CN114224288B - 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 - Google Patents
检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 Download PDFInfo
- Publication number
- CN114224288B CN114224288B CN202111520122.XA CN202111520122A CN114224288B CN 114224288 B CN114224288 B CN 114224288B CN 202111520122 A CN202111520122 A CN 202111520122A CN 114224288 B CN114224288 B CN 114224288B
- Authority
- CN
- China
- Prior art keywords
- neural network
- feature vector
- microcapsule
- training
- epileptic
- 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.)
- Active
Links
- 230000001037 epileptic effect Effects 0.000 title claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 73
- 210000004556 brain Anatomy 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 title claims abstract description 56
- 239000003094 microcapsule Substances 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 110
- 238000003062 neural network model Methods 0.000 claims abstract description 55
- 239000002775 capsule Substances 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 210000004761 scalp Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 206010010904 Convulsion Diseases 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 206010015037 epilepsy Diseases 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000000537 electroencephalography Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000028329 epileptic seizure Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本申请涉及一种检测癫痫脑电信号的微型胶囊神经网络训练方法及设备，方法包括：获取预处理后的癫痫脑电信号数据，将癫痫脑电信号数据输入微型胶囊神经网络的第一卷积神经网络层，得到第一特征向量，将第一特征向量输入微型胶囊神经网络的第二卷积神经网络层，得到第二特征向量，根据第二特征向量，基于迭代算法，训练神经网络模型，将训练完成的神经网络模型用于分类胶囊层与基础胶囊层之间的全连接计算。本申请中通过微型胶囊神经网络可以准确反映简单对象和复杂对象空间关系信息，以解决现有技术中存在的问题。
Description
技术领域
本申请涉及癫痫脑电信号检测技术领域，尤其涉及一种检测癫痫脑电信号的微型胶囊神经网络训练方法及设备。
背景技术
目前，基于脑电信号检测是临床上诊断癫痫的最基本的方法，但是常规脑电检测时间短，异常波的检出率较低。在实际癫痫检测中，医生常常采用长程脑电监测，可提供高达90％的有效医学信息。由于长程脑电监测将产生大量冗长的脑电信号，这将依赖医生或专业人士费时、费力且枯燥地观察并标注数周的脑电信号。为了改善这一现象，大量基于机器学习或深度学习的癫痫辅助检测系统应运而生，它们可以自动检测癫痫发作的非正常脑电信号片段，极大地方便了医生快捷地找到疾病信息并发出预警提示，以降低不可预测癫痫发作引起的伤害。但是由于脑电信号存在噪声、非平稳性和瞬态特性，典型的机器学习算法需要提取复杂脑电特征，再做脑电信号的降维操作，最后选择最佳特征并传递给机器学习模型。由于深度神经网络具有较强线性处理、自适应及容错能力，当使用深度神经网络时，只需将数据直接传递到深度网络，可实现癫痫信号的分类。然而，传统卷积神经网络存在数据需求大且无法准确地反映内部特征层次关系，也没有考虑简单对象和复杂对象之间的关键空间层次结构，仍然存在癫痫分类效果不佳的问题。
