本申请涉及医学图像处理，具体涉及一种癫痫脑电信号自动检测和分类模型建立方法及应用。
背景技术：
1、癫痫被认为是影响人体大脑最顽固、最严重的神经系统疾病。癫痫疾病是大量脑神经细胞群引起的脑皮质兴奋性异常的神经系统紊乱性疾病，具有突然性。在分子水平上，有几种途径与围产期大脑发育中存在的髓鞘前少突胶质细胞或亚板神经元的凋亡有关。在缺氧缺血性脑病中，谷氨酸或自由基活性物质的浓度上升、激活的小胶质细胞和星形胶质细胞中的炎症细胞因子（如tnf-α、il-1b、il-6、12、15和18）、感染中的低ph值，以及继发于脑出血的游离铁，被广泛认为是癫痫事件的重要触发因素。癫痫发作对社会交往、身体交流和患者情绪的后续影响之大，使其诊断和治疗具有重要意义。
2、癫痫发作期的脑电波形会成棘波、尖波状等情况，临床医学中通常采用长时间的脑电监测来判别患者是否发病。脑电图（eeg）是将脑部神经活动通过电位的生理活动来记录的方式，在对癫痫疾病的检测中处于不可取代的地位。脑电图的广泛应用可归因于其成本低、可获得性和不费力等原因。通过对所记录的脑电图信号进行视觉解读，神经科医生可以在很大程度上区分癫痫发作时的正常脑活动（发作间期）和癫痫发作时的脑活动（发作期）。然而，使用脑电图信号进行癫痫诊断是既费力又耗时的，因为神经科医生或癫痫学家需要对脑电图信号做细致的筛选。此外，还有可能出现人为错误。为了减少误解的可能性，必须制定有效、客观和快速的计划来处理大量脑电图记录。目前已有几种使用非线性、统计学和频域参数来诊断癫痫发作的机器学习（ml）方法。在传统的机器学习方法中，分类器和特征选择是通过试错技术获得的。同样，必须有完善的数据挖掘和信号处理方面的扎实知识，才能设计出有效的方法，这种方法对少量信息很有效。目前，随着数据量的增加，机器学习技术可能无法有效工作，因此，采用深度学习（dl）无疑是解决癫痫脑电信号自动识别的有力手段。
3、深度学习是一种构造多层神经网络的机器学习方法，具有发现数据中隐藏的分布式特征表示的能力。深度学习从基本结构看等同于深度神经网络，深度神经网络通过多层次特征学习方法，网络层数越多，越能够实现复杂函数的逼近，进而使其可以表达浅层神经网络所不具有的特征表达能力。基本bp（back-propagate）神经网络由l1输入层、l2隐藏层和l3输出层三个部分组成。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据中隐藏的分布式特征表示。因此，对研究者相关先验知识要求低，关键要数据充足，即提供了重组的输入层，算法拟合程度大能够达到最佳，再通过多次训练，就会等到更好的结果。因此，深度学习相较于已有技术，更加适宜于处理信息量较大的场合。
4、如今，文献中已有多种分类模型可用于检测和分类使用脑电图信号的癫痫发作。尽管文献中的机器学习和深度学习模型有很多优点，但仍需要进一步提高分类效率。
技术实现思路
1、本申请实施例的目的在于提供一种癫痫脑电信号自动检测和分类模型建立方法及应用，用以解决现有技术中对癫痫脑电信号进行分类的传统技术仍需依赖人工识别，不仅耗费大量时间，且判定的结果存在主观性，而现有对癫痫脑电信号进行分类的分类模型仍需要进一步提高分类效率的问题。
2、为实现上述目的，本申请实施例提供一种癫痫脑电信号自动检测和分类模型建立方法，包括：提取癫痫脑电信号，并进行数据预处理，所述数据预处理包括应用郊狼优化算法进行特征选择，以获得最优子类特征；
3、将所选的所述最优子类特征传递到深度典型关联稀疏自编码器模型中进行分类训练，训练结束后，将所述深度典型关联稀疏自编码器模型作为所建立的癫痫脑电信号自动检测和分类模型。
