[发明专利]一种癫痫棘波自动检测与峰值定位方法

权利要求书

1.一种癫痫棘波自动检测与峰值定位方法，其步骤包括：

1-1.对脑磁图进行数据预处理：去除脑磁图数据中的伪迹信号，然后将每一脑磁图数据拆分成多个大小相同的数据分段；

1-2.构建深度学习网络模型，包括单通道编码模块，深度特征传递模块以及全局解码模块；其中，所述单通道编码模块用于对所述数据分段中的单通道数据进行深度特征提取，得到多种不同尺寸大小的深度特征并传递给所述深度特征传递模块；所述深度特征传递模块用于对每个所述单通道编码模块输出的深度特征进行数据降维，并在脑磁图通道维度上进行平均后，输出给所述全局解码模块；所述全局解码模块用于从尺寸大小最小的深度特征开始，对深度特征进行卷积与上采样计算，并将得到的深度特征与所述深度特征传递模块中尺寸大小对应一致的深度特征进行特征拼接，直至处理完尺寸大小最大的深度特征，最终输出数据大小与网络输入数据在时间维度上大小相同的一维矩阵；其中所述一维矩阵中每一个值与输入数据分段上每一个时刻点一一对应，每一个值的大小代表该值所对应时刻点的网络预测为棘波峰值点的概率；

1-3.利用各所述数据分段训练所述深度学习网络模型；

1-4.对于一待处理的脑磁图数据，将其拆分为多个数据片段后输入训练后的所述深度学习网络模型，得到每一数据片段的预测矩阵；检测定位模块根据该预测矩阵计算各数据片段对应的峰度，将峰度大于设定阈值的数据片段判定为包含棘波，然后在包含有棘波的数据片段中选取概率最高的时刻点作为预测棘波峰值的具体时刻点。

2.如权利要求1所述的方法，其特征在于，对训练所述深度学习网络模型的数据分段的标签进行重构，其方法为：

2-1.根据数据分段中标注的峰值点位置，生成二值化的标签矩阵；用ipeak代表峰值所在时刻点在标签矩阵中的索引，x为标签矩阵中的索引值；

2-2.计算标准差为0.01，均值为ipeak/296的正态分布函数f₁(x)，f₁(x)的最大值取为1；

2-3.计算标准差为0.10，均值为peak/296的正态分布函数f₂(x)，f₂(x)的最大值取为0.5；

2-4.取f(x)＝max(f₁(x),f₂(x))作为标签矩阵上的每一个点的标签值。

3.如权利要求1或2所述的方法，其特征在于，训练所述深度学习网络模型所使用的损失函数为其中p_t为网络输出矩阵中索引值为t的矩阵值，即时刻点t预测为棘波峰值的概率，l_t为重构后的标签矩阵中索引值为t的矩阵值，即时刻点t重构后的标签值。

4.如权利要求1或2所述的方法，其特征在于，对训练所述深度学习网络模型的数据分段进行数据增强，其方法为：对于每一数据分段，对其时间窗进行多次随机左右平移，平移时间不超过若干毫秒，获得多个数据分段。

5.如权利要求4所述的方法，其特征在于，所述时间窗为296毫秒，平移时间不超过50毫秒。

6.如权利要求1所述的方法，其特征在于，计算数据片段网络输出对应的峰度的方法为：定义样本T，令网络输出矩阵为样本T的概率密度函数，其中网络输出矩阵的索引值t为样本T的取值，网络输出矩阵中索引值为t的矩阵值p(t)即为样本T取t的概率值，其峰度为

7.如权利要求1所述的方法，其特征在于，通过计算预测峰值点与实际峰值点的偏差值b_p，评判所述深度学习网络模型的预测性能；其中，峰值偏差b_p＝abs(peak_groundtruth-peak_predict)；peak_predict为数据片段的预测峰值点，peak_groundtruth为数据片段的实际峰值点。