CN117708570A - 癫痫预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明提供一种癫痫预测方法、装置、电子设备及存储介质，应用于数据处理技术领域。该方法包括：获取脑电信号数据；提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。

Description

癫痫预测方法、装置、电子设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种癫痫预测方法、装置、电子设备及存储介质。

背景技术

随着以深度学习为代表的新一代人工智能技术的突破，使用深度学习进行癫痫发作预测的研究也取得了一定的进展。

现有技术中，在进行癫痫发作预测过程中，可以集中对多通道信号进行预处理后再进行特征提取，然后基于提取的特征进行癫痫发作预测。

然而，由于现有技术未考虑到癫痫数据在不同脑区之间的连通性信息特性，因此预测结果的准确度较低。

发明内容

本发明提供一种癫痫预测方法、装置、电子设备及存储介质，用以解决现有技术预测结果的准确度较低的问题。

本发明提供一种癫痫预测方法，包括：获取脑电信号数据；提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。

根据本发明提供一种的癫痫预测方法，所述提取所述脑电信号数据的癫痫数据特征，包括：确定所述脑电信号数据的通道数量、采样时间和采样频率，并根据所述通道数量、采样时间和采样频率确定所述脑电信号数据的二维数组；基于滑动窗口将所述脑电信号数据的二维数组切分为多个固定长度的数据片段；提取每个所述数据片段的癫痫数据特征。

根据本发明提供一种的癫痫预测方法，所述提取每个所述数据片段的癫痫数据特征，包括：将所述数据片段的二维数组转化为目标输入图，所述目标输入图为所述数据片段的邻接矩阵，所述邻接矩阵用于指示相邻节点间是否存在连接关系；将所述目标输入图输入图卷积网络并通过第一函数读取所述图卷积网络的输出，得到所述非欧式特征。

根据本发明提供一种的癫痫预测方法，所述将所述数据片段的二维数组转化为目标输入图，包括：计算所述数据片段中通道的皮尔逊相关系数，所述皮尔逊相关系数用于指示相邻通道值之间的相关程度；对所有通道的皮尔逊相关系数进行降序排列处理，得到目标系数序列；按照第一比例系数从所述目标系数序列中确定第一子序列和第二子序列，所述第一子序列的皮尔逊相关系数大于所述第二子序列的皮尔逊相关系数；将所述第一子序列中的皮尔逊相关系数更新为第一数值，将所述第二子序列中的皮尔逊相关系数更新为第二数值，以得到所述数据片段的邻接矩阵；其中，所述第一数值用于指示相邻节点间存在连接关系，所述第二数值用于指示相邻节点间不存在连接关系。

根据本发明提供一种的癫痫预测方法，所述癫痫数据特征还包括欧式特征；所述提取每个所述数据片段的癫痫数据特征，包括：将所述数据片段转化为矩阵形式的目标输入数据；将所述目标输入数据输入卷积网络得到所述欧式特征；其中，所述卷积网络包括卷积层、激活层、归一化层以及最大池化层。

根据本发明提供一种的癫痫预测方法，所述方法还包括：根据识别到的所述发病时期和所述脑电信号数据的标签数据确定交叉熵损失；确定同一批次训练数据的组内损失和组间损失，所述组内损失为基于同一预测类别中每个训练数据的邻接矩阵确定的损失值，所述组间损失为基于所有预测类别的训练数据的邻接矩阵确定的损失值；根据所述交叉熵损失、组内损失和组间损失更新癫痫预测模型的模型参数；其中，所述癫痫预测模型包括图卷积网络、卷积网络以及全连接层。

根据本发明提供一种的癫痫预测方法，所述提取所述脑电信号数据的癫痫数据特征，包括：通过所述图卷积网络提取所述脑电信号数据的非欧式特征，通过所述卷积网络提取所述脑电信号数据的欧式特征；所述根据所述癫痫数据特征识别患者脑状态对应的发病时期，包括：将所述非欧式特征和所述欧式特征进行拼接处理后输入所述全连接层，得到患者脑状态对应的发病时期。

