基于分层图扩散学习的SEEG癫痫波检测方法、系统和存储介质

基于分层图扩散学习的seeg癫痫波检测方法、系统和存储介质
技术领域
1.本发明涉及信号处理和模式识别技术领域，尤其涉及一种基于分层图扩散学习的seeg癫痫波检测方法、系统和存储介质。


背景技术：

2.癫痫是大脑中神经细胞紊乱放电造成的现象，现有的监测技术主要有头皮脑电(eeg)和立体脑电(seeg)，本发明提出的方法旨在对seeg数据自动预测癫痫波。与新近发明的seeg相比，针对eeg数据中的癫痫波预测任务，已有大量工作试图去理解癫痫及发生癫痫时伴随的脑活动特征，从而去预测癫痫波及病灶区域。最早的研究可以追溯到gotman在1982年提出了一种患者非特异性检测器[gotman 1982]。在[tzallas 2012]中，研究人员使用灵敏度和误检率作为衡量性能的标准。[fotiadis 2015]使用svm分类器设计了一种精准的患者特异性检测器。[fergus 2016]发现癫痫包含各种各样的特征波形，比如尖峰、尖波、睡眠纺锤波和周期。利用这些传统的方法预测癫痫波需要严谨的特征工程、大量的领域知识，导致非常耗时。因此，有研究提出了端到端的基于深度学习的方法。roy[roy 2018]结合了一维卷积层与门控循环单元(gru)来预测癫痫波。lawhern[lawhern 2018]提出了名为eegnet的模型，该模型由二维的卷积层与池化层组成，为基于eeg的脑机接口而设计，也能被用于eeg数据中的癫痫波预测任务。daoud[daoud 2019]设计了一个无监督预训练的深度卷积自编码器模型，在预训练后，bi-lstm网络被用于下游癫痫波分类。这些模型虽然都是基于深度学习的算法，但是专为eeg数据而设计的，难以直接应用到seeg数据中，或效果不佳。
[0003]
seeg数据在不同患者间有巨大的差异，比如电极个数与植入的脑部位置等，因此，相比较于有标准规定的eeg数据，seeg数据面临着更大的挑战。除了专为癫痫预测所设计的模型外，通用的时间序列分类模型也能用于该任务。一种传统的途径是从原始数据中提取有效的特征，并接一个经过良好训练的分类器，比如st[lines 2012]、tsf[deng 2013]等。然而，这里主要的挑战在于序列中没有显式的特征，因此，许多研究聚焦于时间序列的嵌入上[bagnall 2017]。基于dtw的算法和传统的嵌入技术[hayashi 2005]，都旨在投影原始的时间序列到特征向量空间；而符号表示[lapham 2015]使用符号(例如给定字母表中的字符)转换时间序列。通过采用一个不同的视角，基于shapelet发现的模型[baydogan 2016]尝试根据某些标准识别典型的子序列，比如信息增益。另一条途径则聚焦于深度学习技术，比如rnn及其变种(lstm、gru等)。除此之外，由于时间序列特征的维度可能很大，并且特征之间可能存在不同级别的相关性，因此已经提出了基于层次lstm的模型来学习这些层次关系(例如，hbrnn[du 2015])。这些通用的时间序列分类模型也是本发明所需对比的技术，但由于其并未考虑癫痫数据的许多独有特性，导致在癫痫预测任务上的表现差强人意。


技术实现要素：

[0004]
为了解决现有技术对癫痫波预测效果不佳的问题，本发明提出了一种基于分层图扩散学习的seeg癫痫波检测方法、系统和存储介质，通过利用癫痫脑波的扩散性质，结合时序预训练技术与图神经网络技术，实现在seeg数据上的癫痫预测。
[0005]
本发明采用如下技术方案：
[0006]
第一个方面，本发明提供了一种基于分层图扩散学习的seeg癫痫波检测方法，包括：
[0007]
获取原始seeg信号，提取各时间段表征，所述的各时间段表征包括各时间段信道表征、各时间段区域表征和各时间段患者表征；
[0008]
基于图结构学习和脑波扩散过程，交替执行跨时间扩散和时间内扩散，得到各时间段内扩散后的表征，所述的各时间段内扩散后的表征包括各时间段内扩散后的信道表征、各时间段内扩散后的区域表征和各时间段内扩散后的患者表征；
[0009]
以三个层面的各时间段出现癫痫发作的概率设计损失函数，在进行seeg癫痫波检测时，仅根据信道层面的各时间段出现癫痫发作的概率获得最终检测结果。
[0010]
第二个方面，本发明提供了一种基于分层图扩散学习的seeg癫痫波检测系统，用于实现上述的seeg癫痫波检测方法。
[0011]
第三个方面，本发明提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述的基于分层图扩散学习的seeg癫痫波检测方法。
[0012]
与现有技术相比，本发明的具备的有益效果是：本发明能够实现给定一系列连续的固定时长的seeg多信道时间序列数据段，通过对输入数据的特征提取和扩散建模，输出每个段、每个信道为癫痫波的概率，从而实现seeg数据癫痫波的精准预测。
附图说明
[0013]
图1是根据一示例性实施例示出的基于分层图扩散学习的seeg癫痫波检测方法的整体示意图；
[0014]
图2是根据一示例性实施例示出的预训练模型bcpc的设计示意图，左边代表前置任务，右边是对应的掩码矩阵；
[0015]
图3是根据一示例性实施例示出的本发明模型brainnet在信道层次的具体流程示意图。
具体实施方式
[0016]
下面结合附图和实施例对本发明进行进一步说明。附图仅为本发明的示意性图解，附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
[0017]
本实施例中，将基于分层图扩散学习的seeg癫痫波检测方法使用的模型记为“brainnet”，是一种基于时序预训练、图结构学习、图神经网络和层次化学习的深度学习框架。本发明(brainnet)的整体框架由四个主要模块组成：为输入的seeg原始数据设计的预训练模块bcpc、随时间变化的图扩散模块、预测模块及层次化设计模块，此外，本领域技术
人员还可以增加其他用于实现本发明目的的模块，例如seeg信号获取模块、训练模块、显示模块等。具体来说，本发明首先通过预训练模块对原始seeg时序数据进行特征提取；接着，将信道视为节点，结合图结构学习和图扩散模块，对脑电信号的传播建模；最后，预测模块输入获得的表征，并给出癫痫波的预测结果。本实施例首先从信道层面开始解释前三个模块如何协同工作，再阐释层次化设计的具体方法。
[0018]
一、预训练模块bcpc。
[0019]
使用预定义的多层卷积神经网络将原始seeg信号嵌入为局部特征为了使模型具有提取双向信息的能力，本发明采用带有专门设计的掩码矩阵的transformer[vaswani 2017]作为自回归模型，以获得全局上下文特征z。
[0020]
图2展示了本发明对预训练模型bcpc的设计示意图。对于自监督学习算法，学习有区分度的表示的关键是构建有效的前置任务。遵循时间序列的经典自监督学习模型，对比预测编码(cpc)[oord 2018]，本发明将前置任务设置为：使用基于片段中间部分的局部特征的自回归模型输出的全局上下文特征，来预测从编码器获得的片段头部和尾部的p个局部特征。与cpc不同的是，本发明认为双向模型通过令上下文特征同时包含在时间维度上的两个方向的语义信息将使得模型的表达能力更有效，这在bert[devlin 2019]和elmo[peters 2018]等现有工作中也得到了说明。因此，本发明的预训练模型设计为以skip-gram的方式预测两个方向的上下文。
[0021]
在本发明的一项具体实施中，如图2所示，将一个序列分成两个相等的半子序列：左侧用于编码反向信息，而右侧用于编码正向信息。将序列中心的时间坐标设置为0，并为前(后)序列中的元素分配正(负)下标。有了这个定义，掩码矩阵中的第t行则表示在构建全局上下文特征时可观察到的局部特征，即：
[0022][0023][0024]
其中，s
t
