[发明专利]深度网络堆栈模型自适应加权特征融合的癫痫检测方法

说明书

本发明公开了一种深度网络堆栈模型自适应加权特征融合的癫痫检测方法。本发明步骤如下：1：原始脑电信号经过预处理后，对脑电信号每个通道的数据进行离散傅里叶变换，并获得其平均振幅谱；将取得的平均振幅谱特征随机划分为几部分，以适用于自适应加权特征融合的深度网络堆栈模型；2：使用不同结构的卷积神经网络对步骤1中得到的数据集进行第二次特征提取；3：将不同的卷积神经网络提取的特征进行自适应加权特征融合，最后由基于支持向量机的纠错输出编码模型预测样本所属类别。本发明通过堆栈集成方法和自适应加权特征融合算法，使系统可以融合每种不同结构深度网络提取的特征，提高了癫痫预测效果。

技术领域

本发明属于智能医学信号及图像处理领域，涉及一种深度网络堆栈模型自适应加权特征融合的癫痫检测方法。

背景技术

随着机器学习的发展，机器学习的相关方法和思想也应用在智能医学信号及图像处理领域中。现有癫痫预测算法的模型结构和分类效果还有待提高，主要是以下两方面：

1.传统的癫痫预测通常将患者的脑电脑信号粗略地划分成发作间期、发作前期和发作期三个阶段，并根据患者所处的阶段预测癫痫发作的时间。由于这种预测方法本身的局限性，无法准确地预测癫痫发作前期的时间。

2.将传统的卷积神经网络模型直接运用于癫痫发作的预测问题，其对癫痫发作的预测效果不尽如人意，还应继续优化其模型结构，进一步提高预测精度。

相比于传统的癫痫预测，本发明旨在优化癫痫发作预测模型的结构、结合特征融合的方法提高癫痫发作预测的精度，实现更有效的癫痫发作预测。

发明内容

本发明针对传统的癫痫预测方法的不足，提出了一种深度网络堆栈模型自适应加权特征融合的癫痫检测算法。本发明中，对提取原始脑电信号的平均幅度谱特征后，输入深度网络的堆栈模型中，将二次提取的特征进行自适应加权特征融合，并结合基于支持向量机的纠错输出编码(ECOC)模型预测样本脑电信号的所属类别。相同的数据集上，可以获得比传统的癫痫预测方法更精确的预测结果。

本发明的技术方案主要包括以下几个步骤：

步骤1：原始脑电信号经过预处理后，对脑电信号每个通道的数据进行离散傅里叶变换，并获得其平均振幅谱(MAS)。将取得的平均振幅谱特征随机划分为特定的几部分，以适用于自适应加权特征融合的深度网络堆栈模型。

步骤2：在深度网络堆栈模型自适应加权特征融合的癫痫检测算法中，使用不同结构的卷积神经网络对步骤1中得到的数据集进行第二次特征提取。

步骤3：将不同的卷积神经网络提取的特征进行自适应加权特征融合，最后由基于支持向量机的纠错输出编码(ECOC)模型预测样本所属类别。

所述步骤1的具体实现步骤如下：

1-1.整理脑电信号每个通道的信息，将脑电信号调整为13通道，并将其分割成多个时长为2秒的样本，且每两个相邻的样本中间有1秒的重叠部分。

1-2.将癫痫发作前的一个小时平均划分为三个时期，即前期一、前期二和前期三，癫痫发作时记为发作期，癫痫发作前后四小时以外的时间记为癫痫发作间期，并以此为步骤1-1中所述的样本设置标签。

1-3.对于每一个样本，将样本中的每个通道进行离散傅里叶变换，并由下式获取各通道的幅度谱P(k)：

P(k)＝|X_k|

其中，X_k为离散傅里叶变换的结果。将频率信号分为19个频段，并由以下公式计算这19个频段的平均振幅谱：

MAS_i＝mean(P(k),k∈K_i)