CN112603334A - 基于时序特征和堆叠Bi-LSTM网络的棘波检测方法 - Google Patents

Abstract

本发明公开了一种基于时序特征提取和堆叠Bi‑LSTM网络的棘波检测方法。首先对输入的原始单通道脑电信号进行预处理操作，对预处理完的脑电信号进行分割，得到脑电信号片段，通过两种时序特征提取算法得到平滑非线性能量特征和形态学特征，对得到的两种时序特征进行裁剪以保证长度与脑电信号片段一致后，与脑电信号片段拼接得到特征矩阵，再利用得到的特征矩阵和标注信息，训练堆叠Bi‑LSTM网络模型；最后采用测试数据对训练好的堆叠Bi‑LSTM网络模型进行测试，根据测试结果进行模型性能优化。本发明方法通过循环神经网络模型对脑电时序特征进行有效学习达到对棘波放电精准检测的效果；能够同时检测棘波以及其产生通道位置。

Description

基于时序特征和堆叠Bi-LSTM网络的棘波检测方法

技术领域

本发明属于脑电信号处理领域，涉及一种基于时序特征提取和堆叠双向长短时记忆(stack Bi-LSTM)网络的棘波检测方法。

背景技术

癫痫是常见的慢性神经系统疾病，严重威胁儿童、成人的生命健康。棘波以及其复合波形是癫痫发作的病理性基础，棘波放电时间以及放电位置等相关参数具有较大意义，确定这些参数的首要步骤就是棘波检测。

现有的棘波检测方法主要分为两种，传统方法往往偏向于特征工程，通过设计一种或多种能够表征棘波特点的特征后通过阈值法等较为简单的分类方法将信号区分为棘波与非棘波；深度学习方法则倾向于通过设计深度神经网络分类模型，直接将原始脑电信号或是几类基础特征作为输入进行分类。这些检测方法存在以下缺点：

1.传统方法由于分类器性能较弱，因此对提取特征的表征能力较为苛刻，为提高模型性能往往需要提取多种特征，计算复杂度较高；

2.深度学习方法一般采用全连接神经网络或卷积神经网络，不能有效利用脑电信号作为一种时序信号的特点。

本发明基于循环神经网络能够接收多通道时序特征的特点，提出了一种棘波放电检测算法，通过在脑电信号中提取两种能够凸显棘波特点的脑电时序特征，联合原信号进行检测，实现精度更高、抗干扰能力更强的棘波检测效果。

发明内容

本发明针对现有棘波检测方案的不足，提出了一种基于时序特征和堆叠Bi-LSTM网络的棘波检测方法。本发明能够实现自动提取脑电信号片段两种时序特征，与脑电信号进行特征融合并完成高精度的棘波分类检测。

本发明的技术方案主要包括如下步骤：

步骤1、对输入的已经过预标记的原始单通道脑电信号进行预处理操作，所述的预标记为对原始单通道脑电信号标记棘波和非棘波时间点；所述的预处理操作包括级联滤波和标准化处理；最后，依据检测目标波形时长特征，在时域对预处理完的脑电信号进行分割，得到脑电信号片段，并对训练集棘波数据进行数据增强。

步骤2、在分割后得到脑电信号片段上通过两种时序特征提取算法得到对突变峰信号敏感的平滑非线性能量特征和能够保持棘波完整性的同时抑制其他波形幅值的形态学特征，对得到的两种时序特征进行裁剪以保证长度与脑电信号片段一致后，与脑电信号片段拼接得到特征矩阵。

步骤3、利用得到的特征矩阵和标注信息，训练堆叠Bi-LSTM网络模型。

步骤4、采用测试数据对训练好的堆叠Bi-LSTM网络模型进行测试，并统计四个基本参数，用于衡量模型的识别性能，根据测试结果对堆叠Bi-LSTM网络模型进行性能优化。

