检测癫痫脑电信号的微型胶囊神经网络训练方法及设备技术

本申请涉及一种检测癫痫脑电信号的微型胶囊神经网络训练方法及设备，方法包括：获取预处理后的癫痫脑电信号数据，将癫痫脑电信号数据输入微型胶囊神经网络的第一卷积神经网络层，得到第一特征向量，将第一特征向量输入微型胶囊神经网络的第二卷积神经网络层，得到第二特征向量，根据第二特征向量，基于迭代算法，训练神经网络模型，将训练完成的神经网络模型用于分类胶囊层与基础胶囊层之间的全连接计算。本申请中通过微型胶囊神经网络可以准确反映简单对象和复杂对象空间关系信息，以解决现有技术中存在的问题。决现有技术中存在的问题。决现有技术中存在的问题。

【技术实现步骤摘要】
检测癫痫脑电信号的微型胶囊神经网络训练方法及设备


[0001]本申请涉及癫痫脑电信号检测
，尤其涉及一种检测癫痫脑电信号的微型胶囊神经网络训练方法及设备。

技术介绍

[0002]目前，基于脑电信号检测是临床上诊断癫痫的最基本的方法，但是常规脑电检测时间短，异常波的检出率较低。在实际癫痫检测中，医生常常采用长程脑电监测，可提供高达90％的有效医学信息。由于长程脑电监测将产生大量冗长的脑电信号，这将依赖医生或专业人士费时、费力且枯燥地观察并标注数周的脑电信号。为了改善这一现象，大量基于机器学习或深度学习的癫痫辅助检测系统应运而生，它们可以自动检测癫痫发作的非正常脑电信号片段，极大地方便了医生快捷地找到疾病信息并发出预警提示，以降低不可预测癫痫发作引起的伤害。但是由于脑电信号存在噪声、非平稳性和瞬态特性，典型的机器学习算法需要提取复杂脑电特征，再做脑电信号的降维操作，最后选择最佳特征并传递给机器学习模型。由于深度神经网络具有较强线性处理、自适应及容错能力，当使用深度神经网络时，只需将数据直接传递到深度网络，可实现癫痫信号的分类。然而，传统卷积神经网络存在数据需求大且无法准确地反映内部特征层次关系，也没有考虑简单对象和复杂对象之间的关键空间层次结构，仍然存在癫痫分类效果不佳的问题。

