CN114224300B - 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 - Google Patents
基于三维四元图卷积神经网络的癫痫分类检测系统及方法 Download PDFInfo
- Publication number
- CN114224300B CN114224300B CN202210165084.9A CN202210165084A CN114224300B CN 114224300 B CN114224300 B CN 114224300B CN 202210165084 A CN202210165084 A CN 202210165084A CN 114224300 B CN114224300 B CN 114224300B
- Authority
- CN
- China
- Prior art keywords
- matrix
- quaternary
- electroencephalogram
- signals
- column vector
- 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
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
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种基于三维四元图卷积神经网络的癫痫分类检测系统及方法,涉及生物医学信号处理的的技术领域,首先采集原始脑电信号样本,引入四元数的概念将原始脑电信号样本处理,融合不同脑电波频段的脑电通道信息,然后基于图结构,建立并融合脑电通道的位置特征信息和相对位置特征信息,将通道之间的关系联立,获取新的特征信息,使癫痫发作的信息获取更加多元,然后将获取的信息特征用于随机森林模型的训练,从而对正常脑电信号和癫痫信号进行识别分类,有助于癫痫检测分类准确率和效率的提高,减轻了医生工作负担。
Description
技术领域
本发明涉及生物医学信号处理的技术领域,更具体地,涉及一种基于三维四元图卷积神经网络的癫痫分类检测系统及方法。
背景技术
癫痫是一种常见的慢性脑部疾病,指人脑神经系统紊乱时的大脑神经元突发性异常放电,导致中枢神经系统的功能发生短暂障碍。癫痫的特征是突发性、短暂性与反复性,发作时会给人体健康造成伤害,轻则导致记忆力下降、失去意识而造成意外性伤害,重则导致智力低下,甚至发生死亡。
根据癫痫引起的神经元异常发电的原理,脑电信号可以反映出对应的生理和病理信息,在临床癫痫诊断应用中,通过处理脑电信号数据以获取癫痫特征,可以进行癫痫分类检测。目前,有的学者提出利用传统的时频方式,例如利用FFT预处理脑电信号,然后通过传统CNN提取处理后的脑电信号的特征进行癫痫分类检测,但该方式挖掘到的脑电信号提供的信息较单一。除此之外,还有学者提出并采用了其它多种不同的方式来检测提取癫痫特征,包括快速/短时傅里叶变换、非线性动力学系统、模态匹配法、经验模态分解等传统方式,还有基于图论或神经网络分析、小波变换等方式。
现有技术中公开了一种基于脑网络和TSK模糊系统的癫痫脑电识别方法,该方法通过分析多通道脑电信号之间的同步性,构建癫痫病人的脑功能网络,采用复杂网络提取常用拓扑特征参数,最后将全部网络特征作为输入,建立TSK模糊系统模型,学习训练识别癫痫发作时的脑电波形,实现对癫痫发作期脑电信号的精准识别,但多通道脑电信号之间除可能具备的同步性特征之外,也存在相对位置关系信息,通道间的关系并非分割独立,弱化脑电通道间的联系,不考虑这些因素,可能导致特征提取不充分,泛化性不强,进一步也会影响癫痫检测的准确率和检测效率。
发明内容
为解决在癫痫检测中,传统基于脑电信号的分析方法忽略多脑电通道间的相对位置关系及联系,导致癫痫检测准确率和效率低的问题,本发明提出一种基于三维四元图卷积神经网络的癫痫分类检测系统及方法,引入四元数和图结构的概念,以融合脑电信号里不同频段的信息,并结合不同通道的位置信息,将通道之间的关系联立,获取新的特征信息,有助于癫痫检测分类准确率和效率的提高,减轻医生工作负担。
为了达到上述技术效果,本发明的技术方案如下:
一种基于三维四元图卷积神经网络的癫痫分类检测系统,包括:
脑电信号样本采集模块,基于N个通道分别采集每个患者在正常状态与癫痫状态下的脑电信号样本;
原始脑电信号构建模块,将采集到的每个患者在正常状态与癫痫状态下的脑电信号样本组合,形成原始脑电信号;
原始脑电信号处理模块,用于将原始脑电信号处理为δ、θ、α及β四个脑电波频段的信号,并将四个脑电波频段的信号进行处理,并融合为新的四元脑电信号矩阵;
图结构构建模块,基于N个通道脑电信号间的相关系数构造N个通道的图结构,结合图结构得到原始脑电信号的邻接矩阵,基于邻接矩阵确定四元相对位置矩阵;
四元脑电特征矩阵构建模块,用于对新的四元脑电信号矩阵进行四元数运算,得到四元脑电特征矩阵;
特征结合更新模块,所述特征结合更新模块加载了三维图卷积网络,用于更新并结合四元脑电特征矩阵中的四元列向量特征与四元相对邻接位置矩阵中的四元矩阵特征;
癫痫分类检测模块,所述癫痫分类检测模块加载了随机森林模型,将特征结合更新模块更新并结合后的四元列向量特征与四元矩阵特征输入随机森林模型以训练随机森林模型,得到训练好的随机森林训练模型,用于癫痫分类检测。