为第t个时间段的原始seeg信号，z
t
是第t个时间段的原始seeg信号的局部特征序列，z
t,τ
是局部特征中索引为τ的局部特征，c
t,τ
是第t个时间段的原始seeg信号的聚合了(z
t,τ
....z
t,-τ
)范围内的全局特征，τ∈[l,
…
,-l]；将c
t,l
和c
t,-l
拼接并进行线性映射后作为t时间段的表征r
t
。
[0025]
之后，基于infonce损失，让c
t,τ
预测距离全局上下文特征p步远的未观察到的局部特征，即z
t,τ+sgn(τ)
·
p
。本实施例中，将bcpc在第t个时间段内的对比损失定义如下：
[0026][0027]
其中，代表包含了负样本和唯一正样本的随机噪声子集，n代表随机噪声，sgn(
·
)是符号函数。本实施例中，为每一个预测步都使用一个双线性的分类器作为得分函数，score
p
(.)代表第p个预测步的得分，p代表预测步远的范围。
[0028]
二、图扩散模块。
[0029]
通过上述的预训练模块能够获得每个时间段的表示，但信道之间的相互作用和潜在的扩散模式则被忽略了。因此，本发明进一步提出了一个图扩散模块来明确地建模seeg
在人脑中的扩散过程。更具体地说，本发明采用在图结构学习和脑电波扩散两个步骤之间交替的方法，以端到端的、数据驱动的方式来达成这一目标。
[0030]
下面分别介绍两个部分：
[0031]
(2.1)图结构学习。
[0032]
总的来说，对图扩散建模的挑战在于不知道信道之间的潜在相关性和扩散路径。因此，本发明提出学习一个所有信道都是节点的图结构，一个信道作为一个节点，解决这个问题的关键是如何量化一个信道对另一个信道的影响。行波是在不同信道传播过程中保持形状和频率等一些特征的波形，受大脑电活动中普遍存在行波这一现象的启发，本发明旨在提出基于此的结构学习算法。
[0033]
在相似的信道更有可能携带随时间传播的相同行波的假设下，本实施例使用余弦函数来度量信道对之间的相关性。考虑到行波的非对称时延，需要区分相关性的方向。因此，本实施例使用一对源和目标的可学习的权重参数w1和w2在相似度计算之前识别重要特征。具体地，将原始seeg信号对应的每一个信道作为一个节点，从源节点集v1和目标节点集v2的笛卡尔积v1×
v2中获得包含每个节点对之间的得分矩阵其中源节点集和目标节点集的节点特征分别为h1和h2，得分矩阵的计算过程如下所示：
[0034][0035]
其中，i∈v1，j∈v2，
⊙
表示哈达玛积，表示源节点i和目标节点j的得分，作为得分矩阵中第i行第j列的元素，h1(i)表示源节点i的特征，h2(j)表示目标节点j的特征。需要注意的是，很可能表示一个稠密图。为了保持神经科学领域的工作所建议的图结构的稀疏性，并去除由低频波动或生理噪声引起的无关紧要和虚假的连接，本实施例使用一个包含可调超参数θ的基于阈值的过滤函数f
θ
(
·
)来滤除不必要的边，计算如下：
[0036][0037]
其中，x表示待过滤的得分矩阵中的元素，即f
θ
(x)表示过滤后的结果；根据上式，最终，获得了过滤后的图结构结果；根据上式，最终，获得了过滤后的图结构用于参与后续计算。
[0038]
(2.2)脑波扩散。
[0039]
构建的图结构表示信道之间的相对相关性，边权越大，越可能发生扩散。本发明的目标是沿着构建的图结构跟踪扩散过程，以增强行波的表示。在癫痫发作期间，将出现更快速和显著的尖峰和波放电模式的传播，这意味着传播后的表征更加可区分。因此，鉴于图神经网络在图上具有天然的消息传递能力，本发明采用这一类模型来模拟脑波扩散过程。
[0040]
本实施例中，以单层有向gcn为例来描述这个过程。具体来说，给定图计算得到目标节点j∈v2在扩散后的表征，公式如下：
[0041][0042]
其中，θ是有向gcn的可学习的线性变换矩阵，σ(
·
)表示relu激活函数，h
′2(j)表示目标节点扩散后的表征。
[0043]
(2.3)组件合并。
