一种基于混合深度学习的儿童病毒性脑炎分类系统

本发明属于医学人工智能领域，具体涉及一种基于混合深度学习的儿童病毒性脑炎分类系统。

背景技术：

1、脑炎是由脑实质炎症引起神经功能障碍的严重疾病,是儿科发病率较高的疾病类型，需要及时诊断和治疗。如果治疗不及时或诊断出现偏差，会严重威胁儿童的生命和健康。因此，对于重症脑炎早期的识别与预警具有重要的临床意义。脑电图(electroencephalogram,eeg)检测技术由于其无创、低成本且能够在早期较准确地对脑功能损伤程度进行判定，成为病毒性脑炎的常见检查方式。临床症状越重，脑电图的异常率越高，异常程度越明显。因此，对患者eeg信号的研究对于病毒性脑炎的检测具有重要的价值。

2、目前，临床上对于病毒性脑炎(ve)的eeg分析仍然是依靠专业医生通过经验和专业知识进行观察分析的，不仅耗时费力，且主观性较强。由于病毒性脑炎病情发展较快，有大量的重症病例是医生未能及时地从早期脑电图变化中发现异常，导致临床治疗延误，进而发展为重症脑炎。

3、随着人工智能和深度学习的发展，在医学领域，已经有研究人员使用人工智能算法对脑炎eeg信号进行了自动分析和识别。luca等人将脑炎患者脑电图中存在的慢双相复合物(sbc)相关的时域特征与不同频段eeg节律的相对功率谱频域特征相融合，并采用最佳二叉树模型(btm)来对提取的特征进行训练，最后对不同程度的患者进行分类。

4、然而，尽管现有的儿童脑炎eeg分类方法取得了较好的结果。但常规的卷积神经网络等深度学习方法，对连续、大批量的eeg信号进行特征提取时，无法保留相邻时间序列模型的“记忆”，容易忽略掉某些重要的特征信息，不能对相邻eeg片段之间特征的变化进行综合分析，导致分类正确率的下降。

技术实现思路

1、本发明针对现有的方法的不足，提出了一种混合深度学习的儿童病毒性脑炎分类系统，可以实现对不同症状的儿童病毒性脑炎患者eeg信号的有效识别并正确分类，取得了较高的准确率和效率，消除了临床医生认知差异和主观影响，使分类结果更具客观性。

2、一种基于混合深度学习的儿童病毒性脑炎分类系统，包括：数据采集模块、数据预处理模块、数据分割模块、特征表示模块、特征提取模块和训练分类模块。

3、数据采集模块，用于采集临床儿童ve患者的脑电信号数据，得到不同症状患者的eeg数据。

4、数据预处理模块，用于对ve患者原始的eeg数据进行伪影和噪声的滤波处理。

5、数据分割模块，用于对滤波后的eeg数据进行小波包变换(wpt)提取出低频段脑电节律信号，并对脑电节律信号进行分割，形成固定长度的脑电节律片段数据。

6、特征表示模块，用于将连续的eeg节律时域信号通过连续小波变换(cwt)转换到时频域，通过时间-频率(tf)图像表示特征。

7、特征提取模块，用于提取tf图像中表征的时间-空间-频率融合特征。

8、训练分类模块，用于将提取出的不同域融合特征输入特征提取模块，对特征提取模块中的神经网络进行训练，得到不同症状ve患者的分类结果。

9、进一步的，所述数据采集模块具体用于：对临床ve患儿持续发作的脑电图头皮记录数据进行采集，获取轻症与重症脑炎患儿的原始eeg时间序列信号。

10、进一步的，所述数据预处理模块具体用于：对获取的eeg信号进行噪声过滤处理，使用带通滤波器提取出1-48hz的eeg信号，去除眼球运动、伪影等工频噪声的干扰。

11、进一步的，所述数据分割模块具体用于：

12、使用小波包变换来提取eeg信号的低频段脑电节律，包含alpha(8-12hz)，theta(4-8hz)，delta(1-4hz)3个子带的脑电节律信号。

13、使用固定大小的滑动时间窗来对脑电节律信号进行不重叠的分割，将每个患者eeg数据样本s分别等分为n段时长为t的数据，从而每个样本s得到n个数据集合，即{s1,s2,...,sn}。

14、进一步的，所述特征表示模块具体用于：为了深入了解信号，将分割后的脑电节律时域信号通过cwt转换为时频域的tf图像，将时域信号的细节同时捕获到频域中。通过tf图像能够展示信号随时间的光谱变换,可以同时在时域和频域观察信号，完整表述不同域的特征。

15、进一步的，所述特征提取模块包括空间-频率特征提取单元和序列特征提取单元：

16、(1)空间-频率特征提取单元，通过设计的包含3个“学习器”的卷积神经网络cnn子模块，来依次学习输入tf特征图像中的频率-空间特征，并在最后对二维特征矩阵进行展平处理，输出一维的特征向量，用于输入序列化特征提取模块。

17、进一步的，所述的3个“学习器”的cnn子模块的具体架构依次由第一卷积层、归一化层、第一池化层、dropout层、第二卷积层、归一化层、第二池化层、dropout层、第三卷积层、归一化层、se模块、第三池化层、dropout层、flatten层组成。

18、(2)序列特征提取单元，通过双向长短期记忆网络bi-lstm来提取相邻特征之间的关系变化特征，并与空间-频率特征提取模块提取的特征有效结合起来，使其完整地输入到分类模块中进行训练并分类。

19、进一步的，所述的序列特征提取单元的具体架构依次由bi-lstm层、dropout层、bi-lstm层、全连接层组成。

20、进一步的，所述训练分类模块具体用于：对特征提取模块中的神经网络进行训练，在训练过程中使用交叉熵作为损失函数来计算损失值，并用adam梯度下降算法，寻找损失的最小值，来更新网络参数。对训练好的神经网络输入不同症状的ve脑电信号数据，得到输出分类结果。

21、本发明具有以下有益效果：

22、本发明方法针对病毒性脑炎eeg信号进行分析，针对不同严重程度的脑炎在不同频段表现出的明显差异为背景，通过提取δ、θ、α多个低频段脑电节律，解决了不同程度患者之间频段差异性问题。

23、本发明根据eeg信号具有的多维度的特征信息，如时间，空间，频率等特征，利用时间-频率特征图像来表示eeg数据，充分利用其不同维度间的特征信息，避免了因为特征提取不足造成的准确率下降问题。

24、本发明面对大批量的脑炎时间-频率特征图像，设计出cnn与bi-lstm串联连接的混合深度学习模型，充分地将特征图像中包含的不同维度的特征信息提取出来，并进行特征融合，大大提升了分类的效率和准确率。

技术特征：

1.一种基于混合深度学习的儿童病毒性脑炎分类系统，其特征在于，包括数据采集模块、数据预处理模块、数据分割模块、特征表示模块、特征提取模块和训练分类模块；

2.根据权利要求1所述的基于混合深度学习的儿童病毒性脑炎分类系统，其特征在于，所述数据预处理模块具体实现为：对获取的eeg信号进行噪声过滤处理，使用带通滤波器提取出1-48hz的eeg信号，去除眼球运动以及伪影的工频噪声干扰。

3.根据权利要求1所述的基于混合深度学习的儿童病毒性脑炎分类系统，其特征在于，所述数据分割模块具体实现为：

4.根据权利要求1所述的基于混合深度学习的儿童病毒性脑炎分类系统，其特征在于，所述特征提取模块包括空间-频率特征提取单元和序列特征提取单元；

5.根据权利要求4所述的基于混合深度学习的儿童病毒性脑炎分类系统，其特征在于，所述的3个学习器的cnn子模块的具体架构依次由第一卷积层、归一化层、第一池化层、dropout层、第二卷积层、归一化层、第二池化层、dropout层、第三卷积层、归一化层、se模块、第三池化层、dropout层、flatten层组成。

6.根据权利要求4所述的基于混合深度学习的儿童病毒性脑炎分类系统，其特征在于，所述的序列特征提取单元的具体架构依次由bi-lstm层、dropout层、bi-lstm层、全连接层组成。

7.根据权利要求1至6任一所述的基于混合深度学习的儿童病毒性脑炎分类系统，所述训练分类模块具体实现为：对特征提取模块的深度神经网络进行训练，在训练过程中使用交叉熵作为损失函数计算损失值，并用adam梯度下降算法，寻找损失的最小值，更新网络参数，完成训练结束。

技术总结
本发明公开了一种基于混合深度学习的儿童病毒性脑炎分类系统，其中数据采集模块采集临床儿童病毒性脑炎患者的脑电信号数据；数据预处理模块对脑电图数据进行伪影和噪声的滤波处理；数据分割模块对滤波后的数据进行小波包变换，提取脑电节律信号；特征表示模块将连续的脑电图节律时域信号通过连续小波变换转换到时频域，通过时间‑频率TF图像表示特征；特征提取模块提取TF图像中表征的时间‑空间‑频率融合特征；训练分类模块将不同域融合特征输入特征提取模块，对特征提取模块中的神经网络进行训练，得到不同症状VE患者的分类结果。本发明解决了不同程度患者之间频段差异性问题，提升了分类的效率和准确率。

技术研发人员：郭栋梁,韩杰锐,汪洁炜,张启忠
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/1/15