CN113907706A - 基于多尺度卷积和自注意力网络的脑电信号的癫痫发作预测方法 - Google Patents
基于多尺度卷积和自注意力网络的脑电信号的癫痫发作预测方法 Download PDFInfo
- Publication number
- CN113907706A CN113907706A CN202110999653.5A CN202110999653A CN113907706A CN 113907706 A CN113907706 A CN 113907706A CN 202110999653 A CN202110999653 A CN 202110999653A CN 113907706 A CN113907706 A CN 113907706A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- seizure
- attention
- layer
- electroencephalogram signal
- 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.)
- Granted
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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于多尺度卷积和自注意力网络的脑电信号的癫痫发作预测方法,将卷积神经网络和长短时记忆网络相结合,将原始脑电信号片段作为网络的输入,借鉴Inception的思想,利用多尺度卷积核对脑电信号序列进行编码,将卷积操作和池化相结合完成下采样,既实现了降维又保留了特征;利用LSTM提取脑电信号的时序特性,但是它只能学习脑电信号从前向后的信息,无法学习从后向前的信息;使用双向长短期记忆网络结合注意力机制对脑电信号片段的时间特性进行建模,来减少头皮脑电信号繁杂的预处理过程和人工干预的影响,以获得更好的预测性能。该方法具有一定的泛化性能,可以为癫痫发作的预警提供一定的依据。
Description
技术领域
本发明属于预测癫痫发作的研究领域。具体是利用多尺度卷积扩大神经元对多通道原始信号数据的感受范围,能够获得更多尺度的特征信息,并利用双向注意力网络对脑电信号片段的时间特性进行建模,来减少头皮脑电信号繁杂的预处理过程和人工干预的影响,以获得端到端的癫痫发作预测方法。
背景技术
根据国际抗癫痫联盟(ILAE)的报告,癫痫是由于大脑神经元突发性的异常放电而引起的暂时性大脑功能障碍的慢性疾病,具有自发性,反复性的特点,是最常见的神经系统疾病之一。癫痫发作常常产生令人不安的身体症状,如四肢不受控制地抽搐,知觉或意识的丧失,扰乱患者的日常活动,甚至增加过早死亡的风险。几十年来,癫痫的治疗主要包括药物治疗和手术治疗。然而,大约25%的癫痫患者不能用上述两种方法有效治疗,频繁的癫痫发作对患者及其家属的心理和生理都有很大的影响。因此,对癫痫发作的预测研究将从多方面极大地提高癫痫患者的生活质量,帮助癫痫患者过上更加正常的生活。如果能够确定癫痫发作时的脑活动状态,就有可能采取适当的干预措施来预防、减少或延迟癫痫发作,可以帮助患者避免游泳、开车或爬楼梯等危险活动。因此,癫痫发作预测研究将会极大地改善癫痫患者的生活质量,有助于预防癫痫发作时可能发生的事故和对患者造成的伤害,并且有助于在癫痫发作前能够及时提供药物或其他干预措施,帮助癫痫患者过上更正常的生活。
大多数癫痫发作预测研究假设癫痫脑电信号有四种连续的活动状态,包括发作前状态、发作状态、发作后状态和发作间期。发作预测的研究目的是准确的区分癫痫发作前期和癫痫发作间期这两个阶段,如果确定了当前状态为发作前期,可以给予患者相应的警告,让他们有一定的预防措施(如发出警报、使用短效药物、电刺激等),以应对即将到来的癫痫发作或减少癫痫发作情况下造成的伤害。目前,预测癫痫发作的研究主要有以下几种方法:通过计算脑电信号数据的时频域特征,设定阈值来区分发作前期和发作间期,但是需要大量的手工提取特征工作且不具有普适性;还有通过对脑电信号数据进行特征提取和特征选择,然后利用传统的机器学习算法完成脑电信号的分类;最新的一些研究利用深度学习技术,通过搭建网络模型提取脑电信号的特征并完成分类。然而,如何在发作间期和发作前期之间的分类问题上获得高灵敏度和低错误预测率仍然是一个主要挑战。
发明内容
针对上述问题,本发明提出了一种基于原始脑电信号的多尺度卷积的自注意力网络预测癫痫发作的方法。该网络是在单通道脑电数据上进行癫痫检测研究,利用一维卷积进行特征提取并对脑电信号降维,再利用双向长短时记忆网络(Bi-directional Long-Short Term Memory,BiLSTM)进行分类。BiLSTM是前向LSTM与后向LSTM的结合,在处理具有时序关系的数据时,往往比单向LSTM效果要好,因为BiLSTM所传达的信息需要有前面若干输入与后面若干输入共同决定。本研究基于该网络,结合Inception思想和Transformer自注意力编码层,提出Multi-Scale CSANet结构实现利用多通道脑电信号预测癫痫发作。
为实现上述目的,本发明采用的技术方案如下:
步骤1:对波士顿儿童医院的癫痫患者的脑电信号数据进行划分和预处理。将癫痫发作开始前的30分钟脑电信号定义为发作前期,将上一次发作结束后4小时开始到下一次发作开始前4小时的时间间隔定义为发作间期。癫痫发作开始之前的5分钟时间间隔被认为是干预时间,并从训练数据中排除。计算每个病人发作前期和发作间期的数据比K,设置采样窗口为S,在训练阶段以S*K的移动步长采集发作前期数据。将发作前期和发作间期的数据标签分别设为1和0。
步骤2:使用57-63Hz和117-123Hz范围的带通滤波器移除60Hz的噪声,0Hz也排除在外。接着,由于脑电信号的采样数较多,因此再将每个脑电信号片段分割为L/l个等长的脑电信号序列,每个信号序列的长度为l。
步骤3:搭建模型。本发明利用多尺度卷积扩大神经元对多通道原始信号数据的感受范围,能够获得更多尺度的特征信息,然后利用Transformer中带有自注意力的编码层提取特征,既能够很好的关注EEG重要的时序信息,又能并行计算,加快模型收敛。
步骤4:在将预处理后的脑电信号序列并行输入到卷积神经网络(ConvolutionalNeural Networks,CNN)中,分别提取l时长的脑电信号特征。然后再把上述输出的特征向量按时间顺序输入到LSTM中,方法借鉴Inception思想,采用不同尺度的卷积核提取原始EEG特征,使CNN能够关注到更加广泛的时序和通道特征。最后将这些结果进行拼接,进而完成EEG特征的融合,一方面增加了网络的宽度,另一方面也增加了网络对尺度的适应性。
自注意力编码层
癫痫发作预测是一个分类问题,本发明采用Transformer的Encoder部分对脑电信号进行编码,Encoder部分包括位置编码层(Position Encoding)、自注意力层(Self-Attention)、残差归一化层(Add&Normalize)和前馈网络层(Feed Forward)。为了包含时序信息,采用Position Encoding层加入位置编码,得到和输入一样维度的向量。这里利用sin和cos函数来计算每个输入的位置编码,见公式(1)和(2)。设输入向量的维度为[序列长度,向量维度],公式中的pos为某个输入的位置,i表示向量维度的序号,取值范围为[0,向量维度/2],dmodel表示向量维度的值。
自注意力层通过三个权重矩阵WQ、WK和WV将输入的矩阵向量进行线性变换得到查询Q、键K和值V这三个新的矩阵向量。然后将查询矩阵Q和键矩阵K相乘,再除以缩放因子并经过Softmax计算注意力权重,最后与值矩阵V相乘得到最终的带有自注意力的矩阵表示Z。其中dk表示K的维度,当dk很大时,矩阵乘积的结果也会很大,导致经过Softmax的梯度很小,通过除以缩放因子能够减轻该问题的影响。公式如(3)所示。该结构还引入了多头注意力机制(Multi-Head Attention),顾名思义,就是采用多个WQ、WK和WV矩阵对输入进行线性变换,以探索其在不同子空间上的表示。
残差归一化层(Add&Normalize)包含Add操作和层归一化(LayerNormalization)。其中Add操作引入了残差思想,即将输入向量与当前的输出向量相加。归一化的目的是将输入的均值变为0,方差为1。然后再将该层的输出经过全连接层和残差归一化层得到该encoder的表示向量
步骤5:训练模型。目前大多数的癫痫发作预测都是针对特定患者而言的,因此为了和其他方法进行对比,本发明也是针对特定患者的,同样采用留一交叉验证方法进行评估。通过实验得知,选取的脑电信号片段越长,预测性能越高,并且为了探索脑电信号的时序特征,本发明设定脑电信号片段L为1分钟,并将脑电信号片段分割成l为5秒的信号序列。设置该实验的初始化学习率为0.0001、迭代数为200、批次大小为16并且选用Adam优化器。为了验证发明方法的有效性,本发明使用灵敏度、特异度、AUC(area under curve)、准确率四个指标来分析结果。
与现有技术相比,本发明具有以下优势:
(1)模型以CNN-LSTM结构为基础,借鉴Inception思想,采用多尺度特征提取和融合的方法,既增加了网络的宽度,又增加了网络对脑电信号变化的适应性。同时为了避免特征信息丢失,将池化和卷积操作相结合完成下采样。
(2)为了更好的提取脑电信号的时序特征,本发明采用Transformer中带有自注意力机制的encoder层对EEG的时序信息进行建模,与其他方法相比既解决了信息遗忘的问题,又提高了模型的训练效率。
附图说明
图1是预测癫痫发作研究的流程图。
图2是基础卷积神经网络和长短时记忆网络模型图。
图3是基于Inception思想的残差块。
