CN114366124A - 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 - Google Patents

Abstract

本发明提出了一种面向癫痫脑电(Electroencephalogram,EEG)信号的特征提取与自动识别方法。该方法首先使用深度单分类模型无监督学习训练模式，通过患者的大量非癫痫脑电信号训练深度卷积通道注意力特征提取模型，得到正常脑电信号的最具代表的五组时频特征δ、Θ、α、β和γ，使模型初步具有区别正常脑电和异常脑电(癫痫)的能力；接着使用监督学习方法，通过患者的癫痫脑电和非癫痫脑电训练强化模型的判别能力，得到最大程度表征正常脑电信号与癫痫脑电信号差异的特征；最后，通过测试样本验证本发明所训练模型在自动识别癫痫上的有效性，具体表现为识别的正确率与模型的泛化性能。与现有相关技术相比，本发明方法对癫痫脑电识别正确率高，模型泛化性能好，在辅助癫痫脑疾病的临床诊断和自动识别方面具有重要意义。

Description

一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电 识别方法

技术领域

本发明涉及信号处理和模式识别技术领域，尤其是一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法。

背景技术

癫痫是一种由大脑神经细胞反复超同步放电，引发的自发性、突发性的脑功能紊乱的精神系统疾病，目前癫痫治疗的主要手段——手术切除病灶和药物治疗存在一些问题，对有些患者可能带来并发症和一些不良反应，如果能在癫痫发作前进行早期确诊，提前采取保护措施，就可以极大的减少患者受伤的风险，并可以对认识癫痫的发病机制和研究新的治疗方法起到促进作用。目前癫痫诊断主要是通过医生对脑电图的视觉检测来完成。视觉检查存在较大的主观因素问题，不同医生或者同一医生在不同时刻对同一波形的判断可能不一致。因此，脑电信号的癫痫特征提取与自动识别技术将在很大程度上减轻医生的负担和提高脑电图诊断效率。

脑电信号的分析和处理一直是个世界难题，不但在于其信号的非平稳性，还在于其信号波形的多样性。如果单纯地从时域或者频域考虑，效果并不是很理想。主要原因在于这些方法都是试图用单纯时域或者频域的特征来表征信号，忽略了脑电信号的非平稳性，因而不能充分明显的区分癫痫信号的特征。近年来，随着深度学习的蓬勃发展，卷积神经网络(Convolution Neural Network,CNN)在图像、自然语言处理、机器视觉等多领域都取得了一定的应用效果，许多研究开始采用深度学习的方法进行癫痫诊断。由于深度学习数据驱动的特性，深度学习方法需要有大量的数据来训练模型以保证模型的性能。然而在实际的临床中，虽然对于住院观察的癫痫病人，能够全天24小时不停的采集大量的脑电数据，但是病人癫痫的数据量仍然十分稀少，通常情况下癫痫发作数据和非发作数据的比例可以达到1:1000，这样极度不平衡的数据会导致深度学习模型无法正常训练。为了解决数据极度不平衡带来的问题，一些研究者开始研究癫痫数据的增强和非癫痫数据的下采样。然而这些方法会极大的减少可用于训练的数据量，而数据量的欠缺容易导致深度学习严重的过拟合，使模型无法有一个精确的分类效果。总的来说，最近的深度学习方法很少从癫痫数据本身存在的问题入手，在改进模型结构时缺少对数据的合理使用，在癫痫检测效果上仍有待改进。

异常检测(Anomaly Detection)旨在找出数据中最不匹配于其他数据的那部分异常值，其在风险管理、金融监控、健康和医疗风险以及人工智能等安全领域有广泛的应用。无监督学习中的单分类模型(One-Class model)常用于处理此类正负样本分布极不平衡的情况。只使用正常样本(通常为有大量数据的那类样本)来训练构造包含这所有正常样本的投影的超平面，在这种无监督学习下，投影模型对于正常样本和非正常样本的投影会有巨大的差异。测试时如果测试数据投影落在超平面内则为正常，如果没有落在该超平面内，则是异常。但是这种无监督方法只能保证同正常类样本的投影尽可能的相近，却没有办法保证异常类与正常类投影有巨大差异，因此存在一定缺陷。本发明在使用无监督学习训练模型之后，再使用监督学习方法微调模型，保证了正常类与异常类投影特征能有较大差距，从而解决了决癫痫脑电总量大，内在分布极不平衡的问题。

