[发明专利]一种基于迁移学习和空洞卷积的癫痫状态识别方法

说明书

本发明提供一种基于迁移学习和空洞卷积的癫痫状态识别方法，包含步骤：S1、提取每组原始癫痫脑电图信号特定频率下的若干个小波包系数组作为一个特征组；S2、去除特征组中显著相关的小波包系数组，实现对特征组降维；降维后特征组的每个小波包系数均为一个特征值；S3、标准化处理从若干组原始癫痫脑电图信号提取的所有特征值；S4、将经标准化处理的的所有特征值作为测试数据集，将现有癫痫脑电图信号特征数据库中的特征作为训练数据集；通过改进的CMJAE迁移学习方法实现跨领域知识迁移，并通过二维空洞卷积神经网络作为分类器，迭代获取测试数据集的分类结果；S5、采用十折交叉验证法，验证分类准确性。

技术领域

本发明涉及非平稳信号的特征提取，模式分类，迁移学习和深度学习，属于信号处理和模式识别技术领域。

背景技术

目前癫痫是一种常见的神经系统疾病，根据世界卫生组织(WHO)的数据，全球每年有近240万人被诊断为癫痫，它影响着全球大约5000万人口的日常生活，并呈现逐年增加的趋势。癫痫主要是由大量神经元集群异常同步化放电活动而造成的脑功能障碍。头皮脑电或颅内脑电反映了主要的脑神经活动，包含了脑内大量的生理和病理信息，因此EEG(electroencephalogram脑电图)信号的智能识别是研究癫痫发作的主要手段。

目前，癫痫的诊断需要由神经电生理医师对患者长达数天的脑电图信号进行人工分析，不仅需要消耗大量的人力物力，同时较长的时间周期也导致了一部分患者无法及时得到治疗。另一方面，因为病人之间的脑电图信号差异较大，所以在一个病人数据上训练好的分类模型在另一个病人上的识别效果往往很差，现有的模型在临床应用中的泛化性很差。因此，如何通过仅仅通过少量患者脑电图信号数据并且在训练数据和测试数据分布不一致的情况下对患者状态进行自动判别分析是本发明着力解决的两个问题。

癫痫患者的EEG信号随机性很强，其本质上是非线性和非平稳的时间序列，信号非常复杂并且很难从视觉上给出直观解释。研究者们往往通过量化分析的方法来提取癫痫EEG信号的特征信息。在现有的研究中主要的癫痫EEG信号特征抽取方法包括三种：时域特征提取、频域特征提取和时频域特征提取。(1)时域分析方法作为最早应用于EEG信号分析中的方法，主要通过分析EEG信号波形中的信号幅度、均值、方差、标准差来提取特征。癫痫EEG信号中的棘波、尖波、慢波都可以在时域上提取出来。(2)频域分析主要分析脑电图信号的频率特征，根据脑电波的频率识别出不同的节律。同时还可以通过使用短时快速傅里叶变换(short-time Fourier transform,STFT)方法将脑电波幅值随时间的变化转换为脑电功率随时间的变化，从而可以观察不同频段脑电波的变化情况。(3)时频分析可以提取EEG信号中时域的波形参数特征，也可以提取频域内的能量分布特征，典型的时频分析代表性技术为小波包分解。

随着机器学习和深度学习技术的快速发展，多种智能识别方法都被应用于癫痫脑电的建模识别中。应用比较广泛的方法包括以下几种：极限学习机(Extreme LearningMachine,ELM),基于前馈神经网络，通过计算分配节点参数，并计算隐含层的输出矩阵，最后求解输出权重；支持向量机(Support Vector Machine,SVM),基于统计学习理论和结构风险最小化，利用核函数将非线性特征映射到高维空间，找到超平面实现分类；决策树(Decision Tree,DT),作为一个预测模型，代表对象属性与对象值之间的一种映射关系，使用归纳法生成决策树结构和过程中的规则，然后对测试数据进行分类；K近邻算法(K-nearest neighbor,KNN)，随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，遍历训练元组集，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别。