CN115886735A - 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 - Google Patents
基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 Download PDFInfo
- Publication number
- CN115886735A CN115886735A CN202211595847.XA CN202211595847A CN115886735A CN 115886735 A CN115886735 A CN 115886735A CN 202211595847 A CN202211595847 A CN 202211595847A CN 115886735 A CN115886735 A CN 115886735A
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- electroencephalogram
- characteristic
- brain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 70
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 45
- 206010010904 Convulsion Diseases 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 206010014599 encephalitis Diseases 0.000 title claims abstract description 38
- 208000028329 epileptic seizure Diseases 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 33
- 238000007637 random forest analysis Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005215 recombination Methods 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000537 electroencephalography Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 208000015114 central nervous system disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009251 neurologic dysfunction Effects 0.000 description 1
- 208000015015 neurological dysfunction Diseases 0.000 description 1
- MFDFERRIHVXMIY-UHFFFAOYSA-N procaine Chemical compound CCN(CC)CCOC(=O)C1=CC=C(N)C=C1 MFDFERRIHVXMIY-UHFFFAOYSA-N 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,其特征在于,包括采集模块、预处理模块以及检测模块,所述采集模块采集脑炎患者待检测的原始脑电信号;预处理模块对采集到的待检测脑电信号进行预处理后输入至检测模块内的识别模型以得到癫痫发作的检测结果;所述检测模块内的识别模型集多个脑网络和多个特征的融合,从多个相关维度上更全面地反应脑网络中各个节点之间的关系;而基于改进遗传算法的网络层和特征层优化则实现了多个网络加权系数和多个网络加权系数最优确定,将最优的网络层和特征层作为机器学习输入,从而大大提高了癫痫识别的准确率。
Description
技术领域
本发明涉及计算机领域,且特别涉及一种基于脑网络优化的重症脑炎患者癫痫发作自动检测装置。
背景技术
脑炎是由脑实质炎症引起神经功能障碍的严重疾病,脑炎发病率大约为1.5-10.5/10万,其中小儿发病率占总发病率的37%-94.2%,是小儿中枢神经***感染的多发病和常见病,重症脑炎常伴随有意识障碍,癫痫发作等,严重时可危及生命。脑电图(Electroencephalogram,EEG)通过跟踪大脑的电活动来记录脑电波模式从而诊断癫痫。在这个阶段为了检测癫痫发作,人类专家需要对长时脑电图记录进行视觉标记。而这是一项非常繁琐、耗时且成本高昂的任务。EEG信号包含关于大脑功能行为的波动很大的信息,其在癫痫检测中的应用仍然是一个具有挑战性的问题。因此,开发用于重症脑炎患者癫痫发作检测的自动化技术是非常必要的。