4、可选地，还包括：
5、应用磷虾群算法对所述深度典型关联稀疏自编码器模型中涉及的参数进行调整，以提高总体分类效率。
6、可选地，所述提取癫痫脑电信号，包括：
7、通过自编码器神经网络捕捉数据特征，从而提取所述癫痫脑电信号。
8、可选地，所述进行数据预处理，还包括：
9、首先，使用线性归一化方法对所述癫痫脑电信号数据集进行归一化处理；
10、然后，进行类标签处理，将所述癫痫脑电信号数据集中的实例分配适当的类标签。
11、可选地，所述深度典型关联稀疏自编码器模型基于深度神经网络的典型相关性分析与稀疏自编码器的结合，被确定为：
12、，
13、其中，n表示整个数据量，x和y表示两个数据集的输入矩阵，x，y表示数据集中的某个数据样本，f和g表示用于提取所有数据集非线性特征但同时对所有输入进行编码的深度神经网络，参数为wf和wg，u=[u1，…，ul]和v=[v1，…，vl]是将深度神经网络结果以l单元向顶层显示的典型相关性分析方向，代表测试中使用的非线性表示，和意味着输入和输入的更新，相应地，被确定为，其中表示这些隐藏单元j的平均激活度。
14、可选地，所述磷虾群算法通过得出一个适应度函数，以获得增强的分类精度，定义一个正整数来表征候选解决方案的性能，分类错误率的最小化被作为适应度函数来考虑：
15、。
16、为实现上述目的，本申请还提供一种癫痫脑电信号自动检测和分类方法，包括：获取脑电信号，将所述脑电信号输入由上述的癫痫脑电信号自动检测和分类模型建立方法所建立的癫痫脑电信号自动检测和分类模型，由所述癫痫脑电信号自动检测和分类模型对癫痫脑电信号进行自动检测和分类。
17、为实现上述目的，本申请还提供一种癫痫脑电信号自动检测和分类模型建立装置，包括：存储器；以及
18、与所述存储器连接的处理器，所述处理器被配置成执行如上所述的方法的步骤。
19、为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
20、本申请实施例具有如下优点：
21、本申请实施例提供一种癫痫脑电信号自动检测和分类模型建立方法，包括：提取癫痫脑电信号，并进行数据预处理，所述数据预处理包括应用郊狼优化算法进行特征选择，以获得最优子类特征；将所选的所述最优子类特征传递到深度典型关联稀疏自编码器模型中进行分类训练，训练结束后，将所述深度典型关联稀疏自编码器模型作为所建立的癫痫脑电信号自动检测和分类模型。
22、通过上述方法，提供了基于深度学习对癫痫脑电信号进行自动检测和分类的方法，能够不依赖人工识别，效率更高，比现有的分类模型技术拥有更好的性能，可以在早期阶段及时识别癫痫，提高分类效率和诊断准确性。
1.一种癫痫脑电信号自动检测和分类模型建立方法，其特征在于，包括：
2.根据权利要求1所述的癫痫脑电信号自动检测和分类模型建立方法，其特征在于，还包括：
3.根据权利要求1所述的癫痫脑电信号自动检测和分类模型建立方法，其特征在于，所述提取癫痫脑电信号，包括：
4.根据权利要求1所述的癫痫脑电信号自动检测和分类模型建立方法，其特征在于，所述进行数据预处理，还包括：
5.根据权利要求1所述的癫痫脑电信号自动检测和分类模型建立方法，其特征在于，
6.根据权利要求2所述的癫痫脑电信号自动检测和分类模型建立方法，其特征在于，
7.一种癫痫脑电信号自动检测和分类方法，其特征在于，包括：
8.一种癫痫脑电信号自动检测和分类模型建立装置，其特征在于，包括：
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被机器执行时实现如权利要求1至7中任一项所述的方法的步骤。