CN115211870A - 一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统 - Google Patents

Abstract

本发明公开了一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统。该方法针对新生儿的临床脑电信号数据，基于多尺度融合特征进行异常检测；建立高度并行的多分支一维卷积模型对标记后的新生儿脑电信号数据进行特征提取，多分支一维卷积模型可以在提取出脑电信号多尺度特征的同时，尽可能减小运算时间；使用基于深度网络的集成学习模型，将多个弱监督模型融合为一个强监督模型，最大程度地利用了多尺度融合特征，降低随机噪声的干扰，保证了模型具有较高的抗干扰性。本发明方法是基于数据的深度网络建模方法，网络计算步骤完备，建立的网络模型兼顾了脑电信号的多尺度特征，具有一定的理论价值与实际工程意义。

Description

一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检 测系统

技术领域

本发明涉及脑电信号监测领域，特别涉及一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统。

技术背景

新生儿尤其早产儿大脑发育不全异常放电较常见，持续放电会加重大脑损伤，必须及时干预。脑电监测是目前识别异常放电的唯一可靠检查方式。目前脑电数据的分析靠专业人员肉眼识别，耗时耗力，且可能因为主观及疲劳导致漏误诊。另一方面，在全国范围内具备脑电检测能力的专业人员数量较少，技能培训投入周期长、成本较大，不易为广大医务人员尤其身处一线的护士掌握。以上因素导致新生儿脑电检测能力相对需求的严重不足亟待解决。

目前利用深度学习技术监测与预测已经在包括能源，工业，环境等多个跨学科领域等得到了广泛应用，是当下的研究热点。然而，对于脑电监测的研究仍集中于医学领域的理论探讨，利用深度学习技术进行脑电监测的研究尚处于起步阶段。应用深度学习的方法识别异常放电，可以做到全天候检测，且技术便于复制推广，极大解放了人力物力，并可以通过技术迭代和专家分析把关，大大提高识别准确率，缩短延误时间，为患儿后续及时治疗争取到宝贵的时机，应用前景十分广阔。

对于如脑电信号的时序信号处理，除了使用目前较为热门的循环神经网络外，有时使用一维卷积神经网络(1D CNNs)也可以取得很好的效果，并且大大降低计算时间。在使用一维卷积神经网络处理脑电信号时要面临以下几个挑战：

1)样本长度过长是脑电信号处理中的常见问题，在实际工作中采样频率往往取500Hz，8秒内将采集4000个脑电信号采样点，样本长度过长不利于卷积网络提取特征；

2)新生儿脑电信号复杂性强，例如阿尔法波、棘慢波等，这些信号的特征非常复杂，在低中高频段都存在一定特点。如果只采用最简单的单层卷积结构进行特征提取，则无法同时兼顾细粒度特征和全局尺度特征；

3)临床进行脑电采样时通常会引入较大的随机噪声，如：电磁干扰、睁眼等，对模型的抗干扰能力要求高；

因此，基于新生儿脑电信号监测面临的挑战，需要设计一套规范化的基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统。

发明内容

本发明的目的在于拓展现有研究和技术，提出一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统。通过基于多分支的多尺度特征融合网络可以提取出新生儿脑电信号的多尺度特征，从而提升对惊厥放电的识别准确性和可靠性；通过建立基于深度网络的集成学习模型，可以充分利用多尺度融合特征，降低随机噪声干扰，使模型结果具有一定的理论价值与实际应用意义。

本发明的目的通过以下的技术方案实现：一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统，该系统包括数据集构建模块、数据清洗模块、数据处理模块和多尺度特征融合网络模型模块多分支一维卷积层构建模块、特征融合模块和分类结果模块；

所述数据集构建模块用于根据医院采集到的标准脑电信号，将每个电极通道分开单独分析，作为样本的数据集；将按照时间排列的脑电信号切分成长度均为L的N组片段，记作脑电信号集{X_{org_i}}，X_{org_i}表示样本的数据集中的第i组的脑电信号集，其中i＝1,2,3,…,N；

