[发明专利]一种基于深度通道注意力感知的脑电癫痫发作检测方法

摘要

本发明公开了一种基于深度通道注意力感知的脑电癫痫发作检测方法，属于生物医学工程和机器学习领域。本发明引入注意力机制于多通道脑电癫痫发作检测中，训练端到端的深度通道注意力感知模型。该模型不仅可以提取脑波信号的深度特征，而且能够同时学习各通道对于检测癫痫的贡献分数，实现动态选择最相关脑电通道。与现有技术相比，本发明通过结合深度特征提取和注意力机制动态选择最相关脑电通道并协同表达癫痫特征，使其融合特征具有通道感知能力，并在提升癫痫检测率的同时具有可解释性。

主权项

1.一种基于深度通道注意力感知的脑电癫痫发作检测方法，其特征在于：该方法包括以下步骤，1)采集多通道脑电数据X，并对所采集的多通道脑电数据进行癫痫标注Y，将多通道脑电数据X和采集的多通道脑电数据进行癫痫标注Y作为训练数据集{(X(i),Y(i)),i＝1,2,…,m}，m为训练样本数量；2)对训练数据进行预处理；对训练集中的脑电信号使用短时傅里叶变换(short‑time Fourier transform，STFT)表达其时频信息，并按照时间方向定长分块，生成多通道脑电时频矩阵训练集{(S(i),Y(i)),i＝1,2,…,m}；其中，对于脑电信号样本x(t)，利用短时傅里叶变换表达脑电时频信息s的公式如下：其中，τ为时间索引，用来定位信号并调用窗函数W(t)进行傅里叶变换；t表示时间，j为脑电信号的定长分块长度；用生成的脑电时频矩阵训练集{(S(i),Y(i)),i＝1,2,…,m}训练深度通道注意力感知模型；3)采集待检测多通道脑电信号X；4)用步骤2)方法对待检测多通道脑电信号X进行预处理，获得待检测的多通道脑电时频矩阵S；5)将待检测的多通道脑电时频矩阵S输入到训练好的深度通道注意力感知模型中，得到分类结果Y和各通道得分{αg1,αg2,…,αgC}；6)根据模型分类结果Y和各通道得分{αg1,αg2,…,αgC}，对待检测数据X的脑电类型即癫痫或非癫痫和各通道的贡献系数进行标记；至此，完成基于深度通道注意力感知的脑电癫痫发作检测过程。