CN117493955A - 一种癫痫患者的脑电信号分类模型的训练方法 - Google Patents
一种癫痫患者的脑电信号分类模型的训练方法 Download PDFInfo
- Publication number
- CN117493955A CN117493955A CN202311443623.1A CN202311443623A CN117493955A CN 117493955 A CN117493955 A CN 117493955A CN 202311443623 A CN202311443623 A CN 202311443623A CN 117493955 A CN117493955 A CN 117493955A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- layer
- hidden layer
- patient
- representing
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000001037 epileptic effect Effects 0.000 title claims abstract description 51
- 238000013145 classification model Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 210000004556 brain Anatomy 0.000 claims abstract description 30
- 239000012634 fragment Substances 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 53
- 206010010904 Convulsion Diseases 0.000 claims description 49
- 210000002569 neuron Anatomy 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 20
- 206010015037 epilepsy Diseases 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 14
- 239000012528 membrane Substances 0.000 claims description 13
- 230000008485 antagonism Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 8
- 208000028329 epileptic seizure Diseases 0.000 description 15
- 230000006872 improvement Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000035945 sensitivity Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008284 neuronal mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种癫痫患者的脑电信号分类模型的训练方法，属于癫痫检测技术领域，解决了现有技术中跨病人脑电信号分类方法效率和准确率低的问题。方法包括：获取癫痫患者的脑电信号片段，根据脑电信号片段构建训练样本集；构建脑电信号分类模型，所述脑电信号分类模型包括带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器；带反馈连接的脉冲神经网络用于提取脑电信号特征；脑电信号分类器用于根据脑电信号特征进行脑电信号分类；患者身份分类器用于根据脑电信号特征进行患者身份分类；基于训练样本集对脑电信号分类模型进行训练，得到训练好的癫痫患者的脑电信号分类模型。实现了快速对癫痫患者脑电信号进行准确分类的模型。
Description
技术领域
本发明涉及癫痫检测技术领域，尤其涉及一种癫痫患者的脑电信号分类模型的训练方法。
背景技术
癫痫有关的脑活动分为四个阶段，发作间期、发作前期、发作期、发作后期，分别对应于未发作期、接近发作的时间段、发作时期和发作后的间隔。癫痫检测的目的在于区分脑电图信号是否处于发作期。癫痫发作检测旨在区分短时间间隔内的波是否处于发作阶段，通常被理解转化为二分类问题。癫痫自动检测的研究目标在于设计一个分类器，根据患者一段时间内的脑电图信号片段，正确地分类出是否处于发作阶段。
现有的癫痫患者的脑电信号发作期或非发作期自动分类算法通常基于机器学习实现。机器学习算法需要训练和测试分布一致，但在跨病人设置中，训练集病人和测试集病人不重叠，病人之间的数据差异很大。现有主要采用和递减序列法(MIDS)、生成对抗网络(WGAN)方法，这些方法主要集中在时间维度上，并没有考虑空间信息，因此性能，特别是灵敏度，有很大的改进空间。也有使用特征解耦的方法将病人个性特征和癫痫共性特征分开，例如先手工提取了时域特征和时域-频域特征，然后结合原始脑电图信号通过自动编码Autoencoder实现特征的分解，两部分特征分别由两个生成对抗神经网络生成。虽然特征解耦的方法由于其可解释性受到了医学领域的关注，但是它的模型个数是其它方法的两倍，训练参数及时长相对较长，且较难与其它现有癫痫检测模型结合。也有采用元学习方法，但元学习的局限性在于元任务的训练过程不能保证一定学到有效的表征，且模型数量是其它方法的两倍，具有更高的训练难度。
此外，现有的癫痫患者的脑电信号发作期或非发作期自动分类常用的网络架构包括卷积神经网络、循环神经网络，Transformer等，然而使用这些网络模型进行分类时是将脑电图信号视为类似图像的输入，这就忽略了脑电信号的生物特征，丢失生物信息，因而造成癫痫患者的脑电信号分类不准确。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种癫痫患者的脑电信号分类模型的训练方法，用以解决现有癫痫患者的跨病人脑电信号分类方法效率和准确率低的问题。