所述数据清洗模块用于根据正常脑电信号的幅值范围对数据集构建模块中的第i组的脑电信号集{X_{org_i}}进行原始数据清洗，得到第i组的脑电标准数据集{X_i}，其中i＝1,2,3,…,N；

所述数据处理模块用于将数据清洗模块清洗后的脑电数据进行归一化处理，最终得到归一化后的脑电信号数据集{X`_i}作为训练数据集，其中i＝1,2,3,…,N；

所述多尺度特征融合网络模型模块包括多分支一维卷积层构建子模块、特征融合子模块和分类结果子模块；

所述多分支一维卷积层子模块用于搭建多尺度特征融合网络模型的多分支一维卷积层，并利用该多分支一维卷积层处理归一化后的新生儿脑电信号，分别得到脑电信号的细粒度特征、中等尺度特征和全局尺度特征；

所述特征融合子模块用于基于多分支一维卷积层子模块得到的脑电信号的细粒度特征、中等尺度特征和全局尺度特征，按照细粒度、中等尺度、全局尺度的顺序将特征首尾连接得到多尺度融合特征，将多尺度融合特征送入卷积神经网络，进一步提取融合特征序列；

所述分类结果子模块用于将特征融合子模块得到的融合特征序列，经过全局卷积处理，输入到全连接层中，得到的输出向量送入sigmoid输出层，比较输出的异常概率值进而得出分类结果。

进一步地，所述多分支一维卷积层子模块利用多分支一维卷积层来提取归一化后的新生儿脑电信号的多尺度特征；多分支一维卷积层的结构和计算过程如下：

a)建立细粒度特征提取通道，为了保证信号的长度不变，首先将归一化后的新生儿脑电信号首尾补零{[0 X 0]^T}，并输入到具有16个{3×1}卷积核的卷积层进行步长为1的一维卷积，初步提取脑电信号的细粒度特征,得到初步细粒度特征序列,具体计算如下：

其中：Y_ij为多分支一维卷积层第i层第j个卷积核的输出，δ为激活函数，Conv()为一维卷积操作，X_ik为第i层第k个通道的输入，K为输入向量的通道数，W_ij为第i层第j个卷积核的权重，b_ij为第i层第j个卷积核的偏置；

对通过一维卷积的初步细粒度特征序列送入1个{2×1}神经元的池化层进行步长为1的池化操作，得到池化后的特征序列，具体计算如下：

其中：Z_i为多分支一维卷积层第i层池化的输出，P为池化操作(最大池化或平均池化)，Y_(i-1)k为多分支一维卷积层第(i-1)层第k个神经元的输出,K为上一层输出向量的通道数；

将池化后的特征序列首尾补0，输入到具有32个{3×1}卷积核的卷积层进行步长为1的一维卷积操作，得到精细特征序列；

将精细特征序列送入具有1个{4×1}池化神经元的池化层进行步长为1的池化操作，得到最终的细粒度特征；

b)建立中等尺度特征提取通道，将归一化后的新生儿脑电信号输入到具有1个{4×1}池化神经元的池化层进行步长为1的池化操作，得到池化后的序列。

对池化后的序列进行卷积提取脑电信号的中等尺度特征，将池化后的序列首尾补0，输入到具有16个{3×1}卷积核的卷积层进行步长为1的一维卷积，得到特征序列即为脑电信号初步的中等尺度特征；

将初步的中等尺度特征送入具有1个{4×1}池化神经元的池化层进行步长为1的池化操作，得到池化后的特征序列；

最后将池化后的特征序列送入具有32个{3×1}卷积核的卷积层进行步长为1的一维卷积操作，得到最终的中等尺度特征；

c)建立全局尺度特征提取通道，将归一化后的新生儿脑电信号输入到具有1个{16×1池化神经元的池化层进行步长为1的池化降采样操作，得到降采样后的序列；

对上述降采样后的序列进行卷积提取脑电信号的全局尺度特征，将降采样后的序列首尾补0，输入到具有16个{3×1}卷积核的卷积层进行步长为1的一维卷积，得到卷积后的特征序列，作为脑电信号的全局尺度特征向量；

最后将脑电信号的全局尺度特征向量输入到具有32个{1×1}卷积核的卷积层进行通道扩充，得到最终的全局尺度特征。

进一步地，所述数据清洗模块中，数据清洗是剔除异常点后得到无坏点的脑电信号，所述异常点包括眼电伪迹和数据断点。

进一步地，所述数据处理模块中，使用Z-Score算法进行归一化处理，具体公式如下：

其中μ_i为第i组脑电信号各点幅值的均值，δ_i为第i组脑电信号各点幅值的标准差。

与现有技术相比，本发明具有以下创新优势及显著效果：

1)针对新生儿脑电信号特征复杂、提取难度高的问题，建立了多尺度特征融合的一维卷积层进行特征提取，提高了新生儿异常脑电信号识别的准确性。

2)构建了具有高度并行性的多分支卷积网络，在逐层拓展通道数量的同时使用池化降低数据的尺寸，相比于循环神经网络处理速度更快，具有更高的实用性。

3)针对新生儿脑电信号采集过程中会引入较大噪声的问题，建立了基于深度网络的集成学习模型，将多个弱监督模型融合为一个强监督模型，最大程度地利用了多尺度融合特征，降低随机噪声的干扰，保证了模型具有较高的抗干扰性。

附图说明

图1是本发明的基于多尺度特征融合网络的网络结构图。

具体实施方法

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

本发明实施例基于某医院的某新生儿的临床脑电信号以及提前标记好的异常点进行多尺度特征融合网络模型的建模和训练。该脑电信号采样频率为500HZ，数据持续时间为10min，时间范围为2021/11/8 11:00至2021/11/8 11:10，共计12个通道，每个通道300000个数据点。以Fp1-C3通道数据为例，如表1所示：

表1某医院某新生儿脑电数据集部分数据

数据序号	幅值(μV)
		1	7.63
2	7.78
		…	…
200000	-8.39
		200001	-7.93
200002	-7.48
		…	…

本实施例中默认脑电信号数据的实施数据集即为上述某新生儿为期10分钟的脑电信号数据集，本发明系统包括数据集构建模块、数据清洗模块、数据处理模块和多尺度特征融合网络模型模块多分支一维卷积层构建模块、特征融合模块和分类结果模块；

所述数据集构建模块用于根据医院采集到的标准脑电信号，将每个电极通道分开单独分析，作为样本的数据集，需要做好发病或不发病的标记以便于神经网络模型的训练。将按照时间排列的脑电信号切分成长度为4096的若干片段，本实施例中有一共{300000×12}个数据点，一共可以切分为876组长度为4096的片段，记作{X_{org_i}}，其中i＝1,2,3,…,N，N＝876；

所述数据清洗模块根据正常脑电信号的幅值范围对数据集构建模块中的脑电信号集{X_{org_i}}进行原始数据清洗，剔除明显的异常点(如眼电伪迹、数据断点等)后得到无坏点的脑电信号，并记作脑电标准数据集{X_i}，其中i＝1,2,3,…,N；

在本实施例中，将异常点替换为左右两点的平均值，例如：X₃₂(3902)＝NAN，这是明显的数据坏点，利用如下公式进行数据替换：

所述数据处理模块将数据清洗模块清洗后的脑电数据使用Z-Score算法进行归一化处理，具体公式如下：

其中μ_i为第i组脑电信号各点幅值的均值，δ_i为第i组脑电信号各点幅值的标准差。

最终得到归一化后的脑电信号数据集{X`_i}，其中i＝1,2,3,…,N，完成归一化后按照70％,15％,15％的比例划分训练集、验证集和测试集；

所述多尺度特征融合网络模型模块包括多分支一维卷积层构建子模块、特征融合子模块和分类结果子模块；

如图1所示，所述多分支一维卷积层构建子模块在得到训练数据集后开始搭建多尺度特征融合网络模型的多分支一维卷积层。多分支一维卷积层即将数据分别放入三个独立的通道中进行特征提取，分别得到脑电信号的细粒度特征、中等尺度特征、全局尺度特征。这样做的目的：由于脑电信号的长度一般较长，较长的数据不利于一维卷积神经网络的学习，这是脑电处理的常见问题，即直接使用一维卷积无法提取到精确的脑电信号特征，因此需要采用多分支的网络结构分别提取脑电信号的细粒度特征、中等尺度特征、全局尺度特征；由于脑电信号本身的复杂性，例如阿尔法波、棘慢波等，这些信号的特征非常复杂，在低中高频段都存在一定特点，采用多分支多尺度的特征提取方法，可以提取到信号的高频(对应细粒度特征)、中频(对应中等尺度特征)和低频(对应全局尺度特征)的多频段特征，有利于复杂脑电信号的分析。多分支一维卷积层的具体结构和计算方法(以一个训练序列为例)如下：

a)建立细粒度特征提取通道，为了保证信号的长度不变，首先将脑电信号首尾补零{[0 7.63 7.78...9.77 8.7 0]^T}，并输入到具有16个{3×1}卷积核的卷积层进行步长为1的一维卷积(卷积核的权值按照{[0,1]}之间高斯分布随机数初始化，偏置初始化为0.01，初步提取脑电信号的细粒度特征,得到16个长度为{4096×1}的特征序列,具体计算如下：

其中：Y_ij为神经网络第i层第j个卷积核的输出，δ为激活函数，Conv()为一维卷积操作，X_ik为第i层第k个通道的输入，K为输入向量的通道数(此处K＝1)，W_ij为第i层第j个卷积核的权重，b_ij为第i层第j个卷积核的偏置。例如本例中第一层第一个卷积核的输出为：

Y₁₁＝Conv([0 7.63 7.78 8.09...10.68 9.77 8.7 0]^T,[0.27 0.54 0.95]^T)+0.01

Y₁₁＝[6.2308 13.6440…17.7708 13.9895]^T

进一步地，由于脑电信号的噪声较大，为了减小数据尺寸，降低随机噪声，便于进一步地提取特征防止过拟合，将通过一次卷积的初步细粒度特征序列送入具有1个{2×1}神经元的平均池化层进行步长为1的平均池化操作，得到16个长度为{2048×1}的特征序列，具体计算如下：

其中：Z_i为神经网络第i层池化的输出，P为平均池化操作，Y_(i-1)k为神经网络第(i-1)层第k个神经元的输出,K为上一层输出向量的通道数即16。

进一步地，为了提取数量更多精细度更高的细粒度特征，将池化后的16个长度为{2048×1}的特征序列首尾补0，输入到具有32个{3×1}卷积核的卷积层进行步长为1的一维卷积操作，得到32个长度为{2048×1}的精细特征序列。

进一步地，为了降低特征序列维度，加快计算速度、防止过拟合问题，将精细特征序列送入具有1个{4×1}池化神经元的池化层进行步长为1的池化操作，得到32个长度为{512×1}的特征序列，作为最终的细粒度特征，记为{A_i},i＝1,2,3…,32。

b)建立中等尺度特征提取通道，要提取中等尺度特征首先要对数据进行降维，将脑电信号输入到具有1个{4×1}池化神经元的池化层进行步长为1的池化操作，得到1个长度为{1024×1}的序列。

进一步地，对上述序列进行一维卷积则可提取脑电信号的中等尺度特征，将长度为{1028×1}的序列首尾补0，输入到具有16个{3×1}卷积核的卷积层进行步长为1的一维卷积，得到16个长度为{1024×1}的特征序列即为脑电信号初步的中等尺度特征。

进一步地，将16个长度为{1024×1}的初步的中等尺度特征送入具有1个{4×1}池化神经元的池化层进行步长为1的池化操作，得到16个长度为{256×1}的特征序列。

最后将此特征序列送入具有32个{3×1}卷积核的卷积层进行步长为1的一维卷积操作，得到32个长度为{256×1}的特征序列，作为最终的中等尺度特征,记为{B_i},i＝1,2,3…,32。

c)建立全局尺度特征提取通道，将脑电信号输入到具有1个{16×1}池化神经元的池化层进行步长为1的池化操作，得到1个长度为{256×1}的序列。

进一步地，对上述降维后的序列进行卷积则可提取脑电信号的全局尺度特征，将长度为{256×1}的序列首尾补0，输入到具有16个{3×1}卷积核的卷积层进行步长为1的一维卷积，得到16个长度为{256×1}的特征序列，作为脑电信号的全局尺度特征向量。

最后将16个长度为{256×1}的全局尺度特征向量输入到具有32个{1×1}卷积核的卷积层进行通道扩充，得到32个长度为{256×1}的全局尺度特征向量,记为{C_i},i＝1,2,3…,32。

所述特征融合子模块用于基于多分支一维卷积层子模块得到的脑电信号的细粒度特征、中等尺度特征和全局尺度特征，将通道都拓展成了32，按照细粒度、中等尺度、全局尺度的顺序将特征首尾连接得到32个长度为{1024×1}的多尺度融合特征，记为{D_i},i＝1,2,3…,32,具体计算如下：

D_i＝[A_i,B_i,C_i]^T,i＝1,2,3,…,32

将多尺度融合特征送入卷积神经网络，基于集成学习的思想，将多个有偏弱监督模型提取出的不同尺度特征进行融合处理，得到一个更好更全面的强监督模型，针对多尺度融合特征进行下一步特征提取。将融合特征依次以1的步长通过具有32个{3×1}卷积核的卷积层1，具有32个{3×1}卷积核的卷积层2，具有1个{4×1}神经元的池化层，最终得到32个长度为{256×1}的融合特征序列，记为{E_i},i＝1,2,3,…,32。

所述分类结果子模块将特征融合子模块得到的32个长度为{256×1}的融合特征序列{E_i}经过全局卷积后，输入到长度为{512×1}的全连接层中，得到1个长度为{512×1}的输出，记为{Z＝[z₁,z₂,…,z₅₁₂]}，具体的计算如下：

其中：z_j为全连接层第j个神经元的输出,δ为激活函数，Conv为全局卷积操作，C_ji为第j个神经元对应的第i个长度为{256×1}的全局卷积矩阵，w_j为第j个神经元的权重,b_j为第j个神经元的输出偏置。

得到的输出向量{Z＝[z₁,z₂,…,z₅₁₂]}送入含有1个神经元的sigmoid输出层，比较输出的异常概率值，将概率最大的作为分类结果。

9)使用交叉熵损失函数、Adam优化算法来训练上述神经网络模型，手动调节超参数使得模型达到一个良好的状态。

本发明提出了一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统，主要由初始数据的预处理、多尺度特征融合网络模型的搭建、网络模型的训练和使用等环节组成。图1为一种多尺度特征融合一维卷积网络的网络结构示意图，通过多分支一维卷积层可以同时提取脑电信号的细粒度特征、中等尺度特征、全局尺度特征；通过基于集成学习的多尺度融合操作可以最大程度地利用了多尺度融合特征，降低随机噪声的干扰。因此，使用本系统规范了基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测的流程，可以得出检测精确度更高的深度网络模型。

以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (4)

1.一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统，其特征在于：该系统包括数据集构建模块、数据清洗模块、数据处理模块和多尺度特征融合网络模型模块多分支一维卷积层构建模块、特征融合模块和分类结果模块；

所述数据集构建模块用于根据医院采集到的标准脑电信号，将每个电极通道分开单独分析，作为样本的数据集；将按照时间排列的脑电信号切分成长度均为L的N组片段，记作脑电信号集{X_{org_i}}，X_{org_i}表示样本的数据集中的第i组的脑电信号集，其中i＝1，2，3，...，N；

所述数据清洗模块用于根据正常脑电信号的幅值范围对数据集构建模块中的第i组的脑电信号集{X_{org_i}}进行原始数据清洗，得到第i组的脑电标准数据集{X_i}，其中i＝1，2，3，...，N；

所述数据处理模块用于将数据清洗模块清洗后的脑电数据进行归一化处理，最终得到归一化后的脑电信号数据集{X`_i}作为训练数据集，其中i＝1，2，3，...，N；

所述多尺度特征融合网络模型模块包括多分支一维卷积层构建子模块、特征融合子模块和分类结果子模块；

所述多分支一维卷积层子模块用于搭建多尺度特征融合网络模型的多分支一维卷积层，并利用该多分支一维卷积层处理归一化后的新生儿脑电信号，分别得到脑电信号的细粒度特征、中等尺度特征和全局尺度特征；

所述特征融合子模块用于基于多分支一维卷积层子模块得到的脑电信号的细粒度特征、中等尺度特征和全局尺度特征，按照细粒度、中等尺度、全局尺度的顺序将特征首尾连接得到多尺度融合特征，将多尺度融合特征送入卷积神经网络，进一步提取融合特征序列；

所述分类结果子模块用于将特征融合子模块得到的融合特征序列，经过全局卷积处理，输入到全连接层中，得到的输出向量送入sigmoid输出层，比较输出的异常概率值进而得出分类结果。

2.根据权利要求1所述的一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统，其特征在于，所述多分支一维卷积层子模块利用多分支一维卷积层来提取归一化后的新生儿脑电信号的多尺度特征；多分支一维卷积层的结构和计算过程如下：

a)建立细粒度特征提取通道，为了保证信号的长度不变，首先将归一化后的新生儿脑电信号首尾补零{[0 X 0]^T}，并输入到具有16个{3×1}卷积核的卷积层进行步长为1的一维卷积，初步提取脑电信号的细粒度特征，得到初步细粒度特征序列，具体计算如下：

其中：Y_ij为多分支一维卷积层第i层第j个卷积核的输出，δ为激活函数，Conv()为一维卷积操作，X_ik为第i层第k个通道的输入，K为输入向量的通道数，W_ij为第i层第j个卷积核的权重，b_ij为第i层第j个卷积核的偏置；

对通过一维卷积的初步细粒度特征序列送入1个{2×1}神经元的池化层进行步长为1的池化操作，得到池化后的特征序列，具体计算如下：

其中：Z_i为多分支一维卷积层第i层池化的输出，P为池化操作(最大池化或平均池化)，Y_(i-1)k为多分支一维卷积层第(i-1)层第k个神经元的输出，K为上一层输出向量的通道数；

将池化后的特征序列首尾补0，输入到具有32个{3×1}卷积核的卷积层进行步长为1的一维卷积操作，得到精细特征序列；

将精细特征序列送入具有1个{4×1}池化神经元的池化层进行步长为1的池化操作，得到最终的细粒度特征；

b)建立中等尺度特征提取通道，将归一化后的新生儿脑电信号输入到具有1个{4×1}池化神经元的池化层进行步长为1的池化操作，得到池化后的序列。

对池化后的序列进行卷积提取脑电信号的中等尺度特征，将池化后的序列首尾补0，输入到具有16个{3×1}卷积核的卷积层进行步长为1的一维卷积，得到特征序列即为脑电信号初步的中等尺度特征；

将初步的中等尺度特征送入具有1个{4×1}池化神经元的池化层进行步长为1的池化操作，得到池化后的特征序列；

最后将池化后的特征序列送入具有32个{3×1}卷积核的卷积层进行步长为1的一维卷积操作，得到最终的中等尺度特征；

c)建立全局尺度特征提取通道，将归一化后的新生儿脑电信号输入到具有1个{16×1}池化神经元的池化层进行步长为1的池化降采样操作，得到降采样后的序列；

对上述降采样后的序列进行卷积提取脑电信号的全局尺度特征，将降采样后的序列首尾补0，输入到具有16个{3×1}卷积核的卷积层进行步长为1的一维卷积，得到卷积后的特征序列，作为脑电信号的全局尺度特征向量；

最后将脑电信号的全局尺度特征向量输入到具有32个{1×1}卷积核的卷积层进行通道扩充，得到最终的全局尺度特征。

3.根据权利要求1所述的一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统，其特征在于，所述数据清洗模块中，数据清洗是剔除异常点后得到无坏点的脑电信号，所述异常点包括眼电伪迹和数据断点。

4.根据权利要求1所述的一种基于多尺度特征融合网络的新生儿脑电信号惊厥放电检测系统，其特征在于，所述数据处理模块中，使用Z-Score算法进行归一化处理，具体公式如下：

其中μ_i为第i组脑电信号各点幅值的均值，δ_i为第i组脑电信号各点幅值的标准差。

Images