[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

说明书

本发明提出了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，包括惊厥数据集建构模块，采集数据集并进行存储标注工作；惊厥数据预处理模块，对数据集进行分类去重、重采样、频域过滤以及特征归一化处理；图网络模型搭建模块，对脑电信号进行动态时空建模；自监督学习模块，通过利用图的动态时空特征预测未来的脑电图数据进行学习；新生儿惊厥识别模块，将数据集中的识别部分输入自监督学习好的模型，后接一个全连接层，池化层和识别层，完成惊厥症状的识别。本发明能够准确地识别新生儿脑电惊厥症状，满足临床医生的应用需求。

技术领域

本发明涉及新生儿惊厥识别系统技术领域，具体为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。

背景技术

新生儿惊厥是新生儿最危险也是最常见的神经系统病症之一，因为其严重的临床症状和错综复杂的病因。惊厥在新生儿阶段的发病率远高于其他各年龄段，其中早产儿更是高达1.8％～5％。新生儿惊厥发作早期如果不明确病因及时治疗，会损伤脑神经从而导致癫痫性脑病、失聪等后遗症。惊厥症状既往依靠医生观察诊断往往存在诸多问题，如微小发作难以发现、观察困难且缺乏连续性、神经类药物影响和临床行为干扰等，因此借助脑电图(EEG)这种能帮助发现脑内皮质功能混乱异常放电，且连续不断地监测评估的脑电数据逐渐成为新生儿惊厥的主要诊断工具。

目前神经网络相关的算法已经在交通、社交网络、生物医药等诸多领域产生了应用，并获得了良好的效果。图卷积网络模型能够自动地关注网络图中相关流量的特征，预测流量的动向，从而精准地识别出网络图的时间或空间特性。对于新生儿惊厥脑电信号的识别分析，图卷积网络的模型目前还从未有过应用。目前新生儿惊厥识别系统主要有以下问题尚未解决：

1、新生儿惊厥识别系统需要构建独特的基于大脑空间几何结构和电极之间相关性的图模型。

2、传统的图神经网络模型忽视了脑电信号动态的时空相关性。

3、新生儿惊厥识别系统需要提高对于特定罕见或轻症类型的准确度，例如轻度血氧型惊厥，EEG标志性波形会延后或消失。

因此我们对此做出改进，提出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。

发明内容

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明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，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。

作为本发明的一种优选技术方案，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，删除最后少于T长度的时间片，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。