[0044]
由于癫痫波的持续时间或长或短，本发明提出的brainnet学习了两种类型的扩散过程。具体而言，跨时间扩散自然地模拟了较长癫痫波在两个连续时间段之间的传播。同时，通过时间内扩散捕获每个信道相同时间段内的快速信号扩散。基于结构学习和脑波扩散过程，将图结构学习和脑波扩散过程统一公式化为函数接下来，将使用该符号来介绍涉及两种扩散类型的图扩散模块。
[0045]
图扩散模块按照跨时间扩散、时间内扩散的顺序交替执行两个扩散步骤。给定从第t-1个时间段的时间内扩散过程中获得的表征推导出第t个时间段的跨时间扩散：
[0046][0047]
其中，源节点集和目标节点集都由所有信道组成，即，c
t
＝c对于所有t＝1,...,|s|，c表示包含所有信道的集合，c
t
表示第t个时间段的信道集合，s表示时间段集合，|s|表示总段数，表示第t个时间段的跨时间扩散后的信道表征，表示跨时间扩散的可训练矩阵，θ
cr
表示跨时间扩散的可训练参数，θ
cr
表示跨时间扩散的过滤函数的阈值。这里只使用下标来强调时间索引。本质上，跨时间扩散建模了从上一个时间段到当前时间段(r
t
)的表征的影响。
[0048]
在第t个时间段的跨时间扩散之后，时间内扩散过程以略有不同的公式，追踪同一时间段内的表征之间的相关性：
[0049][0050]
其中，表示时间内扩散的可训练矩阵，θ
in
表示时间内扩散的可训练参数，θ
in
表示时间内扩散的过滤函数的阈值；时间内扩散后获得的输出表征将参与下一个时间段的跨时间扩散，并最终进入预测阶段。值得一提的是，第一次跨时间扩散没有先前时间段的历史表示。为了处理这个问题，本实施例中定义了一个虚拟节点集v0和虚拟表征h0来构造一个空图，并在其上扩散。
[0051]
如上所述，分别对两种扩散模式进行建模，并且两个步骤交替进行。到目前为止，已经获得了经过图扩散模块处理之后的表示，以便进一步分类。
[0052]
在本发明的一项具体实施中，在计算各时间段内扩散后的信道表征时，将原始seeg信号分成两个相等的半子序列，以中心位置的时间索引标记为0，根据正向时间索引对应的原始seeg信号计算第t个时间段内扩散后的信道表征以反向时间索引对应的原始seeg信号计算第t个时间段内扩散后的反向信道表征将和拼接后作为最终的信道表征。
[0053]
三、层次化设计模块。
[0054]
图3展示了本发明算法brainnet在信道层次的具体流程。从左至右，第一部分表示使用预训练的bcpc获得时间段的表示r
t
的过程。第二部分描述了从第t-1时间段到第t时间段的跨时间扩散过程，其中跨时间扩散图结构首先由跨时间图结构学习子模块生成，然后在生成的图上使用gnn。第三部分对应的是时间内扩散过程，它基于类似于跨时间过程的机制。该部分的输出将用于下一个时间步的跨时间扩散过程。第四部分将交替扩散产生的表
示作为输入与原始表示r
t
相结合，以预测第t个时间段是否出现癫痫发作。
[0055]
给定从图扩散模块获得的表示，本发明将和r
t
连接在一起，接着通过由两层mlp实现的判别器d作为预测模块以获得预测概率图3中为了方便，仅示意了与r
t
拼接的过程。本实施例中，使用二分类交叉熵来定义信道层面的癫痫波检测任务，目标函数为：
[0056][0057]
其中，c表示第c个信道，表示第c个信道的第t个时间段的标签，表示第c个信道的第t个时间段的预测概率，表示信道层面的交叉熵损失，|s|表示总段数。
[0058]