所述步骤1的具体实现如下：

1-1.将原始输入的单通道脑电信号利用1-70HZ带通滤波器取得脑电能量信号最集中的频段，再利用50HZ陷波滤波器进行滤波去除工频噪声。

1-2.通过Savitzky-Golay滤波算法，利用三阶多项式依据最小二乘准则拟合滤波窗口内的信号数据，再通过已求得的多项式参数计算窗口中心点的函数值以代替原有数值。能在较好保留波形极值分布特征的同时，对信号的高频毛刺信号进行滤除，对脑电信号中存在咀嚼吞咽等伪迹干扰也具有一定效果。

1-3.将预先标记的脑电数据划分为训练数据和测试数据，并依据其目的不同，通过不同的方法进行脑电信号分割：训练数据以预标记点为中心对脑电信号进行分割，每个脑电信号片段时长为0.2秒；测试数据将整段脑电信号有重叠地进行连续分割，重叠时长为0.1秒，每个脑电信号片段时长为0.2秒。

1-4.由于棘波放电时长远小于正常状态时长，因此对训练集棘波数据通过SMOTE算法进行数据增强，步骤如下：

(1)对于棘波数据样本中的每一个样本s，计算它到剩余全部棘波数据样本的欧式距离。

(2)根据样本不平衡比例设定采样倍率K，对于棘波数据样本，从其k近邻中随机选择K个样本。

(3)假设选择的近邻为s′，对于每一个随机选出的近邻s′，分别与原样本按照以下公式构建新的样本s_new：

s_new＝s+rand(0，1)×(s′-s)

所述的步骤2具体操作如下：

2-1.通过以下非线性能量算子计算脑电信号片段非线性能量特征：

ψ[x(n)]＝x²(n)+x(n-1)x(n+1)

其中x(n)为步骤1得到的脑电信号片段，n＝1，2，...，N，N为信号片段长度，在此基础上叠加一个窗函数对得到的非线性能量进行卷积，计算得信号片段的平滑非线性能量特征：

ψ_s[x(n)]＝w(n)*ψ[x(n)]

其中w(n)为三角窗函数。

2-2.通过形态学组合滤波对信号片段进行特征提取，四种形态学基本运算：腐蚀

膨胀

开运算

和闭运算

分被定义为：

其中，g为高斯函数结构因子，m为结构因子长度。在此基础上，开闭运算(OC)和闭开运算(CO)定义为：

级联开闭-闭开平均组合滤波运算(OCCO)定义为：

所需提取的形态学特征定义为：

M(x(n))＝x(n)-OCCO(x(n))

2-3.取得两个特征后，在保证中心点位置不变的情况下，将两个特征裁剪为与原信号长度保持一致。将步骤1得到的脑电信号片段、平滑非线性能量特征和形态学特征按时间轴方向并联拼接，得到三维的特征矩阵。

所述步骤3基于步骤2得到样本的特征矩阵，训练堆叠Bi-LSTM网络模型，用于对脑电数据进行分类。

3-1.将步骤2所得的特征矩阵根据标记信息划分成两类，即棘波和非棘波。

3-2.使用两类特征矩阵，训练堆叠Bi-LSTM网络模型，所述的堆叠Bi-LSTM网络模型包括堆叠Bi-LSTM网络层和全连接分类层，所述的堆叠Bi-LSTM网络层由两层Bi-LSTM网络组成，Bi-LSTM网络包括前向LSTM和后向LSTM。作为堆叠Bi-LSTM网络层的基础，LSTM网络的训练流程如下：

(1)令l(i)为LSTM网络中每一个模块的损失函数，I为模块个数，首先定义全局化损失函数L：

(2)令h_j(i)为隐藏层第j个记忆单元的输出，J为记忆单元的长度，由链式法则得到全局化损失函数L对权重参数w的偏微分：

引入变量L(t)，用于表示第i步开始到结束的损失：

相应偏微分公式变为：

联立得最优化结果为：

(3)利用权重参数w对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化。

全连接层训练流程如下：

(1)前向传播，即由输入层开始，逐层计算每一个神经元的输出，最终得到输出层神经元的输出。

令a为神经元的输入，W为权重矩阵，b为偏置，f为激活函数，则输出h有公式如下：

h＝f(W^Ta+b)

