[發(fā)明專利]基于時序特征和堆疊Bi-LSTM網絡的棘波檢測方法

有效

• 申請?zhí)枺?/td>: 202011504990.4
• 申請日: 2020-12-18
• 公開（公告）號: CN112603334B
• 公開（公告）日: 2022-04-08
• 發(fā)明（設計）人: 曹九穩(wěn);徐鎮(zhèn)迪;胡丁寒;蔣鐵甲;高峰
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/372;A61B5/374;A61B5/00
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發(fā)明公開了一種基于時序特征提取和堆疊Bi?LSTM網絡的棘波檢測方法。首先對輸入的原始單通道腦電信號進行預處理操作，對預處理完的腦電信號進行分割，得到腦電信號片段，通過兩種時序特征提取算法得到平滑非線性能量特征和形態(tài)學特征，對得到的兩種時序特征進行裁剪以保證長度與腦電信號片段一致后，與腦電信號片段拼接得到特征矩陣，再利用得到的特征矩陣和標注信息，訓練堆疊Bi?LSTM網絡模型；最后采用測試數據對訓練好的堆疊Bi?LSTM網絡模型進行測試，根據測試結果進行模型性能優(yōu)化。本發(fā)明方法通過循環(huán)神經網絡模型對腦電時序特征進行有效學習達到對棘波放電精準檢測的效果；能夠同時檢測棘波以及其產生通道位置。

技術領域

本發(fā)明屬于腦電信號處理領域，涉及一種基于時序特征提取和堆疊雙向長短時記憶(stack Bi-LSTM)網絡的棘波檢測方法。

背景技術

癲癇是常見的慢性神經系統(tǒng)疾病，嚴重威脅兒童、成人的生命健康。棘波以及其復合波形是癲癇發(fā)作的病理性基礎，棘波放電時間以及放電位置等相關參數具有較大意義，確定這些參數的首要步驟就是棘波檢測。

現有的棘波檢測方法主要分為兩種，傳統(tǒng)方法往往偏向于特征工程，通過設計一種或多種能夠表征棘波特點的特征后通過閾值法等較為簡單的分類方法將信號區(qū)分為棘波與非棘波；深度學習方法則傾向于通過設計深度神經網絡分類模型，直接將原始腦電信號或是幾類基礎特征作為輸入進行分類。這些檢測方法存在以下缺點：

1.傳統(tǒng)方法由于分類器性能較弱，因此對提取特征的表征能力較為苛刻，為提高模型性能往往需要提取多種特征，計算復雜度較高；

2.深度學習方法一般采用全連接神經網絡或卷積神經網絡，不能有效利用腦電信號作為一種時序信號的特點。

本發(fā)明基于循環(huán)神經網絡能夠接收多通道時序特征的特點，提出了一種棘波放電檢測算法，通過在腦電信號中提取兩種能夠凸顯棘波特點的腦電時序特征，聯(lián)合原信號進行檢測，實現精度更高、抗干擾能力更強的棘波檢測效果。

發(fā)明內容

本發(fā)明針對現有棘波檢測方案的不足，提出了一種基于時序特征和堆疊Bi-LSTM網絡的棘波檢測方法。本發(fā)明能夠實現自動提取腦電信號片段兩種時序特征，與腦電信號進行特征融合并完成高精度的棘波分類檢測。

本發(fā)明的技術方案主要包括如下步驟：

步驟1、對輸入的已經過預標記的原始單通道腦電信號進行預處理操作，所述的預標記為對原始單通道腦電信號標記棘波和非棘波時間點；所述的預處理操作包括級聯(lián)濾波和標準化處理；最后，依據檢測目標波形時長特征，在時域對預處理完的腦電信號進行分割，得到腦電信號片段，并對訓練集棘波數據進行數據增強。

步驟2、在分割后得到腦電信號片段上通過兩種時序特征提取算法得到對突變峰信號敏感的平滑非線性能量特征和能夠保持棘波完整性的同時抑制其他波形幅值的形態(tài)學特征，對得到的兩種時序特征進行裁剪以保證長度與腦電信號片段一致后，與腦電信號片段拼接得到特征矩陣。

步驟3、利用得到的特征矩陣和標注信息，訓練堆疊Bi-LSTM網絡模型。

步驟4、采用測試數據對訓練好的堆疊Bi-LSTM網絡模型進行測試，并統(tǒng)計四個基本參數，用于衡量模型的識別性能，根據測試結果對堆疊Bi-LSTM網絡模型進行性能優(yōu)化。

所述步驟1的具體實現如下：

1-1.將原始輸入的單通道腦電信號利用1-70HZ帶通濾波器取得腦電能量信號最集中的頻段，再利用50HZ陷波濾波器進行濾波去除工頻噪聲。

1-2.通過Savitzky-Golay濾波算法，利用三階多項式依據最小二乘準則擬合濾波窗口內的信號數據，再通過已求得的多項式參數計算窗口中心點的函數值以代替原有數值。能在較好保留波形極值分布特征的同時，對信號的高頻毛刺信號進行濾除，對腦電信號中存在咀嚼吞咽等偽跡干擾也具有一定效果。