[发明专利]一种基于深度学习算法的癫痫发作预警系统

权利要求书

1.一种基于深度学习算法的癫痫发作预警系统，其特征在于，包括深度学习框架一、深度学习模型一、深度学习框架二、深度学习模型二、脑电采集装置、服务器；

临床采集患者癫痫发作前5分钟的持续脑电信号，分割成每段10秒的脑电信号，利用小波变换方法对脑电信号进行滤波并提取其节律信息；将获取到的节律信息送入深度学习框架一进行训练，得到训练完的深度学习模型一，并存储于服务器中；

临床上采集患者癫痫发作时的持续脑电信号，分割成每段10秒的脑电信号，利用小波变换方法对脑电信号进行滤波并提取其节律信息；将获取到的节律信息送入深度学习框架二进行训练，得到训练完的深度学习模型二，并存储于服务器中；

患者通过佩戴带有数据传输功能的脑电采集装置，通过移动通讯网络或者Wifi上传到服务器，服务器将采集到的原始脑电数据利用小波变换方法进行滤波并提取其节律信息；原始脑电信号及节律信息均存储于服务器中；

服务器中存有训练完成后的深度学习模型一，并具有信息交互的功能；利用深度学习模型一进行脑电节律信息的判别，存在癫痫发作风险时，服务器向患者发出警报，并将预警信息及定位发送给预先设置联系方式的亲属，根据定位信息将警报发送给附近医疗机构；

服务器中存有训练完成后的深度学习模型二，并具有信息交互的功能；通过患者评价此次预警准确性以及根据深度学习模型二判别癫痫是否发作，若癫痫发作，则自动将癫痫发作前5分钟持续脑电节律信息送入到深度学习框架一进行再训练；

所述将获取到的节律信息送入深度学习框架一和深度学习框架二进行训练，深度学习框架采用TensorFlow，分别得到训练完的深度学习模型一和深度学习模型二，具体为：

1）将采集并进行预处理得到的脑电节律信号作为训练数据通过输入设备存储于计算机中；

2）前向传播，将样本数据直接输入网络的第1层即输入层，经过中间各隐层，逐层变换，逐层映射，直到输出层；第层的第j个特征矩阵如式(1)所示：

(1)

式中：表示作为输入的前一层特征矩阵集合， 表示特征矩阵的偏置， 表示特征矩阵的一个权值；

3）反向传播，用有标签的原始数据，进一步对整个多层网络模型的参数进行有监督调优,即在反向传播学习过程中进行权值更新；

4）分别得到训练完成后深度训练模型一和深度训练模型二，作为癫痫发作前特征信号识别判断的依据存储于服务器中。

2.根据权利要求1所述的一种基于深度学习算法的癫痫发作预警系统，其特征在于，所述将癫痫发作前5分钟的持续脑电信号和癫痫发作时的持续脑电信号，分割成每段10秒的脑电信号，具体为采用滑动时间窗的方法将信号数据进行分段，滑动时间窗长度为10秒，滑动步长为2.5秒。

3.根据权利要求1所述的一种基于深度学习算法的癫痫发作预警系统，其特征在于，

所述利用小波变换方法对脑电信号进行滤波并提取其节律信息，具体为使用Daubechies正交小波基，对采集到的脑电信号进行多尺度分解，实现对脑电信号进行滤波处理和对脑电节律δ、θ、α、β的提取。

4.根据权利要求1所述的一种基于深度学习算法的癫痫发作预警系统，其特征在于，所述对脑电节律信息进行判别，分类的结果分为两类:一类是无癫痫发作风险，另一类是有癫痫发作风险。