CN116898454B - 基于脑电特征融合深度学习模型的癫痫分类方法及系统 - Google Patents
基于脑电特征融合深度学习模型的癫痫分类方法及系统 Download PDFInfo
- Publication number
- CN116898454B CN116898454B CN202310841329.XA CN202310841329A CN116898454B CN 116898454 B CN116898454 B CN 116898454B CN 202310841329 A CN202310841329 A CN 202310841329A CN 116898454 B CN116898454 B CN 116898454B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- electroencephalogram
- density energy
- decomposition
- coefficient
- 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 43
- 238000013136 deep learning model Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 81
- 238000001228 spectrum Methods 0.000 claims abstract description 67
- 230000003595 spectral effect Effects 0.000 claims abstract description 47
- 206010015037 epilepsy Diseases 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 72
- 230000006870 function Effects 0.000 claims description 19
- 239000006185 dispersion Substances 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 description 9
- 206010010904 Convulsion Diseases 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000000537 electroencephalography Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000000717 retained effect Effects 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
- A61B5/24—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
- A61B5/24—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
- A61B5/40—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
- A61B5/72—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于脑电特征融合深度学习模型的癫痫分类方法及系统。先采集脑电信号，通过脑电信号生成小波散射功率谱密度能量图和频率谱密度能量图；再将小波散射功率谱密度能量图和频率谱密度能量图融合，得到融合后的特征图；接着将融合后的特征图输入到预设的深度学习模型中，输出得到癫痫分类结果。通过引入小波散射算法进行一系列特征图融合，能够体现出信号的多特征可视化能量图谱分析能力，从而实现了对癫痫的准确识别分类。
Description
技术领域
本发明涉及智慧医疗技术领域，尤其涉及一种基于脑电特征融合深度学习模型的癫痫分类方法及系统。
背景技术
癫痫是一种典型的、可由多种病因诱发的、具有易复发、易突发等病情特征的大脑慢性疾病，通常是由人脑中的神经元细胞的非正常、不稳定同步放电导致的。在治疗癫痫时，医师需要长期监测病人的生理状况，在许多可用的方法中，高分辨率、价格亲民的非侵入式脑机接口技术，即脑电图(EEG)是最常用的生理监测工具之一。脑电信号是大脑皮层的神经元细胞产生的不受外力影响的、周期性的电势差，能够提供患者在不同时间的大脑活动的清晰、可理解的图像，并能详细展示癫痫发作时的不同状态。统计显示，在癫痫患者群体的脑电图中，只有很小一部分患者的脑电图显示正常，绝大部分患者的脑电图都存在异常现象，主要表现为发作间期的脑电图会出现棘波、棘慢波、尖波等癫痫特征波。因此，通过脑电信号对癫痫进行识别具有重要意义。
发明内容
本发明通过提供一种基于脑电特征融合深度学习模型的癫痫分类方法及系统，实现了对癫痫的准确识别分类。
本发明提供了一种基于脑电特征融合深度学习模型的癫痫分类方法，包括：
采集脑电信号；
通过所述脑电信号生成小波散射功率谱密度能量图和频率谱密度能量图；
将所述小波散射功率谱密度能量图和所述频率谱密度能量图融合，得到融合后的特征图；
将所述融合后的特征图输入到预设的深度学习模型中，输出得到癫痫分类结果。
具体来说，所述通过所述脑电信号生成小波散射功率谱密度能量图，包括：
对所述脑电信号进行信号分解，分解成具有多个谐波分量的频率成分；
利用多尺度多方向复小波获取所述频率成分中高频成分中的底层特征，通过所述底层特征对高频成分系数取模，得到高频成分系数的模数；
对所述高频成分系数的模数通过非线性运算的小波散射特征进行卷积尺度函数平均，获得同时具有平移不变性和局部变形稳定性的小波散射特征；
利用所述小波散射特征得到小波散射功率谱密度，并生成小波散射功率谱密度能量图。
具体来说，所述通过所述脑电信号生成频率谱密度能量图，包括：
将所述脑电信号进行信号分解，在时域中被分解成重叠的区块；
对每个所述区块进行傅里叶变换计算每个区块的频谱幅度；
对所述频谱幅度进行测量和并排放置生成频率谱密度能量图。
具体来说，在所述通过所述脑电信号生成小波散射功率谱密度能量图和频率谱密度能量图之前，还包括：
将所述脑电信号进行3级分解，分解为23个小波包基，所述小波包基包含着低频成分系数和高频成分系数的线性组合；
选择使损失函数最小的小波包基作为最优小波包基，得到所述最优小波包基分解的低频成分系数；
利用所述最优小波包基设定熵标准，利用所述熵标准计算得到小波分解系数；
将绝对值小于阈值的所述小波分解系数置为0，将绝对值大于或者等于所述阈值的所述小波分解系数予以保留，得到小波系数的估计值；
根据所述最优小波包基分解的低频成分系数和所述小波系数的估计值进行小波重构，得到重构后的脑电信号；
通过预设滑动窗口和预设步长对所述重构后的脑电信号进行加窗分段处理。
具体来说，所述阈值T通过公式计算得到；其中，cD1为第一层分解系数，N为数据长度。
本发明还提供了一种基于脑电特征融合深度学习模型的癫痫分类系统，包括：
脑电信号采集模块，用于采集脑电信号；
小波散射功率谱密度能量图生成模块，用于通过所述脑电信号生成小波散射功率谱密度能量图；
频率谱密度能量图生成模块，用于通过所述脑电信号生成频率谱密度能量图；
能量图融合模块，用于将所述小波散射功率谱密度能量图和所述频率谱密度能量图融合，得到融合后的特征图；
癫痫分类模块，用于将所述融合后的特征图输入到预设的深度学习模型中，输出得到癫痫分类结果。
具体来说，所述小波散射功率谱密度能量图生成模块，包括：
第一信号分解单元，用于对所述脑电信号进行信号分解，分解成具有多个谐波分量的频率成分；
取模单元，用于利用多尺度多方向复小波获取所述频率成分中高频成分中的底层特征，通过所述底层特征对高频成分系数取模，得到高频成分系数的模数；
局部平均运算单元，用于对所述高频成分系数的模数通过非线性运算的小波散射特征进行卷积尺度函数平均，获得同时具有平移不变性和局部变形稳定性的小波散射特征；
小波散射功率谱密度能量图生成单元，用于利用所述小波散射特征得到小波散射功率谱密度，并生成小波散射功率谱密度能量图。
具体来说，所述频率谱密度能量图生成模块，包括：
第二信号分解单元，用于将所述脑电信号进行信号分解，在时域中被分解成重叠的区块；
频谱幅度获得单元，用于对每个所述区块进行傅里叶变换计算每个区块的频谱幅度；
频率谱密度能量图生成单元，用于对所述频谱幅度进行测量和并排放置生成频率谱密度能量图。
具体来说，还包括：
信号分解模块，用于将所述脑电信号进行3级分解，分解为23个小波包基，所述小波包基包含着低频成分系数和高频成分系数的线性组合；
最优小波包基获得模块，用于选择使损失函数最小的小波包基作为最优小波包基，得到所述最优小波包基分解的低频成分系数；
小波分解系数计算模块，用于利用所述最优小波包基设定熵标准，利用所述熵标准计算得到小波分解系数；
小波系数估计值获得模块，用于将绝对值小于阈值的所述小波分解系数置为0，将绝对值大于或者等于所述阈值的所述小波分解系数予以保留，得到小波系数的估计值；
小波重构模块，用于根据所述最优小波包基分解的低频成分系数和所述小波系数的估计值进行小波重构，得到重构后的脑电信号；
加窗分段模块，用于通过预设滑动窗口和预设步长对所述重构后的脑电信号进行加窗分段处理。
具体来说，还包括：
阈值计算模块，用于通过公式计算得到所述阈值T；其中，cD1为第一层分解系数，N为数据长度。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
先采集脑电信号，通过脑电信号生成小波散射功率谱密度能量图和频率谱密度能量图；再将小波散射功率谱密度能量图和频率谱密度能量图融合，得到融合后的特征图；接着将融合后的特征图输入到预设的深度学习模型中，输出得到癫痫分类结果。通过引入小波散射算法进行一系列特征图融合，能够体现出信号的多特征可视化能量图谱分析能力，从而实现了对癫痫的准确识别分类。
附图说明
图1为本发明实施例提供的基于脑电特征融合深度学习模型的癫痫分类方法的流程图；
图2为本发明实施例提供的基于脑电特征融合深度学习模型的癫痫分类方法的原理图；
图3为本发明实施例中特征图融合示意图；
图4为本发明实施例中深度学习模型中CNN-LSTM并行神经网络的结构图；
图5为本发明实施例中深度学习模型中CNN-LSTM串行神经网络的结构图；
图6为本发明实施例提供的基于脑电特征融合深度学习模型的癫痫分类系统的模块图。
具体实施方式
本发明实施例通过提供一种基于脑电特征融合深度学习模型的癫痫分类方法及系统，实现了对癫痫的准确识别分类。
本发明实施例中的技术方案为实现上述技术效果，总体思路如下：
首先对波士顿儿童医院数据集中的原始EEG信号进行小波包分解去噪、加窗分段处理，然后利用小波散射算法对去噪后的EEG信号进行小波散射功率谱密度分析，生成小波散射功率谱密度能量图，与频率谱密度能量图进行特征图融合；再通过双层神经网络组合模型将融合后的特征图作为输入，分别进行串行、并行训练，实现癫痫分类。
具体地，通过双层神经网络组合模型特征分类，将融合后的特征图作为输入，分别进行串行、并行训练，利用CNN模型通过权值共享和局部感受野机制获取输入癫痫脑电信号的相关特征，利用LSTM模型通过引入门机制提取脑电信号中的时间序列特征。同时，CNN结构与LSTM结构都使用了简单的模型结构，这不仅避免了因模型繁琐而导致的过拟合问题，而且还减少了时间成本，以及降低了硬件设施要求，提高了模型的可操作性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参见图1、图2和图3，本发明实施例提供的基于脑电特征融合深度学习模型的癫痫分类方法，包括：
步骤S110：采集脑电信号；
步骤S120：通过脑电信号生成小波散射功率谱密度能量图和频率谱密度能量图；
具体地，通过脑电信号生成小波散射功率谱密度能量图，包括：
对脑电信号进行信号分解，分解成具有多个谐波分量的频率成分；频率成分中包含有高频成分和低频成分。
利用多尺度多方向复小波获取频率成分中高频成分中的底层特征，通过底层特征对高频成分系数取模，得到高频成分系数的模数，实现相对稳定的高频函数局部。
对高频成分系数的模数通过非线性运算的小波散射特征进行卷积尺度函数平均，获得同时具有平移不变性和局部变形稳定性的小波散射特征；
利用小波散射特征得到小波散射功率谱密度，并生成小波散射功率谱密度能量图。通过小波散射功率谱密度分析可以反映脑电信号的能量变化，并生成小波散射功率谱密度能量图，以反映癫痫不同时期的小波散射能量密度变化，通过深度学习捕捉这些差异性，将小波散射功率谱密度能量图作为脑电信号在不同癫痫状态下的预处理特征，作为后续训练的输入数据。
通过脑电信号生成频率谱密度能量图，包括：
将脑电信号进行信号分解，在时域中被分解成重叠的区块；
对每个区块进行傅里叶变换计算每个区块的频谱幅度；
对频谱幅度进行测量和并排放置生成频率谱密度能量图。频率谱密度能量图可以反映癫痫不同时期的频率能量密度变化。通过深度学习捕捉这些差异性，将频率谱密度能量图作为脑电信号在不同癫痫状态下的预处理特征，作为后续训练的输入数据。
为了避免原始脑电信号的微弱性、非稳定性、易干扰性问题的发生，在通过脑电信号生成小波散射功率谱密度能量图和频率谱密度能量图之前，还包括：
将脑电信号进行3级分解，分解为23个小波包基，小波包基包含着低频成分系数和高频成分系数的线性组合；
选择使损失函数最小的小波包基作为最优小波包基，得到最优小波包基分解的低频成分系数；
利用最优小波包基设定熵标准，利用熵标准计算得到小波分解系数；
具体地，对本步骤进行具体说明，利用对数熵，即令设log0＝0，设x＝{xj}为空间向量,记B为选取的一个正交基,Bx是x在基B下的小波分解系数。对于x∈V,若M(Bx)是最小的,则B为最优小波包基。
将绝对值小于阈值的小波分解系数置为0，将绝对值大于或者等于阈值的小波分解系数以保留或收缩，得到小波系数的估计值；
予
根据最优小波包基分解的低频成分系数和小波系数的估计值进行小波重构，得到重构后的脑电信号。
具体地，阈值T通过公式计算得到；其中，cD1为第一层分解系数，N为数据长度。
通过预设滑动窗口和预设步长对重构后的脑电信号进行加窗分段处理。
具体地，通过4s的滑动窗口和2s的步长对重构后的脑电信号进行加窗分段处理。
步骤S130：将小波散射功率谱密度能量图和频率谱密度能量图融合，得到融合后的特征图；
具体来说，由于癫痫的类型、癫痫的发作源和影响的渠道不同，有必要对每个患者进行具体的EEG分析，针对不同的患者采取不同的通道选取策略，保证选取通道后不同状态提取的特征会更加显著。采用单因素方差分析检验，判断通道在对发作期、发作间期两种状态下是否具有显著性差异。当该通道显著性结果小于0.05时，表明该通道在发作间期和发作期时变化明显，保留该通道作为重要通道。否则表明该通道不具有显著性差异，可能是癫痫发作对该通道影响较小，将不再具体讨论该通道。经过显著性分析，剩余的通道保留下来，这是根据不同患者的主要共同通道来选择的，最后选择12个通道作为对数据的优化，实际上是10个通道，因为T8-P8通道、P7-T7通道的重复采集。通道筛选后保留的通道如表1所示：
表1通道筛选后保留的通道
将通道优化后的数据生成优化小波散射功率谱密度特征图且特征图为12×32；结合优化后的频率谱密度特征图且特征图为12×12，将两种特征图融合成为12×44的新特征图。
步骤S140：将融合后的特征图输入到预设的深度学习模型中，输出得到癫痫分类结果。通过基于脑电多特征融合深度学习模型将癫痫脑电信号分类为发作间期、发作前期和发作期，即实现癫痫分类。
具体地，使用并行组合深度学习特征分类和串行组合深度学习特征分类，具体过程如下：
参见图4，并行组合深度学习特征分类网络的主体框架为输入层、特征提取模块、输出层。
将经过多特征融合的特征图通过输入层输入到并行组合神经网络模型中，该模型中有两个路径结构，分别是卷积神经网络结构和长短期记忆网络结构。其中，卷积神经网络的结构组成依次是卷积层-最大池化层-卷积层-最大池化层。卷积神经网络具有表征学习的能力，可以捕捉脑电信号局部连接的特征信息，并根据输入数据的层次结构对输入数据的特征进行分类。长短期记忆网络的结构组成依次是长短期记忆网络层-长短期记忆网络层。长短期记忆网络可以学习长距离依赖关系，提取特征图的时序特征。
将卷积神经网络结构和长短期记忆网络结构中提取的所有特征有机整合起来，完全统一汇入到输出层(全连接层-全连接层)，然后根据SoftMax层进行分类并输出。
参见图5，串行组合深度学习特征分类网络的主体框架为输入层、特征提取模块、输出层三部分。
输入的数据先通过卷积神经网络结构获得局部关联的时序特征，将得到的时序特征作为长短期记忆网络结构的输入，通过长短期记忆网络结构特有的门控、遗忘和循环更新等机制，提高对EEG时间序列特征的提取能力，并在此基础上，将卷积神经网络结构处理后的特征信息进行深度加工。在串行组合深度学习结构中，第2-5层是卷积神经网络单结构，第6-7层是长短期记忆网络单结构。除此之外，输出层的全连接层和SoftMax层与并行结构设计保持同步。
CNN-LSTM网络模型的参数如表2所示。为了防止模型过拟合，Dropout结构的参数值设为0.5。选择Mini-Batching学习进行训练，Batch-Size设置为32，选择交叉熵作为损失函数来描述实验值和标签值的概率分布间的差距，并行模型与串行模型均被训练200个Epochs，选用Adam优化算法适合非稳态目标，可以作为优化器重新计算网络加权数，学习率为0.001，训练集与测试集以7:3的比例进行划分。
表2CNN-LSTM网络模型参数
参见图6，本发明实施例提供的基于脑电特征融合深度学习模型的癫痫分类系统，包括：
脑电信号采集模块100，用于采集脑电信号；
为了避免原始脑电信号的微弱性、非稳定性、易干扰性问题的发生，还包括：
信号分解模块，用于将脑电信号进行3级分解，分解为23个小波包基，小波包基包含着低频成分系数和高频成分系数的线性组合；
最优小波包基获得模块，用于选择使损失函数最小的小波包基作为最优小波包基，得到最优小波包基分解的低频成分系数；
小波分解系数计算模块，用于利用最优小波包基设定熵标准，利用熵标准计算得到小波分解系数；具体地，对本步骤进行具体说明，利用对数熵，即令设log0＝0，设x＝{xj}为空间向量,记B为选取的一个正交基,Bx是x在基B下的小波分解系数。对于x∈V,若M(Bx)是最小的,则B为最优小波包基。
小波系数估计值获得模块，用于将绝对值小于阈值的小波分解系数置为0，将绝对值大于或者等于阈值的小波分解系数予以保留或收缩，得到小波系数的估计值；
小波重构模块，用于根据最优小波包基分解的低频成分系数和小波系数的估计值进行小波重构，得到重构后的脑电信号；
加窗分段模块，用于通过预设滑动窗口和预设步长对重构后的脑电信号进行加窗分段处理。
具体地，加窗分段模块，具体用于通过4s的滑动窗口和2s的步长对重构后的脑电信号进行加窗分段处理。
阈值计算模块，用于通过公式计算得到阈值T；其中，cD1为第一层分解系数，N为数据长度。
小波散射功率谱密度能量图生成模块200，用于通过脑电信号生成小波散射功率谱密度能量图；
具体地，小波散射功率谱密度能量图生成模块200，包括：
第一信号分解单元，用于对脑电信号进行信号分解，分解成具有多个谐波分量的频率成分；频率成分中包含有高频成分和低频成分；
取模单元，用于利用多尺度多方向复小波获取频率成分中高频成分中的底层特征，通过底层特征对高频成分系数取模，得到高频成分系数的模数，实现相对稳定的高频函数局部；
局部平均运算单元，用于对高频成分系数的模数通过非线性运算的小波散射特征进行卷积尺度函数平均，获得同时具有平移不变性和局部变形稳定性的小波散射特征；
小波散射功率谱密度能量图生成单元，用于利用小波散射特征得到小波散射功率谱密度，并生成小波散射功率谱密度能量图。通过小波散射功率谱密度分析可以反映脑电信号的能量变化，并生成小波散射功率谱密度能量图，以反映癫痫不同时期的小波散射能量密度变化，通过深度学习捕捉这些差异性，将小波散射功率谱密度能量图作为脑电信号在不同癫痫状态下的预处理特征，作为后续训练的输入数据。
频率谱密度能量图生成模块300，用于通过脑电信号生成频率谱密度能量图；
具体地，频率谱密度能量图生成模块300，包括：
第二信号分解单元，用于将脑电信号进行信号分解，在时域中被分解成重叠的区块；
频谱幅度获得单元，用于对每个区块进行傅里叶变换计算每个区块的频谱幅度；
频率谱密度能量图生成单元，用于对频谱幅度进行测量和并排放置生成频率谱密度能量图。频率谱密度能量图可以反映癫痫不同时期的频率能量密度变化。通过深度学习捕捉这些差异性，将频率谱密度能量图作为脑电信号在不同癫痫状态下的预处理特征，作为后续训练的输入数据。
能量图融合模块400，用于将小波散射功率谱密度能量图和频率谱密度能量图融合，得到融合后的特征图；
癫痫分类模块500，用于将融合后的特征图输入到预设的深度学习模型中，输出得到癫痫分类结果。通过基于脑电多特征融合深度学习模型将癫痫脑电信号分类为发作间期、发作前期和发作期，即实现癫痫分类。
本发明实施例提供了一种基于脑电特征融合深度学习模型的癫痫分类方法及系统，先对癫痫脑电信号进行小波包分解去噪、加窗分段等处理，再进行多特征图融合，再通过深度学习模型对癫痫脑电信号进行分类，达到癫痫分类的目的。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明实施例未详述之处，均为本技术领域技术人员的公知技术。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.基于脑电特征融合深度学习模型的癫痫分类方法，其特征在于，包括：
采集脑电信号；
通过所述脑电信号生成小波散射功率谱密度能量图和频率谱密度能量图；
将所述小波散射功率谱密度能量图和所述频率谱密度能量图融合，得到融合后的特征图；
将所述融合后的特征图输入到预设的深度学习模型中，输出得到癫痫分类结果；通过引入小波散射算法进行一系列特征图融合，能够体现出信号的多特征可视化能量图谱分析能力；
在所述通过所述脑电信号生成小波散射功率谱密度能量图和频率谱密度能量图之前，还包括：
将所述脑电信号进行3级分解，分解为23个小波包基，所述小波包基包含着低频成分系数和高频成分系数的线性组合；
选择使损失函数最小的小波包基作为最优小波包基，得到所述最优小波包基分解的低频成分系数；
利用所述最优小波包基设定熵标准，利用所述熵标准计算得到小波分解系数；
具体地，利用对数熵，即令设log0＝0，设x＝{xj}为空间向量,记B为选取的一个正交基,Bx是x在基B下的小波分解系数；对于x∈V,若M(Bx)是最小的,则B为最优小波包基；
将绝对值小于阈值的所述小波分解系数置为0，将绝对值大于或者等于所述阈值的所述小波分解系数予以保留，得到小波系数的估计值；
根据所述最优小波包基分解的低频成分系数和所述小波系数的估计值进行小波重构，得到重构后的脑电信号；
通过预设滑动窗口和预设步长对所述重构后的脑电信号进行加窗分段处理。
2.如权利要求1所述的基于脑电特征融合深度学习模型的癫痫分类方法，其特征在于，所述通过所述脑电信号生成小波散射功率谱密度能量图，包括：
对所述脑电信号进行信号分解，分解成具有多个谐波分量的频率成分；
利用多尺度多方向复小波获取所述频率成分中高频成分中的底层特征，通过所述底层特征对高频成分系数取模，得到高频成分系数的模数；
对所述高频成分系数的模数通过非线性运算的小波散射特征进行卷积尺度函数平均，获得同时具有平移不变性和局部变形稳定性的小波散射特征；
利用所述小波散射特征得到小波散射功率谱密度，并生成小波散射功率谱密度能量图。
3.如权利要求1所述的基于脑电特征融合深度学习模型的癫痫分类方法，其特征在于，所述通过所述脑电信号生成频率谱密度能量图，包括：
将所述脑电信号进行信号分解，在时域中被分解成重叠的区块；
对每个所述区块进行傅里叶变换计算每个区块的频谱幅度；
对所述频谱幅度进行测量和并排放置生成频率谱密度能量图。
4.如权利要求1所述的基于脑电特征融合深度学习模型的癫痫分类方法，其特征在于，所述阈值T通过公式计算得到；其中，cD1为第一层分解系数，N为数据长度。
5.基于脑电特征融合深度学习模型的癫痫分类系统，其特征在于，包括：
脑电信号采集模块，用于采集脑电信号；
小波散射功率谱密度能量图生成模块，用于通过所述脑电信号生成小波散射功率谱密度能量图；
频率谱密度能量图生成模块，用于通过所述脑电信号生成频率谱密度能量图；
能量图融合模块，用于将所述小波散射功率谱密度能量图和所述频率谱密度能量图融合，得到融合后的特征图；
癫痫分类模块，用于将所述融合后的特征图输入到预设的深度学习模型中，输出得到癫痫分类结果；通过引入小波散射算法进行一系列特征图融合，能够体现出信号的多特征可视化能量图谱分析能力；
还包括：
信号分解模块，用于将所述脑电信号进行3级分解，分解为23个小波包基，所述小波包基包含着低频成分系数和高频成分系数的线性组合；
最优小波包基获得模块，用于选择使损失函数最小的小波包基作为最优小波包基，得到所述最优小波包基分解的低频成分系数；
小波分解系数计算模块，用于利用所述最优小波包基设定熵标准，利用所述熵标准计算得到小波分解系数；具体地，利用对数熵，即令设log0＝0，设x＝{xj}为空间向量,记B为选取的一个正交基,Bx是x在基B下的小波分解系数；对于x∈V,若M(Bx)是最小的,则B为最优小波包基；
小波系数估计值获得模块，用于将绝对值小于阈值的所述小波分解系数置为0，将绝对值大于或者等于所述阈值的所述小波分解系数予以保留，得到小波系数的估计值；
小波重构模块，用于根据所述最优小波包基分解的低频成分系数和所述小波系数的估计值进行小波重构，得到重构后的脑电信号；
加窗分段模块，用于通过预设滑动窗口和预设步长对所述重构后的脑电信号进行加窗分段处理。
6.如权利要求5所述的基于脑电特征融合深度学习模型的癫痫分类系统，其特征在于，所述小波散射功率谱密度能量图生成模块，包括：
第一信号分解单元，用于对所述脑电信号进行信号分解，分解成具有多个谐波分量的频率成分；
取模单元，用于利用多尺度多方向复小波获取所述频率成分中高频成分中的底层特征，通过所述底层特征对高频成分系数取模，得到高频成分系数的模数；
局部平均运算单元，用于对所述高频成分系数的模数通过非线性运算的小波散射特征进行卷积尺度函数平均，获得同时具有平移不变性和局部变形稳定性的小波散射特征；
小波散射功率谱密度能量图生成单元，用于利用所述小波散射特征得到小波散射功率谱密度，并生成小波散射功率谱密度能量图。
7.如权利要求5所述的基于脑电特征融合深度学习模型的癫痫分类系统，其特征在于，所述频率谱密度能量图生成模块，包括：
第二信号分解单元，用于将所述脑电信号进行信号分解，在时域中被分解成重叠的区块；
频谱幅度获得单元，用于对每个所述区块进行傅里叶变换计算每个区块的频谱幅度；
频率谱密度能量图生成单元，用于对所述频谱幅度进行测量和并排放置生成频率谱密度能量图。
8.如权利要求5所述的基于脑电特征融合深度学习模型的癫痫分类系统，其特征在于，还包括：
阈值计算模块，用于通过公式计算得到所述阈值T；其中，cD1为第一层分解系数，N为数据长度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310841329.XA CN116898454B (zh) | 2023-07-11 | 2023-07-11 | 基于脑电特征融合深度学习模型的癫痫分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310841329.XA CN116898454B (zh) | 2023-07-11 | 2023-07-11 | 基于脑电特征融合深度学习模型的癫痫分类方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116898454A CN116898454A (zh) | 2023-10-20 |
| CN116898454B true CN116898454B (zh) | 2024-09-17 |
Family
ID=88362194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310841329.XA Active CN116898454B (zh) | 2023-07-11 | 2023-07-11 | 基于脑电特征融合深度学习模型的癫痫分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116898454B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118452948B (zh) * | 2024-07-10 | 2024-09-06 | 科普云医疗软件(深圳)有限公司 | 一种用于癫痫病辅助诊断的脑电数据预处理方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10606353B2 (en) * | 2012-09-14 | 2020-03-31 | Interaxon Inc. | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
| WO2020223354A1 (en) * | 2019-04-29 | 2020-11-05 | Cornell University | Median power spectrographic images and detection of seizure |
| KR102256313B1 (ko) * | 2019-06-17 | 2021-05-26 | 인하대학교 산학협력단 | 뇌전도 신호 기반 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출 방법 및 장치 |
| 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 |
| CN111956221B (zh) * | 2020-09-07 | 2022-06-07 | 南京医科大学 | 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 |
| GB2605270B (en) * | 2022-02-07 | 2024-06-12 | Cogitat Ltd | Classification of brain activity signals |
-
2023
- 2023-07-11 CN CN202310841329.XA patent/CN116898454B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 基于脑电（EEG）的帕金森疾病早期诊断的研究;骆春桃;中国优秀硕士学位论文全文数据库 医药卫生科技辑;E070-30 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116898454A (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
| Fan et al. | Detecting abnormal pattern of epileptic seizures via temporal synchronization of EEG signals | |
| Bhardwaj et al. | A novel genetic programming approach for epileptic seizure detection | |
| Brihadiswaran et al. | EEG-based processing and classification methodologies for autism spectrum disorder: A review | |
| Al-Fahoum et al. | Methods of EEG Signal Features Extraction Using Linear Analysis in Frequency and Time‐Frequency Domains | |
| CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