发明内容
为至少在一定程度上克服相关技术中的卷积神经网络无法准确地反映内部特征层次关系，没有考虑简单对象和复杂对象之间的关键空间层次结构的问题，本申请提供一种检测癫痫脑电信号的微型胶囊神经网络训练方法及设备。
本申请的方案如下：
根据本申请实施例的第一方面，提供一种检测癫痫脑电信号的微型胶囊神经网络训练方法，包括：
获取预处理后的癫痫脑电信号数据；
将所述癫痫脑电信号数据输入微型胶囊神经网络的第一卷积神经网络层，得到第一特征向量；
将所述第一特征向量输入微型胶囊神经网络的第二卷积神经网络层，得到第二特征向量；其中，所述第二卷积神经网络层与所述第一卷积神经网络层采用不同的填充模式；
根据所述第二特征向量，基于迭代算法，训练神经网络模型；
将训练完成的所述神经网络模型用于所述微型胶囊神经网络的分类胶囊层与基础胶囊层之间的全连接计算。
优选的，在本申请一种可实现的方式中，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，包括：
根据所述第二特征向量和预设的权重矩阵，得到第三特征向量；其中，所述权重矩阵用于表征所述第二特征向量和所述第三特征向量的空间对应关系；
基于预设的临时变量计算第三卷积神经网络层各胶囊神经单元的耦合系数，所述预设的临时变量取值区间为-1到1；
根据所述第三特征向量和所述耦合系数得到所述第三卷积神经网络层各胶囊神经单元的加权向量；
将所述第三卷积神经网络层所有胶囊神经单元的加权向量求和得到加权向量和；
基于压缩激活函数压缩所述加权向量和，得到压缩更新后的第一代输出向量。
优选的，在本申请一种可实现的方式中，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
根据所述第一代输出向量、第二特征向量和预设的所述临时变量，更新所述临时变量；
将更新后的临时变量作为下次循环进行时计算所述耦合系数的迭代变量。
优选的，在本申请一种可实现的方式中，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
在达到预设迭代次数时结束循环。
优选的，在本申请一种可实现的方式中，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
基于单独的边缘损失函数计算各个类别癫痫脑电信号数据的损失值；
基于累加法获得总损失值；
在所述总损失值小于预设阈值时，完成所述神经网络模型的训练。
优选的，在本申请一种可实现的方式中，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
在所述总损失值不小于所述预设阈值时，返回步骤根据所述第二特征向量和预设的权重矩阵，得到第三特征向量，重新训练所述神经网络模型，直到所述总损失值小于所述预设阈值为止。
优选的，在本申请一种可实现的方式中，还包括：基于TensorFlow库实现所述神经网络模型；
基于Adam优化器进行所述神经网络模型的模型优化，并将所述神经网络模型的指数衰减学习率设为0.0005。
优选的，在本申请一种可实现的方式中，还包括：
获取数量相同的健康人和癫痫患者的脑电信号数据作为数据集；所述数据集分别包括：健康人睁眼状态的头皮脑电信号、健康人闭眼状态的头皮脑电信号、癫痫患者发作间期的深部电极脑电信号和癫痫患者发作期的深部电极脑电信号；其中，每个数据集包含多个通道，每个通道中包括多个采样点；
将所述数据集转换为二维矩阵；所述二维矩阵的第一维度对应各个通道的采样点，所述二维矩阵的第二维度对应所述数据集的各个通道；
对转化后的数据集进行滤波处理；
采用定长滑移窗对滤波处理后的数据集进行加窗分段；
根据所述微型胶囊神经网络的输入数据格式将加窗分段后的数据集转换为三维矩阵，所述三维矩阵的第一维度、第二维度和第三维度分别对应所述加窗分段后的数据集的长、宽和分段数；
将三维矩阵的数据集划分为训练数据集和测试数据集，将训练数据集作为所述预处理后的癫痫脑电信号数据。
优选的，在本申请一种可实现的方式中，还包括：
根据所述测试数据集对训练完成的所述神经网络模型进行测试验证。
根据本申请实施例的第二方面，提供一种检测癫痫脑电信号的微型胶囊神经网络训练设备，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接；
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行以上任一项所述的一种检测癫痫脑电信号的微型胶囊神经网络训练方法。
