[发明专利]基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法

权利要求书

1.基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法，其特征在于，步骤如下：

步骤1、对脑电数据进行预处理：

步骤2、将经过预处理的脑电数据，分别转换为双极纵向导联EEG数据和平均参考导联EEG数据；

步骤3、对双极纵向导联EEG数据每4s一段采用CWT提取时频特征，母小波选用morletwavelet，提取的时频特征保存为大小32*32的特征图片；对平均参考导联EEG数据提取δ(14-Hz),θ(4-8Hz),α(8-3Hz),β(13-30Hz)和γ(30-70Hz)五个频带的频空特征，计算每个频带的平均功率谱并按电极的空间分布转换为大小32*32的特征图片；

步骤4、将得到的时频、频空特征图片作为输入分别传入双流3D卷积神经网络的时频输入流和频空输入流中，通过双流3D卷积神经网络中的注意力机制模块将提取不同通道间的信息，最终把时频输入流和频空输入流的Softmax概率输出进行平均加权得到相应儿童癫痫综合征类别。

2.根据权利要求1所述的基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法，其特征在于，所述步骤1的具体步骤如下：

截取发作间期脑电数据，将21通道、采样频率为1000Hz的EEG信号；对于获得的EEG信号，首先利用多项式拟合法求出趋势项进行基线校正，再使用陷波滤波器剔除50Hz工频干扰，最后使用带通滤波器选择0.5Hz至70Hz频段的EEG数据，最终得到干扰少的脑电信号。

3.根据权利要求2所述的基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法，其特征在于，所述步骤2的具体步骤如下：

将预处理后的发作间期脑电数据按双极纵向导联排布方式进行转换，对应连接的参考电极相减即得到相应的双极纵向导联EEG数据；计算F3,Fz,F4,C4,P4,Pz,P3,C3这8个原始电极EEG数据的平均值，每个电极EEG数据减去平均值即可得到相应的平均参考导联EEG数据。

4.根据权利要求3所述的基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法，其特征在于，所述步骤3的具体流程如下：

3-1、将得到的双极纵向导联EEG数据按每4s一段进行切分，每段脑电信号使用CWT进行连续小波变换提取时频特征，得到的时频矩阵大小为285*4000，采用imagesc函数进行绘图，转化为RGB图片输出，设置图片大小为32*32；

3-2、将得到的双极纵向导联EEG数据同样按每4s一段进行切分，计算每个频带的平均功率谱，并按电极的空间分布转换为大小32*32的特征图片。

5.根据权利要求4所述的基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法，其特征在于，进一步的，连续小波变换提取时频特征步骤为：

3-1-1、首先选用morlet wavelet作为母小波，其定义如下：

其中f是morlet小波的中心频率，σ是控制高斯核尺度的参数，表示morlet小波函数，t是信号时间点，j是复数表示形式；

3-1-2、连续小波变换定义如下：

其中a,b分别表示缩放和平移参数，表示母小波函数，dt表示求导操作；

3-1-3、经过连续小波变换，得到时频矩阵，矩阵大小为285*4000；采用imagesc函数进行绘图，将矩阵输出为RGB时频图，时频图大小为32*32。

6.根据权利要求4所述的基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法，其特征在于，计算平均功率谱提取频空特征，具体步骤如下：

3-2-1、平均功率谱计算公式如下：

其中，K表示切分的数据段数目，M表示每段数据的长度；U表示窗函数w(n)的能量，x_i(n)表示输入的平均参考导联EEG数据；

3-2-2、将相应平均参考电极的空间分布映射到二维平面，各个通道的平均功率谱值组成一个5*5的矩阵并通过imagesc函数进行绘图，将矩阵输出为RGB频空图，频空图大小为32*32。

7.根据权利要求4-6中任意一项所述的基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法，其特征在于，步骤(4)具体方法如下：

4-1、将提取的时频、频空特征传入双流3D卷积神经网络，输入数据的大小为分别为18*32*32、19*32*32；双流3D卷积神经网络包含五个模块，第一个为卷积模块，剩下的是四个相同结构的注意力机制模块；注意力模块由通道注意力模块和空间注意力模块两个部分组成，通道注意力模块用于关注特征图通道之间的相互关系，空间注意力模块用于关注特征内部之间的信息；通过注意力机制模块增强通道间以及特征内部的信息提取能力，提升网络的表达能力；最终将每个输入流的softmax概率输出进行平均加权得到相应儿童癫痫综合征类别；

3D卷积神经网络通过堆叠多个通道特征图组成一个立方体，然后在立方体中运用3D卷积，其计算公式如下：

其中，表示第m层的第n个特征图的计算值，tanh为双曲正切函数，b_mn,P_m,Q_m,R_m分别表示偏置、权重、卷积核高度、卷积核宽度以及卷积核的深度；

每个特征图的大小计算公式如下：

其中，D_out,H_out,W_out分别表示输出特征图深度、高度以及宽度；padding表示填充参数的大小，dilation表示膨胀系数，默认为1、kernel_size表示池化核的大小，stride表示步长，D_in、H_in和W_in分别表示输入特征图深度、高度以及宽度；

一个特征图某一位置的值是通过卷积上一层的相关通道同一位置的局部感受野得到的；3D卷积核每次只能提取一种类型特征，在整个卷积的过程中卷积核的权值都是一样的；

4-2、在经过第一个卷积模块后，输出的特征图依次经过通道注意力模块和空间注意力模块提取更丰富的通道与空间信息，具体步骤如下：

4-2-1、通道注意力模块表示如下：

1)、3D残差模块第l-1层的输出作为通道注意力模块的输入，l-1表示每个3D残差模块的最后一层，通过3D全局平均池化(GAP)和3D全局最大池化(GMP)分别得到和两种不同的特征图；两种池化方式表示如下：

其中d,h,w表示特征图的深度，高度以及宽度；

2)、将各通道两种不同权重的特征图相加，其方式如下：

3)、通过两个全连接层完成相加后的特征权重赋值，其表示如下：

其中，s^l表示输入的特征图，第一个，第二个全连接层的输出权重分别为W₁,W₂，δ表示激活函数ReLu，σ表示激活函数sigmoid；表示经过两个全连接层后得到的特征权重；r表示放缩比，用于平衡网络的性能与复杂度，r参数值取16；

4)、输出的特征权重通过乘法加权到输入的特征图x^l-1上，得到具有权重的特征图，其公式如下：

4-2-2、经通道注意力模块输出的特征图传入空间注意力模块，空间注意力模块表示如下：

1)、首先进行3D全局平均池化操作，从输入特征图的深度和平面两个维度分别进行3D全局平均池化，其表示如下：

其中，dGAP(x'),pGAP(x')分别表示深度和平面的全局平均池化，特征图输出大小分别为

2)、经过池化后的特征图分别传入两个全连接层，得到两个大小为的特征图；

3)、最终两类特征权重通过乘法依次加权到先前的特征图上，得到具有通道和空间注意力的特征图；其表示如下：

4-3、经过注意力模块后带有权重的特征图传入全连接层展平为1×512的特征向量，再由softmax层输出类别的概率值，最终把时频、频空的两个输入流的softmax概率输出进行平均加权得到相应儿童癫痫综合征类别；

4-4、网络训练效果采用Precision、Recall、Specificity展示；各参数计算公式如下：

其中TP表示被模型预测为正类的正样本，TN表示被模型预测为负类的负样本，FP表示被模型预测为正类的负样本，FN表示被模型预测为负类的正样本；Precision表示精确度，代表各个类别的识别率，针对单个样本而言；Recall表示召回率，数值越高，漏诊率越低；Specificity表示特异度，数值越高，误诊率越低。