[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

说明书

本发明公开了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，在对有限数量的癫痫患者进行癫痫脑电图检查的情况下，能够通过生成适配于目标癫痫发作类型的癫痫脑电片段，使得选取的各种目标癫痫发作类型不再存在训练数据数量不均衡问题；并且，通过改进损失函数的采样方法，使得损失函数的第三项改变为能够克服现有损失函数存在的损失值D非常不稳定的问题，使得损失函数输出损失值D始终随着迭代训练的进行而越来越小，确保生成式对抗网络的训练过程趋于稳定，以保证能够得到最优生成器，利用该最优生成器生成的癫痫脑电片段的质量高，能够适配于目标癫痫发作类型而作为癫痫发作类型自动识别模型建模的训练数据。

技术领域

本发明涉及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。

背景技术

目前深度学习建模在医学领域面临的一个巨大的挑战就是每种类型数据数量不均衡，并且很多数据集都没有标注，这将导致或加重训练过程中过拟合现象，以及CNN分类性能差等一系列问题！如果想取得重大的突破，就必须解决高质量数据集难以获得这一问题。经调查研究发现，数据集难点在于以下三方面：一方面，因为对于癫痫脑电信号的标注需要具有深厚专业功底的医学专家针对医学图像进行精确识别、精细标注，这是一项庞大的工程，并且需要耗费大量的时间去标注；另一方面，癫痫数据中或多或少隐含着每一个患者的私人信息以及很多已获得的癫痫信号不符合训练集的特征；第三，数据各类型的数量不均衡，有些发作类型特别稀缺，不能达到训练集数量要求。

令癫痫脑电的每种类型数据数量均衡，最简单的思路是增大对癫痫脑电图的采集数量，从中人工筛选出数量均衡的各种癫痫发作类型的数据，以作为训练集进行深度学习训练，但由于深度神经网络的训练前提是大数据，这要求训练集包含的数据量要足够大，而这就需要从非常庞大的癫痫脑电图的采集数量中才能帅选出满足数量要求且满足癫痫发作类型数量均衡要求的训练集，大大的提高了实施成本，且不切实际。

因此，如今主要通过数据增强的方法来解决类别数量不均衡问题。数据增强的方法主要有传统方法，如平移、旋转、翻转等操作实现数据增强。传统方法仅仅对原始数据做了很小程度的改变，并没有从本质上达到数据增强的目的。另一种方法是采用GAN(Generative Adversarial Networks,生成式对抗网络)进行数据增强，GAN采用的是一种无监督的学习方式，其主要灵感源自零和博弈的思想，对神经网络而言，通过生成网络和判别网络不断博弈，进而使生成网络学习到真实数据的分布。目前已经有上百种GAN，可用于数据增强、隐私保护、异常探测、判别建模、风格迁移、数据操控等。目前在医学领域，GAN主要被开发和应用于生成图像的研究，GAN在医学图像的去燥、分割、合成等方面的应用，大多都是图像到图像的生成技术，对于时间序列信号的研究非常少。

现如今癫痫脑电的自动检测和精准分类越来越多，但依靠原有的数据集远远不够，并且数据集中各发作类型数量存在极大差异，对于数量极少的发作类型，无法完成自动检测以及分类任务。

用生成式对抗网络进行数据增强，需要用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，实现数据增强。