[發明專利]一種基于深度通道注意力感知的腦電癲癇發作檢測方法

有效

• 申請號: 201810356130.7
• 申請日: 2018-04-19
• 公開（公告）號: CN108549875B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 賈克斌;袁野;孫中華
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種基于深度通道注意力感知的腦電癲癇發作檢測方法，屬于生物醫學工程和機器學習領域。本發明引入注意力機制于多通道腦電癲癇發作檢測中，訓練端到端的深度通道注意力感知模型。該模型不僅可以提取腦波信號的深度特征，而且能夠同時學習各通道對于檢測癲癇的貢獻分數，實現動態選擇最相關腦電通道。與現有技術相比，本發明通過結合深度特征提取和注意力機制動態選擇最相關腦電通道并協同表達癲癇特征，使其融合特征具有通道感知能力，并在提升癲癇檢測率的同時具有可解釋性。

技術領域

本發明涉及生物醫學工程和機器學習領域，尤其涉及一種基于深度通道注意力感知的腦電癲癇發作檢測方法。

背景技術

癲癇是一種由腦部神經元異常放電所引起的慢性神經疾病，我國大約有600萬左右的癲癇患者并逐年快速增長。癲癇的臨床特征通常表現為抽搐、精神異常、發作性意識改變等，對患者身心健康危害極大。隨著醫療信息化建設的日益發展與普及，癲癇診斷可由醫學專家直接根據多通道腦電圖(electroencephalogram，EEG)通過視覺檢測進行診斷。但由于癲癇發作的不確定性，醫生需要長期監控病人的冗長的腦電圖記錄。這種耗時費力的人工檢測很容易導致漏診誤診的發生。因此，有必要實現自動化的多通道腦電癲癇發作檢測，從而減輕醫療工作者的工作量并避免主觀因素干擾，這在醫學應用中具有重大意義。

近年來，國內外對于基于機器學習的多通道腦電癲癇發作檢測的方法研究給予極大重視。具體地，當前研究主要集中在應用深度學習算法自動提取多通道腦電特征從而檢測癲癇的發作。由于腦電數據的多通道復雜性，有些腦電通道會提供與癲癇發作無關的干擾信息，因此研究者們嘗試利用深度學習技術預先選擇有用的腦電通道作為檢測癲癇的主要特征。盡管如此，現有的腦電通道選擇模型大多都是通過閾值判斷一次性濾除所有無關通道。這種硬選擇(hard selection)模型忽略了腦電通道信息的動態性，因為相關通道的選擇是隨不同病人和病情而變化的。另外，現有模型往往將特征學習和通道選擇視為各自獨立的模塊，即多階段(multi-stage)模型，并非端到端(end-to-end)模型。這種多階段模型很難保證癲癇檢測性能的穩定，由于其需要使用人工手段協調各階段模塊工作。因此，如何結合深度學習技術動態選擇相關腦電通道協同表達癲癇特征，是技術人員需要攻克的一個難題。

發明內容

本發明的目的在于解決現有深度學習算法在腦電癲癇檢測中的不足，提出一種基于深度通道注意力感知的腦電癲癇發作檢測方法，即通過結合深度特征提取和注意力機制(attention mechanism)動態選擇最相關腦電通道并協同表達癲癇特征，使其融合特征具有通道感知能力，并在提升癲癇檢測率的同時具有可解釋性。

為實現以上目的，本發明采用的技術方案是，一種基于深度通道注意力感知的腦電癲癇發作檢測方法，該方法包括以下步驟：

1)采集多通道腦電數據X，并對所采集的多通道腦電數據進行癲癇標注Y，

將多通道腦電數據X和采集的多通道腦電數據進行癲癇標注Y作為訓練數據集{(X⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}，m為訓練樣本數量。

2)對訓練數據進行預處理。對訓練集中的腦電信號使用短時傅里葉變換(short-time Fourier transform，STFT)表達其時頻信息，并按照時間方向定長分塊，生成多通道腦電時頻矩陣訓練集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}。其中，對于腦電信號樣本x(t)，利用短時傅里葉變換表達腦電時頻信息s的公式如下：

其中，τ為時間索引，用來定位信號并調用窗函數w(t)進行傅里葉變換；t表示時間，j為腦電信號的定長分塊長度。

3)用生成的腦電時頻矩陣訓練集{(S⁽ⁱ⁾,Y⁽ⁱ⁾),i＝1,2,…,m}訓練深度通道注意力感知模型，具體為：