[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶的腦電癲病發(fā)作信號檢測方法

在審

• 申請?zhí)枺?/td>: 202210453005.4
• 申請日: 2022-04-27
• 公開（公告）號: CN114699093A
• 公開（公告）日: 2022-07-05
• 發(fā)明（設(shè)計）人: 馬亞紅;黃珍濤;蘇建云;蔣睿;高宇杰;楊欽
• 申請（專利權(quán)）人: 西京學(xué)院
• 主分類號: A61B5/372
• 分類號: A61B5/372;A61B5/00;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 西安智大知識產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 王晶

一種基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶的腦電癲病發(fā)作信號檢測方法，將所采集的多通道腦電數(shù)據(jù)設(shè)置標(biāo)簽，對訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，分類結(jié)果通過分類器的特征融合函數(shù)獲得，重新采集待檢測多通道癲癇病人腦電信號并進(jìn)行預(yù)處理獲得多通道腦電矩陣，再輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶模型，得到分類結(jié)果，深度學(xué)習(xí)模型對待檢測癲癇病人腦電數(shù)據(jù)H的腦電類型即癲病和非癲病自動進(jìn)行標(biāo)記分類；本發(fā)明通過深度特征提取和長短期記憶動態(tài)選擇腦電通道并表達(dá)癲病特征，減少了對原始數(shù)據(jù)的處理，并在提升癲病檢測率的同時，具有可解釋性，還能與穿戴設(shè)備直接匹配使用，具有操作簡單，準(zhǔn)確率高的特點。

技術(shù)領(lǐng)域

本發(fā)明涉及一種癲病發(fā)作信號檢測方法，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶的腦電癲病發(fā)作信號檢測方法。

背景技術(shù)

據(jù)世界衛(wèi)生組織稱，癲癇是影響全世界人民的最普遍的神經(jīng)系統(tǒng)疾病之一，是僅次于中風(fēng)的第二大最常見的神經(jīng)系統(tǒng)疾病，據(jù)估計，世界上大約有5000萬人患有這種疾病。癲癇以發(fā)作為特征，癲癇發(fā)作是由腦異常、過度或同步的神經(jīng)元活動引起的。這些可能會導(dǎo)致身體癥狀的出現(xiàn)，從身體整體或部分無法控制的身體反應(yīng)到意識的完全喪失。這些癥狀嚴(yán)重時會導(dǎo)致自我受到傷害甚至死亡。癲癇發(fā)作可預(yù)測性的不確定性可能會對癲癇患者的財務(wù)、身體和心理造成重大不利影響，并且對整個家庭的負(fù)擔(dān)極大。與此同時30％的癲癇患者對抗癲癇藥物有抗藥性，耐藥癲癇患者的全因死亡風(fēng)險較高，包括癲癇患者的突然意外死亡(SUDEP)。癲癇猝死癥是慢性耐藥癲癇的主要死亡原因，也是50歲以下患者的常見死亡原因。但是據(jù)世界衛(wèi)生組織(世衛(wèi)組織)報告，如果得到適當(dāng)治療，70％的癲癇患者可以擺脫癲癇發(fā)作。因此，早期發(fā)現(xiàn)和診斷癲癇患者對于提高生活質(zhì)量至關(guān)重要。

腦電波(Electroencephalogram,EEG)是一種使用電生理指標(biāo)記錄大腦活動的方法，大腦在活動時，大量神經(jīng)元同步發(fā)生的突觸后電位經(jīng)總和后形成的。它記錄大腦活動時的電波變化，是腦神經(jīng)細(xì)胞的電生理活動在大腦皮層或頭皮表面的總體反映。腦電圖(EEG)記錄是一種非侵入性的過程，通常用于監(jiān)測和診斷癲癇。腦電圖記錄來自于各種不同的電極，這些電極被連接到病人的頭皮上。這些記錄反映了大腦內(nèi)部的電流信息，可以有效地識別大腦異常的狀態(tài)。

腦電圖中癲癇異常的檢測需要由經(jīng)驗豐富的神經(jīng)學(xué)家和癲癇學(xué)家進(jìn)行直接檢查，僅僅看一個病人的腦電圖記錄就需要花費大量的時間，不僅耗時而且使得整個過程非常累人和繁瑣。此外，不同診斷經(jīng)驗和水平的專家對診斷結(jié)果可能會有不同的看法。因此，開發(fā)用于癲癇診斷的自動化計算機(jī)系統(tǒng)至關(guān)重要。

目前腦電圖(EEG)已成為診斷癲癇的有效篩查手段。但由于長期、連續(xù)的EEG來人工檢測癲癇發(fā)作是一項耗時費力的任務(wù)，自動化、及時的檢測癲癇發(fā)作可以大大提高診斷效率，減少工作量。

一般傳統(tǒng)特征提取包括時域、頻域、時頻域，不僅耗時耗力，而且準(zhǔn)確度不高。近年來，許多研究開始關(guān)注先進(jìn)的深度學(xué)習(xí)技術(shù)在EEG信號分類中的應(yīng)用，人們提出了多種基于腦電的自動識別癲病發(fā)作的檢測方法，包括支持向量機(jī)(SVM)，隨機(jī)森林(RF)，K-NearestNeighbor(KNN)，人工神經(jīng)網(wǎng)絡(luò)(ANN)，卷積神經(jīng)網(wǎng)絡(luò)(CNN)或長短期記憶(LSTM)。這些方法雖然都取得了非常良好的測試性能，但是如何設(shè)計一個具有魯棒性，精確性和實時性的分類模型仍然是一個巨大的挑戰(zhàn)。許多傳統(tǒng)方法將從不同通道的網(wǎng)絡(luò)中提取的特征直接連接到分類器上，忽略了深度學(xué)習(xí)方法的特征提取能力。此外，許多基于深度學(xué)習(xí)的方法將原始信號串聯(lián)到機(jī)器學(xué)習(xí)模型中，導(dǎo)致維數(shù)災(zāi)難，時間和空間都消耗較大，影響了模型的效率和性能。