[发明专利]一种基于深度学习算法的癫痫发作预警系统

说明书

本发明涉及一种基于深度学习算法的癫痫发作预警系统，其通过佩戴脑电采集装置采集患者癫痫发作前5分钟和发作时的持续脑电信号，分割成每段10秒的脑电信号，利用小波变换方法对脑电信号进行滤波并提取其节律信息；将获取的节律信息分别送入深度学习框架一和二进行训练，分别得到训练完的深度学习模型一和二，并存储于服务器中；利用深度学习模型一进行脑电节律信息的判别，存在发作风险时，服务器向患者发出警报，并将预警及定位发送给预设置的联系人及医院；深度学习模型二通过患者评价此次预警准确性及根据深度学习模型二判别癫痫是否发作，若发作，则自动将癫痫发作前5分钟持续脑电节律信息送到深度学习框架一进行再训练。

技术领域

本发明涉及癫痫发作预警系统，尤其涉及一种基于深度学习算法的癫痫发作预警系统。

背景技术

癫痫是一种常见的、多发的慢性神经系统疾病。是仅次于脑血管病的第二大顽疾，癫痫发作具有突然性、暂时性和反复性三大特点，给患者身体带来巨大的痛苦。据世界卫生组织报告，全球癫痫患者约5000万人，其中4000万在发展中国家。我国约有900多万癫痫患者，平均每年还会有40万的新发病例。因此，在癫痫发作前，及时采集措施抑制或缓解癫痫发作带来的痛苦，成为广大癫痫病患者的殷切期望，而这一切的根本在于准确的癫痫发作预警。

研究人员Viglione等通过对癫痫患者长期脑电信号的分析，发现癫痫发作并不是突然的，而更有可能是一个需要较长时间逐渐演化的过程。随后的研究进一步证实，在临床癫痫发作之前，患者的脑电图上已表现出如棘波、慢波等癫痫样放电，其时间间隔因人而异，一般在数秒到数分钟之间。有经验的医师能够通过对癫痫样放电的判读，在临床癫痫发作前或早期进行癫痫预警。这也为癫痫预警技术的研究提供了理论依据和研究思路。

癫痫预警的实现方式，是根据癫痫发作前脑电图信号中表现出的棘波、慢波等癫痫样放电，通过设计算法自动识别特征，实现计算机自动癫痫检测。传统的识别算法在对特征提取的过程中往往需要人为设计，因此识别精度并不是很高。深度学习与传统模式识别方法的最大不同在于它是从大数据中自动学习特征，而非采用手工设计的特征。深度学习能够非常有效地从大量有标签数据中深度提取数据的特征信息，充分挖掘数据的内在属性和有价值的表征数据，然后组合低层特征为更加抽象的高层特征，而高级特征则是数据更高级、更本质的描述，由此可以在分类问题上得到更优的结果。

中国专利申请201410403392.6提出了“一种癫痫发作预警系统”，虽然该系统具有计算复杂度低，实时性好的优点，但还存在以下明显不足：一是在特征提取模块中采用经验模态分解算法，首先经验模态分解方法本身是基于一定的假设条件下的，易造成特征提取不稳定，从而进一步造成预警的不准确；二是在分类模块中，最优训练模型的选取具有不稳定性，造成预警的不准确；三是没有通讯模块，不能及时将癫痫发作信息发送给亲属及医疗机构。

综上所述，如何克服现有技术的不足已成为癫痫预警技术领域中亟待解决的重大难题之一。

发明内容

本发明针对现有癫痫预警方法中存在的癫痫放电模式的特征提取不稳定，虚警率高，难以在线预警的缺陷，提出了一种基于深度学习算法的癫痫发作预警系统。

本发明公开了一种基于深度学习算法的癫痫发作预警系统，包括深度学习框架一、深度学习模型一、深度学习框架二、深度学习模型二、脑电采集装置、服务器；

临床采集患者癫痫发作前5分钟的持续脑电信号，分割成每段10秒的脑电信号，利用小波变换方法对脑电信号进行滤波并提取其节律信息；将获取到的节律信息送入深度学习框架一进行训练，得到训练完的深度学习模型一，并存储于服务器中；

临床上采集患者癫痫发作时的持续脑电信号，分割成每段10秒的脑电信号，利用小波变换方法对脑电信号进行滤波并提取其节律信息；将获取到的节律信息送入深度学习框架二进行训练，得到训练完的深度学习模型二，并存储于服务器中；