[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

本發明公開了一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，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：用于得到預處理癲癇腦電信號；小波系數獲取模塊：用于提取小波系數；統計特征值提取模塊：用于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：用于判斷是否癲癇發作。本發明基于深度玻爾茲曼機模型，通過DWT對EEG信號頻譜時間統計的特征被用作訓練的輸入，以減少特征維數，有效聚類癲癇和非癲癇事件，促進后續癲癇檢測分類更加穩健和可靠。

技術領域

本發明涉及一種癲癇信號檢測技術領域，尤其涉及一種基于深度玻爾茲曼機的特征表征癲癇檢測系統。

背景技術

基于疾病診斷的深度學習算法研究具有非常重要的意義。其中，有監督的癲癇檢測技術需要大量的監控工具和醫生對腦電（electroencephalogram，EEG）信號的標記。這些信號復雜多樣，很多具有良好性能的有監督學習網絡往往在學習的過程中失去泛化能力，從而降低魯棒性。此外，隨著癲癇疾病的發展，相應的腦電圖足跡模式不斷演變，使得經過訓練的學習模型過時且不穩健。這些問題可以通過無監督學習自然避免，無監督學習涉及建模和理解復雜數據的結構，通過提取基本的潛在屬性并降低其維數，以便更好地表示復雜數據。一旦找到良好的表示，推斷的潛在變量可以幫助解決后續的監督學習任務。

為此，我們提出一種基于深度玻爾茲曼機的特征表征癲癇檢測系統。

發明內容

本發明的目的在于提供一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，解決了現有技術中如何在不進行標簽劃分、以及不了解病人癲癇病史的情況下，直接對癲癇信號的特征進行訓練，使含有重要潛在信息的數據在低維空間實現線性可分，為良好的分類做好準備，在臨床應用中具有很大的潛力。

本發明采用的技術方案如下：

一種基于深度玻爾茲曼機的特征表征癲癇檢測系統，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。

進一步地，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。

進一步地，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。

進一步地，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；