[發明專利]基于二維時頻圖像深度卷積神經網絡的癲癇腦電識別裝置

有效

• 申請號: 201710104551.6
• 申請日: 2017-02-24
• 公開（公告）號: CN106909784B
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 曹玉珍;郭怡湘;余輝;張力新;葛亞芳;孫敬來
• 申請（專利權）人: 天津大學
• 主分類號: G16H50/20
• 分類號: G16H50/20
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程毓英

1.一種基于二維時頻圖像深度卷積神經網絡的癲癇腦電識別裝置，包括預處理模塊、有效頻段提取模塊、時頻分析模塊、深度卷積神經網絡訓練模塊、癲癇發作識別通道選擇模塊和癲癇狀態識別模塊，其中，

預處理模塊，用于將原始腦電信號分成多段數據，為每段數據設置相應的標簽，標簽一共分為兩類，第一類為發作狀態，設置為1；第二類為非發作狀態，設置為0；再對各段數據分別進行低通濾波處理，去除高于32Hz的信號；

有效頻段提取模塊，用于通過小波變換進行5層分解，提取出經過預處理的腦電信號中多個有效頻段的信號，再將提取出的多個信號進行疊加，合成得到0～32Hz頻段的一維腦電信號，此頻段的腦電信號能反映出患者癲癇發作時的有效信息；

時頻分析模塊，用于對合成后的0～32Hz頻段的一維腦電信號通過短時傅里葉變換對有效頻段的腦電信號進行變換，使一維時域信號，轉化為包含時間和頻率信息的二維時頻圖像，時頻圖像縱軸的頻率范圍為0～32Hz，橫軸的時間范圍為窗口長度，所得到的時頻圖像在癲癇發作狀態與非癲癇發作狀態具有不同的圖像特征，反映不同的時頻信息；

深度卷積神經網絡訓練模塊，用于對患者的經過時頻分析模塊處理得到的二維時頻圖像分為訓練數據和測試數據，建立LeNet-5結構的深度卷積神經網絡，輸入到深度卷積神經網絡中對其進行訓練，對圖像進行特征提取，通過全連接的網絡進行數據降維，最終輸出用于表示分類結果的二維向量，二維向量為(0,1)則表示癲癇發作狀態，(1,0)則表示非癲癇發作狀態，將患者的腦電數據的各個通道，均通過這種方式來訓練對應的網絡參數；

癲癇發作識別通道選擇模塊，用于根據患者所有通道測試數據的識別結果，選出準確率排在前五的通道，并用其準確率構建該五個通道的權重，這五個準確率相對較高的通道作為最終的癲癇發作識別通道；

癲癇狀態識別模塊：用于采用加權求和的方法結合最優的五個通道進行癲癇發作狀態的識別，數據處理流程如下：對所采集的原始腦電信號依次經過預處理模塊、有效頻段提取模塊和時頻分析模塊的數據處理，再根據癲癇發作識別通道選擇模塊選出的五個通道及其權重，將五個通道的識別結果加權求和，所得結果與癲癇發作標簽值進行比較，如果所得結果的標簽值與癲癇發作標簽值更接近，便判斷患者處于癲癇發作狀態，反之如果所得結果的標簽值與非癲癇發作標簽值更接近，則判斷患者處于非癲癇發作狀態。