优选地,所述脑电信号样本采集模块为含N个通道的脑机接口设备,在采集每个患者在正常状态与癫痫状态下的脑电信号样本时,首先设置脑机接口设备的采样率,读取每位患者N个通道的癫痫状态的脑电信号与正常状态的脑电信号,癫痫状态与正常状态分别采集M/2个脑电信号样本点,原始脑电信号构建模块将采集到的每个患者在正常状态与癫痫状态下的脑电信号样本组合,形成原始脑电信号每个通道共M个脑电信号样本点;
优选地,原始脑电信号处理模块采用快速傅里叶变换将原始脑电信号Y h (t)处理,对已进行快速傅里叶变换的原始脑电信号Y h (t),以不同的脑电波频段作为窗口长度,加载矩形窗,将已进行快速傅里叶变换的原始脑电信号Y h (t)滤波成δ、θ、α及β四个脑电波频段的信号,其中,δ为1~3Hz的脑电波频段,θ为4~7Hz的脑电波频段,α为8~13Hz的脑电波频段,β为14~30Hz的脑电波频段,δ脑电波频段的信号的矩阵形式表示为:
θ脑电波频段的信号的矩阵形式表示为:
α脑电波频段的信号的矩阵形式表示为:
β脑电波频段的信号的矩阵形式表示为:
N、M分别为δ、θ、α及β四个脑电波频段中每一个脑电波频段的信号矩阵的行列维度,、、、分别表示δ脑电波频段的信号的矩阵形式、θ脑电波频段的信号的矩阵形式、α脑电波频段的信号的矩阵形式及β脑电波频段的信号的矩阵形式;
其中,i、j、k均表示四元数中的虚数单位,Y’表示四元脑电信号矩阵,、、及分别表示傅里叶反变换后,在第N个通道,第M个采样点的δ、θ、α及β四个脑电波频段对应的时域信号;四元脑电信号矩阵Y’中的每一个元素均表示为四元数的形式。
优选地,利用脑电信号样本采集模块,基于N个通道分别采集每个患者的脑电信号时,将N个通道视为N个脑电节点,所述图结构构建模块基于N个通道脑电信号间的相关系数构造N个脑电节点的图结构时,设每一个患者的原始脑电信号统一表示为Y,Y的矩阵表达式为:
其中,矩阵的第g行表示第g个脑电通道的脑电信号,设表示为Yg=[Y g1,Y g2,…,Y gM ],矩阵的第z行表示第z个脑电通道的脑电信号,设表示为Yz=[Y z1,Y z2,…,Y zM ],计算每个脑电通道相互之间的相关系数,第g个脑电通道与第z个脑电通道对应的相关系数为,计算表达为:
其中,cov(Yg,Yz)表示第g个脑电通道的脑电信号Yg与第z个脑电通道的脑电信号Yz的协方差,Var[Yg]表示第g个脑电通道的脑电信号Yg的方差,Var[Yz]表示第z个脑电通道的脑电信号Yz的方差;
最终形成相关系数矩阵ρ,表达式为:
优选地,设结合图结构得到原始脑电信号的邻接矩阵表示为A,A的表达式为:
将邻接矩阵A内的元素作为四元数的实部,四元数虚部均为零,得出四元邻接矩阵A Q :
将患者头颅最高点定义为原点(0,0,0),建立三维坐标系,并设第g个脑电节点的位置坐标为(x g ,y g ,z g ),得到位置矩阵P为:
根据位置矩阵P,得到脑电节点的相对位置矩阵R,相对位置矩阵R是一个三维立体矩阵,三维立体矩阵中的任意一层g的矩阵形式表示为:
其中,相对位置矩阵R是一个三维立体矩阵,矩阵形式Rg的第g行中的每一个元素表示(x g ,y g ,z g )自身与(x g ,y g ,z g )自身之间的相对位置,g=1,2,...,N,所有层叠放在一起,形成三维立体矩阵,将相位位置矩阵R内的元素作为四元数的实部,四元数的虚部均为零,得出四元相对位置矩阵,四元相对位置矩阵也为一个三维立体矩阵,任意一层g的矩阵形式表示为:
所有层叠放在一起,形成三维立体矩阵。
优选地,所述四元脑电特征矩阵构建模块对新的四元脑电信号矩阵进行的四元数运算包括取均值、方差、1范数及无穷范数,将均值、方差、1范数及无穷范数作为特征,得到四元脑电特征矩阵X,表达式为:
其中,表示第g个脑电通道的脑电信号的均值;表示第g个脑电通道的脑电信号的方差;第i个脑电通道的脑电信号的1范数;表示第i个脑电通道的脑电信号的无穷范数,g=1,2,...,N,z=1,2,...,N,“4”是特征维度,四元脑电特征矩阵X有N个节点,每个节点有4个四元特征值。
优选地,所述特征结合更新模块加载的三维图卷积网络包括l个交替相连的隐藏层与激活ReLU层;在N个脑电节点中,第g个脑电节点中含有两种特征,第一种为四元脑电特征矩阵X中的第g行,定义为四元列向量特征,第二种为四元相对位置矩阵中的第g个矩阵向量,定义为四元矩阵特征,其中,s、v均表示在处理矩阵特征的标志,无具体的物理含义;将四元列向量特征和四元矩阵特征输入三维图卷积网络进行l层四元卷积运算,得到更新后的四元列向量特征和更新后的四元矩阵特征,l表示第l层,Q表示四元卷积运算。
其中,表示此时更新后的四元列向量特征;ǁ表示四元列向量特征和四元列向量特征连成一列的操作,表示四元列向量特征对应四元列向量特征进行卷积运算时的权重矩阵,表示四元列向量特征对应四元列向量特征进行卷积运算时的偏差,与分别表示为四元数的形式为:
其中,表示此时更新后的四元矩阵特征,ǁ表示四元矩阵特征矩阵和四元矩阵特征矩阵连成一个新的矩阵的操作,表示四元矩阵特征对应四元矩阵特征进行卷积运算时的权重矩阵,表示四元矩阵特征对应四元矩阵特征进行卷积运算时的偏差;
在此,通过分别基于:四元列向量特征和四元列向量特征连成一列、四元矩阵特征矩阵和四元矩阵特征矩阵连成一个新的矩阵、四元矩阵特征和四元列向量特征连接、四元列向量特征与四元矩阵特征连接的更新操作,并融合脑电通道的位置特征信息和相对位置特征信息,将通道之间的关系联立,获取新的特征信息,使癫痫发作的信息获取更加多元。
优选地,将更新后的四元列向量特征、更新后的四元矩阵特征、更新后的四元矩阵特征、四元列向量特征更新为的四元矩阵特征合并成两个特征,分别沿邻域脑电节点进行卷积运算,得到最终更新后的四元列向量特征和更新后的四元矩阵特征,实现四元脑电特征和脑电通道相对位置特征的结合,卷积运算传播规则满足:
其中,Ws()表示四元列向量特征自身进行卷积运算时的权重矩阵;bs表示四元列向量特征自身进行卷积运算时的偏差;bv表示四元矩阵特征自身进行卷积运算时的偏差。
本申请还提出一种基于三维四元图卷积神经网络的癫痫分类检测方法,包括:
S1.基于N个通道的脑电信号样本采集模块分别采集每个患者在正常状态与癫痫状态下的脑电信号样本;
S2.利用原始脑电信号构建模块将采集到的每个患者在正常状态与癫痫状态下的脑电信号样本组合,形成原始脑电信号;
S3.利用原始脑电信号处理模块将原始脑电信号处理为δ、θ、α及β四个脑电波频段的信号,将四个脑电波频段的信号进行处理并融合为新的四元脑电信号矩阵;
S4.基于N个通道脑电信号间的相关系数构造N个通道的图结构,结合图结构得到原始脑电信号的邻接矩阵,基于邻接矩阵确定四元相对位置矩阵;
S5.利用四元脑电特征矩阵构建模块对新的四元脑电信号矩阵进行四元数运算得到四元脑电特征矩阵;
S6.利用特征结合更新模块更新并结合四元脑电特征矩阵中的四元列向量特征与四元相对邻接位置矩阵中的四元矩阵特征;
S7.利用癫痫分类检测模块将更新并结合后的四元列向量特征与四元矩阵特征输入随机森林模型以训练随机森林模型,得到训练好的随机森林训练模型,用于癫痫分类检测。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种基于三维四元图卷积神经网络的癫痫分类检测系统及方法,首先采集原始脑电信号样本,引入四元数的概念将原始脑电信号样本处理,融合不同脑电波频段的脑电通道信息,然后基于图结构,建立并融合脑电通道的位置特征信息和相对位置特征信息,将通道之间的关系联立,获取新的特征信息,使癫痫发作的信息获取更加多元,然后将获取的信息特征用于随机森林模型的训练,从而对正常脑电信号和癫痫信号进行识别分类,有助于癫痫检测分类准确率和效率的提高,减轻医生工作负担。
附图说明
图1表示本发明实施例1中提出的基于三维四元图卷积神经网络的癫痫分类检测系统的结构图;
图2表示本发明实施例1中提出的四元相对位置矩阵的立体形成的示意图;
图3表示本发明实施例2中提出的特征结合更新模块加载的三维图卷积网络的结构图;
图4表示本发明实施例3中提出的基于三维四元图卷积神经网络的癫痫分类检测方法的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
附图中描述位置关系的仅用于示例性说明,不能理解为对本专利的限制;
实施例1
如图1所示,本实施例提出一种基于三维四元图卷积神经网络的癫痫分类检测系统,参见图1,包括:
脑电信号样本采集模块101,基于N个通道分别采集每个患者在正常状态与癫痫状态下的脑电信号样本;
原始脑电信号构建模块102,将采集到的每个患者在正常状态与癫痫状态下的脑电信号样本组合,形成原始脑电信号;
原始脑电信号处理模块103,用于将原始脑电信号处理为δ、θ、α及β四个脑电波频段的信号,并将四个脑电波频段的信号进行处理,并融合为新的四元脑电信号矩阵;
图结构构建模块104,基于N个通道脑电信号间的相关系数构造N个通道的图结构,结合图结构得到原始脑电信号的邻接矩阵,基于邻接矩阵确定四元相对位置矩阵;
四元脑电特征矩阵构建模块105,用于对新的四元脑电信号矩阵进行四元数运算,得到四元脑电特征矩阵;
特征结合更新模块106,所述特征结合更新模块加载了三维图卷积网络,用于更新并结合四元脑电特征矩阵中的四元列向量特征与四元相对邻接位置矩阵中的四元矩阵特征;
癫痫分类检测模块107,所述癫痫分类检测模块107加载了随机森林模型,将特征结合更新模块106更新并结合后的四元列向量特征与四元矩阵特征输入随机森林模型以训练随机森林模型,得到训练好的随机森林训练模型,用于癫痫分类检测。
在本实施例中,脑电信号样本采集模块101为含N个通道的脑机接口设备,脑机接口是在人脑与外部设备间建立的直接连接通路,可实现脑电信号传输。因癫痫的临床变现取决于异常放电的癫痫灶神经元所在脑部位和痫样放电的扩散途径,一般在癫痫状态时发作持续三十秒至一分钟左右,可自行停止,恢复正常状态,因此,对于每个患者在正常与癫痫状态下的脑电信号均进行采集,可保证获得脑电信息的丰富性。在脑电信号样本采集模块101采集每个患者在正常状态与癫痫状态下的脑电信号样本时,首先设置采样率,本实施例中,设置采样率为512Hz,读取每位患者N个通道的癫痫状态的脑电信号与正常状态的脑电信号,癫痫状态与正常状态分别采集M/2个脑电信号样本点,原始脑电信号构建模块102将采集到的每个患者在正常状态与癫痫状态下的脑电信号样本组合,形成原始脑电信号,每个通道共M个脑电信号样本点。
在脑电信号中,重要信息主要集中于1~30Hz的频段中,设对第h位患者采集到的波长为1~30Hz的原始脑电信号定义为,其中,t表示M个脑电信号样本点对应的采集时间,满足:t=,h=1,2,…,N,则表示为:
然后,原始脑电信号处理模块103采用快速傅里叶变换将原始脑电信号Y h (t)处理,处理公式为:
在此,表示原始脑电信号经快速傅里叶变换后的频域形式的统称,对已进行快速傅里叶变换的原始脑电信号Y h (t),以不同的脑电波频段作为窗口长度,加载矩形窗,将已进行快速傅里叶变换的原始脑电信号Y h (t)滤波成δ、θ、α及β四个脑电波频段的信号,其中,δ为1~3Hz的脑电波频段,θ为4~7Hz的脑电波频段,α为8~13Hz的脑电波频段,β为14~30Hz的脑电波频段,δ脑电波频段的信号的矩阵形式表示为:
θ脑电波频段的信号的矩阵形式表示为:
α脑电波频段的信号的矩阵形式表示为:
β脑电波频段的信号的矩阵形式表示为:
N、M分别为δ、θ、α及β四个脑电波频段中每一个脑电波频段的信号矩阵的行列维度,、、、分别表示δ脑电波频段的信号的矩阵形式、θ脑电波频段的信号的矩阵形式、α脑电波频段的信号的矩阵形式及β脑电波频段的信号的矩阵形式;
其中,i、j、k均表示四元数中的虚数单位,Y’表示四元脑电信号矩阵,、、及分别表示傅里叶反变换后,在第N个通道,第M个采样点的δ、θ、α及β四个脑电波频段对应的时域信号;四元脑电信号矩阵Y’中的每一个元素均表示为四元数的形式。
在本实施例中,利用脑电信号样本采集模块101,基于N个通道分别采集每个患者的脑电信号时,将N个通道视为N个脑电节点,在图结构构建模块104基于N个通道脑电信号间的相关系数构造N个脑电节点的图结构时,设每一个患者的原始脑电信号统一表示为Y,Y的矩阵表达式为:
其中,矩阵的第g行表示第g个脑电通道的脑电信号,设表示为Yg=[Y g1,Y g2,…,Y gM ],矩阵的第z行表示第z个脑电通道的脑电信号,设表示为Yz=[Y z1,Y z2,…,Y zM ],计算每个脑电通道相互之间的相关系数,第g个脑电通道与第z个脑电通道对应的相关系数为,计算表达为:
其中,cov(Yg,Yz)表示第g个脑电通道的脑电信号Yg与第z个脑电通道的脑电信号Yz的协方差,Var[Yg]表示第g个脑电通道的脑电信号Yg的方差,Var[Yz]表示第z个脑电通道的脑电信号Yz的方差;
最终形成相关系数矩阵ρ,表达式为:
在本实施例中,基于图结构求邻接矩阵是容易的,对于有若干个节点的图,用一维数组存储节点信息,并用二维数组存储节点之间关系的信息,该二维数组称为邻接矩阵。设结合图结构得到原始脑电信号的邻接矩阵表示为A,A的表达式为:
将邻接矩阵A内的元素作为四元数的实部,四元数虚部均为零,得出四元邻接矩阵A Q :
将患者头颅最高点定义为原点(0,0,0),建立三维坐标系,并设第g个脑电节点的位置坐标为(x g ,y g ,z g ),得到位置矩阵P为:
根据位置矩阵P,得到脑电节点的相对位置矩阵R,相对位置矩阵R是一个三维立体矩阵,三维立体矩阵中的任意一层g的矩阵形式表示为:
其中,相对位置矩阵R是一个三维立体矩阵,矩阵形式Rg的第g行中的每一个元素表示(x g ,y g ,z g )自身与(x g ,y g ,z g )自身之间的相对位置,g=1,2,...,N,所有层叠放在一起,形成三维立体矩阵,将相位位置矩阵R内的元素作为四元数的实部,四元数的虚部均为零,得出四元相对位置矩阵,四元相对位置矩阵也为一个三维立体矩阵,第一层表示为:
第二层表示为:
任意一层g的矩阵形式表示为:
如图2所示,所有层叠放在一起,形成三维立体矩阵。
在本实施例中,四元脑电特征矩阵构建模块105对新的四元脑电信号矩阵进行的四元数运算包括取均值、方差、1范数及无穷范数,将均值、方差、1范数及无穷范数作为特征,得到四元脑电特征矩阵X,表达式为:
其中,表示第g个脑电通道的脑电信号的均值;表示第g个脑电通道的脑电信号的方差;第i个脑电通道的脑电信号的1范数;表示第i个脑电通道的脑电信号的无穷范数,g=1,2,...,N,z=1,2,...,N,“4”是特征维度,四元脑电特征矩阵X有N个节点,每个节点有4个四元特征值。
然后,利用特征结合更新模块106更新并结合四元脑电特征矩阵中的四元列向量特征与四元相对邻接位置矩阵中的四元矩阵特征,在此,四元脑电特征矩阵中的四元列向量特征与四元相对邻接位置矩阵中的四元矩阵特征代表了脑电通道的位置特征信息和相对位置特征信息,特征结合更新模块106将脑电通道的位置特征信息和相对位置特征信息融合,实现通道之间的关系联立,获取了新的特征信息,使癫痫发作的信息获取更加多元;进一步,癫痫分类检测模块107中加载了随机森林模型,利用癫痫分类检测模块107将特征结合更新模块106更新并结合后的四元列向量特征与四元矩阵特征输入随机森林模型以训练随机森林模型,得到训练好的随机森林训练模型,用于癫痫分类检测。
随机森林(Random Forest,简称RF)拥有广泛的应用前景,可用来预测疾病的风险和病患者的易感性,能够处理具有高维特征的输入样本,评估各个特征在分类问题上的重要性,在本实施例中,随机森林模型包括许多的分类决策树,更新并结合后的四元列向量特征与四元矩阵特征按照7:3的比例划分为训练集样本和测试集样本,随机森林模型要将一个输入样本进行分类,需要将输入样本输入到每棵分类决策树中进行分类,每棵分类决策树独立地发表自己对这个输入样本的看法,进行投票,依据投票情况来确定,获得票数最多的类别,作为随机森林模型的癫痫分类结果。
实施例2
本实施例对实施例1中特征结合更新模块106如何更新并结合四元脑电特征矩阵中的四元列向量特征与四元相对邻接位置矩阵中的四元矩阵特征进行说明。特征结合更新模块106加载的三维图卷积网络如图3所示,该三维图卷积网络(3DGCN)包括l个交替相连的隐藏层与激活ReLU层,即在0~l个层中,每一个层均存在隐藏层与激活ReLU层连接,相对于二维图卷积网络,三维图卷积网络能有效利用空间信息,图卷积与网络学习操作统一起来处理,避免识别率瓶颈问题。
在本实施例中,三维图卷积网络运算没有改变,只是将里面的运算结合为四元数的运算,变成了一个高维的算法,四元数是可以加减乘除的,也可以进行卷积运算,Q代表四元数的卷积运算。具体的,结合实施例1中已进行处理的脑电信号,在N个脑电节点中,第g个脑电节点中含有两种特征,第一种为四元脑电特征矩阵X中的第g行,定义为四元列向量特征,第二种为四元相对位置矩阵中的第g个矩阵向量,定义为四元矩阵特征,其中,s、v均表示在处理矩阵特征的标志,无具体的物理含义;将四元列向量特征和四元矩阵特征输入三维图卷积网络进行l层四元卷积运算,得到更新后的四元列向量特征和更新后的四元矩阵特征,l表示第l层,Q表示四元卷积运算。
其中,表示此时更新后的四元列向量特征;ǁ表示四元列向量特征和四元列向量特征连成一列的操作,表示四元列向量特征对应四元列向量特征进行卷积运算时的权重矩阵,表示四元列向量特征对应四元列向量特征进行卷积运算时的偏差,与分别表示为四元数的形式为:
(2)在四元相对位置矩阵中含有四元矩阵特征时,从四元相对位置矩阵在三维图卷积网络第l层的脑电节点g和脑电节点z开始,将四元矩阵特征矩阵和四元矩阵特征矩阵连成一个新的矩阵,更新四元矩阵特征,更新表达式为:
其中,表示此时更新后的四元矩阵特征,ǁ表示四元矩阵特征矩阵和四元矩阵特征矩阵连成一个新的矩阵的操作,表示四元矩阵特征对应四元矩阵特征进行卷积运算时的权重矩阵,表示四元矩阵特征对应四元矩阵特征进行卷积运算时的偏差;
在进行了(1)~(4)的更新操作之后,将更新后的四元列向量特征、更新后的四元矩阵特征、更新后的四元矩阵特征、四元列向量特征更新为的四元矩阵特征合并成两个特征,分别沿邻域脑电节点进行卷积运算,得到最终更新后的四元列向量特征和更新后的四元矩阵特征,实现四元脑电特征和脑电通道相对位置特征的结合,卷积运算传播规则满足:
其中,Ws()表示四元列向量特征自身进行卷积运算时的权重矩阵;bs表示四元列向量特征自身进行卷积运算时的偏差;bv表示四元矩阵特征自身进行卷积运算时的偏差。
则至此,实现了以实现通道之间的关系联立,获取新的特征信息,使癫痫发作的信息获取更加多元。
实施例3
如图4所示,本实施例提出一种基于三维四元图卷积神经网络的癫痫分类检测方法,包括:
S1.基于N个通道的脑电信号样本采集模块分别采集每个患者在正常状态与癫痫状态下的脑电信号样本;
S2.利用原始脑电信号构建模块将采集到的每个患者在正常状态与癫痫状态下的脑电信号样本组合,形成原始脑电信号;
S3.利用原始脑电信号处理模块将原始脑电信号处理为δ、θ、α及β四个脑电波频段的信号,将四个脑电波频段的信号进行处理并融合为新的四元脑电信号矩阵;
S4.基于N个通道脑电信号间的相关系数构造N个通道的图结构,结合图结构得到原始脑电信号的邻接矩阵,基于邻接矩阵确定四元相对位置矩阵;
S5.利用四元脑电特征矩阵构建模块对新的四元脑电信号矩阵进行四元数运算得到四元脑电特征矩阵;
S6.利用特征结合更新模块更新并结合四元脑电特征矩阵中的四元列向量特征与四元相对邻接位置矩阵中的四元矩阵特征;
S7.利用癫痫分类检测模块将更新并结合后的四元列向量特征与四元矩阵特征输入随机森林模型以训练随机森林模型,得到训练好的随机森林训练模型,用于癫痫分类检测。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。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。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.一种基于三维四元图卷积神经网络的癫痫分类检测系统,其特征在于,包括:
脑电信号样本采集模块,基于N个通道分别采集每个患者在正常状态与癫痫状态下的脑电信号样本;
所述脑电信号样本采集模块为含N个通道的脑机接口设备,在采集每个患者在正常状态与癫痫状态下的脑电信号样本时,首先设置脑机接口设备的采样率,读取每位患者N个通道的癫痫状态的脑电信号与正常状态的脑电信号,癫痫状态与正常状态分别采集M/2个脑电信号样本点,原始脑电信号构建模块将采集到的每个患者在正常状态与癫痫状态下的脑电信号样本组合,形成原始脑电信号,每个通道共M个脑电信号样本点;设对第h位患者采集到的频率为1~30Hz的原始脑电信号定义为,其中,t表示M个脑电信号样本点对应的采集时间,满足:t=,h=1,2,…,N,则表示为:
原始脑电信号构建模块,将采集到的每个患者在正常状态与癫痫状态下的脑电信号样本组合,形成原始脑电信号;
原始脑电信号处理模块,用于将原始脑电信号处理为δ、θ、α及β四个脑电波频段的信号,并将四个脑电波频段的信号进行处理,并融合为新的四元脑电信号矩阵;
原始脑电信号处理模块采用快速傅里叶变换将原始脑电信号Y h (t)处理,对已进行快速傅里叶变换的原始脑电信号Y h (t),以不同的脑电波频段作为窗口长度,加载矩形窗,将已进行快速傅里叶变换的原始脑电信号Y h (t)滤波成δ、θ、α及β四个脑电波频段的信号,其中,δ为1~3Hz的脑电波频段,θ为4~7Hz的脑电波频段,α为8~13Hz的脑电波频段,β为14~30Hz的脑电波频段,δ脑电波频段的信号的矩阵形式表示为:
θ脑电波频段的信号的矩阵形式表示为:
α脑电波频段的信号的矩阵形式表示为:
β脑电波频段的信号的矩阵形式表示为:
N、M分别为δ、θ、α及β四个脑电波频段中每一个脑电波频段的信号矩阵的行列维度,、、、分别表示δ脑电波频段的信号的矩阵形式、θ脑电波频段的信号的矩阵形式、α脑电波频段的信号的矩阵形式及β脑电波频段的信号的矩阵形式;
其中,i、j、k均表示四元数中的虚数单位,Y'表示四元脑电信号矩阵,、、及分别表示傅里叶反变换后,在第N个通道,第M个采样点的δ、θ、α及β四个脑电波频段对应的时域信号;四元脑电信号矩阵Y'中的每一个元素均表示为四元数的形式;
图结构构建模块,基于N个通道脑电信号间的相关系数构造N个通道的图结构,结合图结构得到原始脑电信号的邻接矩阵,基于邻接矩阵确定四元相对位置矩阵;
利用脑电信号样本采集模块,基于N个通道分别采集每个患者的脑电信号时,将N个通道视为N个脑电节点,所述图结构构建模块基于N个通道脑电信号间的相关系数构造N个脑电节点的图结构时,设每一个患者的原始脑电信号统一表示为Y,Y的矩阵表达式为:
其中,矩阵的第g行表示第g个脑电通道的脑电信号,设表示为Yg=[Y g1,Y g2,…,Y gM],矩阵的第z行表示第z个脑电通道的脑电信号,设表示为Yz=[Y z1,Y z2,…,Y zM],计算每个脑电通道相互之间的相关系数,第g个脑电通道与第z个脑电通道对应的相关系数为,计算表达为:
其中,Cov(Yg,Yz)表示第g个脑电通道的脑电信号Yg与第z个脑电通道的脑电信号Yz的协方差,Var[Yg]表示第g个脑电通道的脑电信号Yg的方差,Var[Yz]表示第z个脑电通道的脑电信号Yz的方差;
最终形成相关系数矩阵ρ,表达式为:
设结合图结构得到原始脑电信号的邻接矩阵表示为A,A的表达式为:
将邻接矩阵A内的元素作为四元数的实部,四元数虚部均为零,得出四元邻接矩阵A Q :
将患者头颅最高点定义为原点(0,0,0),建立三维坐标系,并设第g个脑电节点的位置坐标为(x g ,y g ,z g ),得到位置矩阵P为:
根据位置矩阵P,得到脑电节点的相对位置矩阵R,相对位置矩阵R是一个三维立体矩阵,三维立体矩阵中的任意一层g的矩阵形式表示为:
其中,相对位置矩阵R是一个三维立体矩阵,矩阵形式Rg的第g行中的每一个元素表示(x g ,y g ,z g )自身与(x g ,y g ,z g )自身之间的相对位置,g=1,2,...,N,所有层叠放在一起,形成三维立体矩阵,将相对位置矩阵R内的元素作为四元数的实部,四元数的虚部均为零,得出四元相对位置矩阵,四元相对位置矩阵也为一个三维立体矩阵,任意一层g的矩阵形式表示为:
所有层叠放在一起,形成三维立体矩阵;
四元脑电特征矩阵构建模块,用于对新的四元脑电信号矩阵进行四元数运算,得到四元脑电特征矩阵;
所述四元脑电特征矩阵构建模块对新的四元脑电信号矩阵进行的四元数运算包括取均值、方差、1范数及无穷范数,将均值、方差、1范数及无穷范数作为特征,得到四元脑电特征矩阵X,表达式为:
其中,表示第g个脑电通道的脑电信号的均值;表示第g个脑电通道的脑电信号的方差;表示第g个脑电通道的脑电信号的1范数;表示第g个脑电通道的脑电信号的无穷范数,g=1,2,...,N,“4”是特征维度,四元脑电特征矩阵X有N个节点,每个节点有4个四元特征值;
特征结合更新模块,所述特征结合更新模块加载了三维图卷积网络,用于更新并结合四元脑电特征矩阵中的四元列向量特征与四元相对位置矩阵中的四元矩阵特征;
所述特征结合更新模块加载的三维图卷积网络包括l个交替相连的隐藏层与激活ReLU层;在N个脑电节点中,第g个脑电节点中含有两种特征,第一种为四元脑电特征矩阵X中的第g行,定义为四元列向量特征,第二种为四元相对位置矩阵中的第g个矩阵向量,定义为四元矩阵特征,其中,s、v均表示在处理矩阵特征的标志,无具体的物理含义;将四元列向量特征和四元矩阵特征输入三维图卷积网络进行l层四元卷积运算,得到更新后的四元列向量特征和更新后的四元矩阵特征,l表示第l层,Q表示四元卷积运算;
其中,表示此时更新后的四元列向量特征;ǁ表示四元列向量特征和四元列向量特征连成一列的操作,表示四元列向量特征对应四元列向量特征进行卷积运算时的权重矩阵,表示四元列向量特征对应四元列向量特征进行卷积运算时的偏差,与分别表示为四元数的形式为:
其中,表示此时更新后的四元矩阵特征,ǁ表示四元矩阵特征和四元矩阵特征连成一个新的矩阵的操作,表示四元矩阵特征对应四元矩阵特征进行卷积运算时的权重矩阵,表示四元矩阵特征对应四元矩阵特征进行卷积运算时的偏差;
其中,表示此时更新后的四元矩阵特征;表示四元矩阵特征对应四元列向量特征进行卷积运算时的权重矩阵;表示四元矩阵特征对应四元列向量特征进行卷积运算时的偏差;为z脑电节点的四元位置向量;表示点积;在四元脑电特征矩阵X中含有四元列向量特征时,更新表达式为:
将更新后的四元列向量特征、更新后的四元矩阵特征、更新后的四元矩阵特征、四元列向量特征更新为的四元矩阵特征合并成两个特征,分别沿邻域脑电节点进行卷积运算,得到最终更新后的四元列向量特征和更新后的四元矩阵特征,实现四元脑电特征和脑电通道相对位置特征的结合,卷积运算传播规则满足:
其中,Ws()表示四元列向量特征自身进行卷积运算时的权重矩阵;bs表示四元列向量特征自身进行卷积运算时的偏差;bv表示四元矩阵特征自身进行卷积运算时的偏差;