(2)反向传播，采用梯度下降法更新参数，定义好损失函数后，通过链式求导法则计算损失函数对权重参数的偏微分，利用各权重参数对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化。

所述步骤4采用测试数据对训练好的堆叠Bi-LSTM网络模型进行测试，并统计四个基本参数，用于衡量模型的识别性能，根据测试结果对堆叠Bi-LSTM网络模型进行性能优化。

4-1.将测试数据输入训练好的堆叠Bi-LSTM网络模型中，得到测试数据脑电信号片段的识别结果，所述的测试数据脑电信号片段的识别结果包括包含棘波点的信号片段识别结果和未包含棘波点的信号片段识别结果。

4-2.首先，对包含棘波点的信号片段识别结果进行进一步判定，由于测试脑电信号裁剪时有50％的重叠时长，因此一个棘波点必定包含在两个相邻的脑电信号片段内，当两个脑电信号片段至少有一个被识别为棘波时，判定这两个脑电信号片段的识别结果正确，否则判定识别结果错误。然后，对未包含棘波点的信号片段识别结果进行判定。当片段识别结果为棘波时，判定识别结果错误，否则判定识别结果正确。最终得到识别结果正确的样本集和识别结果错误的样本集。

4-4.统计四个基本参数，所述的四个基本参数包括真阳(true positive)、真阴(true negative)、假阳(false positive)和假阴(false negative)，真阳为识别结果正确样本中含棘波的样本数量，真阴为识别结果正确样本中不含棘波的样本数量，假阳为识别结果错误样本中不含棘波的样本数量，假阴为识别结果错误样本中含棘波的样本数量。

4-5.根据获得的四个基本参数调整模型特征输入组合、堆叠Bi-LSTM网络隐藏层单元数以及神经网络训练算法学习率，对堆叠Bi-LSTM网络模型进行优化。

本发明有益效果如下：

运用此种基于脑电时序特征提取和堆叠Bi-LSTM网络的棘波检测方法后，不仅可以通过循环神经网络模型对脑电时序特征进行有效学习达到对棘波放电精准检测的效果，还提供了一种可用于衡量棘波检测算法性能的流程，为后续其他同类型算法测试性能指标建立了一种标准。通过在多通道脑电图的不同通道使用该棘波检测算法，能够同时检测棘波以及其产生通道位置。

附图说明

图1为本发明实施例结构示意图；

图2为本发明实施例求取性能参数流程图；

图3为本发明实施例棘波识别效果图。

具体实施方式

下面结合附图和具体实施方式对本发明作详细说明。

如图1所示，通用的针对尖棘波放电多通道联合检测方法的实现步骤，在发明内容内已有详细的介绍，即本发明的技术方案主要包括如下步骤：

步骤1、对输入的已经过预标记的原始单通道脑电信号进行预处理操作，所述的预标记为对原始单通道脑电信号标记棘波和非棘波时间点；所述的预处理操作包括级联滤波和标准化处理；最后，依据检测目标波形时长特征，在时域对预处理完的脑电信号进行分割，得到脑电信号片段，并对训练集棘波数据进行数据增强。

步骤2、在分割后得到脑电信号片段上通过两种时序特征提取算法得到对突变峰信号敏感的平滑非线性能量特征和能够保持棘波完整性的同时抑制其他波形幅值的形态学特征，对得到的两种时序特征进行裁剪以保证长度与脑电信号片段一致后，与脑电信号片段拼接得到特征矩阵。

步骤3、利用得到的特征矩阵和标注信息，训练堆叠Bi-LSTM网络模型。

步骤4、采用测试数据对训练好的堆叠Bi-LSTM网络模型进行测试，并统计四个基本参数，用于衡量模型的识别性能，根据测试结果对堆叠Bi-LSTM网络模型进行性能优化。

