一种癫痫脑电自动分类模型的获取方法、系统及分类系统技术方案

本发明专利技术涉及一种癫痫脑电自动分类模型的获取方法及系统，系统包括有效脑电信号获取模块、时频图获取模块、分类模块、分类准确率计算模块以及输出模块；本发明专利技术还公开了一种癫痫脑电信号自动分类系统，系统包括有效脑电信号获取模块、时频图获取模块、分类模块以及输出模块；本发明专利技术的系统和方法，通过采用迁移学习对时频图进行自动特征提取，在降低对大量特征处理时间的基础上，又减少了参数调试以及参数学习的工作量，大大节约了网络模型搭建和训练的时间，从而提高系统及模型对脑电信号分类的效率。

【技术实现步骤摘要】
一种癫痫脑电自动分类模型的获取方法、系统及分类系统
本专利技术涉及生物医学工程信号处理领域，特别是涉及一种癫痫脑电自动分类模型的获取方法、系统及分类系统。
技术介绍
癫痫是一种较为常见的脑部疾病。世界卫生组织2019年6月统计，全世界有大约5000万癫痫患者，约占总人口的0.6％～0.8％，且每年以240万的速度增加，癫痫病年龄跨度大，且趋于年轻化，严重威胁人类健康发展。在癫痫人群中，20岁以下的青少年和儿童成为高发人群。癫痫的产生原因十分复杂，其发病机制至今仍未能完全阐明，很多情况下无法从患者的脑部发现可以解释相应症状的结构或代谢的异常。但是癫痫患者的脑电信号包含了大脑大量的病理信息。脑电图是一种低成本非侵入性工具，可用于长期评估。因此，脑电图是诊断癫痫最有用的工具。目前，癫痫的诊断主要依靠医生对脑电图的检查分析，耗时耗力，而且存在误判的问题，因此，对癫痫脑电信号的自动识别分类对癫痫病的检测有重要的意义，能在很大程度上减轻医生的负担和提高诊断效率。脑电信号是一种随机非平稳信号，且噪声背景强，信号微弱，因此对信号的特征提取存在一定的困难。现有的系统均单从时域分析或者频域分析，效果都不理想，因为信号的随机、非平稳性，从而不能充分的表现出癫痫信号的特征。而时频分析能充分的保留信号的时间和频率信息。因此，采用时频分析的系统针对癫痫脑电信号进行分析，可提取出众多癫痫脑电相关特征。传统的基于时频分析的癫痫脑电处理模型及系统通过获取癫痫脑电信号的时频图，提取众多特征，进行分类。但是在保证分类较高的精度，特征提取较少的同时，又要降低处理的计算时间，两者之间较难权衡。因此本专利技术的方案将对信号经过处理得到的时频图，采用机器学习进行自动特征提取与分类，实现癫痫脑电的分类与自动识别，从而减轻医生的负担，提高系统对脑电图诊断的效率。
技术实现思路
本专利技术的目的是提供一种癫痫脑电自动分类模型的获取方法、系统及分类系统，通过采用迁移学习对时频图进行自动特征提取，在降低对大量特征处理时间的基础上，又减少了参数调试以及参数学习的工作量，大大节约了网络模型搭建和训练的时间，从而提高系统及模型对脑电信号分类的效率。为实现上述目的，本专利技术提供了如下方案：一种癫痫脑电自动分类系统，所述系统包括有效脑电信号获取模块、时频图获取模块、分类模块以及输出模块；所述有效脑电信号获取模块用于对待分类的脑电信号进行小波变换，获得有效频带范围的脑电信号，记为有效脑电信号；所述时频图获取模块用于对所述有效脑电信号进行短时傅里叶变换，获得反应时间和频率的时频图；所述分类模块用于利用TensorFlow框架对所述时频图进行分类，得到模型分类结果；所述TensorFlow框架是利用初始Inception-V3卷积神经网络模型对所述时频图进行迁移学习来得到特征向量，再将所述特征向量输入优化后的Inception-V3卷积神经网络模型进行分类的；所述输出模块用于输出所述优化后的Inception-V3卷积神经网络模型的分类结果。一种癫痫脑电自动分类模型的获取方法，所述方法包括：对待分类的脑电信号进行多层小波分解，获得有效频带范围的脑电信号，记为有效脑电信号；所述小波分解的层数由所述待分类的脑电信号的采样频率决定；对所述有效脑电信号进行短时傅里叶变换，获得反应时间和频率的时频图；利用TensorFlow框架对所述时频图进行分类，得到模型分类结果；所述TensorFlow框架是利用初始Inception-V3卷积神经网络模型对所述时频图进行迁移学习来得到特征向量，再将所述特征向量输入优化后的Inception-V3卷积神经网络模型进行分类的；根据所述模型分类结果计算所述优化后的Inception-V3卷积神经网络模型的分类准确率，并判断所述分类准确率是否达到预设阈值，当达到预设阈值时，停止训练，得到训练好的癫痫脑电自动分类模型；否则继续对所述优化后的Inception-V3卷积神经网络模型进行训练，直到所述分类准确率达到预设阈值。一种癫痫脑电自动分类模型的获取系统，所述系统包括有效脑电信号获取模块、时频图获取模块、分类模块、分类准确率计算模块以及输出模块；所述有效脑电信号获取模块用于对待分类的脑电信号进行多层小波分解，获得有效频带范围的脑电信号，记为有效脑电信号；所述小波分解的层数由所述待分类的脑电信号的采样频率决定；所述时频图获取模块用于对所述有效脑电信号进行短时傅里叶变换，获得反应时间和频率的时频图；所述分类模块用于利用TensorFlow框架对所述时频图进行分类，得到模型分类结果；所述TensorFlow框架是利用初始Inception-V3卷积神经网络模型对所述时频图进行迁移学习来得到特征向量，再将所述特征向量输入优化后的Inception-V3卷积神经网络模型进行分类的；所述分类准确率计算模块用于根据所述模型分类结果计算所述优化后的Inception-V3卷积神经网络模型的分类准确率，并判断所述分类准确率是否达到预设阈值，当达到预设阈值时，停止训练，得到训练好的癫痫脑电自动分类模型；否则继续对所述优化后的Inception-V3卷积神经网络模型进行训练，直到所述分类准确率达到预设阈值；所述输出模块用于输出所述优化后的Inception-V3卷积神经网络模型的分类准确率。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：1、本专利技术所提供的一种获取癫痫脑电自动分类模型的方法和系统，采用Inception-V3卷积神经网络模型进行迁移学习，有效的降低了训练模型的复杂度，节约了模型搭建和训练的时间，提高了系统对脑电图诊断的效率，尤其在试验数据不充足的的情况下，优势更明显。2、本专利技术提供的一种癫痫脑电自动分类系统，通过采用训练好的癫痫脑电自动分类模型对待分类的脑电信号进行实际分类，提高了系统对脑电图诊断的效率。3、本专利技术提供的一种获取癫痫脑电自动分类模型的方法和系统，通过时频图获取模块提取脑电信号的时频图，同时包含了信号的时间和频率信息，相对于现有技术中仅提取时间信息或频率信息的系统信息提取更全面。4、本专利技术提供的一种获取癫痫脑电自动分类模型的方法和系统，通过时频图获取模块提取脑电信号的时频图，同时包含了信号的时间和频率舍弃了繁琐的人工特征提取，采用机器学习系统进行自动特征提取学习，简单有效。5、基于本专利技术的癫痫脑电信号自动分类模型进行分类易取得良好的分类效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1示出了一种可应用于本专利技术所有实施例的终端设备的结构框图；图2为本专利技术实施例一提供的癫痫脑电自动分类模型的获取方法流程图；图3为本专利技术实施例一提供的本文档来自技高网...

【技术保护点】
1.一种癫痫脑电自动分类系统，其特征在于，所述系统包括有效脑电信号获取模块、时频图获取模块、分类模块以及输出模块；/n所述有效脑电信号获取模块用于对待分类的脑电信号进行小波变换，获得有效频带范围的脑电信号，记为有效脑电信号；/n所述时频图获取模块用于对所述有效脑电信号进行短时傅里叶变换，获得反应时间和频率的时频图；/n所述分类模块用于利用TensorFlow框架对所述时频图进行分类，得到模型分类结果；所述TensorFlow框架是利用初始Inception-V3卷积神经网络模型对所述时频图进行迁移学习来得到特征向量，再将所述特征向量输入优化后的Inception-V3卷积神经网络模型进行分类的；/n所述输出模块用于输出所述优化后的Inception-V3卷积神经网络模型的分类结果。/n

【技术特征摘要】
1.一种癫痫脑电自动分类系统，其特征在于，所述系统包括有效脑电信号获取模块、时频图获取模块、分类模块以及输出模块；
所述有效脑电信号获取模块用于对待分类的脑电信号进行小波变换，获得有效频带范围的脑电信号，记为有效脑电信号；
所述时频图获取模块用于对所述有效脑电信号进行短时傅里叶变换，获得反应时间和频率的时频图；
所述分类模块用于利用TensorFlow框架对所述时频图进行分类，得到模型分类结果；所述TensorFlow框架是利用初始Inception-V3卷积神经网络模型对所述时频图进行迁移学习来得到特征向量，再将所述特征向量输入优化后的Inception-V3卷积神经网络模型进行分类的；
所述输出模块用于输出所述优化后的Inception-V3卷积神经网络模型的分类结果。


