[发明专利]一种基于二维卷积神经网络的癫痫发作状态识别方法

权利要求书

1.一种基于二维卷积神经网络的癫痫发作状态识别方法，其特征是：包括以下步骤：

步骤1：根据采集到的手腕端动作信号，对手腕端动作信号进行数据划分，得到癫痫发作片段和正常状态片段，基于数据均衡原则，保持癫痫发作片段和正常状态片段为1:1的比例；

步骤2：根据癫痫发作片段和正常状态片段，进行预处理，得到预处理后的数据；

步骤3：根据预处理后的数据，划分训练集、测试集和验证集，得到统一格式的训练学习数据；

步骤4：基于训练学习数据，采用二维卷积神经网络算法进行深度学习，通过网格搜寻法进行超参数调节，确定优化后的超参数组合；

步骤5：采用L2正则优化、Dropout正则优化方法和学习率衰减方法，对二维卷积神经网络模型进行优化；

步骤6：确定L2正则优化的损失值是否满足要求，当满足要求时，则停止优化，反之则返回步骤3重新划分数据集进行模型训练与评估；

步骤7：当满足要求时，保存优化后的二维卷积神经网络模型，并根据优化后的二维卷积神经网络模型快速识别癫痫发作状态。

2.根据权利要求1所述的一种基于二维卷积神经网络的癫痫发作状态识别方法，其特征是：步骤2中对癫痫发作片段和正常状态片段进行预处理具体为：

步骤2.1：对癫痫发作片段和正常状态片段进行巴特沃斯低通滤波器滤波，去除高频噪声的干扰；

步骤2.2：对癫痫发作片段和正常状态片段进行三轴加速度数据合成，通过下式表示加速度合成后的数据：

其中，a^*为加速度合成后的数据，a_x，a_y，a_z分别为x、y、z轴加速度信号；

步骤2.3：对加速度合成后的数据进行时频域联合分析处理，采用短时傅里叶变换对数据进行分析，通过下式表示分析后得到的预处理后的数据：

其中，STFT_x(t,ω)，x(τ)，g^*(τ)，ω分别为原始信号的傅里叶变换，原始信号，时间窗函数，傅里叶频率。

3.根据权利要求1所述的一种基于二维卷积神经网络的癫痫发作状态识别方法，其特征是：所述步骤3具体为：深度学习中监督学习模式的相关数据划分原则，对预处理后的数据添加标签后，划分为训练集占70％、测试集占20％和验证集占10％，得到统一格式的训练学习数据。

4.根据权利要求1所述的一种基于二维卷积神经网络的癫痫发作状态识别方法，其特征是：所述步骤4中采用二维卷积神经网络算法进行深度学习，二维神经网络模型通过其卷积层和池化层对样本数据提取更多更深层次的特征，通过下式表示使用的卷积核的卷积公式：

g(i)＝f(∑x_i×ω_i+b_i)

其中，g(i)为卷积核的输出数据，f为采用的激活函数，x_i为当前卷积核的输入数据，ω_i为卷积核的权重参数，b_i为卷积核的偏置参数。

5.根据权利要求1所述的一种基于二维卷积神经网络的癫痫发作状态识别方法，其特征是：所述步骤5中L2正则优化具体为：

L2正则优化通过在模型损失函数中添加一个刻画模型复杂程度的指标，使得模型在降低损失函数时也能将模型的复杂度减弱，从而解决模型过拟合的问题，通过下式表示L2正则优化的公式：

其中，J(ω,b)为新的损失函数，J₀(ω,b)为原始的损失函数，λ为正则项系数，ω,b为神经网络的权重和偏置项参数。