一种基于EEG信号癫痫监测方法

技术领域

本发明属于医疗护理技术领域，具体涉及一种基于EEG信号癫痫监测方法。

背景技术

目前的癫痫预测算法多使用支持向量机(SVM)对EEG信号进行分类，其特征多为定制特征，即人工选取的特征，这会导致部分细微特征被遗漏，且不同患者在癫痫发作前，其EEG信号特征并不完全一致，定制特征无法取得较强的泛化能力。现有很难在第一时间检测到EEG信号频率的变化，对其检测有一定的延迟。且癫痫预测方法计算速度较慢，无法在癫痫发作前提供足够的应对时间且算法泛化性能较差。

发明内容

针对上述技术问题，本发明提供了一种基于EEG信号癫痫监测方法，该方法由网络自动体提取，可以发掘更多的隐含特征，提供计算速度。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于EEG信号癫痫监测方法，包括以下步骤：

S1、数据采集与标注：采集EEG信号和EEG数据，根据其PLV的不同，并对其进行无发病迹象或发病前标注；

S2、数据去噪；

S3、数据分割；将去噪完毕的信号进行切割，并保留数据标签；

S4、频谱转换：将EEG信号转换为EEG频谱；

S5、数据集构建：将EEG信号与其对应频谱的无发病迹象/发病前数据按照比例混合，构建数据集，并将数据集分为训练集与测试集；

S6、模型训练：将训练集输入构建好的神经网络模型，通过时域与频域的特征提取后，使用全连接进行分类，当模型损失值不再降低，保存模型；

S7、模型评价：将测试集数据输入模型，利用模型对其进行分类，对分类结果使用指定评价方式进行评价。

所述S1中：使用32导电极帽收集癫痫病人未发病且无发病迹象的EEG信号与发病前10分钟的EEG数据；无发病迹象EEG信号标注为0，发病前EEG信号标注为1。

所述S2是指：对收集到的EEG信号数据进行去噪处理，去眼电干扰及去伪迹。

所述S3中：将去噪完毕的信号以时窗长度3s进行切割。

所述S4中：将EEG信号、EEG频谱、数据标签处理为信号-频谱-标签形式数据，三者一一对应。

所述S5中：将无发病迹象数据和发病前数据按照2：1的比例构建数据集；将无发病迹象数据和发病前数据按照7：3的比例构建训练集与测试集。

所述S6中：模型主要由3部分构成，分别为RNN部分，CNN部分，FC部分；

RNN部分采用GRU处理EEG信号数据，通过对EEG信号数据每个时间步进行分析，并通过门控单元对时间序列上的特征进行学习，提取EEG信号时域特征；

CNN部分用于处理EEG频谱数据，CNN通过卷积、池化，对数据特征进行提取，得到EEG频域特征；

FC部分对提取完成的特征进行全连接运算，通过Sigmoid函数得到EEG分类结果。

无发病迹象EEG信号分类为0，发病前EEG信号分类为1，输出以0.5为界限，小于等于0.5标记为0，大于0.5标记为1。

所述S6中：将构建完成的训练集与对应标签输入搭建好的模型中，模型进行迭代运算，优化参数，直到连续20次循环迭代，模型性能没有提升，停止模型训练，保存模型。

所述S7中：采用精确率P，召回率R，准确率A对模型进行评价；所述准确率A为所有的预测正确的占总的比重；所述精确率P，为正确预测为正的占全部预测为正的比例；所述召回率R，为正确预测为正的占全部实际为正的比例。

精确率P,召回率R,准确率A所采用的评价公式如下：

其中，TP表示真正例、FP表示假正例、FN表示假负例，A表示准确率，P表示精确率，R表示召回率，将测试集数据输入训练完成的模型中，对模型分类结果进行评价。

本发明与现有技术相比，具有的有益效果是：

RNN部分采用GRU处理EEG信号数据，通过对EEG信号数据每个时间步进行分析，并通过门控单元对时间序列上的特征进行学习，提取EEG信号时域特征；本发明无需人工选取特征，而是由网络自动进行特征提取，网络具有更强的泛化能力。并且网络对EEG数据同时进行时域与频域特征的学习，发掘其更多的隐含特征，具有更高的识别准确率。且提高癫痫预测方法计算速度，使得病人在癫痫发作前提供足够的应对时间。

