[发明专利]一种基于特征筛选的流式癫痫预测方法

权利要求书

1.一种基于特征筛选的流式癫痫预测方法，所述方法包括：

步骤1:进行脑电信号的采集，并标注发作间期、发作前期及发作期；

步骤2:对数据进行预处理，即进行归一化处理；

步骤3:对归一化后的数据进行特征提取，并对提取到的特征进行拼接；

步骤4:获取时序序列的轮廓曲线，计算特征的趋势排序；

步骤5:采用递归特征消除法的方式选择最优特征；

步骤6:构建时域卷积网络作为训练模型，将步骤5中提取到的最优特征放入所述模型中进行模型训练，并优化训练数据，将上一时刻的训练结果作为下一时刻的特征构建流式训练模式，当模型输出达到预期的准确率时，停止训练，得到训练后的模型；

步骤7：在脑电癫痫监测中，利用训练后的模型，当达到规定的阳性次数时，认定为一次癫痫前期或者癫痫发作期的报警。

2.根据权利要求1所述的癫痫预测方法，其特征在于，进一步包括：

步骤8：利用特异度与灵敏度评测癫痫监测效果。

3.根据权利要求1或2所述的癫痫预测方法，其特征在于，所述步骤1进一步包括：

步骤1-1:按照10-20国际电极标准进行脑电信号的采集；

步骤1-2:使用Python中的EdfReader将数据读取出来，并按照发作前30分钟为发作前期，发作前4个小时或发作后4个小时为发作间期，癫痫发作时为发作期的方式完善标签；

步骤1-3:将每个病人的发作前期、发作间期及发作期分割成20s的数据段。

4.根据权利要求1或2所述的癫痫预测方法，其特征在于，步骤2中的所述归一化处理为：记原始数据为Z＝[z₁，z₂，z₃，z₄......，z_n]对每个维度进行归一化，操作为

其中，Z_{i_new}是归一化之后的数据，z_i是原始数据，n为数据维度i∈(1，n)，i_new∈(1，n)。

5.根据权利要求1或2所述的癫痫预测方法，其特征在于，所述步骤3中的所述特征提取包括：时域特征提取、频域特征提取和时频谱特征提取。

6.根据权利要求5所述的癫痫预测方法，其特征在于，步骤3进一步包括以下步骤：

步骤3-1:提取时序特征，所述时序特征包括：均值、方差、峰峰值、偏度、方根幅值、近似熵和样本熵；

步骤3-2:采用功率谱密度提取频域特征；

步骤3-3:采用短时傅里叶变换提取时频谱特征。

7.根据权利要求1或2所述的癫痫预测方法，其特征在于，步骤4进一步包括以下步骤：

步骤4-1：对提取的特征按照时序排布，采用递推平均滤波的方式平滑曲线；

步骤4-2：采用动态时间规整算法计算平滑后的特征与标签之间的距离，从而获得特征的趋势排序。

8.根据权利要求1或2所述的癫痫预测方法，其特征在于，步骤5进一步包括以下步骤：

步骤5-1：采用常见的卷积神经网络模型Alexnet，选择模型的学习率和损失函数；

步骤5-2:按照步骤4中取得的特征排序，采用递归特征消除法的方式，进行模型训练，最终选出最优特征组合。

9.根据权利要求1或2所述的癫痫预测方法，其特征在于，步骤6进一步包括以下步骤：

步骤6-1:根据步骤5所获得的特征组合整理训练集以及测试集的样本矩阵；

步骤6-2:构建时序卷积网络，在网络输入端添加基于注意力机制的通道自适应选择模块，将加权组合后的特征矩阵送入时序卷积网络；

步骤6-3:损失函数采用focal loss，对训练集中正负样本不平衡的问题进行矫正；

步骤6-4:构建流式的训练策略，将上一个时间步的预测结果作为当前时间步的特征参与训练过程。

10.根据权利要求1或2所述的癫痫预测方法，其特征在于，步骤7中规定的阳性次数为：连续5次预测中，有4次判定为阳性。