随着复杂网络理论的广泛应用,在脑电领域的应用也越来越多。常用的方法是计算EEG通道之间的互信息(Mutual Information,MI)。由互信息构建的复杂网络可以进一步分析网络的连接性、网络特征以及网络的其他特性,从而识别与分析癫痫,精神***症等精神疾病。除了MI,皮尔逊相关系数(Pearson Correlation Coefficient,PCC)也是常用的网络相关性度量。此外,还有斯皮尔曼等级相关系数,标准化排列互信息和置换错位指数(Permutation Disalignment Index,PDI)也被提出用于构建脑网络。由于不同的相关系数反应的是网络节点之间不同的特征,单相关系数构建的网络存在单一性,在采用不同的相关系数构建网络时会产生不同的识别结果,存在识别片面、局限性大以及识别准确率低等问题。
发明内容
本发明为了克服现有技术的不足,提供一种识别准确率高的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置。
为了实现上述目的,本发明提供一种基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,包括采集模块、预处理模块以及检测模块,所述采集模块采集脑炎患者待检测的原始脑电信号;预处理模块对采集到的待检测脑电信号进行预处理后输入至检测模块内的识别模型以得到癫痫发作的检测结果;所述检测模块内的识别模型通过以下方式训练得到:
获取多个重症脑炎患者的原始脑电信号样本并标注每个样本中每个通道的癫痫发作段;
预处理每一脑电信号样本以得到多个不同频段的子带信号;
构建多层加权脑网络并基于改进遗传算法优化多层脑网络,该步骤包括:分别基于多个相关系数构建多层加权脑网络,每一脑网络对应有一加权系数,多个脑网络的网络加权系数形成网络层;将脑电信号样本内的癫痫发作段分割成具有一定长度的脑电片段,每一脑电片段对应有多个子带信号;提取多层加权脑网络在不同子带信号上的网络特征,将所有子带信号对应的特征加权平均得到多个片段特征,每一片段特征的特征加权系数形成该网络层对应的特征层;采用改进遗传算法分别独立优化网络层的多个网络加权系数和特征层的多个特征加权系数;
根据每一特征所属的特征层和网络层位置,将优化后的网络层加权系数和对应的特征层加权系数相乘以构建每一脑电片段的特征向量;以多个片段特征和对应的多个特征向量作为输入训练随机森林分类模型以得到癫痫检测模型。
根据本发明的一实施例,分别以互信息、皮尔森相关系数以及标准化排列互信息和置换错位指数这三个相关系数来量化脑电信号内通道的关系以构建三层脑网络。
根据本发明的一实施例,每一子带信号的多个特征包括加权度、聚类系数、调和中心性、模块度、紧密中心性以及特征向量中心性。
根据本发明的一实施例,在训练随机森林分类模型以获得癫痫识别结果时基于优化后的三个网络层加权系数和六个特征层加权系数构建每一脑电片段的特征向量以形成随机森林模型的输入,每一脑电片段的特征向量包含十八个向量元素。
根据本发明的一实施例,在每一层脑网络中,所述加权度ki表征节点i在脑网络中的重要程度,其公式如下:
其中,M为每一脑网络中所有节点的集合,A为邻接矩阵;Ai,j为邻接矩阵A中的元素,表示了结点i和结点j之间边的关系;ωi,j为i和j节点之间的权重;
聚类系数ci反映了节点趋向于聚集在一起的程度,公式如下:
其中,ki为节点i在网络中的重要程度;di为节点i的度;j和h节点表示与节点i组成三元组的其它两个顶点,dp为第p节点的度,用于遍历所有节点;
调和中心性hci衡量节点到达其他节点的难易程度,公式如下:
其中,n为网络中节点的总数,disti,j表示i和j节点之间的最短路径;
紧密中心性closi的公式如下:
其中,M为每一脑网络中所有节点的集合,disti,j表示i和j节点之间的最短路径;
模块度Q表示将节点划分成组后组和组之间的强度大小,其公式:
其中Ci是i节点的集群名称,δ(CiCj)当i和j节点属于同一集群时为1,否则为0;ki为节点i在网络中的重要程度;kj为节点j在网络中的重要程度;
特征向量中心性反映了邻居节点的重要性,公式如下:
Ae=λe
其中,e=[e1,…,ei,…en]表示所有节点的特征向量中心性组成的向量,A为邻接矩阵,λ为邻接矩阵的对应的特征值。
根据本发明的一实施例,预处理模块在预处理待检测脑电信号和脑电信号样本时:
采用带通滤波器滤除48Hz以上、1Hz以下的频率分量;
对滤波后的脑电信号进行五层小波包分解得到1-4Hz,4-8Hz,8-12Hz,12-16Hz,16-24Hz以及24-32Hz的六个子带信号。
根据本发明的一实施例,基于改进遗传算法分别独立优化网络层和特征层的步骤包括:
设置初始种群大小、进化代数、交叉概率以及突变概率;
随机生成网络层的多个网络加权系数和特征层的多个特征加权系数;
执行网络层的加权系数优化以选取准确率最高的一代中的多个网络加权系数;设置约束条件为网络层内多个网络加权系数相加为1,适应度函数为最大化随机森林分类模型分类测试集的准确率,通过遗传算法的交叉、重组以及变异操作进行多个网络加权系数优化;
执行特征层的系数优化以选取准确率最高的一代中的加权系数;设置约束条件为特征层内多个特征加权系数相加为1,适应度函数为最大化随机森林分类模型分类测试集的准确率,通过遗传算法的交叉、重组以及变异操作进行权重优化;
重复上述步骤,直到测试集分类准确率不再发生变化,遗传算法优化结束。
根据本发明的一实施例,采集模块采集多个重症脑炎患者的脑电信号时采样频率为256Hz,电极分布采用国际10-20脑电采集标准,共采集20通道脑电数据。
综上所述,本发明提供的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置中检测模块内的识别模型集多个脑网络和多个特征的融合,从多个相关维度上更全面地反应脑网络中各个节点之间的关系;而基于改进遗传算法的网络层和特征层优化则实现了多个网络加权系数和多个网络加权系数最优确定,将最优的网络层和特征层作为机器学习输入,从而大大提高了癫痫识别的准确率。
为让本发明的上述和其它目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合附图,作详细说明如下。
附图说明
图1所示为本发明一实施例提供的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置的结构示意图。
图2所示为训练图1中检测模块内的识别模型的流程示意图。
图3所示为图2中步骤S30的流程示意图。
图4所示为基于改进遗传算法优化网络层和特征层的流程示意图。
具体实施方式
如图1所示,本实施例提供一种基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,其包括采集模块10、预处理模块20以及检测模块30。采集模块10采集脑炎患者待检测的原始脑电信号;具体的,采集模块10基于电极分布采用国际10-20脑电采集标准对重症脑炎患者的脑电信号进行采样且采样频率为256Hz,共采集20通道脑电数据。在获得脑炎患者原始的脑电信号后预处理模块20进行预处理;具体的,预处理模块20采用带通滤波器滤除原始脑电信号中48Hz以上、1Hz以下的频率分量;并对滤波后得到的脑电信号进行五层小波包分解以分别得到1-4Hz,4-8Hz,8-12Hz,12-16Hz,16-24Hz以及24-32Hz的六个子带信号;然而,本发明对预处理后的子带信号的划分不作任何限定。将六个子带信号输入检测模块30以得到癫痫发作的检测结果。
于本实施例中,检测模块30内存储有自动检测癫痫发作的识别模型,该识别模型通过训练得到,具体的训练步骤包括:获取多个重症脑炎患者的原始脑电信号样本并标注每个样本中每个通道的癫痫发作段(步骤S10)。预处理每一脑电信号样本以得到多个不同频段的子带信号(步骤S20)。构建多层加权脑网络并基于改进遗传算法优化多层脑网络(步骤S30)。基于改进遗传学算法优化后的多层网络的网络层加权系数和特征层加权系数训练随机森林模型以实现癫痫发作结果分类(步骤S40);具体的,根据每一特征所属的特征层和网络层位置,将优化后的网络层加权系数和对应的特征层加权系数相乘以构建每一脑电片段的特征向量;以多个片段特征和对应的多个特征向量作为输入训练随机森林分类模型以得到癫痫检测模型。
识别模型的训练始于步骤S10,在该步骤中使用多导脑电图仪采集性别和年龄均不同的大量患者的长程监测原始脑电信号来作为脑电信号样本。其中,采样频率为256Hz,电极分布采用国际10-20脑电采集标准,共采集20通道脑电数据。对获取的大量脑电信号样本进行每个通道的癫痫发作段标注已形成样本数据库。之后将执行步骤S20,对样本数据库内标注后的原始脑电信号样本进行预处理,预处理的步骤与预处理模块20内的步骤相同,即采用带通滤波器滤除干扰信号后进行频域的子带信号划分以得到六个子带信号。
在获得六个子带信号后,执行步骤S30,构建多层加权脑网络并基于六个子带信号进行对每层网络进行特征提取以形成多个特征加权参数,之后再基于遗传优化算法对网络层和特征层的加权系数进行优化。具体的,该步骤包括:
步骤S31:分别基于多个相关系数构建多层加权脑网络,每一脑网络对应有一加权系数,多个脑网络的网络加权系数形成网络层。具体的,分别以互信息、皮尔森相关系数以及标准化排列互信息和置换错位指数这三个相关系数来量化脑电信号内通道的关系以构建三层加权脑网络。每一层网络对应有一网络加权系数,分别用K1,K2以及K3表示,三个网络加权系数组成网络层加权系数。
之后,执行步骤S32,将脑电信号样本内的癫痫发作段分割成具有一定长度的脑电片段,每一脑电片段对应有多个子带信号。具体的,对脑电信号样本中标记出的癫痫发作段使用滑动窗口法划分为若干个4s的脑电片段,分割得到的脑电片段记为x(n),n=1,2,…,N;其中,N为脑电片段的个数,在本实施例中脑电信号样本的采样频率为256Hz,因此N=1024。基于步骤S20的预处理,每一电脑片段内亦将具有六个子带信号。