所述步骤1的具体实现如下：

1-1.将原始输入的单通道脑电信号利用1-70HZ带通滤波器取得脑电能量信号最集中的频段，再利用50HZ陷波滤波器进行滤波去除工频噪声。

1-2.通过Savitzky-Golay滤波算法，利用三阶多项式依据最小二乘准则拟合滤波窗口内的信号数据，再通过已求得的多项式参数计算窗口中心点的函数值以代替原有数值。能在较好保留波形极值分布特征的同时，对信号的高频毛刺信号进行滤除，对脑电信号中存在咀嚼吞咽等伪迹干扰也具有一定效果。

1-3.将预先标记的脑电数据划分为训练数据和测试数据，并依据其目的不同，通过不同的方法进行脑电信号分割：训练数据以预标记点为中心对脑电信号进行分割，每个脑电信号片段时长为0.2秒；测试数据将整段脑电信号有重叠地进行连续分割，重叠时长为0.1秒，每个脑电信号片段时长为0.2秒。

1-4.由于棘波放电时长远小于正常状态时长，因此对训练集棘波数据通过SMOTE算法进行数据增强，步骤如下：

(1)对于棘波数据样本中的每一个样本s，计算它到剩余全部棘波数据样本的欧式距离。

(2)根据样本不平衡比例设定采样倍率K，对于棘波数据样本，从其k近邻中随机选择K个样本。

(3)假设选择的近邻为s′，对于每一个随机选出的近邻s′，分别与原样本按照以下公式构建新的样本s_new：

s_new＝s+rand(0，1)×(s′-s)

所述的步骤2具体操作如下：

2-1.通过以下非线性能量算子计算脑电信号片段非线性能量特征：

ψ[x(n)]＝x²(n)+x(n-1)x(n+1)

其中x(n)为步骤1得到的脑电信号片段，n＝1，2，...，N，N为信号片段长度，在此基础上叠加一个窗函数对得到的非线性能量进行卷积，计算得信号片段的平滑非线性能量特征：

ψ_s[x(n)]＝w(n)*ψ[x(n)]

其中w(n)为三角窗函数。

2-2.通过形态学组合滤波对信号片段进行特征提取，四种形态学基本运算：腐蚀

膨胀

开运算

和闭运算

分被定义为：

其中，g为高斯函数结构因子，m为结构因子长度。在此基础上，开闭运算(OC)和闭开运算(CO)定义为：

级联开闭-闭开平均组合滤波运算(OCCO)定义为：

所需提取的形态学特征定义为：

M(x(n))＝x(n)-OCCO(x(n))

2-3.取得两个特征后，在保证中心点位置不变的情况下，将两个特征裁剪为与原信号长度保持一致。将步骤1得到的脑电信号片段、平滑非线性能量特征和形态学特征按时间轴方向并联拼接，得到三维的特征矩阵。

所述步骤3基于步骤2得到样本的特征矩阵，训练堆叠Bi-LSTM网络模型，用于对脑电数据进行分类。

3-1.将步骤2所得的特征矩阵根据标记信息划分成两类，即棘波和非棘波。

3-2.使用两类特征矩阵，训练堆叠Bi-LSTM网络模型，所述的堆叠Bi-LSTM网络模型包括堆叠Bi-LSTM网络层和全连接分类层，所述的堆叠Bi-LSTM网络层由两层Bi-LSTM网络组成，Bi-LSTM网络包括前向LSTM和后向LSTM。作为堆叠Bi-LSTM网络层的基础，LSTM网络的训练流程如下：

(1)令l(i)为LSTM网络中每一个模块的损失函数，I为模块个数，首先定义全局化损失函数L：

(2)令h_j(i)为隐藏层第j个记忆单元的输出，J为记忆单元的长度，由链式法则得到全局化损失函数L对权重参数w的偏微分：

引入变量L(t)，用于表示第i步开始到结束的损失：

相应偏微分公式变为：

联立得最优化结果为：

(3)利用权重参数w对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化。

全连接层训练流程如下：

(1)前向传播，即由输入层开始，逐层计算每一个神经元的输出，最终得到输出层神经元的输出。

令a为神经元的输入，W为权重矩阵，b为偏置，f为激活函数，则输出h有公式如下：

h＝f(W^Ta+b)

(2)反向传播，采用梯度下降法更新参数，定义好损失函数后，通过链式求导法则计算损失函数对权重参数的偏微分，利用各权重参数对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化。

如图2所示，所述步骤4采用测试数据对训练好的堆叠Bi-LSTM网络模型进行测试，并统计四个基本参数，用于衡量模型的识别性能，根据测试结果对堆叠Bi-LSTM网络模型进行性能优化。

4-1.将测试数据输入训练好的堆叠Bi-LSTM网络模型中，得到测试数据脑电信号片段的识别结果，所述的测试数据脑电信号片段的识别结果包括包含棘波点的信号片段识别结果和未包含棘波点的信号片段识别结果。

4-2.首先，对包含棘波点的信号片段识别结果进行进一步判定，由于测试脑电信号裁剪时有50％的重叠时长，因此一个棘波点必定包含在两个相邻的脑电信号片段内，当两个脑电信号片段至少有一个被识别为棘波时，判定这两个脑电信号片段的识别结果正确，否则判定识别结果错误。然后，对未包含棘波点的信号片段识别结果进行判定。当片段识别结果为棘波时，判定识别结果错误，否则判定识别结果正确。最终得到识别结果正确的样本集和识别结果错误的样本集。

4-4.统计四个基本参数，所述的四个基本参数包括真阳(true positive)、真阴(true negative)、假阳(false positive)和假阴(false negative)，真阳为识别结果正确样本中含棘波的样本数量，真阴为识别结果正确样本中不含棘波的样本数量，假阳为识别结果错误样本中不含棘波的样本数量，假阴为识别结果错误样本中含棘波的样本数量。

4-5.根据获得的四个基本参数调整模型特征输入组合、堆叠Bi-LSTM网络隐藏层单元数以及神经网络训练算法学习率，对堆叠Bi-LSTM网络模型进行优化。

图3为本发明实施例棘波识别效果图。

为了达到更好的尖棘波放电检测效果，以下将从实际应用时参数的选择与设计方面展开介绍，以作为该发明用于其他应用的参考:

在1-3步骤中，选取0.2秒作为一帧的时长是考虑到棘波放电时长为0.02-0.07s，尖波放电时长为0.07-0.2s，虽然临床中对棘波和尖波的定义有所不同，但在棘波和尖波的自动识别领域，将二者统称为癫痫瞬变现象或统称为棘波，本专利中所提的棘波均指代医学意义上棘波和尖波的集合。

在1-3步骤中，训练数据和测试数据的数据切割方法不同，这源于切割数据的目的不同，训练数据是将标记的各个数据段用于训练后续模型，仅对数据中有标记的片段进行提取。而测试数据是为了在整段脑电数据上检测棘波，需对整段数据进行完全分割用于后续识别，为了防止分割时无法截取完整的特征信号，需要考虑进行样本重叠工作，一般设置为50％的重叠，也即0.1s长度的帧移。

在2-3步骤中，由于不同脑电图采集仪器采样频率不同，需要相应对长短时记忆神经网络中输入序列长度参数进行调整，保证0.2s时长的单通道信号输入网络时不发生报错。

在4-2步骤中，由于测试数据在连续分割时棘波点位置可能出现在信号片段的边缘，不能保证每个包含棘波点的脑电信号片段含有完成的棘波特征波形。因此，仅当包含同一个棘波点的两个连续脑电信号片段识别结果都为非棘波时才被认为是识别错误。

