基于双模态脑电信号信息瓶颈的癫痫检测系统技术方案

本发明专利技术公开一种基于双模态脑电信号信息瓶颈的癫痫检测系统，包括脑电信号获取模块、预处理模块、第一提取模块、第二提取模块、融合模块和检测模块，基于第一、二提取模块，利用一维、二维卷积神经网络对脑电信号进行特征提取，并利用双向长短时记忆网络对提取的特征进行时间关系的建模，输出脑电信号一维、二维特征；基于融合模块，利用训练完成的双模态信息瓶颈网络融合脑电信号的一维特征和二维特征，输出融合特征，再通过检测模块输出癫痫检测结果。本发明专利技术通过提取时间序列和谱图维度两种模态的脑电信号特征，利用双模态信息瓶颈，从每种模态中获取并共享与癫痫检测最相关的信息，以此实现癫痫脑电信号识别准确性的提高，辅助医生诊断癫痫。医生诊断癫痫。医生诊断癫痫。

【技术实现步骤摘要】
基于双模态脑电信号信息瓶颈的癫痫检测系统


[0001]本专利技术涉及癫痫检测
，具体涉及一种基于双模态脑电信号信息瓶颈的癫痫检测系统。

技术介绍

[0002]癫痫是一种持续性、复发性神经系统疾病，不具有传染性，是由脑神经细胞突然异常放电引起的，这种异常放电会导致患者意识丧失以及运动、情绪、知觉和精神系统等受到损伤。
[0003]脑电图是目前十分重要的一种诊断癫痫发作的手段，通过使用头部表面的头皮电极或大脑中的颅内电极而创建。脑电信号可以描绘大脑的电活动，因此，在术前检查中，脑电信号对于区分癫痫发作信号和非癫痫发作信号以及定位癫痫区至关重要。神经科医生通常通过人眼检查冗长的脑电图信号记录来诊断癫痫。然而，视觉评估的准确性在很大程度上取决于神经科医生的知识和经验，具有较高的主观性，而且因为随着脑电图数据量的增加，视觉检查耗时耗力，其劳动密集型性质将导致神经科医生的诊断准确性下降。因此，实现更有效、更客观且准确性更高的自动癫痫检测具有重要意义。
[0004]近年来，基于机器学习的方法在基于脑电信号的癫痫自动分类中得到广泛应用。其中最有效的技术之一是卷积神经网络，具体包括两大类：一种是使用原始脑电信号作为卷积神经网络的输入，将每个脑电信号拆分为多个较小的片段，然后再识别这些片段进行分类；另一种方法通过将脑电信号数据的时频谱图输入二维卷积神经网络进行分类来突出频率特性。虽然现有方案能够实现基于脑电信号的癫痫检测，但是，上述方案仍存在以下问题，最终实现的检测准确性较低：
[0005](1)现有的基于机器学习的癫痫检测方案没有考虑时间依赖性，即脑电信号被分割成一维或二维片段，分别应用到相应的卷积神经网络中，而并未考虑一维或二维片段之间的时间关系。
[0006](2)现有的基于机器学习的癫痫检测方案基本采用单模块技术，即集中研究时间序列并将其应用于一维卷积神经网络，或者集中研究二维谱图并将其应用于二维卷积神经网络中，均未考虑组合不同模块如时间序列和二维图谱实现更优检测效果的情况。

