癫痫检测系统技术方案

本申请涉及一种癫痫检测系统，该系统包括包括：数据采集系统和连接所述数据采集系统的云服务器，其中，所述数据采集系统，用于采集用户的多模态数据上传至所述云服务器，并根据所述云服务器返回的癫痫预测结果进行癫痫预警；所述多模态数据包括动态监测数据和静态监测数据；所述云服务器，用于将所述多模态数据输入癫痫检测模型，得到癫痫预测结果；所述癫痫检测模型为基于用户的多模态数据样本与对应的癫痫发作事件训练得到的神经网络模型。通过本申请，能够提高模型的病理分析能力和癫痫检测的检出准确率。测的检出准确率。测的检出准确率。

【技术实现步骤摘要】
癫痫检测系统


[0001]本申请涉及辅助医疗
，特别是涉及一种癫痫检测系统。

技术介绍

[0002]癫痫是一种神经疾病，症状可能包括短暂的失去意识、剧烈抽搐等，癫痫病人的生活质量由于疾病的不可预知性和监测条件的限制而显著下降。目前的临床设备体积大不便携带，限制了远程和实时监测的实施。近年来，随着传感器技术的发展，自动监控设备可以提供持续的动态监测，并且能够精准地捕捉生理信号。利用自动监控设备实时监测患者健康信息，并将癫痫预测算法部署在云端实现远程诊断，使得个性化癫痫检测成为可能。
[0003]然而，已有的基于自动监控设备进行癫痫检测的算法大多基于单一信号分析，如加速度信号、心电信号等，仍然在数据采集的维度和算法处理能力上存在不足，临床癫痫事件的检出准确率不高。

