[发明专利]一种基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法

权利要求书

1.一种基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：包括如下步骤：

步骤1、获取EEG数据；

步骤2、对获取的EEG数据进行Rényi相位传递熵处理，得到脑功能网络的相关矩阵C；

步骤3、选择阈值，二值化相关矩阵C，得到脑功能网络的邻接矩阵A；

步骤4、将邻接矩阵A输入到轻量级卷积神经网络模型，对脑功能网络作特征提取和癫痫识别任务中分类。

2.使用权利要求1所述的基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述步骤2中的Rényi相位传递熵的定义为：

其中，q表示Rényi熵参数，θ(t)为解析信号S(t)的相位序列。

3.如权利要求1所述的基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述阈值的选择应满足以下条件：

(1)保证脑功能网络中各节点都是有联系的，不存在独立的节点；

(2)保证脑网络的平均度的值满足大于2lnN，N为网络中节点的个数；

(3)保证邻接矩阵A所表示功能脑网络具备小世界属性。

4.如权利要求1所述的基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所轻量级卷积神经网络模型包括第一分类层、第二分类层、第三分类层、第四分类层。

5.如权利要求1所述的基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述第一分类层包括两层卷积层、一层池化层。

6.如权利要求5所述的基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述卷积运算的公式如下：

其中表示CNN第l层的第i个特征图，第(l+1)的特征图可以通过卷积运算，通过第l层的第i个特征图进行卷积求和与偏置相加后所得到的，b_j是偏置项，k_ij表示第i个通道第j个卷积核，公式中的“*”表示卷积运算，f是CNN的激活函数。

7.如权利要求1所述的基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述第二分类层、第三分类层均包括深度可分离卷积层、池化层。

8.如权利要求7所述的基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述深度可分离卷积层的深度可分离卷积先进行通道卷积，如式(13)(其中表示对应元素相乘)，再进行逐点卷积，如式(14)，最后将式(13)带入式(14)得到深度可分离卷积如式(15)；

SepConv(W_p,W_d,y)_(i,j)＝PointwiseConv_(i,j)(W_p,DepthwiseConv_(i,j)(W_d,y)) (15)

其中W为卷积核，y为输入特征图，i，j为输入特征图分辨率，k，l为输出特征图分辨率，m为通道个数。

9.如权利要求1所述的基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述第四分类层包括三层全连接层。

10.如权利要求1所述的基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法，其特征在于：所述全连接层的定义式如下：

a_i＝W_i1*x₁+W_i2*x₂+…+W_in*x_n+b_i (22)

其中，x_i为全连接层的输入，a_i为输出，W_ij为权值参数，b_i是偏置参数。