本发明提出的半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法，通过采集癫痫患者脑电信号进行分析，将频域分析方法与端到端的深度学习方法结合，提取并融合了脑电信号的多尺度时序特征和多频谱特征，在训练模型时采用了半监督学习方法，有效的利用了非癫痫的数据，能够有效提取脑电特征，对于癫痫脑电信号的准确特征提取及辅助癫痫疾病的诊断具有重要意义。

发明内容

本发明提供了一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法。所提方法在公开癫痫脑电数据集—CHB MIT上进行验证。在单个病人的癫痫脑电检测二分类(癫痫发作、非癫痫发作)任务上取得了优良的分类效果，并且分类模型具有良好的泛化性能。

为实现上述目的，本发明提供了一种基于半监督深度卷积注意力单分类网络的癫痫脑电识别方法，包括如下步骤：

步骤1：脑电信号预处理

步骤2：深度卷积时频特征提取网络与信号重构网络构建及基于深度单分类的无监督训练模型。

步骤3：癫痫检测网络构建与监督训练。

步骤4：模型性能测试

本发明提供的基于深度卷积注意力异常检测网络的癫痫脑电识别方法的优点包括：

1、采用基于深度单分类模型的半监督学习方法训练模型，使模型不再受限于癫痫发作脑电数据不足的困境，充分使用数据量大的非癫痫数据，同时关注非癫痫脑电信号和癫痫脑电信号最具判别力的特征，从而实现癫痫信号的准确分类。

2、本发明提出的多层次特征重构网络，考虑每一尺度的特征包含的信息，精确重构脑电信号，为无监督训练得到脑电信号最具判别力的特征提供了模型基础。

附图说明

图1为本发明的流程图；

图2为步骤2，(1)深度卷积时频特征提取网络①嵌入层神经网络结构图；

图3为步骤2，(1)深度卷积时频特征提取网络②时频特征提取层神经网络结构图；

图4为步骤2，(1)深度卷积时频特征提取网络③特征优化层神经网络结构图；

图5为步骤2，(2)信号重构网络①多层次重构层和②特征融合重构层神经网络结构图；

图6为步骤3，(1)癫痫检测网络神经网络结构图；

图7为步骤2，(3)基于深度单分类的无监督训练模型完成后，对测试集数据进行重构后的重构误差曲线，横坐标为时间，纵坐标为重构误差。

图8为步骤4模型性能测试阶段对于连续脑电信号的实时分类结果图，上图为实时脑电信号，下图为实时分类结果。

具体实施方式

以下结合附图对本发明进一步说明。

取真实癫痫脑电信号的分类效果作为本发明的实施例验证本发明的识别效果，并将本发明与其他深度学习方法进行比较。

实验数据来自于美国波士顿儿童医院采集的24名癫痫病人的脑电信号，采样频率为256Hz，每个病人都有9.6～55小时的连续脑电记录和至少3次的记录癫痫。由于12号病人的脑电通道多次变化，同一脑电采集通道的癫痫发作次数过少，无法正常训练，因此实际测试病人为不包含12号病人的其他23名。在每个病人的脑电信号中，我们重点关注的内容是癫痫发作前后的脑电数据与癫痫发作时的区别，因此我们仅仅选择了至少包含一次癫痫发作的脑电数据文件。

图1展示了本发明实施例方法的流程图，包括：

首先对脑电信号进行预处理(步骤1)，接着构建深度卷积时频特征提取网络和构建多层次特征重构网络，并使用基于异常值检测单分类模型的无监督方法进行模型的训练，得到训练好的特征提取网络(步骤2)。再构建癫痫检测分类网络，同训练好的特征提取网络一同进行有监督学习训练(步骤3)。得到最终可用的端到端癫痫检测网络，再使用测试集验证模型的效果(步骤4)。

下面具体介绍本发明提供的基于深度卷积注意力异常检测网络的癫痫脑电识别方法流程，其步骤包括：

步骤1：脑电信号预处理。

(1)通道选择

由于波士顿儿童医院提供的脑电数据存在坏通道和重复通道，为了保证数据的质量，需要删去这些通道。因此本项目中，根据波士顿儿童医院提供的信息，仅保留了'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','T8-P8-0','P8-O2','FZ-CZ','CZ-PZ','P7-T7','T7-FT9','FT9-FT10','FT10-T8'这22个通道。

(2)基线校准，伪迹去除

脑电信号在长时间的采集中，可能出现基线漂移的情况，从而导致信号质量下降，因此使用经验模态分解(EMD)算法进行基线校准。同时脑电信号在采集时可能存在噪声干扰与肌电干扰的出现，导致数据存在噪声与伪迹，使用直接移除法处理这些干扰。