步骤S33,提取多层加权脑网络在不同子带信号上的网络特征,将所有子带信号对应的特征加权平均得到多个片段特征,每一片段特征的特征加权系数形成该网络层对应的特征层。于本实施例中,每一子带信号的多个特征包括加权度ki、聚类系数ci、调和中心性hci、模块度Q、紧密中心性closi以及特征向量中心性e这六个网络特征。对于1-4Hz这一第一子带而言,提取后将得到第一子带加权度ki、第一子带聚类系数ci、第一子带调和中心性hci、第一子带模块度Q、第一子带紧密中心性closi以及第一子带特征向量中心性e;对于4-8Hz这一第二子带而言,提取后将得到第二子带加权度ki、第二子带聚类系数ci、第二子带调和中心性hci、第二子带模块度Q、第二子带紧密中心性closi以及第二子带特征向量中心性e。相对应的,依次可以得到每一子带对应的六个特征。
将第一子带加权度ki、、第二子带加权度ki……第六子带加权度ki加权平均后得到该脑电片段的加权度ki以及对应的特征加权系数H1;将第一子带聚类系数ci、第二子带聚类系数ci……第六子带聚类系数ci加权平均后得到该脑电片段的聚类系数ci以及对应的特征加权系数H2;依次类推将得到该脑电片段的调和中心性hci(对应的特征加权系数H3)、模块度Q(对应的特征加权系数H4)、紧密中心性closi(对应的特征加权系数H5)以及特征向量中心性e(对应的特征加权系数H6)。多层加权脑网络在每一脑电片段上对应有(H1,H2,H3,H4,H5,H6)六个特征加权系数。
对于六个网络特征,在每一层脑网络中,加权度ki表征节点i在脑网络中的重要程度,其公式如下:
其中,M为每一脑网络中所有节点的集合,A为邻接矩阵;Ai,j为邻接矩阵A中的元素,表示了结点i和结点j之间边的关系;ωi,j为i和j节点之间的权重;
聚类系数ci反映了节点趋向于聚集在一起的程度,公式如下:
其中,ki为节点i在网络中的重要程度;di为节点i的度;j和h节点表示与节点i组成三元组的其它两个顶点,dp第p节点的度,用于遍历所有节点;
调和中心性hci衡量节点到达其他节点的难易程度,公式如下:
其中,n为网络中节点的总数,disti,j表示i和j节点之间的最短路径;
紧密中心性closi的公式如下:
其中,M为每一脑网络中所有节点的集合,disti,j表示i和j节点之间的最短路径;
模块度Q表示将节点划分成组后组和组之间的强度大小,其公式:
其中Ci是i节点的集群名称,δ(CiCj)当i和j节点属于同一集群时为1,否则为0;ki为节点i在网络中的重要程度;kj为节点j在网络中的重要程度;
特征向量中心性反映了邻居节点的重要性,公式如下:
Ae=λe
其中,e=[e1,…,ei,…en]表示所有节点的特征向量中心性组成的向量,A为邻接矩阵,λ为邻接矩阵的对应的特征值。
随机森林分类模型的识别结果与每一片段上所提取的特征和片段的加权系数相关。如上述公式表示,特征的计算与脑网络的邻接矩阵相关,其由脑电信号的特征所确定。为提高识别的准确率,需要确定相关的加权系数;对于片段的加权系数,按照网络结构的不同分为网络层,网络层加权系数具有三个网络加权系数;按不同特征分为特征层,特征层具有六个特征加权系数。
于本实施例中,步骤S34将采用改进遗传算法分别独立优化网络层加权系数和特征层加权系数,结合步骤S40中随机森林模型对测试集的预测从而得到最优的网络层加权系数和最优的特征层加权系数。具体的,该步骤包括:
步骤S341:设置初始种群大小、进化代数、交叉概率以及突变概率;
步骤S342:随机生成网络层的多个网络加权系数和特征层的多个特征加权系数;
步骤S343:执行网络层的加权系数优化以选取准确率最高的一代中的多个网络加权系数。设置约束条件为网络层内多个网络加权系数相加为1,适应度函数为最大化步骤S40中随机森林模型分类测试集的准确率,通过遗传算法的交叉、重组以及变异操作进行多个网络加权系数优化;
步骤S344:执行特征层的系数优化以选取准确率最高的一代中的加权系数。设置约束条件为特征层内多个特征加权系数相加为1,适应度函数为最大化步骤S40中随机森林模型分类测试集的准确率,通过遗传算法的交叉、重组以及变异操作进行权重优化;
重复上述步骤S342至步骤S344,直到测试集准确率不再发生变化,遗传算法优化结束并得到优化后的网络层加权系数和特征层加权系数。
在将步骤S30获得基于改进遗传学算法优化后的多层网络的网络层加权系数和特征层加权系数后,执行步骤S40:训练随机森林模型以实现癫痫发作结果分类。具体的,该步骤包括:
步骤S41:根据每一特征所属的特征层和网络层位置,将优化后的网络层加权系数和对应的特征层加权系数相乘以构建每一脑电片段的特征向量。具体的,基于优化后的三个网络层加权系数和六个特征层加权系数构建每一脑电片段的特征向量,每一脑电片段的特征向量KH包含十八个向量元素,KH=[K1*H1,K1*H2,K1*H3,K1*H4,K1*H5,K1*H6,K2*H1,K2*H2,K2*H3,K2*H4,K2*H5,K2*H6,K3*H1,K3*H2,K3*H3,K3*H4,K3*H5,K3*H6]。
