[發明專利]一種基于輕量卷積神經網絡的睡眠腦電紡錘波識別方法及系統

有效

• 申請號: 202011181500.1
• 申請日: 2020-10-29
• 公開（公告）號: CN112294341B
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 陳丹;陳培璐;張壘;陳靚影;李小俚;熊明福
• 申請（專利權）人: 武漢大學
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/374;A61B5/24;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 羅飛

1.一種基于輕量卷積神經網絡的睡眠腦電紡錘波識別方法，其特征在于，包括：

S1：將原始腦電數據截取出相同數量的紡錘波片段和非紡錘波片段；

S2：分別求出每個片段的信息熵，其中，信息熵為由小波熵、樣本熵和排序熵組成的向量；

S3：將紡錘波片段和非紡錘波片段進行標準化處理；

S4：將標準化處理后的數據片段輸入至預先構建的輕量卷積神經網絡中，其中，輕量卷積神經網絡包括三個卷積層、三個池化層、一個平鋪層、兩個全連接層以及輸出層，通過輕量卷積神經網絡的多個層計算后得到深度特征；

S5：將計算得到的深度特征與信息熵向量拼接后得到新的向量輸入到輸出層進行計算，得到最終的識別結果；

其中，S2包括：

S2.1：計算時間序列的小波熵，其具體步驟如下：

S2.1.1：將原始時間序列x(i),i＝1,2,…,N通過小波包分解，將信號分解為J層，在尺度j下，多分辨率的離散小波系數為D_j(k),其中k表示位置系數，則某一時窗長度為L，某個尺度下的信號能量E_j及所有尺度下的總頻率能量E_total分別為：

S2.1.2：計算時間窗口內每個尺度信號的相對能量值為：

S2.1.3：相對小波能量覆蓋信號整個頻段，即∑p_j＝1,計算小波熵為：

S_WE＝-∑_jp_jln(p_j) (2.4)

S2.2：計算時間序列的樣本熵，其計算步驟具體如下：

S2.2.1：時間序列為x(i),i＝1,2,…,N，將其嵌入高維特征空間中，組成m維向量，即將時間序列分成N-m+1個序列：

X_m(i)＝{x(i),x(i+1),…x(i+m-1)} (2.5)

其中i＝1,2,…,N-m+1；

S2.2.2：兩個向量之間的距離為d_ij為兩者對應元素中最大差值的絕對值，即：

d_ij＝d[X_m(i),X_m(j)]＝max(|x(i+k)-x(j+k)|) (2.6)

其中k＝0,1,…m，表示向量中第k個元素；

S2.2.3：計算任意向量X_m(i)與X_m(j)之間距離小于r的個數，定義為其中，r＝0.20*SD，SD表示標準差，然后對所有的i值進行疊加平均，得到模板匹配總數B^m(r)，即：

S2.2.4：將維度增加至m+1，經過S2.2.3同樣的運算得到模板匹配總數為B^m+1(r)，最后得到該時間序列的樣本熵為：

S2.3：對時間序列計算排序熵，其計算的具體步驟如下：

S2.3.1：時間序列為x(i),i＝1,2,…,N，采用相空間重構延遲坐標法對x(i)中任一元素進行相空間重構，組成m維向量：

X_i＝{x(i),x(i+τ),…x(i+(m-1)τ)} (2.9)

其中i＝1,2,…,N-(m-1)*τ；τ表示延遲時間；

S2.3.2：對于重構時間序列X_i，在m維空間中，任意向量都能被映射到m維矢量上，按照遞增順序排列，得到m！種排列方式，將其中一種排列方式定義為π_j(1≤j≤m！)，π_j出現的概率表示為p(π_j)，即：

S2.3.3：最后得到排序熵為