[發(fā)明專利]基于單通道腦電信號(hào)和卷積神經(jīng)網(wǎng)絡(luò)的癲癇診斷裝置

在審

• 申請?zhí)枺?/td>: 202010011288.8
• 申請日: 2020-01-06
• 公開（公告）號(hào): CN111166327A
• 公開（公告）日: 2020-05-19
• 發(fā)明（設(shè)計(jì)）人: 呂辰剛;陳雨心;王增光;陳旨娟;楊希婷;常心怡;劉小備;張耐
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號(hào): A61B5/0476
• 分類號(hào): A61B5/0476;A61B5/00
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 程毓英

本發(fā)明涉及一種基于單通道腦電信號(hào)和卷積神經(jīng)網(wǎng)絡(luò)的癲癇診斷裝置，包括下列模塊：預(yù)處理模塊；模型構(gòu)造及訓(xùn)練模塊，包括：基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造2分類模型，使用3個(gè)卷積層和1個(gè)池化層，再使用3個(gè)連續(xù)的全連接層，卷積層和全連接層使用激活函數(shù)；非線性激活層；池化層：采用最大值池化的方式；全連接層；在數(shù)據(jù)被送入全連接層前，使用Flatten層將多維數(shù)據(jù)壓縮為一維，前兩個(gè)全連接層后的激活函數(shù)是ReLU，而第三個(gè)后面的是Softmax，最后的2個(gè)輸出單元表示正常腦電和癲癇腦電信號(hào)的分類；使用10折交叉驗(yàn)證方式訓(xùn)練模型；模型結(jié)構(gòu)及超參數(shù)調(diào)整模塊。

技術(shù)領(lǐng)域

本發(fā)明涉及一種癲癇診斷裝置，屬于卷積神經(jīng)網(wǎng)絡(luò)和醫(yī)療疾病診斷領(lǐng)域的融合。

背景技術(shù)

目前，在醫(yī)學(xué)疾病診斷領(lǐng)域，癲癇的診斷是通過獲得詳細(xì)的病史，進(jìn)行神經(jīng)學(xué)檢查以及諸如神經(jīng)成像和腦電圖(EEG)的輔助測試來進(jìn)行的，也即神經(jīng)科醫(yī)生通過直接目視檢查腦電圖(EEG)，以研究癲癇樣異常。這些異常可提供有關(guān)患者癲癇類型和病因的有價(jià)值信息。然而，通過視覺評估對EEG信號(hào)的解讀是耗時(shí)的，特別是隨著門診動(dòng)態(tài)EEG和住院患者連續(xù)視頻EEG記錄的使用增加，會(huì)有數(shù)小時(shí)甚至數(shù)天需要手動(dòng)檢查的EEG數(shù)據(jù)。大多數(shù)EEG軟件包含某種形式的自動(dòng)癲癇發(fā)作檢測，但是，由于預(yù)先確定的癲癇發(fā)作檢測算法的靈敏度和特異性差，目前的自動(dòng)癲癇發(fā)作檢測形式很少用于臨床實(shí)踐。視覺檢查的準(zhǔn)確率是取決于神經(jīng)科醫(yī)生在腦電圖研究中的專業(yè)水平，并且研究的質(zhì)量可能因人為信號(hào)的干擾而受到限制，這限制了醫(yī)生準(zhǔn)確識(shí)別異常的能力。此外，常規(guī)門診研究的低產(chǎn)量也帶來了另一個(gè)問題。在門診進(jìn)行就診時(shí)，癲癇患者用于診斷的腦電圖可能完全正常。這是因?yàn)榘d癇患者的大腦通常不會(huì)持續(xù)激發(fā)癲癇放電，腦電圖只是記錄時(shí)大腦的“快照”。因此，為了克服腦電圖捕捉的隨機(jī)性給診斷帶來的影響，通常讓患者進(jìn)行重復(fù)的門診或記錄更長時(shí)間的腦電圖，這極大地提高了診斷的成本。因此，為了準(zhǔn)確、快速和客觀的診斷癲癇，提倡計(jì)算機(jī)輔助診斷(CAD)系統(tǒng)。本發(fā)明提出了一種基于單通道腦電信號(hào)和卷積神經(jīng)網(wǎng)絡(luò)的癲癇診斷裝置，以提高癲癇疾病診斷的效率和降低誤診率。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于單通道腦電信號(hào)和卷積神經(jīng)網(wǎng)絡(luò)的癲癇診斷裝置。本發(fā)明采用單通道的腦電信號(hào)，腦電信號(hào)分為正常腦電和癲癇腦電信號(hào)。采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造2分類模型，利用該模型分類正常腦電和癲癇腦電，從而實(shí)現(xiàn)較高準(zhǔn)確率的癲癇診斷。技術(shù)方案如下：

一種基于單通道腦電信號(hào)和卷積神經(jīng)網(wǎng)絡(luò)的癲癇診斷裝置，包括下列模塊：

預(yù)處理模塊，用于

1)使用8階巴特沃斯低通濾波器消除運(yùn)動(dòng)偽影和肌電干擾；

2)使用中值濾波器進(jìn)行基線校正；

3)使用陷波濾波器去除50Hz工頻干擾。

模型構(gòu)造及訓(xùn)練模塊，包括：

1)基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造2分類模型，使用3個(gè)卷積層和1個(gè)池化層，再使用3個(gè)連續(xù)的全連接層，卷積層和全連接層使用激活函數(shù)；

2)卷積層：第一層、第三層和第四層是卷積層，輸入矩陣和卷積核進(jìn)行卷積操作，進(jìn)而提取出數(shù)據(jù)特征；

3)非線性激活層：為使模型能夠解決非線性問題，對其加入非線性因素；

4)池化層：采用最大值池化的方式；

5)全連接層；在數(shù)據(jù)被送入全連接層前，使用Flatten層將多維數(shù)據(jù)壓縮為一維，前兩個(gè)全連接層后的激活函數(shù)是ReLU，而第三個(gè)后面的是Softmax，最后的2個(gè)輸出單元表示正常腦電和癲癇腦電信號(hào)的分類；

6)使用10折交叉驗(yàn)證方式訓(xùn)練模型；

模型結(jié)構(gòu)及超參數(shù)調(diào)整模塊，用于

1)選取交叉熵函數(shù)作為損失函數(shù)，并繪制出模型的驗(yàn)證集準(zhǔn)確率和損失函數(shù)曲線；