[发明专利]一种基于深度学习的HFO自动检测系统

权利要求书

1.一种基于深度学习的高频振荡信号HFOs自动检测系统，其特征在于，包括：

数据采集模块，用于对患者的原始SEEG信号进行采集；

数据预处理模块，用于将采集到的原始SEEG信号进行预处理；

阈值初始检测模块，用于对预处理后的信号进行初始检测并建立临床高频振荡的候选事件集；

小波变换模块，用于将候选事件集中的数据进行连续小波变换，生成二维时频图；

数据存储模块，用于存储已视觉标记的真假HFOs；

端到端双分支融合模型，包括针对信号分支构建的一维ResNet和LSTM的混合网络模块以及针对时频图分支构建的带有卷积块注意力模块的二维ResNet，用于提取信号的深度特征；针对信号分支构建的混合网络模块中的一维ResNet用于提取信号空间形态上的深度特征，该一维ResNet由5个阶段构成，第一个阶段为一个7×7的卷积处理，stride为2，然后经过池化处理，此时特征图的尺寸已成为输入的1/4，接下来的四个阶段由四个残差块堆叠构成，每个块由两个叠加的3×3卷积组成，每个卷积层后接BatchNorm层和ReLU激活函数用于数据的归一化和激活，堆叠的块的个数为[3,4,6,3]；针对信号分支构建的混合网络模块中LSTM网络用于提取信号时间维度上的深度特征，其隐藏单元数为100，层数为2，在LSTM层后还添加一个Dropout层，用于降低冗余；针对时频图分支的带有卷积块注意力模块的二维ResNet的构建方法为：采用通道注意力模块将输入的特征图，分别经过基于width和height的全局最大池化和全局平均池化，然后分别经过一个参数共享的多层感知器，将多层感知器输出的特征进行基于元素级别的加和操作，再经过sigmoid激活操作，生成最终的通道注意力模块特征图；采用空间注意力模块，将输入的特征图基于通道分别做全局最大池化和全局平均池化，然后沿通道维度做concat操作；经过一个卷积操作，降维为1个通道，再经过sigmoid激活操作生成空间注意力模块特征图；将通道注意力模块与空间注意力模块串联，嵌入到二维ResNet的每一个卷积块的最后面；

双分支融合模型是以频率在80-500Hz带通脑电信号和二维时频图两种模态数据作为模型输入，首先对两种模态数据进行特征学习，然后通过融合模块对两种模态数据的输出进行融合；

融合模块，利用多层感知器对融合结果进行分类识别。

2.根据权利要求1所述的基于深度学习的高频振荡信号HFOs自动检测系统，其特征在于，数据预处理模块中预处理的流程如下：

S101、截取30min原始SEEG信号片段进行后续预处理；

S102、对原始脑电信号进行极性转换操作；

S103、在使用数据之前将明显受到干扰的通道以及空电极去除；

S104、通过50Hz倍频陷波滤波器滤除工频干扰及其倍频干扰；

S105、通过带通滤波器保留80-500Hz频率范围的脑电信号。

3.根据权利要求2所述的基于深度学习的高频振荡信号HFOs自动检测系统，其特征在于，阈值初始检测模块中的算法流程如下：

S201、基于80-500Hz频段滤波后的脑电信号计算受试者每个导联的标准差，并定义阈值为2.5倍的峰值，并统计每次信号峰值超过阈值的位置；

S202、对每128个采样点内的阈值交叉次数进行统计，并记录下交叉次数大于3的位置；

S203、对信号进行希尔伯特变换提取脑电信号包络，并设置阈值为3倍的背景中值，记录下超过阈值的位置；

S204、对同时满足上述步骤S201、步骤S202和步骤S203各项条件要求的位置，截取该同时满足上述步骤S201、步骤S202和步骤S203各项条件要求的位置前0.1s及后0.4s，共计0.5s的信号片段，作为一条备选HFOs数据。