图4是自注意力编码层结构图。
图5是本发明的模型结构图。
具体实施方式
本发明采用的技术方案为一种基于原始脑电信号的多尺度卷积的自注意力网络预测癫痫发作的方法。该网络是在单通道脑电数据上进行癫痫检测研究,利用一维卷积进行特征提取并对脑电信号降维,再利用双向长短时记忆网络(Bi-directional Long-ShortTerm Memory,BiLSTM)进行分类。BiLSTM是前向LSTM与后向LSTM的结合,在处理具有时序关系的数据时,往往比单向LSTM效果要好,因为BiLSTM所传达的信息需要有前面若干输入与后面若干输入共同决定。本研究基于该网络,结合Inception思想和Transformer自注意力编码层,提出Multi-Scale CSANet结构实现利用多通道脑电信号预测癫痫发作。
具体实施步骤如下:
步骤1:对波士顿儿童医院的癫痫患者的脑电信号数据进行划分和预处理。将癫痫发作开始前的30分钟脑电信号定义为发作前期,将上一次发作结束后4小时开始到下一次发作开始前4小时的时间间隔定义为发作间期。癫痫发作开始之前的5分钟时间间隔被认为是干预时间,并从训练数据中排除。计算每个病人发作前期和发作间期的数据比K,设置采样窗口为S,在训练阶段以S*K的移动步长采集发作前期数据。将发作前期和发作间期的数据标签分别设为1和0。
步骤2:使用57-63Hz和117-123Hz范围的带通滤波器移除60Hz的噪声,0Hz也排除在外。接着,由于脑电信号的采样数较多,因此再将每个脑电信号片段分割为L/l个等长的脑电信号序列,每个信号序列的长度为l。
步骤3:搭建模型。本发明利用多尺度卷积扩大神经元对多通道原始信号数据的感受范围,能够获得更多尺度的特征信息,然后利用Transformer中带有自注意力的编码层提取特征,既能够很好的关注EEG重要的时序信息,又能并行计算,加快模型收敛。
步骤4:在将预处理后的脑电信号序列并行输入到卷积神经网络(ConvolutionalNeural Networks,CNN)中,分别提取l时长的脑电信号特征。然后再把上述输出的特征向量按时间顺序输入到LSTM中,方法借鉴Inception思想,采用不同尺度的卷积核提取原始EEG特征,使CNN能够关注到更加广泛的时序和通道特征。最后将这些结果进行拼接,进而完成EEG特征的融合,一方面增加了网络的宽度,另一方面也增加了网络对尺度的适应性。
自注意力编码层
癫痫发作预测是一个分类问题,本发明采用Transformer的Encoder部分对脑电信号进行编码,Encoder部分包括位置编码层(Position Encoding)、自注意力层(Self-Attention)、残差归一化层(Add&Normalize)和前馈网络层(Feed Forward)。为了包含时序信息,采用Position Encoding层加入位置编码,得到和输入一样维度的向量。这里利用sin和cos函数来计算每个输入的位置编码,见公式(1)和(2)。设输入向量的维度为[序列长度,向量维度],公式中的pos为某个输入的位置,i表示向量维度的序号,取值范围为[0,向量维度/2],dmodel表示向量维度的值。
自注意力层通过三个权重矩阵WQ、WK和WV将输入的矩阵向量进行线性变换得到查询Q、键K和值V这三个新的矩阵向量。然后将查询矩阵Q和键矩阵K相乘,再除以缩放因子并经过Softmax计算注意力权重,最后与值矩阵V相乘得到最终的带有自注意力的矩阵表示Z。其中dk表示K的维度,当dk很大时,矩阵乘积的结果也会很大,导致经过Softmax的梯度很小,通过除以缩放因子能够减轻该问题的影响。公式如(3)所示。该结构还引入了多头注意力机制(Multi-Head Attention),顾名思义,就是采用多个WQ、WK和WV矩阵对输入进行线性变换,以探索其在不同子空间上的表示。
残差归一化层(Add&Normalize)包含Add操作和层归一化(LayerNormalization)。其中Add操作引入了残差思想,即将输入向量与当前的输出向量相加。归一化的目的是将输入的均值变为0,方差为1。然后再将该层的输出经过全连接层和残差归一化层得到该encoder的表示向量
步骤5:训练模型。目前大多数的癫痫发作预测都是针对特定患者而言的,因此为了和其他方法进行对比,本发明也是针对特定患者的,同样采用留一交叉验证方法进行评估。通过实验得知,选取的脑电信号片段越长,预测性能越高,并且为了探索脑电信号的时序特征,本发明设定脑电信号片段L为1分钟,并将脑电信号片段分割成l为5秒的信号序列。设置该实验的初始化学习率为0.0001、迭代数为200、批次大小为16并且选用Adam优化器。
为了验证发明方法的有效性,本发明使用灵敏度、特异度、AUC(area undercurve)、准确率四个指标来分析结果。
Claims (1)
1.一种基于原始脑电信号的多尺度卷积的自注意力网络预测癫痫发作的方法,在单通道脑电数据上进行癫痫检测,利用一维卷积进行特征提取并对脑电信号降维,再利用双向长短时记忆网络进行分类;结合Inception思想和Transformer自注意力编码层,提出Multi-Scale CSANet结构实现利用多通道脑电信号预测癫痫发作;
步骤1:对癫痫患者的脑电信号数据进行划分和预处理;将癫痫发作开始前的30分钟脑电信号定义为发作前期,将上一次发作结束后4小时开始到下一次发作开始前4小时的时间间隔定义为发作间期;癫痫发作开始之前的5分钟时间间隔被认为是干预时间,并从训练数据中排除;计算每个癫痫发作前期和发作间期的数据比K,设置采样窗口为S,在训练阶段以S*K的移动步长采集发作前期数据;将发作前期和发作间期的数据标签分别设为1和0;
步骤2:使用57-63Hz和117-123Hz范围的带通滤波器移除60Hz的噪声,0Hz也排除在外;由于脑电信号的采样数较多,将每个脑电信号片段分割为L/l个等长的脑电信号序列,每个信号序列的长度为l;
步骤3:搭建模型;利用多尺度卷积扩大神经元对多通道原始信号数据的感受范围,能够获得更多尺度的特征信息,然后利用Transformer中带有自注意力的编码层提取特征,既能够很好的关注EEG重要的时序信息,又能并行计算,加快模型收敛;
步骤4:在将预处理后的脑电信号序列并行输入到卷积神经网络CNN中,分别提取l时长的脑电信号特征;然后再把上述输出的特征向量按时间顺序输入到LSTM中,方法借鉴Inception思想,采用不同尺度的卷积核提取原始EEG特征,使CNN能够关注到更加广泛的时序和通道特征;最后将这些结果进行拼接,进而完成EEG特征的融合,一方面增加了网络的宽度,另一方面也增加了网络对尺度的适应性;
自注意力编码层
癫痫发作预测是一个分类问题,采用Transformer的Encoder部分对脑电信号进行编码,Encoder部分包括位置编码层、自注意力层、残差归一化层和前馈网络层;为了包含时序信息,采用Position Encoding层加入位置编码,得到和输入一样维度的向量;这里利用sin和cos函数来计算每个输入的位置编码,见公式(1)和(2);设输入向量的维度为[序列长度,向量维度],公式中的pos为某个输入的位置,i表示向量维度的序号,取值范围为[0,向量维度/2],dmodel表示向量维度的值;
自注意力层通过三个权重矩阵WQ、WK和WV将输入的矩阵向量进行线性变换得到查询Q、键K和值V这三个新的矩阵向量;然后将查询矩阵Q和键矩阵K相乘,再除以缩放因子并经过Softmax计算注意力权重,最后与值矩阵V相乘得到最终的带有自注意力的矩阵表示Z;其中dk表示K的维度,当dk很大时,矩阵乘积的结果也会很大,导致经过Softmax的梯度很小,通过除以缩放因子能够减轻该问题的影响;公式如(3)所示;引入多头注意力机制,采用多个WQ、WK和WV矩阵对输入进行线性变换,以探索其在不同子空间上的表示;
残差归一化层包含Add操作和层归一化;其中Add操作引入了残差思想,即将输入向量与当前的输出向量相加;归一化的目的是将输入的均值变为0,方差为1;然后再将该层的输出经过全连接层和残差归一化层得到该encoder的表示向量
步骤5:训练模型;设定脑电信号片段L为1分钟,并将脑电信号片段分割成l为5秒的信号序列;设置该实验的初始化学习率为0.0001、迭代数为200、批次大小为16并且选用Adam优化器;使用灵敏度、特异度、AUC、准确率四个指标来分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110999653.5A CN113907706B (zh) | 2021-08-29 | 2021-08-29 | 基于多尺度卷积和自注意力网络的脑电信号的癫痫发作预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110999653.5A CN113907706B (zh) | 2021-08-29 | 2021-08-29 | 基于多尺度卷积和自注意力网络的脑电信号的癫痫发作预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113907706A true CN113907706A (zh) | 2022-01-11 |
CN113907706B CN113907706B (zh) | 2023-09-01 |
Family
ID=79233499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110999653.5A Active CN113907706B (zh) | 2021-08-29 | 2021-08-29 | 基于多尺度卷积和自注意力网络的脑电信号的癫痫发作预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113907706B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398991A (zh) * | 2022-01-17 | 2022-04-26 | 合肥工业大学 | 基于Transformer结构搜索的脑电信号情绪识别方法 |
