[发明专利]基于线性图卷积神经网络的癫痫检测系统

权利要求书

1.基于线性图卷积神经网络的癫痫检测系统，其特征是，包括：

获取模块，其被配置为：获取待检测的多通道脑电信号；

预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理，将每一个通道的信号视为一个节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；根据图结构得到对应的邻接矩阵；

检测模块，其被配置为：将所有通道的脑电信号和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中，输出待检测的多通道脑电信号的癫痫诊断结果。

2.如权利要求1所述的系统，其特征是，所述对待检测的多通道脑电信号进行预处理；是指：

对待检测的多通道脑电信号进行去噪处理；

对去噪处理后的每个通道的脑电信号，按照设定时间长度，划分为若干个时间段的脑电信号。

3.如权利要求1所述的系统，其特征是，将每一个通道的信号视为一个节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；具体包括：

将每一个通道的信号视为一个节点；

计算任意两个通道信号之间的皮尔森相关性；

判断皮尔森相关性是否大于设定阈值，如果是，则表示对应两个通道信号之间存在相关性，则对应两个节点之间存在连接边；否则，表示对应两个节点之间不存在连接边。

4.如权利要求1所述的系统，其特征是，所述将所有通道的脑电信号和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中，输出待检测的多通道脑电信号的癫痫诊断结果；具体步骤包括：

将所有通道的脑电信号特征矩阵和邻接矩阵，均输入到预先训练好的线性图卷积神经网络中；预先训练好的线性图卷积神经网络，对所有通道的脑电信号和邻接矩阵进行傅里叶变换；对傅里叶变换后的信号进行特征提取；将提取的特征通过分类器进行分类；输出待检测的多通道脑电信号的癫痫诊断结果。

5.如权利要求1所述的系统，其特征是，所述线性图卷积神经网络，包括：

依次连接的第一线性图卷积层、第一Relu函数层、第二线性图卷积层、第二Relu函数层、全连接层和softmax分类器；

所述第一线性图卷积层和第二线性图卷积层的卷积核，均由切比雪夫的一阶多项式近似而成。

6.如权利要求5所述的系统，其特征是，第一线性图卷积层和第二线性图卷积层的工作原理是一样的；

第一线性图卷积层和第二线性图卷积层，均采用了多次聚合的思想和切比雪夫一阶近似的思想；

所述第一线性图卷积层，对图结构中的每一个顶点计算其与所有邻居节点之间的相关度的加和，按照相关度加和结果由大到小的顺序进行排序，按照排序的顺序从头到尾依次进行特征的提取，对每次提取的特征进行去冗余的信息聚合，得到第一特征图。

7.如权利要求5所述的系统，其特征是，所述线性图卷积神经网络，工作原理：

第一线性图卷积层，对用python和皮尔森算法读取处理后的癫痫数据进行最优特征提取，降噪；经过第一Relu激活函数层增加非线性元素来增加分类的宽度；

第一Relu激活函数层输出后的数据再放入第二线性图卷积层和第二Relu激活函数层进行相同的操作；

最后，第二Relu激活函数层输出经过Softmax分类器做二分类-癫痫发作期或者癫痫发作间期。

8.如权利要求4所述的系统，其特征是，所述预先训练好的线性图卷积神经网络，训练步骤包括：

构建训练集、验证集和测试集；

构建线性图卷积神经网络；

利用训练集、验证集和测试集，对线性图卷积神经网络进行训练、验证和测试，得到训练好的线性图卷积神经网络。

9.如权利要求8所述的系统，其特征是，训练集、验证集和测试集中均包含已知癫痫或非癫痫诊断结果的脑电信号。

10.如权利要求8所述的系统，其特征是，在训练过程中，使用focal loss损失函数来平衡正负样本权重。