申请/专利权人：北京工业大学

申请日：2024-01-11

公开（公告）日：2024-04-19

公开（公告）号：CN117909822A

主分类号：G06F18/241

分类号：G06F18/241;A61B5/00;A61B5/369;G06F18/2135;G06F18/214;G06F18/2131;G06F18/10;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了基于多尺度注意力网络的癫痫检测方法，根据癫痫脑电的多尺度、时空特点、不同尺度下导联间的信息流动特征和尺度间隐式关联特征，设计基于多尺度注意力的神经网络，并与多尺度主元分析法相结合，实现癫痫自动检测。利用MSPCA对原始癫痫脑电信号进行去噪和特征增强；进而，设计MAN模型结构与参数。其中，多尺度注意力模块、时空特征提取模块、尺度重构模块和分类模块相继完成基于注意力加权机制的信号重表达、基于注意力机制的多尺度‑时空特征提取与重表达、融合与分类。基于CHB‑MIT公共数据集进行五折交叉验证实验研究，MAN模型能够在癫痫信号不同尺度下有效利用其脑网络特征强化导联间差异性和不同尺度间差异性，具有与流行方法相当的性能。

主权项：1.基于多尺度注意力的癫痫自动检测方法，其特征在于，包括以下步骤：步骤1：数据集分割与数据集平衡；针对癫痫脑电数据，将发作前20分钟数据、发作后5分钟数据和两次发作期之间中部的30分钟数据，分别划分为发作前期、发作期和发作间期；采用滑窗技术平衡数据集，窗口大小固定为4s，采用基于动态步长滑窗划分发作期的数据，而对于发作间期，则采用步长一定，且窗口无重叠的滑窗划分；之后分别选取数据集中的80％和20％样本作为训练集和测试集；步骤2：基于多尺度主成分分析MSPCA的数据预处理；利用离散小波变换先将原始23导联脑电信号划分为不同的频带，在将相同频带的23导联信号组合，采用主成分分析PCA和小波阈值降噪完成信号的初次降噪，随后经过小波重构信号，最后再经PCA完成信号的二次降噪，最终输出信号作为网络模型的输入特征；步骤3：建立基于多尺度注意力的神经网络，模型由输入层、多尺度注意力模块、时空特征提取模块、尺度重构模块、分类模块和输出层构成，输入层为n*s的2D矩阵，其中n为导联个数，s为时间片段长度；多尺度注意力模块，先通过由linear构成的注意力模块获取导联间的信息流出强度并输出维度为23*23的注意力矩阵，随后进一步加权到原始信号，重构原始脑电信号，而后通过由六层多尺度注意力模式层，卷积核大小为1,2,步长为2的深度卷积块和基于linear+ELU层的注意力块构成模式层，其可捕获信号不同尺度下导联间的信息流动并基于注意力加权机制重构所提取的信号多尺度特征，选取2到5层多尺度特征，作为输出，时空特征模块共有六层，每层由两个基于卷积、归一化和relu激活函数组成的模式层构成，模式层间采用残差网络进行深浅层特征融合，然后通过尺度重构模块，基于注意力层进一步捕获尺度间隐式相关矩阵并基于注意力加权机制重构提取的多尺度时空特征，最后通过分类模块，其由两层全连接层和log-softmax构成，实现癫痫信号的自动分类；步骤4：训练网络模型；首先将训练集根据batch为32进行划分，将其输入网络模型进行训练，训练结束后计算测试集的准确度，之后迭代训练网络参数，直到在训练过程中准确度变化较小时，停止训练，记录此时网络模型参数。

全文数据：

权利要求：

百度查询： 北京工业大学 基于多尺度注意力的癫痫自动检测方法

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