[发明专利]基于双源域整体迁移学习的癫痫疾病诊断方法

说明书

本发明提供了一种基于双源域整体迁移学习的癫痫疾病诊断方法。本发明中选取心律失常源域数据集、心肌梗塞源域数据集和目标域数据集：2)对心律失常源域数据集、心肌梗塞源域数据集和目标域数据集中的数据进行降噪预处理；3)对心律失常源域数据集、心肌梗塞源域数据集中的心电信号数据进行降序排列；4)构建疾病诊断模型，并将经过降噪预处理的心电信号数据送入模型进行训练；5)使用整体迁移学习方法将训练好的疾病诊断模型应用到降噪预处理后的目标域数据集中，对癫痫疾病进行诊断。本申请基于双源域整体迁移学习的癫痫疾病诊断方法可有效缩短训练时间，同时，在F1‑score、准确率、查准率以及高检测真实性方面也取得非常好的效果。

技术领域

本发明属于新一代信息技术领域，具体涉及一种基于双源域整体迁移学习的癫痫疾病诊断方法。

背景技术

癫痫是由很多种原因导致的脑部神经元高度同步化异常放电所表现出的临床综合征，会引发肌阵挛、惊厥、脑血管疾病等并发症。我国目前约有900万以上的癫痫患者，每年新发患者65～70万，难治性癫痫患者至少200万以上，如果无法进行有效的诊疗对于患者及其家庭将会产生压力，对于社会的长期稳定发展将会产生影响。随着人工智能在神经疾病的预防、诊断和检测中起到的作用越来越明显，使用计算机辅助进行癫痫诊断具有重要意义。

脑电图(EEG)是诊断癫痫的重要方式，对于癫痫的诊断和分类具有重要作用。以往对于疾病的诊断大都是基于已有的数据通过基础分类器进行，后面又使用深度学习、机器学习方法对疾病进行诊断。以上方法要求有标注的数据多，而且只有当数据具有相似的分布时，才能产生良好的效果。由于医疗数据涉及病患信息，数据的公开性小，存在数据量不充足的问题；另一方面，脑电信号是非线性、不平稳的信号，不同的采集设备、不同的时间、对不同的患者进行采集都会产生不同的信号、具有不同的信息，所以直接使用某一模型诊断可能会出现较大的误差。

为了解决以上问题本发明提出使用双源域整体迁移学习方法进行癫痫疾病的诊断。

发明内容

为了解决上述技术问题，本发明提供一种基于双源域整体迁移学习的癫痫疾病诊断方法。本申请提出的双源域整体迁移学习方法允许数据之间存在一定的差别，而且对于数据集的大小要求不高，适合使用在癫痫疾病的诊断中。

一种基于双源域整体迁移学习的癫痫疾病诊断方法，其特征在于：包括以下步骤：

1)选取心律失常源域数据集、心肌梗塞源域数据集和目标域数据集：

2)对心律失常源域数据集、心肌梗塞源域数据集和目标域数据集中的数据进行降噪预处理；

3)根据与目标域数据集的相关性对心律失常源域数据集、心肌梗塞源域数据集中的心电信号数据进行降序排列；

4)构建疾病诊断模型，并将心律失常源域数据集、心肌梗塞源域数据集中经过降噪预处理的心电信号数据送入疾病诊断模型进行训练；

5)将训练好的疾病诊断模型采用整体迁移的形式应用到降噪预处理后的目标域数据集中，对癫痫疾病进行诊断，同时,输出F1分数、准确率、查准率、召回率以及AUC的指标结果。

其中，步骤4)的具体步骤为：