[发明专利]一种基于卷积神经网络的癫痫病发作前期智能预测方法

说明书

本发明公开了一种基于卷积神经网络的癫痫病发作前期智能预测方法。本发明包括如下步骤：步骤1、原始信号频域转换后，对信号每个通道的19个特定频段预提取特征，即频段的均值与功率谱密度的均值；步骤2、对卷积神经网络进行二次特征提取；步骤3、结合支持向量机对卷积神经网络二次提取的特征分类，得到最后的识别类别。本发明不仅可以减少特征提取的工作量，而且可以通过最后的识别情况确定某个测试样本是否属于发作前期以及前期的状态，对于癫痫发作的预测任务而言更加精确以及更具有实时性。此外，在卷积神经网络的softmax层中，也可以得到每个样本属于每个类的概率分布，对结果的判断更加准确。

技术领域

本发明属于智能医学信号及图像处理领域，涉及一种基于卷积神经网络的癫痫病发作前期智能预测方法。

背景技术

传统的癫痫发作预测方法主要是通过对信号的特征提取然后对其进行分类成发作间期或者发作前期，以期判断是否属于即将发作的信号，从而达到癫痫发作预测的目的，其预测方法过程存在以下两个缺点：

1.对于特征的选取过于敏感，同一个特征在不同个体上不同时期信号的的差异性可能不同，容易产生某个特征在一些个体上区分度较高，而对于其他个体而言不具有区分性的现象；

2.一般发作前期代表的是发作前一个小时的数据，对于癫痫发作预测的目的而言，一个小时的误差不具备说服力。

本发明基于脑电信号在癫痫发作的各个时期的变化规律，提出了一种针对发作前期的状态识别的癫痫病发作预测的方法，不同于传统的癫痫预测方法，将信号仅仅分成发作间期，发作前期以及发作期三类。本发明中对前期继续细分，将发作前一个小时的数据均等分类三类，通过最后的识别类别，提高癫痫发作的预测准确度。从而可以实现特征提取工程量更小、预测精确度更高的癫痫发作预测效果。

发明内容

本发明针对传统癫痫预测方案的不足，提出了一种基于卷积神经网络的癫痫发作前期状态识别及早期癫痫发作预测的方法。本发明能够实现在较少的特征提取步骤下，有更精确的预测效果。

本发明的技术方案主要包括如下步骤：

步骤1、原始信号频域转换后，对信号每个通道的19个特定频段预提取特征，即频段的均值(MFB，Mean Of Frequency Band)与功率谱密度的均值(MPSD,Mean Of PowerSpectral Density)。

对于原始信号的23个通道，通过预提取特征后，对应于MFB和MPSD 特征，分别构成23*19的特征图Ⅰ和特征图Ⅱ，同时对MFB和MPSD特征的结合，组成23*38的特征图Ⅲ，将特征图Ⅰ、特征图Ⅱ和特征图Ⅲ作为卷积神经网络的输入。

步骤2、对卷积神经网络进行二次特征提取。

步骤3、结合支持向量机对卷积神经网络二次提取的特征分类，得到最后的识别类别。

所述步骤1的具体实现包括以下几个步骤：

1-1.将原始信号划分成五类。

发作时的数据作为发作期记为seizure类；发作前后四个小时的数据作为发作间期记为interictal类；发作前前一个小时的数据作为发作前期，前期均等分成三类：发作前60分钟到发作前40分钟记为preI类；发作前40分钟到发作前20分钟记为preII类；发作前20分钟到发作时刻记为preIII类。

上述所做的分类处理是为了后续的识别任务，以期通过识别结果达到癫痫病发作预测的效果。并且在所分的类中均做了以下处理：

1-2.通过对2s一帧的原始信号Xn中的每一个通道做快速傅里叶变换(FFT),获取该通道对应的频谱序列Pn。