(3)0-64Hz滤波

对信号施加0-64Hz低通滤波，去除高频干扰。

(4)去除工频干扰

采用陷波滤波(60Hz，120Hz，180Hz，240Hz，300Hz)去除信号中的工频干扰。

(5)滑窗划分数据片段

采用滑动窗口对原始信号进行划分，设定滑动窗的长度为5s，滑动步长为2.5s,将癫痫信号和非癫痫信号划分成包含28160个采样点的形如22×1280(5s×256Hz)的矩阵数据段。如果数据段同时包含癫痫信号和非癫痫信号，则该数据段丢弃不用。

我们完成了对23名病人的预处理，包含175次癫痫发作脑电信号，使用的信号总长度为177小时，其中癫痫发作信号总长为2.8小时，样本数为4754个，非癫痫发作信号总长为174.2小时，样本数为313105个。将每个病人的数据预处理结果整理得表1.

表1

步骤2：深度卷积时频特征提取网络与信号重构网络构建与单分类无监督训练

在本发明中后文中多次使用的符号和表示式，在下面做出统一的定义。

定义单个病人癫痫信号脑电数据集为D_i＝{(x₁,y₁),…,(x_N,y_N)}，其中N表示每个病人的脑电信号片段的综述，其中x_i∈R^E×T是一个脑电信号片段，包含E个通道，每个通道采样点个数为T，y_i是每个片段的标签，1表示该片段是癫痫脑信号，0表示非癫痫脑信号。

针对输入的二位信号x在x(i,j)处的卷积做出如下定义：

其中w是卷积核，m、n分别是卷积核大小。

针对一维信号，线性整流函数(Rectified Linear Unit,ReLU)的计算公式为：

ReLu(x)＝max(x,0) (2)

针对一维信号，激活函数(Sigmoid函数)的计算公式为：

针对二维信号x的步长为m*n的反卷积(Deconv)操作，其计算方法为先对x相邻数据之间插入m-1行，n-1列的零，再使用卷积核为m*n，步长为反卷积步长的卷积对扩充后的信号进行卷积。

(1)深度卷积时频特征提取网络

本发明中的深度卷积时频特征提取网络主要由嵌入层，时频特征提取层和特征优化层三部分组成。

①嵌入层

嵌入层的结构如图2所示。嵌入层首先使用卷积核为1*3，步长为1*1，填充为1*1的卷积构成三层卷积结构和一层卷积分别对原始信号进行卷积，将卷积结果进行残差连接，将原始信号与残差连接结果拼接在一起，得到利于后续特征分析的最好表征。通过嵌入层，我们将原始大小为1×22×1280的原始信号映射为了9×22×1280。

嵌入层可以表示为：

其中x_CE表示嵌入层输出，x表示输入特征，

表示残差连接，

表示拼接。

②时频特征提取层

时频特征提取层的结构如图3所示，主要有多层时域卷积核多层频域卷积组成。

在频域上，本发明使用小波分解来提取脑信号的频谱特征，根据先前的研究，本发明在小波分解参数的选择上选择了多贝西四阶小波(Daubechies order-4,Db4)，该小波与脑信号的高相关系数常用于脑信号研究。一层频域卷积卷层的积核大小为1*8，步长为1*2，无填充，参数不参与更新迭代，直接使用Db4小波分解滤波器的参数。将信号输入频域卷积层，其输出由两部分组成，输出的偶数下标为低频信号，奇数下标为高频信号。一层频域卷积层可以表示为：

x_L(t)＝Conv(x)(2t) (5)

x_H(t)＝Conv(x)(2t+1) (6)

式中x_L和x_H分别是小波分解的低频信号和高频信号。通过频域卷积，将信号按频率对半分解成低频近似信号和高频细节信号。将低频信号再次输入频域卷积层，即可得到更低的频率分解。

由香农采样定理可得，数据采样频率为256Hz，因此信号最高包含的频率为128Hz。为了能够提取出5个响应的临床频段的信号，即δ频段(0-4Hz)，θ频段(4-8Hz),α频段(8-12Hz),β频段(13-30Hz)和γ频段(30-50Hz)。需要得到最低为4Hz的低频信号，因此小波卷积的层数

层。由于第一层的高频信号频率范围为64Hz-128Hz，需要舍弃。

通过频域卷积层，我们可以得到5个频域特征图，其大小分别为9×22×40，9×22×40，9×22×80，9×22×160，9×22×320。

在时域上，采用多层卷积提取脑电信号的不同尺度的时域特征。配合来提取脑电信号的多尺度时序特征。

一层时域卷积层可以表示为：

x_t＝ReLU(Conv(x)) (7)

