【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，尤其涉及一种基于互补变频感知模型的癫痫发作预测方法、装置及设备。
技术介绍
1、癫痫是一种常见的神经系统疾病，其特征是短期、反复发作的异常脑电活动。癫痫发作对患者及其家属的身心健康、人生幸福等有重大影响。因此，癫痫发作预测对及时预防并治疗患者的癫痫疾病具有重要的意义。
2、传统方法通常基于传统机器学习算法提取特征，容易受到机器学习算法泛化能力的限制。近几年来，随着深度学习的发展，基于深度神经网络的癫痫发作预测受到越来越多的关注，已有方法基于cnn(convolutional neural network,卷积神经网络)或者基于transformer网络为主干网络进行特征的提取。
3、然而，cnn对低频信息不敏感，不能有效捕获低频特征，而transformer网络对高频信息不敏感，不能有效捕获高频特征，从而降低了癫痫发作预测的准确率。
技术实现思路
1、本专利技术提供一种基于互补变频感知模型的癫痫发作预测方法、装置及设备，用以解决现有技术中cnn对低频信息不敏感，不能有效捕获低频特征，而transformer网络对高频信息不敏感，不能有效捕获高频特征，从而降低了癫痫发作预测的准确率的缺陷。
2、本专利技术提供一种基于互补变频感知模型的癫痫发作预测方法，包括：
3、获取脑电信号数据的频谱图；
4、基于互补变频感知模型对所述频谱图进行预测，得到癫痫预测结果；
5、所述互补变频感知模
6、所述特征提取模块用于提取所述频谱图中的初始特征，所述变频滤波模块用于从所述初始特征中分离出高频特征和低频特征，所述互补时序整合模块用于基于所述高频特征和所述低频特征确定判别式特征，所述分类器用于基于所述判别式特征进行癫痫预测，得到所述癫痫预测结果。
7、根据本专利技术提供的一种基于互补变频感知模型的癫痫发作预测方法，所述变频滤波模块基于多个带通模板滤波器构建；
8、所述多个带通模板滤波器的权重基于指数幂函数确定。
9、根据本专利技术提供的一种基于互补变频感知模型的癫痫发作预测方法，所述指数幂函数的公式如下：
10、
11、其中，ep(m)表示指数幂函数，m是自变量，γ(·)是伽马函数，{μ，σ，p}(σ＞0，p＞0)是一组参数，μ控制指数幂函数的位置，σ控制指数幂函数的尺度，p控制指数幂函数的形状。
12、根据本专利技术提供的一种基于互补变频感知模型的癫痫发作预测方法，所述互补时序整合模块基于长短期记忆网络构建，所述互补时序整合模块基于所述高频特征和所述低频特征的时间依赖性进行建模，得到所述判别式特征。
13、根据本专利技术提供的一种基于互补变频感知模型的癫痫发作预测方法，所述互补变频感知模型的训练步骤包括：
14、确定初始互补变频感知模型，并获取样本脑电信号数据的样本频谱图，以及所述样本频谱图的标签癫痫结果；
15、将所述样本频谱图输入至所述初始互补变频感知模型中进行预测，得到所述初始互补变频感知模型输出的预测结果；
16、基于所述预测结果与所述标签癫痫结果之间的差异，确定分类损失，并基于所述分类损失，对所述初始互补变频感知模型进行参数迭代，得到所述互补变频感知模型。
17、根据本专利技术提供的一种基于互补变频感知模型的癫痫发作预测方法，所述获取样本脑电信号数据的样本频谱图，包括：
18、获取原始样本脑电信号数据；所述原始样本脑电信号数据包括癫痫发作间期、癫痫发作前期、癫痫发作期以及癫痫发作后期的脑电信号数据；
19、对所述原始样本脑电信号数据依次进行数据清洗、数据扩充与数据变换，得到所述样本脑电信号数据；
20、对所述样本脑电信号数据的时域数据进行短时傅里叶变换，得到原始样本频谱图；
21、对所述原始样本频谱图进行单样本数据增强，和/或，多样本数据增强，得到所述样本频谱图。
22、根据本专利技术提供的一种基于互补变频感知模型的癫痫发作预测方法，所述分类器包括顺次连接的归一化层、池化层和分类层。
23、本专利技术还提供一种基于互补变频感知模型的癫痫发作预测装置，包括：
24、获取单元，用于获取脑电信号数据的频谱图；
25、预测单元，用于基于互补变频感知模型对所述频谱图进行预测，得到癫痫预测结果；
26、所述互补变频感知模型包括特征提取模块、变频滤波模块、互补时序整合模块和分类器；
27、所述特征提取模块用于提取所述频谱图中的初始特征，所述变频滤波模块用于从所述初始特征中分离出高频特征和低频特征，所述互补时序整合模块用于基于所述高频特征和所述低频特征确定判别式特征，所述分类器用于基于所述判别式特征进行癫痫预测，得到所述癫痫预测结果。
28、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基于互补变频感知模型的癫痫发作预测方法。
29、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基于互补变频感知模型的癫痫发作预测方法。
30、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于互补变频感知模型的癫痫发作预测方法。
31、本专利技术提供的基于互补变频感知模型的癫痫发作预测方法、装置及设备，基于互补变频感知模型对脑电信号数据的频谱图进行预测，得到癫痫预测结果，互补变频感知模型包括特征提取模块、变频滤波模块、互补时序整合模块和分类器，特征提取模块用于提取频谱图中的初始特征，变频滤波模块用于从初始特征中分离出高频特征和低频特征，互补时序整合模块用于基于高频特征和低频特征确定判别式特征，分类器用于基于判别式特征进行癫痫预测，得到癫痫预测结果。变频滤波模块可以使互补变频感知模型感知到特征分量从不同的高频和低频逐步过渡到全频的变化过程，由此更有效地捕获低频和高频信息，进一步提高特征的判别性，从而提高癫痫发作预测的准确性和可靠性。
本文档来自技高网...【技术保护点】
1.一种基于互补变频感知模型的癫痫发作预测方法，其特征在于，包括：
2.根据权利要求1所述的基于互补变频感知模型的癫痫发作预测方法，其特征在于，所述变频滤波模块基于多个带通模板滤波器构建；
3.根据权利要求2所述的基于互补变频感知模型的癫痫发作预测方法，其特征在于，所述指数幂函数的公式如下：
4.根据权利要求1至3中任一项所述的基于互补变频感知模型的癫痫发作预测方法，其特征在于，所述互补时序整合模块基于长短期记忆网络构建，所述互补时序整合模块基于所述高频特征和所述低频特征的时间依赖性进行建模，得到所述判别式特征。
5.根据权利要求1至3中任一项所述的基于互补变频感知模型的癫痫发作预测方法，其特征在于，所述互补变频感知模型的训练步骤包括：
6.根据权利要求5所述的基于互补变频感知模型的癫痫发作预测方法，其特征在于，所述获取样本脑电信号数据的样本频谱图，包括：
7.根据权利要求1至3中任一项所述的基于互补变频感知模型的癫痫发作预测方法，其特征在于，所述分类器包括顺次连接的归一化层、池化层和分类层。
8
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任一项所述基于互补变频感知模型的癫痫发作预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于互补变频感知模型的癫痫发作预测方法。
...【技术特征摘要】
1.一种基于互补变频感知模型的癫痫发作预测方法，其特征在于，包括：
2.根据权利要求1所述的基于互补变频感知模型的癫痫发作预测方法，其特征在于，所述变频滤波模块基于多个带通模板滤波器构建；
3.根据权利要求2所述的基于互补变频感知模型的癫痫发作预测方法，其特征在于，所述指数幂函数的公式如下：
4.根据权利要求1至3中任一项所述的基于互补变频感知模型的癫痫发作预测方法，其特征在于，所述互补时序整合模块基于长短期记忆网络构建，所述互补时序整合模块基于所述高频特征和所述低频特征的时间依赖性进行建模，得到所述判别式特征。
5.根据权利要求1至3中任一项所述的基于互补变频感知模型的癫痫发作预测方法，其特征在于，所述互补变频感知模型的训练步骤包括：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：董秋雷，孙珈因，
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。