[发明专利]一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法

权利要求书

1.基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法，其特征在于包括：

步骤1：脑电数据预处理

(1)通道选择

对脑电信号进行通道选择，剔除损坏的通道，删除重复的通道;

(2)基线校准，伪迹去除

对信号进行基线去除，去噪和去除伪影操作;

(3)0-64Hz低通滤波

对信号施加0-64Hz低通滤波，去除信号中的高频噪声;

(4)去除工频干扰

对信号施加陷波滤波，去除信号中的工频干扰;

(5)滑窗划分数据片段

对信号进行数据划分，将连续的数据划分成适合神经网络训练的片段;

步骤2：深度卷积时频特征提取网络与信号重构网络构建与基于深度单分类的无监督训练模型

(1)深度卷积时频特征提取网络的构建

①嵌入层构建

嵌入层对输入的原始脑电信号在时间方向上进行卷积，对卷积结果进行批量归一化，最后对结果进行残差连接，自适应的将自然的原始数据映射到高维数据空间，从而得到利于后续特征分析的最好表征;

②时频特征提取层构建

时频特征提取层通过深度学习端到端的模型，使用独立时序卷积层提取脑电信号5个不同尺度上的时域特征，使用小波分解提取脑电信号重要5个波段的频域特征，并将两种特征有效融合，得到五组时频特征δ，θ，α，β和γ;

③特征优化层构建

特征优化层使用注意力网络结构，通过注意力机制优化了时频特征的质量，保留特征最重要的部分，降低了特征的维度，得到可用于分类任务和重构任务的输出特征：和

(2)信号重构网络的构建

①多层次重构层构建

多层次信号重构层对输出特征按照和的顺序分别进行拼接与反卷积操作，得到五个不同层次特征重构出的重构数据x_δ、x_θ、x_α、x_β和x_γ;

②特征融合重构层构建

特征融合重构层对不同层次的重构信号进行融合，通过注意力机制自适应的调整不同层次重构信号的占比，从而得到最佳的重构信号;

(3)基于深度单分类的无监督训练特征提取网络和信号重构网络模型：

对每个患者的脑电信号数据采用五折交叉验证法进行训练，训练时仅使用非癫痫脑电数据;使用均方误差(Mean Square Error，MSE)作为损失函数，计算模型的重构数据和原始数据的误差，通过误差的反向传播与梯度下降算法更新网络中每一层的参数;反复训练模型，直至损失函数值小于0.001，训练停止;

步骤3：癫痫检测网络构建与监督训练

(1)癫痫检测网络构建

分类网络对输出特征和按照时间维度进行拼接，输入卷积全连接层，最终输出二分类结果，即输入脑电信号片段输出癫痫脑电和非癫痫脑电的概率;

(2)监督学习训练癫痫检测网络;

使用4中训练用的脑电数据，输入4中已经训练好的特征提取网络，将输出的特征作为数据输入癫痫分类网络，采用交叉熵(Cross Entropy，CE)作为损失函数，计算模型的预测结果与标签的误差，通过误差的反向传播与梯度随机下降算法更新癫痫检测网络中每一层的参数，但不改变特征提取网络的参数;反复训练模型，直至验证集的准确率开始下降，或训练次数大于100次，训练停止;

步骤4：模型性能测试：

将训练好的特征提取网络和训练好的癫痫检测分类网络组合，得到癫痫分类模型;输入测试数据及标签，对输出结果进行分析，采用阳性样本分类正确报警率——灵敏度(sensitivity，SEN)，阴性样本正确分类率——特异度(specificity，SPE)，分类准确率(accuracy，ACC)和ROC曲线下面积(Area Under Curve，AUC)来测试模型的分类效果。

2.如权利要求1所述的基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法，其特征在于包括：

在所述步骤2中，构建的信号重构网络，基于提取的5种包含不同尺度时域特征和不同频域特征的脑电信号特征图来重构脑电信号，即考虑了不同尺度信息重构脑电信号的特点，又考虑了不同尺度信息融合重构脑电信号，从而使重构效果好，特征提取器提取的特征效果优。