步骤S42:将多个脑电信号样本的多个脑电片段随机划分为训练集和测试集,将训练集中每一脑电片段的多个网络特征和对应的特征向量相乘后输入随机森林分类器以训练随机森林分类器内的多个决策树,形成随机森林模型。将测试集中每一脑电片段的多个网络特征和对应的特征向量相乘后输入训练得到的随机森林模型以得到癫痫发作检测的测试结果,基于测试结果确定训练后的随机森林模型。随机森林分类器采用多个弱分类器的集成通过投票表决得到分类结果,它采用带放回的抽样构造与原始数据集等大的子数据集,之后利用子数据集构建子决策树,即每棵决策树根据子数据集得到一个分类结果。最后,通过对子决策树的所有结果进行投票得到随机森林分类器的输出。其中每棵决策树具有相同的分布,但分类能力取决于输入的数据。
至此,检测模块30内的基于多层网络结构和随机森林模型的识别模型已训练得到。在进行脑炎患者癫痫发作自动检测时,将预处理模块20处理后的脑电信号输入至检测模块30。经信号分割后进行片段特征提取,提取的片段特征与优化后的网络层相关系数以及特征层相关系数关联后输入至随机森林模型,经随机森林模型分类后得到癫痫发作检测结果以实现自动检测。
于本实施例中,基于脑网络优化的重症脑炎患者癫痫发作自动检测装置还包括优化训练模块40,优化训练模块进行多层网络构建、双层加权系数优化以及随机森林模型训练后得到检测模块30内的识别模型;所述训练模块40包括改进遗传算法优化多层网络单元43和模型训练单元44。训练步骤S10和S20可基于本实施例提供的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置中的采集模块10和预处理模块20来实现。而改进遗传算法优化多层网络单元43将执行训练步骤中的S30,模型训练单元44则执行上述训练步骤中的S30,本发明对此不做赘述。然而,本发明对此不作任何限定。于其它实施例中,检测模块内的识别模型也可通过外部计算机设备进行训练后得到。
综上所述,本发明提供的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置中检测模块内的识别模型集多个脑网络和多个特征的融合,从多个相关维度上更全面地反应脑网络中各个节点之间的关系;而基于改进遗传算法的网络层和特征层优化则实现了多个网络加权系数和多个网络加权系数最优确定,将最优的网络层和特征层作为机器学习输入,从而大大提高了癫痫识别的准确率。
虽然本发明已由较佳实施例揭露如上,然而并非用以限定本发明,任何熟知此技艺者,在不脱离本发明的精神和范围内,可作些许的更动与润饰,因此本发明的保护范围当视权利要求书所要求保护的范围为准。
Claims (8)
1.一种基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,其特征在于,包括采集模块、预处理模块以及检测模块,所述采集模块采集脑炎患者待检测的原始脑电信号;预处理模块对采集到的待检测脑电信号进行预处理后输入至检测模块内的识别模型以得到癫痫发作的检测结果;所述检测模块内的识别模型通过以下方式训练得到:
获取多个重症脑炎患者的原始脑电信号样本并标注每个样本中每个通道的癫痫发作段;
预处理每一脑电信号样本以得到多个不同频段的子带信号;
构建多层加权脑网络并基于改进遗传算法优化多层脑网络,该步骤包括:分别基于多个相关系数构建多层加权脑网络,每一脑网络对应有一加权系数,多个脑网络的网络加权系数形成网络层;将脑电信号样本内的癫痫发作段分割成具有一定长度的脑电片段,每一脑电片段对应有多个子带信号;提取多层加权脑网络在不同子带信号上的网络特征,将所有子带信号对应的特征加权平均得到多个片段特征,每一片段特征的特征加权系数形成该网络层对应的特征层;采用改进遗传算法分别独立优化网络层的多个网络加权系数和特征层的多个特征加权系数;
根据每一特征所属的特征层和网络层位置,将优化后的网络层加权系数和对应的特征层加权系数相乘以构建每一脑电片段的特征向量;以多个片段特征和对应的多个特征向量作为输入训练随机森林分类模型以得到癫痫检测模型。
2.根据权利要求1所述的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,其特征在于,分别以互信息、皮尔森相关系数以及标准化排列互信息和置换错位指数这三个相关系数来量化脑电信号内通道的关系以构建三层脑网络。
3.根据权利要求1或2所述的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,其特征在于,每一子带信号的多个特征包括加权度、聚类系数、调和中心性、模块度、紧密中心性以及特征向量中心性。
4.根据权利要求3所述的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,其特征在于,在训练随机森林分类模型以获得癫痫识别结果时基于优化后的三个网络层加权系数和六个特征层加权系数构建每一脑电片段的特征向量以形成随机森林模型的输入,每一脑电片段的特征向量包含十八个向量元素。
5.根据权利要求3所述的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,其特征在于,在每一层脑网络中,所述加权度ki表征节点i在脑网络中的重要程度,其公式如下:
其中,M为每一脑网络中所有节点的集合,A为邻接矩阵;Ai,j为邻接矩阵A中的元素,表示了结点i和结点j之间边的关系;ωi,j为i和j节点之间的权重;
聚类系数ci反映了节点趋向于聚集在一起的程度,公式如下:
其中,ki为节点i在网络中的重要程度;di为节点i的度;j和h节点表示与节点i组成三元组的其它两个顶点,dp为第p节点的度,用于遍历所有节点;
调和中心性hci衡量节点到达其他节点的难易程度,公式如下:
其中,n为网络中节点的总数,disti,j表示i和j节点之间的最短路径;
紧密中心性closi的公式如下:
其中,M为每一脑网络中所有节点的集合,disti,j表示i和j节点之间的最短路径;
模块度Q表示将节点划分成组后组和组之间的强度大小,其公式:
其中Ci是i节点的集群名称,δ(CiCj)当i和j节点属于同一集群时为1,否则为0;ki为节点i在网络中的重要程度;kj为节点j在网络中的重要程度;
特征向量中心性反映了邻居节点的重要性,公式如下:
Ae=λe
其中,e=[e1,…,ei,…en]表示所有节点的特征向量中心性组成的向量,A为邻接矩阵,λ为邻接矩阵的对应的特征值。
6.根据权利要求1所述的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,其特征在于,预处理模块在预处理待检测脑电信号和脑电信号样本时:
采用带通滤波器滤除48Hz以上、1Hz以下的频率分量;
对滤波后的脑电信号进行五层小波包分解得到1-4Hz,4-8Hz,8-12Hz,12-16Hz,16-24Hz以及24-32Hz的六个子带信号。
7.根据权利要求1所述的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,其特征在于,基于改进遗传算法分别独立优化网络层和特征层的步骤包括:
设置初始种群大小、进化代数、交叉概率以及突变概率;
随机生成网络层的多个网络加权系数和特征层的多个特征加权系数;
执行网络层的加权系数优化以选取准确率最高的一代中的多个网络加权系数;设置约束条件为网络层内多个网络加权系数相加为1,适应度函数为最大化随机森林分类模型分类测试集的准确率,通过遗传算法的交叉、重组以及变异操作进行多个网络加权系数优化;
执行特征层的系数优化以选取准确率最高的一代中的加权系数;设置约束条件为特征层内多个特征加权系数相加为1,适应度函数为最大化随机森林分类模型分类测试集的准确率,通过遗传算法的交叉、重组以及变异操作进行权重优化;
重复上述步骤,直到测试集分类准确率不再发生变化,遗传算法优化结束。
8.根据权利要求1所述的基于脑网络优化的重症脑炎患者癫痫发作自动检测装置,其特征在于,采集模块采集多个重症脑炎患者的脑电信号时采样频率为256Hz,电极分布采用国际10-20脑电采集标准,共采集20通道脑电数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595847.XA CN115886735A (zh) | 2022-12-12 | 2022-12-12 | 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595847.XA CN115886735A (zh) | 2022-12-12 | 2022-12-12 | 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115886735A true CN115886735A (zh) | 2023-04-04 |
Family
ID=86477859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211595847.XA Pending CN115886735A (zh) | 2022-12-12 | 2022-12-12 | 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115886735A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522210A (zh) * | 2023-07-03 | 2023-08-01 | 中国医学科学院生物医学工程研究所 | 基于脑网络差异性分析的运动想象脑电信号分类方法 |
-
2022
