[发明专利]一种基于特征筛选的流式癫痫预测方法

说明书

本发明涉及一种基于特征筛选的流式癫痫预测方法，所述方法包括：进行脑电信号的采集和标注；对数据进行归一化处理；对归一化后的数据进行特征提取并对提取特征进行拼接；采用递推平均滤波方式获取时序序列的轮廓曲线，结合动态时间规整算法计算特征的趋势排序；采用递归特征消除法的方式选择最优特征；构建时域卷积网络作为训练模型，将提取到的最优特征放入所述模型中进行模型训练，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；利用训练后的模型，进行癫痫前期或者癫痫发作期的报警，利用特异度与灵敏度评测癫痫监测效果，在脑电波的日常监测中，提高预警正确的概率的同时降低了错误预警的次数。

技术领域

本发明涉及脑电信号处理中癫痫预测领域，具体是一种基于特征筛选的流式癫痫预测方法。

背景技术

癫痫是一种由脑部神经元的过分性放电所引起的慢性脑部疾病。全世界大约有5000万的癫痫患者，癫痫的发作具有重复性和突发性的特点。一次突然的癫痫发作存在很高的风险，会对癫痫患者带来各种各样的伤害，比如摔倒，溺水，窒息等。而重复性的癫痫发作也会损害患者正常的大脑功能，使患者患有不可预知的慢性疾病，丧失日常生活的自主性，严重时甚至导致早死。及时地检测到患者的癫痫发作现象并予以救治，成了对于癫痫患者来说至关重要的事情。通过及早的对癫痫患者在发作时或者发作前进行人工的干预，一方面可以减轻患者受到的痛苦，减缓患者的病症，另一方面也可以减小癫痫发作带来的高风险伤害。

EEG脑电波信号是一种表达脑部神经元活动的特征，其中包含着脑内丰富而复杂的活动信号。通过观察患者的脑电信号，检测是否存在重复性地神经放电，从而来检测癫痫发作，成为了当前临床实践中的标准诊断癫痫的技术。使用脑电信号进行癫痫检测具有普遍性、安全性和全天候的优点。

目前基于EEG的癫痫检测或癫痫预警研究已经日趋增多，主要的目标就是提高模型的分类准确率，通过更加精确地降低信号噪声、选取更合适的脑电特征以及训练更好的分类模型来达到这个目标。在基于脑电的癫痫预警研究中，特征提取方法繁多，如何选择有效的特征是一个很大的挑战。另外，现有的EEG信号采集基本采用10-20国际电极标准系统，如何筛选通道获取更好的预测效果也是研究的难点所在。

发明内容

本发明的目的在于提供一种EEG趋势特征筛选及通道自适应选择的流式癫痫预测方法，同时兼顾对象个体差异及脑电信号通道之间关系，筛选有效特征，从而降低网络模型复杂度并提高癫痫预测准确率。在病人的实际生活中，可以根据脑电波进行日常的癫痫监测，如发现波段进入癫痫发作前期，则进行预警，从而为病人提高更好的治疗和防护。本发明提供的癫痫预测方法，包括脑电信号采集与获取、特征提取及筛选以及癫痫流式预测三个过程。主要包含以下步骤：

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。

进一步的，还可以包含：

步骤8：利用特异度与灵敏度评测癫痫监测效果。

进一步，步骤1包含下列步骤：

步骤1-1：按照10-20国际电极标准进行脑电信号的采集。