一种基于深度学习算法的癫痫发作预警系统及方法与流程

本发明涉及癫痫发作预警系统及方法，尤其涉及一种基于深度学习算法的癫痫发作预警系统及方法。

背景技术：

癫痫是一种常见的、多发的慢性神经系统疾病。是仅次于脑血管病的第二大顽疾，癫痫发作具有突然性、暂时性和反复性三大特点，给患者身体带来巨大的痛苦。据世界卫生组织报告，全球癫痫患者约5000万人，其中4000万在发展中国家。我国约有900多万癫痫患者，平均每年还会有40万的新发病例。因此，在癫痫发作前，及时采集措施抑制或缓解癫痫发作带来的痛苦，成为广大癫痫病患者的殷切期望，而这一切的根本在于准确的癫痫发作预警。

研究人员Viglione等通过对癫痫患者长期脑电信号的分析，发现癫痫发作并不是突然的，而更有可能是一个需要较长时间逐渐演化的过程。随后的研究进一步证实，在临床癫痫发作之前，患者的脑电图上已表现出如棘波、慢波等癫痫样放电，其时间间隔因人而异，一般在数秒到数分钟之间。有经验的医师能够通过对癫痫样放电的判读，在临床癫痫发作前或早期进行癫痫预警。这也为癫痫预警技术的研究提供了理论依据和研究思路。

癫痫预警的实现方式，是根据癫痫发作前脑电图信号中表现出的棘波、慢波等癫痫样放电，通过设计算法自动识别特征，实现计算机自动癫痫检测。传统的识别算法在对特征提取的过程中往往需要人为设计，因此识别精度并不是很高。深度学习与传统模式识别方法的最大不同在于它是从大数据中自动学习特征，而非采用手工设计的特征。深度学习能够非常有效地从大量有标签数据中深度提取数据的特征信息，充分挖掘数据的内在属性和有价值的表征数据，然后组合低层特征为更加抽象的高层特征，而高级特征则是数据更高级、更本质的描述，由此可以在分类问题上得到更优的结果。

中国专利申请201410403392.6提出了“一种癫痫发作预警系统”，虽然该系统具有计算复杂度低，实时性好的优点，但还存在以下明显不足：一是在特征提取模块中采用经验模态分解算法，首先经验模态分解方法本身是基于一定的假设条件下的，易造成特征提取不稳定，从而进一步造成预警的不准确；二是在分类模块中，最优训练模型的选取具有不稳定性，造成预警的不准确；三是没有通讯模块，不能及时将癫痫发作信息发送给亲属及医疗机构。

综上所述，如何克服现有技术的不足已成为癫痫预警技术领域中亟待解决的重大难题之一。

技术实现要素：

本发明针对现有癫痫预警方法中存在的癫痫放电模式的特征提取不稳定，虚警率高，难以在线预警的缺陷，提出了一种基于深度学习算法的癫痫发作预警系统及方法。

本发明公开了一种基于深度学习算法的癫痫发作预警系统，包括深度学习框架一、深度学习模型一、深度学习框架二、深度学习模型二、脑电采集装置、服务器；

临床采集患者癫痫发作前5分钟的持续脑电信号，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；将获取到的节律信息送入深度学习框架一进行训练，得到训练完的深度学习模型一，并存储于服务器中；

临床上采集患者癫痫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；将获取到的节律信息送入深度学习框架二进行训练，得到训练完的深度学习模型二，并存储于服务器中；

患者通过佩戴带有数据传输功能的脑电采集装置，通过移动通讯网络或者Wifi上传到服务器，服务器将采集到的原始脑电数据利用小波变换方法进行滤波并提取其节律信息；原始脑电信号及节律信息均存储于服务器中；

服务器中存有训练完成后的深度学习模型一，并具有信息交互的功能；利用深度学习模型一进行脑电节律信息的判别，存在癫痫发作风险时，服务器向患者发出警报，并将预警信息及定位发送给预先设置联系方式的亲属，根据定位信息将警报发送给附近医疗机构；

服务器中存有训练完成后的深度学习模型二，并具有信息交互的功能；通过患者评价此次预警准确性以及根据深度学习模型二判别癫痫是否发作，若癫痫发作，则自动将癫痫发作前5分钟持续脑电节律信息送入到深度学习框架一进行再训练，进一步提高预警的准确率。

本发明公开一种基于深度学习算法的癫痫发作预警方法，包括以下步骤：

步骤一，临床采本发明公开了集患者癫痫发作前5分钟的持续脑电信号，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。将获取到的节律信息送入深度学习框架一进行训练，得到训练完的深度学习模型一，并存储于服务器中。

步骤二，临床上采集患者癫痫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。将获取到的节律信息送入深度学习框架二进行训练，得到训练完的深度学习模型二，并存储于服务器中。

步骤三，患者通过佩戴带有数据传输功能的脑电采集装置，通过移动通讯网络或者Wifi上传到服务器，服务器将采集到的原始脑电数据利用小波变换方法进行滤波并提取其节律信息。原始脑电信号及节律信息均存储于服务器中。

步骤四，服务器中存有训练完成后的深度学习模型一，并具有信息交互的功能。利用其进行脑电节律信息的判别，存在癫痫发作风险时，服务器向患者发出警报，并将预警信息及定位发送给预先设置联系方式的亲属，根据定位信息将警报发送给附近医疗机构。

步骤五，服务器中存有训练完成后的深度学习模型二，并具有信息交互的功能。通过患者评价此次预警准确性以及根据深度学习模型二判别癫痫是否发作，若癫痫发作，则自动将癫痫发作前5分钟持续脑电节律信息送入到深度学习框架一进行再训练，进一步提高预警的准确率。

步骤一所述将癫痫发作前5分钟的持续脑电信号，分割成每段10秒的脑电信号，具体为采用滑动时间窗的方法将信号数据进行分段，滑动时间窗长度为10秒，滑动步长为2.5秒。(滑动步长小于滑动时间窗长度一方面可以防止数据间不连贯性，另一方面可以增加数据段样本量。)步骤一所述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，(是由于脑电信号具有非平稳性特点，且在采集过程中易受外界噪声、自身肌电、眼电伪迹信号的干扰，)具体为使用Daubechies正交小波基，对采集到的脑电信号进行多尺度分解，实现对脑电信号进行滤波处理和对脑电节律(δ、θ、α、β)的提取。步骤一所述将获取到的节律信息送入深度学习框架进行训练，深度学习框架采用TensorFlow，得到训练完的深度学习模型一，具体为：

1)将采集并进行预处理得到的脑电节律信号作为训练数据通过输入设备存储于计算机中；

2)前向传播，将样本数据直接输入网络的第1层即输入层，经过中间各隐层，逐层变换，逐层映射，直到输出层；第l层的第j个特征矩阵X_i，j如式(1)所示：

式中：M_j表示作为输入的前一层特征矩阵X_l-1，j集合，b_l.j表示特征矩阵X_l，j的偏置，w_l，j表示特征矩阵X_l，j的一个权值。

3)反向传播，用有标签的原始数据，进一步对整个多层网络模型的参数进行有监督调优,即在反向传播学习过程中进行权值w_l，j更新。

4)得到训练完成后深度训练模型一，作为癫痫发作前特征信号识别判断的依据存储于服务器中。

步骤二所述内容具体表达同上(步骤一)所述。

步骤三所述带有数据传输功能的脑电采集传输，使用目前市场上能获得的，满足信号采集质量要求，能使用移动通讯网络或Wifi进行数据传输的装置。传输的数据经小波变换提取其节律信息，原始信号及节律信息均存储于服务器中。

步骤四所述癫痫发作风险的判别，服务器中已存储有训练完成后的深度学习模型一，利用深度学习模型一具有的信号分类功能，对脑电节律信息进行判别，分类的结果分为两类。一类是无癫痫发作风险，另一类是有癫痫发作风险。

所述服务器中存储的数据有深度学习模型一、二，上传的原始脑电信号，小波变换后脑电节律信息，患者上传的个人信息及联系方式，患者亲属信息及联系方式。服务器具有对深度学习模型一、二再训练的功能。服务器具有信息交互的功能。

有益效果：本发明系统及方法的深度学习算法能够非常有效地从大量有标签数据中深度提取数据的特征信息，使得数据表达出自身更高级、更本质的描述，用于识别癫痫发作前信号特征，实现癫痫预警的高准确性；采集的脑电数据上传到服务器，利用服务器强大的运算能力，能够快速识别数据特征，实现癫痫预警的快速响应；深度学习模型一、二再训练的功能，能够不断提高癫痫预警的准确性。

附图说明

图1为本发明基于深度学习算法的癫痫发作预警系统及方法结构框图；

图2-1为癫痫发作前脑电信号EEG；

图2-2为癫痫发作前经小波变换提取的δ节律信息；

图2-3为癫痫发作前经小波变换提取的θ节律信息；

图2-4为癫痫发作前经小波变换提取的α节律信息；

图2-5为癫痫发作前经小波变换提取的β节律信息；

图3为深度学习模型示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明，但本发明的实施方式不限于此。

如图1所示，本发明提供了一种基于深度学习算法的癫痫发作预警系统，包括深度学习框架一、深度学习模型一、深度学习框架二、深度学习模型二、脑电采集装置、服务器。

具体的实施步骤为：

步骤一：临床采集患者癫痫发作前5分钟的持续脑电信号，分割成每段10秒的脑电信号，具体为：采用滑动时间窗的方法将信号数据进行分段，滑动时间窗长度为10秒，滑动步长为2.5秒。

进一步的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，具体为：使用Daubechies正交小波基，对采集到的脑电信号进行多尺度分解，实现对脑电信号进行滤波处理和对脑电节律(δ、θ、α、β)的提取。

Daubeehies构造紧支集标准正交小波基的方法依赖于下述方程，如(2)所示：

P(y)＝P_N(y)+y^NR(y) (2)

其中N为自然数，是y的奇次多项式。在Daubeehies的构造中，选取R≡0，此时P(y)＝P_N(y)。

进一步的将获取到的节律信息送入深度学习框架进行训练，深度学习框架采用TensorFlow，得到训练完的深度学习模型一，具体为：

1)将采集并进行预处理得到的脑电节律信号作为训练数据通过输入设备存储于计算机中；

2)前向传播，将样本数据直接输入网络的第1层即输入层，经过中间各隐层，逐层变换，逐层映射，直到输出层；第l层的第j个特征矩阵X_i，j如式(1)所示：

式中：M_j表示作为输入的前一层特征矩阵X_l-1，j集合，b_l.j表示特征矩阵X_l，j的偏置，w_l，j表示特征矩阵X_l，j的一个权值。

3)反向传播，用有标签的原始数据，进一步对整个多层网络模型的参数进行有监督调优,即在反向传播学习过程中进行权值w_l，j更新。

4)得到训练完成后深度训练模型一，作为癫痫发作前特征信号识别判断的依据存储于服务器中。

步骤二：临床上采集患者癫痫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。将获取到的节律信息送入深度学习框架二进行训练，得到训练完的深度学习模型二。所述具体实施方式同步骤一所述。

步骤三：患者通过佩戴带有数据传输功能的脑电采集装置，使用目前市场上能获得的，满足信号采集质量要求，能使用移动通讯网络或Wifi进行数据传输的装置。

进一步的传输的数据经小波变换提取其节律信息，原始信号及节律信息均存储于服务器中。通过移动通讯网络或者Wifi上传到服务器，服务器将采集到的原始脑电数据利用小波变换方法进行滤波并提取其节律信息。

步骤四，进行癫痫发作风险的判别，服务器中已存储有训练完成后的深度学习模型一，利用深度学习模型一具有的信号分类功能，对脑电节律信息进行判别，分类的结果分为两类。一类是无癫痫发作风险，另一类是有癫痫发作风险。

进一步的进行癫痫预警，当所脑电节律信号被服务器中深度学习模型一分类为存在癫痫发作风险时，服务器将预警信息发送给患者本人及其亲属，并通过读取患者的位置信息，将预警信息发送给附近医疗机构。

步骤五，服务器存储的深度学习模型二能够进行癫痫信号的判别分类，患者可进行对此次预警准确性进行评价。

进一步的通过患者评价此次预警准确性以及根据深度学习模型二判别癫痫是否发作，来检测预警的准确性。同时读取服务器中存储的脑电节律信息，将癫痫发作前5分钟持续脑电节律信息送入到深度学习框架一进行再训练，进一步提高预警的准确率。

以上所述仅为本发明的优选实施例而已，并不限制于本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。