技术实现思路

[0003]为至少在一定程度上克服相关技术中的卷积神经网络无法准确地反映内部特征层次关系，没有考虑简单对象和复杂对象之间的关键空间层次结构的问题，本申请提供一种检测癫痫脑电信号的微型胶囊神经网络训练方法及设备。
[0004]本申请的方案如下：
[0005]根据本申请实施例的第一方面，提供一种检测癫痫脑电信号的微型胶囊神经网络训练方法，包括：
[0006]获取预处理后的癫痫脑电信号数据；
[0007]将所述癫痫脑电信号数据输入微型胶囊神经网络的第一卷积神经网络层，得到第一特征向量；
[0008]将所述第一特征向量输入微型胶囊神经网络的第二卷积神经网络层，得到第二特征向量；其中，所述第二卷积神经网络层与所述第一卷积神经网络层采用不同的填充模式；
[0009]根据所述第二特征向量，基于迭代算法，训练神经网络模型；
[0010]将训练完成的所述神经网络模型用于所述微型胶囊神经网络的分类胶囊层与基础胶囊层之间的全连接计算。
[0011]优选的，在本申请一种可实现的方式中，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，包括：
[0012]根据所述第二特征向量和预设的权重矩阵，得到第三特征向量；其中，所述权重矩
阵用于表征所述第二特征向量和所述第三特征向量的空间对应关系；
[0013]基于预设的临时变量计算第三卷积神经网络层各胶囊神经单元的耦合系数，所述预设的临时变量取值区间为
‑
1到1；
[0014]根据所述第三特征向量和所述耦合系数得到所述第三卷积神经网络层各胶囊神经单元的加权向量；
[0015]将所述第三卷积神经网络层所有胶囊神经单元的加权向量求和得到加权向量和；
[0016]基于压缩激活函数压缩所述加权向量和，得到压缩更新后的第一代输出向量。
[0017]优选的，在本申请一种可实现的方式中，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
[0018]根据所述第一代输出向量、第二特征向量和预设的所述临时变量，更新所述临时变量；
[0019]将更新后的临时变量作为下次循环进行时计算所述耦合系数的迭代变量。
[0020]优选的，在本申请一种可实现的方式中，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
[0021]在达到预设迭代次数时结束循环。
[0022]优选的，在本申请一种可实现的方式中，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
[0023]基于单独的边缘损失函数计算各个类别癫痫脑电信号数据的损失值；
[0024]基于累加法获得总损失值；
[0025]在所述总损失值小于预设阈值时，完成所述神经网络模型的训练。
[0026]优选的，在本申请一种可实现的方式中，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：
[0027]在所述总损失值不小于所述预设阈值时，返回步骤根据所述第二特征向量和预设的权重矩阵，得到第三特征向量，重新训练所述神经网络模型，直到所述总损失值小于所述预设阈值为止。
[0028]优选的，在本申请一种可实现的方式中，还包括：基于TensorFlow库实现所述神经网络模型；
[0029]基于Adam优化器进行所述神经网络模型的模型优化，并将所述神经网络模型的指数衰减学习率设为0.0005。
[0030]优选的，在本申请一种可实现的方式中，还包括：
[0031]获取数量相同的健康人和癫痫患者的脑电信号数据作为数据集；所述数据集分别包括：健康人睁眼状态的头皮脑电信号、健康人闭眼状态的头皮脑电信号、癫痫患者发作间期的深部电极脑电信号和癫痫患者发作期的深部电极脑电信号；其中，每个数据集包含多个通道，每个通道中包括多个采样点；
[0032]将所述数据集转换为二维矩阵；所述二维矩阵的第一维度对应各个通道的采样点，所述二维矩阵的第二维度对应所述数据集的各个通道；
[0033]对转化后的数据集进行滤波处理；
[0034]采用定长滑移窗对滤波处理后的数据集进行加窗分段；
[0035]根据所述微型胶囊神经网络的输入数据格式将加窗分段后的数据集转换为三维
矩阵，所述三维矩阵的第一维度、第二维度和第三维度分别对应所述加窗分段后的数据集的长、宽和分段数；
[0036]将三维矩阵的数据集划分为训练数据集和测试数据集，将训练数据集作为所述预处理后的癫痫脑电信号数据。
[0037]优选的，在本申请一种可实现的方式中，还包括：
[0038]根据所述测试数据集对训练完成的所述神经网络模型进行测试验证。
[0039]根据本申请实施例的第二方面，提供一种检测癫痫脑电信号的微型胶囊神经网络训练设备，包括：
[0040]处理器和存储器；
[0041]所述处理器与存储器通过通信总线相连接；
[0042]其中，所述处理器，用于调用并执行所述存储器中存储的程序；
[0043]所述存储器，用于存储程序，所述程序至少用于执行以上任一项所述的一种检测癫痫脑电信号的微型胶囊神经网络训练方法。
[0044]本申请提供的技术方案可以包括以下有益效果：本申请涉及一种检测癫痫脑电信号的微型胶囊神经网络训练方法及设备，方法包括：获取预处理后的癫痫脑电信号数据，将癫痫脑电信号数据输入微型胶囊神经网络的第一卷积神经网络层，得到第一特征向量，将第一特征向量输入微型胶囊神经网络的第二卷积神经网络层，得到第二特征向量，根据第二特征向量，基于迭代算法，训练神经网络模型，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测癫痫脑电信号的微型胶囊神经网络训练方法，其特征在于，包括：获取预处理后的癫痫脑电信号数据；将所述癫痫脑电信号数据输入微型胶囊神经网络的第一卷积神经网络层，得到第一特征向量；将所述第一特征向量输入所述微型胶囊神经网络的第二卷积神经网络层，得到第二特征向量；其中，所述第二卷积神经网络层与所述第一卷积神经网络层采用不同的填充模式；根据所述第二特征向量，基于迭代算法，训练神经网络模型；将训练完成的所述神经网络模型用于所述微型胶囊神经网络的分类胶囊层与基础胶囊层之间的全连接计算。2.根据权利要求1所述的方法，其特征在于，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，包括：根据所述第二特征向量和预设的权重矩阵，得到第三特征向量；其中，所述权重矩阵用于表征所述第二特征向量和所述第三特征向量的空间对应关系；基于预设的临时变量计算第三卷积神经网络层各胶囊神经单元的耦合系数，所述预设的临时变量取值区间为
‑
1到1；根据所述第三特征向量和所述耦合系数得到所述第三卷积神经网络层各胶囊神经单元的加权向量；将所述第三卷积神经网络层所有胶囊神经单元的加权向量求和得到加权向量和；基于压缩激活函数压缩所述加权向量和，得到压缩更新后的第一代输出向量。3.根据权利要求2所述的方法，其特征在于，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：根据所述第一代输出向量、第二特征向量和预设的所述临时变量，更新所述临时变量；将更新后的临时变量作为下次循环进行时计算所述耦合系数的迭代变量。4.根据权利要求3所述的方法，其特征在于，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：在达到预设迭代次数时结束循环。5.根据权利要求4所述的方法，其特征在于，所述根据所述第二特征向量，基于迭代算法，训练神经网络模型，还包括：基于单独的边缘损失函数计算各个类别癫痫脑电信号数据的损失值；基于累加法获得总损失值；在所述总损失值小于预设阈值时，完成所述神经网络模型的训练...

【专利技术属性】
技术研发人员：王保增，周瑾，王常勇，李斯伟，
申请(专利权)人：中国人民解放军军事科学院军事医学研究院，
类型：发明
国别省市：