[发明专利]基于LSTM多通道的脑电癫痫尖棘波放电联合检测方法

权利要求书

1.基于LSTM多通道的脑电癫痫尖棘波放电联合检测系统，其特征在于，包括预处理模块、特征提取融合模块和分类模块：

预处理模块：对输入的原始多导联脑电进行滤波以及心电、咀嚼吞咽的生理活动造成的伪迹消除；对处理后的信号首先依据检测目标波形时长特征，在时域对其进行分割，将信号转化为后续步骤的识别形式；

特征提取融合模块：将分割后信号中每条通道的数据经由长短时记忆神经网络进行特征提取，并通过自适应加权融合算法进行特征融合；

分类模块：利用特征融合得到的结果，通过全连接神经网络对多通道信号片段进行分类，最终得到整段信号不同时段的分类结果，从而达到尖棘波放电检测的目的；

所述特征提取融合模块的具体方法如下：

2-1.将数据中单通道的信号片段划分成三类；即负相尖棘波、正相尖棘波、正常波形；

2-2.基于样本库随机将样本分成8:2,其中80％为训练样本，其余的20％为测试样本；

2-3.构建一个长短时记忆神经网络，其训练流程为：

(1)令l(n)为每一个LSTM模块的损失函数，N为LSTM模块的个数，首先定义全局化损失函数：

(2)令h_i(n)为隐藏层第i个记忆单元的输出，M为记忆单元的长度，由链式法则得到全局化损失函数L对权重参数w的偏微分：

引入变量L(n)，用于表示第n步开始到结束的损失：

相应偏微分公式变为：

联立得最优化结果为：

(3)利用各权重参数对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化；

2-4.利用训练好的长短时记忆神经网络分类模型对测试样本进行分类，得到每个样本的输出类别以及识别率；所述的输出类别即负相尖棘波、正相尖棘波、正常波形；

2-5.利用训练好的网络模型，通过截取网络softmax层概率输出，生成所有多通道信号片段的分类概率矩阵，其行数等于输入信号通道数，列数等于长短时记忆神经网络模型的分类类别个数；

2-6.通过自适应特征加权融合算法对概率矩阵进行降维，令P为步骤2-5所得分类概率矩阵：

P＝[p₁,…,p_m]∈R^n×m

其中p_i为n维列向量，代表判定为第i类的概率，i取值为1或2或3；设为最终的降维结果，有公式如下：

w＝[w₁…w_m]^T

其中p_i,max为p_i向量中最大的分量值；由此可以得到所有多通道信号片段对应的特征向量

所述分类模块的具体方法如下：

3-1.将分割所得多通道信号片段依据有无尖棘波放电现象划分为两类；

3-2.基于样本库随机将样本分成8:2,其中80％为训练样本，其余的20％为测试样本；样本值为经由上步所得的信号片段的特征向量；

3-3.构建一个全连接神经网络，其训练流程为：

(1)前向传播，即由输入层开始，逐层计算每一个神经元的输出，最终得到输出层神经元的输出；

令x为神经元的输入，W为权重矩阵，b为偏置，f为激活函数，则输出h有公式如下：

h＝f(Wx+b)

(2)反向传播，采用梯度下降法更新参数，定义好损失函数后，通过链式求导法则计算损失函数对权重参数的偏微分，利用各权重参数对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化；

3-4.利用训练好的全连接神经网络分类模型对测试样本进行分类，得到每个样本的输出类别以及总的识别率。

2.根据权利要求1所述的基于LSTM多通道的脑电癫痫尖棘波放电联合检测系统，其特征在于：所述预处理模块的具体方法如下：

1-1.将原始输入的多通道脑电信号利用0.5-70HZ带通滤波器以及50HZ陷波滤波器进行滤波；

1-2.通过协方差矩阵之间的距离利用K-means算法将数据聚为若干个簇，将信号分段并计算每段信号协方差矩阵与各簇质心间的距离，并将其归类为与其距离最小的簇；进一步求得标准化距离，将其视为z分数，然后用一个移动平均滤波器对得到的分数进行平滑处理，消除信号中心电、咀嚼吞咽的伪迹干扰；

1-3.将处理完的信号在时间域分割成小样本，每个样本信号为0.2s一帧，其中帧重叠为50％；得到分割结果为若干个帧长为0.2s的多通道信号片段。