[发明专利]基于时序特征和堆叠Bi-LSTM网络的棘波检测方法

说明书

本发明公开了一种基于时序特征提取和堆叠Bi‑LSTM网络的棘波检测方法。首先对输入的原始单通道脑电信号进行预处理操作，对预处理完的脑电信号进行分割，得到脑电信号片段，通过两种时序特征提取算法得到平滑非线性能量特征和形态学特征，对得到的两种时序特征进行裁剪以保证长度与脑电信号片段一致后，与脑电信号片段拼接得到特征矩阵，再利用得到的特征矩阵和标注信息，训练堆叠Bi‑LSTM网络模型；最后采用测试数据对训练好的堆叠Bi‑LSTM网络模型进行测试，根据测试结果进行模型性能优化。本发明方法通过循环神经网络模型对脑电时序特征进行有效学习达到对棘波放电精准检测的效果；能够同时检测棘波以及其产生通道位置。

技术领域

本发明属于脑电信号处理领域，涉及一种基于时序特征提取和堆叠双向长短时记忆(stack Bi-LSTM)网络的棘波检测方法。

背景技术

癫痫是常见的慢性神经系统疾病，严重威胁儿童、成人的生命健康。棘波以及其复合波形是癫痫发作的病理性基础，棘波放电时间以及放电位置等相关参数具有较大意义，确定这些参数的首要步骤就是棘波检测。

现有的棘波检测方法主要分为两种，传统方法往往偏向于特征工程，通过设计一种或多种能够表征棘波特点的特征后通过阈值法等较为简单的分类方法将信号区分为棘波与非棘波；深度学习方法则倾向于通过设计深度神经网络分类模型，直接将原始脑电信号或是几类基础特征作为输入进行分类。这些检测方法存在以下缺点：

1.传统方法由于分类器性能较弱，因此对提取特征的表征能力较为苛刻，为提高模型性能往往需要提取多种特征，计算复杂度较高；

2.深度学习方法一般采用全连接神经网络或卷积神经网络，不能有效利用脑电信号作为一种时序信号的特点。

本发明基于循环神经网络能够接收多通道时序特征的特点，提出了一种棘波放电检测算法，通过在脑电信号中提取两种能够凸显棘波特点的脑电时序特征，联合原信号进行检测，实现精度更高、抗干扰能力更强的棘波检测效果。

发明内容

本发明针对现有棘波检测方案的不足，提出了一种基于时序特征和堆叠Bi-LSTM网络的棘波检测方法。本发明能够实现自动提取脑电信号片段两种时序特征，与脑电信号进行特征融合并完成高精度的棘波分类检测。

本发明的技术方案主要包括如下步骤：

步骤1、对输入的已经过预标记的原始单通道脑电信号进行预处理操作，所述的预标记为对原始单通道脑电信号标记棘波和非棘波时间点；所述的预处理操作包括级联滤波和标准化处理；最后，依据检测目标波形时长特征，在时域对预处理完的脑电信号进行分割，得到脑电信号片段，并对训练集棘波数据进行数据增强。

步骤2、在分割后得到脑电信号片段上通过两种时序特征提取算法得到对突变峰信号敏感的平滑非线性能量特征和能够保持棘波完整性的同时抑制其他波形幅值的形态学特征，对得到的两种时序特征进行裁剪以保证长度与脑电信号片段一致后，与脑电信号片段拼接得到特征矩阵。

步骤3、利用得到的特征矩阵和标注信息，训练堆叠Bi-LSTM网络模型。

步骤4、采用测试数据对训练好的堆叠Bi-LSTM网络模型进行测试，并统计四个基本参数，用于衡量模型的识别性能，根据测试结果对堆叠Bi-LSTM网络模型进行性能优化。

所述步骤1的具体实现如下：

1-1.将原始输入的单通道脑电信号利用1-70HZ带通滤波器取得脑电能量信号最集中的频段，再利用50HZ陷波滤波器进行滤波去除工频噪声。

1-2.通过Savitzky-Golay滤波算法，利用三阶多项式依据最小二乘准则拟合滤波窗口内的信号数据，再通过已求得的多项式参数计算窗口中心点的函数值以代替原有数值。能在较好保留波形极值分布特征的同时，对信号的高频毛刺信号进行滤除，对脑电信号中存在咀嚼吞咽等伪迹干扰也具有一定效果。