[发明专利]一种基于EEG信号深度多视角特征学习的癫痫检测方法

摘要

本发明属于智能医疗应用领域，涉及一种基于EEG信号深度多视角特征学习的癫痫检测方法。该方法包括训练阶段和使用阶段两部分，训练阶段包括初始多视角特征构建模型、深度多视角特征提取模型和脑电信号分类。初始多视角特征构建模型使用傅立叶变换和离散小波包分解将原始的EEG信号转换到频域和时频域，获得信号的频域和时频域特征，然后和原始的EEG信号一起构建成初始多视角特征，获得初始多视角特征构建模型。本发明为了提高多视角特征的有效性，基于最初的多视角数据，利用CNN进行深度学习来构造出深度多视角特征。相对于原始多视角特征，经过深度特征提取的多视角特征具有更小的数据维度和更高的分类效果。

主权项

1.一种基于EEG信号深度多视角特征学习的癫痫检测方法，其特征在于：训练阶段的步骤为：第一步：使用原始EEG信号作为时域特征X¹；第二步：使用快速傅氏变换将原始EEG信号转换成频域特征X²；第三步：使用WPD将原始EEG信号转换成时频特征X³；得到初步多视角数据集D＝{X¹，X²，X³，y}；第四步：利用X¹，y对时域深度特征提取网训练，取时域视角深度特征提取使用的CNN网络架构的倒数第二层用做时域深度特征第五步：利用X²，y对频域深度特征提取网络训练，取频域视角深度特征提取使用的CNN网络架构的倒数第二层用做频域深度特征第六步：利用X³，y对时频深度特征提取网络训练，取时频视角深度特征提取使用的CNN网络架构的倒数第二层用做时频深度特征得到多视角数据集第七步：对每个视角使用TSK模糊系统，得到各个视角的前件参数和后件参数通前件参数得到新的多视角数据集第八步：使用对Multiview‑TSK‑FLS进行训练；使用阶段的步骤为：第九步：对测试数据使用初始多视角特征构建模型构建初步多视角测试数据集第十步：使用深度多视角特征提取模型得到深度多视角测试数据集第十一步：使用训练好的脑电信号分类模块对深度多视角测试集进行决策。