[发明专利]一种基于CNN与Transformer的癫痫检测系统

说明书

本发明提供了一种基于CNN与Transformer的癫痫检测系统，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；检测模块，其被配置为：利用CNN和Transformer模型，得到待检测的多通道脑电信号的癫痫诊断结果；具体包括：将所述脑电信号切片输入到预先训练好的图注意力残差网络中，利用预先训练好的CNN与Transformer模型，对每个通道的脑电信号进行局部和全局的特征提取。本发明首次将CNN和Transformer模型结合起来应用到癫痫检测上，解决了单一CNN模型中捕获全局特征的局限性和单一Transformer模型中忽略局部特征的细节。

技术领域

本发明涉及脑电信号处理技术领域，尤其涉及一种基于CNN与Transformer的癫痫检测系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

脑电图是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，用于协助癫痫检测。由于癫痫在发作时脑电图可以准确地记录出散在性慢波、棘波或不规则棘波，对于诊断癫痫，脑电图检查十分准确，因此脑电图是诊断癫痫必不可少的一种检查方法。癫痫病人有必要经常复查脑电图。癫痫发作是大脑神经元的异常放电，这种异常放电在脑电图上表现为“异常波”。这种波可出现在癫痫发作时也可出现在不发作时。为了确定癫痫发作类型和寻找癫痫病灶，需要反复做脑电图。但是大部分的脑电样本是通过专业医师人工的去观察，并最终得出结论，效率低，所以脑电图的自动识别成为医学领域发展的主线。

大多传统的癫痫检测方法以及深度学习方法只是使用了单一的模型，例如，单一的CNN模型，卷积运算擅长提取局部特征，但在捕获全局特征表示方面还是有一定的局限性。而单一Transformer中，自注意力模块可以捕获长距离的特征依赖，但会忽略局部特征的细节。这些单一模型会对实验准确率以及各项指标造成一定的干扰。

发明内容

本发明为了解决上述问题，提出了一种基于CNN与Transformer的癫痫检测系统，其能够极大地提高局部特征的全局感知能力和全局表示的局部细节，从而提升癫痫检测的准确率。

根据一些实施例，本发明采用如下技术方案：

一种基于CNN与Transformer的癫痫检测系统，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；

检测模块，其被配置为：利用CNN和Transformer模型，得到待检测的多通道脑电信号的癫痫诊断结果；具体包括：将所述脑电信号切片输入到预先训练好的图注意力残差网络中，利用预先训练好的CNN与Transformer模型，对每个通道的脑电信号进行局部和全局的特征提取。

进一步地，所述对待检测的多通道脑电信号进行预处理，包括：

对待检测的多通道脑电信号进行去噪处理。

进一步地，所述对待检测的多通道脑电信号进行预处理，还包括：

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，即脑电信号切片。

进一步地，所述特征提取，包括提取每个通道信号的初始特征，以及每个通道之间的关系特征。

进一步地，所述特征提取后，将提取的特征通过分类器进行分类，并输出待检测的多通道脑电信号的癫痫诊断结果。

进一步地，所述预先训练CNN与Transformer模型，包括：

构建训练集、验证集和测试集；