基于AE异常检测和频带选择的局灶性癫痫发作检测系统

技术领域

本发明属于脑电信号处理及智慧医疗辅助分析领域，涉及一种基于AE异常检测和频带选择的局灶性癫痫发作检测系统，构建了癫痫发作检测与发作起始通道异常识别的模型。

背景技术

癫痫是常见的慢性神经系统疾病，也是全球最常见的神经系统疾病之一。由于大脑异常电活动的起始位置和传播方式存在差异,癫痫临床表现呈现多样化、复杂化的特点。反复癫痫发作会对患者的精神与认知功能造成持续性的负面影响，甚至危及生命。对癫痫发作阶段的EEG信号进行自动识别的研究问题,能够为癫痫诊疗与评估提供客观参考依据,从而减轻医生工作负担并提高治疗效率,具有十分重要的理论意义与实际应用价值。

现有的癫痫发作检测问题可以分为特征提取和分类器的构建两个子问题，主要方法分为两种。传统的方法主要依赖于波形自身的特征，通过提取脑电信号的时域、频域、时频域、非线性等特征，然后通过聚类、支持向量机等机器学习方法实现癫痫发作检测二分类；深度学习方法则倾向于通过设计深度神经网络分类模型，直接将原始脑电信号或是几类基础特征作为深度神经网络的输入实现癫痫发作检测。这些检测方法往往存在以下缺点：

1.传统方法对提取出的特征的表征能力要求较高，分类器参数的优化过程通常比较复杂；

2.深度学习模型一般采用全连接神经网络或卷积神经网络，但由于患者癫痫发作时间短，发作期数据与发作间期数据存在样本不均衡的问题，模型对发作数据学习到的信息量少，使得深度模型存在数据量要求高的缺点。

针对这些问题，基于AE异常检测的思想，本发明首先构建了基于卷积自编码器AE的重构网络模型，通过采用’db4’的7层小波包分解重构得到δ、θ、α、β、γ共5个频带的子信号；提取对应5个子频带信号的11维特征，通过单因素方差分析选出在两类信号上区分性较强的频带；仅使用该频带发作间期的数据去训练AE模型，模型能够对发作间期的数据很好的重构，模型不能对发作期数据很好的重构。构建出的AE发作检测与分析模型，模型的训练学习仅使用发作间期的数据克服了发作数据与发作间期数据不均衡的问题；与现有方法相比，所提出的方法在局灶性癫痫发作检测，发作起始通道异常识别方面存在明显优势。

发明内容

本发明针对现有癫痫发作检测方法的不足，提出了一种基于AE异常检测和频带选择的局灶性癫痫发作检测系统。本发明能实现仅使用发作间期的数据进行网络的学习训练，从样本层面实现癫痫发作检测二分类和从通道层面实现局灶性癫痫发作起始过程通道异常的识别。

本发明的技术方案主要包括如下步骤：

步骤1、对输入已经预标记的多通道脑电信号进行预处理，所述的预标记为对原始多通道脑电信号标记出癫痫发作的起始和结束时间点；所述的预处理包括级联滤波和阈值初筛；

步骤2、对步骤1预处理后的脑电信号小波包分解得到频率范围在0-62.5Hz内的5个子频带，对5个子频带信号分别进行分割，得到长度为1s的脑电信号片段；提取5个子频带波形的11维特征；

步骤3、对步骤2提取得到的11维特征，分析发作间期与发作期上5个子频带特征分布，采用单因素方差分析从5个子频带中选择特定频带的信号波形作为局灶性癫痫发作检测与分析模型的输入；

步骤4、针对步骤3得到特定频带的信号波形，对信号波形进行标准化处理，搭建基于AE异常检测的局灶性癫痫发作检测与分析模型，仅使用发作间期的数据进行模型学习，最小化模型的重构损失；

步骤5、应用步骤4搭建的局灶性癫痫发作检测与分析模型，实现癫痫发作的检测与局灶性癫痫发作过程起始异常通道的识别。

所述步骤1的具体实现如下：

首先对多通道脑电信号进行1-70HZ带通滤波得到脑电能量信号最集中的频段，再利用50HZ陷波滤波器进行滤波去除工频噪声；之后再对信号进行阈值初筛剔除因电极脱落、动作产生的非正常脑电数据。

所述步骤2的具体实现如下：

2-1将已经预标记的癫痫发作起始与结束的脑电数据划分为发作间期数据和发作期数据，分别将划分后的发作间期数据和发作期数据无重叠地进行连续分割，每个脑电信号片段长度为1s；

通过采用7层的’db4’小波基分解得到128个频段，从中得到频率范围在0-62.5Hz的5个子频带。’db4’小波具有调整函数(低通滤波)与小波函数(高通滤波)两个函数。需先建立调整函数与小波函数的系数，进而重构出对应子频段的子小波。调整函数在多尺度分析中的每一层的表达式为：

其中，N为db小波的长度，(a

其中，M为db小波的长度,(b

a[n]＝a

上式经过Z变换后得到表达式：

A(Z)＝a

将上式转换为正交离散小波转换的一般表达式：

a(Z)＝2

此时，p(Z)为对称型劳伦兹多项式，p(1)＝1，p有实系数及deg(p)＝A-1,A为消失动量值。

原始多通道脑电信号经过7层的’db4’小波基分解重构得到δ、θ、α、β、γ共5个子频带长度均为1s的子信号；

2-2通过分别计算5个子频带发作间期与发作期脑电信号片段的幅值绝对值的均值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子、近似熵、样本熵、模糊熵；以上共11维特征，对5个子频带的信号分别提取这11维特征；

假设原始样本为x，

(1)通过如下公式计算幅值绝对值的均值value：

式中mean代表取平均值；

(2)通过如下公式计算峭度KF：

式中μ表示信号片段所有数据的均值，σ表示信号片段所有数据的方差；

(3)通过如下公式计算偏度SK：

式中μ表示信号片段所有数据的均值，σ表示信号片段所有数据的方差；

(4)通过如下公式计算波形因子SF：

式中RMS表示信号片段所有数据的有效值；

(5)通过如下公式计峰值因子PF：

式中Peak表示计算信号片段所有数据的峰值，RMS表示计算信号片段所有数据的有效值；

(6)通过如下公式计算脉冲因子PUF：

式中Peak表示计算信号片段所有数据的峰值，mean表示计算信号片段所有数据的平均值；

(7)通过如下公式计算裕度因子MF：

式中Peak表示计算信号片段所有数据的峰值；

(8)通过如下公式计算余隙因子CF：

式中Peak表示计算信号片段所有数据的峰值，RMS表示计算信号片段所有数据的有效值；

(9)通过如下公式计算近似熵Apen：

式中m表示窗的长度，将时间序列分为N-m+1个序列，r表示‘相似度’的度量值，N表示数据的长度，d[x(i),x(j)]表示序列x(i)与x(j)之间的距离；

(10)通过如下公式计算样本熵Sampen：

式中m表示窗的长度，将时间序列分为N-m+1个序列，r表示‘相似度’的度量值，N表示数据的长度，

(11)通过如下公式计算模糊熵Fuzzyen：

Fuzzyen(m,r,N)＝lnφ

式中m表示窗的长度，将时间序列分为N-m+1个序列，r表示‘相似度’的度量值，N表示数据的长度，

进一步的，所述步骤3的具体实现如下：

对发作期与发作间期中5个子频带信号的所有样本，进行11维特征提取，并构成T*11维的特征矩阵X，T为样本数量。基于特征矩阵X分别分析5个子频带上发作期与发作间期的11维特征分布，通过单因素方差分析，对11个特征的5个子频带进行投票，最终确定发作间期与发作期的样本中具有差异性的频段为γ频段。

进一步的，所述步骤4的具体实现如下：

4-1通过步骤3频带筛选得到γ频带的波形信号，将γ频带的发作间期数据按照8:1:1随机划分为训练集、验证集和测试集；发作期数据均用作为测试集。

4-2利用4-1中划分出的训练集数据计算样本x的均值μ和方差σ；通过以下表达式对数据进行标准化处理：

4-3自编码器AE包括编码和解码，通过将输入的信号进行编码，特征映射到隐层空间，然后解码器对隐层空间的特征进行解码获得输入的重建样本。

(1)编码阶段实现一个特征的压缩降维的过程:

z＝Encoder(x)(25)

(2)解码阶段将隐藏层的特征，还原重构出原始输入的过程：

(3)编码过程采用多个CovBlock+DownSample相连的结构，对输入的信号进行降维；解码过程采用多个CovBlock+UpSample相连的结构，完成重构过程。其中CovBlock、DownSample、UpSample结构如下：

