[发明专利]一种面向癫痫脑电的识别方法

说明书

本发明公开了一种面向癫痫脑电的识别方法，包括以下步骤：S1、构建基于一维卷积神经网络的简化深度学习模型L‑NET；S2、采集脑电数据；S3、所述脑电数据经过EMD预处理，输入简化深度学习模型L‑NET；S4、所述简化深度学习模型L‑NET采用RMSProp算法作为模型优化算法，通过预定义的目标函数来进行损失估计。本发明设计的模型参数更少，效率更高。且通过实验验证，原始数据经过EMD处理后取前三阶分量，再利用一维CNN做分类识别这种方式识别率最高。相比于二维CNN，在简化癫痫脑电识别过程的同时，也提高了识别准确率。

技术领域

本发明属于医疗疾病诊断技术领域，具体涉及一种面向癫痫脑电的识别方法。

背景技术

癫痫(epilepsy)，又名“羊癫疯”，是最为常见的神经系统疾病之一。癫痫年龄跨度大，且趋于年轻化，目前治疗方式主要有药物保守治疗、手术切除病灶治疗等，治疗周期长、副作用大。

癫痫脑电(Epilepsy Electroencephalogram,EEG)研究主要包括特征提取和分类两个方面。近年来，越来越多的研究针对不同场景下的信号去噪，以提高检测率。例如，采用小波系数分解的方式提取癫痫脑电信号特征，实现对正常期、发作期和发作间期的癫痫脑电分类；或采用主成分分析和方差性分析降低原始特征空间维数，对癫痫脑电发作期和非发作期进行自动分类，等等。

深度学习目前被认为是较为先进的模型，在模式识别和机器学习方面有广泛的应用，在基准数据集分类方面上达到甚至比人类本身更高的准确度。大脑对某些刺激、任务或生理状态的电响应通常包括许多子反应，这些子反应被组合以提供完整的反应。深度学习现在已用于癫痫脑电图中的分类，并且在癫痫发作预测等领域。深度学习在结构上与深度神经网络类似，其可采用LSTM结构对癫痫脑电数据进行分类，另外也可通过基于Softmax回归方法对癫痫脑电信号分类。但是，目前癫痫脑电识别的方法过程较繁琐，中间过程参数过多。

发明内容

本发明的目的在于避免现有技术中的不足而提供一种面向癫痫脑电的识别方法，在简化癫痫脑电识别过程的同时，也提高了识别准确率。

本发明的目的通过以下技术方案实现：提供一种面向癫痫脑电的识别方法，包括以下步骤：

S1、构建基于一维卷积神经网络的简化深度学习模型L-NET；

S2、采集脑电数据；

S3、所述脑电数据经过EMD预处理，输入简化深度学习模型L-NET；

S4、所述简化深度学习模型L-NET采用RMSProp算法作为模型优化算法，通过预定义的目标函数来进行损失估计。

作为进一步的改进，所述简化深度学习模型L-NET至少包括：

五个一维卷积层conv1d_1、conv1d_2、conv1d_3、conv1d_4、conv1d_5，

两个一维池化层max_pooling1d_1、max_pooling1d_2，

两个批标准化层batch_normalization_1、batch_normalization_2

一个全局均值池化层global_average_pooling1d_1，

两个全连接层dense_1、dense_2，

一个Dropout层dropout_1，