【技术实现步骤摘要】
本专利技术涉及智能生物医学信号处理领域，尤其涉及一种癫痫预测方法及装置。
技术介绍
1、脑电图（electroencephalography，eeg）中记录了大脑神经自发电活动的信息，包含了丰富的大脑信息，是疾病诊断、病灶定位等疾病诊断和治疗的重要辅助工具。
2、目前，eeg可以分为侵入式脑电图和非侵入式脑电图。侵入式脑电图具有噪声干扰小、信噪比高等优点，但是需要手术植入电极，可能会对人体造成伤害，风险较大，相较于侵入式脑电图，非侵入式脑电图因其非侵入式，采集方便等优点已被广泛应用于癫痫发作预测。
3、相关技术中，通常采用基于机器学习的方法和基于深度学习的方法进行癫痫发作预测，由于传统的机器学习方法预测癫痫发作时需要设计合适的特征和分类器，而手工设计特征时需要大量的先验知识，导致预测结果不可靠；而采用基于深度学习方法进行癫痫预测时，通过单一的网络模型提取的特征表征能力低，导致预测结果不准确。
技术实现思路
1、本专利技术提供一种癫痫预测方法及装置，用以解决现有技术采用基于深度学习方法进行癫痫预测时，提取的特征表征能力低，导致预测结果不准确的缺陷，提升各类癫痫预测的准确性。
2、本专利技术提供一种癫痫预测方法，包括：
3、获取待测脑电图eeg数据；
4、基于双通道融合模型对所述eeg数据进行预测，得到癫痫预测结果；
5、其中，所述双通道融合模型的两个通道分支分别通过编码网络和卷积神经网络构建得到，所述编码网络基于
6、根据本专利技术提供的一种癫痫预测方法，所述双通道融合模型通过如下步骤训练得到：
7、获取样本eeg数据集，所述样本eeg数据集中的每个eeg文件包括癫痫发作前期时间信息和癫痫发作间期时间信息，每个eeg文件对应通道数目和通道类别数目相同；
8、对所述样本eeg数据集进行预处理，并从预处理后的样本eeg数据集中提取出梅尔频率倒谱系数mfcc特征；
9、基于所述编码网络从所述mfcc特征中提取得到多个不同维度的全局特征，并对所述多个不同维度的全局特征进行特征拼接，得到拼接后的全局特征；基于所述卷积神经网络对所述mfcc特征进行计算，得到所述局部特征；
10、对所述拼接后的全局特征和所述局部特征进行拼接，得到所述融合特征；
11、根据交叉熵损失函数计算所述融合特征对应的损失值，并利用所述损失值对所述编码网络和所述卷积神经网络进行迭代更新，以更新所述损失值，并根据更新后的损失值优化网络参数，直至所述编码网络和所述卷积神经网络收敛，得到所述双通道融合模型。
12、根据本专利技术提供的一种癫痫预测方法，所述对所述样本eeg数据集进行预处理包括：
13、对所述样本eeg数据集中的各个eeg文件分别进行滑窗和滤波的处理，得到所述预处理后的样本eeg数据集。
14、根据本专利技术提供的一种癫痫预测方法，所述从预处理后的样本eeg数据集中提取出梅尔频率倒谱系数mfcc特征包括：
15、对所述预处理后的样本eeg数据集依次进行预加重、分帧、加窗、快速傅里叶变换、滤波、对数变换和离散余弦变换的操作，得到所述mfcc特征。
16、根据本专利技术提供的一种癫痫预测方法，所述编码网络包括多头注意力层；
17、所述基于所述编码网络从所述mfcc特征中提取得到多个不同维度的全局特征，并对所述多个不同维度的全局特征进行特征拼接，得到拼接后的全局特征包括：
18、将所述mfcc特征分别沿通道、系数和时间步进行不同维度的转换，得到多个二维mfcc特征；
19、基于所述多头注意力层对所述多个二维mfcc特征进行线性变换，得到查询向量、键向量和值向量，并对所述查询向量、所述键向量和所述值向量进行合并，得到编码输出的不同维度的特征表示；
20、通过下式对所述编码输出的不同维度的特征表示进行拼接，得到所述拼接后的全局特征：
21、；
