[发明专利]一种基于半监督深层生成对抗网络的癫痫发作预测方法

摘要

本发明公开了一种基于半监督深层生成对抗网络的癫痫发作预测方法，采用指定长度的滑动窗口对N导原始脑电样本的每一导脑电数据进行分段加窗处理，分割时相邻子窗之间叠加扩容处理，共得到S段子信号；分别对S段子信号进行短时傅立叶变换，获得频谱信号，并将得到的频谱数据转换成图片形式表示。将处理好的图片信息分别按照有标签训练样本、训练样本标签、无标签训练样本输入到半监督深层生成对抗网络中的判别器中进行训练与分类。向生成器中输入Z维噪声数据，经过生成器生成与无标签数据分布相似的伪数据图像。通过半监督学习形式逐渐释放癫痫发作预测对有标记数据的依赖，获得更好的分类准确率。

主权项

1.一种基于半监督深层生成对抗网络的癫痫发作预测方法，其特征在于：该方法包括以下步骤：步骤一，输入原始脑电信号数据；原始脑电信号数据包括：有标签训练样本集、训练样本集标签、无标签训练样本集、测试样本集、测试样本集标签；同一组被试采集到的样本电极导数相同，样本电极导数用N表示，不同被试间N取值未必相同；训练样本标签、测试样本标签即为每个样本数据对应的数据所属类别；步骤二，将原始脑电信号数据转化成频谱形式表示；首先，采用指定长度的滑动窗口对原始脑电信号数据中每一组样本的每一导脑电信号数据进行分段加窗分割，共N导，其中滑动窗口的长度取决于原始数据的长度和采样频率，滑动窗口的长度用W表示，每一次分割得到一个子窗，步长为W/2，即相邻子窗之间进行叠加扩容处理，共得到S段子窗信号；步骤三，计算对应数据傅立叶变化结果；对步骤二中所得到的每一段子窗信号计算傅里叶变换获得频谱信息，分别对步骤二中所得的S段子窗信号进行傅立叶变换计算获得二维脑电频谱数据；步骤四，将步骤三中计算出的二维脑电频谱数据转换成图片；根据获得的二维脑电频谱数据，输出成脑电频谱图；步骤五，利用半监督深层生成对抗网络生成伪样本；将维度为Z的随机噪声数据输入到半监督深层生成对抗网络中的生成器G中，生成器G从噪声数据中进行随机采样，将步骤四中的脑电频谱图利用反卷积生成伪脑电频谱数据图；步骤六，对抗生成分类；将步骤四中的脑电频谱图和步骤五中的伪脑电频谱数据图一同送入判别器中进行训练与分类，得到最后的分类结果；训练的同时，生成器G会根据判别器的判别结果优化自己生成能力，以生成与原始脑电频谱图像数据分布相近的伪脑电频谱数据图；判别器通过与生成器G之间的对抗训练，迭代优化后最终获得分类效果。