CN113197545B - 基于图注意力残差网络与焦点损失的癫痫检测系统 - Google Patents

Abstract

本发明公开了基于图注意力残差网络与焦点损失的癫痫检测系统，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，将预处理后的每一个通道的信号视为一个图节点，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：将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果。建立深层次的图卷积网络可以有效的解码更深层次脑电特征同时残差网络也避免了深层模型的梯度反传对癫痫检测结果的干扰。

Description

基于图注意力残差网络与焦点损失的癫痫检测系统

技术领域

本发明涉及脑电信号处理技术领域，特别是涉及基于图注意力残差网络与焦点损失的癫痫检测系统。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

脑电图是通过在头皮表面通过生物电极记录脑组织生物电活动的一种诊断方法，通过医学仪器把正常脑组织电活动放大100万倍并转化为波形图，用于协助癫痫检测。癫痫发作是由于大脑皮层的一些神经细胞过度异样放电造成的，换句话说，癫痫在发作的时候肯定会伴有大脑皮层的异常放电，因此脑电图是诊断癫痫必不可少的一种检查方法。癫痫病人经常复查脑电图很有必要。癫痫发作是大脑神经元的异常放电，这种异常放电在脑电图上表现为“异常波”。这种波可出现在癫痫发作时也可出现在不发作时。为了确定癫痫发作类型和寻找癫痫病灶，需要反复做脑电图。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，效率低，所以脑电图的自动识别成为医学领域发展的主线。

大多传统的癫痫检测方法以及深度学习方法只是考虑了脑电时间上的特征，却没有考虑到时序脑电信号中电极之间的相关性联系，以及正负样本不平衡的问题，这会对实验造成一定的干扰。

发明内容

为了解决现有技术的不足，本发明提供了基于图注意力残差网络与焦点损失的癫痫检测系统；

第一方面，本发明提供了基于图注意力残差网络与焦点损失的癫痫检测系统；

基于图注意力残差网络与焦点损失的癫痫检测系统，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，将预处理后的每一个通道的信号视为一个图节点，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：将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果。

第二方面，本发明还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行以下步骤：

获取待检测的多通道脑电信号；

对待检测的多通道脑电信号进行预处理，将预处理后的每一个通道的信号视为一个图节点，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；

将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果。

第三方面，本发明还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

获取待检测的多通道脑电信号；

对待检测的多通道脑电信号进行预处理，将预处理后的每一个通道的信号视为一个图节点，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；

将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，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，本发明的有益效果是：

(1)第一次将图注意力残差网络和焦点损失结合起来应用到癫痫检测上，其中焦点损失解决了正负样本不平衡对实验所造成的干扰。

(2)建立深层次的图卷积网络可以有效的解码更深层次脑电特征同时残差网络也避免了深层模型的梯度反传对癫痫检测结果的干扰。

(3)每一层GCN层都嵌入了注意力机制，其作用是保留原始EEG信号并从中选择最关键的信息，给EEG电极分配权重挑选最优特征，从而进一步提升癫痫检测的准确率。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本申请实施例一的癫痫脑电数据预处理过程以及基于图注意残差网络和焦点损失的癫痫检测方法流程图。

图2是本申请实施例一的图注意力残差网络结构示意图；

图3是本申请实施例一的一个数据集介绍实例图；

图4是本申请实施例一的消融实验对比图；

图5是本申请实施例一的癫痫发作的示意图；

图6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，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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，本发明中的实施例及实施例中的特征可以相互组合。

术语解释：

1.焦点损失:又叫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.图注意力残差神经网络(Attention Graph Residual Network，AGRN)：又叫AGRN，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图注意力残差网络与焦点损失的癫痫检测系统；

如图1所示，基于图注意力残差网络与焦点损失的癫痫检测系统，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，将预处理后的每一个通道的信号视为一个图节点，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：将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果。

进一步地，所述获取待检测的多通道脑电信号；具体包括：

采用16个脑电电极，采集脑电信号，获得待检测的16个通道的脑电信号。

进一步地，所述对待检测的多通道脑电信号进行预处理，具体包括：

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。

进一步地，所述将预处理后的每一个通道的信号视为一个图节点，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图节点；

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。

进一步地，所述将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，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图注意力残差网络中；