在癫痫的预测角度来说，因为运用的是基于网络的EGG特征提取，所以EEG信号特征高度一致，定制特征能够取得较强的泛化能力。

附图说明

图1是本发明的流程示意图；

图2是本发明的运行逻辑框架示意图；

图3是本发明步骤S4的流程图。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1至3所示，一种基于EEG信号癫痫监测方法，包括以下步骤：

S1、数据采集与标注：采集EEG信号和EEG数据，根据其PLV的不同，并对其进行无发病迹象或发病前标注；

S2、数据去噪；

S3、数据分割；将去噪完毕的信号进行切割，并保留数据标签；

S4、频谱转换：将EEG信号转换为EEG频谱；

S5、数据集构建：将EEG信号与其对应频谱的无发病迹象/发病前数据按照比例混合，构建数据集，并将数据集分为训练集与测试集；

S6、模型训练：将训练集输入构建好的神经网络模型，通过时域与频域的特征提取后，使用全连接进行分类，当模型损失值不再降低，保存模型；

S7、模型评价：将测试集数据输入模型，利用模型对其进行分类，对分类结果使用指定评价方式进行评价。

进一步，S1中：使用32导电极帽收集癫痫病人未发病且无发病迹象的EEG信号与发病前10分钟的EEG数据；所使用导联为AF3、AF4、AF7、AF8、c1、c2、C3、C4、C5、C6、CPl、CP2、CP3、CP4、CP5、CP6、CPz、Cz、F1、F2、F3、F4、F5、F6、F7、F8、FCl、FC2、FC3、FC4、FC5、FC6、Fpl、Fp2、Fpz、F，17、FT8、Fz、01、02、0z、P1、P2、P3、P4、P5、P6、P7、P8、P03、P04、P07、P08、POz、Pz、T7、T8、TP7、TP8根据其PLV的不同，并对其进行无发病迹象/发病前标注；无发病迹象EEG信号标注为0，发病前EEG信号标注为1。

进一步，S2是指：对收集到的EEG信号数据进行去噪处理，去眼电干扰及去伪迹。

进一步，S3中：将去噪完毕的信号以时窗长度3s进行切割。

进一步，S4中：将EEG信号、EEG频谱、数据标签处理为信号-频谱-标签形式数据，即EEG信号数据S＝{s

进一步，S5中：将无发病迹象数据和发病前数据按照2：1的比例构建数据集；将无发病迹象数据和发病前数据按照7：3的比例构建训练集与测试集。

进一步，S6中：模型主要由3部分构成，分别为RNN部分，CNN部分，FC部分；

RNN部分采用GRU处理EEG信号数据，通过对EEG信号数据每个时间步进行分析，并通过门控单元对时间序列上的特征进行学习，提取EEG信号时域特征；

CNN部分用于处理EEG频谱数据，CNN通过卷积、池化，对数据特征进行提取，得到EEG频域特征；

FC部分对提取完成的特征进行全连接运算，通过Sigmoid函数

进一步，步骤S6将构建完成的训练集与对应标签输入搭建好的模型中，模型进行迭代运算，优化参数，直到连续20次循环迭代，模型性能没有提升，停止模型训练，保存模型。

进一步，步骤S7中：采用精确率P，召回率R，准确率A对模型进行评价；准确率A为所有的预测正确的占总的比重；精确率P，为正确预测为正的占全部预测为正的比例；召回率R，为正确预测为正的占全部实际为正的比例。

精确率P,召回率R,准确率A所采用的评价公式如下：

其中，TP表示真正例、FP表示假正例、FN表示假负例，A表示准确率，P表示精确率，R表示召回率，将测试集数据输入训练完成的模型中，对模型分类结果进行评价。

上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。