- 2022-12-12 CN CN202211595847.XA patent/CN115886735A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522210A (zh) * | 2023-07-03 | 2023-08-01 | 中国医学科学院生物医学工程研究所 | 基于脑网络差异性分析的运动想象脑电信号分类方法 |
CN116522210B (zh) * | 2023-07-03 | 2023-09-01 | 中国医学科学院生物医学工程研究所 | 基于脑网络差异性分析的运动想象脑电信号分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886792B (zh) | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 | |
CN111956221B (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
Supakar et al. | A deep learning based model using RNN-LSTM for the Detection of Schizophrenia from EEG data | |
Costa et al. | Epileptic seizure classification using neural networks with 14 features | |
CN112641451B (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及*** | |
CN115919330A (zh) | 基于多层次se注意力和图卷积的eeg情绪状态分类方法 | |
CN110584596B (zh) | 基于双输入卷积神经网络的睡眠阶段分类方法及应用 | |
US20230108916A1 (en) | Method and system for forecasting non-stationary time-series | |
CN113712571A (zh) | 一种基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法 | |
CN115886735A (zh) | 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 | |
CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
CN116226710A (zh) | 一种脑电信号分类方法和帕金森病检测装置 | |
CN114305452B (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
Gnana Rajesh | Analysis of MFCC features for EEG signal classification | |
KR102298709B1 (ko) | 연결성 학습 장치 및 연결성 학습 방법 | |
CN108021873B (zh) | 一种聚类非对称互信息的脑电信号癫痫分类方法及*** | |
CN110443276A (zh) | 基于深度卷积网络与灰度递归图分析的时间序列分类方法 | |
Hao et al. | A novel sleep staging algorithm based on hybrid neural network | |
CN115270847A (zh) | 基于小波包分解和卷积神经网络的设计决策脑电识别方法 | |
Abenna et al. | Alcohol use disorders automatic detection based BCI systems: a novel EEG classification based on machine learning and optimization algorithms | |
Ulhaq et al. | Epilepsy seizures classification with EEG signals: A machine learning approach | |
Iscan | Mlsp competition, 2010: description of second place method | |
Jantan et al. | A multi-model analysis for driving fatigue detection using EEG signals | |
Murtazina et al. | Classification of Brain Activity Patterns from EEG Data Using WEKA | |
CN114287908A (zh) | 一种多通带图卷积融合的脑连接分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |