申请/专利权人：北京工业大学

申请日：2021-01-25

公开（公告）日：2024-04-09

公开（公告）号：CN112800928B

主分类号：G06F18/213

分类号：G06F18/213;G06F18/24;G06F18/214;G06F18/25;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.06.01#实质审查的生效;2021.05.14#公开

摘要：本发明公开了融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法，将脑电信号数据分割为发作前期和发作后期，然后计算发作前期和发作后期的数据比，对发作前期数据进行重叠采样，得到数据量相等的两类信号片段；再利用短时傅立叶变换将原始EEG信号转化成频谱图来表示EEG信号的时频特征；然后分别使用3种不同维度的3D卷积核挖掘各个通道映射之间的相互依赖性并将他们的结果进行拼接，利用一个卷积操作将上述的通道特征进行融合；通过全局自注意力模块将频谱图的局部特征与其全局特征进行集成，以加强脑电信号特征之间的关联性来获得上下文信息，使每个位置的特征都带有全局感受野，提高网络的表征能力，从而达到更好的分类效果。

主权项：1.融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法，其特征在于：该方法包括如下步骤，步骤1：对癫痫的脑电信号数据进行划分和预处理；具体地，将癫痫发作开始前的30分钟脑电信号定义为发作前期，将上一次发作结束后4小时开始到下一次发作开始前4小时的时间间隔定义为发作间期；癫痫发作开始之前的5分钟时间间隔被认为是干预时间，并从训练数据中排除；通过计算每个癫痫发作前期和发作间期的数据比K，设置采样窗口为S，在训练阶段以S*K的移动步长采集发作前期数据，从而使类别数量均衡；将发作前期和发作间期的数据标签分别设为1和0；步骤2：利用短时傅里叶变换STFT将脑电信号片段转为频谱图；使用短时傅里叶变换将步骤1采集到的原始脑电信号转化为频谱图，即由时间和频率为轴的二维矩阵[h,w]；然后在每个通道上都进行转化，得到维度为[c,h,w]的三维矩阵，其中c代表脑电数据的通道数；步骤3：搭建模型；将步骤2得到的三维矩阵作为模型的输入，使用3种不同维度的3D卷积核挖掘各个通道映射之间的相互依赖性，并将他们的结果进行拼接；之后再利用一个卷积将通道特征进行融合；利用全局自注意力模块将局部特征与全局特征相结合，使每个位置的特征都带有全局感受野，提高网络的表征能力；步骤4：构建残差网络；将上述得到的特征图输入到4个连续的残差块中并经过平均池化进行特征提取，得到特征表示，然后利用一层全连接将脑电信号片段分类为发作前期和发作间期；步骤5：训练模型；为了得到一个可靠的评估，采用留一交叉验证方法；即如果癫痫数据包含n次发作和t小时的发作间期记录，那么整个发作间期记录被划分为n块；每一个间期块约为t小时，并与任何发作前期记录随机分组；轮流运行n次，在每次运行中，这些分组中的一个被留作测试，而其余的n-1对在训练阶段使用；由于脑电信号与时间紧密相关，应该使用与训练期间不同时间段的样本来监测模型是否开始过拟合；当验证集上的损失开始增加时，训练就会停止；存储过去迭代的网络参数，并监控验证损失，当检测到验证误差开始增加时，将网络参数恢复到验证误差最小的迭代值；采用交叉熵损失函数作为代价函数，使用Adam优化器迭代模型；损失函数公式如下： 其中，yi代表样本i的标签，发作前期为正类1，发作间期为负类0；y^i代表样本i预测为发作前期的概率，N代表样本个数；步骤6：预测癫痫发作；按照上述步骤将模型训练好并保存起来，再将测试集中的癫痫切分，并将数据转换成频谱图的格式，输入到已训练好的模型中进行分类预测；若所得预测值大于0.5，则该数据被分类为发作前期，也就说明在30分钟后即将癫痫发作，这时触发一个报警装置为癫痫患者提供预警；否则被分类为发作间期，即癫痫发作不会发生，报警装置不会响应；步骤3中，1通道融合模块：将步骤2得到的矩阵进行扩维，得到输入维度为[batch_size,1,c,h,w]的featuremap，再分别经过16个[22,3,5]，[11,3,5]和[5,3,5]的3维卷积核，得到维度为[batch_size,16,1,h,w]，[batch_size,16,6,h,w]和[batch_size,16,9,h,w]的特征矩阵；然后将这三个矩阵拼接得到[batch_size,16,16,h,w]的featuremap；接着经过64个[16,h,w]的卷积层得到各通道融合后的特征图，维度为[batch_size,64,1,h,w]；最后将得到的特征reshape成[batch_size,64,h,w]；2全局自注意力模块Non-Local：将通道融合模块的输出作为Non-Local模块的输入，从而对全局信息进行整合；其中，i是输出特征图的其中一个位置，j是所有可能位置的索引，x是输入的频谱特征图；y是和x尺度一样的带有全局感受野的输出特征图；每一部分的公式如下：f函数就是计算两个位置的相关性，采用嵌入式高斯函数，即对两个位置进行点乘，然后通过指数映射，放大差异；g函数、θ函数和φ函数都是1*1卷积操作，目的是进行信息变换，Cx是归一化函数，即sigmoid实现的，以保证变换前后整体信息不变。

全文数据：

权利要求：

百度查询： 北京工业大学 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD