[发明专利]基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置

说明书

本发明涉及一种基于多通道脑电数据和CNN‑SVM的癫痫脑电识别装置，包括下列模块：预处理模块；特征提取模块，包括：卷积层：使用卷积层从脑电信号中提取特征，并选用ReLU函数作为激活函数；池化层：采用最大值池化的方式；丢失正则化：为防止过拟合，应用丢失正则化机制；模型构造模块，包括：基于SVM构造2分类模型；把特征提取模块提取到的特征作为数据集，构建训练集和测试集；使用Sigmoid函数作为核函数；模型训练模块。

技术领域

本发明涉及一种癫痫脑电识别装置，属于CNN-SVM技术和医疗疾病诊断领域的融合。

背景技术

癫痫会影响所有年龄人群，是一种脑部慢性疾患。大概70％的患者通过服用抗癫痫药物能有效抑制癫痫的发作(不能根治)，但其余患者在服用药物后却没有效果，而且长期服用抗癫痫药物还会有副作用。目前，在医学疾病诊断领域，癫痫的诊断是通过获得详细的病史，进行神经学检查以及诸如神经成像和EEG的辅助测试来进行的，也即神经科医生通过直接目视检查脑电图(EEG)，以研究癫痫样异常。视觉检查的准确率是取决于神经科医生在脑电图研究中的专业水平，并且研究的质量可能因人为信号的干扰而受到限制，这限制了医生准确识别异常的能力。癫痫预测的机器学习模型主要分为两大类，一类是线性模型，一类是非线性模型。因为脑电信号的混沌性和不稳定性，非线性方法在脑电信号的分析上有更大的成长空间。非线性两个最流行的方法就是卷积神经网络(Convolutional NeuralNetwork，CNN)和支持向量机(Support Vector Machine，SVM)。前者的卷积层在特征提取上有较好的性能，后者在二分类的处理上有独特优势。神经学家能够通过直接观察脑电波进行相应的诊断。但是这种方法需要长时间的观察，非常消耗时间和成本，效率和准确率都很低。因此基于脑电图(EEG)的自动化分析来实现癫痫分类和预测是非常有意义的。本发明提出了一种基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置，以提高癫痫疾病诊断的效率和降低误诊率。

发明内容

本发明的目的是提供一种基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置。技术方案如下：

一种基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置，包括下列模块：

预处理模块，用于对于癫痫病人正常期和发作期的脑电数据，使用3阶巴特沃斯带通滤波器(0.3-70Hz)

消除运动伪影和肌电干扰；使用陷波滤波器去除50Hz工频干扰。

特征提取模块，包括：卷积层：使用卷积层从脑电信号中提取特征，并选用ReLU函数作为激活函数；

池化层：采用最大值池化的方式；丢失正则化：为防止过拟合，应用丢失正则化机制；

模型构造模块，包括：

1)基于SVM构造2分类模型；

2)把特征提取模块提取到的特征作为数据集，构建训练集和测试集；

3)使用Sigmoid函数作为核函数。

模型训练模块，包括：

1)使用梯度下降和反向传播训练模型，寻找最优超平面；

2)使用10折交叉验证方式训练模型。

模型测试及保存模块

1)使用测试集测试模型的分类准确率；

2)保存准确率最高的模型，将其用于癫痫脑电识别。

附图说明

图1正常脑电信号和癫痫脑电信号对比图，(a)正常脑电信号(b)癫痫脑电信号。

图2本发明基于CNN-SVM的癫痫脑电识别装置结构框图