[发明专利]一种癫痫脑电自动分类模型的获取方法、系统及分类系统

权利要求书

1.一种癫痫脑电自动分类系统，其特征在于，所述系统包括有效脑电信号获取模块、时频图获取模块、分类模块以及输出模块；

所述有效脑电信号获取模块用于对待分类的脑电信号进行小波变换，获得有效频带范围的脑电信号，记为有效脑电信号；

所述时频图获取模块用于对所述有效脑电信号进行短时傅里叶变换，获得反应时间和频率的时频图；

所述分类模块用于利用TensorFlow框架对所述时频图进行分类，得到模型分类结果；所述TensorFlow框架是利用初始Inception-V3卷积神经网络模型对所述时频图进行迁移学习来得到特征向量，再将所述特征向量输入优化后的Inception-V3卷积神经网络模型进行分类的；

所述输出模块用于输出所述优化后的Inception-V3卷积神经网络模型的分类结果。

2.根据权利要求1所述的一种癫痫脑电自动分类系统，其特征在于，所述有效脑电信号获取模块包括脑电信号导入单元和小波分解单元；

所述脑电信号导入单元用于将所述待分类的脑电信号导入所述小波分解单元中；

所述小波分解单元用于对所述待分类的脑电信号进行多层小波分解，得到所述有效脑电信号；所述小波分解的层数由所述待分类的脑电信号的采样频率决定。

3.根据权利要求1所述的一种癫痫脑电自动分类系统，其特征在于，所述分类模块包括数据集划分单元、特征提取单元、模型优化单元和模型训练单元；

数据集划分单元用于将癫痫发作期脑电信号的时频图和正常脑电信号的时频图组成数据集，并采用random函数将所述数据集分为训练集、验证集和测试集，对所述训练集、所述测试集和所述验证集数据添加标签，其中，所述癫痫发作期脑电的时频图的标签为1，所述正常脑电信号的时频图的标签为0；

所述特征提取单元用于调用初始Inception-V3卷积神经网络模型对所述数据集中的所述时频图进行迁移学习的特征处理并输出特征向量；

所述模型优化单元用于对所述初始Inception-V3卷积神经网络模型进行优化，将所述全连接层替换为二分类，得到所述优化后的Inception-V3卷积神经网络模型；

所述模型训练单元用于利用所述训练集、所述验证集和所述测试集对所述优化后的Inception-V3卷积神经网络模型进行训练、验证以及测试，所述模型训练单元在训练过程中使用交叉熵损失函数和随机梯度下降算法对所述优化后的Inception-V3卷积神经网络模型进行训练，得到所述优化后的Inception-V3卷积神经网络模型的分类结果。

4.根据权利要求3所述的一种癫痫脑电自动分类系统，其特征在于，所述模型优化单元还用于调用所述分类结果计算所述优化后的Inception-V3卷积神经网络模型的分类准确率；所述模型优化单元是通过正确率、召回率和精确率计算所述优化后的Inception-V3卷积神经网络模型的分类准确率的；

所述正确率计算公式为：

其中，ACC表示所述优化后的Inception-V3卷积神经网络模型的分类正确率，TP为真正例，表示被正确分类的所述癫痫发作期脑电信号样本数；TN为真反例，表示被正确分类的所述正常脑电信号的样本数；FP为伪正例，表示被错误分类的所述癫痫发作期脑电信号的样本数；FN为伪反例，表示被错误分类的所述正常脑电信号的样本数；

所述召回率计算公式为：

其中，SEN表示所述优化后的Inception-V3卷积神经网络模型的分类召回率；

所述精确率计算公式为：

其中，PRE表示所述优化后的Inception-V3卷积神经网络模型的分类精确率。