一方面，本发明实施例提供了一种癫痫患者的脑电信号分类模型的训练方法，包括以下步骤：
获取癫痫患者发作期和非发作期的脑电信号片段，根据所述脑电信号片段构建训练样本集；
构建脑电信号分类模型，所述脑电信号分类模型包括带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器；所述带反馈连接的脉冲神经网络用于提取脑电信号特征；所述脑电信号分类器用于根据带反馈连接的脉冲神经网络提取的脑电信号特征进行脑电信号分类；所述患者身份分类器用于根据带反馈连接的脉冲神经网络提取的脑电信号特征进行患者身份分类；
基于所述训练样本集对脑电信号分类模型进行训练，得到训练好的癫痫患者的脑电信号分类模型。
基于上述方法的进一步改进，所述带反馈连接的脉冲神经网络包括输入层、多层隐藏层和输出层；
所述输入层用于在每个时间步输入样本数据；
每层隐藏层的神经元为LIF神经元；上一层隐藏层输出的膜电压和脉冲信号作为下一层隐藏层的输入数据；最后一层隐藏层和第一层隐藏层间设置有反馈连接，用于将上一个时间步最后一层隐藏层输出的脉冲信号传输至下一个时间步的第一层隐藏层；
所述输出层用于根据多层隐藏层输出的脉冲信号输出脑电信号特征。
基于上述方法的进一步改进，采用以下公式计算第一层隐藏层的膜电压：
若中的第i个元素大于Vth，则sh[t]的第i个元素为1，否则sh[t]的第i个元素为0；
其中，表示第h层隐藏层在第t个时间步的临时膜电位向量，uh[t]表示第h层隐藏层在第t个时间步的膜电位向量，uh[t-1]表示第h层隐藏层在第t-1个时间步的膜电位向量，sH[t-1]表示第H层隐藏层在第t-1个时间步的输出的脉冲信号向量，x[t-1]表示第t-1个时间步输入的样本数据，sh[t]表示第h层隐藏层在第t个时间步输出的脉冲信号向量，λ表示神经元的泄露参数，W1表示最后一层隐藏层和第一层隐藏层间的反馈连接的权重矩阵，Fh表示第h-1层隐藏层到第h层隐藏层的权重矩阵，当h＝1时，Fh表示输入层到第一层隐藏层的权重矩阵，Vth表示放电阈值，bh表示第h层隐藏层的偏置向量，H表示隐藏层的总层数。
基于上述方法的进一步改进，采用以下公式计算除第一层隐藏层外的其他隐藏层的膜电压：
若中的第i个元素大于Vth，则sh[t]的第i个元素为1，否则sh[t]的第i个元素为0；
其中，表示第h层隐藏层在第t个时间步的临时膜电位向量，uh[t]表示第h层隐藏层在第t个时间步的膜电位向量，uh[t-1]表示第h层隐藏层在第t-1个时间步的膜电位向量，sH[t-1]表示第H层隐藏层在第t-1个时间步的输出的脉冲信号向量，sh[t]表示第h层隐藏层在第t个时间步输出的脉冲信号向量，λ表示神经元的泄露参数，Fh表示第h-1层隐藏层到第h层隐藏层的权重矩阵，当h＝1时，Fh表示输入层到第一层隐藏层的权重矩阵，Vth表示放电阈值，bh表示第h层隐藏层的偏置向量，H表示隐藏层的总层数。
基于上述方法的进一步改进，所述输出层用于根据多层隐藏层输出的脉冲信号输出脑电信号特征，包括：
所述输出层根据公式计算多层隐藏层的加权平均放电率，将加权平均放电率作为脑电信号特征。
其中，T表示总的时间步数，sH[t]表示第H层隐藏层在第t个时间步输出的脉冲信号向量，λ表示神经元的泄露参数。
基于上述方法的进一步改进，采用对抗优化策略基于所述训练样本集对脑电信号分类模型进行训练。
基于上述方法的进一步改进，采用对抗优化策略基于所述训练样本集对脑电信号分类模型进行训练，包括：
对于每批次训练样本，先以最小化患者身份分类损失为目标优化患者身份分类器的参数；
基于优化的患者身份分类器，以最小化对抗损失为目标优化带反馈连接的脉冲神经网络和脑电信号分类器的参数。
基于上述方法的进一步改进，所述采用以下公式计算对抗损失：
Ladv＝Lseiz-λLid
其中，Ladv表示对抗损失，Lseiz表示脑电信号分类损失，Lid表示患者身份分类损失，λ表示权重参数。
基于上述方法的进一步改进，采用以下公式计算脑电信号分类损失：
其中，yi表示第i个样本的癫痫发作标签，表示发作分类器预测的第i个样本是发作期的概率。
基于上述方法的进一步改进，采用以下公式计算患者身份分类损失：
其中，idi表示第i个样本的患者身份标签，表示患者身份分类器预测的第i个样本的患者身份类型，/>表示患者身份分类器预测的第i个样本的身份类型为第j个患者的概率，idi,j表示第i个样本的身份类型是否为第j个患者，若是则为1，否则为0，N表示训练样本集中患者的数量。
与现有技术相比，本实施例提供的癫痫患者的脑电信号分类模型的训练方法首先手机患者在癫痫发作期和非发作期的脑电信号片段，构建用于训练模型的样本集，通过构建包含带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器的脑电信号模型，从而能充分利用脑电信号的时间和生物特征，从而使得基于训练样本训练的脑电信号分类模型能更加准确的进行癫痫患者的脑电信号分类，通过患者身份分类器进行患者身份识别，从而消除患者个体特征，使得得到的模型能更好的应用在跨病人脑电信号分类上，提高了跨病人脑电信号分类的准确性和效率。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为本发明实施例癫痫患者的脑电信号分类模型的训练方法的流程图；
图2为本发明实施例的带反馈连接的脉冲神经网络的结构示意图。
附图标记：
1-输入层；2-第一层隐藏层；3-最后一层隐藏层；4-输出层。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种癫痫患者的脑电信号分类模型的训练方法，如图1所示，包括以下步骤：
S1、获取癫痫患者发作期和非发作期的脑电信号片段，根据所述脑电信号片段构建训练样本集；