癫痫分类检测模块,所述癫痫分类检测模块加载了随机森林模型,将特征结合更新模块更新并结合后的四元列向量特征与四元矩阵特征输入随机森林模型以训练随机森林模型,得到训练好的随机森林训练模型,用于癫痫分类检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210165084.9A CN114224300B (zh) | 2022-02-23 | 2022-02-23 | 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210165084.9A CN114224300B (zh) | 2022-02-23 | 2022-02-23 | 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114224300A CN114224300A (zh) | 2022-03-25 |
CN114224300B true CN114224300B (zh) | 2022-07-12 |
Family
ID=80747901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210165084.9A Active CN114224300B (zh) | 2022-02-23 | 2022-02-23 | 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114224300B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909784A (zh) * | 2017-02-24 | 2017-06-30 | 天津大学 | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 |
CN109480833A (zh) * | 2018-08-30 | 2019-03-19 | 北京航空航天大学 | 基于人工智能的癫痫患者脑电信号的预处理和识别方法 |
CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN112294337A (zh) * | 2020-09-29 | 2021-02-02 | 山东师范大学 | 基于线性图卷积神经网络的癫痫检测系统 |
CN113229829A (zh) * | 2021-04-15 | 2021-08-10 | 广东工业大学 | 一种四元数脑电信号提取方法及系统 |
WO2021237918A1 (zh) * | 2020-05-25 | 2021-12-02 | 五邑大学 | 基于gpdc图卷积神经网络的疲劳检测方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201336475A (zh) * | 2012-03-01 | 2013-09-16 | Univ Nat Taiwan | 擁有即時學習機制之癲癇發作預測方法、模組及裝置 |
-
2022
- 2022-02-23 CN CN202210165084.9A patent/CN114224300B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909784A (zh) * | 2017-02-24 | 2017-06-30 | 天津大学 | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 |
CN109480833A (zh) * | 2018-08-30 | 2019-03-19 | 北京航空航天大学 | 基于人工智能的癫痫患者脑电信号的预处理和识别方法 |
CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
WO2021237918A1 (zh) * | 2020-05-25 | 2021-12-02 | 五邑大学 | 基于gpdc图卷积神经网络的疲劳检测方法、装置及存储介质 |
CN112294337A (zh) * | 2020-09-29 | 2021-02-02 | 山东师范大学 | 基于线性图卷积神经网络的癫痫检测系统 |
CN113229829A (zh) * | 2021-04-15 | 2021-08-10 | 广东工业大学 | 一种四元数脑电信号提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于随机森林癫痫患者脑电数据的分析研究;盛晓欣等;《中国数字医学》;20200115(第01期);第41-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114224300A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nogay et al. | Detection of epileptic seizure using pretrained deep convolutional neural network and transfer learning | |
CN111657935B (zh) | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 | |
Ibrahim et al. | Electroencephalography (EEG) signal processing for epilepsy and autism spectrum disorder diagnosis | |
US20110144519A1 (en) | System and Methods for Neurologic Monitoring and Improving Classification and Treatment of Neurologic States | |
Yang et al. | Removal of electrooculogram artifacts from electroencephalogram using canonical correlation analysis with ensemble empirical mode decomposition | |
US20070225932A1 (en) | Methods, systems and computer program products for extracting paroxysmal events from signal data using multitaper blind signal source separation analysis | |
CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
CN112450947B (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
CN114052735A (zh) | 一种基于深度领域自适应的脑电情绪识别方法及系统 | |
CN112641451B (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 | |
Li et al. | Implementation of EEG emotion recognition system based on hierarchical convolutional neural networks | |
Agarwal et al. | Fusion of pattern-based and statistical features for Schizophrenia detection from EEG signals | |
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 | |
CN110338760B (zh) | 一种基于脑电图频域数据的精神分裂症三分类方法 | |
Fatimah et al. | A multi-modal assessment of sleep stages using adaptive Fourier decomposition and machine learning | |
CN114224300B (zh) | 基于三维四元图卷积神经网络的癫痫分类检测系统及方法 | |
Jagannath et al. | A novel Bayesian deep learning methodology for enhanced foetal cardiac signal mining | |
CN116421200A (zh) | 一种基于并行训练的多任务混合模型的脑电情感分析方法 | |
Dutta et al. | A predictive method for emotional sentiment analysis by machine learning from electroencephalography of brainwave data | |
Nagwanshi et al. | Wearable Sensors with Internet of Things (IoT) and Vocabulary-Based Acoustic Signal Processing for Monitoring Children's Health | |
Rahman et al. | An End-to-End Deep Learning Model for Mental Arithmetic Task Classification from Multi-Channel EEG | |
CN114330422A (zh) | 一种实时估计脑电情感特征的跨被试迁移学习方法 | |
Elisha et al. | EEG feature extraction using common spatial pattern with spectral graph decomposition | |
Kang et al. | A sleep stage classification method using deep learning by extracting the characteristics of frequency domain from a single EEG channel | |
Shoieb et al. | Neurological disorder detection of brain abnormal activities using a new enhanced computer-aided model |
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 |