技术实现思路

[0007]为解决上述现有技术的不足，本专利技术提供了一种基于双模态脑电信号信息瓶颈的癫痫检测系统，通过提取时间序列和谱图维度两种模态的脑电信号特征，利用双模态信息瓶颈，从每种模态中获取并共享与癫痫检测最相关的信息，以此实现癫痫脑电信号识别准确性的提高，辅助医生诊断癫痫。
[0008]第一方面，本公开提供了一种基于双模态脑电信号信息瓶颈的癫痫检测系统，包括：
[0009]脑电信号获取模块，用于获取待检测的脑电信号；
[0010]预处理模块，用于对脑电信号进行预处理，得到预处理后的脑电信号；
[0011]第一提取模块，用于利用训练完成的一维卷积神经网络对脑电信号进行特征提取，并利用训练完成的双向长短时记忆网络对提取的特征进行时间关系的建模，输出脑电信号一维特征；
[0012]第二提取模块，用于利用训练完成的二维卷积神经网络对脑电信号进行特征提取，并利用训练完成的双向长短时记忆网络对提取的特征进行时间关系的建模，输出脑电信号二维特征；
[0013]融合模块，用于利用训练完成的双模态信息瓶颈网络融合脑电信号的一维特征和二维特征，输出融合特征；
[0014]检测模块，用于根据输入的融合特征，识别癫痫脑电信号，输出癫痫检测结果。
[0015]进一步的技术方案，所述预处理，具体包括：
[0016]对获取的待检测脑电信号进行带通滤波处理；
[0017]对带通滤波处理后的脑电信号按照时间间隔划分处理；
[0018]对每个时间间隔内的脑电信号进行正则化处理。
[0019]进一步的技术方案，所述第二提取模块中，在将脑电信号输入二维卷积神经网络前，先对该脑电信号进行短时傅里叶变换，将脑电信号转换为二维频谱图，将脑电信号的二维频谱图输入训练完成的二维卷积神经网络中进行特征提取。
[0020]进一步的技术方案，所述一维卷积神经网络的训练过程为：以标注是否为癫痫的脑电信号为输入，以脑电信号一维特征为输出，训练一维卷积神经网络。
[0021]进一步的技术方案，所述二维卷积神经网络的训练过程为：以标注是否为癫痫的二维频谱图为输入，以脑电信号二维特征为输出，训练二维卷积神经网络。
[0022]进一步的技术方案，所述双向长短时记忆网络的训练过程为：以经过卷积神经网络提取到的特征序列为输入，以带有时间关系的特征序列为输出，训练双向长短时记忆网络。
[0023]进一步的技术方案，所述双模态信息瓶颈网络的训练步骤包括：
[0024]构建训练样本集，所述训练样本集为标注是否癫痫的包含时间关系的融合特征；
[0025]构建双模态信息瓶颈网络；
[0026]利用训练样本集，对双模态信息瓶颈网络进行训练，当损失函数达到最小值或迭代次数满足设定要求时，停止训练，得到训练完成的双模态信息瓶颈网络。
[0027]进一步的技术方案，所述双模态信息瓶颈网络具体包括：
[0028]一组用于单独模态的特定编码器，两个编码器分别编码一维特征和二维特征，其中每个编码器随机地将每个单独模态的观测数据映射到一个共同的潜在空间；一个集成模块，将边缘潜在表征集成到公共空间的联合潜在表征；一个双模态的预测器，基于联合潜在表征提供标签预测；一组用于单独模态的特定预测器，两个预测器分别预测针对一维特征和二维特征进行预测，每个预测器都提供了基于相应模态特定编码器确定的边缘潜在表征的标签预测。
[0029]第二方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如下步骤：
[0030]获取待检测的脑电信号，对脑电信号进行预处理，得到预处理后的脑电信号；
[0031]利用训练完成的一维卷积神经网络对脑电信号进行特征提取，并利用训练完成的双向长短时记忆网络对提取的特征进行时间关系的建模，输出脑电信号一维特征；
[0032]利用训练完成的二维卷积神经网络对脑电信号进行特征提取，并利用训练完成的双向长短时记忆网络对提取的特征进行时间关系的建模，输出脑电信号二维特征；
[0033]利用训练完成的双模态信息瓶颈网络融合脑电信号的一维特征和二维特征，输出融合特征，根据输入的融合特征，识别癫痫脑电信号，输出癫痫检测结果。
[0034]第三方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如下步骤：
[0035]获取待检测的脑电信号，对脑电信号进行预处理，得到预处理后的脑电信号；
[0036]利用训练完成的一维卷积神经网络对脑电信号进行特征提取，并利用训练完成的双向长短时记忆网络对提取的特征进行时间关系的建模，输出脑电信号一维特征；
[0037]利用训练完成的二维卷积神经网络对脑电信号进行特征提取，并利用训练完成的双向长短时记忆网络对提取的特征进行时间关系的建模，输出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双模态脑电信号信息瓶颈的癫痫检测系统，其特征是，包括：脑电信号获取模块，用于获取待检测的脑电信号；预处理模块，用于对脑电信号进行预处理，得到预处理后的脑电信号；第一提取模块，用于利用训练完成的一维卷积神经网络对脑电信号进行特征提取，并利用训练完成的双向长短时记忆网络对提取的特征进行时间关系的建模，输出脑电信号一维特征；第二提取模块，用于利用训练完成的二维卷积神经网络对脑电信号进行特征提取，并利用训练完成的双向长短时记忆网络对提取的特征进行时间关系的建模，输出脑电信号二维特征；融合模块，用于利用训练完成的双模态信息瓶颈网络融合脑电信号的一维特征和二维特征，输出融合特征；检测模块，用于根据输入的融合特征，识别癫痫脑电信号，输出癫痫检测结果。2.如权利要求1所述的基于双模态脑电信号信息瓶颈的癫痫检测系统，其特征是，所述预处理，具体包括：对获取的待检测脑电信号进行带通滤波处理；对带通滤波处理后的脑电信号按照时间间隔划分处理；对每个时间间隔内的脑电信号进行正则化处理。3.如权利要求1所述的基于双模态脑电信号信息瓶颈的癫痫检测系统，其特征是，所述第二提取模块中，在将脑电信号输入二维卷积神经网络前，先对该脑电信号进行短时傅里叶变换，将脑电信号转换为二维频谱图，将脑电信号的二维频谱图输入训练完成的二维卷积神经网络中进行特征提取。4.如权利要求1所述的基于双模态脑电信号信息瓶颈的癫痫检测系统，其特征是，所述一维卷积神经网络的训练过程为：以标注是否为癫痫的脑电信号为输入，以脑电信号一维特征为输出，训练一维卷积神经网络。5.如权利要求1所述的基于双模态脑电信号信息瓶颈的癫痫检测系统，其特征是，所述二维卷积神经网络的训练过程为：以标注是否为癫痫的二维频谱图为输入，以脑电信号二维特征为输出，训练二维卷积神经网络。6.如权利要求1所述的基于双模态脑电信号信息瓶颈的癫痫检测系统，其特征是，所述双向长短时记忆网络的训练过程为：以经过卷积神经网络提取到的特征序列为输入，以带有时间关系的特征序列为输出，训练双向长短时记忆网络。7.如权利要求1所述的基于双模态脑电信号信息瓶颈的癫痫检测系统，其特征是，所述双模态信息瓶颈网络的训练步骤包括：构建训练样本集，所述训练样本集为标注是否癫痫的包含时间关系的融合特...

【专利技术属性】
技术研发人员：王嘉乐，黄文慧，王世兴，史云峰，盖新亭，王海鹏，巩庆涛，孙梦雪，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：