【技術實現步驟摘要】
本申請涉及智能健康管理領域，且更為具體地，涉及一種癲癇發作預警方法及系統。
技術介紹
1、癲癇是大腦神經元異常放電引發的慢性病，表現為反復短暫腦功能障礙，影響意識、運動等，嚴重時危及生命。其發作時難以預測，給患者生活帶來極大不便。現有的家用監測設備功能有限，僅能進行簡單的腦電圖信號記錄或基于單一傳感器的動作檢測，導致預警的準確性和及時性不足。
2、對此，公開號為cn118383730b的專利技術提出了一種癲癇發作預警方法、系統、電子設備及存儲介質，其首先，實時采集的數據經過濾波和標準化預處理以減少噪聲并統一量級。接著，從處理后的eeg、ecg信號中提取多種特征，并分析運動模式。這些特征被量化為分數，通過加權求和得出預測分數。當此分數達到或超過設定閾值時，系統判定有癲癇發作風險并觸發預警。這種方法解決了現有采集單一數據的缺陷，旨在提高預測精度。
3、該專利中是將采集到的數據進行標準化和預定義的特征提取后，計算出各自數據的分數，然后將這些分數綜合起來與預警閾值進行比較來判斷癲癇發作的風險。盡管預定義的特征（如統計、頻域及非線性特征）在特定情境下表現出有效性，但它們可能無法全面捕捉復雜數據中的細微模式，且未能充分考慮特征間的相互關系。此外，固定閾值的風險評估方式容易產生較高的誤報或漏報，特別是在面對個體差異顯著的情況時，影響了預警的精確度和可信度。這種靜態方法難以適應不同患者的獨特生理特征和動態變化，限制了系統的靈活性和自適應能力。
4、因此，期望一種優化的癲癇發作預警方案。
1、本申請針對現有技術中的缺點，提供了一種癲癇發作預警方法及系統。
2、根據本申請的一個方面，提供了一種癲癇發作預警方法，其包括：
3、獲取待監測用戶在預定時間段的腦電圖信號和運動數據的時間隊列；
4、對所述腦電圖信號進行降噪處理以得到降噪后腦電圖信號；
5、從所述降噪后腦電圖信號提取腦電圖信號特征以得到腦電圖信號特征編碼圖；
6、對所述運動數據的時間隊列進行運行狀態特征提取以得到運動狀態時序編碼特征向量；
7、對所述運動狀態時序編碼特征向量和所述腦電圖信號特征編碼圖進行運動狀態-腦電信號跨模態聚合分析以得到運動狀態-腦電圖跨模態細粒度聚合編碼向量，包括：對所述腦電圖信號特征編碼圖進行特征解耦和特征展平化以得到腦電圖信號局部特征編碼向量的集合；計算所述腦電圖信號局部特征編碼向量的集合的內核特征；基于所述內核特征，對所述運動狀態時序編碼特征向量和所述腦電圖信號局部特征編碼向量的集合進行細粒度先驗融合以得到所述運動狀態-腦電圖跨模態細粒度聚合編碼向量；
8、基于所述運動狀態-腦電圖跨模態細粒度聚合編碼向量，得到用于表示所述待監測用戶是否存在癲癇發作風險的識別結果，并基于所述識別結果，生成癲癇發作預警提示。
9、進一步地，從所述降噪后腦電圖信號提取腦電圖信號特征以得到腦電圖信號特征編碼圖，包括：將所述降噪后腦電圖信號輸入基于全卷積神經網絡的信號提取器以得到所述腦電圖信號特征編碼圖。
10、進一步地，對所述運動數據的時間隊列進行運行狀態特征提取以得到運動狀態時序編碼特征向量，包括：將所述運動數據的時間隊列輸入基于前向lstm模型的運行狀態特征提取器以得到所述運動狀態時序編碼特征向量。
11、進一步地，對所述腦電圖信號特征編碼圖進行特征解耦和特征展平化以得到腦電圖信號局部特征編碼向量的集合，包括：將所述腦電圖信號特征編碼圖的沿通道維度的各個特征矩陣展開為特征向量以得到所述腦電圖信號局部特征編碼向量的集合。
12、進一步地，計算所述腦電圖信號局部特征編碼向量的集合的內核特征，包括：
13、計算所述腦電圖信號局部特征編碼向量的集合中各個腦電圖信號局部特征編碼向量與其他所有腦電圖信號局部特征編碼向量之間的語義差異值以得到腦電圖信號語義差異值的集合；
14、對所述腦電圖信號語義差異值的集合進行基于softmax函數的歸一化處理以得到歸一化腦電圖信號語義差異值的集合；
15、以所述歸一化腦電圖信號語義差異值的集合作為權重的集合，計算所述腦電圖信號局部特征編碼向量的集合的加權和以得到腦電圖信號內核特征向量作為所述內核特征。
16、進一步地，基于所述內核特征，對所述運動狀態時序編碼特征向量和所述腦電圖信號局部特征編碼向量的集合進行細粒度先驗融合以得到所述運動狀態-腦電圖跨模態細粒度聚合編碼向量，包括：
17、基于所述運動狀態時序編碼特征向量和所述腦電圖信號內核特征向量，確定運動狀態-腦電圖信號先驗聚類中心編碼向量；
18、對所述運動狀態-腦電圖信號先驗聚類中心編碼向量和所述腦電圖信號局部特征編碼向量的集合進行跨域細粒度聚類描述以得到所述運動狀態-腦電圖跨模態細粒度聚合編碼向量。
19、進一步地，基于所述運動狀態-腦電圖跨模態細粒度聚合編碼向量，得到用于表示所述待監測用戶是否存在癲癇發作風險的識別結果，并基于所述識別結果，生成癲癇發作預警提示，包括：
20、將所述運動狀態-腦電圖跨模態細粒度聚合編碼向量輸入基于分類器的癲癇發作識別器以得到所述識別結果，所述識別結果用于表示所述待監測用戶是否存在癲癇發作風險；
21、響應于所述識別結果為所述待監測用戶存在癲癇發作風險，生成所述癲癇發作預警提示。
22、進一步地，將所述運動狀態-腦電圖跨模態細粒度聚合編碼向量輸入基于分類器的癲癇發作識別器以得到所述識別結果，所述識別結果用于表示所述待監測用戶是否存在癲癇發作風險，包括：
23、使用所述分類器的全連接層對所述運動狀態-腦電圖跨模態細粒度聚合編碼向量進行全連接編碼以得到運動狀態-腦電圖跨模態細粒度聚合全連接編碼特征向量；
24、將所述運動狀態-腦電圖跨模態細粒度聚合全連接編碼特征向量輸入所述分類器的softmax分類函數以得到所述運動狀態-腦電圖跨模態細粒度聚合編碼向量歸屬于各個分類標簽的概率值，所述分類標簽包括用于表示所述待監測用戶存在癲癇發作風險和用于表示所述待監測用戶不存在癲癇發作風險；
25、將所述概率值中最大者對應的分類標簽確定為所述識別結果。
26、根據本申請的另一個方面，提供了一種癲癇發作預警系統，其包括：
27、用戶監測數據采集模塊，用于獲取待監測用戶在預定時間段的腦電圖信號和運動數據的時間隊列；
28、腦電圖信號降噪模塊，用于對所述腦電圖信號進行降噪處理以得到降噪后腦電圖信號；
29、腦電圖信號特征提取模塊，用于從所述降噪后腦電圖信號提取腦電圖信號特征以得到腦電圖信號特征編碼圖；
30、運行狀態特征提取模塊，用于對所述運動數據的時間隊列進行運行狀態特征提取以得到運動狀態時序編碼特征向量；
31、運行狀態腦電圖信號聚合分析模塊，用于對所述運動狀態時序編碼特征向量和本文檔來自技高網...
【技術保護點】
1.癲癇發作預警方法，其特征在于，包括：
2.根據權利要求1所述的癲癇發作預警方法，其特征在于，從所述降噪后腦電圖信號提取腦電圖信號特征以得到腦電圖信號特征編碼圖，包括：將所述降噪后腦電圖信號輸入基于全卷積神經網絡的信號提取器以得到所述腦電圖信號特征編碼圖。
3.根據權利要求2所述的癲癇發作預警方法，其特征在于，對所述運動數據的時間隊列進行運行狀態特征提取以得到運動狀態時序編碼特征向量，包括：將所述運動數據的時間隊列輸入基于前向LSTM模型的運行狀態特征提取器以得到所述運動狀態時序編碼特征向量。
4.根據權利要求3所述的癲癇發作預警方法，其特征在于，對所述腦電圖信號特征編碼圖進行特征解耦和特征展平化以得到腦電圖信號局部特征編碼向量的集合，包括：將所述腦電圖信號特征編碼圖的沿通道維度的各個特征矩陣展開為特征向量以得到所述腦電圖信號局部特征編碼向量的集合。
5.根據權利要求4所述的癲癇發作預警方法，其特征在于，計算所述腦電圖信號局部特征編碼向量的集合的內核特征，包括：
6.根據權利要求5所述的癲癇發作預警方法，其特征在于，基
7.根據權利要求6所述的癲癇發作預警方法，其特征在于，基于所述運動狀態-腦電圖跨模態細粒度聚合編碼向量，得到用于表示所述待監測用戶是否存在癲癇發作風險的識別結果，并基于所述識別結果，生成癲癇發作預警提示，包括：
8.根據權利要求7所述的癲癇發作預警方法，其特征在于，將所述運動狀態-腦電圖跨模態細粒度聚合編碼向量輸入基于分類器的癲癇發作識別器以得到所述識別結果，所述識別結果用于表示所述待監測用戶是否存在癲癇發作風險，包括：
9.癲癇發作預警系統，其特征在于，包括：
10.根據權利要求9所述的癲癇發作預警系統，其特征在于，所述腦電圖信號降噪模塊，用于：將所述降噪后腦電圖信號輸入基于全卷積神經網絡的信號提取器以得到所述腦電圖信號特征編碼圖。
...【技術特征摘要】
1.癲癇發作預警方法，其特征在于，包括：
2.根據權利要求1所述的癲癇發作預警方法，其特征在于，從所述降噪后腦電圖信號提取腦電圖信號特征以得到腦電圖信號特征編碼圖，包括：將所述降噪后腦電圖信號輸入基于全卷積神經網絡的信號提取器以得到所述腦電圖信號特征編碼圖。
3.根據權利要求2所述的癲癇發作預警方法，其特征在于，對所述運動數據的時間隊列進行運行狀態特征提取以得到運動狀態時序編碼特征向量，包括：將所述運動數據的時間隊列輸入基于前向lstm模型的運行狀態特征提取器以得到所述運動狀態時序編碼特征向量。
4.根據權利要求3所述的癲癇發作預警方法，其特征在于，對所述腦電圖信號特征編碼圖進行特征解耦和特征展平化以得到腦電圖信號局部特征編碼向量的集合，包括：將所述腦電圖信號特征編碼圖的沿通道維度的各個特征矩陣展開為特征向量以得到所述腦電圖信號局部特征編碼向量的集合。
5.根據權利要求4所述的癲癇發作預警方法，其特征在于，計算所述腦電圖信號局部特征編碼向量的集合的內核特征，包括：...
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。