[发明专利]一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法

权利要求书

1.一种癫痫脑电信号的训练数据生成方法，其特征在于，包括：

步骤A1-1、对多名癫痫患者进行癫痫脑电图检查，以得到每一名所述癫痫患者的癫痫脑电数据，并将所述癫痫脑电数据的单通道数据记为单通道癫痫脑电信号；

步骤A1-2、选取多种癫痫发作类型作为目标癫痫发作类型，对所述步骤A1-1获得的每一个单通道癫痫脑电信号进行预处理，以对应每一种所述目标癫痫发作类型得到一个训练集，所述训练集包含若干个属于对应目标癫痫发作类型的癫痫脑电片段，该癫痫脑电片段由所述单通道癫痫脑电信号分割而成并具有固定时长T，该癫痫脑电片段所包含采样值的数量记为m；

步骤A1-3、判断所述步骤A1-2选取的目标癫痫发作类型是否存在训练数据数量不均衡问题，如果任意一种所述目标癫痫发作类型满足不平衡条件，即：该目标癫痫发作类型的训练集所包含癫痫脑电片段的数量少于预设的目标训练数据数量，则判定存在训练数据数量不均衡问题，否则，判定不存在训练数据数量不均衡问题；

步骤A1-4、当判定存在训练数据数量不均衡问题时，对于满足所述不平衡条件的目标癫痫发作类型，用该目标癫痫发作类型对应的癫痫脑电片段对生成式对抗网络进行训练，以得到所述生成式对抗网络的最优生成器，再通过向所述最优生成器输入随机噪声信号，生成适配该目标癫痫发作类型的癫痫脑电片段，并将生成的癫痫脑电片段补充入所述训练集中，直至该目标癫痫发作类型不再满足所述不平衡条件，使得所述步骤A1-2选取的目标癫痫发作类型不再存在训练数据数量不均衡问题；

其中，所述生成式对抗网络的判别器采用以下损失函数：

式中，D表示损失值；

真实梯度矩阵的计算方式为：从输入所述判别器的真实脑电训练数据中随机抽取K个所述癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的癫痫脑电片段的m个采样值求梯度，计算得到的K个梯度即为所述真实梯度矩阵其中，所述真实脑电训练数据由所述目标癫痫发作类型的训练集中的n个癫痫脑电片段组成，K≤n；

真实梯度为所述真实梯度矩阵的K个梯度的平均数；

生成梯度矩阵的计算方式为：从输入所述判别器的生成脑电训练数据中随机抽取K个生成癫痫脑电片段，用tensorflow框架中的tf.gradients()函数对每一个随机抽取出的生成癫痫脑电片段的m个生成采样值求梯度，计算得到的K个梯度即为所述生成梯度矩阵其中，所述生成脑电训练数据由所述生成式对抗网络的生成器生成，其包含n个生成癫痫脑电片段，每一个所述生成癫痫脑电片段包含m个生成采样值K≤n；

生成梯度为所述生成梯度矩阵的K个梯度的平均数；

系数λ的取值范围在-1至1之间的常数；

真实范数矩阵的计算方式为：用tensorflow框架中的tf.square()函数和tf.sqrt()函数对所述真实梯度矩阵的每一个梯度求范数，计算得到的K个范数即为所述真实范数矩阵

生成范数矩阵的计算方式为：用tensorflow框架中的tf.square()函数和tf.sqrt()函数对所述生成梯度矩阵的每一个梯度求范数，计算得到的K个范数即为所述生成范数矩阵

范数的计算方式为：分别对所述真实范数矩阵和生成范数矩阵的范数进行排序，将所述真实范数矩阵的第i个范数的平方与所述生成范数矩阵的第i个范数的平方之和记为第i个范数平方和，1≤i≤K，以得到K个所述范数平方和，该K个范数平方和的平均数即为所述范数

2.根据权利要求1所述癫痫脑电信号的训练数据生成方法，其特征在于：所述步骤A1-4中，系数λ的取值为-1、1/2、1/3、1/6、1该五个常数中的任意一者。