(Conv1d+BN(Batch Normalization))*2+LeakyReLU

Conv1d+BN(Batch Normalization)+LeakyReLU

ConvTranspose1d+BN(Batch Normalization)+LeakyReLU

(4)仅使用γ频带发作间期的数据训练局灶性癫痫发作检测与分析模型，使得模型能够对γ频带发作间期数据进行很好的重构，使得其重构误差尽可能小，其重构误差表达式如下：

||x-d

式中e

通过利用γ频带发作间期训练集数据训练局灶性癫痫发作检测与分析模型，验证集保证损失函数的收敛，得到最佳的权重参数。构建出最优局灶性癫痫发作检测与分析模型。

进一步的，所述步骤5的具体实现如下：

5-1将γ频带测试数据输入训练好的局灶性癫痫发作检测与分析模型中，得到测试数据脑电信号片段的重构误差，所述的γ频带测试数据脑电信号片段异常得分包括发作间期信号的异常分数和发作期信号的异常分数；

5-2由于局灶性癫痫发作检测与分析模型训练过程仅仅使用发作间期的数据，从样本的水平，模型对间期数据能很好的重构，每个发作间期样本对应的重构误差值小于设定的异常分数值；而发作期数据相较于发作间期数据波形复杂，模型不能对发作期数据很好的重构，其对应的重构误差值大于设定的异常分数值；根据重构误差值将两类样本进行区分。从样本的通道水平，对每个样本每个通道上的数据输出相应的重构误差值，即对应得到每个样本的一个18维的重构向量。由于局灶性癫痫发作存在的起始发作是由局部的脑区开始存在异常放电为起始的，导致发作起始阶段个别通道存在异常的特征。因此对于得到的18维的重构向量，发作起始异常的通道对应重构误差大于设定的异常分数值，剩余通道重构误差值小于设定的异常分数值，将发作起始过程中存在异常的通道刻画出来。

5-3统计四个基本参数，所述的四个基本参数包括真阳、真阴、假阳和假阴，真阳为识别结果正确样本中发作样本数量，真阴为识别结果正确样本中发作间期样本数量，假阳为识别结果错误样本发作间期样本数量，假阴为识别结果错误样本中发作样本数量；

5-4根据获得的四个基本参数验证局灶性癫痫发作检测与分析模型的有效性。

本发明有益效果如下

运用此种基于AE异常检测和频带选择的局灶性癫痫发作检测系统后，利用多通道脑电信号，使用’db4’的7层小波包分解得到对应5个子频带信号，采用单因素方差分析筛选出特定某一子频带信号。利用该频带信号的发作间期数据训练网络模型，AE模型对发作间期数据很好的重构，同时不能很好的重构发作期数据。从样本层面实现癫痫发作检测即发作间期与发作期二分类；同时在样本的通道层面，对局灶性癫痫发作起始过程，时间维度上连续的信号通道异常的检测。

仅使用特定频带的发作间期数据训练卷积自编码器AE，编码器对信号进行编码、解码重构出原始信号；模型能够对发作间期数据进行很好的重构，而不能很好的重构发作期数据；因此根据重构误差计算相应的异常分数，区分发作期样本与间期样本；此外还从通道的角度刻画局灶性癫痫发作起始异常的通道。本发明通过小波包分解与频带的选择，并结合AE异常检测的算法，达到癫痫发作检测的效果，同时能够对局灶性癫痫发作过程起始异常通道的检测。因此本发明克服了发作间期数据与发作期数据不均衡的问题，实现局灶性癫痫发作检测与发作起始过程异常通道的识别。

附图说明

图1本发明的方法流程图；

图2本发明实施例局灶性癫痫发作起始异常通道识别效果图。

具体实施方式

下面结合附图和具体实施方式对本发明作详细说明。

如图1所示，基于AE异常检测和频带选择的局灶性癫痫发作检测系统的实现步骤，在发明内容内已有详细的介绍，即本发明的技术方案主要包括如下步骤：

步骤1、对输入已经预标记的多通道脑电信号进行预处理，所述的预标记为对原始多通道脑电信号标记出癫痫发作的起始和结束时间点；所述的预处理包括级联滤波和阈值初筛；

步骤2、对步骤1预处理后的脑电信号小波包分解得到频率范围在0-62.5Hz内的5个子频带，对5个子频带信号分别进行分割，得到长度为1s的脑电信号片段；提取5个子频带波形的11维特征；

步骤3、对步骤2提取得到的11维特征，分析发作间期与发作期上5个子频带特征分布，采用单因素方差分析从5个子频带中选择特定频带的信号波形作为局灶性癫痫发作检测与分析模型的输入；

步骤4、针对步骤3得到特定频带的信号波形，对信号波形进行标准化处理，搭建基于AE异常检测的局灶性癫痫发作检测与分析模型，仅使用发作间期的数据进行模型学习，最小化模型的重构损失；