为了能够感受不同视野下的时域特征，同样使用5层时域卷积层来提取特征，其卷积核的大小分别为1*4,1*2,1*2,1*2,1*1，其步长和卷积核大小一致,均无填充。

通过时域卷积层，我们可以得到5个时域特征，其大小分别为9×22×40，9×22×40，9×22×80，9×22×160，9×22×320。

将频域信号和时域信号按大小对应拼接，则得到了最终的时频特征提取层的输出δ(18×22×40)，θ(18×22×40)，α(18×22×80)，β(18×22×160)和γ(18×22×320)。

③特征优化层

特征优化层整体结构如图4a所示，我们使用注意力层来优化特征图通道权重，通过最大池化层(maxpooling)来压缩特征信息。有自己独立的特征优化网络，特征优化层由5个独立的优化网络组成，特征δ，θ，α，β和γ各自拥有一个优化网络，每个优化网络都使用三层注意力层和三层最大池化层。

对于注意力卷积层，其结构如图4b所示，k表示注意力卷积层的卷积核大小，处理δ，θ，α特征的卷积核大小为3，处理β和γ特征的卷积核大小为7。先通过计算特征图的均值将特征图进行压缩，再通过第一层线性全连接层来再次压缩特征，通过非线性函数ReLU之后通过第二层线性层来恢复得到特征图数量的特征图分数，按照重要性得出通道权重，最后使用Sigmoid(S)来激活不同通道的权值，从而让模型更加关注信息量大的通道包含的特征，抑制那些不重要的通道包含的特征。

式中S是Sigmoid函数，W₁和W₂是两层全连接层的参数其输入输出大小相反，分别是64和8，T表示输入特征的宽度，C表示输入特征的长度，×表示矩阵叉乘。

卷积层输出结果再输入到一层注意力层中，最后使用maxpooling层进行特征压缩，一层特征优化层的结构如下：

式中

表示输出的特征图，最大池化层的步长设为1×4，1×4，和1×2。

将时频特征提取层输出的5组特征δ，θ，α，β和γ分别输入到3层连续的特征优化层中，输出5组压缩优化过的特征

和

(2)信号重构网络

①多层次重构层

如图5所示，多层次重构层将特征优化层得到的5组特征

和

按照特征尺度的大小，从小到大的进行重构。使用反卷积(Deconv)和ReLU层来实现从特征到重构信号的转变。首先分别使用卷积核大小为1×2,1×2,1×5,1×4,1×2，步长与卷积核大小一致，填充为0的反卷积，对特征进行第一次增维。然后分别使用卷积核大小为1*160,1*160,1*80,1*32,1*16，步长与卷积核大小一致的反卷积操作进行重构，在重构时高尺度的重构需要考虑低尺度的特征量，其具体结构如图5所示。公式如下：

式中

表示第一次增维之后的特征图，x₁表示输入的特征，

表示低尺度特征第一次增维之后的输出图，x_re表示重构之后的特征图。

以

和

的顺序依次进行重构，最终得到5张大小为4×22×640的重构图x_δ、x_θ、x_α、x_β和x_γ。

②特征融合重构层

如图5所示，该层将多层次信号重构层输出的5张重构图相加之后过卷积核大小1*4，步长也为1*4的反卷积层，最终得到与原始输入脑电片段大小一致的重构信号，公式如下：

x_re＝Conv(Deconv(x_δ+x_θ+x_α+x_β+x_γ)) (12)

(3)基于深度单分类的无监督训练模型

对每个患者的脑电信号数据按8：2分成训练集和测试集，训练时仅使用非癫痫脑电数据。使用均方误差(Mean Square Error，MSE)作为损失函数，计算模型的重构数据和原始数据的误差，通过误差的反向传播与梯度下降算法更新网络中每一层的参数。反复训练模型，直至损失函数值小于0.001，训练停止，保存模型。

经过本次步骤训练完成的网络初步具有了区分正常脑电信号和癫痫脑电信号的能力，图7是编号为chb01的病人，使用训练好的重构模型对测试集数据进行重构后，计算出每个测试数据的重构损失，可以通过重构损失的大小看出模型已经初步具有了对于癫痫脑电与非癫痫脑电的判别能力，正常脑电具有较小的重构损失，癫痫脑电具有较大的重构损失，但是仍存在判别失误的较大可能，仍有部分癫痫脑电的重构损失小于正常脑电的重构损失，因此仅仅靠重构损失来判断癫痫脑电信号是不足的，因此需要进一步进行监督学习微调模型的参数，强化模型的判别能力。

