本发明专利技术提供了一种基于深度卷积注意力网络的癫痫颅内脑电信号预警方法，通过采集癫痫患者丘脑前核(Anterior Nucleus of the Thalamus,ANT)处的颅内脑电信号(Intracranial electroencephalography,iEEG)信号进行分析，提取并融合了颅内脑电信号的多尺度时序特征和多频谱特征，同时采取了注意力机制，关注癫痫发作期颅内脑电信号最显著特征，使得本网络的预警准确率有明显提高。在本发明专利技术的一个实施例中，在包含5名癫痫患者的颅内脑电信号数据集上进行验证，其中单个病人的平均癫痫预警准确率(Sensitivity,Sn)可达95.0％，每小时误报次率(False Predicting Rate,FPR)小于0.15，在预警效果和模型泛化能力上均优于现有的癫痫预警方法，实现了癫痫的准确快速预警，对临床癫痫疾病的诊断与神经调控具有重要意义。控具有重要意义。控具有重要意义。
【技术实现步骤摘要】
基于深度卷积注意力网络的癫痫颅内脑电信号预警方法
[0001]本专利技术提供了一种基于深度卷积注意力网络的癫痫颅内脑电信号预警方法，它提供了癫痫患者颅内脑电信号(Intracranial electroencephalography,iEEG)特征提取的方法，为临床实时癫痫预警提供了新的分析途径，属于信号处理和模式识别
技术介绍
[0002]癫痫是一种常见的神经紊乱疾病，世界上有超过四千万的患者受其影响，严重危害人体健康。目前，脑电信号是癫痫诊疗的重要依据，主要依靠医生观察患者脑电图来进行视觉检测。然而，通过视觉检测的癫痫诊断存在较大的主观性，而且对医生的负担较重，且患者发作时难以对癫痫进行及时调控。因此，癫痫脑电信号个体化预警技术十分重要，能提高癫痫诊断的效率，在患者发作前期及时报警，以便及时进行干预调控抑制癫痫发作。
[0003]癫痫预警技术旨在分析癫痫患者的脑电信号(electroencephalography,EGG)，实现对发作前期和发作间期脑电信号的准确区分，从而达到癫痫预警的目的。此前，大多数研究首先从时域或频域提取脑电信号特征。然而，以固定的方式提取特征可能会受脑电信号的非平稳性、低信噪比和患者之间的异质性等因素影响，使得这些预定义特征对EEG识别的有效性降低。近年来，随着深度学习的蓬勃发展，卷积神经网络(Convolution Neural Network，CNN)在图像、自然语言处理等诸多领域都取得了一定的应用效果，许多研究开始采用深度学习的方法进行癫痫自动预警。癫痫发作是癫痫患者的EEG在大脑空间和时间演变的结果，大部分研究着手提取EEG的时空特征，但由于卷积存在局部感受域的限制，传统CNN 只能捕捉信道间小范围的空间特征，忽略了癫痫引起的信道间的广泛相互作用。另外，传统CNN本质上等同于低通滤波器，忽略了信号的高频分量，使得神经网络仅仅学习到EEG的部分频谱特征，破坏了EEG的非平稳性。为了弥补传统 CNN在特征提取上的不足，一些研究开始研究多流网络结构。然而，这些方法将多域分析盲目地结合在一起，往往导致获取的特征存在冗余信息，无法获得最具辨别力的特征。总的来说，最近的深度学习方法很少对EEG进行频谱和时间的同时分析，在引入多域特征时缺少对重要特征的自适应选择，在癫痫预警效果上仍有待改进。
[0004]在癫痫预警方面，尽管设备和算法都取得了较好的发展，但可靠的癫痫预警算法在计算上仍然具有挑战性。虽然EEG信号已广泛应用于癫痫诊断中，但极易受到各种生物电噪声的影响，如何排除噪声对EEG信号的影响来对大脑活动进行准确分析和解释是一个重大挑战。近来，立体定向脑电图(Stereo
‑ꢀ
Electroencephalography,SEEG)被广泛采用，在现有的诊疗技术中常用于记录癫痫发作间期和发作活动，能够直接捕获颅内脑电信号，确定复杂病例中的致痫区，其信噪比明显高于处于头皮的EEG信号。另外，SEEG通过深部电极在颅内各个脑区采集信号，其中丘脑前核(Anterior Nucleus of the Thalamus,ANT)由于其中枢连接性和在癫痫活动传播中的潜在作用，被认为是一个潜在的深部电刺激 (Deep Brain Stimulation,DBS)靶点，能够使使癫痫网络中人脑兴奋和抑制的失衡过程正常化(Schulze
‑
Bonhage A.Brain stimulation as a neuromodulatory epilepsy
therapy.Seizure 2017；44:169
–
75.)。因此，采集并分析丘脑前核处的颅内脑电信号有助于更好地理解癫痫发作的潜在机制，且对癫痫发作的预测及调控具有深远的意义(Yu T,Wang X.High
‑
frequency stimulation of anterior nucleus of thalamusdesynchronizes epileptic network in humans.Brain,2018)。
[0005]本专利技术提出的基于深度卷积注意力网络的癫痫颅内脑电信号预警方法，通过采集癫痫患者丘脑前核处的颅内脑电信号进行分析，将频域分析方法与端到端的深度学习方法结合，提取并融合了颅内脑电信号的多尺度时序特征和多频谱特征，同时采取了注意力机制(Attention)，关注癫痫发作期颅内脑电信号最显著特征，使得本网络的预警准确率有明显提高，在保证实时性的同时可为监督式学习提供更加准确的分类标记(癫痫发作间期和癫痫发作前期的分类)。在本专利技术的一个实施例中，采集得到了一个包含5名癫痫患者的颅内脑电信号数据集，包含共16 次癫痫发作的信号，采集信号总时长20小时，包含发作前期颅内脑电信号样本 2880个，发作间期颅内脑电信号样本11520个。在癫痫颅内脑电信号数据集上测试本专利技术方法，单个病人的平均癫痫预警准确率(Sensitivity,Sn)可达95.0％，每小时误报次率(False Predicting Rate,FPR)小于0.15，在预警效果和模型泛化能力上均优于现有的癫痫预警方法，实现了癫痫的准确快速预警，对临床癫痫疾病的诊断与神经调控具有重要意义。
技术实现思路
[0006]本专利技术提供了一种基于深度卷积注意力网络的癫痫颅内脑电信号预警方法。在5名癫痫患者数据采集过程中，记录每个患者癫痫发作前期与发作间期的颅内脑电信号数据。将采集的信号进行预处理并划分为信号片段，作为神经网络的输入，训练网络模型，实现单个患者的癫痫发作情况预测(发作前期、发作间期)，同时进行结果比对。所提方法在采集的5名癫痫患者数据上取得了优良的预警效果，模型具有良好的泛化能力。
[0007]为实现上述目的，本专利技术提供了基于深度卷积注意力网络的癫痫颅内脑电信号预警方法，包括如下步骤：
[0008]1.颅内脑电信号采集：
[0009](1)临床采集5名癫痫患者的颅内脑电信号数据，电极数量128导联，采样频率1024Hz。
[0010](2)对每个患者，采集癫痫发作前期数据(发作前30分钟)，并记录2次以上的发作前期数据。
[0011](3)对每个患者，采集癫痫发作间期数据(与发作期间隔2小时以上)，并在每次发作时记录1小时的发作间期数据。
[0012](4)癫痫颅内脑电信号数据集包含共16次癫痫发作的数据，采集信号总时长 20小时，包含发作前期颅内脑电信号样本2880个，发作间期颅内脑电信号样本 11520个。
[0013]2.颅内脑电信号预处理：
[0014](1)对颅内脑电信号进行通道选择，根据患者植入的电极位置标记，选出丘脑前核对应的单通道信号。
[0015](2)对信号施加0
‑
64Hz低通滤波，去除信号中的高频噪声。
[0016](3)对信号施加陷波滤波，去除信号中的工频干扰。
[0017](4)对信号进行256Hz重采样。
[0018](5)对信号进行数据划分本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度卷积注意力网络的癫痫颅内脑电信号预警方法，其特征在于包括：步骤1.颅内脑电信号采集：(1)临床采集5名癫痫患者颅内脑电信号(Intracranial electroencephalography,iEEG)数据，电极数量128导联，采样频率1024Hz。(2)对每名患者，采集癫痫发作前期数据(发作前30分钟)，并记录2次以上的发作前期数据。(3)对每名患者，采集癫痫发作间期数据(与发作期间隔2小时以上)，并在每次发作时记录1小时的发作间期数据。(4)颅内脑电信号数据集包含共16次癫痫发作的数据，采集信号总时长20小时，包含发作前期颅内脑电信号样本2880个，发作间期颅内脑电信号样本11520个。步骤2.颅内脑电信号预处理：(1)对颅内脑电信号进行通道选择，根据患者植入的电极位置标记，选出丘脑前核(Anterior Nucleus of the Thalamus,ANT)对应的单通道颅内脑电信号。(2)对信号施加0
‑
64Hz低通滤波，去除信号中的高频噪声。(3)对信号施加陷波滤波，去除信号中的工频干扰。(4)对信号进行256Hz重采样。(5)对信号进行数据划分，采用滑动窗口，将发作前期颅内脑电信号和发作间期颅内脑电信号分别划分成信号片段。滑动窗口长度设为5秒，零重叠。每个信号片段包含1280(5s
×
256Hz)个采样点。步骤3.构建深度卷积注意力网络：(1)通道映射层对输入的颅内脑电信号片段进行时序卷积、批量归一化(Batch
‑
Normalization,BN)和残差连接操作，自适应地构造用于后续频谱与时间分析的最佳表征。(2)多频谱卷积层将频域分析与端到端深度学习模型融合，采用5层小波卷积构成多频谱卷积层，提取颅内脑电信号的各频段特征δ、θ、α、β、γ。(3)多尺度时序卷积层采用5个独立的时序卷积层，每层包含不同感受域时序卷积、批量归一化和指数线性单元，提取癫痫期颅内脑电信号的重要多尺度时序特征t1、t2、t3、t4、t5。(4)分组卷积注意力层利用注意力机制，提高了提取的频谱特征和时序特征的质量，有效地实现了特征融合，并通过组卷积大大降低了计算复杂度，获得5组特征输出：输入到分类层中进行分类。(5)分类层对分组卷积注意力层输出的五组特征进行时间维度的全局池化、特征拼接、全连接，最终输出二分类结果，即输入颅内脑电信号片段属于发作前期和发作间期的概率。步骤4.训练神经网络模型：对每个患者的颅内...
【专利技术属性】
技术研发人员：李阳，郭亮晖，遇涛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。