[發(fā)明專利]一種癲癇腦電自動(dòng)分類模型的獲取方法、系統(tǒng)及分類系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010625498.6
• 申請日: 2020-07-02
• 公開（公告）號(hào): CN111700592A
• 公開（公告）日: 2020-09-25
• 發(fā)明（設(shè)計(jì)）人: 楊曉利;楊彬;李振偉;白永杰;許俊超;吳曉琴
• 申請（專利權(quán)）人: 河南科技大學(xué)
• 主分類號(hào): A61B5/00
• 分類號(hào): A61B5/00;A61B5/0476;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 崔玥

本發(fā)明涉及一種癲癇腦電自動(dòng)分類模型的獲取方法及系統(tǒng)，系統(tǒng)包括有效腦電信號(hào)獲取模塊、時(shí)頻圖獲取模塊、分類模塊、分類準(zhǔn)確率計(jì)算模塊以及輸出模塊；本發(fā)明還公開了一種癲癇腦電信號(hào)自動(dòng)分類系統(tǒng)，系統(tǒng)包括有效腦電信號(hào)獲取模塊、時(shí)頻圖獲取模塊、分類模塊以及輸出模塊；本發(fā)明的系統(tǒng)和方法，通過采用遷移學(xué)習(xí)對(duì)時(shí)頻圖進(jìn)行自動(dòng)特征提取，在降低對(duì)大量特征處理時(shí)間的基礎(chǔ)上，又減少了參數(shù)調(diào)試以及參數(shù)學(xué)習(xí)的工作量，大大節(jié)約了網(wǎng)絡(luò)模型搭建和訓(xùn)練的時(shí)間，從而提高系統(tǒng)及模型對(duì)腦電信號(hào)分類的效率。

技術(shù)領(lǐng)域

本發(fā)明涉及生物醫(yī)學(xué)工程信號(hào)處理領(lǐng)域，特別是涉及一種癲癇腦電自動(dòng) 分類模型的獲取方法、系統(tǒng)及分類系統(tǒng)。

背景技術(shù)

癲癇是一種較為常見的腦部疾病。世界衛(wèi)生組織2019年6月統(tǒng)計(jì)，全世界 有大約5000萬癲癇患者，約占總?cè)丝诘?.6％～0.8％，且每年以240萬的速度增 加，癲癇病年齡跨度大，且趨于年輕化，嚴(yán)重威脅人類健康發(fā)展。在癲癇人群 中，20歲以下的青少年和兒童成為高發(fā)人群。癲癇的產(chǎn)生原因十分復(fù)雜，其發(fā) 病機(jī)制至今仍未能完全闡明，很多情況下無法從患者的腦部發(fā)現(xiàn)可以解釋相應(yīng) 癥狀的結(jié)構(gòu)或代謝的異常。但是癲癇患者的腦電信號(hào)包含了大腦大量的病理信 息。腦電圖是一種低成本非侵入性工具，可用于長期評(píng)估。因此，腦電圖是診 斷癲癇最有用的工具。目前，癲癇的診斷主要依靠醫(yī)生對(duì)腦電圖的檢查分析，耗時(shí)耗力，而且存在誤判的問題，因此，對(duì)癲癇腦電信號(hào)的自動(dòng)識(shí)別分類對(duì)癲 癇病的檢測有重要的意義，能在很大程度上減輕醫(yī)生的負(fù)擔(dān)和提高診斷效率。

腦電信號(hào)是一種隨機(jī)非平穩(wěn)信號(hào)，且噪聲背景強(qiáng)，信號(hào)微弱，因此對(duì)信號(hào) 的特征提取存在一定的困難。現(xiàn)有的系統(tǒng)均單從時(shí)域分析或者頻域分析，效果 都不理想，因?yàn)樾盘?hào)的隨機(jī)、非平穩(wěn)性，從而不能充分的表現(xiàn)出癲癇信號(hào)的特 征。而時(shí)頻分析能充分的保留信號(hào)的時(shí)間和頻率信息。因此，采用時(shí)頻分析的 系統(tǒng)針對(duì)癲癇腦電信號(hào)進(jìn)行分析，可提取出眾多癲癇腦電相關(guān)特征。

傳統(tǒng)的基于時(shí)頻分析的癲癇腦電處理模型及系統(tǒng)通過獲取癲癇腦電信號(hào) 的時(shí)頻圖，提取眾多特征，進(jìn)行分類。但是在保證分類較高的精度，特征提取 較少的同時(shí)，又要降低處理的計(jì)算時(shí)間，兩者之間較難權(quán)衡。因此本發(fā)明的方 案將對(duì)信號(hào)經(jīng)過處理得到的時(shí)頻圖，采用機(jī)器學(xué)習(xí)進(jìn)行自動(dòng)特征提取與分類， 實(shí)現(xiàn)癲癇腦電的分類與自動(dòng)識(shí)別，從而減輕醫(yī)生的負(fù)擔(dān)，提高系統(tǒng)對(duì)腦電圖診 斷的效率。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種癲癇腦電自動(dòng)分類模型的獲取方法、系統(tǒng)及 分類系統(tǒng)，通過采用遷移學(xué)習(xí)對(duì)時(shí)頻圖進(jìn)行自動(dòng)特征提取，在降低對(duì)大量特 征處理時(shí)間的基礎(chǔ)上，又減少了參數(shù)調(diào)試以及參數(shù)學(xué)習(xí)的工作量，大大節(jié)約了 網(wǎng)絡(luò)模型搭建和訓(xùn)練的時(shí)間，從而提高系統(tǒng)及模型對(duì)腦電信號(hào)分類的效率。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種癲癇腦電自動(dòng)分類系統(tǒng)，所述系統(tǒng)包括有效腦電信號(hào)獲取模塊、時(shí)頻 圖獲取模塊、分類模塊以及輸出模塊；

所述有效腦電信號(hào)獲取模塊用于對(duì)待分類的腦電信號(hào)進(jìn)行小波變換，獲得 有效頻帶范圍的腦電信號(hào)，記為有效腦電信號(hào)；

所述時(shí)頻圖獲取模塊用于對(duì)所述有效腦電信號(hào)進(jìn)行短時(shí)傅里葉變換，獲得 反應(yīng)時(shí)間和頻率的時(shí)頻圖；

所述分類模塊用于利用TensorFlow框架對(duì)所述時(shí)頻圖進(jìn)行分類，得到模 型分類結(jié)果；所述TensorFlow框架是利用初始Inception-V3卷積神經(jīng)網(wǎng)絡(luò)模型 對(duì)所述時(shí)頻圖進(jìn)行遷移學(xué)習(xí)來得到特征向量，再將所述特征向量輸入優(yōu)化后的 Inception-V3卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類的；

所述輸出模塊用于輸出所述優(yōu)化后的Inception-V3卷積神經(jīng)網(wǎng)絡(luò)模型的分 類結(jié)果。

一種癲癇腦電自動(dòng)分類模型的獲取方法，所述方法包括：

對(duì)待分類的腦電信號(hào)進(jìn)行多層小波分解，獲得有效頻帶范圍的腦電信號(hào)， 記為有效腦電信號(hào)；所述小波分解的層數(shù)由所述待分類的腦電信號(hào)的采樣頻率 決定；