CN115359909A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种基于注意力机制的癫痫发作检测系统 |
CN115761250A (zh) * | 2022-11-21 | 2023-03-07 | 北京科技大学 | 一种化合物逆合成方法及装置 |
CN115844425A (zh) * | 2022-12-12 | 2023-03-28 | 天津大学 | 一种基于Transformer脑区时序分析的DRDS脑电信号识别方法 |
CN115969381A (zh) * | 2022-11-16 | 2023-04-18 | 西北工业大学 | 一种基于多频段融合与时空Transformer的脑电信号分析方法 |
CN116350227A (zh) * | 2023-05-31 | 2023-06-30 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种脑磁图棘波的个体化检测方法、系统及储存介质 |
CN116662906A (zh) * | 2023-05-22 | 2023-08-29 | 中国人民解放军93209部队 | 基于树状感知融合卷积网络和特征压缩的信号识别方法 |
CN116712089A (zh) * | 2023-07-26 | 2023-09-08 | 华南师范大学 | 富集癫痫发作间期的癫痫样放电和预测致病灶的方法 |
CN116756657A (zh) * | 2023-08-16 | 2023-09-15 | 成都信息工程大学 | 基于CNN和Transformer的fNIRS脑力负荷检测方法 |
CN117679047A (zh) * | 2024-02-02 | 2024-03-12 | 长春理工大学 | 一种多尺度轻量化网络系统的高效癫痫检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110693493A (zh) * | 2019-10-12 | 2020-01-17 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法 |
CN110840432A (zh) * | 2019-12-02 | 2020-02-28 | 苏州大学 | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 |
CN110960191A (zh) * | 2019-11-29 | 2020-04-07 | 杭州电子科技大学 | 一种基于频谱能量图的癫痫脑电信号分类方法 |
CN112800928A (zh) * | 2021-01-25 | 2021-05-14 | 北京工业大学 | 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 |
-
2021
- 2021-08-29 CN CN202110999653.5A patent/CN113907706B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110693493A (zh) * | 2019-10-12 | 2020-01-17 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法 |
CN110960191A (zh) * | 2019-11-29 | 2020-04-07 | 杭州电子科技大学 | 一种基于频谱能量图的癫痫脑电信号分类方法 |
CN110840432A (zh) * | 2019-12-02 | 2020-02-28 | 苏州大学 | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 |
CN112800928A (zh) * | 2021-01-25 | 2021-05-14 | 北京工业大学 | 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 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398991A (zh) * | 2022-01-17 | 2022-04-26 | 合肥工业大学 | 基于Transformer结构搜索的脑电信号情绪识别方法 |