本发明提出的基于脑电时序特征和堆叠Bi-LSTM网络的棘波检测算法，在输入脑电图中精确标注棘波放电时间点，用于训练模型，进而通过连续裁剪实现棘波检测的功能，后续可进一步提供棘波相关统计量，有效辅助医生进行诊断治疗。由于脑电信号复杂程度高且易受干扰，加之存在波形特征相似度高但非棘波信号的正常生理电信号，传统的特征提取算法加分类器对棘波的检测效果抗干扰性差，脑电信号中存在的许多干扰被误判为棘波。同时，若利用其它结构的神经网络代替本算法中的堆叠Bi-LSTM网络作为分类器，虽然也能实现检测目的，但算法各项性能指标均未达到本算法提出网络结构的水平。综上所述，本发明中利用Bi-LSTM网络对提取到的脑电时序特征进行学习，能够实现性能较强的棘波检测功能。

Claims (5)

1.基于时序特征和堆叠Bi-LSTM网络的棘波检测方法，其特征在于，包括如下步骤：

步骤1、对输入的已经过预标记的原始单通道脑电信号进行预处理操作，所述的预标记为对原始单通道脑电信号标记棘波和非棘波时间点；所述的预处理操作包括级联滤波和标准化处理；最后，依据检测目标波形时长特征，在时域对预处理完的脑电信号进行分割，得到脑电信号片段，并对训练集棘波数据进行数据增强；

步骤2、在分割后得到脑电信号片段上通过两种时序特征提取算法得到对突变峰信号敏感的平滑非线性能量特征和能够保持棘波完整性的同时抑制其他波形幅值的形态学特征，对得到的两种时序特征进行裁剪以保证长度与脑电信号片段一致后，与脑电信号片段拼接得到特征矩阵；

步骤3、利用得到的特征矩阵和标注信息，训练堆叠Bi-LSTM网络模型；

步骤4、采用测试数据对训练好的堆叠Bi-LSTM网络模型进行测试，并统计四个基本参数，用于衡量模型的识别性能，根据测试结果对堆叠Bi-LSTM网络模型进行性能优化。

2.根据权利要求1所述的基于时序特征和堆叠Bi-LSTM网络的棘波检测方法，其特征在于，所述步骤1的具体实现如下：

1-1.将原始输入的单通道脑电信号利用1-70HZ带通滤波器取得脑电能量信号最集中的频段，再利用50HZ陷波滤波器进行滤波去除工频噪声；

1-2.通过Savitzky-Golay滤波算法，利用三阶多项式依据最小二乘准则拟合滤波窗口内的信号数据，再通过已求得的多项式参数计算窗口中心点的函数值以代替原有数值；

1-3.将预先标记的脑电数据划分为训练数据和测试数据，并依据其目的不同，通过不同的方法进行脑电信号分割：训练数据以预标记点为中心对脑电信号进行分割，每个脑电信号片段时长为0.2秒；测试数据将整段脑电信号有重叠地进行连续分割，重叠时长为0.1秒，每个脑电信号片段时长为0.2秒；

1-4.由于棘波放电时长远小于正常状态时长，因此对训练集棘波数据通过SMOTE算法进行数据增强，步骤如下：

(1)对于棘波数据样本中的每一个样本s，计算它到剩余全部棘波数据样本的欧式距离；

(2)根据样本不平衡比例设定采样倍率K，对于棘波数据样本，从其k近邻中随机选择K个样本；

(3)假设选择的近邻为s′，对于每一个随机选出的近邻s′，分别与原样本按照以下公式构建新的样本s_new：

s_new＝s+rand(0，1)×(s′-s)。

3.根据权利要求2所述的基于时序特征和堆叠Bi-LSTM网络的棘波检测方法，其特征在于，所述的步骤2具体操作如下：

2-1.通过以下非线性能量算子计算脑电信号片段非线性能量特征：

ψ[x(n)]＝x²(n)+x(n-1)x(n+1)

其中x(n)为步骤1得到的脑电信号片段，n＝1，2，...，N，N为信号片段长度，在此基础上叠加一个窗函数对得到的非线性能量进行卷积，计算得信号片段的平滑非线性能量特征：

ψ_s[x(n)]＝w(n)*ψ[x(n)]