技术实现思路

[0004]本申请实施例提供了一种癫痫检测系统，以至少解决相关技术中基于单一信号进行癫痫检测的检出准确率不高的问题。
[0005]第一方面，本申请实施例提供了一种癫痫检测系统，包括：数据采集系统和连接所述数据采集系统的云服务器，其中，
[0006]所述数据采集系统，用于采集用户的多模态数据上传至所述云服务器，并根据所述云服务器返回的癫痫预测结果进行癫痫预警；所述多模态数据包括动态监测数据和静态监测数据；
[0007]所述云服务器，用于将所述多模态数据输入癫痫检测模型，得到癫痫预测结果；所述癫痫检测模型为基于用户的多模态数据样本与对应的癫痫发作事件训练得到的神经网络模型。
[0008]在其中一些实施例中，所述数据采集系统包括可穿戴设备和用户终端，其中，
[0009]所述可穿戴设备，用于实时采集用户的动态监测数据上传至所述云服务器；
[0010]所述用户终端，用于获取用户的静态监测数据上传至所述云服务器，并根据所述云服务器返回的癫痫预测结果进行癫痫预警。
[0011]在其中一些实施例中，所述云服务器具体用于：
[0012]获取用户的动态监测数据，根据所述动态监测数据和第一子模型，确定第一特征信息；其中，所述第一子模型是指利用循环神经网络训练得到的模型；
[0013]获取所述静态监测数据，根据所述静态监测数据、所述第一特征信息和第二子模型，确定第二特征信息；其中，所述第二子模型是指利用注意力机制训练得到的模型；
[0014]根据所述第二特征信息生成癫痫预测结果。
[0015]在其中一些实施例中，所述获取用户的动态监测数据，根据所述动态监测数据和第一子模型，确定第一特征信息，包括：
[0016]获取多维度的动态监测数据；其中，所述动态监测数据包括至少两个动态向量；
[0017]将所述动态监测数据输入训练完备的图循环神经网络，得到动态特征矩阵；其中，所述动态特征矩阵的维度与所述动态监测数据的维度相同。
[0018]在其中一些实施例中，所述将所述动态监测数据输入训练完备的图循环神经网络，得到动态特征矩阵包括：
[0019]获取所述动态监测数据的所有对应动态向量之间的数据关系图，并将所述数据关系图和所述动态监测数据输入至所述图循环神经网络，以输出所述动态特征矩阵。
[0020]在其中一些实施例中，所述获取所述静态监测数据，根据所述静态监测数据、所述第一特征信息和所述第二子模型，确定第二特征信息包括：
[0021]获取静态监测数据；
[0022]根据所述静态监测数据确定对应的静态特征向量；
[0023]将所述动态特征矩阵和所述静态特征向量输入至多头注意力机制模型，以输出第二特征信息。
[0024]在其中一些实施例中，所述将所述动态特征矩阵和所述静态特征向量输入至多头注意力机制模型，以输出第二特征信息包括：
[0025]根据所述动态特征矩阵和所述静态特征向量，确定多个特征子向量；
[0026]分别将多个所述特征子向量投影到查询空间、键空间和值空间，获取对应所述特征子向量的查询向量、键向量和值向量；
[0027]根据多个所述特征子向量的查询向量、键向量和值向量，计算得到第二特征信息。
[0028]在其中一些实施例中，所述根据所述第二特征信息生成癫痫预测结果包括：
[0029]根据所述第二特征信息，确定多个隐表示信息；
[0030]分别对多个所述隐表示信息计算对应的注意力权重；
[0031]根据多个所述隐表示信息和对应的注意力权重，生成预测概率向量；
[0032]根据所述概率预测向量和预测目标，确定癫痫预测结果。
[0033]在其中一些实施例中，所述用户终端，还用于：
[0034]获取用户基于所述癫痫预警的反馈信息并上传至所述云服务器，以使所述云服务器基于所述反馈信息对所述用户的癫痫检测模型进行更新。
[0035]在其中一些实施例中，所述云服务器，还用于：
[0036]基于用户的癫痫预测结果和对应的所述反馈信息，确定损失值；
[0037]对所述癫痫检测模型中的模型参数进行更新，直至所述损失值小于期望阈值。
[0038]相比于相关技术，本申请实施例提供的癫痫检测系统包括：数据采集系统和连接所述数据采集系统的云服务器。通过所述数据采集系统采集用户的多模态数据上传至所述云服务器，并根据所述云服务器返回的癫痫预测结果进行癫痫预警；所述云服务器用于将所述多模态数据输入癫痫检测模型，得到癫痫预测结果。所述癫痫检测模型为基于用户的多模态数据样本与对应的癫痫发作事件训练得到的神经网络模型。通过使用多模态数据样本训练得到癫痫检测模型，实现了利用动态监测数据和静态监测数据进行多种生理参数建立得到癫痫检测模型，该癫痫检测模型为多数据联合分析模型，更贴合于实际应用需要，能够提高模型的病理分析能力和癫痫检测的检出准确率。
[0039]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他
特征、目的和优点更加简明易懂。
附图说明
[0040]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0041]图1是本申请其中一个实施例中癫痫检测系统的结构示意图；
[0042]图2是本申请其中一个实施例中癫痫检测模型的训练过程示意图；
[0043]图3是本申请其中一个实施例中癫痫检测模型的更新过程示意图；
[0044]图4是本申请其中一个实施例中癫痫检测模型的结构示意图；
[0045]图5是本申请其中一个实施例中第一子模型的网络结构示意图的网络结构示意图。
[0046]附图说明：102、数据采集系统；1021、可穿戴设备；1022、用户终端；104、云服务器。
具体实施方式
[0047]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种癫痫检测系统，其特征在于，包括：数据采集系统和连接所述数据采集系统的云服务器，其中，所述数据采集系统，用于采集用户的多模态数据上传至所述云服务器，并根据所述云服务器返回的癫痫预测结果进行癫痫预警；所述多模态数据包括动态监测数据和静态监测数据；所述云服务器，用于将所述多模态数据输入癫痫检测模型，得到癫痫预测结果；所述癫痫检测模型为基于用户的多模态数据样本与对应的癫痫发作事件训练得到的神经网络模型。2.根据权利要求1所述的癫痫检测系统，其特征在于，所述数据采集系统包括可穿戴设备和用户终端，其中，所述可穿戴设备，用于实时采集用户的动态监测数据上传至所述云服务器；所述用户终端，用于获取用户的静态监测数据上传至所述云服务器，并根据所述云服务器返回的癫痫预测结果进行癫痫预警。3.根据权利要求1所述的癫痫检测系统，其特征在于，所述云服务器具体用于：获取用户的动态监测数据，根据所述动态监测数据和第一子模型，确定第一特征信息；其中，所述第一子模型是指利用循环神经网络训练得到的模型；获取所述静态监测数据，根据所述静态监测数据、所述第一特征信息和第二子模型，确定第二特征信息；其中，所述第二子模型是指利用注意力机制训练得到的模型；根据所述第二特征信息生成癫痫预测结果。4.根据权利要求3所述的癫痫检测系统，其特征在于，所述获取用户的动态监测数据，根据所述动态监测数据和第一子模型，确定第一特征信息，包括：获取多维度的动态监测数据；其中，所述动态监测数据包括至少两个动态向量；将所述动态监测数据输入训练完备的图循环神经网络，得到动态特征矩阵；其中，所述动态特征矩阵的维度与所述动态监测数据的维度相同。5.根据权利要求4所述的癫痫检测系统，其特征在于，所述将所述动态监测数据输入训练完备的图循环神经网络，得到动态特征矩阵包括：获取...

【专利技术属性】
技术研发人员：刘思行，朱李晨，江佩芳，龚健强，
申请(专利权)人：杭州星迈科技有限公司，
类型：发明
国别省市：