CN114398991B (zh) * | 2022-01-17 | 2024-03-01 | 合肥工业大学 | 基于Transformer结构搜索的脑电信号情绪识别方法 |
CN115359909A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种基于注意力机制的癫痫发作检测系统 |
CN115969381A (zh) * | 2022-11-16 | 2023-04-18 | 西北工业大学 | 一种基于多频段融合与时空Transformer的脑电信号分析方法 |
CN115969381B (zh) * | 2022-11-16 | 2024-04-30 | 西北工业大学 | 一种基于多频段融合与时空Transformer的脑电信号分析方法 |
CN115761250A (zh) * | 2022-11-21 | 2023-03-07 | 北京科技大学 | 一种化合物逆合成方法及装置 |
CN115761250B (zh) * | 2022-11-21 | 2023-10-10 | 北京科技大学 | 一种化合物逆合成方法及装置 |
CN115844425A (zh) * | 2022-12-12 | 2023-03-28 | 天津大学 | 一种基于Transformer脑区时序分析的DRDS脑电信号识别方法 |
CN115844425B (zh) * | 2022-12-12 | 2024-05-17 | 天津大学 | 一种基于Transformer脑区时序分析的DRDS脑电信号识别方法 |
CN116662906A (zh) * | 2023-05-22 | 2023-08-29 | 中国人民解放军93209部队 | 基于树状感知融合卷积网络和特征压缩的信号识别方法 |
CN116350227A (zh) * | 2023-05-31 | 2023-06-30 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种脑磁图棘波的个体化检测方法、系统及储存介质 |
CN116350227B (zh) * | 2023-05-31 | 2023-09-22 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种脑磁图棘波的个体化检测方法、系统及储存介质 |
CN116712089A (zh) * | 2023-07-26 | 2023-09-08 | 华南师范大学 | 富集癫痫发作间期的癫痫样放电和预测致病灶的方法 |
CN116712089B (zh) * | 2023-07-26 | 2024-03-22 | 华南师范大学 | 富集癫痫发作间期的癫痫样放电和预测致病灶的方法 |
CN116756657B (zh) * | 2023-08-16 | 2023-11-17 | 成都信息工程大学 | 基于CNN和Transformer的fNIRS脑力负荷检测方法 |
CN116756657A (zh) * | 2023-08-16 | 2023-09-15 | 成都信息工程大学 | 基于CNN和Transformer的fNIRS脑力负荷检测方法 |
CN117679047A (zh) * | 2024-02-02 | 2024-03-12 | 长春理工大学 | 一种多尺度轻量化网络系统的高效癫痫检测方法及系统 |
CN117679047B (zh) * | 2024-02-02 | 2024-04-05 | 长春理工大学 | 一种多尺度轻量化网络系统的高效癫痫检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113907706B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113907706B (zh) | 基于多尺度卷积和自注意力网络的脑电信号的癫痫发作预测方法 | |
Sun et al. | Unsupervised EEG feature extraction based on echo state network | |
Kant et al. | CWT based transfer learning for motor imagery classification for brain computer interfaces | |
Wen et al. | Deep convolution neural network and autoencoders-based unsupervised feature learning of EEG signals | |
Song et al. | Transformer-based spatial-temporal feature learning for EEG decoding | |