本申请提供的技术方案可以包括以下有益效果：本申请涉及一种检测癫痫脑电信号的微型胶囊神经网络训练方法及设备，方法包括：获取预处理后的癫痫脑电信号数据，将癫痫脑电信号数据输入微型胶囊神经网络的第一卷积神经网络层，得到第一特征向量，将第一特征向量输入微型胶囊神经网络的第二卷积神经网络层，得到第二特征向量，根据第二特征向量，基于迭代算法，训练神经网络模型，将训练完成的神经网络模型用于分类胶囊层与基础胶囊层之间的全连接计算。本申请中通过微型胶囊神经网络可以准确反映简单对象和复杂对象空间关系信息，以解决现有技术中存在的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种检测癫痫脑电信号的微型胶囊神经网络训练方法的流程示意图；
图2是本申请一个实施例提供的一种癫痫脑电信号定长滑移窗的划分方法示意图；
图3是本申请另一个实施例提供的微型胶囊神经网络框架的核心算法流程示意图
图4是本申请一个实施例提供的一种检测癫痫脑电信号的微型胶囊神经网络训练设备的结构示意图。
附图标记：处理器-31；存储器-32。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
一种检测癫痫脑电信号的微型胶囊神经网络训练方法，参照图1，包括：
S11：获取预处理后的癫痫脑电信号数据；
对癫痫脑电信号数据进行预处理包括：
获取数量相同的健康人和癫痫患者的脑电信号数据作为数据集；数据集分别包括：健康人睁眼状态的头皮脑电信号、健康人闭眼状态的头皮脑电信号、癫痫患者发作间期的深部电极脑电信号和癫痫患者发作期的深部电极脑电信号；其中，每个数据集包含多个通道，每个通道中包括多个采样点；
将数据集转换为二维矩阵；二维矩阵的第一维度对应各个通道的采样点，二维矩阵的第二维度对应数据集的各个通道；
对转化后的数据集进行滤波处理；
采用定长滑移窗对滤波处理后的数据集进行加窗分段；
根据微型胶囊神经网络的输入数据格式将加窗分段后的数据集转换为三维矩阵，三维矩阵的第一维度、第二维度和第三维度分别对应加窗分段后的数据集的长、宽和分段数；
将三维矩阵的数据集划分为训练数据集和测试数据集，将训练数据集作为预处理后的癫痫脑电信号数据。
本实施例中所用的数据集为波恩数据集，优选的，本实施例中获取5个数据集，5个数据集采自5个健康人和5个癫痫患者的脑电信号，分别记录了健康人睁眼和闭眼状态的头皮脑电信号(Z和O数据集)以及癫痫患者发作间期和发作期的深部电极脑电信号(N、F和S数据集)。每个数据集包含100个通道的脑电数据，每段脑电数据时间长度为23.6s,采样频率为173.61Hz，并截取单通道脑电信号为4096个采样点。
将癫痫脑电信号的数据集转化为二维矩阵形式(采样点*通道)，其中行为脑电信号对应的采样点，列为各个通道对应的脑电信号。
由于原始癫痫脑电信号数据存在大量的伪迹干扰，需进行滤波处理。本实施中采用4阶巴尔特沃斯带通滤波提取0.5到45Hz癫痫脑电信号，并通过共同平均参考对癫痫脑电信号进行重新参考。同时，为了保留癫痫脑电信号的数据特征，将癫痫脑电信号做标准化处理。
本实施例中，参照图2，还采用定长滑移窗对滤波处理后的N通道数据集进行加窗分段，窗口长度为W,相邻各个子窗之间重合率为Loc,一般取值为0％～50％，共获得S段脑电信号。
根据微型胶囊神经网络的输入数据格式将加窗分段后的数据集转换为三维矩阵，三维矩阵的第一维度、第二维度和第三维度分别对应加窗分段后的数据集的长、宽和分段数；
将S段的数据集划分为训练数据集和测试数据集。一般地，采用多折交叉验证法将60％～90％数据集作为训练集，剩余数据集作为测试集。根据脑电信号数据来源和实验研究需求，将脑电信号的训练集进行标签化处理，一般根据脑电信号的类别划分为：0、1、…和n。
将训练数据集作为预处理后的癫痫脑电信号数据。
S12：将癫痫脑电信号数据输入微型胶囊神经网络的第一卷积神经网络层，得到第一特征向量；
将三维矩阵([128,32,1])形式的癫痫脑电信号数据输入到第微型胶囊神经网络的第一卷积神经网络层，第一卷积神经网络层设置为卷积核通道数为8,卷积核大小为4*4，卷积计算移动步长为1，填充模式为same，使得输入输出具有相同的形状，权重参数数量为4*4*8,偏置参数数量为8，通过卷积运算获取第一特征向量[128,32,8]，作为浅层特征向量。
S13：将第一特征向量输入微型胶囊神经网络的第二卷积神经网络层，得到第二特征向量；其中，第二卷积神经网络层与第一卷积神经网络层采用不同的填充模式；
将第一特征向量输入微型胶囊神经网络的第二卷积神经网络层中，第二卷积神经网络层结构设置与第一卷积神经网络层类似，卷积核通道数为8，卷积核大小为4*4，卷积计算移动步长为1，填充模式为valid，权重参数数量为4*4*8,偏置参数数量为8，通过卷积运算获得第二特征向量[125,29,8]。
S14：根据第二特征向量，基于迭代算法，训练神经网络模型；
S15：将训练完成的神经网络模型用于微型胶囊神经网络的分类胶囊层与基础胶囊层之间的全连接计算。
本实施例中的检测癫痫脑电信号的微型胶囊神经网络训练方法，获取预处理后的癫痫脑电信号数据，将癫痫脑电信号数据输入微型胶囊神经网络的第一卷积神经网络层，得到第一特征向量，将第一特征向量输入微型胶囊神经网络的第二卷积神经网络层，得到第二特征向量，根据第二特征向量，基于迭代算法，训练神经网络模型，将训练完成的神经网络模型用于分类胶囊层与基础胶囊层之间的全连接计算。本申请中通过微型胶囊神经网络可以准确反映简单对象和复杂对象空间关系信息，以解决现有技术中无法准确地反映内部特征层次关系，也没有考虑简单对象和复杂对象之间的关键空间层次结构，仍然存在癫痫分类效果不佳的问题。
一些实施例中的检测癫痫脑电信号的微型胶囊神经网络训练方法，根据第二特征向量，基于迭代算法，训练神经网络模型，参照图3，包括：
S21：根据第二特征向量和预设的权重矩阵，得到第三特征向量；其中，权重矩阵用于表征第二特征向量和第三特征向量的空间对应关系；
为了将第二特征向量输入到微型胶囊神经网络中，需要根据第二特征向量训练神经网络模型。
将据第二特征向量u分别乘以不同的权重矩阵W，生成基础胶囊网络的输出第三特征向量U,其转换公式如下：
Uj|＝Wij·ui
第三特征向量U为多维胶囊特征向量。
Wij为第二特征向量和第三特征向量的空间对应关系，即底层特征和高层特征的空间对应关系，ui为第i个第二特征向量，Uj|为由第i个第二特征向量推导出的第i个第三特征向量。
S22：基于预设的临时变量计算第三卷积神经网络层各胶囊神经单元的耦合系数，预设的临时变量取值区间为-1到1；
通过动态路由算法实现神经网络模型中的耦合系数Ci,的更新迭代。
首先使用softmax算法计算第三卷积神经网络层各胶囊神经单元的耦合系数Cij的值，其计算公式为：
Bij为预设的临时变量，初始化为随机在-1和1之间。
S23：根据第三特征向量和耦合系数得到第三卷积神经网络层各胶囊神经单元的加权向量；
S24：将第三卷积神经网络层所有胶囊神经单元的加权向量求和得到加权向量和；
将第三特征向量U与耦合系数C相乘得到加权向量，将第三卷积神经网络层的所有胶囊神经单元的加权向量求和即可获得加权向量和sj，即第j个胶囊神经元的加权向量和，其计算公式如下：
S25：基于压缩激活函数压缩加权向量和，得到压缩更新后的第一代输出向量。
基于squash压缩激活函数压缩加权向量和sj，获得更新后的第一代输出向量vj，其压缩激活计算公式为：
式中：vj为第j个胶囊的计算输出向量，||sj||为向量S的长度,vj的模长度为概率值，一般在0～1之间，且vj与sj方向相同。
进一步的，根据第二特征向量，基于迭代算法，训练神经网络模型，还包括：根据第一代输出向量、第二特征向量和预设的临时变量，更新临时变量；
将更新后的临时变量作为下次循环进行时计算耦合系数的迭代变量。
更新权重Bij的计算公式如下：
Bij←Bij+Uj|·vj
权重Bij更新后，算法将返回重新开始计算Cij的值，重新迭代r次。
在达到预设迭代次数r时结束循环。
进一步的，根据第二特征向量，基于迭代算法，训练神经网络模型，还包括：
基于单独的边缘损失函数计算各个类别癫痫脑电信号数据的损失值；
基于累加法获得总损失值；
在总损失值小于预设阈值时，完成神经网络模型的训练。
为了检测多个类别的癫痫脑电信号数据，本实施例中采用单独的边缘损失函数Lk计算各个类别的损失值，并采用累加法获得总损失值Loss。若总损失值Loss小于阈值预设阈值,则神经网络模型训练完成，获得神经网络模型，其计算公式如下：
Lk＝pk·max(0,m+-‖vk‖)2+λ·(1-pk)·max(0,‖vk‖-m-)2
pk为k个癫痫脑电信号类别；‖vk‖为向量k的长度；λ为用于调整不同类别误差比例，λ＝0.5；m+为上边界，m+＝0.9；m-为下边界，m-＝0.1。
神经网络模型训练完成后，设置在微型胶囊神经网络第三层的胶囊层结构中。
将第二特征向量输入到微型胶囊神经网络第三层的胶囊层结构中，胶囊层结构设置为卷积核通道数为8，卷积核大小为4*4，胶囊运算步长为1,胶囊向量长度为4,胶囊层维度为[122,26,4,2]，其中胶囊元素数量为122*26*2,每个元素为一个1*4长度的向量，从而获得胶囊脑电特征向量。
通过全连接的分类胶囊层进行高层脑电特征向量的计算。将分类胶囊层分为两组1*4的向量与基础层网络进行全连接计算，根据基础胶囊层的结构参数[122,26,4,2]，通过计算122*26*2组4*4的矩阵，获得全连接存储运算权重矩阵，并通过基础胶囊层的脑电特征向量与权重矩阵相乘获得高层脑电特征向量。
优选的，基于TensorFlow库实现神经网络模型，基于Adam优化器进行神经网络模型的模型优化，并将神经网络模型的指数衰减学习率设为0.0005。
优选的，神经网络模型的预测层激活函数采用Sigmod常规函数。
本实施例中的检测癫痫脑电信号的微型胶囊神经网络训练方法，改进了传统神经网络结构参数、精简卷积核结构和降低了网络结构深度；
为了更好地挖掘脑电信号的特征信息和适应胶囊神经网络结构，采用数据“升维”方法对癫痫脑电信号进行预处理；
引入神经网络模型，采用特征向量形式取代特征标量表征脑电特征的匹配程度，更好地表征癫痫脑电信号类别间的“空间”层次关系；
由于癫痫脑电信号分类胶囊神经网络层中不需要解码复原脑电信号，胶囊神经网络结构上减少了癫痫脑电信号复原的网络结构层；
通过优化癫痫脑电类别损失值构建损失函数，使得胶囊神经网络预测层的向量模靠近大值，而其他类别的向量模值尽可能地小靠近小值，实现对癫痫类别的准确识别。
一些实施例中的检测癫痫脑电信号的微型胶囊神经网络训练方法，根据第二特征向量，基于迭代算法，训练神经网络模型，还包括：
在总损失值不小于预设阈值时，返回步骤根据第二特征向量和预设的权重矩阵，得到第三特征向量，重新训练神经网络模型，直到总损失值小于预设阈值为止。
本实施例中，在总损失值不小于预设阈值时，返回步骤S21，重新训练神经网络模型，直到总损失值小于预设阈值为止。
一些实施例中的检测癫痫脑电信号的微型胶囊神经网络训练方法，还包括：
根据测试数据集对训练完成的神经网络模型进行测试验证。
本实施例中，将测试数据集输入到训练完成的神经网络模型进行测试验证。
训练完成的神经网络模型，根据输入的测试数据集得到计算后的癫痫发作间期和癫痫发作的检测结果。
根据癫痫脑电信号的输出结果统计分析癫痫预测输出值(准确率、召回率和F1score等)。
一种检测癫痫脑电信号的微型胶囊神经网络训练设备，参照图4，包括：
处理器31和存储器32；
处理器31与存储器32通过通信总线相连接；
其中，处理器31，用于调用并执行存储器中存储的程序；
存储器32，用于存储程序，程序至少用于执行以上任一实施例中的一种检测癫痫脑电信号的微型胶囊神经网络训练方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种检测癫痫脑电信号的微型胶囊神经网络训练方法，其特征在于，包括：
获取预处理后的癫痫脑电信号数据；
将所述癫痫脑电信号数据输入微型胶囊神经网络的第一卷积神经网络层，得到第一特征向量；
将所述第一特征向量输入所述微型胶囊神经网络的第二卷积神经网络层，得到第二特征向量；其中，所述第二卷积神经网络层与所述第一卷积神经网络层采用不同的填充模式；
根据所述第二特征向量，基于迭代算法，训练神经网络模型；
将训练完成的所述神经网络模型用于所述微型胶囊神经网络的分类胶囊层与基础胶囊层之间的全连接计算；
所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，包括：
根据所述第二特征向量和预设的权重矩阵，得到第三特征向量；其中，所述权重矩阵用于表征所述第二特征向量和所述第三特征向量的空间对应关系；
基于预设的临时变量计算第三卷积神经网络层各胶囊神经单元的耦合系数，所述预设的临时变量取值区间为-1到1；
根据所述第三特征向量和所述耦合系数得到所述第三卷积神经网络层各胶囊神经单元的加权向量；
将所述第三卷积神经网络层所有胶囊神经单元的加权向量求和得到加权向量和；
基于压缩激活函数压缩所述加权向量和，得到压缩更新后的第一代输出向量；
其中，获取预处理后的癫痫脑电信号数据，包括：
获取数量相同的健康人和癫痫患者的脑电信号数据作为数据集；所述数据集分别包括：健康人睁眼状态的头皮脑电信号、健康人闭眼状态的头皮脑电信号、癫痫患者发作间期的深部电极脑电信号和癫痫患者发作期的深部电极脑电信号；其中，每个数据集包含多个通道，每个通道中包括多个采样点；
将所述数据集转换为二维矩阵；所述二维矩阵的第一维度对应各个通道的采样点，所述二维矩阵的第二维度对应所述数据集的各个通道；
对转化后的数据集进行滤波处理；
采用定长滑移窗对滤波处理后的数据集进行加窗分段；
根据所述微型胶囊神经网络的输入数据格式将加窗分段后的数据集转换为三维矩阵，所述三维矩阵的第一维度、第二维度和第三维度分别对应所述加窗分段后的数据集的长、宽和分段数；
将三维矩阵的数据集划分为训练数据集和测试数据集，将训练数据集作为所述预处理后的癫痫脑电信号数据；癫痫脑电信号包含多类。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
根据所述第一代输出向量、第二特征向量和预设的所述临时变量，更新所述临时变量；
将更新后的临时变量作为下次循环进行时计算所述耦合系数的迭代变量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
在达到预设迭代次数时结束循环。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
基于单独的边缘损失函数计算各个类别癫痫脑电信号数据的损失值；
基于累加法获得总损失值；
