[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

本發明涉及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，依次利用預處理模塊、有效頻段提取模塊和時頻分析模塊、對原始腦電信號進行預處理、有效頻段提取及時頻分析之后，利用深度卷積神經網絡訓練模塊訓練深度卷積神經網絡，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；癲癇發作識別通道選擇模塊，用于選出患者特定的最優的五個通道，并計算權重；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的識別。

技術領域

本發明涉及腦電信號分類領域，具體來說是一種通過對癲癇腦電信號進行特征提取與分類來對癲癇發作進行識別的裝置。

背景技術

近年來，腦電信號(EEG)已經發展成為癲癇研究的一種主要手段。傳統的通過分析EEG信號的癲癇識別方法已有了較為固定的模式，首先是提取EEG信號中的有效頻段，再對提取出的有效頻段信號進行特征提取，這些特征通過是人工選取的，如樣本熵、小波熵、多尺度熵、多尺度LZ復雜度等用于反映信號非線性程度的一些指標，之后再將提取的特征通過支持向量機或神經網絡等分類器進行分類來完成對癲癇的識別。

目前，已有許多學者對上述的癲癇識別方法進行了研究，如汪春梅等采用近似熵+NEYMAN-PEARSON準則^[1]進行分類；黃麗亞等采用多尺度樣本熵+支持向量機^[2]的形式。這些分類方法固然取得了一定的效果，但這些研究方法中用于分類的特征均是通過人工來選取，存在著一定的隨機性，無法完全表現出癲癇發作狀態下與未發作狀態下的差異，可能無法適用于所有的EEG樣本的癲癇識別。所以，如何提取出癲癇發作時與未發作時EEG信號具有最大差異性的特征，是目前研究的一個重要方向。

參考文獻：

[1]汪春梅,張崇明,王麗慧.一種癲癇腦電信號分類檢測裝置及方法:CN102429657A[P].2012.

[2]黃麗亞,郭迪,沈洋洋.基于多尺度樣本熵的癲癇腦皮層電圖信號分類方法:CN105046273A[P].2015.

發明內容

本發明旨在提供一種新型的通過對腦電信號進行特征提取與分類的癲癇發作狀態識別裝置。本發明先利用小波變換提取出腦電信號0～32Hz的有效頻段信號，再通過時頻分析方法中的短時傅里葉變換，將提取出的0～32Hz頻段的一維腦電信號轉化為二維時頻圖像，再利用LeNet-5網絡結構的深度卷積神經網絡對時頻圖像進行特征提取與分類，接著根據部分樣本數據測試出具有患者特異性的最優的五個識別通道并計算權重，最后采用加權求和的方法結合最優的五個通道進行癲癇狀態的識別。技術方案如下：

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；