[发明专利]基于三维四元图卷积神经网络的癫痫分类检测系统及方法

权利要求书

1.一种基于三维四元图卷积神经网络的癫痫分类检测系统，其特征在于，包括：

脑电信号样本采集模块，基于N个通道分别采集每个患者在正常状态与癫痫状态下的脑电信号样本；

所述脑电信号样本采集模块为含N个通道的脑机接口设备，在采集每个患者在正常状态与癫痫状态下的脑电信号样本时，首先设置脑机接口设备的采样率，读取每位患者N个通道的癫痫状态的脑电信号与正常状态的脑电信号，癫痫状态与正常状态分别采集M/2个脑电信号样本点，原始脑电信号构建模块将采集到的每个患者在正常状态与癫痫状态下的脑电信号样本组合，形成原始脑电信号，每个通道共M个脑电信号样本点；设对第h位患者采集到的频率为1~30Hz的原始脑电信号定义为，其中，t表示M个脑电信号样本点对应的采集时间，满足：t=，h=1，2，…，N，则表示为：

其中，N×M表示原始脑电信号表征矩阵的行列维度，表示在第个采集时间点采集的第N通道的脑电信号；

原始脑电信号构建模块，将采集到的每个患者在正常状态与癫痫状态下的脑电信号样本组合，形成原始脑电信号；

原始脑电信号处理模块，用于将原始脑电信号处理为δ、θ、α及β四个脑电波频段的信号，并将四个脑电波频段的信号进行处理，并融合为新的四元脑电信号矩阵；

原始脑电信号处理模块采用快速傅里叶变换将原始脑电信号Y_h(t)处理，对已进行快速傅里叶变换的原始脑电信号Y_h(t)，以不同的脑电波频段作为窗口长度，加载矩形窗，将已进行快速傅里叶变换的原始脑电信号Y_h(t)滤波成δ、θ、α及β四个脑电波频段的信号，其中，δ为1~3Hz的脑电波频段，θ为4~7Hz的脑电波频段，α为8~13Hz的脑电波频段，β为14~30Hz的脑电波频段，δ脑电波频段的信号的矩阵形式表示为：

θ脑电波频段的信号的矩阵形式表示为：

α脑电波频段的信号的矩阵形式表示为：

β脑电波频段的信号的矩阵形式表示为：

N、M分别为δ、θ、α及β四个脑电波频段中每一个脑电波频段的信号矩阵的行列维度，、、、分别表示δ脑电波频段的信号的矩阵形式、θ脑电波频段的信号的矩阵形式、α脑电波频段的信号的矩阵形式及β脑电波频段的信号的矩阵形式;

原始脑电信号处理模块采用傅里叶反变换分别对、、、进行处理，得到对应的四个时域脑电信号：，将四个脑电波频段的信号进行处理并融合为新的四元脑电信号矩阵表示为：

Y＇=

其中，i、j、k均表示四元数中的虚数单位，Y＇表示四元脑电信号矩阵，、、及分别表示傅里叶反变换后，在第N个通道，第M个采样点的δ、θ、α及β四个脑电波频段对应的时域信号；四元脑电信号矩阵Y＇中的每一个元素均表示为四元数的形式；

图结构构建模块，基于N个通道脑电信号间的相关系数构造N个通道的图结构，结合图结构得到原始脑电信号的邻接矩阵，基于邻接矩阵确定四元相对位置矩阵；

利用脑电信号样本采集模块，基于N个通道分别采集每个患者的脑电信号时，将N个通道视为N个脑电节点，所述图结构构建模块基于N个通道脑电信号间的相关系数构造N个脑电节点的图结构时，设每一个患者的原始脑电信号统一表示为Y，Y的矩阵表达式为：

其中，矩阵的第g行表示第g个脑电通道的脑电信号，设表示为Yg=[Y_g1,Y_g2,…,Y_gM],矩阵的第z行表示第z个脑电通道的脑电信号，设表示为Yz=[Y_z1,Y_z2,…,Y_zM],计算每个脑电通道相互之间的相关系数，第g个脑电通道与第z个脑电通道对应的相关系数为，计算表达为：

其中，Cov(Yg，Yz)表示第g个脑电通道的脑电信号Yg与第z个脑电通道的脑电信号Yz的协方差，Var[Yg]表示第g个脑电通道的脑电信号Yg的方差，Var[Yz]表示第z个脑电通道的脑电信号Yz的方差；

最终形成相关系数矩阵ρ，表达式为：

对于相关系数矩阵中的任意一个相关系数，在满足：＞0.9时，第g个脑电通道对应的脑电节点与第z个脑电通道对应的脑电节点相连，从而得到图结构，g=1，2，...，N，z=1，2，...，N；