预先训练好的图注意力残差网络，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。

进一步地，如图2所示，所述图注意力残差网络，其网络结构包括：

依次连接的GCN层a1、注意力机制层b1、激活函数层c1、GCN层a2、注意力机制层b2、残差网络层d1、激活函数层c2、最大池化层f1、GCN层a3、注意力机制层b3、激活函数层c3、GCN层a4、注意力机制层b4、残差网络层d2、激活函数层c4、最大池化层f2、GCN层a5、注意力机制层b5、激活函数层c5、GCN层a6、注意力机制层b6、残差网络层d3、激活函数层c6、最大池化层f3、GCN层a7、注意力机制层b7、激活函数层c7、GCN层a8、注意力机制层b8、残差网络层d4、激活函数层c8、最大池化层f4、GCN层a9、注意力机制层b9、激活函数层c9、GCN层a10、注意力机制层b10、残差网络层d5、激活函数层c10、最大池化层f5、GCN层a11、注意力机制层b11、激活函数层c11、GCN层a12、注意力机制层b12、残差网络层d6、激活函数层c12、最大池化层f6、全连接层FC和输出层。

应理解的，每个残差网络层的输入端，除了与其相邻的注意力机制层的输出端连接以外，还与前一个GCN层的输入端连接。

例如：残差网络层d1的输入端，除了与注意力机制层b2的输出端连接，还与GCN层a1的输入端连接；

再例如：残差网络层d2的输入端，除了与注意力机制层b4的输出端连接，还与GCN层a3的输入端连接。

进一步地，所述GCN层，用于聚合邻居节点信息。

进一步地，所述注意力机制层，用于学习关键脑电信息。

进一步地，所述激活函数层，用于增添非线性元素，增强模型的泛化能力。

进一步地，所述残差网络层，用于防止模型在训练过程中发生梯度消失。

进一步地，所述最大池化层，用于过滤一些不重要的脑电信息。

进一步地，所述全连接层FC，用于在模型最后进行癫痫二分类检测。

进一步地，所述图注意力残差网络，其工作原理包括：

先经过GCN层a1聚合信息，在经过注意力机制层b1提取关键信息，经过激活函数层c1的激活函数Leacky Relu对特征进行归一化处理；

GCN层a2聚合信息，在经过注意力机制层b2提取关键信息，残差网络层d1将GCN层a1的输入值与注意力机制层b2的输出值进行求和，求和结果送入激活函数层c2，激活函数层c2的输出值再送入到最大池化层f1得到最大池化结果；残差网络层用于防止过拟合和梯度消失；

以此类推，图注意力残差网络一共12层，每两层都会叠加一层最大池化层与残差网络层，每一个GCN层都会嵌入一层注意力机制层和一激活函数层，最后放入全连接层FC进行癫痫二分类检测，检测结果为二分类-癫痫发作期或者癫痫发作间期。

进一步地，所述预先训练好的图注意力残差网络，训练步骤包括：

构建训练集、验证集和测试集；

构建图注意力残差网络；

利用训练集、验证集和测试集，对图注意力残差网络进行训练、验证和测试，当损失函数达到最小值，或者迭代次数满足设定要求时，停止训练，得到训练好的图注意力残差网络。

在训练过程中，使用10折交叉验证来确保实验结果的稳定性；统一取400s的癫痫发作样本和3600秒的未发作样本进行训练，正负样本之比为1：9；实验结果是从10次交叉验证中得出的平均值。

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。在实际生活中,一名癫痫患者的发病周期大约为一天3-4次，每次持续时间约3-5分钟。所以在划分的数据样本中，往往癫痫发作的样本要远远少于非发作时候的样本，这就会导致癫痫检测过程中正负样本严重失衡的问题，从而对最终的实验结果造成干扰。而Focal loss会动态的调整正负样本的比例。

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，在FC层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图注意力残差网络中，进行傅里叶变换，提取主要特征，利用Focal loss损失函数进一步提高实验的准确性；并最终在全连接层进行癫痫检测。

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，利用图注意力残差网络对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图注意力残差网络的输入，通过Focal loss平衡正负样本权重，在全连接层最终实现高效的癫痫检测。

在本申请中本发明引用了一个深层的图注意力残差网络，对输入的癫痫数据进行特征提取，具体的运行规则是:

u＝tanh(wy+b)

