基于去噪扩散概率模型的无监督癫痫检测系统

本发明涉及癫痫检测，特别是涉及一种基于去噪扩散概率模型的无监督癫痫检测系统。

背景技术：

1、本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

2、癫痫是一种持续性、复发性神经系统疾病，不具有传染性，是由脑神经细胞突然异常放电引起的，这种异常放电会导致患者意识丧失以及运动、情绪、知觉和精神系统等受到损伤。

3、脑电图诊断是目前十分重要的一种诊断癫痫发作的手段，脑电图通过使用头部表面的头皮电极或大脑中的颅内电极而创建，脑电信号可以描绘大脑的电活动，因此，在术前检查中，脑电信号对于区分癫痫发作信号和非癫痫发作信号以及定位癫痫区至关重要。

4、神经科医生通常通过人眼检查冗长的脑电图信号记录来诊断癫痫，然而，视觉评估的准确性在很大程度上取决于神经科医生的知识和经验，具有较高的主观性，而且因为随着脑电图数据量的增加，视觉检查耗时耗力，其劳动密集型性质将导致神经科医生的诊断准确性下降。因此，实现更有效、更客观且准确性更高的自动癫痫检测具有重要意义。

5、近年来，基于机器学习的方法在基于脑电信号的癫痫自动分类中得到广泛应用，目前基于脑电图的自动癫痫诊断中最流行的机器学习方法是监督学习(sl)。虽然研究已经证明了使用机器学习技术进行癫痫检测的潜力，但它们都依赖于监督学习，这需要大量的标记数据，特别是对于需要广泛的参数调整的深度学习技术。监督学习的核心概念包括训练一个基于输入样本和它们对应的标签之间的对应关系的模型，以便对不可见的数据进行预测。

6、然而，这种方法在实际应用中面临着一些挑战：

7、首先，获取足够数量和高质量的标记数据是一项艰巨的任务，标注数据的人工注释需要医疗专业人员或领域专家的专业知识，这使得它节省时间并存在主观偏见。对于深度学习技术，复杂的神经网络通常需要大量的标记数据来有效地学习数据中的复杂特征。

8、其次，监督学习算法在训练过程中容易发生过拟合。在训练数据或噪声样本有限的情况下，深度学习模型可能过度依赖于训练集中存在的噪声或局部特征，导致对不可见数据的泛化性能次优。因此，这些模型的实际应用可能会受到限制。

技术实现思路

1、为了解决现有技术的不足，本发明提供了一种基于去噪扩散概率模型的无监督癫痫检测系统、电子设备及计算机可读存储介质，提升了癫痫脑电信号识别准确性，进而辅助医生诊断癫痫。

2、第一方面，本发明提供了一种基于去噪扩散概率模型的无监督癫痫检测系统；

3、一种基于去噪扩散概率模型的无监督癫痫检测系统，包括：

4、脑电信号获取模块，被配置为：获取待检测脑电信号并进行预处理，将预处理后的待检测脑电信号转换为隐变量空间的潜在变量；

5、无监督癫痫检测模块，被配置为：将潜在变量输入训练好的去噪扩散概率模型中进行处理，获取癫痫检测结果；

6、其中，所述将潜在变量输入训练好的去噪扩散概率模型中进行处理的实现过程如下：

7、对潜在变量进行前向扩散，获取马尔可夫链上的噪声值并与预设的阈值进行比较，以根据阈值在反向扩散过程中对潜在变量中的异常信号进行恢复，并解码至像素空间，获取脑电信号重构图；

8、根据脑电信号重构图，获取癫痫检测结果。

9、进一步的，训练去噪扩散概率模型的实现过程如下：

10、获取正常无癫痫脑电信号并进行预处理，获取无癫痫脑电信号的二维频谱图并编码至隐变量空间，获取无癫痫潜在变量；

11、将无癫痫潜在变量输入去噪扩散概率模型，在前向扩散过程中根据量化的潜在表示，学习无癫痫数据的潜在表征分布，获取完全噪声图像；

12、以前向扩散的中间步骤为反向扩散过程的起点对完全噪声图像进行反向扩散，计算反向扩散过程中中间样本的平均值，以作为阈值。

13、优选的，以预测噪声和真实噪声一致为优化目标，对去噪扩散概率模型进行训练。

14、进一步的，对待检测脑电信号进行预处理的实现过程如下：

15、对待检测脑电信号进行带通滤波处理，并对带通滤波处理后的脑电信号进行时间间隔划分；

16、对每个时间间隔内的待检测脑电信号进行正则化处理。

17、进一步的，所述将预处理后的待检测脑电信号转换为隐变量空间的潜在变量的实现过程如下：

18、对预处理后的待检测脑电信号进行短时傅里叶变换，获取二维频谱图；

19、将二维频谱图输入矢量量化变分自动编码器进行编码处理，获取潜在变量。

20、优选的，所述将二维频谱图输入矢量量化变分自动编码器进行编码处理的实现过程如下：

21、将二维频谱图输入编码器，创建特征映射，并通过最近邻原理定位最近的离散码本，替换对应的特征映射，获取重构特征映射。

22、进一步的，所述根据阈值在反向扩散过程中对潜在变量中的异常信号进行恢复，并解码至像素空间的实现过程如下：

23、比较阈值和潜在变量中各像素的视觉特征值，根据比较结果，对各像素的视觉特征值进行二值化处理，以标记掩蔽区域；

24、以掩蔽区域外的其余部分作为上下文，通过反向扩散修复掩蔽区域，修复完成后输入解码器，获取脑电信号重构图。

25、进一步的，所述根据脑电信号重构图，获取癫痫检测结果的实现过程具体为：

26、比较脑电信号重构图和由待检测脑电信号转换的二维频谱图，判断是否存在像素级残差，若是，则为癫痫脑电信号；若否，则为正常无癫痫脑电信号。

27、第二方面，本发明提供了一种电子设备；

28、一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，实现如下步骤：

29、获取待检测脑电信号并进行预处理，将预处理后的待检测脑电信号转换为隐变量空间的潜在变量；

30、将潜在变量输入训练好的去噪扩散概率模型中进行处理，获取癫痫检测结果；

31、其中，所述将潜在变量输入训练好的去噪扩散概率模型中进行处理的实现过程如下：

32、对潜在变量进行前向扩散，获取马尔可夫链上的噪声值并与预设的阈值进行比较，以根据阈值在反向扩散过程中对潜在变量中的异常信号进行恢复，并解码至像素空间，获取脑电信号重构图；

33、根据脑电信号重构图，获取癫痫检测结果。

34、第三方面，本发明提供了一种计算机可读存储介质；

35、一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，实现如下步骤：

36、获取待检测脑电信号并进行预处理，将预处理后的待检测脑电信号转换为隐变量空间的潜在变量；

37、将潜在变量输入训练好的去噪扩散概率模型中进行处理，获取癫痫检测结果；

38、其中，所述将潜在变量输入训练好的去噪扩散概率模型中进行处理的实现过程如下：

39、对潜在变量进行前向扩散，获取马尔可夫链上的噪声值并与预设的阈值进行比较，以根据阈值在反向扩散过程中对潜在变量中的异常信号进行恢复，并解码至像素空间，获取脑电信号重构图；

40、根据脑电信号重构图，获取癫痫检测结果。

41、与现有技术相比，本发明的有益效果是：

42、1、本发明提供的技术方案，首次将扩散概率模型集成到癫痫发作检测中，有助于癫痫脑电信号识别准确性的提高，辅助医生诊断癫痫。

43、2、本发明提供的技术方案，将癫痫检测问题视为异常检测问题，使用无监督学习，利用马尔科夫链的变分下界来识别脑电信号中的异常，将异常数据重新采样并转换为正常数据，通过比较前后的数据，可以确定是否有癫痫，无需进行数据的人工注释，提升了数据的泛化性能。

44、3、本发明提供的技术方案，引入vq-vae网络，输入的数据被编码到向量量化表示中，从而实现了强大和高效的扩散概率模型，同时保持其质量，有助于快速并高效的癫痫检测。