[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

说明书

本发明公开了一种基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法。首先对脑电数据进行预处理，然后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；再提取时频特征和频空特征；最后将得到的时频、频空特征图片传入双流3D卷积神经网络中，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。本发明能够获得较高的分类准确率，实现对儿童癫痫综合征的精确分类。

技术领域

本发明属于深度学习及智能生物医学信号处理领域，涉及一种基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法。

背景技术

儿童癫痫综合征是一种临床定义明确，通常包含可识别的特定模式。虽然大多数癫痫综合征可以通过相应的临床特点和脑电信号的改变进行诊断与治疗，但是仍然存在部分癫痫综合征难以精确识别诊断。这给临床神经内科的医生的工作带来了一定的挑战。难以精确识别的主要原因包括：神经内科医生接触的综合征类型不够全面，缺乏全面的临床经验；相关的医疗设备性能不佳以及没有有效的癫痫初期检查与智能辅助诊疗系统。因此，为儿童癫痫综合征患者建立一个精准高效的自动识别辅助诊断架构具有很强的社会现实意义与经济效益，尤其对于部分偏远的医疗水平相对欠缺的地区，可以为神经内科在儿童癫痫综合征的临床辅助诊断方面提供很好的帮助。

脑电信号是诊断癫痫重要的参考依据，大部分儿童癫痫综合征可以通过对脑电信号的判读进行诊断。当前主要的研究集中关注在下列几个方向：

癫痫分期及预测：利用收集的癫痫患者的临床脑电信号，将脑电信号划分为发作前期，发作间期，发作期等不同的阶段，在完成分期的基础上对患者的癫痫发作进行预测。

癫痫用药治疗效果评估：从癫痫患者的脑电信号中提取相关生物标志物来评价患者在用药后的治疗效果，为后续治疗提供参考。

癫痫发作类型分类：从癫痫患者的脑电信号中截取癫痫发作片段，利用智能算法分析不同癫痫发作之间的共性与差异性，进而实现癫痫发作分类。

与癫痫发作期脑电信号持续时间短不同，发作间期脑电信号在脑电记录中持续时间较长，在相关癫痫综合征的临床诊断和辅助分析与专业神经内科医师培训上具有更强的现实意义。在临床上已用来进行癫痫临床生物标志物检测，以及间期癫样放电检测。但当前对儿童癫痫综合征的研究还存在以下几个主要问题：1)现有研究主要集中在对特定某一类的癫痫综合征进行发作分期和预测，缺乏对多种不同癫痫综合征智能分类分析；2)同时在对不同癫痫综合征的分类分析中，已有的研究没有明确区分发作期与发作间期的脑电信号，任务数据集构建不明确，此外由于发作期数据量较少，且需要专业医师的标注，较难收集，在模型的训练中易过拟合；3)已有的深度学习方法选用的输入特征较为单一，没有全面的刻画脑电信号特点。另外，多通道脑电之间的关联信息也没有挖掘充分。

发明内容

针对传统的智能识别算法以及单流3D深度卷积神经网络特征学习存在的问题，本发明提供一种基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法，主要创新如下：

1)结合儿童癫痫综合征临床诊断以及多特征表示学习，提出了一种双流3D深度神经网络的儿童癫痫综合征辅助分析方法；

2)引入注意力机制模块，注意力模块可以增强特征通道间的特征学习能力，还可以充分的挖掘特征空间的相关信息。