然而，信道层面的扩散过程视野有限，缺乏更宏观的感知。图1展示了本发明所研究的问题：癫痫波预测。图1(a)展示了一根带有三个信道(a1，a2和a3)的电极被植入进患者大脑，以收集患者横跨两个脑区的电信号。癫痫波在图1(a)下方示例seeg数据中由矩形所标记。图1(b)展示了本发明的解决方案，即在三个层次联合学习癫痫发作的扩散过程，以及检测癫痫波。在现实世界的场景中，医生通常会逐步为癫痫患者做出诊断：患者是否患有癫痫，哪些大脑区域是疑似癫痫区域，以及直接导致癫痫发作的大脑中的特定位置在哪里。受此过程的启发，本发明提出了一个名为brainnet的新框架，该框架采用分层结构来联合建模癫痫波及其在三个不同层次上的扩散过程，从高到低依次为：患者、大脑区域和信道层次(每个信道对应于大脑中的特定位置)，这有助于更精确地捕获癫痫波，特别是能够提高模型处理seeg数据中严重噪声的鲁棒性。综上，正如图1所示，本发明将同时考虑信道、脑区和患者水平的综合信息，以促成更准确的检测。
[0059]
本发明将在下文更详细地描述结合这三个层次的分层任务设计。
[0060]
(3.1)层次化标签构造。
[0061]
标签最初位于信道层次。按照医生诊断的相反的逻辑顺序，如果其中包含的至少一个信道是癫痫的，则将一个大脑区域标记为癫痫。类似地，如果至少一个大脑区域异常，则认为患者处于癫痫发作状态。更具体的，给定包含所有信道的第t个时间段的标签首先通过映射b(
·
)将信道划分为不同的大脑区域。然后对于每个大脑区域b∈b，赋予其时间段标签如下：
[0062][0063]
其中，表示第t个时间段第b个大脑区域的标签，表示第c个信道的第t个时间段的标签，b(.)表示映射函数，c:b(c)＝b表示将信道c映射到大脑区域b；
[0064]
通过类似的方式，基于大脑区域的标签构造出患者层次的时间段标签：
[0065][0066]
其中，表示患者第t个时间段的标签，b表示大脑区域集合。
[0067]
(3.2)高层次的表征学习。
[0068]
通过聚合来自较低层次的表示以获得较高层次的表示，本实施例中，采用最大池化操作来聚合表示，因为最终需要的是对较低层次的癫痫状态贡献最大的那些特征，因此该聚合方式更符合层次化标签的构造过程。
[0069]
以大脑区域的表示为例，本实施例使用逐元素的最大池化方法如下：
[0070][0071]
其中，b∈b，d代表表征的维度，表示第t个时间段第b个大脑区域的第i维表征，r
t,c
表示第t个时间段第c个信道表征，b(.)表示映射函数，c:b(c)＝b表示将信道c映射到大脑区域b。
[0072]
同理，各时间段患者表征公式为：
[0073][0074]
其中，表示第t个时间段患者的第i维表征。
[0075]
在池化操作之后，在高层次表示上通过图扩散模块以获得各自的目标函数，即和每个目标函数都定义为类似于信道层次目标函数的二分类交叉熵。考虑到完全独立的参数不能保证一致的优化方向，因此本发明让三个层次在图扩散模块和预测模块中共享相同的参数集，以对齐它们的表示空间。
[0076]
最终，通过结合不同层次上的任务，得到如下需要联合优化的总体目标函数：
[0077][0078]
其中，表示信道层面的交叉熵损失，表示区域层面的交叉熵损失，表示患者层面的交叉熵损失，表示总损失。
[0079]
在标签数据的指导下，通过反向传播优化所提出的模型brainnet，并学习用于癫痫波检测任务的表示嵌入空间。通过分层任务框架，brainnet有望在更高层次上聚合更加准确的信息，并反过来将其反馈给较低层次，从而抵抗数据噪声并提高模型性能。
[0080]
利用训练好的模型brainnet进行seeg癫痫波检测时，仅根据信道层面的各时间段出现癫痫发作的概率获得最终检测结果。
[0081]
在本发明的一项具体实施中，基于分层图扩散学习的seeg癫痫波检测方法包括：
[0082]
步骤1，获取原始seeg信号，提取各时间段表征，所述的各时间段表征包括各时间段信道表征、各时间段区域表征和各时间段患者表征；
[0083]
步骤2，基于图结构学习和脑波扩散过程，交替执行跨时间扩散和时间内扩散，得到各时间段内扩散后的表征，所述的各时间段内扩散后的表征包括各时间段内扩散后的信道表征、各时间段内扩散后的区域表征和各时间段内扩散后的患者表征；
[0084]
步骤,3，以三个层面的各时间段出现癫痫发作的概率设计损失函数，在进行seeg癫痫波检测时，仅根据信道层面的各时间段出现癫痫发作的概率获得最终检测结果。
[0085]
步骤1为了获取各时间段表征，可采用上述的预训练模块bcpc实现，具体步骤为：
[0086]
步骤1.1，提取原始seeg信号的局部特征序列z
t
；
[0087]
步骤1.2，将局部特征序列中心位置的索引标记为0，将局部特征序列分成两个相等的半子序列，标记双向索引，得到z
t
＝(z
t,τ
,
…
,z
t,0
,
…
,z
t,-τ
)，其中z
t,τ
表示局部特征序列
中索引为τ的局部特征；
[0088]
步骤1.3，聚合局部特征序列，得到全局特征c
t,τ
；
[0089]
步骤1.4，设定τ∈[l,
…
,-l]，l为聚合范围，将聚合得到的范围边界中的两个结果c
t,l
和c
t,-l
拼接并进行线性映射后作为第t个时间段信道表征r
t
；
[0090]
步骤1.5，根据信道对应的脑部位置，将所有信道划分成不同的区域，采用最大池化操作聚合各区域中对应时间段的所有信道表征，得到各时间段区域表征b∈b，b表示第b个大脑区域，b表示大脑区域集合；采用最大池化操作聚合对应时间段的所有区域表征，得到各时间段患者表征
[0091]
步骤2为了获取各时间段内扩散后的表征，可采用上述的图扩散模块和层次化设计模块实现，具体步骤为：
[0092]
步骤2.1，根据跨时间图扩散模块计算第t个时间段的跨时间扩散后的信道表征：
[0093][0094]
其中，表示跨时间图扩散模块的计算，表示跨时间扩散的可训练矩阵，θ
cr
表示跨时间扩散的可训练参数，c
t
表示第t个时间段的信道集合，c
t-1
表示第t-1个时间段的信道集合，表示第t-1个时间段内扩散后的信道表征，r
t
表示原始seeg信号是第t个时间段表征，表示第t个时间段的跨时间扩散后的信道表征，θ
cr
表示跨时间扩散的过滤函数的阈值；
[0095]
步骤2.2，根据时间内图扩散模块计算第t个时间段内扩散后的信道表征：
[0096][0097]
其中，表示时间内图扩散模块的计算，表示时间内扩散的可训练矩阵，θ
in
表示时间内扩散的可训练参数，θ
in
表示时间内扩散的过滤函数的阈值，表示第t个时间段的扩散后的信道表征；
[0098]
步骤2.3，基于图结构学习和脑波扩散过程，交替执行步骤2.1中的跨时间扩散和步骤2.2中的时间内扩散，得到各时间段内扩散后的信道表征。
[0099]
本实施例中，在计算各时间段内扩散后的信道表征时，将原始seeg信号分成两个相等的半子序列，以中心位置的时间索引标记为0，根据正向时间索引对应的原始seeg信号计算第t个时间段内扩散后的信道表征以反向时间索引对应的原始seeg信号计算第t个时间段内扩散后的反向信道表征将和拼接后作为最终的信道表征。
[0100]
同理，令c
t-1
＝b，c
t
＝b，计算得到各时间段内扩散后的区域表征；令c
t-1
＝{1}，c
t
＝{1}，计算得到各时间段内扩散后的患者表征。
[0101]
本实施例中，所述的跨时间图扩散模块和时间内图扩散模块的计算步骤包括图结构学习和脑波扩散两部分，将图结构学习和脑波扩散两部分的计算记为在跨时间图扩散模块的计算过程中，在时间内图扩散模块的计算
过程中，
[0102]
所述的跨时间图扩散模块、时间内图扩散模块在计算不同层面的各时间段内扩散后的表征时，共享模型参数，即用于计算不同层面的各时间段的跨时间扩散后的表征时，跨时间图扩散模块的参数是相同的，用于计算不同层面的各时间段内扩散后的表征时，时间内图扩散模块的的参数是相同的。
[0103]
步骤3的实现过程需要使用层次化设计模块，以三个层面的各时间段出现癫痫发作的概率设计损失函数，包括信道层面损失、区域层面损失和患者层面损失；所述的区域层面损失和患者层面损失中的标签是根据信道层面损失的标签得到的。
[0104]
在本实施例中还提供了一种基于分层图扩散学习的seeg癫痫波检测系统，该系统用于实现上述实施例，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能的。
[0105]
所述的系统包括：
[0106]
seeg信号获取模块，其用于获取原始seeg信号；
[0107]
预训练模块，其用于从原始seeg信号中提取各时间段表征；
[0108]
图扩散模块，其基于图结构学习和脑波扩散过程，交替执行跨时间扩散和时间内扩散，得到各时间段内扩散后的表征；
[0109]
层次化设计模块，其用于调用预训练模块和图扩散模块，分别实现信道、区域、患者三个层面上的各时间段表征和各时间段内扩散后的表征；
[0110]
训练模块，其用于对图扩散模块进行训练，在训练过程中以信道、区域、患者三个层面的各时间段出现癫痫发作的概率设计损失函数；
[0111]
检测模块，其用于训练结束后的seeg癫痫波检测过程，根据信道层面的各时间段出现癫痫发作的概率输出最终检测结果。
[0112]
上述系统中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。对于系统实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述的基于分层图扩散学习的seeg癫痫波检测方法。
[0113]
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、sd卡、闪存卡(flash card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
[0114]
下面通过实验验证了本发明的技术效果。
[0115]
(1)数据采集。本是实施例的实验中使用的seeg数据集由一家三甲医院提供。对于患有癫痫的患者，使用4到10个具有52到126个信道的侵入式电极来记录256hz到1024hz的seeg信号；这些数字因患者而异。值得注意的是，由于seeg信号是通过多个信道以高频方式收集的，因此数据集非常庞大。本实验过程总共收集了526小时的seeg信号，大小为769gb。尽管每个预测都是针对特定患者的，但为了验证本发明模型的普遍性和稳定性，对多个患者重复所有实验。根据得到的数据集，由专家标记癫痫波。本实验中，将癫痫波中的所有时间点视为阳性样本，其余时间点视为阴性样本。数据集中单个患者的阳性样本率平均约为0.003，这是非常不平衡的。
[0116]
(2)数据预处理。为了进行预训练任务，对于每个患者，随机抽取10000个正常片段，窗口长度为1秒。然后将90％的采样片段用于训练，其余用于验证。至于癫痫波预测任务，对于每个患者，首先获得13300个片段来训练模型(85％用于训练，15％用于验证)。对于测试阶段，为了探索不同模型在具有不同正样本比例的数据集下的性能，本实验对三个测试集进行了采样，每个测试集包括每个患者的1140、9690和95190个片段，正负样本比例分别为1：5、1：50和1:500。
[0117]
(3)基准算法说明
[0118]
信道级癫痫波检测。本实验将brainnet与几个单变量时间序列分类模型进行比较。对于每个基准模型，为每个信道训练一个独立模型，并获得一个患者在所有信道上的平均结果。对比模型如下：
[0119]
tsf[deng 2013]：这是一种用于时间序列分类的树集成方法。tsf中使用的特征是基本的时间序列特征，包括段的均值、标准方差和斜率。
[0120]
stsf[cabello 2020]：这是一个基于区间的树模型，在训练任何树分类器之前采用自上而下的方法在三个不同的时间序列表示中搜索相关子序列。
[0121]
minirocket[dempster 2021]：这种方法将rocket[dempster 2020]重新制定为快速版本，基本保持相同的准确性。
[0122]
weasel[2017]：这种方法使用滑动窗口方法将时间序列转换为特征向量。然后通过分类器分析向量。
[0123]
lstm-fcn[karim 2018]：这用于由lstm层和cnn层组成的单变量时间序列分类。
[0124]
ts-tcc[eldele 2021]：这是一种对比方法，它通过原始片段的弱增强和强增强生成的两种不同视图来学习时间序列表示。
[0125]
患者级癫痫波检测。本实验使用以下多元时间序列分类模型作为基准模型：
[0126]
eegnet[lawhern 2018]：这是神经科学领域提出的模型。具体来说，它是一个紧凑的卷积神经网络，用于基于eeg的脑机接口。
[0127]
tapnet[zhang 2020]：一个注意力原型网络，利用传统和基于深度学习的方法的优势来执行多元时间序列分类。
[0128]
mlstm-fcn[karim 2019]：这是一个深度学习框架，由lstm层和堆叠的cnn层以及用于多变量时间序列分类的squeeze-and-excitation块组成。
[0129]
ns[franceschi 2019]：这种方法使用一种无监督方法，采用基于时间的负采样来学习嵌入。然后应用svm来执行最终分类。
[0130]
测试结果如表1所示。
[0131]
表1信道和患者级别的癫痫波检测任务的平均性能
[0132][0133]
如表1中所示的信道级癫痫波检测结果，在信道级任务中，brainnet在正负样本比分别为1:5、1:50和1:500的测试数据集上的f2指标分别提高了12.31％、36.66％、142.03％。特别是，随着标签变得越来越不平衡，基准模型的性能迅速下降，而brainnet依旧保持了比基准模型更好的性能。性能提升比率的增加意味着本发明的模型能够更好地处理不平衡的数据，这更符合实际的临床场景。与单变量基准模型相比，brainnet利用了学习癫痫波如何跨信道扩散的优势。例如，两个信道a1和a2在正常状态下的相关性较低，即正常脑电波在它们之间的扩散非常微弱。然而，在癫痫发作期间，它们的相关性显着增加，这反映在本发明模型学习的扩散图中较大的边权上。当brainnet确定a1包含癫痫发作时，它可以通过扩散过程以及学习到的图结构进一步推断a2的癫痫状态。与仅考虑a2的情况相比，这使得a2的预测结果更加可靠。
[0134]
如表1中所示的患者级癫痫波检测结果，在患者层面，brainnet在三个测试数据集上的f2性能也平均提高了50.95％。结果显示了本发明的分层任务设计的优越性，可以通过在较低级别利用更精细的信息来做出更准确的预测。更详细地说，brainnet可以为全局系统(患者)提供特定局部(信道和大脑区域级别)信息的一些证据，这有利于患者级别的检测任务。例如，在推断患者是否患有癫痫症时，知道哪个特定的大脑区域有癫痫波会增加模型的置信度。
[0135]
(4)消融实验
[0136]
进一步进行消融实验以验证模型中每个主要模块的有效性。本实验中，从模型中删除了以下每个部分，预训练模块(brainnet-bcpc)、内部时间扩散(brainnet-inner)、跨时间扩散(brainnet-cross)、分层任务框架(brainnet-multi)和图扩散模块(brainnet-graph)，分别测试对整体效果的影响程度，测试结果如表2所示。
[0137]
表2消融实验结果
[0138][0139]
在表2中报告了在正负样本比为1:500的测试数据集上进行消融实验的评估结果。可以观察到，brainnet在所有指标上对比所有消融模型版本都实现了最佳性能，这证明了本发明模型中的每个模块的有效性。对于brainnet-bcpc，性能的显着下降表明bcpc的强大表示能力。与从bcpc获得表示并将其直接输入mlp的brainnet-graph进行比较，表明本发明的图扩散模块实现了卓越的性能提升(在f2方面提高了390％以上)，这也表明了对扩散过程进行建模的重要性。
[0140]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。