[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

说明书

本发明提出一种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，涉及生物医学信号处理的的技术领域，首先采集原始脑电信号样本，引入四元数的概念将原始脑电信号样本处理，融合不同脑电波频段的脑电通道信息，然后基于图结构，建立并融合脑电通道的位置特征信息和相对位置特征信息，将通道之间的关系联立，获取新的特征信息，使癫痫发作的信息获取更加多元，然后将获取的信息特征用于随机森林模型的训练，从而对正常脑电信号和癫痫信号进行识别分类，有助于癫痫检测分类准确率和效率的提高，减轻了医生工作负担。

技术领域

本发明涉及生物医学信号处理的技术领域，更具体地，涉及一种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。

背景技术

癫痫是一种常见的慢性脑部疾病，指人脑神经系统紊乱时的大脑神经元突发性异常放电，导致中枢神经系统的功能发生短暂障碍。癫痫的特征是突发性、短暂性与反复性，发作时会给人体健康造成伤害，轻则导致记忆力下降、失去意识而造成意外性伤害，重则导致智力低下，甚至发生死亡。

根据癫痫引起的神经元异常发电的原理，脑电信号可以反映出对应的生理和病理信息，在临床癫痫诊断应用中，通过处理脑电信号数据以获取癫痫特征，可以进行癫痫分类检测。目前，有的学者提出利用传统的时频方式，例如利用FFT预处理脑电信号，然后通过传统CNN提取处理后的脑电信号的特征进行癫痫分类检测，但该方式挖掘到的脑电信号提供的信息较单一。除此之外，还有学者提出并采用了其它多种不同的方式来检测提取癫痫特征，包括快速/短时傅里叶变换、非线性动力学系统、模态匹配法、经验模态分解等传统方式，还有基于图论或神经网络分析、小波变换等方式。

现有技术中公开了一种基于脑网络和TSK模糊系统的癫痫脑电识别方法，该方法通过分析多通道脑电信号之间的同步性，构建癫痫病人的脑功能网络，采用复杂网络提取常用拓扑特征参数，最后将全部网络特征作为输入，建立TSK模糊系统模型，学习训练识别癫痫发作时的脑电波形，实现对癫痫发作期脑电信号的精准识别，但多通道脑电信号之间除可能具备的同步性特征之外，也存在相对位置关系信息，通道间的关系并非分割独立，弱化脑电通道间的联系，不考虑这些因素，可能导致特征提取不充分，泛化性不强，进一步也会影响癫痫检测的准确率和检测效率。

发明内容

为解决在癫痫检测中，传统基于脑电信号的分析方法忽略多脑电通道间的相对位置关系及联系，导致癫痫检测准确率和效率低的问题，本发明提出一种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，引入四元数和图结构的概念，以融合脑电信号里不同频段的信息，并结合不同通道的位置信息，将通道之间的关系联立，获取新的特征信息，有助于癫痫检测分类准确率和效率的提高，减轻医生工作负担。

为了达到上述技术效果，本发明的技术方案如下：

一种基于三维四元图卷积神经网络的癫痫分类检测系统，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；

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；

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；

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；

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邻接位置矩阵中的四元矩阵特征；