[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

说明书

本发明提出了一种面向癫痫脑电(Electroencephalogram,EEG)信号的特征提取与自动识别方法。该方法首先使用深度单分类模型无监督学习训练模式，通过患者的大量非癫痫脑电信号训练深度卷积通道注意力特征提取模型，得到正常脑电信号的最具代表的五组时频特征δ、Θ、α、β和γ，使模型初步具有区别正常脑电和异常脑电(癫痫)的能力；接着使用监督学习方法，通过患者的癫痫脑电和非癫痫脑电训练强化模型的判别能力，得到最大程度表征正常脑电信号与癫痫脑电信号差异的特征；最后，通过测试样本验证本发明所训练模型在自动识别癫痫上的有效性，具体表现为识别的正确率与模型的泛化性能。与现有相关技术相比，本发明方法对癫痫脑电识别正确率高，模型泛化性能好，在辅助癫痫脑疾病的临床诊断和自动识别方面具有重要意义。

技术领域

本发明涉及信号处理和模式识别技术领域，尤其是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。

背景技术

癫痫是一种由大脑神经细胞反复超同步放电，引发的自发性、突发性的脑功能紊乱的精神系统疾病，目前癫痫治疗的主要手段——手术切除病灶和药物治疗存在一些问题，对有些患者可能带来并发症和一些不良反应，如果能在癫痫发作前进行早期确诊，提前采取保护措施，就可以极大的减少患者受伤的风险，并可以对认识癫痫的发病机制和研究新的治疗方法起到促进作用。目前癫痫诊断主要是通过医生对脑电图的视觉检测来完成。视觉检查存在较大的主观因素问题，不同医生或者同一医生在不同时刻对同一波形的判断可能不一致。因此，脑电信号的癫痫特征提取与自动识别技术将在很大程度上减轻医生的负担和提高脑电图诊断效率。

脑电信号的分析和处理一直是个世界难题，不但在于其信号的非平稳性，还在于其信号波形的多样性。如果单纯地从时域或者频域考虑，效果并不是很理想。主要原因在于这些方法都是试图用单纯时域或者频域的特征来表征信号，忽略了脑电信号的非平稳性，因而不能充分明显的区分癫痫信号的特征。近年来，随着深度学习的蓬勃发展，卷积神经网络(Convolution Neural Network,CNN)在图像、自然语言处理、机器视觉等多领域都取得了一定的应用效果，许多研究开始采用深度学习的方法进行癫痫诊断。由于深度学习数据驱动的特性，深度学习方法需要有大量的数据来训练模型以保证模型的性能。然而在实际的临床中，虽然对于住院观察的癫痫病人，能够全天24小时不停的采集大量的脑电数据，但是病人癫痫的数据量仍然十分稀少，通常情况下癫痫发作数据和非发作数据的比例可以达到1:1000，这样极度不平衡的数据会导致深度学习模型无法正常训练。为了解决数据极度不平衡带来的问题，一些研究者开始研究癫痫数据的增强和非癫痫数据的下采样。然而这些方法会极大的减少可用于训练的数据量，而数据量的欠缺容易导致深度学习严重的过拟合，使模型无法有一个精确的分类效果。总的来说，最近的深度学习方法很少从癫痫数据本身存在的问题入手，在改进模型结构时缺少对数据的合理使用，在癫痫检测效果上仍有待改进。

异常检测(Anomaly Detection)旨在找出数据中最不匹配于其他数据的那部分异常值，其在风险管理、金融监控、健康和医疗风险以及人工智能等安全领域有广泛的应用。无监督学习中的单分类模型(One-Class model)常用于处理此类正负样本分布极不平衡的情况。只使用正常样本(通常为有大量数据的那类样本)来训练构造包含这所有正常样本的投影的超平面，在这种无监督学习下，投影模型对于正常样本和非正常样本的投影会有巨大的差异。测试时如果测试数据投影落在超平面内则为正常，如果没有落在该超平面内，则是异常。但是这种无监督方法只能保证同正常类样本的投影尽可能的相近，却没有办法保证异常类与正常类投影有巨大差异，因此存在一定缺陷。本发明在使用无监督学习训练模型之后，再使用监督学习方法微调模型，保证了正常类与异常类投影特征能有较大差距，从而解决了决癫痫脑电总量大，内在分布极不平衡的问题。

本发明提出的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，通过采集癫痫患者脑电信号进行分析，将频域分析方法与端到端的深度学习方法结合，提取并融合了脑电信号的多尺度时序特征和多频谱特征，在训练模型时采用了半监督学习方法，有效的利用了非癫痫的数据，能够有效提取脑电特征，对于癫痫脑电信号的准确特征提取及辅助癫痫疾病的诊断具有重要意义。