一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法

1.本发明涉及一种癫病发作信号检测方法，特别涉及一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法。


背景技术：

2.据世界卫生组织称，癫痫是影响全世界人民的最普遍的神经系统疾病之一，是仅次于中风的第二大最常见的神经系统疾病，据估计，世界上大约有5000万人患有这种疾病。癫痫以发作为特征，癫痫发作是由脑异常、过度或同步的神经元活动引起的。这些可能会导致身体症状的出现，从身体整体或部分无法控制的身体反应到意识的完全丧失。这些症状严重时会导致自我受到伤害甚至死亡。癫痫发作可预测性的不确定性可能会对癫痫患者的财务、身体和心理造成重大不利影响，并且对整个家庭的负担极大。与此同时30％的癫痫患者对抗癫痫药物有抗药性，耐药癫痫患者的全因死亡风险较高，包括癫痫患者的突然意外死亡(sudep)。癫痫猝死症是慢性耐药癫痫的主要死亡原因，也是50岁以下患者的常见死亡原因。但是据世界卫生组织(世卫组织)报告，如果得到适当治疗，70％的癫痫患者可以摆脱癫痫发作。因此，早期发现和诊断癫痫患者对于提高生活质量至关重要。
3.脑电波(electroencephalogram,eeg)是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑电图(eeg)记录是一种非侵入性的过程，通常用于监测和诊断癫痫。脑电图记录来自于各种不同的电极，这些电极被连接到病人的头皮上。这些记录反映了大脑内部的电流信息，可以有效地识别大脑异常的状态。
4.脑电图中癫痫异常的检测需要由经验丰富的神经学家和癫痫学家进行直接检查，仅仅看一个病人的脑电图记录就需要花费大量的时间，不仅耗时而且使得整个过程非常累人和繁琐。此外，不同诊断经验和水平的专家对诊断结果可能会有不同的看法。因此，开发用于癫痫诊断的自动化计算机系统至关重要。
5.目前脑电图(eeg)已成为诊断癫痫的有效筛查手段。但由于长期、连续的eeg来人工检测癫痫发作是一项耗时费力的任务，自动化、及时的检测癫痫发作可以大大提高诊断效率，减少工作量。
6.一般传统特征提取包括时域、频域、时频域，不仅耗时耗力，而且准确度不高。近年来，许多研究开始关注先进的深度学习技术在eeg信号分类中的应用，人们提出了多种基于脑电的自动识别癫病发作的检测方法，包括支持向量机(svm)，随机森林(rf)，k-nearest neighbor(knn)，人工神经网络(ann)，卷积神经网络(cnn)或长短期记忆(lstm)。这些方法虽然都取得了非常良好的测试性能，但是如何设计一个具有鲁棒性，精确性和实时性的分类模型仍然是一个巨大的挑战。许多传统方法将从不同通道的网络中提取的特征直接连接到分类器上，忽略了深度学习方法的特征提取能力。此外，许多基于深度学习的方法将原始
信号串联到机器学习模型中，导致维数灾难，时间和空间都消耗较大，影响了模型的效率和性能。
7.中国专利cn106821376a公开了一种基于深度学习算法的癫痫发作预警系统及方法，其通过佩戴脑电采集装置采集患者癫痫发作前5分钟和发作时的持续脑电信号，分割成每段10秒的脑电信号，利用小波变换方法对脑电信号进行滤波并提取其节律信息；将获取的节律信息分别送入深度学习框架一和二进行训练，分别得到训练完的深度学习模型一和二，并存储于服务器中；利用深度学习模型一进行脑电节律信息的判别，存在发作风险时，服务器向患者发出警报，并将预警及定位发送给预设置的联系人及医院；深度学习模型二通过患者评价此次预警准确性及根据深度学习模型二判别癫痫是否发作，若发作，则自动将癫痫发作前5分钟持续脑电节律信息送到深度学习框架一进行再训练。虽然能够对癫病发作进行预警，但具有需要对数据进行预处理，深度学习方法表达不清晰，并且不能与穿戴设备直接匹配使用的缺点。


技术实现要素：

8.为了克服上述现有技术的不足，本发明的目的在于提供一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法，通过深度特征提取和长短期记忆动态选择脑电通道并表达癫病特征，使其融合特征具有记忆能力，在提升癫病检测率的同时具有可解释性，还减少了对原始数据的处理，更适合于脑机接口技术(bci)等的实时应用，具有操作简单，准确率高的特点。
9.为了实现上述目的，本发明采取的技术方案是：
10.一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法，包括以下步骤：
11.1)将通过脑电设备采集的多通道脑电数据记为x,本文使用的数据集是公共uci癫痫发作识别数据集，对所采集的多通道脑电数据x设置标签y，标签y具体包括以下为五类状态：
12.(1.1)癫痫发作情况:癫痫发作活动的受试者记录；
13.(1.2)第一正常状态:受试者在睁眼记录脑电图信号时的记录；
14.(1.3)第二正常状态:受试者在记录脑电图信号时闭上眼睛的记录；
15.(1.4)第三正常状态:采集受试者健康脑区脑电图信号记录；
16.(1.5)第四正常状态:记录受试者大脑肿瘤所在区域的脑电图信号；
17.将多通道脑电数据x和标签y作为训练数据集{(x(i)，y(i))，i＝1,2，
…
，m}，m为训练样本数量；
18.2)对训练数据进行预处理：对原始训练集中的脑电数值性信号保存下来，并按照采集脑电信号电极数量生成多通道脑电矩阵训练集{(s(i)，y(i))，i＝1,2，
…
，m}，具体为：
19.(2.1)通过深度神经网络表达脑电数据s(i)的全通道深度特征全通道深度特征为向量并反映多通道脑电信号的全局特征；
20.(2.2)将脑电数据s(i)进行归一化处理后，放入卷积神经网络后得到一个新的脑电信号全局特征
21.所述卷积神经网络包括卷积层，池化层，全连接层，dropout layer层；所述卷积层有四个，分别是1
×
64，1
×
128，1
×
512，1
×
1024；池化层有一个1
×
2；全连接层有一个；dropout layer层有一个；
22.(2.3)将卷积神经网络得到的新的脑电信号全局特征放入lstm网络模型；所述lstm网络包括全连接层，dropout layer层，lstm层，softmax层；所述全连接层有四个，分别是64,128,256个神经元；dropout layer层有一个；lstm层有两个，64个神经单元；softmax层有一个二分类；
23.lstm网络的基本单元包括遗忘门、输入门和输出门；遗忘门输入xi与状态s
t-1
、中间输出h
i-1
共同决定状态记忆单元遗忘部分；输入门中的xi分别经过sigmoid和tanh函数变化后共同决定记忆单元中保留向量；中间输出hi由更新后的s
t
与输出o
t
共同决定，计算公式为：
24.f
t
＝σ(w
fx
x
t
+w
fhht-1
+bf)
25.i
t
＝σ(w
ix
x
t
+w
ihht-1
+bi)
26.g
t
＝φ(w
gx
x
t
+w
ghht-1
+bg)
27.o
t
＝σ(w
ox
x
t
+w
ohht-1
+bo)
[0028][0029][0030]
式中f
t
，i
t
，g
t
，o
t
和s
t
分别为遗忘门、输入门、输入节点、输出门、中间输出和状态单元的状态；w
fx
，w
fh
，w
ix
，w
ih
，w
gx
，w
ox
和w
oh
分别为相应们和输入x
t
和中间输出h
t-1
相乘的矩阵权重；bf，bi，bg，bo分别为相应门的偏置项；表示向量中元素按位相乘；σ表示sigmoid函数变化；φ表示tanh函数变化；
[0031]
(2.4)最后的分类结果通过softmax分类器的特征融合函数获得；经过训练后，得到参数集合组成的卷积神经网络和长短期记忆模型；
[0032]
3)重复步骤1)，重新采集待检测多通道癫痫病人脑电信号h；
[0033]
4)用步骤2)方法对待检测多通道信号h进行预处理，获得待检测的多通道脑电矩阵g；
[0034]
5)将待检测的多通道脑电矩阵g输入到训练好的卷积神经网络和长短期记忆模型，得到分类结果z；
[0035]
6)根据模型分类结果z，深度学习模型对待检测癫痫病人脑电数据h的脑电类型即癫病和非癫病自动进行标记分类。
[0036]
至此，完成基于卷积神经网络和长短期记忆模型的脑电癫病发作信号检测过程。
[0037]
相比于现有技术，本发明的优点在于：
[0038]
本发明提供了一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法，通过从多个通道的脑电信号中通过卷积神经提取局部特征，然后将一维链式特征传入lstm模型，最后通过softmax层输出预测值，能够从原始脑电信号中选择并提取更有效的脑电特征，并对特征进行表示，使其具有更明显的时空相关性和判别性，即具有记忆能力；而且本发明进行测试时，取得了较高的分类准确率；与以往研究相比，本发明对原始数据的预处理较少，更适合于脑机接口技术(bci)等的实时应用，具有操作简单，准确率高的特点。
附图说明
[0039]
图1是本发明的流程图。
[0040]
图2是本发明的模型结构图。
具体实施方式
[0041]
下面结合附图对本发明进行详细描述。
[0042]
参照图1和图2，一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法流程示意图，包括以下步骤：
[0043]
1)将通过脑电设备采集的多通道脑电数据记为x,本文使用的数据集是公共uci癫痫发作识别数据集，对所采集的多通道脑电数据x设置标签y，标签y具体包括以下为五类状态：
[0044]
(1.1)癫痫发作情况:癫痫发作活动的受试者记录；
[0045]
(1.2)第一正常状态:受试者在睁眼记录脑电图信号时的记录；
[0046]
(1.3)第二正常状态:受试者在记录脑电图信号时闭上眼睛的记录；
[0047]
(1.4)第三正常状态:采集受试者健康脑区脑电图信号记录；
[0048]
(1.5)第四正常状态:记录受试者大脑肿瘤所在区域的脑电图信号；
[0049]
将多通道脑电数据x和标签y作为训练数据集{(x(i)，y(i))，i＝1,2，
…
，m}，m为训练样本数量；
[0050]
2)对训练数据进行预处理：对原始训练集中的脑电数值性信号保存下来，并按照采集脑电信号电极数量生成多通道脑电矩阵训练集{(s(i)，y(i))，i＝1,2，
…
，m}，具体为：
[0051]
(2.1)通过深度神经网络表达脑电数据s(i)的全通道深度特征全通道深度特征为向量并反映多通道脑电信号的全局特征；
[0052]
(2.2)将脑电数据s(i)进行归一化处理后，放入卷积神经网络后得到一个新的脑电信号全局特征
[0053]
所述卷积神经网络包括卷积层，池化层，全连接层，dropout layer层；所述卷积层有四个，分别是1
×
64，1
×
128，1
×
512，1
×
1024；池化层有一个1
×
2；全连接层有一个；dropout layer层有一个；
[0054]
(2.3)将卷积神经网络得到的新的脑电信号全局特征放入lstm网络模型；所述lstm网络包括全连接层，dropout layer层，lstm层，softmax层；所述全连接层有四个，分别是64,128,256个神经元；dropout layer层有一个；lstm层有两个，64个神经单元；softmax层有一个二分类；
[0055]
lstm网络的基本单元包括遗忘门、输入门和输出门；遗忘门输入xi与状态s
t-1
、中间输出h
i-1
共同决定状态记忆单元遗忘部分；输入门中的xi分别经过sigmoid和tanh函数变化后共同决定记忆单元中保留向量；中间输出hi由更新后的s
t
与输出o
t
共同决定，计算公式为：
[0056]ft
＝σ(w
fx
x
t
+w
fhht-1
+bf)
[0057]it
＝σ(w
ix
x
t
+w
ihht-1
+bi)
[0058]gt
＝φ(w
gx
x
t
+w
ghht-1
+bg)
[0059]ot
＝σ(w
ox
x
t
+w
ohht-1
+bo)
[0060][0061][0062]
式中f
t
，i
t
，g
t
，o
t
和s
t
分别为遗忘门、输入门、输入节点、输出门、中间输出和状态单元的状态；w
fx
，w
fh
，w
ix
，w
ih
，w
gx
，w
ox
和w
oh
分别为相应们和输入x
t
和中间输出h
t-1
相乘的矩阵权重；bf，bi，bg，bo分别为相应门的偏置项；表示向量中元素按位相乘；σ表示sigmoid函数变化；φ表示tanh函数变化；
[0063]
(2.4)最后的分类结果通过softmax分类器的特征融合函数获得；经过训练后，得到参数集合组成的卷积神经网络和长短期记忆模型；
[0064]
3)重复步骤1)，重新采集待检测多通道癫痫病人脑电信号h；
[0065]
4)用步骤2)方法对待检测多通道信号h进行预处理，获得待检测的多通道脑电矩阵g；
[0066]
5)将待检测的多通道脑电矩阵g输入到训练好的卷积神经网络和长短期记忆模型，得到分类结果z；
[0067]
6)根据模型分类结果z，深度学习模型对待检测癫痫病人脑电数据h的脑电类型即癫病和非癫病自动进行标记分类。
[0068]
至此，完成基于卷积神经网络和长短期记忆模型的脑电癫病发作信号检测过程。
[0069]
本发明的工作原理为：
[0070]
首先将医生用脑电采集设备采集的多通道脑电数据x，即通过精密的仪器从头皮上将脑补的大脑皮层的自发性生物电位加以放大记录而获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。这种电活动是以电位作为纵轴，时间为横轴，从而记录下来的电位与时间相互关系的平面图。脑电波的频率(周期)、波幅和相位构成了脑电图的基本特征。对所采集的多通道脑电数据x设置标签y，标签y具体包括以下为五类状态：
[0071]
(1.1)癫痫发作情况:癫痫发作活动的受试者记录；
[0072]
(1.2)第一正常状态:受试者在睁眼记录脑电图信号时的记录；
[0073]
(1.3)第二正常状态:受试者在记录脑电图信号时闭上眼睛的记录；
[0074]
(1.4)第三正常状态:采集受试者健康脑区脑电图信号记录；
[0075]
(1.5)第四正常状态:记录受试者大脑肿瘤所在区域的脑电图信号；
[0076]
将多通道脑电数据x和标签y作为训练数据集{(x(i)，y(i))，i＝1,2，
…
，m}，m为训练样本数量。
[0077]
再对训练数据集进行预处理。将训练数据集中的脑电信号转为电极电压数字，并按照电极数量生成多通道脑电矩阵训练集{(s(i)，y(i))，i＝1,2，
…
，m}，用生成的脑电矩阵训练集{(s(i)，y(i))，i＝1,2，
…
，m}训练卷积神经网络和长短期记忆模型。
[0078]
具体为：本发明提出的一维cnn-lstm模型由一个输入层、四个卷积层、一个池化层、四个全连接层、两个lstm层，一个输出层，为了防止过度拟合，加入了drop层。
[0079]
首先将预处理好的一维脑电信号数据直接输入到模型的输入层；然后对输入的数据进行一维卷积操作是为了提取脑电信号的抽象特征，具体的卷积操作为：conv1d layer1
中的一维卷积核数分别为64，128,256，1024，卷积核大小为3
×
1，步长为1。非线性的整流线性单元为(relu)激活层，relu激活功能，有助于避免过拟合问题。在经过一维卷积层后，进入到池化层，池化层的作用是保留主要特征的同时减少参数(降低纬度)和计算量，防止过拟合。池化层过后随后又是一个与前面相同的卷积层，进入到全连接层，这里为了也是为了防止过度拟合，加了一个dropout层。输出的特征经过fc layer1后，送入lstm层，lstm层可以从eeg时间序列数据中学习有用信息的能力。lstm layer1和lstm layer1有64个神经元单位。在特征通过lstm层之后，输出特征将被送到又一个fc layer2层，fc layer2有256个神经元；随后再经过fc layer3和fc layer4两个全连接层，他们分别为128,64个神经元，最后直接将cnn特征提取后的最终数据保留下来，然后将输出的数据输入到softmax层进行分类，softmax分类器会把最终的特征向量映射成为(0,1)的值，而这些值的累计和为1(满足概率的性质)，那么在最后选取输出结点的时候，也就是把概率最大(也就是值对应最大的)结点，作为预测的目标结果输出。该模型的详细配置可以根据识别任务的具体情况进行调整。
[0080]
以上所述仅为本发明较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、修正等、均应包含在本发明的保护范围之内。