[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

本發明公開了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，其中的方法選取出現紡錘波的腦電通道數據作為數據基礎，將紡錘波識別轉化為二分類問題。通過降采樣將數據片段統一長度作為原始數據集。通過設計一個輕量卷積神經網絡模型，直接提取時間序列信號的深層特征，根據腦電信號非平穩隨機性的特點，計算時間序列的小波熵、樣本熵和排序熵，將其組成信息熵向量輔助模型訓練，得到最終的分類結果。本發明模型網絡層數少，計算復雜度低，融入衡量復雜系統秩序的信息熵輔助判斷，在無需先驗知識情況下，實現對睡眠腦電紡錘波的識別。

技術領域

本發明涉及機器學習技術領域，具體涉及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。

背景技術

睡眠紡錘波是一種診斷神經性疾病、衡量睡眠質量的生物標志物，具有很重要的臨床價值。當前對于紡錘波的診斷識別主要依靠專家通過腦電圖的視覺檢查來完成，成本高效率低且一致性差。所以亟需一種即靈敏又精確的自動檢測器來解決這個問題。

眾多的紡錘波識別框架和方法主要分為兩類，一類是基于信號處理的方法，利用帶通濾波和振幅閾值進行檢測；另一類是基于分類器的方法，通過傅里葉變換、小波變換等各類特征提取方法提取特征后使用分類器進行分類。本發明主要關注的是機器學習的方法，旨在實現一種穩定性強且分類效率高，能夠滿足潛在大數據應用需求的睡眠紡錘波檢測方法。在過去幾十年的研究中，相關學者提出大量基于機器學習的睡眠腦電紡錘波識別方法，也取得了一些成就。

然而當前的方法主要通過先驗知識，提取腦電信號在頻率、幅度、波形等特征，再進行特征選擇后再使用分類器進行分類。然而睡眠紡錘波的特征如振幅、持續時間等對個體來說是穩定的，但是個體之間具有差異性。因此這種方法容易受到異常個體的影響，穩定性差且計算復雜度高。

由此可知，現有技術中的方法存在穩定性差且計算復雜度高的技術問題。

發明內容

本發明提出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，用于解決或者至少部分解決現有技術的方法存在的穩定性差且計算復雜度高的技術問題。

為了解決上述技術問題，本發明第一方面提供了一種基于輕量卷積神經網絡的睡眠腦電紡錘波識別方法，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。

在一種實施方式中，步驟S1包括：

S1.1：在原始腦電數據中截取出專家標注為紡錘波片段，并對長度超過0.5s*Fs的紡錘波片段進行下采樣，將片段長度統一到0.5s*Fs作為紡錘波的數據集，其中Fs表示采樣頻率，將剩余片段也以0.5s*Fs的長度為單位進行截取，并隨機選出與紡錘波數量相同的片段，作為非紡錘波片段，每個片段表示為其中，x_a表示第a個片段中的時間序列，n表示該為時間序列信號片段的點的個數；

S1.2：對于非紡錘波和紡錘波片段分別用0和1進行標記；若為紡錘波片段，則標記為1，否則標記0。

在一種實施方式中，S2包括：

S2.1：計算時間序列的小波熵，其具體步驟如下：