在所述总损失值小于预设阈值时，完成所述神经网络模型的训练。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
在所述总损失值不小于所述预设阈值时，返回步骤根据所述第二特征向量和预设的权重矩阵，得到第三特征向量，重新训练所述神经网络模型，直到所述总损失值小于所述预设阈值为止。
6.根据权利要求1所述的方法，其特征在于，还包括：基于TensorFlow库实现所述神经网络模型；
基于Adam优化器进行所述神经网络模型的模型优化，并将所述神经网络模型的指数衰减学习率设为0.0005。
7.根据权利要求1所述的方法，其特征在于，还包括：
根据所述测试数据集对训练完成的所述神经网络模型进行测试验证。
8.一种检测癫痫脑电信号的微型胶囊神经网络训练设备，其特征在于，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接；
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行权利要求1-7任一项所述的一种检测癫痫脑电信号的微型胶囊神经网络训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111520122.XA CN114224288B (zh) | 2021-12-13 | 2021-12-13 | 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111520122.XA CN114224288B (zh) | 2021-12-13 | 2021-12-13 | 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114224288A CN114224288A (zh) | 2022-03-25 |
| CN114224288B true CN114224288B (zh) | 2023-10-31 |
Family
ID=80755290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111520122.XA Active CN114224288B (zh) | 2021-12-13 | 2021-12-13 | 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114224288B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115456016A (zh) * | 2022-09-05 | 2022-12-09 | 大连大学 | 一种基于胶囊网络的运动想象脑电信号识别方法 |
| CN115708687A (zh) * | 2022-11-21 | 2023-02-24 | 重庆邮电大学 | 一种基于人工神经网络的刺激图像重建方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104887222A (zh) * | 2015-05-11 | 2015-09-09 | 重庆大学 | 可逆化脑电信号分析方法 |
| CN109674469A (zh) * | 2019-01-02 | 2019-04-26 | 哈尔滨工业大学 | 基于cnn模型的癫痫发作预警算法 |
| CN109994203A (zh) * | 2019-04-15 | 2019-07-09 | 江南大学 | 一种基于eeg信号深度多视角特征学习的癫痫检测方法 |
| EP3576019A1 (en) * | 2018-05-29 | 2019-12-04 | Nokia Technologies Oy | Artificial neural networks |
| CN111013011A (zh) * | 2019-03-26 | 2020-04-17 | 中国人民解放军军事科学院军事医学研究院 | 一种颅骨植入的小型化脑机接口系统植入装置 |
| CN111134687A (zh) * | 2020-01-14 | 2020-05-12 | 深圳和而泰家居在线网络科技有限公司 | 坐姿风险评估方法、装置及设备 |
| CN111134664A (zh) * | 2019-12-18 | 2020-05-12 | 武汉工程大学 | 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质 |
| US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
| CN111803028A (zh) * | 2020-06-19 | 2020-10-23 | 天津大学 | 一种基于网络参数迁移的个性化癫痫发作检测装置 |