本发明还提供一种癫痫预测装置，包括：获取模块和处理模块；所述获取模块，用于获取脑电信号数据；所述处理模块，用于提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。

根据本发明提供一种的癫痫预测装置，所述处理模块用于：确定所述脑电信号数据的通道数量、采样时间和采样频率，并根据所述通道数量、采样时间和采样频率确定所述脑电信号数据的二维数组；基于滑动窗口将所述脑电信号数据的二维数组切分为多个固定长度的数据片段；提取每个所述数据片段的癫痫数据特征。

根据本发明提供一种的癫痫预测装置，所述处理模块用于：将所述数据片段的二维数组转化为目标输入图，所述目标输入图为所述数据片段的邻接矩阵，所述邻接矩阵用于指示相邻节点间是否存在连接关系；将所述目标输入图输入图卷积网络并通过第一函数读取所述图卷积网络的输出，得到所述非欧式特征。

根据本发明提供一种的癫痫预测装置，所述处理模块用于：计算所述数据片段中通道的皮尔逊相关系数，所述皮尔逊相关系数用于指示相邻通道值之间的相关程度；对所有通道的皮尔逊相关系数进行降序排列处理，得到目标系数序列；按照第一比例系数从所述目标系数序列中确定第一子序列和第二子序列，所述第一子序列的皮尔逊相关系数大于所述第二子序列的皮尔逊相关系数；将所述第一子序列中的皮尔逊相关系数更新为第一数值，将所述第二子序列中的皮尔逊相关系数更新为第二数值，以得到所述数据片段的邻接矩阵；其中，所述第一数值用于指示相邻节点间存在连接关系，所述第二数值用于指示相邻节点间不存在连接关系。

根据本发明提供一种的癫痫预测装置，所述癫痫数据特征还包括欧式特征；所述处理模块用于：将所述数据片段转化为矩阵形式的目标输入数据；将所述目标输入数据输入卷积网络得到所述欧式特征；其中，所述卷积网络包括卷积层、激活层、归一化层以及最大池化层。

根据本发明提供一种的癫痫预测装置，所述处理模块用于：根据识别到的所述发病时期和所述脑电信号数据的标签数据确定交叉熵损失；确定同一批次训练数据的组内损失和组间损失，所述组内损失为基于同一预测类别中每个训练数据的邻接矩阵确定的损失值，所述组间损失为基于所有预测类别的训练数据的邻接矩阵确定的损失值；根据所述交叉熵损失、组内损失和组间损失更新癫痫预测模型的模型参数；其中，所述癫痫预测模型包括图卷积网络、卷积网络以及全连接层。

根据本发明提供一种的癫痫预测装置，所述处理模块用于：通过所述图卷积网络提取所述脑电信号数据的非欧式特征，通过所述卷积网络提取所述脑电信号数据的欧式特征；将所述非欧式特征和所述欧式特征进行拼接处理后输入所述全连接层，得到患者脑状态对应的发病时期。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述癫痫预测方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述癫痫预测方法的步骤。

本发明提供的癫痫预测方法、装置、电子设备及存储介质，可以获取脑电信号数据；提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。通过该方案，一方面，可以提取脑电信号数据的癫痫数据特征，由于癫痫数据特征包括非欧式特征，非欧式特征包括相邻节点间的连接信息，因此基于癫痫数据特征得到的预测结果不仅预测准确性较高，而且泛化能力更强；另一方面，由于可以直接提取脑电信号数据的癫痫数据特征，而无需对脑电信号数据进行预处理，因此可以减少工作量，提高工作效率。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的癫痫预测方法的流程示意图之一；

图2是本发明提供的癫痫预测方法的流程示意图之二；

图3是本发明提供的癫痫预测方法的流程示意图之三；

图4是本发明提供的癫痫预测装置的结构示意图；

图5是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本发明实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可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，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

为了便于清楚描述本发明实施例的技术方案，在本发明实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。

本发明实施例为了阐释的目的而描述了一些示例性实施例，需要理解的是，本发明可通过附图中没有具体示出的其他方式来实现。

下面结合具体实施例和附图对上述实现方式进行详细的阐述。

如图1所示，本发明实施例提供一种癫痫预测方法，该癫痫预测方法可以应用于癫痫预测装置。该癫痫预测方法可以包括S101-S103：

S101、癫痫预测装置获取脑电信号数据。

可选地，癫痫预测装置可以先获取存储患者脑电信号的EDF文件，再从中提取多通道脑电信号数据，该多通道脑电信号数据为有效通道的脑电信号数据，该有效通道可以为多个患者的通道交集，然后按照有效通道逐一提取脑电信号数据。

S102、癫痫预测装置提取所述脑电信号数据的癫痫数据特征。

其中，上述癫痫数据特征可以包括非欧式特征和欧式特征，所述非欧式特征包括相邻节点间的连接信息。

可选地，癫痫预测装置可以确定脑电信号数据的通道数量、采样时间和采样频率，并根据所述通道数量、采样时间和采样频率确定所述脑电信号数据的二维数组；基于滑动窗口将所述脑电信号数据的二维数组切分为多个固定长度的数据片段；提取每个所述数据片段的癫痫数据特征。

具体地，在提取到脑电信号数据后，癫痫预测装置可以先确定脑电信号数据的通道数量、采样时间和采样频率，然后根据通道数量和采样频率确定脑电信号数据的二维数组，其中，每一行代表一个通道的数据。例如，若通道数量为23，采样时间为5秒，采样频率为每秒256次，则脑电信号数据可以确定为维度为231280的数组，即每个通道在5秒内可以采样1280个数据。之后，癫痫预测装置可以使用滑动窗口将脑电信号数据的二维数组切分为多个固定长度的数据片段，该多个固定长度的数据片段不存在重叠部分。例如，如图2所示，癫痫预测装置可以根据EDF文件中脑电信号数据图提取有效通道的脑电信号数据，再将有效通道的脑电信号数据的二维数组切分为多个5s的非重叠数据片段，其中，/>表示第一个5s的数据片段， />表示数据片段/>的邻接矩阵。最后，癫痫预测装置可以分别提取每个数据片段的癫痫数据特征。

可选地，癫痫预测装置可以通过癫痫预测模型提取每个数据片段的癫痫数据特征，该癫痫预测模型可以包括图卷积网络、卷积网络以及全连接层。癫痫预测装置可以通过图卷积网络提取所述脑电信号数据的非欧式特征，通过所述卷积网络提取所述脑电信号数据的欧式特征。

具体地，如图3所示，癫痫预测模型可以包括图卷积网络、卷积网络以及全连接层。癫痫预测装置可以将每个窗口的数据片段分别输入到图卷积网络中，以提取出脑电信号数据的非欧氏特征。将每个窗口的数据片段分别输入到卷积网络中，以提取出脑电信号数据的欧氏特征。

可选地，癫痫预测装置提取脑电信号数据的非欧氏特征的步骤可以包括：将所述数据片段的二维数组转化为目标输入图，所述目标输入图为所述数据片段的邻接矩阵，所述邻接矩阵用于指示相邻节点间是否存在连接关系；将所述目标输入图输入图卷积网络并通过第一函数读取所述图卷积网络的输出，得到所述非欧式特征。

具体地，如图3所示，癫痫预测装置可以先将切分的数据片段转化为目标输入图，即计算出每个数据片段对应的邻接矩阵，再将目标输入图输入一个两层图卷积网络（GraphConvolutional Networks，GCN）中，其中，第一个GCN层的输入维度为1280，它的任务是接收原始的目标输入图，并将其转化为一种更容易被处理的形式，第一个GCN层的输出维度为256，代表了该层处理后的图数据的规模。第二个GCN层的输入维度为256，这是从第一层的输出中获取的。经过这一层的处理，目标输入图被进一步转化为最终输出的维度为128，这个输出维度代表了最终的图数据的规模。如此不仅封装了节点的固有特征，也封装了来自相邻节点的信息。最后，癫痫预测装置可以使用Mean函数对其进行读出，从图卷积网络输出的节点特征表示中获得目标输入图的特征表示，即目标输入图的非欧式特征。

可选地，图卷积网络处理目标输入图的过程可以表述为：

；

其中，，E为单位矩阵，/>，/>为一个数据片段的数据，/>为第 l 层GCN的权值矩阵，/>为激活函数。

可选地，Mean函数从图卷积网络获取的目标输入图的特征表示可以表述为：

；

其中，表示节点/>的特征表示，/>表示相邻节点的个数，/>表示相邻节点的集合。

可选地，癫痫预测装置可以计算所述数据片段中通道的皮尔逊相关系数，所述皮尔逊相关系数用于指示相邻通道值之间的相关程度；对所有通道的皮尔逊相关系数进行降序排列处理，得到目标系数序列；按照第一比例系数从所述目标系数序列中确定第一子序列和第二子序列，所述第一子序列的皮尔逊相关系数大于所述第二子序列的皮尔逊相关系数；将所述第一子序列中的皮尔逊相关系数更新为第一数值，将所述第二子序列中的皮尔逊相关系数更新为第二数值，以得到所述数据片段的邻接矩阵；其中，所述第一数值用于指示相邻节点间存在连接关系，所述第二数值用于指示相邻节点间不存在连接关系。

具体地，癫痫预测装置可以根据公式计算数据片段中每个通道值与相邻通道值之间的皮尔逊相关系数，其中，/>和/>分别表示多通道脑电数据中第i通道和第j通道上对应的值，/>为信号的协方差矩阵，/>和/>表示对应的标准差。/>的值介于［−1，1］之间，/>的绝对值越接近1，表示两个变量越相关。由于邻接矩阵是由0和1构成。0表示节点间没有连接存在，1表示节点间有连接存在。因此，在计算皮尔逊相关系数后，可以基于皮尔逊相关性系数进行排序，将其中值位于前30%的化为1，认为节点间存在连接，其余的化为0，不对其进行连接。

可选地，癫痫预测装置提取脑电信号数据的欧氏特征的步骤可以包括：将所述数据片段转化为矩阵形式的目标输入数据；将所述目标输入数据输入卷积网络得到所述欧式特征；其中，所述卷积网络包括卷积层、激活层、归一化层以及最大池化层。

具体地，如图3所示，癫痫预测装置可以将二维的数据片段转化为矩阵形式的目标输入数据，将大小为231280的目标输入第一个卷积层，卷积核的大小为3/>2，步长为1。接着经过激活层，有助于引入非线性，从而使得网络可以学习复杂的特征和模式。为了加速训练过程并减少梯度消失的问题，需经过批归一化层，以提高模型的泛化能力。批归一化层通过对每一批数据进行归一化处理来规范化输入，有利于加快模型收敛速度。最后通过最大池化层，其核的大小为2/>2，步长为2，用于减小特征图的空间大小，降低计算复杂度，同时提取出最显著的特征。最大池化层有助于减少模型的参数数量，减轻过拟合风险，并且使得模型对平移、旋转等变换具有一定的鲁棒性。

S103、癫痫预测装置根据所述癫痫数据特征识别患者脑状态对应的发病时期。

其中，上述发病时期包括癫痫发作前期和癫痫发作间期。癫痫发作前期表示癫痫即将发生，癫痫发作间期表示癫痫暂时不会发生。

可选地，癫痫预测装置可以将非欧式特征和欧式特征进行拼接处理后输入全连接层，得到患者脑状态对应的发病时期。

具体地，如图3所示，癫痫预测装置可以将每个数据片段在卷积神经网络中提取的欧氏特征和在图卷积神经网络中提取的非欧式特征进行拼接处理，得到每个数据片段的癫痫数据特征。然后将得到的癫痫数据特征作为全连接层的输入。全连接层将输入的癫痫数据特征进行整合，并通过激活函数得到每个窗口样本对发病时期的预测结果。

可选地，癫痫预测装置还可以根据识别到的发病时期和所述脑电信号数据的标签数据确定交叉熵损失；确定同一批次训练数据的组内损失和组间损失，所述组内损失为基于同一预测类别中每个训练数据的邻接矩阵确定的损失值，所述组间损失为基于所有预测类别的训练数据的邻接矩阵确定的损失值；根据所述交叉熵损失、组内损失和组间损失更新癫痫预测模型的模型参数。

具体地，癫痫预测装置可以根据识别到的发病时期和真实的标签数据进行比较，计算出交叉熵损失。此外，针对数据不平衡问题，可以引入组间损失和组内损失。组间损失用于增强模型对不同类别的辨别能力，组内损失用于增强模型对癫痫发作前期的识别能力。最终将交叉熵损失、组内损失、组间损失相加得到总损失，并基于总损失对癫痫预测模型进行反向传播，以更新癫痫预测模型的网络参数，使得在保证训练时间与训练收敛的均衡性下达到最高的准确率。如此，可以在训练过程中同时考虑分类准确性、类内紧致性和类间分离性，以促进模型学习更具有判别力和泛化能力的特征表示。

可选地，癫痫预测装置可以提取一批目标输入图中的邻接矩阵用于计算组内损失和组间损失。癫痫预测装置可以在一个批次里首先计算其组内损失，类别c∈C，其对应的样本索引集合，其中/>是样本i的标签，表示样本i属于类别c。然后针对每个批次里属于类别c的样本，找到其对应的邻接矩阵A，再根据公式/>计算邻接矩阵的均值，根据公式/>计算邻接矩阵的方差，最后得到组内损失：。得到组内损失后，根据公式计算组间损失。如此，可以最大化不同组间邻接矩阵的散度，同时保持同一组内的相似性，从而更好地捕捉癫痫发作数据中癫痫发作间期和癫痫发作前期的独特特征。

可选地，癫痫预测装置可以使用留一交叉验证技术来对癫痫预测进行训练。针对每个患者进行训练，训练进行了m次，其中m是针对特定患者的癫痫发作次数。一个患者的性能是m个试验的平均值，总体性能是所有患者的平均值。80%的训练数据分配给训练集，20%分配给验证集，在验证集上更新超参数并优化模型。

可选地，在癫痫预测模型的参数以及结构调整好后，最终在测试集上进行验证。根据识别类别，判断是否需要对医护人员进行提醒癫痫即将发作。如果识别类别为癫痫发作前期，则预测癫痫发作即将发生，癫痫预测装置可以进行警报提醒；如果识别类别为癫痫发作间期，则预测癫痫发作不会发生。

本发明可以实现对多通道脑电图数据的深度分析，动态发现脑功能连接，生成脑功能连接图，从而提高预测的准确性和泛化能力。引入组内损失和组间损失可以增强模型对癫痫发作前期的识别能力，提高预测的准确性。

本发明实施例中，一方面，可以提取脑电信号数据的癫痫数据特征，由于癫痫数据特征包括非欧式特征，非欧式特征包括相邻节点间的连接信息，因此基于癫痫数据特征得到的预测结果不仅预测准确性较高，而且泛化能力更强；另一方面，由于可以直接提取脑电信号数据的癫痫数据特征，而无需对脑电信号数据进行预处理，因此可以减少工作量，提高工作效率。

上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本发明实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本发明实施例提供的癫痫预测方法，执行主体可以为癫痫预测装置，或者该癫痫预测装置中的用于癫痫预测的控制模块。本发明实施例中以癫痫预测装置执行癫痫预测方法为例，说明本发明实施例提供的癫痫预测装置。

需要说明的是，本发明实施例可以根据上述方法示例对癫痫预测装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。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。可选的，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

如图4所示，本发明实施例提供一种癫痫预测装置400。该癫痫预测装置400包括：获取模块401和处理模块402。所述获取模块401，可以用于获取脑电信号数据；所述处理模块402，用于提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。

可选地，所述处理模块402用于：确定所述脑电信号数据的通道数量、采样时间和采样频率，并根据所述通道数量、采样时间和采样频率确定所述脑电信号数据的二维数组；基于滑动窗口将所述脑电信号数据的二维数组切分为多个固定长度的数据片段；提取每个所述数据片段的癫痫数据特征。

可选地，所述处理模块402用于：将所述数据片段的二维数组转化为目标输入图，所述目标输入图为所述数据片段的邻接矩阵，所述邻接矩阵用于指示相邻节点间是否存在连接关系；将所述目标输入图输入图卷积网络并通过第一函数读取所述图卷积网络的输出，得到所述非欧式特征。

可选地，所述处理模块402用于：计算所述数据片段中通道的皮尔逊相关系数，所述皮尔逊相关系数用于指示相邻通道值之间的相关程度；对所有通道的皮尔逊相关系数进行降序排列处理，得到目标系数序列；按照第一比例系数从所述目标系数序列中确定第一子序列和第二子序列，所述第一子序列的皮尔逊相关系数大于所述第二子序列的皮尔逊相关系数；将所述第一子序列中的皮尔逊相关系数更新为第一数值，将所述第二子序列中的皮尔逊相关系数更新为第二数值，以得到所述数据片段的邻接矩阵；其中，所述第一数值用于指示相邻节点间存在连接关系，所述第二数值用于指示相邻节点间不存在连接关系。

可选地，所述癫痫数据特征还包括欧式特征；所述处理模块402用于：将所述数据片段转化为矩阵形式的目标输入数据；将所述目标输入数据输入卷积网络得到所述欧式特征；其中，所述卷积网络包括卷积层、激活层、归一化层以及最大池化层。

可选地，所述处理模块402用于：根据识别到的所述发病时期和所述脑电信号数据的标签数据确定交叉熵损失；确定同一批次训练数据的组内损失和组间损失，所述组内损失为基于同一预测类别中每个训练数据的邻接矩阵确定的损失值，所述组间损失为基于所有预测类别的训练数据的邻接矩阵确定的损失值；根据所述交叉熵损失、组内损失和组间损失更新癫痫预测模型的模型参数；其中，所述癫痫预测模型包括图卷积网络、卷积网络以及全连接层。

可选地，所述处理模块402用于：通过所述图卷积网络提取所述脑电信号数据的非欧式特征，通过所述卷积网络提取所述脑电信号数据的欧式特征；将所述非欧式特征和所述欧式特征进行拼接处理后输入所述全连接层，得到患者脑状态对应的发病时期。

本发明实施例中，一方面，可以提取脑电信号数据的癫痫数据特征，由于癫痫数据特征包括非欧式特征，非欧式特征包括相邻节点间的连接信息，因此基于癫痫数据特征得到的预测结果不仅预测准确性较高，而且泛化能力更强；另一方面，由于可以直接提取脑电信号数据的癫痫数据特征，而无需对脑电信号数据进行预处理，因此可以减少工作量，提高工作效率。

图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface) 520、存储器(memory) 530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行癫痫预测方法，该方法包括：获取脑电信号数据；提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。

此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的癫痫预测方法，该方法包括：获取脑电信号数据；提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的癫痫预测方法，该方法包括：获取脑电信号数据；提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种癫痫预测方法，其特征在于，包括：

获取脑电信号数据；

提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；

根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。

2.根据权利要求1所述的癫痫预测方法，其特征在于，所述提取所述脑电信号数据的癫痫数据特征，包括：

确定所述脑电信号数据的通道数量、采样时间和采样频率，并根据所述通道数量、所述采样时间和所述采样频率确定所述脑电信号数据的二维数组；

基于滑动窗口将所述脑电信号数据的二维数组切分为多个固定长度的数据片段；

提取每个所述数据片段的癫痫数据特征。

3.根据权利要求2所述的癫痫预测方法，其特征在于，所述提取每个所述数据片段的癫痫数据特征，包括：

将所述数据片段的二维数组转化为目标输入图，所述目标输入图为所述数据片段的邻接矩阵，所述邻接矩阵用于指示相邻节点间是否存在连接关系；

将所述目标输入图输入图卷积网络并通过第一函数读取所述图卷积网络的输出，得到所述非欧式特征。

4.根据权利要求3所述的癫痫预测方法，其特征在于，所述将所述数据片段的二维数组转化为目标输入图，包括：

计算所述数据片段中通道的皮尔逊相关系数，所述皮尔逊相关系数用于指示相邻通道值之间的相关程度；

对所有通道的皮尔逊相关系数进行降序排列处理，得到目标系数序列；

按照第一比例系数从所述目标系数序列中确定第一子序列和第二子序列，所述第一子序列的皮尔逊相关系数大于所述第二子序列的皮尔逊相关系数；

将所述第一子序列中的皮尔逊相关系数更新为第一数值，将所述第二子序列中的皮尔逊相关系数更新为第二数值，以得到所述数据片段的邻接矩阵；

其中，所述第一数值用于指示相邻节点间存在连接关系，所述第二数值用于指示相邻节点间不存在连接关系。

5.根据权利要求2所述的癫痫预测方法，其特征在于，所述癫痫数据特征还包括欧式特征；所述提取每个所述数据片段的癫痫数据特征，包括：

将所述数据片段转化为矩阵形式的目标输入数据；

将所述目标输入数据输入卷积网络得到所述欧式特征；

其中，所述卷积网络包括卷积层、激活层、归一化层以及最大池化层。

6.根据权利要求1-5任一项所述的癫痫预测方法，其特征在于，所述方法还包括：

根据识别到的所述发病时期和所述脑电信号数据的标签数据确定交叉熵损失；

确定同一批次训练数据的组内损失和组间损失，所述组内损失为基于同一预测类别中每个训练数据的邻接矩阵确定的损失值，所述组间损失为基于所有预测类别的训练数据的邻接矩阵确定的损失值；

根据所述交叉熵损失、组内损失和组间损失更新癫痫预测模型的模型参数；

其中，所述癫痫预测模型包括图卷积网络、卷积网络以及全连接层。

7.根据权利要求6所述的癫痫预测方法，其特征在于，所述提取所述脑电信号数据的癫痫数据特征，包括：

通过所述图卷积网络提取所述脑电信号数据的非欧式特征，通过所述卷积网络提取所述脑电信号数据的欧式特征；

所述根据所述癫痫数据特征识别患者脑状态对应的发病时期，包括：

将所述非欧式特征和所述欧式特征进行拼接处理后输入所述全连接层，得到患者脑状态对应的发病时期。

8.一种癫痫预测装置，其特征在于，包括：获取模块和处理模块；

所述获取模块，用于获取脑电信号数据；

所述处理模块，用于提取所述脑电信号数据的癫痫数据特征，所述癫痫数据特征包括非欧式特征，所述非欧式特征包括相邻节点间的连接信息；根据所述癫痫数据特征识别患者脑状态对应的发病时期，所述发病时期包括癫痫发作前期和癫痫发作间期。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的癫痫预测方法中的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的癫痫预测方法中的步骤。