2.根据权利要求1所述的一种癫痫脑电自动分类系统，其特征在于，所述有效脑电信号获取模块包括脑电信号导入单元和小波分解单元；
所述脑电信号导入单元用于将所述待分类的脑电信号导入所述小波分解单元中；
所述小波分解单元用于对所述待分类的脑电信号进行多层小波分解，得到所述有效脑电信号；所述小波分解的层数由所述待分类的脑电信号的采样频率决定。


3.根据权利要求1所述的一种癫痫脑电自动分类系统，其特征在于，所述分类模块包括数据集划分单元、特征提取单元、模型优化单元和模型训练单元；
数据集划分单元用于将癫痫发作期脑电信号的时频图和正常脑电信号的时频图组成数据集，并采用random函数将所述数据集分为训练集、验证集和测试集，对所述训练集、所述测试集和所述验证集数据添加标签，其中，所述癫痫发作期脑电的时频图的标签为1，所述正常脑电信号的时频图的标签为0；
所述特征提取单元用于调用初始Inception-V3卷积神经网络模型对所述数据集中的所述时频图进行迁移学习的特征处理并输出特征向量；
所述模型优化单元用于对所述初始Inception-V3卷积神经网络模型进行优化，将所述全连接层替换为二分类，得到所述优化后的Inception-V3卷积神经网络模型；
所述模型训练单元用于利用所述训练集、所述验证集和所述测试集对所述优化后的Inception-V3卷积神经网络模型进行训练、验证以及测试，所述模型训练单元在训练过程中使用交叉熵损失函数和随机梯度下降算法对所述优化后的Inception-V3卷积神经网络模型进行训练，得到所述优化后的Inception-V3卷积神经网络模型的分类结果。


4.根据权利要求3所述的一种癫痫脑电自动分类系统，其特征在于，所述模型优化单元还用于调用所述分类结果计算所述优化后的Inception-V3卷积神经网络模型的分类准确率；所述模型优化单元是通过正确率、召回率和精确率计算所述优化后的Inception-V3卷积神经网络模型的分类准确率的；
所述正确率计算公式为：



其中，ACC表示所述优化后的Inception-V3卷积神经网络模型的分类正确率，TP为真正例，表示被正确分类的所述癫痫发作期脑电信号样本数；TN为真反例，表示被正确分类的所述正常脑电信号的样本数；FP为伪正例，表示被错误分类的所述癫痫发作期脑电信号的样本数；FN为伪反例，表示被错误分类的所述正常脑电信号的样本数；
所述召回率计算公式为：



其中，SEN表示所述优化后的Inception-V3卷积神经网络模型的分类召回率；
所述精确率计算公式为：



其中，PRE表示所述优化后的Inception-V3卷积神经网络模型的分类精确率。


5.一种癫痫脑电自动分类模型的获取方法，其特征在于，所述方法包括：
对待分类的脑电信号进行多层小波分解，获得有效频带范围的脑电信号，记为有效脑电信号；所述小波分解的层数由所述待分类的脑电信号的采样频率决定；
对所述有效脑电信号进行短时傅里叶变换，获得反应时间和频率的时频图；
利用TensorFlow框架对所述时频图进行分类，得到模型分类结果；所述TensorFlow框架是利用初始Inception-V3卷积神经网络模型对所述时频图进行迁移学习来得到特征向量，再将所述特征向量输入优化后的Inception-V3卷积神经网络模型进行分类的；
根据所述模型分类结果计算所述优化后的Inception-V3卷积神经网络模型的分类准确率，并判断所述分类准确率是否达到预设阈值，当达到预设阈值时，停止训练，得到训练好的癫痫脑电自动分类模型；否则继续对所述优化后的Inception-V3卷积神经网络模型进行训练，直到所述分类准确率达到预设阈值。


6.根据权利要求5所述的一种癫痫脑电自动分类模型的获取方法，其特征在于，所述利用TensorFlow框架对所述时频图进行分类，得到模型分类结果具体包括：
将癫痫发作期脑电信号的时频图和正常脑电信号的时频图组成数据集，采用random函数将所述数据集分为训练集、验证集和测试集，并对所述训练集、所述测试集和所述验证集数据添加标签，其中，所述癫痫发作期脑电的时频图的标签为1，所述正常脑电信号的时频图的标签为0；
调用初始...

【专利技术属性】
技术研发人员：杨晓利，杨彬，李振伟，白永杰，许俊超，吴晓琴，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：河南;41