【技術實現步驟摘要】
本專利技術屬于生物醫學信號，具體涉及一種基于黎曼流形的癲癇檢測方法。
技術介紹
1、癲癇作為一種極為常見的神經系統疾病，主要是因腦部神經元突發性的異常放電而引發。其發作時的表現形式豐富多樣，較為典型的是患者會毫無征兆地出現意識喪失，全身肢體不受控制地劇烈抽搐，同時口中吐出白沫；不過，也存在如短暫性的失神發作，患者可能瞬間眼神呆滯、對外界無反應，或者僅有局部肌肉出現快速抽動等相對輕微的發作情形。
2、在對癲癇的診斷過程中，腦電圖(eeg)是至關重要的依據，它清晰地反映著大腦的狀態。然而，在當下的臨床診療中，醫生多數情況下只能依靠目視來檢查患者的腦電圖記錄信號，這種傳統的檢查手段存在不少缺陷。一方面，其檢查過程極為耗費時間，這很可能致使病情診斷錯過最佳時期。另一方面，目視檢查的結果在很大程度上取決于醫生的主觀判斷以及個人經驗，如此一來，診斷結果的精確性與穩定性便難以得到切實保障。目前大多文獻都是基于腦電信號的提取有限特征方法或利用機器學習算法，但此類方法即耗時且檢測效果較差，而且無法完整表示腦電信號的空域特性。
3、目前，大多數學者在設計相關方案時，主要基于多通道腦電信號，要么手動提取有效特征，要么運用深度神經網絡。例如，通過小波分解、經驗模態分解獲取樣本熵、分形維數等統計學特征，或者借助卷積神經網絡、循環神經網絡依據信號和標簽信息構建特征模型。不過，這些方法存在明顯不足，它們耗時費力，操作難度大，并且無法全面展現腦電信號的空域特性。
4、近年來，利用黎曼流形幾何工具對腦電信號進行分析處理逐漸成為
技術實現思路
1、為了解決上述問題，本專利技術提出了一種基于黎曼流形的癲癇檢測方法，本專利技術的操作減少了參數的數量和計算成本，同時目前基于多尺度黎曼幾何和多尺度卷積神經網絡的癲癇檢測方法講究相對較少，該方法相較于傳統信號處理結合分類器算法更加有前景和高效。具體包括以下步驟：
2、s01、通過腦電設備采集多通道腦電信號，根據被試者的三種人體狀態收集不同的腦電信號，獲得對應的標簽信息；
3、s02、對每個通道的腦電信號利用滑動窗口辦法，擴展獲得個腦電信號數據；
4、s03根據腦電信號數據，運用相空間重構技術構造具有辨識度的協方差矩陣；
5、s04、運用gffda算法使同一類別的spd矩陣更加聚集，不同類別的spd矩陣相距更遠；
6、s05、通過協方差矩陣得到三種人體狀態所對應的時空特征；
7、s06、將n個腦電信號數據輸入到具有注意力機制的卷積神經網絡中，以提取三種人體狀態所對應的特征；
8、s07、將通過兩種方式提取到的特征連接起來并將他們輸入到全連接層，通過注意力機制完成癲癇信號檢測。
9、作為本專利技術的一種優選實施方式，所述s01中，三種人體狀態包括正常期、發病間期和發病期。
10、作為本專利技術的一種優選實施方式，所述s02中，設置窗口長度l和步長s,得到原始信號t中時間窗口的開始和結束位置，其起始位置索引為
11、s×(n-1)，
12、則結束位置索引為s×(n-1)+1，n＝1,2,3,…，
13、其中n＝1,2,3,…為窗口索引，將原始信號t分為t1,t2,t3,…,tn，此時，將步長s設置為窗口長度的一半，即
14、s＝l/2，
15、實現擴展數據，同時減少整體計算工作負載。
16、作為本專利技術的一種優選實施方式，所述s03中，協方差矩陣特征描述著大腦狀態可分性的信息，坐落在高維的對稱正定矩陣空間上，對新的信號樣本進行協方差運算，得到對稱正定矩陣，表示為
17、
18、其中，n為第i個通道中腦電圖一個時段的長度，x＝(x1,x2,…,xc)為多變量相空間重構。
19、作為本專利技術的一種優選實施方式，所述s04中，通過psr方法獲得濾波后腦電圖得協方差矩陣，將其用作特征描述符，用gffda算法增強類相關信息，丟棄黎曼流形中spd矩陣的不相關信息。得到黎曼流形中的spd矩陣為
20、
21、其中為黎曼流形中的spd矩陣。是向量空間中重構的判別特征向量，cm是黎曼幾何均值，是在所有對稱正定(spd)矩陣上使黎曼測地距離平方和最小的對稱正定矩陣。
22、作為本專利技術的一種優選實施方式，所述s05中，通過協方差矩陣得到正常期、發病間期和發病期三種人體狀態所對應的特征。
23、作為本專利技術的一種優選實施方式，所述s06中，提取三種人體狀態所對應的特征步驟如下：
24、s061、通過reshape圖層，對時間窗口tn進行維度重新排列，將原始數據維度從(1,c,s)更改為(c,1,s)，其中c是通道數，s是時間窗口與通道卷積的輸入大小匹配的采樣點數；
25、s062、使用f1＝44個大小為1×1通過通道轉換層提高數據維度，獲得腦電信號的空間特性，接著使用批量歸一化層進一步穩定數據分布并加速模型訓練。然后將特征圖輸入到多尺度時間卷積層；
26、s063、使用m個不同大小的卷積核，進一步提取不同頻率的腦電信號的空間和時間特征，輸入到bn層進行拼接，并通過注意力機制，得到帶有注意力權重的多維腦電特征圖。
27、作為本專利技術的一種優選實施方式，所述s07中，連接通過兩種方式創建窗口中提取的時空特征，并將它們輸入到全連接層，最后通過注意力機制。完成癲癇信號檢測。
28、本專利技術與現有技術相比具有以下有益效果：
29、本專利技術將多通道腦電癲癇信號的協方差矩陣來表征大腦的狀態與多尺度卷積神經網絡結合。構建協方差矩陣中，psr(相空間重構)構建了有效特征描述符提取高維特征信息，能夠從一維腦電圖中構建高維數據，提取其內在和隱藏的內在動態特征信息，有助于更全面、深入地分析大腦活動狀態，增加了可用于分析的信息維度。gffda算法優化了特征矩陣的分布，在黎曼流形中，使同一類別的spd矩陣更加聚集，不同類的spd矩陣相距更遠，提高了分類準確性。同時，采用多尺度黎曼幾何以最大程度的解決工作頻率變化和噪聲干擾這兩個問題；采用多尺度卷積神經網絡以最大限度地減少噪聲和極值對信號的影響。二者結合得到更精準的檢測模型。
30、下面結合附圖對本專利技術的具體實施方式作進一步詳細的描述。
本文檔來自技高網...【技術保護點】
1.一種基于黎曼流形的癲癇檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，其特征在于，所述S01中，三種人體狀態包括正常期、發病間期和發病期。
3.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，其特征在于，所述S02中，設置窗口長度l和步長s,得到原始信號T中時間窗口的開始和結束位置，其起始位置索引為s×(n-1)，
4.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，其特征在于，所述S03中，協方差矩陣特征描述著大腦狀態可分性的信息，坐落在高維的對稱正定矩陣空間上，對新的信號樣本進行協方差運算，得到對稱正定矩陣，表示為
5.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，其特征在于，所述S04中，通過PSR方法獲得濾波后腦電圖得協方差矩陣，將其用作特征描述符，用GFFDA算法增強類相關信息，丟棄黎曼流形中SPD矩陣的不相關信息。得到黎曼流形中的SPD矩陣為
6.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，其特征在于，所述S05中，通過協方差矩陣得到正常
7.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，其特征在于，所述S06中，提取三種人體狀態所對應的特征步驟如下：
8.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，其特征在于，所述S07中，連接通過兩種方式創建窗口中提取的時空特征，并將它們輸入到全連接層，最后通過注意力機制。完成癲癇信號檢測。
...【技術特征摘要】
1.一種基于黎曼流形的癲癇檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，其特征在于，所述s01中，三種人體狀態包括正常期、發病間期和發病期。
3.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，其特征在于，所述s02中，設置窗口長度l和步長s,得到原始信號t中時間窗口的開始和結束位置，其起始位置索引為s×(n-1)，
4.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，其特征在于，所述s03中，協方差矩陣特征描述著大腦狀態可分性的信息，坐落在高維的對稱正定矩陣空間上，對新的信號樣本進行協方差運算，得到對稱正定矩陣，表示為
5.根據權利要求1所述的一種基于黎曼流形的癲癇檢測方法，...
【專利技術屬性】
技術研發人員：周雪玲，鄒宇彬，薛浩然，溫浩龍，梁熾恒，
申請(專利權)人：東莞理工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。