[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

说明书

本发明提供了一种基于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，包括步骤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，该基于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，对脑功能网络作特征提取和癫痫识别任务中分类在准确率，灵敏度，特异性三个方面具有更好的效果，在大幅度降低模型的参数量和计算量情况下，可以保证模型对于脑病识别准确性。

技术领域

本发明属于脑电信号检测的技术领域，具体涉及一种基于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。

背景技术

癫痫发作是一种短暂的大脑电活动异常。患有癫痫的人即患有中枢神经系统疾病，会在不可预测的时间和通常没有任何警告的情况下反复发作。癫痫发作可导致注意力不集中或全身抽搐。频繁的癫痫发作会增加个体遭受身体伤害的风险，甚至可能导致死亡。

由于癫痫发作与脑电活动有关，EEG信号在癫痫的诊断和术前致痫区评估中起着重要作用。脑电图描记器通过均匀排列在头皮上的电极来测量大脑的电活动。脑电图通道是通过两个电极测量的电位差形成的，并捕捉数百万个神经元的总电位。为了研究两个脑区之间的耦合关系，通常方法是分析位于该脑区的电极所采集的EEG信号特征。

研究表明，大脑是由不同脑区构成的复杂网络，其功能的发挥需要多个脑区相互作用、相互协调，同样癫痫可以网络的方式在不同脑区之间传播。因此，基于EEG信号从脑功能网络的角度来研究癫痫发作是极为必要的。

为了分析FBN在癫痫发作中的有效性，提出了一种通过Rényi 相位传递熵构建功能性大脑网络的方法，研究来自不同大脑区域的 EEG信号的相关性。

CNN最早由Yann LeCun研究团队发明并做出了改进，主要被设计用与解决图像分类问题。CNN的各层结果能够表示图像中的高阶特征，其中起到重要作用的就是CNN中的卷积层。卷积层由多个一维或多维滤波器构成，这些算子的参数一般研究者们依据经验的设置。与之不同的是，卷积层的滤波器可以根据样本的标签实现参数的自我学习。随着CNN的发展，除了传统的卷积核，转置卷积、空洞卷积、分组卷积等各类型卷积核被相继提出。卷积过程的理论不断丰富，也将CNN的应用范围不断扩大。

发明内容

针对现有技术存在的问题，本发明提供了一种基于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，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。

进一步的，所述步骤2中的Rényi相位传递熵的定义为：

RPTE_X→Y＝ H_q(θ_y(t),θ_y(t'))+H_q(θ_y(t'),θ_x(t'))- H_q(θ_y(t'))-H_q(θ_y(t),θ_y(t'),θ_x(t')) (4)

其中，q表示Rényi熵参数，θ(t)为解析信号S(t)的相位序列。

进一步的，所述阈值的选择应满足以下条件：