| CN113288172A (zh) * | 2021-05-24 | 2021-08-24 | 山东师范大学 | 癫痫脑电信号识别方法及系统 |
| CN113749657A (zh) * | 2021-09-10 | 2021-12-07 | 合肥工业大学 | 一种基于多任务胶囊的脑电情绪识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102012002436B4 (de) * | 2012-02-08 | 2014-08-21 | Forschungszentrum Jülich GmbH | Vorrichtung zur Eichung einer nicht-invasiven desynchronisierenden Neurostimulation |
| EP3787481B1 (en) * | 2018-05-01 | 2023-08-23 | Neumora Therapeutics, Inc. | Machine learning-based diagnostic classifier |
-
2021
- 2021-12-13 CN CN202111520122.XA patent/CN114224288B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104887222A (zh) * | 2015-05-11 | 2015-09-09 | 重庆大学 | 可逆化脑电信号分析方法 |
| EP3576019A1 (en) * | 2018-05-29 | 2019-12-04 | Nokia Technologies Oy | Artificial neural networks |
| CN109674469A (zh) * | 2019-01-02 | 2019-04-26 | 哈尔滨工业大学 | 基于cnn模型的癫痫发作预警算法 |
| CN111013011A (zh) * | 2019-03-26 | 2020-04-17 | 中国人民解放军军事科学院军事医学研究院 | 一种颅骨植入的小型化脑机接口系统植入装置 |
| CN109994203A (zh) * | 2019-04-15 | 2019-07-09 | 江南大学 | 一种基于eeg信号深度多视角特征学习的癫痫检测方法 |
| US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
| CN111134664A (zh) * | 2019-12-18 | 2020-05-12 | 武汉工程大学 | 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质 |
| CN111134687A (zh) * | 2020-01-14 | 2020-05-12 | 深圳和而泰家居在线网络科技有限公司 | 坐姿风险评估方法、装置及设备 |
| CN111803028A (zh) * | 2020-06-19 | 2020-10-23 | 天津大学 | 一种基于网络参数迁移的个性化癫痫发作检测装置 |
| CN113288172A (zh) * | 2021-05-24 | 2021-08-24 | 山东师范大学 | 癫痫脑电信号识别方法及系统 |
| CN113749657A (zh) * | 2021-09-10 | 2021-12-07 | 合肥工业大学 | 一种基于多任务胶囊的脑电情绪识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| A Hybrid Capsule Network for Land Cover Classification Using Multispectral LiDAR Data;Yongtao Yu.etc;《 IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;第17卷(第7期);1-5 * |
| Automatic recognition of preictal and interictal EEG signals using 1D-capsule networks;Suat Toraman;《Computers and Electrical Engineering》;第91卷(第2021期);1-13 * |
| Chiang, SR ; Levin, HS ; (...) ; Haneef, Z.White matter structural connectivity changes correlate with epilepsy duration in temporal lobe epilepsy.EPILEPSY RESEARCH .2016,第120卷37-46. * |