S2、构建脑电信号分类模型，所述脑电信号分类模型包括带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器；所述带反馈连接的脉冲神经网络用于提取脑电信号特征；所述脑电信号分类器用于根据带反馈连接的脉冲神经网络提取的脑电信号特征进行脑电信号分类；所述患者身份分类器用于根据带反馈连接的脉冲神经网络提取的脑电信号特征进行患者身份分类；
S3、基于所述训练样本集对脑电信号分类模型进行训练，得到训练好的癫痫患者的脑电信号分类模型。
脉冲神经网络(Spiking Neural Network,SNN)是一种类脑计算启发的神经网络计算形式。SNN模拟大脑使用脉冲进行事件驱动的计算方式，能够实现高效节能的计算。脉冲神经网络由脉冲神经元组成，和ANN的不同之处主要在：脉冲神经元使用一个微分方程维护一个膜电位并整合输入信号，当膜电位大于阈值时就发放一个二值的脉冲信号，不同于ANN中的神经元使用简单的线性加权及一个激活函数；脉冲神经元之间使用时序上的二值脉冲序列进行信息传播，神经元的输入和输出都是一个个脉冲序列。脉冲神经网络，使用最拟合生物神经元机制的模型来进行计算，更接近生物神经元机制。因此，使用脉冲神经网络能更充分的利用脑电信号的生物特征。
癫痫患者的脑电信号分类任务的目标在于设计一个分类器，根据患者T秒的脑电图信号片段，正确地分类出是否处于发作阶段。与现有技术相比，本实施例提供的癫痫患者的脑电信号分类模型的训练方法首先收集患者在癫痫发作期和非发作期的脑电信号片段，构建用于训练模型的样本集，通过构建包含带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器的脑电信号模型，从而能充分利用脑电信号的时间和生物特征，从而使得基于训练样本训练的脑电信号分类模型能更加准确的进行癫痫患者的脑电信号分类，通过根据患者身份分类器进行患者身份识别，从而消除患者个体特征，使得得到的模型能更好的应用在跨病人脑电信分类上，提高了跨病人脑电信号分类的准确性和效率。
实施时，获取癫痫患者发作期和非发作期的脑电信号后，首先对获取的脑电信号可先进行降采样，例如将数据的频率从256Hz降采样到64Hz或从500Hz降采样至50Hz，这可以降低数据噪声和存储成本。然后可采用滑动窗口采集脑电信号片段，将每段脑电信号标记为(yi,xi),i＝1,2,...,n,其中n为可用的脑电信号片段数量，yi∈{0,1}为类别标签，yi＝0表示第i个片段脑电信号为非发作期的脑电信号，yi＝1表示第i个脑电信号片段为发作期的脑电信号，xi表示第i个脑电信号片段，是C×L维的脑电信号数据，其中C表示脑电信号的电极通道数，L为每个通道的信号长度。
由于脑电图数据的收集和标注比较困难，癫痫脑电图等医学数据中存在着样本数量少、类别不平衡、标记昂贵或困难等问题。因此需要数据增强以解决数据不平衡的问题。数据增强技术是指对现有小样本量的数据经过变换，扩展原数据集以生成新的训练数据的方法。与病人不发作时的脑电EEG信号相比，癫痫发作阶段的正样本数据量过少，这种不平衡问题导致检测性能下降和较差的泛化能力。图像数据中的数据增强技术已经比较完善，然而针对时间序列的数据增强方法还较为有限。
本发明针对EEG信号的时间性质和空间性质，挖掘信号的统计特征，设计合适的数据增强方式。具体的，对其中的癫痫发作期脑电信号片段进行数据增强，包括：
S11、将每段癫痫发作期脑电信号转换为一维向量；
S12、基于每段癫痫发作期脑电信号的一维向量计算脑电信号均值向量和协方差矩阵；
S13、基于所述均值向量和协方差矩阵生成新的癫痫发作期脑电信号片段。
实施时，首先将每段癫痫发作期脑电信号xi转换为一维向量，即将xi∈RL×C展平为一维向量xi∈RLC。
通过公式计算脑电信号的均值向量μ；
通过公式计算协方差矩阵中第p行第q列的元素covpq，得到协方差矩阵∑＝(covpq)m×m，其中，xip表示第i个脑电信号片段的一维向量xi的第p个信号元素，xiq表示第i个脑电信号片段的一维向量xi的第q个元素,μp表示均值向量中第p个元素，μq表示均值向量中第q个元素，n1表示癫痫发作期脑电信号的数量，C表示脑电信号的电极通道数，L表示每个通道的信号长度。1≤p≤LC，1≤q≤LC，LC即L和C的乘积，m＝LC。
癫痫发作信号的分布规律与多元高斯分布存在一定的相关性，因此，得到均值向量和协方差虎阵后，通过多元高斯分布生成额外的癫痫发作数据，生成的数据分布满足N(μ,∑)。协方差矩阵包含了任意两个时刻中任意两个通道之间的相关性信息，因此可以实现在同时考虑现有训练数据之间的时间和空间相关性的情况下生成合理的训练样本。将生成的每个样本修改为RL×C的形式。
本发明的数据增强方法(记为STEA)不仅可以缓解类不平衡问题，还可以扩大样本多样性，以覆盖更多的数据潜在分布，从而提高对不同数据分布的泛化能力。因此，它可以大大提高跨病人设置下的性能。并且由于利用时空信息，可以大幅度提高模型的鲁棒性及对癫痫发作信号的理解。
生成的这些样本没有患者身份信息，因此，后续不参与患者分类损失的计算。
增强生成的样本和原始采集的样本一起构成样本集。现有的机器学习分类模型需要训练和测试分布一致，但在实际使用分类模型时的患者分布与训练时的患者分布可能不同，患者之间的数据差异很大，因此构建的脑电信号分类模型应该能够实现跨病人的分类，即当测试集和训练接数据分布不同是仍能准确进行分类。因此，首先将原始采集的样本分为训练样本集和测试样本集，其中训练样本集和测试样本集中的样本来自于不同的个体，即个体不重叠，只对训练样本集进行数据增强。
跨病人分类的一个重要难点在于训练集和测试集之间的分布不同。然而，现有的机器学习算法需要相同的训练和测试分布。为了解决这个问题，本发明使用患者对抗性优化策略(PANN)来学习患者的不变表示。
具体的，构建的脑电信号分类模型包括带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器；所述带反馈连接的脉冲神经网络用于提取脑电信号特征；所述脑电信号分类器用于根据带反馈连接的脉冲神经网络提取的脑电信号特征进行脑电信号分类；所述患者身份分类器用于根据带反馈连接的脉冲神经网络提取的脑电信号特征进行患者身份分类。
脉冲神经网络提取的脑电信号特征被传输到两个分类器中，一个用于根据提取的脑电信号特征进行脑电信号分类，另一个分类器则进行患者身份分类。
实施时，患者身份分类器和脑电信号分类器可采用多层感知机。采用带反馈连接的脉冲神经网络来提取脑电信号特征，从而充分利用脑电信号的时间和生物特性。
具体的，带反馈连接的脉冲神经网络包括输入层、多层隐藏层和输出层；
所述输入层用于在每个时间步输入样本数据；
每层隐藏层的神经元为LIF神经元；上一层隐藏层输出的膜电压和脉冲信号作为下一层隐藏层的输入数据；最后一层隐藏层和第一层隐藏层间设置有反馈连接，用于将上一个时间步最后一层隐藏层输出的脉冲信号传输至下一个时间步的第一层隐藏层；
所述输出层用于根据多层隐藏层输出的脉冲信号输出脑电信号特征。带反馈连接的脉冲神经网络结构如图2所示。
实施时，带反馈连接的脉冲神经网络的输入层是实值的脑电信号，对于同一个样本，每个时间步输入的都是相同的，即一个脑电信号片段。实施时带反馈连接的脉冲神经网络的时间步可设为2，带反馈连接的脉冲神经网络的每个神经元采用LIF神经元模型。
具体的，采用以下公式计算第一层隐藏层的膜电压：
若中的第i个元素大于Vth，则sh[t]的第i个元素为1，否则sh[t]的第i个元素为0；
其中，表示第h层隐藏层在第t个时间步的临时膜电位向量，uh[t]表示第h层隐藏层在第t个时间步的膜电位向量，uh[t-1]表示第h层隐藏层在第t-1个时间步的膜电位向量，sH[t-1]表示第H层隐藏层在第t-1个时间步的输出的脉冲信号向量，x[t-1]表示第t-1个时间步输入的样本数据，sh[t]表示第h层隐藏层在第t个时间步输出的脉冲信号向量，λ表示神经元的泄露参数，W1表示最后一层隐藏层和第一层隐藏层间的反馈连接的权重矩阵，Fh表示第h-1层隐藏层到第h层隐藏层的权重矩阵，当h＝1时，Fh表示输入层到第一层隐藏层的权重矩阵，Vth表示放电阈值，bh表示第h层隐藏层的偏置向量，H表示隐藏层的总层数。
对于第一层隐藏层中的神经元，其当前时间步的输入不仅包括输入层传输的脑电信号数据、上一时间步该神经元的膜电位、还包括上一个时间步最后一层隐藏层的输出脉冲信号，根据这些信号计算当前时间步下神经元的临时膜电位，如果临时膜电位高于放电阈值，则神经元输出的脉冲信，否则不放电，即神经元输出的脉冲信号为0。输出的脉冲信号传输到下一层神经元中。
考虑到脑电信号的时间序列特性，带反馈连接的脉冲神经网络在最后一层和第一层之间增加反馈连接，这使得网络的响应在时间上延迟得比输入序列要长，这样构建的反馈网络在任意时刻的响应不仅依赖于当前的输入，也依赖于以前的输入，所以是有记忆效应的，从而使得模型提取的特征更加符合脑电信号的时间和生物特性，进而提高分类的准确性。
采用以下公式计算除第一层隐藏层外的其他隐藏层的膜电压：
若中的第i个元素大于Vth，则sh[t]的第i个元素为1，否则sh[t]的第i个元素为0；
其中，表示第h层隐藏层在第t个时间步的临时膜电位向量，uh[t]表示第h层隐藏层在第t个时间步的膜电位向量，uh[t-1]表示第h层隐藏层在第t-1个时间步的膜电位向量，sH[t-1]表示第H层隐藏层在第t-1个时间步的输出的脉冲信号向量，sh[t]表示第h层隐藏层在第t个时间步输出的脉冲信号向量，λ表示神经元的泄露参数，Fh表示第h-1层隐藏层到第h层隐藏层的权重矩阵，Vth表示放电阈值，bh表示第h层隐藏层的偏置向量，H表示隐藏层的总层数。
对于其他隐藏层的神经元，其当前时间步的输入包上一时刻该神经元的膜电位和前一层中神经元的输出脉冲信号，根据这些信号计算当前时间步下神经元的临时膜电位，如果临时膜电位高于放电阈值，则神经元输出的脉冲信号1，否则不放电，即神经元输出的脉冲信号为0。输出的脉冲信号传输到下一层隐藏层的神经元中。
需要说明的是，sH[0]为全0的向量，uh[0]为全0的向量，即初始时刻，每个神经元的膜电位为0，最后一层的神经元的输出脉冲信号为0。
带反馈连接的脉冲神经网络的输出层不会发放脉冲或重置，而是基于最后一层隐藏层所有时间步累积输出的脉冲信号进行编码，得到脑电信号特征。
具体的，输出层根据公式计算多层隐藏层的加权平均放电率，将加权平均放电率作为脑电信号特征。
其中，T表示总的时间步数，sH[t]表示第H层隐藏层在第t个时间步的输出的脉冲信号向量，λ表示神经元的泄露参数。
反馈连接的脉冲神经网络输出的脑电信号特征发送至患者身份分类器和脑电信号分类器进行患者身份分类和脑电信号分类。
具体的，采用对抗优化策略基于所述训练样本集对脑电信号分类模型进行训练，包括：
S21、对于每批次训练样本样本，先以最小化患者身份分类损失为目标优化患者身份分类器的参数；
S22、基于优化的患者身份分类器，以最小化对抗损失为目标优化带反馈连接的脉冲神经网络和脑电信号分类器的参数。
对于每批批次训练数据，本发明采用两个阶段进行模型训练。第一阶段，以最小化患者身份分类器的患者身份分类损失为目标，优化患者身份分类器的参数θI，以便患者身份分类器能够准确的区分脑电信号所属的患者。此时脑电信号分类器和带反馈连接的脉冲神经网络的参数不变，仅优化患者身份分类器的参数。
具体的，通过以下公式计算患者身份分类损失：
其中，idi表示第i个样本的患者身份标签，表示患者身份分类器预测的第i个样本的患者身份类型，/>表示患者身份分类器预测的第i个样本的身份类型为第j个患者的概率，idi,j表示第i个样本的身份类型是否为第j个患者，若是则为1，否则为0，N表示训练样本集中患者的数量。
计算个体分类损失后，梯度反向传播更新患者身份分类器的参数，具体公式为：
第二阶段基于更新后的患者身份分类器，以最小化对抗损失为目标优化带反馈连接的脉冲神经网络的参数θf和脑电信号分类器的参数θy，此时，患者身份分类器的参数保持不变，确保此时患者身份分类的混淆是带反馈连接的脉冲神经网络提取的特征而不是患者身份分类器的贡献。
在脑电信号分类器的基础上，本发明增加了一个患者身份分类器来区分患者身份，通过交替对抗训练脑电信号分类器和患者身份分类器使得模型能够在区分癫痫发作期与否的同时，无法区分患者的身份，从而使得带反馈连接的脉冲神经网络能够自动提取到与癫痫相关的个体不变性特征，进而实现跨病人泛化能力。
通过交替对患者身份分类器以及带反馈连接的脉冲神经网络和脑电信号分类的训练，模型可以提取不同患者之间的共同特征，即不能基于特征来区分患者身份。这种患者不变表示还可以更好地推广到未见过的不同患者，从而提高模型的跨病人表现。
具体的，所述采用以下公式计算对抗性损失：
Ladv＝Lseiz-λLid
其中，Ladv表示对抗性损失，Lseiz表示脑电信号分类损失，Lid表示患者身份分类损失，λ表示权重参数，λ为正数。对于通过数据增强生成的样本数据，其发作分类损失Lid为0。
其中，采用以下公式计算脑电信号分类损失：
其中，yi表示第i个样本的癫痫发作标签，表示脑电信号分类器预测的第i个样本是发作期的概率。
通过最小化对抗损失，采用梯度反向传播更新带反馈连接的脉冲神经网络的参数θf和脑电信号分类器的参数θy。
其中，nb表示当前训练批次中样本的数量，nc表示当前训练批次中真实样本的数量，即非增强生成的样本的数量。
本发明的跨病人癫痫脑电信号分类模型包括两个任务：是否是癫痫发作期的分类任务，另一个是消除患者个体特征的偏差。因此，对抗优化的目标有两个作用相反的损失函数组成，患者身份分类损失和脑电信号分类损失，两个损失的优化方向各不相同，训练目标为最小化脑电分类损失、最大化患者分类损失。
带反馈连接的脉冲神经网络的反向参数更新可采用IDE(Implicit Differentiationon the Equilibrium state)计算更新梯度，解决二值脉冲序列的传播形式导致基于脉冲信号的计算过程不可微的问题。
通过对抗优化策略进行网络训练，当对抗损失精度达到预设的阈值，或者达到预设的迭代次数，则停止训练得到训练好的癫痫患者的脑电信号分类模型。
训练好的模型可以在测试集上进行模型效果测试。
对于待分类的脑电信号，将其输入训练好的癫痫患者的脑电信号分类模型即可得到是否处于发作期的分类结果。
为了验证本发明所提出的癫痫患者的脑电信号分类模型(记为EESNN)的有效性，在两个临床数据集CHB-MIT和PKU1st上进行效果验证。CHB-MIT数据集采集于波士顿儿童医院，包括23名患者的EEG信号，采样频率256Hz，23个电极通道信息。PKU1st数据集是北京大学第一医院儿科收集的最新脑电图数据。脑电图采样频率为500Hz，使用19个通道采集脑电图。PKU1st数据集由19名患者的脑电图记录组成。表1总结了这些数据集的统计信息。
表1数据集概要
采用四个常见的指标来评估本发明的预测性能，分别是灵敏度(Sensitivity)、受试者工作特征曲线(ROC)下面积(AUC)、几何平均指标(GMean)和修正准确率(RAccuracy)。给定真阳性数(True Positive，TP)、假阳性数(False Positive，FP)、真阴性数(TrueNegative，TN)、假阴性数(False Negative，FN)、阴性阳性比例指标定义如下：
所有实验都是在PyTorch上实现的，Adam作为优化器。使用NVIDIA GeForce RTX3090作为计算资源。
表2显示了本发明的脑电信号分类模型EESNN和现有的人工神经网络模型在CHB-MIT数据集上和在PKU1st数据集上性能，表3显示了本发明的脑电信号分类模型和现有的脉冲神经网络模型在CHB-MIT数据集上和在PKU1st数据集上性能，将最佳模型加粗。表4为微调设置下不同模型的性能，其中，AAN模型为使用CW-SRNet人工神经网络和PANN策略、STEA增强的跨病人癫痫检测算法。
在跨病人设置下，EESNN模型与其他方法相比，在四个衡量指标(灵敏度、AUC、GMean和RAccurcy)都取得了更好的性能，这归因于本文提出的脉冲神经网络结构EESNN，以及有效的PANN对抗策略和STEA数据增强方法。特别地，与人工神经网络以及现有脉冲神经网络相比，本发明的EESNN性能基本都优于现有模型。EESNN模型在5秒时间窗格下，在CHB-MIT数据集以及PKU1st数据集上都能取得80％以上的灵敏度及AUC效果，达到临床使用标准。另外，表4展示了在微调设置下，EESNN模型的效果优于人工神经网络模型。
表2不同模型的性能比较
表3不同模型的性能比较
表4微调设置(finetune)下，不同模型在癫痫数据集上的性能
本发明通过数据增强平衡样本，通过采用脉冲神经网络更准确的提取脑电信号特征，通过对抗优化策略进一步提高网络的准确性，在临床实践中具有良好的应用前景，可以辅助医生检测病人何时癫痫发作，以及帮助判断癫痫发作的起始、结束时间等。可以减轻神经科医生的工作量，有助于在医生经验不足的情况下提高诊断水平，在辅助诊断方面具有较大的意义。对于病人来说可以给予更准时有效的治疗，帮助病人及家庭缓解疾病带来的不便。本发明的电信号分类模型可以处理现实就医中病人之间数据差异较大的情况，具有较重要的实际意义。本发明的方法能够更好地泛化到未见过的病人中，做到在不同病人中方法通用，并且实验细节简洁便于操作，易于临床的推广和使用。
另外，本文的算法模型基于脉冲神经网络，可以部署在类脑芯片中，具有更加节能等优点，有助于开展相关佩戴式硬件的开发，进一步服务癫痫患者。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种癫痫患者的脑电信号分类模型的训练方法，其特征在于，包括以下步骤：
获取癫痫患者发作期和非发作期的脑电信号片段，根据所述脑电信号片段构建训练样本集；
构建脑电信号分类模型，所述脑电信号分类模型包括带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器；所述带反馈连接的脉冲神经网络用于提取脑电信号特征；所述脑电信号分类器用于根据带反馈连接的脉冲神经网络提取的脑电信号特征进行脑电信号分类；所述患者身份分类器用于根据带反馈连接的脉冲神经网络提取的脑电信号特征进行患者身份分类；
基于所述训练样本集对脑电信号分类模型进行训练，得到训练好的癫痫患者的脑电信号分类模型。
2.根据权利要求1所述的癫痫患者的脑电信号分类模型的训练方法，其特征在于，所述带反馈连接的脉冲神经网络包括输入层、多层隐藏层和输出层；
所述输入层用于在每个时间步输入样本数据；
每层隐藏层的神经元为LIF神经元；上一层隐藏层输出的膜电压和脉冲信号作为下一层隐藏层的输入数据；最后一层隐藏层和第一层隐藏层间设置有反馈连接，用于将上一个时间步最后一层隐藏层输出的脉冲信号传输至下一个时间步的第一层隐藏层；
所述输出层用于根据多层隐藏层输出的脉冲信号输出脑电信号特征。
3.根据权利要求2所述的癫痫患者的脑电信号分类模型的训练方法，其特征在于，采用以下公式计算第一层隐藏层的膜电压：
若中的第i个元素大于Vth，则sh[t]的第i个元素为1，否则sh[t]的第i个元素为0；
其中，表示第h层隐藏层在第t个时间步的临时膜电位向量，uh[t]表示第h层隐藏层在第t个时间步的膜电位向量，uh[t-1]表示第h层隐藏层在第t-1个时间步的膜电位向量，sH[t-1]表示第H层隐藏层在第t-1个时间步的输出的脉冲信号向量，x[t-1]表示第t-1个时间步输入的样本数据，sh[t]表示第h层隐藏层在第t个时间步输出的脉冲信号向量，λ表示神经元的泄露参数，W1表示最后一层隐藏层和第一层隐藏层间的反馈连接的权重矩阵，Fh表示第h-1层隐藏层到第h层隐藏层的权重矩阵，当h＝1时，Fh表示输入层到第一层隐藏层的权重矩阵，Vth表示放电阈值，bh表示第h层隐藏层的偏置向量，H表示隐藏层的总层数。
4.根据权利要求2所述的癫痫患者的脑电信号分类模型的训练方法，其特征在于，采用以下公式计算除第一层隐藏层外的其他隐藏层的膜电压：
若中的第i个元素大于Vth，则sh[t]的第i个元素为1，否则sh[t]的第i个元素为0；
其中，表示第h层隐藏层在第t个时间步的临时膜电位向量，uh[t]表示第h层隐藏层在第t个时间步的膜电位向量，uh[t-1]表示第h层隐藏层在第t-1个时间步的膜电位向量，sH[t-1]表示第H层隐藏层在第t-1个时间步的输出的脉冲信号向量，sh[t]表示第h层隐藏层在第t个时间步输出的脉冲信号向量，λ表示神经元的泄露参数，Fh表示第h-1层隐藏层到第h层隐藏层的权重矩阵，当h＝1时，Fh表示输入层到第一层隐藏层的权重矩阵，Vth表示放电阈值，bh表示第h层隐藏层的偏置向量，H表示隐藏层的总层数。
5.根据权利要求2所述的癫痫患者的脑电信号分类模型的训练方法，其特征在于，所述输出层用于根据多层隐藏层输出的脉冲信号输出脑电信号特征，包括：
所述输出层根据公式计算多层隐藏层的加权平均放电率，将加权平均放电率作为脑电信号特征。
其中，T表示总的时间步数，sH[t]表示第H层隐藏层在第t个时间步输出的脉冲信号向量，λ表示神经元的泄露参数。
6.根据权利要求1所述的基于数据增强和对抗优化的跨病人癫痫脑电信号分类方法，其特征在于，采用对抗优化策略基于所述训练样本集对脑电信号分类模型进行训练。
7.根据权利要求6所述的癫痫患者的脑电信号分类模型的训练方法，其特征在于，采用对抗优化策略基于所述训练样本集对脑电信号分类模型进行训练，包括：
对于每批次训练样本，先以最小化患者身份分类损失为目标优化患者身份分类器的参数；
基于优化的患者身份分类器，以最小化对抗损失为目标优化带反馈连接的脉冲神经网络和脑电信号分类器的参数。
8.根据权利要求7所述的基于数据增强和对抗优化的跨病人癫痫脑电信号分类方法，其特征在于，所述采用以下公式计算对抗损失：
Ladv＝Lseiz-λLid
其中，Ladv表示对抗损失，Lseiz表示脑电信号分类损失，Lid表示患者身份分类损失，λ表示权重参数。
9.根据权利要求9所述的基于数据增强和对抗优化的跨病人癫痫脑电信号分类方法，其特征在于，采用以下公式计算脑电信号分类损失：
其中，yi表示第i个样本的癫痫发作标签，表示发作分类器预测的第i个样本是发作期的概率。
10.根据权利要求8所述的基于数据增强和对抗优化的跨病人癫痫脑电信号分类方法，其特征在于，采用以下公式计算患者身份分类损失：
其中，idi表示第i个样本的患者身份标签，表示患者身份分类器预测的第i个样本的患者身份类型，/>表示患者身份分类器预测的第i个样本的身份类型为第j个患者的概率，idi,j表示第i个样本的身份类型是否为第j个患者，若是则为1，否则为0，N表示训练样本集中患者的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443623.1A CN117493955B (zh) | 2023-11-01 | 2023-11-01 | 一种癫痫患者的脑电信号分类模型的训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443623.1A CN117493955B (zh) | 2023-11-01 | 2023-11-01 | 一种癫痫患者的脑电信号分类模型的训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117493955A true CN117493955A (zh) | 2024-02-02 |
| CN117493955B CN117493955B (zh) | 2024-06-07 |
Family
ID=89673769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311443623.1A Active CN117493955B (zh) | 2023-11-01 | 2023-11-01 | 一种癫痫患者的脑电信号分类模型的训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117493955B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708570A (zh) * | 2024-02-05 | 2024-03-15 | 中国科学院自动化研究所 | 癫痫预测方法、装置、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200257973A1 (en) * | 2019-02-12 | 2020-08-13 | Seoul National University R&Db Foundation | Inference method and device using spiking neural network |
| CN112633497A (zh) * | 2020-12-21 | 2021-04-09 | 中山大学 | 一种基于重加权膜电压的卷积脉冲神经网络的训练方法 |
| CN113449864A (zh) * | 2021-07-21 | 2021-09-28 | 北京大学 | 用于图像数据分类的反馈型脉冲神经网络模型训练方法 |
| CN113822416A (zh) * | 2021-09-10 | 2021-12-21 | 中国科学院自动化研究所 | 脉冲神经网络奖励优化方法、装置、电子设备和存储介质 |
| CN114366124A (zh) * | 2022-01-25 | 2022-04-19 | 北京航空航天大学 | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 |
| CN114841191A (zh) * | 2022-03-18 | 2022-08-02 | 西安电子科技大学 | 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 |
| CN114998659A (zh) * | 2022-06-17 | 2022-09-02 | 北京大学 | 随时间在线训练脉冲神经网络模型的图像数据分类方法 |
| CN115414054A (zh) * | 2022-09-27 | 2022-12-02 | 西北师范大学 | 基于前馈脉冲神经网络的癫痫脑电检测*** |
| CN115600669A (zh) * | 2022-10-17 | 2023-01-13 | 之江实验室（Cn） | 基于局部分类器的高效深层脉冲神经网络学习方法 |
| CN116350239A (zh) * | 2023-03-14 | 2023-06-30 | 武汉大学 | 一种脑电信号专注度分类方法及*** |
-
2023
- 2023-11-01 CN CN202311443623.1A patent/CN117493955B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200257973A1 (en) * | 2019-02-12 | 2020-08-13 | Seoul National University R&Db Foundation | Inference method and device using spiking neural network |
| CN112633497A (zh) * | 2020-12-21 | 2021-04-09 | 中山大学 | 一种基于重加权膜电压的卷积脉冲神经网络的训练方法 |
| CN113449864A (zh) * | 2021-07-21 | 2021-09-28 | 北京大学 | 用于图像数据分类的反馈型脉冲神经网络模型训练方法 |
| CN113822416A (zh) * | 2021-09-10 | 2021-12-21 | 中国科学院自动化研究所 | 脉冲神经网络奖励优化方法、装置、电子设备和存储介质 |
| CN114366124A (zh) * | 2022-01-25 | 2022-04-19 | 北京航空航天大学 | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 |
| CN114841191A (zh) * | 2022-03-18 | 2022-08-02 | 西安电子科技大学 | 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 |
| CN114998659A (zh) * | 2022-06-17 | 2022-09-02 | 北京大学 | 随时间在线训练脉冲神经网络模型的图像数据分类方法 |
| CN115414054A (zh) * | 2022-09-27 | 2022-12-02 | 西北师范大学 | 基于前馈脉冲神经网络的癫痫脑电检测*** |
| CN115600669A (zh) * | 2022-10-17 | 2023-01-13 | 之江实验室（Cn） | 基于局部分类器的高效深层脉冲神经网络学习方法 |
| CN116350239A (zh) * | 2023-03-14 | 2023-06-30 | 武汉大学 | 一种脑电信号专注度分类方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 程晨晨: "基于时空频多域机器学习的癫痫脑电信号分析方法研究", 中国博士学位论文全文数据库 医药卫生科技辑, no. 2023, 15 September 2023 (2023-09-15), pages 070 - 1 * |
| 谢志江;谢长贵;陈平;: "自学习模糊脉冲神经网络的旋转机械诊断", 重庆大学学报, no. 02, 15 February 2013 (2013-02-15), pages 22 - 26 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708570A (zh) * | 2024-02-05 | 2024-03-15 | 中国科学院自动化研究所 | 癫痫预测方法、装置、电子设备及存储介质 |
| CN117708570B (zh) * | 2024-02-05 | 2024-06-04 | 中国科学院自动化研究所 | 癫痫预测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117493955B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598793B (zh) | 一种大脑功能网络特征分类方法 | |
| Castillo et al. | Hybrid intelligent system for cardiac arrhythmia classification with Fuzzy K-Nearest Neighbors and neural networks combined with a fuzzy system | |
| Cui et al. | CONAN: complementary pattern augmentation for rare disease detection | |
| CN117493955B (zh) | 一种癫痫患者的脑电信号分类模型的训练方法 | |
| Zhang et al. | Human identification driven by deep CNN and transfer learning based on multiview feature representations of ECG | |
| CN113392733B (zh) | 基于标签对齐的多源域自适应跨被试eeg认知状态评估方法 | |
| Li et al. | Patient-specific seizure prediction from electroencephalogram signal via multichannel feedback capsule network | |
| WO2021142532A1 (en) | Activity recognition with deep embeddings | |
| Bianchi et al. | Learning representations for multivariate time series with missing data using Temporal Kernelized Autoencoders | |
| Du et al. | Decoding ECoG signal with deep learning model based on LSTM | |
| Lian et al. | The improved ELM algorithms optimized by bionic WOA for EEG classification of brain computer interface | |
| El Boujnouni et al. | Automatic diagnosis of cardiovascular diseases using wavelet feature extraction and convolutional capsule network | |
| CN114330559A (zh) | 一种基于度量迁移学习的脑电信号识别方法 | |
| CN112084935B (zh) | 一种基于扩充高质量脑电样本的情绪识别方法 | |
| Wang et al. | Epileptic EEG signal classification with ANFIS based on harmony search method | |
| CN116821764A (zh) | 一种基于知识蒸馏的多源域适应的eeg情绪状态分类方法 | |
| Wang et al. | Pay attention and watch temporal correlation: a novel 1-D convolutional neural network for ECG record classification | |
| Khalkhali et al. | Low latency real-time seizure detection using transfer deep learning | |
| Veerabhadrappa et al. | A deep convolutional neural network model for classification of emotions from electroencephalography data | |
| CN116386847A (zh) | 基于db-lstm神经网络的移动医疗物联网频谱智能预测算法 | |
| Liu et al. | Automated Machine Learning for Epileptic Seizure Detection Based on EEG Signals. | |
| Huynh | A Survey of Machine Learning algorithms in EEG | |
| CN112560784A (zh) | 一种基于动态多尺度卷积神经网络的心电图分类方法 | |
| Zhang et al. | Recognizing the level of organizational commitment based on deep learning methods and EEG | |
| Kachhia et al. | EEG-based Image Classification using Machine Learning Algorithms |
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 | ||
| GR01 | Patent grant |