申请/专利权人：长春理工大学

申请日：2024-02-02

公开（公告）日：2024-04-05

公开（公告）号：CN117679047B

主分类号：A61B5/374

分类号：A61B5/374;A61B5/00;G06F18/2135;G06N3/045;G06N3/0464;G06N3/082;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2024.03.29#实质审查的生效;2024.03.12#公开

摘要：本发明属于医学数据信息检测技术领域，公开了一种多尺度轻量化网络系统的高效癫痫检测方法及系统。该方法结合并行卷积结构和多头注意力机制，并提出不同卷积核膨胀率对信号感受野的影响，这在癫痫检测中具有重要作用。通过调整卷积核的膨胀率，可以更有效地捕捉EEG信号中的关键特征，从而提高癫痫检测的准确性。本发明中的轻量型网络结构优点在于其高效性和适用性。通过采用轻量化设计，LTY‑CNN模型不仅能够有效减少计算资源的需求，还能在不牺牲精度的前提下加快处理速度。这使得该模型尤其适用于资源有限的环境。

主权项：1.一种多尺度轻量化网络系统的高效癫痫检测方法，其特征在于，该方法包括：S1，提取癫痫预发作期与非发作期的数据并进行标记，对输入的脑电波信号进行数据预处理，去除脑电波信号采集时的噪音，基于去除噪音后的脑电波信号进行降维；S2，通过集成多尺度特征提取和多头注意力机制，构建深度学习模型LTY-CNN；S3，将标记的癫痫预发作期与非发作期的数据输入构建的深度学习模型LTY-CNN，获取癫痫是否发作的结果，并进行可视化示出；在步骤S2中，所述多尺度特征提取包括：进行并行卷积结构优化，量化卷积和膨胀增强特征提取，并在量化卷积中引入膨胀卷积；所述并行卷积结构优化包括：并行利用宽卷积核，中等卷积核，窄卷积核处理相同的EEG信号输入中的不同特征，实现对信号不同特征的捕获；并行卷积结构的输出经过整合形成综合特征，表达式为：Ftotal＝Concat[ActFwide，ActFmedium，ActFnarrow]式中，Ftotal为最终生成的特征集，Concat[]为连接操作，用于将不同尺度的特征向量合并成一个单一的特征向量，ActFwide为应用于宽尺度的特征向量激活函数，ActFmedium为应用于中等尺度的特征向量激活函数，ActFnarrow为应用于窄尺度的特征向量激活函数；Act为激活函数，用于增加非线性并帮助捕获更复杂的特征；并行卷积结构多个卷积操作同时进行，时间复杂度Oparallel为：Oparallel＝Omax式中，Oparallel为时间复杂度，Omax为单个卷积操作中最大的时间复杂度；在多核心硬件的支持下，处理时间为：Tefficient≈Omax式中，Tefficient为在并行化设计下的有效处理时间；所述量化卷积和膨胀增强特征提取包括：采用量化感知训练网络QAT，在训练过程中模拟量化效果，通过引入量化误差的梯度调整量化感知训练网络QAT参数，使量化感知训练网络QAT参数适应量化后的表示，在反向传播过程中考虑量化的影响，表达式为： 式中，为表示量化误差E关于输入z的偏导数，为量化误差的期望值，E为量化过程中的误差，x为原始输入或原始参数，Qx为x变量的一个量化函数；量化卷积层的输出O表示为量化后的权重Wq和激活Aq的卷积：O＝QA*QW式中，*为卷积操作，QA为数据A的量化结果，QW为权重W的量化结果；所述在量化卷积中引入膨胀卷积包括：膨胀卷积引入膨胀率d，用于定义卷积核中元素的间隔，膨胀卷积的输出Od通过以下公式计算： 式中，Odi,j为膨胀卷积操作的输出，∑m∑n为一个双重求和操作，Ai+d·m,j+d·n表示输入信号A在经过膨胀操作后的位置，其中，i和j是当前处理的像素位置，m和n是卷积核W的索引，Wm,n为卷积核的权重，d为膨胀率；当d＝1时，膨胀卷积退化为标准卷积；随着d的增加，感受野R随之增大，计算公式为：R＝k+k-1·d-1式中，R为感受野，k为卷积核的尺寸；结合量化卷积，膨胀卷积在量化网络中进行特征提取，量化卷积层的输出Oq通过膨胀卷积为： 式中，Q表示量化函数，A为输入信号；在步骤S2中，多头注意力机制在不同的表示空间中，独立地关注输入数据的不同特征，捕捉预处理的脑电波信号数据的时间序列数据；不同的表示空间为多头注意力层配置的多个注意力头；所述多头注意力层的操作表示为：MultiHeadQ，K，V＝Concathesd1，...，headNWO式中，MultiHead为多头注意力机制的输出，Concat为将所有头的输出连接起来，headN为示第N个头的输出，WO为是一个可学习的参数矩阵；每个头的计算为：headi＝AttentionQWiQ，KWiK，VWiV式中，headi为第i个头的输出，AttentionQWiQ，KWiK，VWiV为应用于查询Q、键K和值V的注意力函数；WiQ为在查询矩阵中可学习的参数矩阵，WiK为在键矩阵中可学习的参数矩阵，WiV为在值矩阵中可学习的参数矩阵，Q为查询矩阵，K为键矩阵，V为值矩阵；注意力函数定义为： 式中，为这是注意力权重的计算方式；在步骤S2中，所述深度学习模型LTY-CNN包括：数据输入和处理层，用于输入脑电波数据，通过多个过滤器捕捉大脑活动的不同方面信息；量化技术的使用层，用于通过进行并行卷积结构优化，量化卷积和膨胀增强特征提取，在量化卷积中引入膨胀卷积，进行癫痫数据信息的检测；融合和关注细节层，用于将不同的过滤器的结果组合起来，以获得全面的大脑活动图像，通过多头的注意力机制寻找数据，关注上下文信号的信息；简化和决策层，用于通过平均池化简化信息，通过线性层作出决定，判断是否有癫痫发作的迹象。

全文数据：

权利要求：

百度查询： 长春理工大学 一种多尺度轻量化网络系统的高效癫痫检测方法及系统

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