[发明专利]使用例如深度学习方法的技术的癫痫发作检测和预测

说明书

至少通过执行以下操作来进行癫痫发作检测和预测中的一个或两个：通过多个分类模型运行来自用于癫痫发作检测的传感器的多个输入信号，并且将权重应用于每个所述分类模型的输出以创建最终分类输出。调整权重以调节来自每个分类器模型的相对输出贡献，以便提高所述最终分类输出的准确度，同时降低所有所述分类模型的功耗。利用调整后的权重来执行癫痫发作检测和预测中的一个或两个。另一种方法使用来自用于癫痫发作检测的传感器的多个流来训练和创建所述分类模型，并且一旦被训练就具有固定权重。将定义具有固定权重的分类模型的信息传送到可穿戴计算机平台，用于癫痫发作检测和预测。所述多个流可以来自多个人并被应用于个人。

背景技术

本发明一般地涉及癫痫发作的检测，并且更具体地涉及使用技术例如深度学习方法的癫痫发作检测和预测。

本部分旨在提供下面公开的本发明的背景或上下文。本文的描述可以包括可以被实行的概念，但是不一定是先前已经被构思、实现或描述的概念。因此，除非在此明确指出，否则本部分中描述的内容不是本申请中描述的现有技术，并且不因为包括在本部分中而被承认是现有技术。在详细描述部分的主要部分之后，以下定义了在说明书和/或附图中可能出现的缩写。

癫痫是一种神经障碍，其特征在于感觉障碍的突然复发、意识丧失或惊厥。这些通常被称为癫痫发作。尽管癫痫发作的症状可能影响身体的任何部分，但是产生症状的电事件发生在大脑中。该事件的位置、其如何传播、脑的多少受到影响以及其持续多长时间都具有深远的影响。这些因素决定癫痫发作的特征及其对个体的影响。

癫痫是一种以不同范围的神经活动信号为特征的疾病。这些信号可以使用传感器例如脑电图(EEG)传感器来分析。更具体地说，脑电图(EEG)已经被用于记录电信号作为由脑的不同部分产生的波形。这些EEG可以被分析并且可以被用于确定人是否正处于发作或者甚至预测即将来临的发作。

最初，EEG只由受过训练的人员，主要是医生，来执行和分析它们的波形。由于计算性能和预测技术已经显著地改进，所以计算机已经被用于执行和分析这些波形。例如，神经网络，特别是卷积神经网络(CNN)已经应用于该领域，并且基于CNN的模型已经证明在癫痫发作的分析和预测中是成功的。此外，即使在保持或改进计算性能的同时，电子设备的小型化的改进和这些设备的功率的降低已经导致能够执行这些分析的移动计算平台的使用。那些移动计算平台现在正被应用于诸如癫痫发作的分析和预测的领域，并且可以被小型化到平台可以穿戴或在诸如在医院使用的便携式平台的其他电池供电的设备上使用的程度。尽管这些提供了益处，但是它们可以被改善，特别是对于癫痫发作的分析和预测。

发明内容

这部分是示例性的而非限制性的。

在示例性实施例中，公开了一种方法。该方法包括至少通过执行以下步骤来执行癫痫发作检测和预测中的一个或两个：通过多个分类模型运行来自用于癫痫发作检测的传感器的多个输入信号；以及将权重应用于每个所述分类模型的输出以创建最终分类输出。该方法还包括调整所述权重以调节来自每个分类器模型的相对输出贡献，以便提高所述最终分类输出的准确度，同时降低所有分类模型的功耗。该方法还包括利用所述调整的权重执行癫痫发作检测和预测中的一个或两个。

在附加示例中，一种装置包括一个或多个存储器和一个或多个处理器，所述一个或多个存储器包括程序指令。所述一个或多个处理器响应于所述程序指令的检索和执行而引起操作，所述操作包括：至少通过执行以下步骤来执行癫痫发作检测和预测中的一个或两个：通过多个分类模型运行来自用于癫痫发作检测的传感器的多个输入信号；以及将权重应用于每个所述分类模型的输出以创建最终分类输出。该方法还包括调整所述权重以调节来自每个分类器模型的相对输出贡献，以便提高所述最终分类输出的准确度，同时降低所有分类模型的功耗。该方法还包括利用所述调整的权重执行癫痫发作检测和预测中的一个或两个。