Thara et al. | Epileptic seizure detection and prediction using stacked bidirectional long short term memory | |
Song et al. | Automated detection of epileptic EEGs using a novel fusion feature and extreme learning machine | |
CN108256629B (zh) | 基于卷积网络和自编码的eeg信号无监督特征学习方法 | |
Liu et al. | Deep C-LSTM neural network for epileptic seizure and tumor detection using high-dimension EEG signals | |
CN111956221B (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
Samavat et al. | Deep learning model with adaptive regularization for EEG-based emotion recognition using temporal and frequency features | |
Zhang et al. | Automatic epileptic EEG classification based on differential entropy and attention model | |
Cheng et al. | Patient-specific method of sleep electroencephalography using wavelet packet transform and Bi-LSTM for epileptic seizure prediction | |
An et al. | Electroencephalogram emotion recognition based on 3D feature fusion and convolutional autoencoder | |
Li et al. | Patient-specific seizure prediction from electroencephalogram signal via multi-channel feedback capsule network | |
Morabito et al. | Deep learning approaches to electrophysiological multivariate time-series analysis | |
Li et al. | EEG-based emotion recognition via efficient convolutional neural network and contrastive learning | |
Chen et al. | Epilepsy classification for mining deeper relationships between EEG channels based on GCN | |
Vaitheeshwari et al. | Performance analysis of epileptic seizure detection system using neural network approach | |
CN114209323B (zh) | 一种识别情绪的方法以及基于脑电数据的情绪识别模型 | |
Abdelhameed et al. | An efficient deep learning system for epileptic seizure prediction | |
CN116304815A (zh) | 一种基于自注意力机制和并行卷积的运动想象脑电信号分类方法 | |
Hasan et al. | Fine-grained emotion recognition from eeg signal using fast fourier transformation and cnn | |
Lu et al. | An epileptic seizure prediction method based on CBAM-3D CNN-LSTM model | |
Ma et al. | A multi-channel feature fusion CNN-BI-LSTM epilepsy EEG classification and prediction model based on attention mechanism |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |