[发明专利]棘慢复合波检测模型构建方法、系统

说明书

本发明公开了基于循环神经网络和先验知识的棘慢复合波检测模型构建方法，包括样本处理；得到训练集、验证集、测试集；通过伪差滤波器对所述测试集进行伪差判别，不是伪差的脑电波输出形成目标测试集；将训练集输入至长短时记忆模型进行训练，对输入的训练集进行是否为棘慢复合波的概率值计算，根据设定的概率阈值T，最终输出概率值大于T对应的数据标签；然后通过验证集验证，得到目标长短时记忆模型；目标模型检测。本发明利用循环神经网络的神经元自主学习棘慢复合波分类中不易人为设计，描述的非线性特征；且在检测前进行伪差滤除，提高模型的准确度；并通过设定阈值，针对不同需求输出不同精度，召回率的检测结果。

技术领域

本发明涉及医疗辅助检测技术领域，具体为基于循环神经网络和先验知识的棘慢复合波检测模型构建方法、系统。

背景技术

脑电图(electroencephalogram，EEG)反映了在大脑皮层或头皮表面的脑神经细胞群的电活动。脑电图通过放置在皮层或头皮的电极记录下脑神经细胞群的持续的、自发的、节律性的电位变化。临床检测某种脑部疾病症状时，医务人员会通过脑电仪为患者采集脑电信号，常规脑电图记录时间在20-40分钟，有时为了全面的诊断，会为患者做24小时脑电信号采集，且完全依赖人工对长时间的脑电信号进行分析判断，不但给医务人员带来了沉重的工作负担，而且降低了患者的诊断和治疗效率及准确率。且目前采用的脑电仪常会受到外界的电磁干扰、电极接触不良以及患者的体动、肌电等影响，在脑电图上出现大量的伪差脑电信号，影响医生对患者病情的判断。

目前，常采用功率谱估计法、时频域分析法等技术检测棘慢复合波。但是上述方法大多需要人为设计、筛选特征，存在一定的局限性，且效率较低。尤其是，针对不同的应用场景，如重症病人和轻度患者，无法自由调节相应精度的输出，导致丢失一些重要数据或保留了不必要的数据。

发明内容

本发明所要解决的技术问题之一在于提供一种根据具体应用场景需求提供不同精度的棘慢复合波检测模型的构建方法。

本发明所要解决的技术问题之二在于提供一种根据具体应用场景需求提供不同精度的棘慢复合波检测模型的构建系统。

本发明通过以下技术手段实现解决上述技术问题之一的：

基于循环神经网络和先验知识的棘慢复合波检测模型构建方法，包括以下步骤：

S01.样本处理；获取历史临床数据，对数据进行处理，筛选出典型的棘慢复合波标记为正样本，标签为1，对于非典型的棘慢复合波标记为负样本，标签为0；训练集、验证集、测试集按照正样本，与负样本设定比例进行分组；

S02.伪差波形滤除；通过伪差滤波器对所述测试集进行伪差判别，将判别为伪差的脑电波输出为非棘慢复合波标签，不是伪差的脑电波输出形成目标测试集；

S03.模型训练；将训练集输入至长短时记忆模型进行训练，对输入的训练集进行是否为棘慢复合波的概率值计算，根据设定的概率阈值T，最终输出概率值大于T对应的数据标签；然后通过验证集验证，得到目标长短时记忆模型；

S04.目标模型检测；将目标测试集输入至目标长短时记忆模型，输出数据标签，若输出符合测试集实际情况，则表示目标长短记忆模型符合要求。

采用基于循环神经网络和先验知识构建的棘慢复合波检测模型，利用循环神经网络的神经元自主学习棘慢复合波分类中不易人为设计、描述的非线性特征；且在检测前进行伪差滤除，提高模型的准确度；并通过设定阈值，针对不同需求输出不同精度、召回率的检测结果，以适应不同的应用场景。

优选的，所述步骤S02具体为：

所述伪差滤波器滤除伪差的具体过程为：