| Meng, QF ; Zhou, WD ; (...) ; Zhou, J.Feature Analysis of Epileptic EEG Using Nonlinear Prediction Method.2010 ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC).2010,3998-4001. * |
| 张玉良 戴凤智 张全.《深度学习》.西安电子科技大学出版社,2020,(第1版),286-288. * |
| 拉莫三嗪联合丙戊酸钠治疗脑卒中继发癫痫患者的疗效观察;周瑾, 孙玉华, 韩毅;《中国实用神经疾病杂志》;第20卷(第1期);12-15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114224288A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111012336B (zh) | 时空特征融合的并行卷积网络运动想象脑电图分类方法 | |
| Liu et al. | Deep learning in ECG diagnosis: A review | |
| CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
| CN114224288B (zh) | 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 | |
| WO2023077603A1 (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
| CN110598793B (zh) | 一种大脑功能网络特征分类方法 | |
| CN112735570B (zh) | 影像驱动的脑图谱构建方法、装置、设备及存储介质 | |
| Sengur | Support vector machine ensembles for intelligent diagnosis of valvular heart disease | |
| KR102094320B1 (ko) | 강화 학습을 이용한 이미지 개선 방법 | |
| CN110946566B (zh) | 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质 | |
| CN104361318A (zh) | 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 | |
| CN107239684A (zh) | 一种用于ecg身份识别的特征学习方法和系统 | |
| CN111956212A (zh) | 基于频域滤波-多模态深度神经网络的组间房颤识别方法 | |
| CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| KR20170064960A (ko) | 파동신호를 활용한 질병 진단 장치 및 그 방법 | |
| CN113274031A (zh) | 一种基于深度卷积残差网络的心律失常分类方法 | |
| CN115177262A (zh) | 一种基于深度学习的心音心电联合诊断装置和系统 | |
| CN115474939A (zh) | 一种基于深度展开神经网络的孤独症谱系障碍识别模型 | |
| CN114595725A (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
| KR20230070085A (ko) | 뇌 네트워크를 이용한 알츠하이머병에 대한 진단정보 제공방법 | |
| Ma et al. | Application of time-frequency domain and deep learning fusion feature in non-invasive diagnosis of congenital heart disease-related pulmonary arterial hypertension | |
| CN116434950B (zh) | 基于数据分簇和集成学习的孤独症谱系障碍的诊断系统 | |
| CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
| CN112957054A (zh) | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 | |
| CN116898451A (zh) | 用具有多尺度注意力机制的神经网络实现房颤预测的方法 |
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 |