步骤5、应用步骤4搭建的局灶性癫痫发作检测与分析模型，实现癫痫发作的检测与局灶性癫痫发作过程起始异常通道的识别。

所述步骤1的具体实现如下：

首先对多通道脑电信号进行1-70HZ带通滤波得到脑电能量信号最集中的频段，再利用50HZ陷波滤波器进行滤波去除工频噪声；之后再对信号进行阈值初筛剔除因电极脱落、动作产生的非正常脑电数据。

所述步骤2的具体实现如下：

2-1将已经预标记的癫痫发作起始与结束的脑电数据划分为发作间期数据和发作期数据，分别将划分后的发作间期数据和发作期数据无重叠地进行连续分割，每个脑电信号片段长度为1s；

通过采用7层的’db4’小波基分解得到128个频段，从中得到频率范围在0-62.5Hz的5个子频带。’db4’小波具有调整函数(低通滤波)与小波函数(高通滤波)两个函数。需先建立调整函数与小波函数的系数，进而重构出对应子频段的子小波。调整函数在多尺度分析中的每一层的表达式为：

其中，N为db小波的长度，(a

其中，M为db小波的长度,(b

a[n]＝a

上式经过Z变换后得到表达式：

A(Z)＝a

将上式转换为正交离散小波转换的一般表达式：

a(Z)＝2

此时，p(Z)为对称型劳伦兹多项式，p(1)＝1，p有实系数及deg(p)＝A-1,A为消失动量值。

原始多通道脑电信号经过7层的’db4’小波基分解重构得到δ、θ、α、β、γ共5个子频带长度均为1s的子信号；

2-2通过分别计算5个子频带发作间期与发作期脑电信号片段的幅值绝对值的均值、峭度KF、偏度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子、近似熵、样本熵、模糊熵；以上共11维特征，对5个子频带的信号分别提取这11维特征；

假设原始样本为x，

(1)通过如下公式计算幅值绝对值的均值value：

式中mean代表取平均值；

(2)通过如下公式计算峭度KF：

式中μ表示信号片段所有数据的均值，σ表示信号片段所有数据的方差；

(3)通过如下公式计算偏度SK：

式中μ表示信号片段所有数据的均值，σ表示信号片段所有数据的方差；

(4)通过如下公式计算波形因子SF：

式中RMS表示信号片段所有数据的有效值；

(5)通过如下公式计峰值因子PF：

式中Peak表示计算信号片段所有数据的峰值，RMS表示计算信号片段所有数据的有效值；

(6)通过如下公式计算脉冲因子PUF：

式中Peak表示计算信号片段所有数据的峰值，mean表示计算信号片段所有数据的平均值；

(7)通过如下公式计算裕度因子MF：

式中Peak表示计算信号片段所有数据的峰值；

(8)通过如下公式计算余隙因子CF：

式中Peak表示计算信号片段所有数据的峰值，RMS表示计算信号片段所有数据的有效值；

(9)通过如下公式计算近似熵Apen：

式中m表示窗的长度，将时间序列分为N-m+1个序列，r表示‘相似度’的度量值，N表示数据的长度，d[x(i),x(j)]表示序列x(i)与x(j)之间的距离；

(10)通过如下公式计算样本熵Sampen：

式中m表示窗的长度，将时间序列分为N-m+1个序列，r表示‘相似度’的度量值，N表示数据的长度，

(11)通过如下公式计算模糊熵Fuzzyen：

Fuzzyen(m,r,N)＝lnφ

式中m表示窗的长度，将时间序列分为N-m+1个序列，r表示‘相似度’的度量值，N表示数据的长度，

所述步骤3的具体实现如下：

对发作期与发作间期中5个子频带信号的所有样本，进行11维特征提取，并构成T*11维的特征矩阵X，T为样本数量。基于特征矩阵X分别分析5个子频带上发作期与发作间期的11维特征分布，通过单因素方差分析，对11个特征的5个子频带进行投票，最终确定发作间期与发作期的样本中具有差异性的频段为γ频段。

所述步骤4的具体实现如下：

4-1通过步骤3频带筛选得到γ频带的波形信号，将γ频带的发作间期数据按照8:1:1随机划分为训练集、验证集和测试集；发作期数据均用作为测试集。

4-2利用4-1中划分出的训练集数据计算样本x的均值μ和方差σ；通过以下表达式对数据进行标准化处理：

4-3自编码器AE包括编码和解码，通过将输入的信号进行编码，特征映射到隐层空间，然后解码器对隐层空间的特征进行解码获得输入的重建样本。

(1)编码阶段实现一个特征的压缩降维的过程:

z＝Encoder(x) (25)

