[發明專利]一種基于深度玻爾茲曼機的特征表征癲癇檢測系統

在審

• 申請號: 202211276674.5
• 申請日: 2022-10-19
• 公開（公告）號: CN115358279A
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 劉藤子;楊冬平
• 申請（專利權）人: 之江實驗室
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N7/00;A61B5/374;A61B5/00
• 代理公司: 北京志霖恒遠知識產權代理有限公司 11435
• 代理人: 戴莉

1.一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，其特征在于，包括：

數據獲取模塊：用于從現有癲癇數據庫中獲取癲癇腦電信號；

數據處理模塊：用于對所述癲癇腦電信號進行預處理，得到預處理癲癇腦電信號；

小波系數獲取模塊：用于利用小波變換分析所述預處理癲癇腦電信號的時域和頻域，提取所述預處理癲癇腦電信號在癲癇發生頻率段的小波系數；

統計特征值提取模塊：用于利用所述小波系數計算所述預處理癲癇腦電信號在時域和頻域的特征值；

深度玻爾茲曼機模型訓練模塊：用于將所述特征值輸入至深度玻爾茲曼機模型，并采用前向傳播和基于CD-1算法的參數更新方式對深度玻爾茲曼機模型的網絡進行訓練，直至完成深度玻爾茲曼機模型的訓練；

癲癇檢測模塊：用于利用訓練完的深度玻爾茲曼機模型得到正向條件概率特征，并采用具有線性核的支持向量機對正向條件概率特征進行不同類別的線性分割，得到輸出的值用于判斷是否癲癇發作。

2.如權利要求1所述的一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，其特征在于，所述數據處理模塊的具體處理過程為：對所述癲癇腦電信號進行通道選擇，并對通道選擇后的癲癇腦電信號做滑窗處理，得到預處理癲癇腦電信號。

3.如權利要求1所述的一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，其特征在于，所述小波系數獲取模塊包括：

頻率段獲取單元：用于利用連續小波變換繪制所述預處理癲癇腦電信號中的每一段癲癇片段的時-頻譜圖，確定癲癇發生頻率段；

小波系數提取單元：用于利用離散小波變換對所述預處理癲癇腦電信號中的確定癲癇發生頻率段的若干癲癇片段進行濾波，提取小波系數。

4.如權利要求1所述的一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，其特征在于，所述深度玻爾茲曼機模型訓練模塊具體的訓練過程為：

步驟S1：搭建深度玻爾茲曼機模型的網絡層，設置網絡層數量和網絡參數值，所述網絡參數值包括權值和偏差；

步驟S2：依次將所述深度玻爾茲曼機模型中的相鄰網絡層作為一個單元的RBM網絡訓練模型；

步驟S3：利用CD-1算法進行訓練，將所述特征值作為初始特征值輸入至RBM網絡訓練模型，根據貝葉斯公式得到的正向條件概率公式計算得到正向條件概率，根據貝葉斯公式得到的反向條件概率公式計算得到反向條件概率；

步驟S4：利用所述正向條件概率和所述反向條件概率對所述權值和所述偏差進行更新，得到更新后的權值和偏差，并將更新后的權值和偏差帶入貝葉斯公式得到的正向條件概率公式中重新計算得到更新后的正向條件概率，對更新后的正向條件概率使用吉布斯采樣獲取正向條件概率特征；

步驟S5：將正向條件概率特征作為步驟S3中的初始特征值輸入至下一個RBM網絡訓練模型，遍歷步驟S4-步驟S5，直至最后一個RBM網絡訓練模型輸出最終的正向條件概率、權值和偏差；

步驟S6：利用最后一個RBM網絡訓練模型輸出權值和偏差計算正向條件概率特征，完成深度玻爾茲曼機模型的訓練。

5.如權利要求4所述的一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，其特征在于，所述步驟S1中所述權值的初始值為[0,1]之間的隨機數，所述偏差的初始向量為0。

6.如權利要求4所述的一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，其特征在于，所述偏差包括輸入層偏差和隱含層偏差。

7.如權利要求4所述的一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，其特征在于，所述步驟S4中權值的更新公式為：，偏差的更新公式為：，，其中，為學習率，為更新后的權值，為更新前的權值，為輸入層，為隱藏層，為更新后的輸入層偏差，為更新前的輸入層偏差，為更新后的隱藏層偏差，為更新前的隱藏層偏差，為初始特征值，為反向條件概率，為更新前的正向條件概率，為更新后的正向條件概率。

8.如權利要求1所述的一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，其特征在于，所述癲癇檢測模塊具體包括：

分割單元：用于利用訓練完的深度玻爾茲曼機模型得到正向條件概率特征，采用具有線性核的支持向量機對正向條件概率特征進行不同類別的線性分割，得到輸出值；

檢測單元：用于將輸出值輸出為0或1，其中1代表癲癇發作、0代表非癲癇發作，并判斷癲癇是否發作。