[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

说明书

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。

技术领域

本发明涉及生物医学工程和机器学习领域，尤其涉及一种基于深度通道注意力感知的脑电癫痫发作检测方法。

背景技术

癫痫是一种由脑部神经元异常放电所引起的慢性神经疾病，我国大约有600万左右的癫痫患者并逐年快速增长。癫痫的临床特征通常表现为抽搐、精神异常、发作性意识改变等，对患者身心健康危害极大。随着医疗信息化建设的日益发展与普及，癫痫诊断可由医学专家直接根据多通道脑电图(electroencephalogram，EEG)通过视觉检测进行诊断。但由于癫痫发作的不确定性，医生需要长期监控病人的冗长的脑电图记录。这种耗时费力的人工检测很容易导致漏诊误诊的发生。因此，有必要实现自动化的多通道脑电癫痫发作检测，从而减轻医疗工作者的工作量并避免主观因素干扰，这在医学应用中具有重大意义。

近年来，国内外对于基于机器学习的多通道脑电癫痫发作检测的方法研究给予极大重视。具体地，当前研究主要集中在应用深度学习算法自动提取多通道脑电特征从而检测癫痫的发作。由于脑电数据的多通道复杂性，有些脑电通道会提供与癫痫发作无关的干扰信息，因此研究者们尝试利用深度学习技术预先选择有用的脑电通道作为检测癫痫的主要特征。尽管如此，现有的脑电通道选择模型大多都是通过阈值判断一次性滤除所有无关通道。这种硬选择(hard selection)模型忽略了脑电通道信息的动态性，因为相关通道的选择是随不同病人和病情而变化的。另外，现有模型往往将特征学习和通道选择视为各自独立的模块，即多阶段(multi-stage)模型，并非端到端(end-to-end)模型。这种多阶段模型很难保证癫痫检测性能的稳定，由于其需要使用人工手段协调各阶段模块工作。因此，如何结合深度学习技术动态选择相关脑电通道协同表达癫痫特征，是技术人员需要攻克的一个难题。

发明内容

本发明的目的在于解决现有深度学习算法在脑电癫痫检测中的不足，提出一种基于深度通道注意力感知的脑电癫痫发作检测方法，即通过结合深度特征提取和注意力机制(attention mechanism)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。

为实现以上目的，本发明采用的技术方案是，一种基于深度通道注意力感知的脑电癫痫发作检测方法，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。

3)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，具体为：