[发明专利]建立癫痫发作检测模型的方法和设备

说明书

本发明提供一种建立癫痫发作检测模型的方法和设备，所述方法包括：获取训练数据，所述训练数据包括ECG数据、呼吸数据和EEG数据，以及用于表示癫痫是否发作的标签；利用多个所述训练数据对机器学习模型进行训练，以使所述机器学习模型根据所述ECG数据、呼吸数据和EEG数据输出表示癫痫是否发作的检测结果，并根据所述检测结果与所述标签的差异优化所述机器学习模型的参数。

技术领域

本发明涉及人工智能领域，具体涉及一种建立癫痫发作检测模型的方法和设备。

背景技术

癫痫病的发作主要是由于大脑中不正常的神经活动引起的。尽管有很多的抗癫痫的药物实验，但是仍然有三分之一的癫痫患者发病是随机的，这种随机性可能对患者的财务、身体和心里造成重大的不良影响。

基于脑电图(简称EEG)信号自动识检测癫痫病发作是当前非常普遍的方法，EEG是一个随时间变化很大的非平稳信号，也是用于癫痫病诊断的主要信号。自主学习是当前主流癫痫病发作检测的方法之一，如基于深度学习的方法，该方法直接将EEG信号作为癫痫发作检测的原始输入，例如卷积神经网络(CNN)或者长短期记忆网络(LSTM)，现有技术已将深度学习技术应用于EEG信号来进行癫痫病发作的检测。

除此之外，有研究表明心肺功能有助于癫痫病发作检测，但是迄今为止尚缺乏对研究数据的精细设计。所以基于机器学习的癫痫病检测方案仍是一项富有挑战的工作，现有的检测方案准确性和模型性能有待提高。

发明内容

有鉴于此，本发明提供一种建立癫痫发作检测模型的方法，包括：

获取训练数据，所述训练数据包括ECG数据、呼吸数据和EEG数据，以及用于表示癫痫是否发作的标签；

利用多个所述训练数据对机器学习模型进行训练，以使所述机器学习模型根据所述ECG数据、呼吸数据和EEG数据输出表示癫痫是否发作的检测结果，并根据所述检测结果与所述标签的差异优化所述机器学习模型的参数。

可选地，所述机器学习模型包括二维卷积层；所述ECG数据、呼吸数据和EEG数据以二维矩阵的形式作为所述机器学习模型的输入数据，所述二维卷积层用于对所述二维矩阵输入数据进行卷积处理。

可选地，所述机器学习模型包括多个具有不同尺寸卷积核的卷积神经网络。

可选地，所述机器学习模型包括三个卷积神经网络，其中第一个接收输入数据的卷积神经网络的卷积核尺寸为K1*K1,其后串联的两个积神经网络的卷积核尺寸均为K2*K2,K1K2。

可选地，所述述机器学习模型进行训练的过程中采用如下二分类交叉熵损失函数：

其中N为训练样本数量，I(k＝yi)为指示函数，P_model由所述机器学习模型的二分类sofmax函数计算得到的类别概率。

可选地，多个所述训练数据中，属于癫痫发作的训练数据的数量与属于癫痫未发作的训练数据的数量相等。

可选地，所述获取训练数据包括：

获取被测试者的生理信号，包括ECG信号、呼吸信号和EEG信号；

以时间间隔t和时间长度T的滑动窗口将所述生理信号截取为多个信号段，作为所述ECG数据、呼吸数据和EEG数据，其中tT；

分别确定各个所述信号段是否在癫痫发作期内，以确定信号段的标签。

可选地，在截取所述多个信号段之前，利用设定截止频率的带通滤波器对EEG信号进行降噪处理。

可选地，所述呼吸数据包括胸带数据、腹带数据和鼻压数据；所述EEG数据包括基于10-20国际标准导联系统的19个位点的脑电数据；所述ECG数据为12导联心电图数据。