基于跨链接嵌套子网及混合依存算法的癫痫检测方法及系统

本发明涉及生物信号处理，具体涉及基于跨链接嵌套子网及混合依存算法的癫痫检测方法及系统。

背景技术：

1、癫痫是一种神经系统疾病，影响着全球超过5000万的人口。其被认为是一种主要慢性疾病，且每年的患病人数以500万的速度持续增长。频繁的癫痫发作可能会对大脑工作产生不利的影响，引起记忆力、认知能力和整体的生理功能的下降，从而对受此类发作影响的个体健康带来持续的风险。癫痫发作的症状主要有两类，第一类是失去知觉并伴有身体各部位无法控制的颤抖；第二类是不同程度的局部癫痫或特定身体部位出现短暂的意识丧失。通常，癫痫发作过程的持续时间约为2分钟，从发作到恢复正常状态需要一定的时间。尽管抗癫痫药物有效降低了癫痫发作的频率，但进一步认识癫痫所产生的有害影响至关重要。

2、脑电图是一种生物物理诊断技术，医学研究人员可以利用它来获取于癫痫患者相关的视觉数据。由于其具有易于生成，成本效益高并且能够提供高分辨率数据的特点，逐渐成为了医疗领域流行的检测技术。然而，手动识别癫痫是一项要求很高且复杂的任务，这需要临床专业的人员花费大量时间来对脑电图模式进行解码。从医学的角度来看，癫痫的自动检测和预测具有对于帮助医生进行诊断和帮助患者采取预防措施的巨大潜力。

3、目前，传统的浅层机器学习(machine learning,ml)和深度学习(deep learning,dl)代表了用于识别癫痫发作的两种主要方法。通常，传统的识别方法往往将手动设计的特征与浅层机器学习技术相结合。然而，传统的浅层机器学习方法要求研究人员拥有广泛的专业知识并能够从事手动设计特征的艰巨任务。此外，手动设计的特征会面临与耗时的提取过程相关的挑战，并且在分类任务上往往表现出较低的准确性。相比之下，深度学习算法能够自主地从脑电图中提取有意义的特征，并完成端到端的癫痫发作检测任务。

技术实现思路

1、鉴于此，本发明公开提供了基于跨链接嵌套子网及混合依存算法的癫痫检测方法及系统，以解决脑电信号特征表达不完整、网络传输过程中特征消失、时频域特征学习不充分及信号关系抽取不精确等问题。

2、本发明的技术方案包括：一种基于跨链接嵌套子网及混合依存算法的癫痫检测方法，包括

3、s1:采集原始脑电信号数据，利用多任务分解模态及频谱变换算法将原始脑电信号数据转换为脑电图；

4、其中利用所述多任务分解模态将每个信号切片中所有通道的原始信号分解成多个模态函数，并按照频率从高到低顺序进行选择来统一其数量；再将每个通道所得到的多个模态函数进行频谱变换；再将得到的频谱图矩阵按顺序拼接成一个频谱图矩阵p，公式如下：

5、

6、s2:构建跨链接嵌套子网的时序并行多维粒度特征学习模块，将所述频谱图矩阵送入跨链接嵌套子网架构进行时空特征学习；

7、s3:将跨链接嵌套子网分支的输出经过全连接层和位置嵌入求和，将求和与s1脑电图的结果分别输入到混合脑电依存算法，以进行多维脑电依存计算，获取脑电图数据中存在的全局知识；

8、s4:将混合脑电依存算法的输出送入分类器得到癫痫检测的结果。

9、具体地，s1中的脑图生成包含两个阶段。首先第一阶段是利用所述多任务分解模态将每个信号切片中所有通道的原始信号分解成多个模态函数，并按照频率从高到低顺序进行选择来统一其数量，包括：

10、s11：分解信号：给定一个信号s(t)，通过以下迭代将其分解成一系列的模态函数：

11、s(t)＝a1(t)+a2(t)+…+an(t)+bn(t)

12、其中，a(t),a2(t),…,an(t)是依次提取的模态函数，bn(t)是剩余的趋势项；

13、s12：提取局部极值点：在每次迭代中，将信号s(t)的局部极大值点和极小值点，作为信号的“拐点”，利用局部极值点，得到信号的上边界线tbl和下边界线bbl；

14、s13：提取边界线：通过插值提取边界线；

15、s14：平均过程：将上边界线和下边界线相加并除以2，得到边界均线

16、

17、s15：计算信号与边界均线的差，得到一维信号z(t)：

18、

19、s16：检查一维信号z(t)是否满足模态函数的条件，在整个信号区间内的极大值点和极小值点的个数相等，且在整个区间内交替出现；如果满足条件，则将该信号作为一个模态函数；否则，将z(t)视为新的输入信号，继续迭代上述步骤；

20、s17：迭代直到满足停止条件：重复上述过程，直到满足停止条件，所述停止条件为：是达到某个预定的迭代次数，或者判断得到的信号已经足够接近一个模态函数。

21、脑图生成的第二个阶段是将s1中每个通道所得到的多个模态函数进行频谱变换，包括：

22、s111:收集所得到的模态函数,表示为：am(t)，其中m表示第m个模态函数；

23、s112:选择窗函数α(t)，用于对每个模态函数进行分析，其中，窗函数的长度表示为l；

24、s113:将每个模态函数分成若干段，每段的长度为窗函数的长度l，将所述段称为窗口，表示为cm,n(t)，其中m表示第m个模态函数，n表示第n个窗口，δh表示窗口之间的时间间隔：

25、cm,n＝am(t)·α(t-n·δh)

26、s114:对每个模态函数的每个窗口信号进行频谱变换，得到频谱信息；所述频谱变换的公式如下：

27、

28、其中，u是当前窗口的序号，第一个窗口序号为0；v表示时间索引，w(v)指的是窗口函数，uh表示当前窗口的左侧坐标，n表示窗口数量，表示频率；

29、s115:将每个模态函数的频谱信息沿时间轴组合起来，得到可视化频谱图，表示为pi(f,t)；

30、s116:通过可视化频谱图pi(f,t)来分析每个模态函数在时间和频率上的变化，在pi(f,t)中，横轴表示时间，纵轴表示频率，颜色或者亮度表示信号的强度。

31、具体地，s2中所述跨链接嵌套子网的时序并行多维粒度特征学习模块由两个并行的子网络构成，每个子网络包括以下两个部分：

32、第一部分为具有跨链接的卷积网络，由两个卷积层和一个跨链接构成，卷积层用来提取子空间特征，跨链接用来防止特征演进过程中的退化；

33、第二部分为两个跨链接卷积网络分别连接一个嵌套子网，其中嵌套子网用于子空间时序特征提取，由两个时序记忆网络构成，同时每个时序记忆网络后加入了归一化和激活函数用于优化模型和降低模型退化的风险。

34、具体地，将跨链接嵌套子网分支的输出经过全连接层后输入到混合脑电依存算法前需使用正弦位置嵌入来补充时间信息中的距离-位置关系信息。

35、具体地，s3中将跨链接嵌套子网分支的输出经过全连接层和位置嵌入求和后和s1脑图的结果分别输入到混合脑电依存算法：

36、所述混合脑电依存算法由跨通道脑电信号依存计算和并行多维脑电信号依存计算组成；

37、通过跨通道脑电依存算法计算通道依存信息和全局依存信息；

38、通过并行多维脑电信号依存计算来捕获子空间关系。

39、本发明还提供了一种基于跨链接嵌套子网及混合依存算法的癫痫检测系统，包括：

40、数据处理模块，利用多任务分解模态及频谱变换算法将原始脑电信号数据转换为脑电图；

41、时空特征学习模块，基于跨链接嵌套子网对脑电图信号进行多尺寸对时序子特征进行学习；

42、依存计算模块，利用混合脑电依存计算模型获取脑电信号中的多视角关系，包括通道视角、子空间视角和全局视角；

43、分类器模块，针对癫痫检测任务设置，得到最终的癫痫检测的结果。

44、本发明提供了基于跨链接嵌套子网及混合依存算法的癫痫检测方法及系统，该方法能够有效的提取基于时频域信号的多维信息，本发明方法在单通道数据集和多通道数据集上都获得了最佳性能。在单通道数据集上的两种任务比次优结果在准确率分别提高了0.19％和2.813％。f1分数比次优结果分别提高了0.5％和4.122％。在多通道数据集上，准确率和f1分数比次优结果分别提高了1.63％和1.81％。本发明提出的混合网络架构即可以有效的分析脑电图的时频特征，其性能超过了目前最优的识别模型。

45、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明的公开。