【技術實現步驟摘要】
本專利技術涉及生物醫學領域，尤其涉及一種基于eeg信號協方差矩陣的癲癇發作檢測方法及其檢測裝置。
技術介紹
1、癲癇是一種常見的神經系統疾病，全球約有超過6500萬人受到其影響。癲癇的主要特征是大腦正常功能的反復且不可預測的中斷，即癲癇發作。雖然癲癇作為一種慢性疾病本身并不致命，但患者在發作時可能會失去意識，導致嚴重后果，甚至可能危及生命。因此，及時檢測癲癇發作對于采取預防措施、防止患者出現嚴重后果至關重要。
2、腦電圖(electroencephalogram，eeg)信號通常用于診斷癲癇發作。傳統的基于eeg的癲癇發作檢測方法通常包括特征提取和分類兩個階段，其中特征提取對檢測性能的影響尤為重要。這些特征主要包括時域特征、頻域特征和時頻域特征，其設計高度依賴于專家經驗。特征設計的質量直接關系到癲癇檢測的效果。然而，由于不同患者之間的eeg信號特征存在差異，甚至同一患者在不同狀態下的腦電圖信號也可能顯著變化，這些特征在應對eeg信號變化時仍存在局限性。
3、近年來，隨著深度學習技術的發展，深度神經網絡在癲癇檢測中展現出獨特的優勢。與手工設計的特征相比，深度學習方法能夠從原始eeg數據中自動學習到更為獨特且穩健的特征，從而實現優于傳統機器學習方法的性能。因此，構建能夠直接從原始eeg數據中學習特征的深度癲癇檢測模型顯得尤為必要，這樣可以避免手動特征工程的局限性。
4、盡管深度學習在癲癇發作檢測方面取得了令人滿意的分類性能，但深度神經網絡的高計算需求在實際應用中仍然是一大挑戰，尤其是在可穿戴設備上
技術實現思路
1、基于上述分析，本專利技術旨在提供一種基于eeg信號協方差矩陣深度學習的癲癇發作檢測方法，通過協方差矩陣降低輸入信號維度，以此降低深度神經網絡的計算復雜度。
2、本專利技術公開的一種eeg信號協方差矩陣的癲癇發作檢測方法，包括如下步驟：
3、步驟1：采集獲取多通道eeg信號數據集
4、分別采集癲癇發作時的多通道eeg信號以及無癲癇發作時的多通道eeg信號，通道數為c，各個信號均為離散化后的數字信號序列，長度為n，構成多通道eeg信號數據集a；
5、步驟2：基于通道交換和噪聲注入擴充信號數據集
6、對數據集a中的各個信號，隨機選擇兩個通道，對兩個通道的信號進行交換，得到新的多通道信號，在各個通道的信號上加入噪聲，得到加噪后的多通道信號，添加到數據集a中，重復該過程多次得到擴充后的eeg信號數據集b；
7、步驟3：計算多通道eeg信號的協方差矩陣
8、從擴充后的數據集b中隨機選擇一個信號，從該信號中隨機截取長度為m的信號片段，1<m≤n，計算該信號片段的協方差矩陣，重復該過程多次，每次截取的信號片段長度m隨機且滿足1<m≤n，由此得到新的協方差矩陣數據集c；
9、步驟4：構建癲癇檢測訓練集和驗證集
10、將協方差矩陣數據集c按一定比例隨機劃分成2個集合，作為用于深度學習訓練的訓練集和驗證集，訓練集和驗證集中各個樣本數據包括協方差矩陣以及對應的樣本標簽，所述樣本標簽根據采集時所對應的eeg信號是否來自癲癇發病期確定，若來自癲癇發作時采集的eeg信號，則標簽為“癲癇”，否則為“正常”；
11、步驟5：構建并訓練癲癇檢測卷積神經網絡
12、構建用于癲癇檢測的卷積神經網路模型，所述卷積神經網絡第一層卷積核尺寸為p×p，其中1<p≤c，最后分類層的隱節點數量為2，經過softmax輸出置信度，利用所述訓練集和驗證集對所述卷積神經網絡進行訓練，得到訓練后的癲癇檢測卷積神經網絡模型；
13、步驟6：獲取待檢測多通道eeg信號
14、采集獲取待檢測eeg信號；
15、步驟7：計算待檢測eeg信號的協方差矩陣
16、計算得到待檢測信號的協方差矩陣；
17、步驟8：基于待檢測信號協方差矩陣進行癲癇判決
18、將計算得到的待檢測信號的協方差矩陣輸入訓練后的癲癇檢測卷積神經網絡模型，計算得到輸出置信度，選擇置信度高的類別作為癲癇檢測結果。
19、一種基于權利要求1至3中任一項所述的基于eeg信號協方差矩陣的癲癇發作檢測方法的癲癇發作檢測裝置，其特征在于，其包括以下模塊：eeg信號采集模塊，采集獲取待檢測多通道eeg信號；協方差矩陣計算模塊，計算得到待檢測eeg信號的協方差矩陣；癲癇智能檢測模塊，將計算得到的待檢測信號的協方差矩陣輸入訓練后的癲癇檢測卷積神經網絡模型，計算得到輸出置信度，將置信度高的類別作為癲癇檢測結果。
20、與現有技術相比，本專利技術至少可以實現如下有益效果：
21、1、本專利技術通過計算多通道eeg信號的協方差矩陣，將協方差矩陣作為深度神經網絡的輸入，在保證癲癇檢測準確率的同時，大幅降低癲癇檢測深度學習的推理計算復雜度。
22、2、本專利技術通過通道交換和噪聲注入擴充了信號數據集，降低了深度學習方法對帶標注癲癇樣本的采集負擔，提升了小樣本場景下的癲癇檢測性能。
23、3、本專利技術通過對多通道eeg信號進行長度上的隨機截取計算得到協方差矩陣來構建訓練集，提升了癲癇檢測模型實際部署使用時對不同信號長度的適應能力。
24、本專利技術的其他特征和優點將在隨后的說明書中闡述，并且，部分優點可從說明書中變得顯而易見，或者通過實施本專利技術而了解。本專利技術的目的和其他優點可通過說明書以及附圖中所特別指出的內容中來實現和獲得。
本文檔來自技高網...【技術保護點】
1.基于EEG信號協方差矩陣的癲癇發作檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于EEG信號協方差矩陣的癲癇發作檢測方法，其特征在于，步驟2中噪聲注入過程為，首先生成均值為0、方差為1的高斯分布序列w(n)，n＝0，1，...，N-1，然后乘上幅度a得到aw(n)，其中a為大于0且小于1的隨機數，最后將aw(n)加到信號某個通道上。
3.根據權利要求1所述的基于EEG信號協方差矩陣的癲癇發作檢測方法，其特征在于，步驟3和步驟7中EEG信號協方差矩陣中第i行第j列的元素cij計算過程為：
4.一種基于權利要求1至3中任一項所述的基于EEG信號協方差矩陣的癲癇發作檢測方法的癲癇發作檢測裝置，其特征在于，其包括以下模塊：EEG信號采集模塊，采集獲取待檢測多通道EEG信號；協方差矩陣計算模塊，計算得到待檢測EEG信號的協方差矩陣；癲癇智能檢測模塊，將計算得到的待檢測信號的協方差矩陣輸入訓練后的癲癇檢測卷積神經網絡模型，計算得到輸出置信度，將置信度高的類別作為癲癇檢測結果。
【技術特征摘要】
1.基于eeg信號協方差矩陣的癲癇發作檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于eeg信號協方差矩陣的癲癇發作檢測方法，其特征在于，步驟2中噪聲注入過程為，首先生成均值為0、方差為1的高斯分布序列w(n)，n＝0，1，...，n-1，然后乘上幅度a得到aw(n)，其中a為大于0且小于1的隨機數，最后將aw(n)加到信號某個通道上。
3.根據權利要求1所述的基于eeg信號協方差矩陣的癲癇發作檢測方法，其特征在于，步驟3...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。