其中w(n)为三角窗函数；

2-2.通过形态学组合滤波对信号片段进行特征提取，四种形态学基本运算：腐蚀

膨胀

开运算(○)和闭运算(·)分被定义为：

其中，g为高斯函数结构因子，m为结构因子长度；在此基础上，开闭运算(OC)和闭开运算(CO)定义为：

OC[x(n)]＝[(x○g)·g](n)

CO[x(n)]＝[(x·g)○g](n)

级联开闭-闭开平均组合滤波运算(OCCO)定义为：

所需提取的形态学特征定义为：

M(x(n))＝x(n)-OCCO(x(n))

2-3.取得两个特征后，在保证中心点位置不变的情况下，将两个特征裁剪为与原信号长度保持一致；将步骤1得到的脑电信号片段、平滑非线性能量特征和形态学特征按时间轴方向并联拼接，得到三维的特征矩阵。

4.根据权利要求3所述的基于时序特征和堆叠Bi-LSTM网络的棘波检测方法，其特征在于，所述步骤3具体操作如下：

3-1.将步骤2所得的特征矩阵根据标记信息划分成两类，即棘波和非棘波；

3-2.使用两类特征矩阵，训练堆叠Bi-LSTM网络模型，所述的堆叠Bi-LSTM网络模型包括堆叠Bi-LSTM网络层和全连接分类层，所述的堆叠Bi-LSTM网络层由两层Bi-LSTM网络组成，Bi-LSTM网络包括前向LSTM和后向LSTM；作为堆叠Bi-LSTM网络层的基础，LSTM网络的训练流程如下：

(1)令l(i)为LSTM网络中每一个模块的损失函数，I为模块个数，首先定义全局化损失函数L：

(2)令h_j(i)为隐藏层第j个记忆单元的输出，J为记忆单元的长度，由链式法则得到全局化损失函数L对权重参数w的偏微分：

引入变量L(t)，用于表示第i步开始到结束的损失：

相应偏微分公式变为：

联立得最优化结果为：

(3)利用权重参数w对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化；

全连接层训练流程如下：

(1)前向传播，即由输入层开始，逐层计算每一个神经元的输出，最终得到输出层神经元的输出；

令a为神经元的输入，W为权重矩阵，b为偏置，f为激活函数，则输出h有公式如下：

h＝f(W^Ta+b)

(2)反向传播，采用梯度下降法更新参数，定义好损失函数后，通过链式求导法则计算损失函数对权重参数的偏微分，利用各权重参数对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化。

5.根据权利要求4所述的基于时序特征和堆叠Bi-LSTM网络的棘波检测方法，其特征在于，所述步骤4具体操作如下：

4-1.将测试数据输入训练好的堆叠Bi-LSTM网络模型中，得到测试数据脑电信号片段的识别结果，所述的测试数据脑电信号片段的识别结果包括包含棘波点的信号片段识别结果和未包含棘波点的信号片段识别结果；

4-2.首先，对包含棘波点的信号片段识别结果进行进一步判定，由于测试脑电信号裁剪时有50％的重叠时长，因此一个棘波点必定包含在两个相邻的脑电信号片段内，当两个脑电信号片段至少有一个被识别为棘波时，判定这两个脑电信号片段的识别结果正确，否则判定识别结果错误；然后，对未包含棘波点的信号片段识别结果进行判定；当片段识别结果为棘波时，判定识别结果错误，否则判定识别结果正确；最终得到识别结果正确的样本集和识别结果错误的样本集；

4-4.统计四个基本参数，所述的四个基本参数包括真阳(true positive)、真阴(truenegative)、假阳(false positive)和假阴(false negative)，真阳为识别结果正确样本中含棘波的样本数量，真阴为识别结果正确样本中不含棘波的样本数量，假阳为识别结果错误样本中不含棘波的样本数量，假阴为识别结果错误样本中含棘波的样本数量；

4-5.根据获得的四个基本参数调整模型特征输入组合、堆叠Bi-LSTM网络隐藏层单元数以及神经网络训练算法学习率，对堆叠Bi-LSTM网络模型进行优化。

Images