该公式是AGRN的计算公式，该模型共12层卷积层。其中，L代表归一化的拉普拉斯矩阵，T表示切比雪夫计算公式，w是可训练的权重矩阵。

模型AGRN+Focal loss的初始输入为x和A，x代表图第一层的特征图谱，x为脑电通道的特征矩阵，A代表脑电通道之间的邻接矩阵。再加上Leacky Relu激活函数，最大池化层和全连接层，就形成了本发明的模型架构。

图注意力残差网络，是根据传统的基于频谱GCN的进一步改变得到的，也可理解为是频谱GCN的升级版本。图注意力残差网络AGRN的卷积核是由切比雪夫的3阶多项式近似而成的。

如图3所示，首先通过硬件设备以及10-20国际脑电导联系统环境得到原始脑电图，再利用pycharm将原始脑电数据读取出计算机所能识别的数据格式，读取出来是脑电波的属性矩阵x，每一行代表其中一个通道的特征信息，列代表通道个数。在对数据进行划分根据比例划分成训练数据和测试数据，在对划分出的每一段数据通过皮尔森相关性计算出通道之间的距离，根据一定的阈值范围得到图结构A。

将x和A输入到A-GRN模型中，首先先经过第一层GCN层聚合信息，在经过第一层注意力层提取关键信息，经过Leacky Relu激活函数对特征进行归一化处理；

在到第二层GCN层与注意力层，此时为了防止过拟合与梯度消失又叠加了一层残差层，激活函数和一层最大池化层。

依次类推，同理整个网络模型一共12层，每两层都会叠加一层最大池化层与残差网络层，每一个GCN层都会嵌入一层注意力层和一个激活函数，最后放入全连接层进行癫痫二分类检测(癫痫发作间期或者癫痫发作期)实现癫痫检测。

图2主要介绍了脑电图及其它的工作原理，包括对于实验所用数据集的介绍图。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4主要介绍了本发明实验的消融实验部分，也验证了Focal loss再平衡正负样本中的关键作用。图5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6则主要展示了本发明的实验部分。本发明在CHB-MIT数据集(国际10-20系统)上进行了癫痫检测实验。该数据集是由波士顿儿童医院(Boston Chil-dren's Hospital)收集，共有5位男性(3-22岁)和17位女性(1.5-19岁)组成。脑电信号以256Hz的采样，每条脑电记录总时长约一小时。该数据集总共收集了958小时的信号，其中198小时是癫痫发作时间。在对脑电图进行通道选择：选择最通用的16条双电极通道，对其他的双电极通道和单电极通道不作考虑，这里的16条通道是脑电数据在获取时不同的位置不同的电极中选择通用的部分，有利于统一的进行程序的运行。本发明将使用从CHB-MIT数据集中的每个受试者获得的EEG记录来评估所提出模型的性能，并使用国际10-20脑电图电极系统收集脑电图记录。由于每个患者的EEG采集电极设置不同，因此本发明选择了每个患者共有的16个常用通道作为原始数据。本发明选择以下双极剪辑中从16个通道记录的常见EEG信号，包括'FP1-F7'，'F7-T7'，'T7-P7'，'P7-O1'，'FP1-F3'，'F3-C3'，'C3-P3'，'P3-O1'，'FP2-F4'，'F4-C4'，'C4-P4'，'P4-O2'，'FP2-F8'，'F8-T8'，'FZ-CZ'，'CZ-PZ'。将16个通道转换为图的16个节点，充分利用了通道数据的信息以及时空的相关信息。根据通道，注意层之间的关系可以通过前馈神经网络获取每个通道的权重，该神经网络可以汇总其他通道的信息并更新自身，同时充分考虑不同通道在空间和时间上的相互作用。选择所有16个通道中的每个通道，以计算Pearson相关性，以形成邻接矩阵。邻接矩阵的特征是其值为0或1。阈值的选择会影响模型的性能。阈值范围在0.1-0.9之间。本发明评估了所选阈值对癫痫发作检测性能的影响。

本发明选择了5秒的滑动窗口来分析16个通道的EEG记录。这些设置是通过经验和试验获得的，可确保取得结果的良好动力。在训练过程中，本发明使用10折交叉验证来确保实验结果的稳定性。本发明统一取400s的癫痫发作样本和3600秒的未发作样本进行训练，正负样本之比为1：9。本发明的实验结果是从10次交叉验证中得出的平均值。

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AGRN和Focal-loss平衡正负样本权重来实现癫痫的自动检测。

