (zh) | 基于局部约束的非负矩阵分解的心电身份识别方法及系统 | |
Homri et al. | A hybrid cascade method for EEG classification | |
Fachrurrozi et al. | Tongue image segmentation using hybrid multilevel otsu thresholding and harmony search algorithm | |
Selvathi et al. | Performance evaluation of kernel based techniques for brain MRI data classification | |
Parashar et al. | Computer-aided diagnosis of glaucoma at early-stage using retinal fundus images | |
Hill et al. | Information theoretic clustering for medical image segmentation | |
Syam et al. | Application of deep neural networks in the field of information security and healthcare |
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: 20210402 |
|
RJ01 | Rejection of invention patent application after publication |