本发明属于智能医学信号及图像处理领域，涉及一种基于卷积神经网络的癫痫病发作前期智能预测方法。
背景技术：
传统的癫痫发作预测方法主要是通过对信号的特征提取然后对其进行分类成发作间期或者发作前期，以期判断是否属于即将发作的信号，从而达到癫痫发作预测的目的，其预测方法过程存在以下两个缺点：
1.对于特征的选取过于敏感，同一个特征在不同个体上不同时期信号的的差异性可能不同，容易产生某个特征在一些个体上区分度较高，而对于其他个体而言不具有区分性的现象；
2.一般发作前期代表的是发作前一个小时的数据，对于癫痫发作预测的目的而言，一个小时的误差不具备说服力。
本发明基于脑电信号在癫痫发作的各个时期的变化规律，提出了一种针对发作前期的状态识别的癫痫病发作预测的方法，不同于传统的癫痫预测方法，将信号仅仅分成发作间期，发作前期以及发作期三类。本发明中对前期继续细分，将发作前一个小时的数据均等分类三类，通过最后的识别类别，提高癫痫发作的预测准确度。从而可以实现特征提取工程量更小、预测精确度更高的癫痫发作预测效果。
技术实现要素：
本发明针对传统癫痫预测方案的不足，提出了一种基于卷积神经网络的癫痫发作前期状态识别及早期癫痫发作预测的方法。本发明能够实现在较少的特征提取步骤下，有更精确的预测效果。
本发明的技术方案主要包括如下步骤：
步骤1、原始信号频域转换后，对信号每个通道的19个特定频段预提取特征，即频段的均值(mfb，meanoffrequencyband)与功率谱密度的均值(mpsd,meanofpowerspectraldensity)。
对于原始信号的23个通道，通过预提取特征后，对应于mfb和mpsd特征，分别构成23*19的特征图ⅰ和特征图ⅱ，同时对mfb和mpsd特征的结合，组成23*38的特征图ⅲ，将特征图ⅰ、特征图ⅱ和特征图ⅲ作为卷积神经网络的输入。
步骤2、对卷积神经网络进行二次特征提取。
步骤3、结合支持向量机对卷积神经网络二次提取的特征分类，得到最后的识别类别。
所述步骤1的具体实现包括以下几个步骤：
1-1.将原始信号划分成五类。
发作时的数据作为发作期记为seizure类；发作前后四个小时的数据作为发作间期记为interictal类；发作前前一个小时的数据作为发作前期，前期均等分成三类：发作前60分钟到发作前40分钟记为prei类；发作前40分钟到发作前20分钟记为preii类；发作前20分钟到发作时刻记为preiii类。
上述所做的分类处理是为了后续的识别任务，以期通过识别结果达到癫痫病发作预测的效果。并且在所分的类中均做了以下处理：
1-2.通过对2s一帧的原始信号xn中的每一个通道做快速傅里叶变换(fft),获取该通道对应的频谱序列pn。
1-3.根据频谱序列pn划分波段：delta波(0-4hz)；theta波(4-8hz)；alpha波(8-12hz)；beta波(12-30hz)；low-gamma波(30-70hz)；high-gamma波(70-128hz)。
1-4.将全频段的信号分成70hz以下及70hz以上两组。
1-5.将每组信号的频带分成19个频段。
1-6.计算每个频段均值特征(即mfb特征)；首先计算原始信号的频谱序列：
p(f)＝|f(x)|2/n
p(f)＝|f(x)|2/n
其中f(x)为原始信号的傅里叶变换；n为计算傅里叶变换的采样点数。然后再计算频段的均值特征：
其中m为选取的频段数即m＝19；k表示每个频段所包含的点数；p1(j)为所选取的19个频段中第j个频段的mfb特征值。
1-7.先对fft变换后的信号，计算功率谱密度序列psd(f),然后计算m个频段的功率谱密度均值特征(即mpsd特征)。
psd(f)＝10lg(|f(x)|2/n)
其中m为选取的频段数即m＝19；k表示每个频段所包含的点数；p2(j)为所选取的19个频段中第j个频段的mpsd特征值。
1-8.重复步骤1-2到步骤1-7，得到每组中对于每2s一帧的原始信号，获取该原始信号对应于mfb和mpsd的特征，分别构成23*19的特征图ⅰ和特征图ⅱ；
1-9.融合特征图ⅰ和特征图ⅱ，得到最终的卷积神经网络的输入的大小为23*38的特征图ⅲ。
步骤1需要注意如下几点：
(1)考虑到帧移之间的影响，在1-2中选取的2s一帧中有1s的帧移。
(2)1-4频段分组的依据在于：(a)癫痫发作时主要集中在低频段信号的变化；(b)高频段的功率谱密度以及能量同样是区分各个癫痫发作时期的重要特征。
(3)1-5中划分频段的方法是在六个波段中每个波段均等划分，划分后的结果是70hz以下：delta波、theta、alpha均分成三段；beta波、low-gamma波均分成5段。70hz以上均分成19段。
(3)在1-10中，由于该实验中卷积神经网络的输入是图像形式，因此需要将每个样本转换成图片，所以需要对每个特征得到的特征向量归一化。
所述的步骤2根据预提取特征后得到的样本库ⅰ、ⅱ和ⅲ，利用卷积神经网络分别进行二次提取特征，得到样本库ⅰ、ⅱ和ⅲ属于各类的概率分布情况(70hz以下及70hz以上两组分别测试，结果作为对比)：
2-1.基于样本库ⅰ、ⅱ和ⅲ，随机将样本分成8:2,其中80％为训练样本，其余的20％为测试样本。
2-2.调整网络结构参数，使得在保证训练时间与训练收敛的均衡性下达到最高的识别率。
2-3.在模型结构与参数选取好的情况下，得到卷积神经网络中softmax层的特征输出矩阵(即每个样本属于每个类的概率分布情况)。
所述的网络结构具体如下：
首先，将大小为23*19或者23*38的原始图像连接第一个卷积层，在第一个卷积层中设置64个大小为3*3的卷积核，步长为1，得到64个特征图。
接着，经过激活层后，设置一个最大池化层，其核的大小为2*2，步长为2，将从卷积层中得到的特征图的维度缩小一半。
然后，在第二个卷积层中，用128个大小为5*5的卷积核，步长为1，得到128个特征图，同样经过激活层以及核的大小为2*2、步长为2的最大池化层后将特征图的维度缩小一半。
再然后，用带有50个神经元的全连接层对前面的层所得到的特征图进行全连接，经过softmax层后得到针对于每个样本的1*5的特征向量输出，该输出代表经过卷积神经网络后样本属于每个类的概率分布。
最后，利用支持向量机对该特征向量重新进行分类后，得到最终的样本的输出类别。
所述步骤3基于卷积神经网络得到的样本的概率分布特征，利用支持向量机再分类，得到最终的样本所属的类别，以及整体测试样本的分类准确率。
3-1.获取训练样本的特征输出矩阵：n1*5(其中n1为训练样本的个数，5代表总的类别数)；测试样本的特征输出矩阵：n2*5(其中n2为测试样本的个数，5代表总的类别数)。
3-2.利用训练样本的特征输出矩阵训练多分类支持向量机模型：ecoc分类模型(error-correctingoutputcodesmodel)。
3-3.利用训练好的ecoc分类模型对测试样本进行分类，得到每个样本的输出类别以及测试样本的总识别率。
3-4.对比70hz以下及70hz以上的识别率，证明癫痫发作时信号的变化主要集中在低频段。
本发明有益效果如下：
运用此种基于卷积神经网络的发作前期状态识别及癫痫发作预测方法后，不仅可以减少特征提取的工作量，而且可以通过最后的识别情况确定某个测试样本是否属于发作前期以及前期的状态，对于癫痫发作的预测任务而言更加精确以及更具有实时性。此外，在卷积神经网络的softmax层中，也可以得到每个样本属于每个类的概率分布，对结果的判断更加准确。
附图说明
图1本发明原始数据的划分方式；
图2本发明频带均值特征与功率谱密度均值特征提取流程图；
图3本发明卷积神经网络特征提取与分类模型结构。
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
通用的针对发作前状态识别的癫痫预测方法的实现步骤，在发明内容内已有详细的介绍，
如图1-3所示，一种基于卷积神经网络的癫痫病发作前期智能预测方法，主要包括如下步骤：
步骤1、原始信号频域转换后，对信号每个通道的19个特定频段预提取特征，即频段的均值(mfb，meanoffrequencyband)与功率谱密度的均值(mpsd,meanofpowerspectraldensity)。
对于原始信号的23个通道，通过预提取特征后，对应于mfb和mpsd特征，分别构成23*19的特征图ⅰ和特征图ⅱ，同时对mfb和mpsd特征的结合，组成23*38的特征图ⅲ，将特征图ⅰ、特征图ⅱ和特征图ⅲ作为卷积神经网络的输入。
步骤2、对卷积神经网络进行二次特征提取。
步骤3、结合支持向量机对卷积神经网络二次提取的特征分类，得到最后的识别类别。
所述步骤1的具体实现包括以下几个步骤：
1-1.将原始信号划分成五类。
发作时的数据作为发作期记为seizure类；发作前后四个小时的数据作为发作间期记为interictal类；发作前前一个小时的数据作为发作前期，前期均等分成三类：发作前60分钟到发作前40分钟记为prei类；发作前40分钟到发作前20分钟记为preii类；发作前20分钟到发作时刻记为preiii类。
上述所做的分类处理是为了后续的识别任务，以期通过识别结果达到癫痫病发作预测的效果。并且在所分的类中均做了以下处理：
1-2.通过对2s一帧的原始信号xn中的每一个通道做快速傅里叶变换(fft),获取该通道对应的频谱序列pn。
1-3.根据频谱序列pn划分波段：delta波(0-4hz)；theta波(4-8hz)；alpha波(8-12hz)；beta波(12-30hz)；low-gamma波(30-70hz)；high-gamma波(70-128hz)。
1-4.将全频段的信号分成70hz以下及70hz以上两组。
1-5.将每组信号的频带分成19个频段。
1-6.计算每个频段均值特征(即mfb特征)；首先计算原始信号的频谱序列：
p(f)＝|f(x)|2/n
p(f)＝|f(x)|2/n
其中f(x)为原始信号的傅里叶变换；n为计算傅里叶变换的采样点数。然后再计算频段的均值特征：
其中m为选取的频段数即m＝19；k表示每个频段所包含的点数；p1(j)为所选取的19个频段中第j个频段的mfb特征值。
1-7.先对fft变换后的信号，计算功率谱密度序列psd(f),然后计算m个频段的功率谱密度均值特征(即mpsd特征)。
psd(f)＝10lg(|f(x)|2/n)
其中m为选取的频段数即m＝19；k表示每个频段所包含的点数；p2(j)为所选取的19个频段中第j个频段的mpsd特征值。
1-8.重复步骤1-2到步骤1-7，得到每组中对于每2s一帧的原始信号，获取该原始信号对应于mfb和mpsd的特征，分别构成23*19的特征图ⅰ和特征图ⅱ；
1-9.融合特征图ⅰ和特征图ⅱ，得到最终的卷积神经网络的输入的大小为23*38的特征图ⅲ。
步骤1需要注意如下几点：
(1)考虑到帧移之间的影响，在1-2中选取的2s一帧中有1s的帧移。
(2)1-4频段分组的依据在于：(a)癫痫发作时主要集中在低频段信号的变化；(b)高频段的功率谱密度以及能量同样是区分各个癫痫发作时期的重要特征。
(3)1-5中划分频段的方法是在六个波段中每个波段均等划分，划分后的结果是70hz以下：delta波、theta、alpha均分成三段；beta波、low-gamma波均分成5段。70hz以上均分成19段。
(3)在1-10中，由于该实验中卷积神经网络的输入是图像形式，因此需要将每个样本转换成图片，所以需要对每个特征得到的特征向量归一化。
所述的步骤2根据预提取特征后得到的样本库ⅰ、ⅱ和ⅲ，利用卷积神经网络分别进行二次提取特征，得到样本库ⅰ、ⅱ和ⅲ属于各类的概率分布情况(70hz以下及70hz以上两组分别测试，结果作为对比)：
2-1.基于样本库ⅰ、ⅱ和ⅲ，随机将样本分成8:2,其中80％为训练样本，其余的20％为测试样本。
2-2.调整网络结构参数，使得在保证训练时间与训练收敛的均衡性下达到最高的识别率。
2-3.在模型结构与参数选取好的情况下，得到卷积神经网络中softmax层的特征输出矩阵(即每个样本属于每个类的概率分布情况)。
所述的网络结构具体如下：
首先，将大小为23*19或者23*38的原始图像连接第一个卷积层，在第一个卷积层中设置64个大小为3*3的卷积核，步长为1，得到64个特征图。
接着，经过激活层后，设置一个最大池化层，其核的大小为2*2，步长为2，将从卷积层中得到的特征图的维度缩小一半。
然后，在第二个卷积层中，用128个大小为5*5的卷积核，步长为1，得到128个特征图，同样经过激活层以及核的大小为2*2、步长为2的最大池化层后将特征图的维度缩小一半。
再然后，用带有50个神经元的全连接层对前面的层所得到的特征图进行全连接，经过softmax层后得到针对于每个样本的1*5的特征向量输出，该输出代表经过卷积神经网络后样本属于每个类的概率分布。
最后，利用支持向量机对该特征向量重新进行分类后，得到最终的样本的输出类别。
所述步骤3基于卷积神经网络得到的样本的概率分布特征，利用支持向量机再分类，得到最终的样本所属的类别，以及整体测试样本的分类准确率。
所述步骤3基于卷积神经网络得到的样本的概率分布特征，利用支持向量机再分类，得到最终的样本所属的类别，以及整体测试样本的分类准确率。
3-1.获取训练样本的特征输出矩阵：n1*5(其中n1为训练样本的个数，5代表总的类别数)；测试样本的特征输出矩阵：n2*5(其中n2为测试样本的个数，5代表总的类别数)。
3-2.利用训练样本的特征输出矩阵训练多分类支持向量机模型：ecoc分类模型(error-correctingoutputcodesmodel)。
3-3.利用训练好的ecoc分类模型对测试样本进行分类，得到每个样本的输出类别以及测试样本的总识别率。
3-4.对比70hz以下及70hz以上的识别率，证明癫痫发作时信号的变化主要集中在低频段。
本发明提出的针对前期状态的识别的癫痫发作预测的算法，是考虑到发作前期的检测对于癫痫发作的预测起决定性因素，加之对于前期的多个状态之间的相似性过高，传统的特征提取算法加分类器对其的分类效果较差，本发明中利用卷积神经网络结构来对具体的类别予以识别。
本发明中，对于0-70hz的数据，利用卷积神经网络得到的总体的识别率为83.61％，通过对卷积神经网络的softmax的输出利用支持向量机分类后，得到的识别率为83.74％；对于70-128hz的数据，利用卷积神经网络的到的总体识别率为68.0％。相比于卷积神经网络，对于同样的数据的分类方法，对特征图提取hog特征后利用支持向量机进行分类得到的结果是：在0-70hz的数据中识别率为71.87％；在70-128hz的数据集中的识别率为51.84％。通过结果的对比，证明了本发明的有效性。