[发明专利]一种基于自监督学习和图神经网络的新生儿惊厥识别系统

权利要求书

1.一种基于自监督学习和图神经网络的新生儿惊厥识别系统，其特征在于，包括惊厥数据集建构模块、惊厥数据预处理模块、图网络模型建构模块、图卷积网络特征提取模块、自监督学习模块和新生儿惊厥识别模块，所述惊厥数据集建构模块通过具有N位通道的新生儿脑电采集器采集大于T时间的惊厥和非惊厥新生儿脑电数据，使用相同格式的文件进行存储，标记好每个新生儿的名字、症状等基本信息，然后使用{0，1}来代表惊厥和非惊厥新生儿的脑电数据，对数据集进行正确标注，完成惊厥数据集的构建工作。

2.根据权利要求1所述的一种基于自监督学习和图神经网络的新生儿惊厥识别系统，其特征在于，所述惊厥数据预处理模块包括以下几个步骤：

步骤一：根据国际10-20脑电导联标准从采集的N位通道数据中选取n位关键通道，按照一定的比例将构建好的脑电数据集分为两个部分：学习部分和识别部分；

步骤二：剔除两个部分中重复出现或者错误的脑电数据，脑电数据可能是使用不同频率的采集器采集而来，采用重采样把不同频率的脑电数据采样至相同的频率，制作成h5文件集，使用时间长度为T的窗口对脑电数据进行无重复连续分割，对分割完成的脑电数据片段进行频域转换，获得原始脑电数据快速傅里叶变换的对数振幅，过滤掉频域下超过一定范围的数据；

步骤三：对脑电数据片段的平均值、标准差、绝对百分比进行归一化处理。

3.根据权利要求1所述的一种基于自监督学习和图神经网络的新生儿惊厥识别系统，其特征在于，所述图网络模型建构模块能够刻画出分布在大脑皮层的各个传感器之间的空间关系，利用U＝{b，p，Q}来构建图，其中p为传感器所在位置点，b为传感器和传感器之间的边，Q为边所代表的权重，根据脑电电极传感器p_i(i＝1，2，...，n)之间的边权重Q来建立一种基于几何关系的有向图模型。

4.根据权利要求3所述的一种基于自监督学习和图神经网络的新生儿惊厥识别系统，其特征在于，所述基于几何关系的有向图模型是通过边的权重的大小来代表两个传感器之间的几何关系，其中边的权重Q_ij是利用两个传感器{i，j}之间实际距离{p_i，p_j}并经过正态化的高斯核的阈值计算来获得。

5.根据权利要求1所述的一种基于自监督学习和图神经网络的新生儿惊厥识别系统，其特征在于，所述图卷积网络特征提取模块基于惊厥数据预处理模块归一化处理之后的脑电数据，通过序列化算法将其转为一维序列，从中提取图卷积网络时间特征，将一维序列根据所述图网络模型建构模块建立的基于几何关系的有向图模型提取有向图空间特征；

所述有向图空间特征H_t，通过一个有向图扩散元件，在所述基于几何关系的有向图模型的节点上进行有向扩散卷积操作来获得有向图的空间特征S，其中扩散卷积操作由正向操作和反向操作组成；

所述图卷积网络时间特征E_t，利用一个门控递归元件包括一个开关门o_t和刷新门L_t，用于自动选择性删除关键性低的特征并记忆重要的长序列特征。

6.根据权利要求1所述的一种基于自监督学习和图神经网络的新生儿惊厥识别系统，其特征在于，所述自监督学习模块用于采用序列对序列的方式自适应地学习脑电数据特别是其他方法不关注的大量非惊厥脑电数据，利用所述图卷积网络特征提取模块建立一个自监督学习编码层，再将编码层的结果输入到一个解码层中，通过解码层来预测未来T时间段的脑电数据，利用解码层的预测效果递归改进下一次预测的编码层-解码层，其中预测效果通过当前预测的T时间段和未来实际T+1时间片段取绝对误差的平均值体现；

所述自监督学习编码层由两层若干b个门控递归元件堆叠组成，输入一个长度为T的序列数据，经过门控递归元件两次递归扩散卷积操作，得到一组图卷积网络特征矩阵；

所述自监督学习解码层由相同的两层若干b个门控递归元件堆叠组成，将编码完成的图卷积网络特征矩阵进行反向操作，重新映射回到长度为T的时间序列，实现预测未来T+1时间段的效果。

7.根据权利要求1所述的一种基于自监督学习和图神经网络的新生儿惊厥识别系统，其特征在于，所述新生儿惊厥识别模块，用于将识别部分的数据预处理后转化为输入图序列，将其送入所述自监督学习模块扫描完所有学习部分的数据所得的编码层，得到一个图卷积网络特征矩阵E∈R^T×b，再输入全连接层进行池化下采样操作转化为一维的向量，最后送入惊厥识别层进行Sigmoid二分类，即判断当前的脑电数据是否有新生儿惊厥的可能。