实施例二

本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行以下步骤：

获取待检测的多通道脑电信号；

对待检测的多通道脑电信号进行预处理，将预处理后的每一个通道的信号视为一个图节点，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；

将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

实施例三

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

获取待检测的多通道脑电信号；

对待检测的多通道脑电信号进行预处理，将预处理后的每一个通道的信号视为一个图节点，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；

将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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.基于图注意力残差网络与焦点损失的癫痫检测系统，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，将预处理后的每一个通道的信号视为一个图节点，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：将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果；所述预先训练好的图注意力残差网络，训练步骤包括：构建训练集、验证集和测试集；构建图注意力残差网络；利用训练集、验证集和测试集，对图注意力残差网络进行训练、验证和测试，当损失函数达到最小值，或者迭代次数满足设定要求时，停止训练，得到训练好的图注意力残差网络；在训练过程中，使用10次交叉验证来确保实验结果的稳定性；统一取400s的癫痫发作样本和3600秒的未发作样本进行训练，正负样本之比为1：9；实验结果是从10次交叉验证中得出的平均值；所述图注意力残差网络，其网络结构包括：依次连接的GCN层a1、注意力机制层b1、激活函数层c1、GCN层a2、注意力机制层b2、残差网络层d1、激活函数层c2、最大池化层f1、GCN层a3、注意力机制层b3、激活函数层c3、GCN层a4、注意力机制层b4、残差网络层d2、激活函数层c4、最大池化层f2、GCN层a5、注意力机制层b5、激活函数层c5、GCN层a6、注意力机制层b6、残差网络层d3、激活函数层c6、最大池化层f3、GCN层a7、注意力机制层b7、激活函数层c7、GCN层a8、注意力机制层b8、残差网络层d4、激活函数层c8、最大池化层f4、GCN层a9、注意力机制层b9、激活函数层c9、GCN层a10、注意力机制层b10、残差网络层d5、激活函数层c10、最大池化层f5、GCN层a11、注意力机制层b11、激活函数层c11、GCN层a12、注意力机制层b12、残差网络层d6、激活函数层c12、最大池化层f6、全连接层FC和输出层；

所述图注意力残差网络，其工作原理包括：

先经过GCN层a1聚合信息，在经过注意力机制层b1提取关键信息，经过激活函数层c1的激活函数Leacky Relu对特征进行归一化处理；

GCN层a2聚合信息，在经过注意力机制层b2提取关键信息，残差网络层d1将GCN层a1的输入值与注意力机制层b2的输出值进行求和，求和结果送入激活函数层c2，激活函数层c2的输出值再送入到最大池化层f1得到最大池化结果；残差网络层用于防止过拟合和梯度消失；

以此类推，图注意力残差网络一共12层，每两层都会叠加一层最大池化层与残差网络层，每一个GCN层都会嵌入一层注意力机制层和一激活函数层，最后放入全连接层FC进行癫痫二分类检测，检测结果为二分类-癫痫发作期或者癫痫发作间期。

2.如权利要求1所述的基于图注意力残差网络与焦点损失的癫痫检测系统，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。

3.如权利要求1所述的基于图注意力残差网络与焦点损失的癫痫检测系统，其特征是，所述GCN层，用于聚合邻居节点信息。

4.如权利要求1所述的基于图注意力残差网络与焦点损失的癫痫检测系统，其特征是，所述注意力机制层，用于学习关键脑电信息。

5.如权利要求1所述的基于图注意力残差网络与焦点损失的癫痫检测系统，其特征是，所述残差网络层，用于防止模型在训练过程中发生梯度消失。

6.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行以下步骤：

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，将预处理后的每一个通道的信号视为一个图节点，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：将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果；所述预先训练好的图注意力残差网络，训练步骤包括：构建训练集、验证集和测试集；构建图注意力残差网络；利用训练集、验证集和测试集，对图注意力残差网络进行训练、验证和测试，当损失函数达到最小值，或者迭代次数满足设定要求时，停止训练，得到训练好的图注意力残差网络；在训练过程中，使用10次交叉验证来确保实验结果的稳定性；统一取400s的癫痫发作样本和3600秒的未发作样本进行训练，正负样本之比为1：9；实验结果是从10次交叉验证中得出的平均值；所述图注意力残差网络，其网络结构包括：依次连接的GCN层a1、注意力机制层b1、激活函数层c1、GCN层a2、注意力机制层b2、残差网络层d1、激活函数层c2、最大池化层f1、GCN层a3、注意力机制层b3、激活函数层c3、GCN层a4、注意力机制层b4、残差网络层d2、激活函数层c4、最大池化层f2、GCN层a5、注意力机制层b5、激活函数层c5、GCN层a6、注意力机制层b6、残差网络层d3、激活函数层c6、最大池化层f3、GCN层a7、注意力机制层b7、激活函数层c7、GCN层a8、注意力机制层b8、残差网络层d4、激活函数层c8、最大池化层f4、GCN层a9、注意力机制层b9、激活函数层c9、GCN层a10、注意力机制层b10、残差网络层d5、激活函数层c10、最大池化层f5、GCN层a11、注意力机制层b11、激活函数层c11、GCN层a12、注意力机制层b12、残差网络层d6、激活函数层c12、最大池化层f6、全连接层FC和输出层；

所述图注意力残差网络，其工作原理包括：

先经过GCN层a1聚合信息，在经过注意力机制层b1提取关键信息，经过激活函数层c1的激活函数Leacky Relu对特征进行归一化处理；

GCN层a2聚合信息，在经过注意力机制层b2提取关键信息，残差网络层d1将GCN层a1的输入值与注意力机制层b2的输出值进行求和，求和结果送入激活函数层c2，激活函数层c2的输出值再送入到最大池化层f1得到最大池化结果；残差网络层用于防止过拟合和梯度消失；

以此类推，图注意力残差网络一共12层，每两层都会叠加一层最大池化层与残差网络层，每一个GCN层都会嵌入一层注意力机制层和一激活函数层，最后放入全连接层FC进行癫痫二分类检测，检测结果为二分类-癫痫发作期或者癫痫发作间期。

7.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

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，将预处理后的每一个通道的信号视为一个图节点，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：将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果；所述预先训练好的图注意力残差网络，训练步骤包括：构建训练集、验证集和测试集；构建图注意力残差网络；利用训练集、验证集和测试集，对图注意力残差网络进行训练、验证和测试，当损失函数达到最小值，或者迭代次数满足设定要求时，停止训练，得到训练好的图注意力残差网络；在训练过程中，使用10次交叉验证来确保实验结果的稳定性；统一取400s的癫痫发作样本和3600秒的未发作样本进行训练，正负样本之比为1：9；实验结果是从10次交叉验证中得出的平均值；所述图注意力残差网络，其网络结构包括：依次连接的GCN层a1、注意力机制层b1、激活函数层c1、GCN层a2、注意力机制层b2、残差网络层d1、激活函数层c2、最大池化层f1、GCN层a3、注意力机制层b3、激活函数层c3、GCN层a4、注意力机制层b4、残差网络层d2、激活函数层c4、最大池化层f2、GCN层a5、注意力机制层b5、激活函数层c5、GCN层a6、注意力机制层b6、残差网络层d3、激活函数层c6、最大池化层f3、GCN层a7、注意力机制层b7、激活函数层c7、GCN层a8、注意力机制层b8、残差网络层d4、激活函数层c8、最大池化层f4、GCN层a9、注意力机制层b9、激活函数层c9、GCN层a10、注意力机制层b10、残差网络层d5、激活函数层c10、最大池化层f5、GCN层a11、注意力机制层b11、激活函数层c11、GCN层a12、注意力机制层b12、残差网络层d6、激活函数层c12、最大池化层f6、全连接层FC和输出层；

所述图注意力残差网络，其工作原理包括：

先经过GCN层a1聚合信息，在经过注意力机制层b1提取关键信息，经过激活函数层c1的激活函数Leacky Relu对特征进行归一化处理；

GCN层a2聚合信息，在经过注意力机制层b2提取关键信息，残差网络层d1将GCN层a1的输入值与注意力机制层b2的输出值进行求和，求和结果送入激活函数层c2，激活函数层c2的输出值再送入到最大池化层f1得到最大池化结果；残差网络层用于防止过拟合和梯度消失；

以此类推，图注意力残差网络一共12层，每两层都会叠加一层最大池化层与残差网络层，每一个GCN层都会嵌入一层注意力机制层和一激活函数层，最后放入全连接层FC进行癫痫二分类检测，检测结果为二分类-癫痫发作期或者癫痫发作间期。

Images