步骤3：癫痫检测网络构建与监督训练模型

(1)癫痫检测网络

如图6所示，将输出特征

和

按照时间维度进行拼接，得到一张大小为32×22×19的特征图，输入卷积全连接层，最终输出二分类结果，如图6所示。公式如下：

式中x_out为属于癫痫脑电信号和非癫痫脑电信号的概率值。

(2)监督训练模型

使用步骤2中使用的测试集所有脑电数据和已经训练好的特征提取网络模型，将输出的特征作为数据输入癫痫分类网络，采用交叉熵(Cross Entropy，CE)作为损失函数，计算模型的预测结果与标签的误差，通过误差的反向传播与梯度随机下降算法更新癫痫检测网络中每一层的参数，但仅微调特征提取网络的参数。反复训练模型，直至验证集的准确率开始下降，或训练次数大于100次，训练停止，保存模型。

步骤4：模型性能测试

使用步骤3中训练好的模型和分好的测试集上验证模型的有效性，并对输出结果进行分析。由于癫痫脑电数据阴性样本(非癫痫脑电片段)和阳性样本(癫痫脑电信号)数量相差过大，因此使用准确率(accuracy,ACC)来评价网络性能容易出现模型性能指标虚高的情况出现，因此采用阳性样本分类正确报警率——灵敏度(sensitivity，SEN)，阴性样本正确分类率——特异度(specificity，SPE)，来独立评价模型在阴性样本(正常脑电片段)中和阳性样本(癫痫脑电片段)中的效果，并且还使用ROC曲线下面积(Area Under Curve,AUC)来衡量模型的分类效果。

本项目选择了三种同样使用CHB-MIT数据集的深度学习算法模型CE-stSENet(Yang Li.Yu Liu.Epileptic Seizure Detection in EEG Signals Using a UnifiedTemporal-Spectral Squeeze-and-Excitation Network,2020)、NDN(Morteza Zabihiet.Patient-Specific Seizure Detection Using Nonlinear Dynamics andNullclines,2020)，EEGWaveNet(Punnawish Thuwajit et.EEGWaveNet:Multi-Scale CNN-Based Spatiotemporal Feature Extraction for EEG Seizure Detection,2021)对比结果如表2。

从表2可以看出，与其他深度学习方法相比，本发明提出的基于深度卷积注意力异常检测网络的癫痫脑电识别方法的癫痫样本分类准确率最高，AUC值也最高。同时也保证了很高的非癫痫样本分类准确率，仅比最高方法低了0.65％。

表2

表3列出了CE-stSENet方法，NDN方法和本发明(由于EEGWaveNet文章中未列出相关信息，因此没有统计)测试使用的癫痫病人数，测试癫痫及非癫痫脑电时长信息。可以看出，本发明测试的病人数目最多，测试时长最长，因此方法的泛化性能优于其他方法。

表3

表4列出了有无步骤2中使用基于深度单分类网络无监督学习对方法带来的影响。从表中可以看出，使用基于深度单分类网络无监督学习方法来训练特征提取器，比直接使用监督方法训练特征提取器有更好的效果，其模型对于癫痫数据和非癫痫数据都有更高的准确识别率，同时模型本身有了更高的AUC值。

本发明的测试的一个案例如图8所示，可以看出本发明提出的基于深度卷积注意力异常检测网络的癫痫脑电识别方法具有数据利用率高，分类准确率高，实时性和非侵入性等优势，是癫痫脑电自动标注、生物特征识别和人工智能等领域的研究热点，在临床癫痫的诊治有广泛的应用前景。基于深度卷积注意力异常检测网络的癫痫脑电识别方法可拓展用于疾病和健康监测等领域，具有重大的意义。

以上对本发明所提供的基于深度卷积注意力网络的癫痫颅内脑电信号预警方法进行了详细的说明，但显然本发明的范围并不局限于此。在不脱离所附权利要求书所限定的保护范围的情况下，对上述实施例的各种改变都在本发明的范围之内。

表4

Claims (4)

