[发明专利]一种基于EEG单样本深度学习的癫痫检测方法

说明书

本发明公开了一种单样本脑电波信号(Electroencephalogram，EEG)深度学习的癫痫检测方法，包括如下步骤：采集EEG信号，通过信号段随机截取、信号加噪和功率归一化对EEG信号样本进行增强，计算EEG变换域序列，以此构建EEG训练集和验证集；构建癫痫分类卷积神经网络，从4种EEG输入序列中提取深度特征，利用特征融合机制将提取后的特征进行拼接得到更稳定的融合特征，将融合特征连接送给用于分类的全连接层；基于训练集和验证集对卷积神经网络进行训练，得到用于癫痫检测的最优网络参数；获取待检测EEG信号，截取待检测EEG信号段，并计算各信号段的EEG变换域序列，输入训练得到的最优网络模型，根据输出置信度进行癫痫检测。本发明能提高单样本场景下癫痫检测的准确率以及稳定性。

技术领域

本发明涉及生物医学领域，尤其涉及一种基于EEG单样本深度学习的癫痫检测方法。

背景技术

全世界约有百分之一的人口(约6500万人)患有癫痫症，人数超过帕金森病、阿尔茨海默病和多发性硬化症的总和。大约有2/3的癫痫患者可以通过药物治疗，剩下的患者可能需要接受外科手术干预。癫痫发作具有突发性和反复发作的特点，可能导致摔伤、窒息，严重者甚至可能导致死亡。因此，癫痫发作检测对于癫痫预警和治疗来说至关重要。癫痫发作检测主要基于脑电波(Electroencephalogram，EEG)信号来实现。传统的方法主要基于特征工程技术从EEG信号中提取相应的特征，进而基于所提取的特征来完成检测。这些特征包括时域特征、频域特征以及时频域特征。提取得到特征之后，就可以使用各种分类器来实现脑电波信号分类。不管采用什么分类器，所设计的特征的好坏将会影响癫痫检测的性能。近几年来，随着深度学习技术的发展，很多工作也将深度学习用于癫痫检测。与传统的特征工程不同的是，深度学习方法自动从EEG信号中学习特征并进一步完成检测任务，无需复杂的人工特征设计过程，在很多场景下取得了比传统方法更好的性能。然而，目前基于深度学习的癫痫检测方法需要采用较多数量的带标签训练样本完成对深度学习模型的训练，在极少量样本(特别是单样本，即仅有一个癫痫EEG信号样本和一个正常EEG信号样本)情况下，这些基于深度学习的癫痫检测方法的性能会大打折扣。因此，急需提高单样本情况下基于深度学习的癫痫检测方法的性能。

发明内容

基于上述分析，本发明旨在提供一种基于单样本深度学习的癫痫病检测方法，通过结合EEG信号的时域、频域和时频域的信息提高癫痫检测的准确率，同时避免了传统癫痫检测算法复杂的人工提取特征过程。本发明公开的一种基于EEG单样本深度学习的癫痫检测方法，包括如下步骤：

步骤1、采集EEG信号

分别采集癫痫发作时的EEG信号样本以及无癫痫发作时的EEG信号样本，每种情况下的EEG信号样本各1个，均为离散化后的数字信号序列，长度相等；

步骤2、增强EEG信号样本

对两个EEG信号样本分别进行增强，所述样本增强包括信号段随机截取、信号加噪和功率归一化三个步骤，所截取的信号段长度固定为N且小于原始信号长度，信号加噪在截取的信号段上叠加随机生成的噪声序列，长度与信号段长度一致，功率归一化对加噪后的信号段的功率归一化到1，该增强过程重复多次，增强后得到个癫痫发作EEG信号段序列和M个无癫痫发作EEG信号段序列，共2M个EEG信号段序列；

步骤3、计算EEG变换域序列

对所述2M个EEG信号段序列，分别计算每个信号段序列的变换域序列，包括EEG傅里叶变换序列、EEG小波变换序列、EEG变分模态分解序列，其中所述EEG傅里叶变换序列通过对EEG信号段序列进行傅里叶变换，再提取实部、虚部和幅度并进行拼接后得到；EEG小波变换序列通过对EEG信号段序列进行离散小波变换，再对各个尺度下的近似分量进行拼接后得到；EEG变分模态分解序列通过对EEG信号段序列进行变分模态分解，再对各个模态成分进行拼接后得到；

步骤4、构建EEG训练集和验证集