设结合图结构得到原始脑电信号的邻接矩阵表示为A，A的表达式为：

A=

将邻接矩阵A内的元素作为四元数的实部，四元数虚部均为零，得出四元邻接矩阵A^Q：

将患者头颅最高点定义为原点(0,0,0)，建立三维坐标系，并设第g个脑电节点的位置坐标为（x_g，y_g，z_g），得到位置矩阵P为：

P=；

根据位置矩阵P，得到脑电节点的相对位置矩阵R，相对位置矩阵R是一个三维立体矩阵，三维立体矩阵中的任意一层g的矩阵形式表示为：

其中，相对位置矩阵R是一个三维立体矩阵，矩阵形式Rg的第g行中的每一个元素表示（x_g，y_g，z_g）自身与（x_g，y_g，z_g）自身之间的相对位置，g=1，2，...，N,所有层叠放在一起，形成三维立体矩阵，将相对位置矩阵R内的元素作为四元数的实部，四元数的虚部均为零，得出四元相对位置矩阵，四元相对位置矩阵也为一个三维立体矩阵，任意一层g的矩阵形式表示为：

所有层叠放在一起，形成三维立体矩阵；

四元脑电特征矩阵构建模块，用于对新的四元脑电信号矩阵进行四元数运算，得到四元脑电特征矩阵；

所述四元脑电特征矩阵构建模块对新的四元脑电信号矩阵进行的四元数运算包括取均值、方差、1范数及无穷范数，将均值、方差、1范数及无穷范数作为特征，得到四元脑电特征矩阵X，表达式为：

X=

其中，表示第g个脑电通道的脑电信号的均值；表示第g个脑电通道的脑电信号的方差；表示第g个脑电通道的脑电信号的1范数;表示第g个脑电通道的脑电信号的无穷范数，g=1，2，...，N，“4”是特征维度，四元脑电特征矩阵X有N个节点，每个节点有4个四元特征值；

特征结合更新模块，所述特征结合更新模块加载了三维图卷积网络，用于更新并结合四元脑电特征矩阵中的四元列向量特征与四元相对位置矩阵中的四元矩阵特征；

所述特征结合更新模块加载的三维图卷积网络包括l个交替相连的隐藏层与激活ReLU层；在N个脑电节点中，第g个脑电节点中含有两种特征，第一种为四元脑电特征矩阵X中的第g行，定义为四元列向量特征，第二种为四元相对位置矩阵中的第g个矩阵向量，定义为四元矩阵特征，其中，s、v均表示在处理矩阵特征的标志，无具体的物理含义；将四元列向量特征和四元矩阵特征输入三维图卷积网络进行l层四元卷积运算，得到更新后的四元列向量特征和更新后的四元矩阵特征，l表示第l层，Q表示四元卷积运算；

将四元列向量特征和四元矩阵特征输入三维图卷积网络进行l层四元卷积运算时，包括以下更新：

在四元脑电特征矩阵X中含有四元列向量特征时，从四元脑电特征矩阵X在三维图卷积网络第l层的脑电节点g和脑电节点z开始，将四元列向量特征和四元列向量特征连成一列，更新四元列向量特征，更新表达式为：

其中，表示此时更新后的四元列向量特征；ǁ表示四元列向量特征和四元列向量特征连成一列的操作，表示四元列向量特征对应四元列向量特征进行卷积运算时的权重矩阵，表示四元列向量特征对应四元列向量特征进行卷积运算时的偏差，与分别表示为四元数的形式为：

；

在四元相对位置矩阵中含有四元矩阵特征时，从四元相对位置矩阵在三维图卷积网络第l层的脑电节点g和脑电节点z开始，将四元矩阵特征和四元矩阵特征连成一个新的矩阵，更新四元矩阵特征，更新表达式为：

其中，表示此时更新后的四元矩阵特征，ǁ表示四元矩阵特征和四元矩阵特征连成一个新的矩阵的操作，表示四元矩阵特征对应四元矩阵特征进行卷积运算时的权重矩阵，表示四元矩阵特征对应四元矩阵特征进行卷积运算时的偏差；

在四元相对位置矩阵中含有四元矩阵特征时，更新四元矩阵特征，更新表达式为：

其中，表示此时更新后的四元矩阵特征；表示四元矩阵特征对应四元列向量特征进行卷积运算时的权重矩阵；表示四元矩阵特征对应四元列向量特征进行卷积运算时的偏差；为z脑电节点的四元位置向量；表示点积；在四元脑电特征矩阵X中含有四元列向量特征时，更新表达式为：

其中，表示此时将四元列向量特征更新为的四元矩阵特征；表示四元列向量特征对应四元矩阵特征进行卷积运算时的权重矩阵；表示四元列向量特征对应四元矩阵特征进行卷积运算时的偏差；表示张量积；

将更新后的四元列向量特征、更新后的四元矩阵特征、更新后的四元矩阵特征、四元列向量特征更新为的四元矩阵特征合并成两个特征，分别沿邻域脑电节点进行卷积运算，得到最终更新后的四元列向量特征和更新后的四元矩阵特征，实现四元脑电特征和脑电通道相对位置特征的结合，卷积运算传播规则满足：

；

其中，W_s()表示四元列向量特征自身进行卷积运算时的权重矩阵；bs表示四元列向量特征自身进行卷积运算时的偏差；bv表示四元矩阵特征自身进行卷积运算时的偏差；

癫痫分类检测模块，所述癫痫分类检测模块加载了随机森林模型，将特征结合更新模块更新并结合后的四元列向量特征与四元矩阵特征输入随机森林模型以训练随机森林模型，得到训练好的随机森林训练模型，用于癫痫分类检测。