| CN112244873A (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
| US20070225932A1 (en) | Methods, systems and computer program products for extracting paroxysmal events from signal data using multitaper blind signal source separation analysis | |
| Zeng et al. | GRP-DNet: A gray recurrence plot-based densely connected convolutional network for classification of epileptiform EEG | |
| CN112450947B (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
| CN116898454B (zh) | 基于脑电特征融合深度学习模型的癫痫分类方法及系统 | |
| CN114305452A (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
| CN115281685A (zh) | 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质 | |
| Arı | Analysis of EEG signal for seizure detection based on WPT | |
| CN117679045A (zh) | 一种基于时频空多维度脑网络特征的脑力疲劳评估方法 | |
| Jibon et al. | Epileptic seizure detection from electroencephalogram (EEG) signals using linear graph convolutional network and DenseNet based hybrid framework | |
| Zhou et al. | Stability-driven non-negative matrix factorization-based approach for extracting dynamic network from resting-state EEG | |
| Lin et al. | Modified multiscale sample entropy and cross-sample entropy based on horizontal visibility graph | |
| Siuly et al. | Exploring Rhythms and Channels-Based EEG Biomarkers for Early Detection of Alzheimer's Disease | |
| Jaffino et al. | Expectation-maximization extreme machine learning classifier for epileptic seizure detection | |
| Sharma | Localization of epileptic surgical area using automated hybrid approach based on higher-order statistics with sensitivity analysis and residual wavelet transform | |
| Saidi et al. | FPGA implementation of EEG signal analysis system for the detection of epileptic seizure | |
| Çelebi et al. | An emotion recognition method based on EWT-3D–CNN–BiLSTM-GRU-AT model | |
| Sun et al. | Weighted directed graph-based automatic seizure detection with effective brain connectivity for EEG signals | |
| CN113491525A (zh) | 一种基于脑电信号分析的方法 |
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 |