1.基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法，其特征在于包括：

步骤1：脑电数据预处理

(1)通道选择

对脑电信号进行通道选择，剔除损坏的通道，删除重复的通道。

(2)基线校准，伪迹去除

对信号进行基线去除，去噪和去除伪影操作。

(3)0-64Hz低通滤波

对信号施加0-64Hz低通滤波，去除信号中的高频噪声。

(4)去除工频干扰

对信号施加陷波滤波，去除信号中的工频干扰。

(5)滑窗划分数据片段

对信号进行数据划分，将连续的数据划分成适合神经网络训练的片段。

步骤2：深度卷积时频特征提取网络与信号重构网络构建与基于深度单分类的无监督训练模型

(1)深度卷积时频特征提取网络的构建

①嵌入层构建

嵌入层对输入的原始脑电信号在时间方向上进行卷积，对卷积结果进行批量归一化，最后对结果进行残差连接，自适应的将自然的原始数据映射到高维数据空间，从而得到利于后续特征分析的最好表征。

②时频特征提取层构建

时频特征提取层通过深度学习端到端的模型，使用独立时序卷积层提取脑电信号5个不同尺度上的时域特征，使用小波分解提取脑电信号重要5个波段的频域特征，并将两种特征有效融合，得到五组时频特征δ，θ，α，β和γ。

③特征优化层构建

特征优化层使用注意力网络结构，通过注意力机制优化了时频特征的质量，保留特征最重要的部分，降低了特征的维度，得到可用于分类任务和重构任务的输出特征：

和

(2)信号重构网络的构建

①多层次重构层构建

多层次信号重构层对输出特征按照

和

的顺序分别进行拼接与反卷积操作，得到五个不同层次特征重构出的重构数据x_δ、x_θ、x_α、x_β和x_γ。

②特征融合重构层构建

特征融合重构层对不同层次的重构信号进行融合，通过注意力机制自适应的调整不同层次重构信号的占比，从而得到最佳的重构信号。

(3)基于深度单分类的无监督训练特征提取网络和信号重构网络模型：

对每个患者的脑电信号数据采用五折交叉验证法进行训练，训练时仅使用非癫痫脑电数据。使用均方误差(Mean Square Error，MSE)作为损失函数，计算模型的重构数据和原始数据的误差，通过误差的反向传播与梯度下降算法更新网络中每一层的参数。反复训练模型，直至损失函数值小于0.001，训练停止。

步骤3：癫痫检测网络构建与监督训练

(1)癫痫检测网络构建

分类网络对输出特征

和

按照时间维度进行拼接，输入卷积全连接层，最终输出二分类结果，即输入脑电信号片段输出癫痫脑电和非癫痫脑电的概率。

(2)监督学习训练癫痫检测网络。

使用4中训练用的脑电数据，输入4中已经训练好的特征提取网络，将输出的特征作为数据输入癫痫分类网络，采用交叉熵(Cross Entropy，CE)作为损失函数，计算模型的预测结果与标签的误差，通过误差的反向传播与梯度随机下降算法更新癫痫检测网络中每一层的参数，但不改变特征提取网络的参数。反复训练模型，直至验证集的准确率开始下降，或训练次数大于100次，训练停止。

步骤4：模型性能测试：

将训练好的特征提取网络和训练好的癫痫检测分类网络组合，得到癫痫分类模型。输入测试数据及标签，对输出结果进行分析，采用阳性样本分类正确报警率——灵敏度(sensitivity，SEN)，阴性样本正确分类率——特异度(specificity，SPE)，分类准确率(accuracy，ACC)和ROC曲线下面积(Area Under Curve，AUC)来测试模型的分类效果。

2.如权利要求1所述的基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法，其特征在于包括：

在所述步骤2中，构建的信号重构网络，基于提取的5种包含不同尺度时域特征和不同频域特征的脑电信号特征图来重构脑电信号，即考虑了不同尺度信息重构脑电信号的特点，又考虑了不同尺度信息融合重构脑电信号，从而使重构效果好，特征提取器提取的特征效果优。

3.如权利要求1所述的基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法，其特征在于包括：

在所述步骤2中，使用基于深度单分类的无监督学习方法训练深度卷积时频特征提取网络，有效克服了癫痫脑信号总量大，但样本分布不均的问题，有效利用了大量的非癫痫脑电信号，提升了模型的性能，此方法可用于其他样本量大但样本分布不均的情况，泛化性能好，可操作性强。

4.如权利要求1所述的基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法，其特征在于包括：

在所述步骤3中，使用监督学习方法进一步训练深度卷积时频特征提取网络，有效克服了深度异常值检测无监督学习方法中，训练出的特征无法保证对异常信号也能提取出最具判别力的特征的问题，提升了模型的分类准确率。

Images