一种基于混合脉冲深层网络的癫痫脑电信号识别方法

本发明涉及脑电信号处理，尤其涉及一种基于混合脉冲深层网络的癫痫脑电信号识别方法。

背景技术：

1、目前癫痫诊断主要依靠医生查验患者的脑电图来判断，但是人工检查存在较大的主观因素，并且耗时耗力。因此脑电信号的癫痫自动识别技术将有助于减轻医生的负担和提高癫痫疾病的诊断效率。由于脑电信号振荡剧烈并且波形复杂，因此脑电信号的分析和处理一直很困难。传统的方法主要根据时序特征来分析脑电信号，忽略了其空间信息和时频特性，导致对于癫痫脑电信号的识别效果并不是很理想。

2、近年来，随着深度神经网络的蓬勃发展，卷积神经网络和循环神经网络已经在计算机视觉、自然语言处理等领域取得了不错的效果，许多研究者也开始用深度神经网络的方法来进行癫痫脑电信号识别。通过结合卷积神经网络和循环神经网络的混合深度网络模型可以同时提取时空特征，具有更好的癫痫发作检测性能。

3、但是，一方面由于脑电的波形复杂，且振荡剧烈，直接运用深层网络的堆栈机构来提取的脑电癫痫特征信息有限，没有发挥出其提取有效特征的性能；另一方面，传统神经网络过于庞大的模型结构和复杂的计算过程导致难以运用到实际癫痫发作监测中。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于混合脉冲深层网络的癫痫脑电信号识别方法，解决了现有技术难以将脑电信号时频信息与时空信息进行融合的技术问题。

2、为解决上述技术问题，本发明提供了如下技术方案：一种基于混合脉冲深层网络的癫痫脑电信号识别方法，该方法包括以下步骤：

3、s1、获取以固定频率采样并保存为单通道的原始脑电信号数据；

4、s2、对原始脑电信号数据进行数据切分得到脑电信号数据片段；

5、s3、将脑电信号数据片段输入到时频表示层得到不同频带的多通道脑电信号，并通过注意力网络层对时频特征进行特征加强；

6、s4、构建脉冲编码层将多通道脑电信号编码成多通道二值脉冲序列；

7、s5、构建混合脉冲深层网络对多通道二值脉冲序列进行特征映射，用以提取脑电信号中与空间信息和时间信息相对应的时空特征；

8、s6、构建脉冲全连接网络对从脑电信号中提取的时频特征、时空特征进行特征融合；

9、s7、运用脉冲神经元突触学习机制对混合脉冲深层网络进行更新，并应用于对癫痫脑电信号的识别分类。

10、进一步地，在步骤s4中，具体为通过lif神经元模型构建脉冲编码层，对优化后的多通道脑电信号编码为多通道二值脉冲序列，其中lif神经元模型为：

11、；

12、上式中，是时间常数表示神经元膜电位随时间衰减的速度；表示神经元的模电位；而表示时间t时突出前神经元的输入，多通道脑电信号通过脉冲编码层映射编码成为多通道二值脉冲序列的脑电信号。

13、进一步地，所述脉冲编码层基于脉冲卷积层完成构建并作为混合脉冲深层网络的最上层，将实值的多通道脑电信号通过脉冲卷积和lif神经元的映射，转化为脉冲形式的二值输出为多通道二值脉冲序列，脉冲编码层之间的数据传输形式是脉冲二值序列，其脉冲卷积的表达式为：

14、；

15、上式中，表示时间t时第n层的神经元i的输入；是突触前神经元的输出；表示n-1层中连接神经元i的突触前神经元；表示连接神经元i与神经元j的权重。

16、进一步地，在步骤s5中，所述混合脉冲深层网络包括基于lif神经元模型构建用于提取多通道二值脉冲序列空间信息的脉冲卷积网络，以及用于提取多通道二值脉冲序列时间信息的脉冲bi-lstm网络；

17、所述脉冲卷积网络包括5个卷积层、2个批标准化层和5个lif神经元层，卷积层通过不同大小的卷积和对不同区域的数据信息进行特征提取，得到不同的空间特征；

18、所述脉冲bi-lstm网络包括3个脉冲bi-lstm层和2个dropout层，脉冲卷积网络输出的新的脑电信号特征矩阵输入到脉冲bi-lstm网络进行脑电信号时间信息的获取。

19、进一步地，所述脉冲卷积网络的网络层之间神经元连接的表达式为：

20、；

21、；

22、；

23、上式中，表示时间t时第n层的神经元i的膜电位；是突触前神经元的输出；表示n-1层中连接神经元i的突触前神经元；表示连接神经元i与神经元j的权重；k是衰减因子；v表示脉冲神经元的阈值电压。

24、进一步地，所述脉冲bi-lstm网络包括依次连接的第一层脉冲bi-lstm层，第二层dropout层，第三层脉冲bi-lstm层，第四层dropout层，第五层脉冲bi-lstm层。

25、进一步地，脉冲bi-lstm层的结构为：

26、；

27、；

28、；

29、；

30、；

31、；

32、上式中，，，分别表示脉冲lstm层第n层t时刻的遗忘门、输入门和输出门；，，分别表示脉冲出入、脉冲隐状态和脉冲输出；，分别表示和传统lstm单元对应的替代脉冲激活函数；，，，，，，，和，，，，，，，分别表示各自连接的权重和偏置；运算*表示hadamard积。

33、进一步地，所述脉冲全连接网络由两层脉冲线性层和脉冲softmax层构成，通过脉冲全连接层的特征融合，得到最后一层的脉冲输出，第一层脉冲线性层的维数为16，第二层脉冲线性层的维数为2，最后的分类结果通过softmax函数实现。

34、进一步地，在步骤s7中，具体过程包括：

35、构建混合脉冲深层网络的损失函数，表达式为：

36、；

37、上式中，t表示总的时间步长，y表示数据真实标签，表示最后层在时间t的脉冲序列输出；

38、运用stdp学习机制来调整突触前后神经元的连接权值，突触权值的改变量用表示，则的表达式为：

39、；

40、；

41、上式中，，表示突触后神经元j的脉冲发放时间与突触前神经元i的脉冲发放时间的时间差；和是影响指数衰减速率的时间常数；和表示学习速率。

42、借由上述技术方案，本发明提供了一种基于混合脉冲深层网络的癫痫脑电信号识别方法，至少具备以下有益效果：

43、1、本发明所提出的癫痫脑电信号识别方法用于实现单通道脑电信号的脑电癫痫识别，相对于传统深度网络实现的癫痫识别，本发明在保证了精度的前提下，通过脉冲形式的网络学习和信息传递，降低了网络的数据负载和体量，提升了网络的运行速度，并且减少了能耗，在便携式设备上有广泛的应用前景。

44、2、本发明充分考虑不同类型深度网络的特征，通过融合传统神经网络的注意力机制和混合脉冲深层网络，在充分利用脑电信号时频特征的同时，有效地提取脉冲形态脑电信号的时间信息和空间信息，从而解决了现有技术难以将脑电信号时频信息与时空信息进行融合的问题，进而达到提高癫痫检测准确率的目的。

45、3、本发明将传统神经网络注意力机制与脉冲神经网络结合，充分利用脉冲神经网络对时序信号处理的特点，提高了模型的性能和泛化能力的同时，降低了网络的能耗。与现有技术相比，本发明对癫痫脑电识别正确率高，能耗小，对于诊断和自动识别癫痫脑疾病的轻量化设备实现具有重要意义。