22、其中， w1 、w2和 w3分别为权重系数，、和分别为所述编码输出的不同维度的特征表示。
23、根据本专利技术提供的一种癫痫预测方法，所述卷积神经网络包括多个卷积层和一个全连接层；
24、所述基于所述卷积神经网络对所述mfcc特征进行计算，得到所述局部特征包括：
25、基于所述多个卷积层依次对所述mfcc特征进行卷积、池化和归一化的操作，得到多维度特征；
26、基于所述全连接层将所述多维度特征映射至单一维度，得到所述局部特征。
27、根据本专利技术提供的一种癫痫预测方法，在所述得到所述双通道融合模型之后，所述方法还包括：
28、根据模型预测准确性指标、模型预测敏感性指标、模型预测特异性指标和模型预测精度对所述双通道融合模型进行评价，得到评价结果。
29、本专利技术还提供一种癫痫预测装置，包括：
30、数据获取模块，用于获取待测脑电图eeg数据；
31、预测模块，用于基于双通道融合模型对所述eeg数据进行预测，得到癫痫预测结果；
32、其中，所述双通道融合模型的两个通道分支分别通过编码网络和卷积神经网络构建得到，所述编码网络基于自注意力机制构建；所述双通道融合模型通过以样本eeg数据为训练样本，以融合特征为训练特征训练得到；所述融合特征基于所述编码网络输出的全局特征和所述卷积神经网络输出的局部特征确定。
33、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述癫痫预测方法。
34、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述癫痫预测方法。
35、本专利技术提供的癫痫预测方法及装置，通过双通道融合模型对eeg数据进行预测，具体利用编码网络提取eeg数据的全局特征，利用卷积神经网络提取eeg数据的局部特征，并通过全局特征和局部特征的融合特征实现网络的迭代训练和癫痫预测，提升了癫痫预测的准确性。
本文档来自技高网...【技术保护点】
1.一种癫痫预测方法，其特征在于，包括：
2.根据权利要求1所述的癫痫预测方法，其特征在于，所述双通道融合模型通过如下步骤训练得到：
3.根据权利要求2所述的癫痫预测方法，其特征在于，所述对所述样本EEG数据集进行预处理包括：
4.根据权利要求2所述的癫痫预测方法，其特征在于，所述从预处理后的样本EEG数据集中提取出梅尔频率倒谱系数MFCC特征包括：
5.根据权利要求2所述的癫痫预测方法，其特征在于，所述编码网络包括多头注意力层；
6.根据权利要求2所述的癫痫预测方法，其特征在于，所述卷积神经网络包括多个卷积层和一个全连接层；
7.根据权利要求2所述的癫痫预测方法，其特征在于，在所述得到所述双通道融合模型之后，所述方法还包括：
8.一种癫痫预测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述癫痫预测方法。
10.一种非暂态计算机可读存储介质
...【技术特征摘要】
1.一种癫痫预测方法，其特征在于，包括：
2.根据权利要求1所述的癫痫预测方法，其特征在于，所述双通道融合模型通过如下步骤训练得到：
3.根据权利要求2所述的癫痫预测方法，其特征在于，所述对所述样本eeg数据集进行预处理包括：
4.根据权利要求2所述的癫痫预测方法，其特征在于，所述从预处理后的样本eeg数据集中提取出梅尔频率倒谱系数mfcc特征包括：
5.根据权利要求2所述的癫痫预测方法，其特征在于，所述编码网络包括多头注意力层；
6.根据权利要求2所述的癫痫预测方法，其特征在于，所述卷...
【专利技术属性】
技术研发人员：吴雅婧，唐永强，马鸿程，张文生，
申请(专利权)人：中国科学院自动化研究所，
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。