(2)解码阶段将隐藏层的特征，还原重构出原始输入的过程：

(3)编码过程采用多个CovBlock+DownSample相连的结构，对输入的信号进行降维；解码过程采用多个CovBlock+UpSample相连的结构，完成重构过程。其中CovBlock、DownSample、UpSample结构如下：

(Conv1d+BN(Batch Normalization))*2+LeakyReLU

Conv1d+BN(Batch Normalization)+LeakyReLU

ConvTranspose1d+BN(Batch Normalization)+LeakyReLU

(4)仅使用γ频带发作间期的数据训练局灶性癫痫发作检测与分析模型，使得模型能够对γ频带发作间期数据进行很好的重构，使得其重构误差尽可能小，其重构误差表达式如下：

||x-d

式中e

通过利用γ频带发作间期训练集数据训练局灶性癫痫发作检测与分析模型，验证集保证损失函数的收敛，得到最佳的权重参数。构建出最优局灶性癫痫发作检测与分析模型。

所述步骤5的具体实现如下：

5-1将γ频带测试数据输入训练好的局灶性癫痫发作检测与分析模型中，得到测试数据脑电信号片段的重构误差，所述的γ频带测试数据脑电信号片段异常得分包括发作间期信号的异常分数和发作期信号的异常分数；

5-2由于局灶性癫痫发作检测与分析模型训练过程仅仅使用发作间期的数据，从样本的水平，模型对间期数据能很好的重构，每个发作间期样本对应的重构误差值小于设定的异常分数值；而发作期数据相较于发作间期数据波形复杂，模型不能对发作期数据很好的重构，其对应的重构误差值大于设定的异常分数值；根据重构误差值将两类样本进行区分。从样本的通道水平，对每个样本每个通道上的数据输出相应的重构误差值，即对应得到每个样本的一个18维的重构向量。由于局灶性癫痫发作存在的起始发作是由局部的脑区开始存在异常放电为起始的，导致发作起始阶段个别通道存在异常的特征。因此对于得到的18维的重构向量，发作起始异常的通道对应重构误差大于设定的异常分数值，剩余通道重构误差值小于设定的异常分数值，将发作起始过程中存在异常的通道刻画出来。

图2为本发明实施例局灶性癫痫发作起始异常通道识别效果图。

在步骤2-1中，选取1s作为一个样本的长度是考虑到对局灶性癫痫发作起始异常通道的识别对时间具有一定的敏感度，本专利中所提发作期数据与发作间期数据，是经过专业的医师在对原始信号中癫痫发作的起始与结束时间进行了标注。

为了真实测试本发明对局灶性癫痫发作的检测与通道异常的识别效果，在浙江大学医学院附属儿童医院真实局灶性癫痫发作患者EEG数据上与多种目前主流检测算法进行了对比实验：

实验数据为18通道，采样频率为1000Hz，数据共分类18个不同局灶性癫痫患者个体数据集。Sungmin You等人在2020年提出的基于生成对抗网络DCGAN在18通道原始脑电数据集上的AUC指标为80.64％，精确率(precision)为89.04％，F1 score为78.10％，灵敏度(sensitivity)为69.55％。Ilkay Yildiz等人2021年提出的基于变分自编码器VAE在18通道原始脑电数据集上的AUC指标为85.38％，精确率(precision)为88.82％，F1 score为84.84％，灵敏度(sensitivity)为81.20％。本发明提出的基于AE异常检测和频带选择的局灶性癫痫发作检测方法，在18通道原始脑电数据集上的AUC指标为88.59％，精确率(precision)为89.49％，F1 score为87.81％，灵敏度(sensitivity)为86.82％。在此基础上进行频带的筛选之后，在18通道γ频带数据集上的AUC指标为94.96％，精确率(precision)为94.33％，F1 score为91.85％，灵敏度(sensitivity)为89.51％。经过频带选择之后，相比于原始18通道数据集上AUC提高了6.37％，精确率提高了5.19％，灵敏度提高了3.31％，F1 score提高了4.04％。这证明了本发明在真实数据上相较于目前的基于异常检测思想进行癫痫发作检测的优势。

综上所述，本发明中基于AE异常检测和频带选择的局灶性癫痫发作检测方法，通过小波包分解及子频带的筛选，利用自编码AE的重构任务，克服发作间期数据与发作期数据不均衡的问题，实现局灶性癫痫发作检测与发作起始过程异常通道的识别。