本技術(shù)涉及腦電信號(hào)處理，特別涉及一種輕量化的癲癇腦電信號(hào)四分類(lèi)方法。

背景技術(shù)：

1、癲癇作為全球范圍內(nèi)影響廣泛的神經(jīng)系統(tǒng)疾病，其發(fā)病機(jī)制復(fù)雜且不可預(yù)測(cè)的特性對(duì)患者的日常生活構(gòu)成了嚴(yán)峻挑戰(zhàn)。近年來(lái)，基于eeg信號(hào)的癲癇發(fā)作監(jiān)測(cè)方法逐漸成為研究熱點(diǎn)，旨在通過(guò)智能化手段實(shí)現(xiàn)發(fā)作的早期預(yù)警與精確分類(lèi)?？蒲泄ぷ髡咭烟岢隽舜罅康陌d癇預(yù)測(cè)和癲癇檢測(cè)方法，如有研究人員嘗試了一種結(jié)合隨機(jī)選擇和數(shù)據(jù)增強(qiáng)策略的堆疊一維卷積神經(jīng)網(wǎng)絡(luò)模型。還有研究人員通過(guò)一種基于頻譜特征的雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型實(shí)現(xiàn)了對(duì)癲癇發(fā)作的自動(dòng)預(yù)測(cè)。許多研究人員也使用了快速傅里葉變換的方法提取患者腦電信號(hào)中的頻域信息，但eeg信號(hào)是一種非平穩(wěn)信號(hào)，快速傅里葉變換在處理此類(lèi)信號(hào)時(shí)存在局限性。為此，有研究者提出了使用離散小波變換、短時(shí)傅里葉變換等方式將患者腦電信號(hào)從時(shí)域轉(zhuǎn)換到時(shí)頻域，不僅能夠同時(shí)捕獲信號(hào)的時(shí)間和頻率特征，而且增強(qiáng)了信號(hào)特征對(duì)于卷積神經(jīng)網(wǎng)絡(luò)的適用性。

2、然而，由于卷積核無(wú)法擴(kuò)展到邊緣以外的區(qū)域，邊緣像素始終無(wú)法處于核函數(shù)的中心位置，從而導(dǎo)致在輸出特征圖中，圖像邊緣處的信息呈現(xiàn)顯著衰減。為彌補(bǔ)這一邊緣效應(yīng)，常規(guī)做法是引入補(bǔ)零策略，以擴(kuò)展卷積核能夠觸及的有效區(qū)域。然而，補(bǔ)零會(huì)使得硬件設(shè)計(jì)復(fù)雜度提升，特別是對(duì)于定制化加速器而言，需要額外考慮邊緣填充邏輯；同時(shí)，補(bǔ)零操作導(dǎo)致計(jì)算量增大，不可避免地增加了硬件能耗，這顯然對(duì)追求能效比的可穿戴設(shè)備應(yīng)用場(chǎng)景并不友好。

3、在實(shí)際情境下，便攜式的癲癇監(jiān)測(cè)設(shè)備能夠有效輔助患者規(guī)避可能的安全威脅。發(fā)作預(yù)測(cè)方法可提醒患者及時(shí)轉(zhuǎn)移到安全環(huán)境。發(fā)作檢測(cè)方法則可以為患者親屬或醫(yī)生提供患者的狀況信息，使得他們能夠在患者發(fā)作時(shí)采取恰當(dāng)?shù)木茸o(hù)措施和治療干預(yù)。然而，鑒于癲癇患者的腦電活動(dòng)展現(xiàn)出包括發(fā)作前期、發(fā)作期、發(fā)作后期及發(fā)作間期在內(nèi)的四種典型時(shí)段特征?，F(xiàn)有的三分類(lèi)模型將發(fā)作后期的腦電信號(hào)簡(jiǎn)單歸類(lèi)為發(fā)作間期，忽略了發(fā)作后期與間期腦電圖的顯著差異，這一簡(jiǎn)化處理在實(shí)踐操作中將導(dǎo)致誤報(bào)率的顯著上升，進(jìn)而影響監(jiān)控系統(tǒng)的可靠性。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問(wèn)題之一。為此，本技術(shù)的一個(gè)目的在于提出一種輕量化的癲癇腦電信號(hào)四分類(lèi)方法，提高了實(shí)際應(yīng)用中監(jiān)測(cè)患者的高可靠性。

2、本技術(shù)的一個(gè)方面提供了一種輕量化的癲癇腦電信號(hào)四分類(lèi)方法，包括：

3、步驟s100：采集用戶(hù)的腦電信號(hào)；

4、步驟s200：集成短時(shí)傅里葉變換、頻譜重構(gòu)策略、一維卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，構(gòu)建腦電信號(hào)四分類(lèi)模型；

5、所述腦電信號(hào)四分類(lèi)模型的構(gòu)建方法為：

6、獲取原始腦電信號(hào)，對(duì)原始腦電信號(hào)進(jìn)行預(yù)處理，標(biāo)注出癲癇患者腦電信號(hào)狀態(tài)的四個(gè)類(lèi)別，所述癲癇患者腦電信號(hào)狀態(tài)的四個(gè)類(lèi)別包括發(fā)作間期、發(fā)作前期、發(fā)作期和發(fā)作后期，以時(shí)長(zhǎng)t為切片窗口長(zhǎng)度對(duì)原始腦電信號(hào)中四個(gè)類(lèi)別進(jìn)行切分，將每個(gè)類(lèi)別的原始腦電信號(hào)切分為m個(gè)數(shù)據(jù)切片，利用數(shù)據(jù)切片構(gòu)建包含n個(gè)數(shù)據(jù)樣本的數(shù)據(jù)集，每個(gè)數(shù)據(jù)樣本中包含四個(gè)類(lèi)別的數(shù)據(jù)切片；

7、使用短時(shí)傅里葉變換將每個(gè)數(shù)據(jù)樣本映射到時(shí)頻域，得到原始腦電信號(hào)的時(shí)頻域信號(hào)，并應(yīng)用頻譜重構(gòu)策略將原始腦電信號(hào)的時(shí)頻域信號(hào)中的噪聲頻段過(guò)濾，將低頻部分移動(dòng)到頻譜維度的中央位置，得到優(yōu)化后的原始腦電信號(hào)的時(shí)頻域信號(hào)的特征表示；所述時(shí)頻域信號(hào)的維度包括頻譜維度和時(shí)間序列維度；

8、所述頻譜重構(gòu)策略的具體實(shí)施方法為：設(shè)置噪聲閾值λ，在原始腦電信號(hào)的[0，a1hz]頻段中通過(guò)濾波將大于等于噪聲閾值的噪聲頻段進(jìn)行過(guò)濾，保留[0，a2hz)部分，其中，a2＜λ，對(duì)[0，a2hz)部分裁剪得到[0，a3hz]部分和(a3hz，a2hz)部分，通過(guò)平移和拼接將[0，a3hz]部分移動(dòng)到頻譜維度的中央位置；

9、構(gòu)建一個(gè)融合神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、一維卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)、全連接層、softmax激活函數(shù)和輸出層；一維卷積神經(jīng)網(wǎng)絡(luò)用于在頻譜維度上對(duì)優(yōu)化后的原始腦電信號(hào)的時(shí)頻域信號(hào)進(jìn)行卷積操作，提取原始腦電信號(hào)的頻域特征；長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)用于在時(shí)間序列維度上對(duì)一維卷積神經(jīng)網(wǎng)絡(luò)提取到的頻域特征進(jìn)行建模，獲取原始腦電信號(hào)的頻域特征在時(shí)間序列上的時(shí)域特征；全連接層和softmax激活函數(shù)用于計(jì)算數(shù)據(jù)樣本屬于每個(gè)類(lèi)別的概率值，輸出層用于輸出數(shù)據(jù)樣本的分類(lèi)；使用數(shù)據(jù)集對(duì)融合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，構(gòu)建得到訓(xùn)練好的腦電信號(hào)四分類(lèi)模型；

10、步驟s300：基于訓(xùn)練好的腦電信號(hào)四分類(lèi)模型，將用戶(hù)的腦電信號(hào)作為輸入，輸出腦電信號(hào)屬于每個(gè)類(lèi)別的概率值；

11、所述基于訓(xùn)練好的腦電信號(hào)四分類(lèi)模型，將用戶(hù)的腦電信號(hào)作為輸入，輸出腦電信號(hào)屬于每個(gè)類(lèi)別的概率值的具體過(guò)程為：

12、步驟s310：將用戶(hù)的腦電信號(hào)輸入訓(xùn)練好的腦電信號(hào)四分類(lèi)模型，根據(jù)預(yù)設(shè)的時(shí)間窗口長(zhǎng)度，將腦電信號(hào)按照時(shí)間窗口長(zhǎng)度劃分為a個(gè)腦電信號(hào)片段，使用短時(shí)傅里葉變換將每個(gè)腦電信號(hào)片段映射到時(shí)頻域，得到時(shí)頻域信號(hào)；

13、步驟s320：應(yīng)用頻譜重構(gòu)策略，使用平移與再拼接的方法，將時(shí)頻域信號(hào)的低頻部分移動(dòng)到頻譜維度的中央位置，并過(guò)濾噪聲頻段，得到優(yōu)化后的時(shí)頻域信號(hào)；

14、步驟s330：在頻譜維度上，使用一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)優(yōu)化后的時(shí)頻域信號(hào)進(jìn)行卷積操作，提取頻域特征；

15、步驟s340：在時(shí)間序列維度上，使用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)一維卷積神經(jīng)網(wǎng)絡(luò)提取到的頻域特征進(jìn)行建模，獲取頻域特征在時(shí)間序列上的時(shí)域特征；

16、步驟s350：將頻域特征和時(shí)域特征輸入全連接層和softmax激活函數(shù)，對(duì)腦電信號(hào)片段進(jìn)行分類(lèi)，輸出腦電信號(hào)片段屬于四個(gè)類(lèi)別的概率值；

17、步驟s400：比較四個(gè)類(lèi)別的概率值，將概率值最大的類(lèi)別作為該腦電信號(hào)的所屬類(lèi)別，根據(jù)所屬類(lèi)別發(fā)送相應(yīng)的警報(bào)；其中，確定腦電信號(hào)的所屬類(lèi)別以實(shí)現(xiàn)腦電信號(hào)四分類(lèi)模型對(duì)于癲癇患者病情的發(fā)作預(yù)測(cè)和發(fā)作檢測(cè)，當(dāng)所屬類(lèi)別為發(fā)作前期時(shí)，實(shí)現(xiàn)癲癇患者病情的發(fā)作預(yù)測(cè)，當(dāng)所屬類(lèi)別為發(fā)作期、發(fā)作后期或發(fā)作間期時(shí)，實(shí)現(xiàn)癲癇患者病情的發(fā)作檢測(cè)；

18、所述比較四個(gè)類(lèi)別的概率值，將概率值最大的類(lèi)別作為該腦電信號(hào)的所屬類(lèi)別，根據(jù)所屬類(lèi)別發(fā)送相應(yīng)的警報(bào)的具體方法為：通過(guò)全連接層和softmax函數(shù)進(jìn)行分類(lèi)，將腦電信號(hào)片段屬于每個(gè)類(lèi)別的概率值輸出，比較四個(gè)概率值的大小，將概率值最大的類(lèi)別作為腦電信號(hào)片段的所屬類(lèi)別；若所屬類(lèi)別為發(fā)作前期，則對(duì)用戶(hù)進(jìn)行警告，若所屬類(lèi)別為發(fā)作期、發(fā)作后期或發(fā)作間期，則通知醫(yī)生。

19、本技術(shù)的一個(gè)方面提供了一種輕量化的癲癇腦電信號(hào)四分類(lèi)系統(tǒng)，包括：

20、傳感器模塊，用于采集用戶(hù)的腦電信號(hào)；

21、處理單元模塊，用于集成短時(shí)傅里葉變換、頻譜重構(gòu)策略、一維卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，構(gòu)建腦電信號(hào)四分類(lèi)模型；所述腦電信號(hào)四分類(lèi)模型的構(gòu)建方法為：獲取原始腦電信號(hào)，對(duì)原始腦電信號(hào)進(jìn)行預(yù)處理，標(biāo)注出癲癇患者腦電信號(hào)狀態(tài)的四個(gè)類(lèi)別，所述癲癇患者腦電信號(hào)狀態(tài)的四個(gè)類(lèi)別包括發(fā)作間期、發(fā)作前期、發(fā)作期和發(fā)作后期，以時(shí)長(zhǎng)t為切片窗口長(zhǎng)度對(duì)原始腦電信號(hào)中四個(gè)類(lèi)別進(jìn)行切分，將每個(gè)類(lèi)別的原始腦電信號(hào)切分為m個(gè)數(shù)據(jù)切片，利用數(shù)據(jù)切片構(gòu)建包含n個(gè)數(shù)據(jù)樣本的數(shù)據(jù)集，每個(gè)數(shù)據(jù)樣本中包含四個(gè)類(lèi)別的數(shù)據(jù)切片；使用短時(shí)傅里葉變換將每個(gè)數(shù)據(jù)樣本映射到時(shí)頻域，得到原始腦電信號(hào)的時(shí)頻域信號(hào)，并應(yīng)用頻譜重構(gòu)策略將原始腦電信號(hào)的時(shí)頻域信號(hào)中的噪聲頻段過(guò)濾，將低頻部分移動(dòng)到頻譜維度的中央位置，得到優(yōu)化后的原始腦電信號(hào)的時(shí)頻域信號(hào)的特征表示；所述時(shí)頻域信號(hào)的維度包括頻譜維度和時(shí)間序列維度；構(gòu)建一個(gè)融合神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、一維卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)、全連接層、softmax激活函數(shù)和輸出層；一維卷積神經(jīng)網(wǎng)絡(luò)用于在頻譜維度上對(duì)優(yōu)化后的原始腦電信號(hào)的時(shí)頻域信號(hào)進(jìn)行卷積操作，提取原始腦電信號(hào)的頻域特征；長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)用于在時(shí)間序列維度上對(duì)一維卷積神經(jīng)網(wǎng)絡(luò)提取到的頻域特征進(jìn)行建模，獲取原始腦電信號(hào)的頻域特征在時(shí)間序列上的時(shí)域特征；全連接層和softmax激活函數(shù)用于計(jì)算數(shù)據(jù)樣本屬于每個(gè)類(lèi)別的概率值，輸出層用于輸出數(shù)據(jù)樣本的分類(lèi)；使用數(shù)據(jù)集對(duì)融合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，構(gòu)建得到訓(xùn)練好的腦電信號(hào)四分類(lèi)模型；

22、輸出界面模塊，用于基于訓(xùn)練好的腦電信號(hào)四分類(lèi)模型，將用戶(hù)的腦電信號(hào)作為輸入，輸出腦電信號(hào)屬于每個(gè)類(lèi)別的概率值；

23、通訊模塊，用于比較四個(gè)類(lèi)別的概率值，將概率值最大的類(lèi)別作為該腦電信號(hào)的所屬類(lèi)別，根據(jù)所屬類(lèi)別發(fā)送相應(yīng)的警報(bào)；其中，確定腦電信號(hào)的所屬類(lèi)別以實(shí)現(xiàn)腦電信號(hào)四分類(lèi)模型對(duì)于癲癇患者病情的發(fā)作預(yù)測(cè)和發(fā)作檢測(cè)，當(dāng)所屬類(lèi)別為發(fā)作前期時(shí)，實(shí)現(xiàn)癲癇患者病情的發(fā)作預(yù)測(cè)，當(dāng)所屬類(lèi)別為發(fā)作期、發(fā)作后期或發(fā)作間期時(shí)，實(shí)現(xiàn)癲癇患者病情的發(fā)作檢測(cè)。

24、本技術(shù)的一個(gè)方面提供了一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)，以實(shí)現(xiàn)一種輕量化的癲癇腦電信號(hào)四分類(lèi)方法中的步驟。

25、本技術(shù)的一個(gè)方面提供了一種可讀存儲(chǔ)介質(zhì)，所述可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序適于處理器進(jìn)行加載，以執(zhí)行一種輕量化的癲癇腦電信號(hào)四分類(lèi)方法中的步驟。

26、本技術(shù)提出的一種輕量化的癲癇腦電信號(hào)四分類(lèi)方法相對(duì)于現(xiàn)有技術(shù)，具備以下優(yōu)點(diǎn)：

27、本技術(shù)的提供的一種輕量化的癲癇腦電信號(hào)四分類(lèi)方法完整地涵蓋了癲癇患者發(fā)病的所有階段，同時(shí)滿(mǎn)足癲癇發(fā)病預(yù)測(cè)與檢測(cè)的功能需求。將發(fā)作后期的特征識(shí)別納入模型預(yù)測(cè)和檢測(cè)的范疇，消除了傳統(tǒng)的二分類(lèi)、三分類(lèi)方法未考慮發(fā)作后期從而易將發(fā)作后期識(shí)別為其他時(shí)期所造成的誤報(bào)問(wèn)題，提高了模型的識(shí)別準(zhǔn)確率，保證實(shí)際應(yīng)用中監(jiān)測(cè)患者的高可靠性；

28、本技術(shù)提出的腦電信號(hào)四分類(lèi)模型集成了短時(shí)傅里葉變換、頻譜重構(gòu)策略、一維卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，其中頻譜重構(gòu)策略減少了噪聲影響，使低頻部分被集中在頻譜維度的中心區(qū)域，使得一維卷積神經(jīng)網(wǎng)絡(luò)無(wú)需使用填充操作即可直接對(duì)這些關(guān)鍵頻率部分進(jìn)行卷積操作。填充操作的省去顯著降低了硬件設(shè)計(jì)復(fù)雜度，使得本技術(shù)提出的模型更適合在硬件設(shè)備上部署；

29、頻譜重構(gòu)策略通過(guò)噪聲頻段過(guò)濾和低頻部分移動(dòng)兩個(gè)步驟，對(duì)時(shí)頻域信號(hào)進(jìn)行優(yōu)化，噪聲頻段過(guò)濾抑制了背景噪聲，提高了信號(hào)質(zhì)量；低頻部分移動(dòng)增強(qiáng)了頻譜的集中度，有利于一維卷積神經(jīng)網(wǎng)絡(luò)的特征提取。這兩個(gè)步驟相互配合，共同提升了時(shí)頻域特征表示的優(yōu)化效果，為一維卷積神經(jīng)網(wǎng)絡(luò)特征提取和癲癇腦電信號(hào)四分類(lèi)奠定了基礎(chǔ)。同時(shí)，頻譜重構(gòu)策略的計(jì)算復(fù)雜度較低，易于實(shí)現(xiàn)，有助于提高整個(gè)系統(tǒng)的運(yùn)行效率，實(shí)現(xiàn)模型的輕量化設(shè)計(jì)。

30、一維卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的并用與協(xié)同工作確保腦電信號(hào)時(shí)域與頻域信息能被全面捕捉到，同時(shí)利用一維卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分別適合識(shí)別頻域和時(shí)域的特性，令每個(gè)網(wǎng)絡(luò)模塊只識(shí)別其適宜識(shí)別的信息，在較低的參數(shù)量下即能達(dá)到優(yōu)異的識(shí)別準(zhǔn)確率。這一設(shè)計(jì)有效降低了總計(jì)算量與參數(shù)量，使得本技術(shù)的一種輕量化的癲癇腦電信號(hào)四分類(lèi)方法高度輕量化，硬件開(kāi)銷(xiāo)極低；

31、本技術(shù)提供的一種輕量化的癲癇腦電信號(hào)四分類(lèi)方法相比于傳統(tǒng)的分類(lèi)模型，可以同時(shí)實(shí)現(xiàn)癲癇患者的發(fā)作預(yù)測(cè)和發(fā)作檢測(cè)，當(dāng)腦電信號(hào)四分類(lèi)模型輸出的所屬類(lèi)別結(jié)果為發(fā)作前期時(shí)，則實(shí)現(xiàn)了患者病情發(fā)作的預(yù)測(cè)，使得患者根據(jù)預(yù)警可以提前進(jìn)行預(yù)防，當(dāng)腦電信號(hào)四分類(lèi)模型輸出的所屬類(lèi)別結(jié)果為發(fā)作期、發(fā)作后期或發(fā)作間期時(shí)，表示患者已經(jīng)處于病情發(fā)作中，可以對(duì)具體的發(fā)作階段進(jìn)行檢測(cè)，以便于醫(yī)護(hù)人員進(jìn)行對(duì)應(yīng)的治療。