基于图注意力网络的癫痫检测系统、设备及介质
文献发布时间:2023-06-19 09:46:20
技术领域
本申请涉及癫痫检测技术领域,特别是涉及基于图注意力网络的癫痫检测系统、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术,并不必然构成现有技术。
癫痫是指脑神经元突发性异常和过度超同步化放电所产生的临床现象。癫痫发作通常是全身性发作,会使人失去意识,伴有抽搐等现象,严重影响人们的正常生活,甚至是生命。
世界上正有成千上万人承受着癫痫的折磨,甚至我们的身边都有多例患者,对癫痫发作做出检测并予以治疗成为重中之重。
当前的癫痫检测很多是基于脑电图数据的,并由有经验的医生耗费大量的时间观看脑电图数据,这耗费了医生大量的精力,而且对医生要求较高,满足这样条件的医生相对不足,所以癫痫发作检测系统就成了替代人工的最好选择,而提高检测准确性是该技术人员亟需解决的关键问题。
发明内容
为了解决现有技术的不足,本申请提供了基于图注意力网络的癫痫检测系统、设备及介质;
第一方面,本申请提供了基于图注意力网络的癫痫检测系统;
基于图注意力网络的癫痫检测系统,包括:
获取模块,其被配置为:获取由N通道电极采集的待检测脑电数据;对获取的待检测脑电数据进行预处理;N为正整数;
特征表达模块,其被配置为:基于预处理后的待检测脑电数据,构建图结构;将图结构和预处理后的待检测脑电数据,同时输入到图神经网络中进行特征提取,得到提取的特征表达;
分类模块,其被配置为:将特征表达通过softmax层进行分类,得到分类结果。
第二方面,本申请还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备完成上述第一方面所述的系统的功能。
第三方面,本申请还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的系统的功能。
与现有技术相比,本申请的有益效果是:
通过使用图注意力网络模型对一段时间的脑电图信号进行分析;将脑电图的多个双电极通道信号转为图,分析这些通道的关系确定图结构;通道信号和图结构作为模型的输入,传入数据与结构;通过图注意力机制关注最具有影响能力的通道,确定通道之间的权重,根据权重更新特征表达;经过多个图注意力层,进行读出,通过输出层进行分类,使用Focal Loss处理样本不平衡,最终达到癫痫的自动检测。本系统利用脑电图,通过图注意力网络得到一段时间信号的特征表达,最终进行分类,进一步提高了癫痫检测的准确性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是一个实施例中癫痫检测具体流程图;
图2是一个实施例中脑电图数据预处理流程图;
图3是一个实施例中预处理后的癫痫发作间期脑电图;
图4是一个实施例中预处理后的癫痫发作脑电图;
图5是一个实施例中改进的图神经网络结构示意图;
图6(a)-图6(d)是一个实施例中癫痫检测的结果评估图;
图7是一个实施例中癫痫检测与其他癫痫检测系统的比较图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了基于图注意力网络的癫痫检测系统;
如图1所示,基于图注意力网络的癫痫检测系统,包括:
获取模块,其被配置为:获取由N通道电极采集的待检测脑电数据;对获取的待检测脑电数据进行预处理;N为正整数;
特征表达模块,其被配置为:基于预处理后的待检测脑电数据,构建图结构;将图结构和预处理后的待检测脑电数据,同时输入到图神经网络中进行特征提取,得到提取的特征表达;
分类模块,其被配置为:将特征表达通过softmax层进行分类,得到分类结果。
作为一个或多个实施例,所述获取由N通道电极采集的待检测脑电数据;具体包括:
获取由16条双通道电极,对脑电信号进行采集,得到待检测的脑电数据。
对脑电图进行通道选择,选择最通用的16条双电极通道,对其他的双电极通道和单电极通道不作考虑。16条双电极通道,是指:国际10-20体系中的'FP1-F7','F7-T7','T7-P7','P7-O1','FP1-F3','F3-C3','C3-P3','P3-O1','FP2-F4','F4-C4','C4-P4','P4-O2','FP2-F8',u'F8-T8','FZ-CZ','CZ-PZ'。
这里的16条通道是脑电数据在获取时不同的位置不同的电极中选择通用的部分,有利于统一的进行程序的运行。图3和图4显示的是经过通道选择后的癫痫发作间期脑电图与癫痫发作脑电图,从图中可以明显感受到两种类别的波动有所不同。EEG数据,通过在大脑皮层放置电极获取EEG数据,要求头皮上每个电极位的电阻为0。
作为一个或多个实施例,如图2所示,对获取的待检测脑电数据进行预处理;具体包括:
对获取的待检测脑电数据进行带通滤波处理;
对带通滤波处理后的脑电数据进行按照时间间隔划分处理;
对每个时间间隔内的脑电数据进行正则化处理。
进一步地,所述对带通滤波处理后的脑电数据进行按照时间间隔划分处理;具体包括:
对带通滤波处理后的脑电数据,每间隔5秒划分为一个待测试样本,就得到了若干个待测试样本。5s的时间足够检出癫痫是否发作。
进一步地,对脑电图数据进行正则化处理,求出所有脑电信号的极大值与极小值,之后求均值,求方差,进行正则化处理,模型的数据保持在同一分布,使模型更有利于收敛。
应理解的,对每个时间间隔内的脑电数据进行正则化处理,使图注意力层更有利于收敛。
作为一个或多个实施例,基于预处理后的待检测脑电数据,构建图结构;具体步骤包括:
对预处理后的训练集脑电数据,按照通道做相关性分析,将一个通道视为一个节点,根据任意两个通道之间是否存在相关性来决定节点之间是否存在连接边,根据节点和节点之间的连接边,得到图结构。
作为一个或多个实施例,将图结构和预处理后的待检测脑电数据,同时输入到图神经网络中进行特征提取,得到提取的特征表达;这里的图神经网络是训练好的图神经网络;所述训练好的图神经网络的训练步骤包括:
构建图神经网络,所述图神经网络中包括依次连接的输入层、第一图注意力层、第一Relu函数层、第二图注意力层、第二Relu函数层、全连接层和输出层;第一图注意力层和第二图注意力层,均采用多头注意力机制;
构建训练集,所述训练集为已知癫痫阶段或癫痫间期阶段标签的脑电数据;
基于训练集对图神经网络进行训练,得到训练好的图神经网络。
通过设置两个图注意力层,可以实现特征的充分提取。
所述训练集脑电数据,是指对筛选过后的脑电图数据根据时间进行切分,选取的通道分别每隔5s划分为一个样本,作为训练测试样本。对脑电图数据根据时间进行切分,选取的通道分别每隔5s划分为一个样本,作为训练以及测试样本,5s的时间足够检出癫痫是否发作,切分的样本根据比例构成训练集与测试集。
所述训练集脑电数据中,癫痫发作期样本数量与癫痫发作间期样本数量严重不平衡,癫痫发作相当于分类中的小类,癫痫发作间期相当于分类中的大类,引入focal loss作为损失函数,用Focal Loss替代交叉熵损失函数,解决样本不平衡问题。
进一步地,所述根据任意两个通道之间是否存在相关性来决定节点之间是否存在连接边,是指:如果两个通道之间的相关性大于设定阈值,则表示二者之间存在相关性,则对相应的节点之间进行连线;如果两个通道之间的相关性小于等于设定阈值,则表示二者之间不存在相关性,则对相应的节点之间不进行连线。
示例性的,将脑电样本的16条通道做皮尔森相关性分析,得出通道之间的相似度,根据相似度设置阈值,得到图结构,16条通道转化为图的16个节点,充分利用通道数据的信息与时间空间的相关信息。
进一步地,所述相关性是指皮尔森相关性。
将脑电图数据选择的通道做皮尔森相关性分析,得到通道形成的图结构。这里的通道相关性分析,也可以通过余弦距离、欧式距离等相似度测量方法进行测量,以确定通道图结构。
进一步地,图结构中连接边的权重进行设置,具体包括:通过前馈神经网络设置图结构中连接边的权重。
在模型中,图注意力层通过与其他节点之间的权重聚合周边节点的信息,更新自身,得到新的特征表示,权重的计算规则如下:
其中,i,j分别代表不同的节点,a是一个单层的前馈神经网络,通过权值向量来确定,并且加入了LeakyRelu的非线性激活,通过神经网络训练得到节点之间的权重,从而更新节点表示。
示例性的,将脑电样本和图结构输入到图神经网络的图注意力层,可以根据通道之间的关系,通过一个前馈神经网络得到各个通道之间的权重,从而聚合其他通道的信息,更新自身,充分考虑了不同通道之间在空间和时间上的相互影响。堆叠2层图注意力层,数据经过两层训练,学习到更具有表达力的特征;通过读出操作得到图表示,各个通道节点的特征表达通过读出操作得到图的特征表达,即一段时间的信号的特征表达。
图神经网络的图注意力层使用多头注意力机制,根据权重更新节点特征表示,规则如下:
K表示头的数量,取平均得到新的特征表示,通过多头注意力机制得到不同层次的特征信息。
训练得出样本的特征表达,在图5中清晰的表现出进行样本的特征学习的细节,以及一系列的流程。具体地,分为通道节点的特征表达和脑电样本的特征表达。
将16条通道转化为图的16个节点,充分利用通道数据的信息与时间空间的相关信息;
图注意力层可以根据通道之间的关系,通过一个前馈神经网络得到各个通道之间的权重,从而聚合其他通道的信息,更新自身,充分考虑了不同通道之间在空间和时间上的相互影响;
使用二层图注意力层,节点的特征表达经过一层图注意力层后,再经过一层图注意力层,学习到更具有表达力的特征;
各个通道节点的特征表达通过读出操作得到图的特征表达,即脑电样本的特征表达。读出操作,就是将图节点的表示进行拼接,作为图的表示。
作为一个或多个实施例,将特征表达通过softmax层进行分类,得到分类结果;这里的分类结果是指癫痫发作期或癫痫发作间期。
通过一层输出层,进行SoftMax分类,将样本分类为癫痫发作或癫痫发作间期。
本申请可以对脑电图数据进行分析,检测某段时间是否有癫痫发作,从而为治疗做出依据。
如图6(a)-图6(d),显示的是,模型在1-9个病人身上做癫痫检测,最后得到评估结果。从左至右依次分别是准确率、敏感性、特异性、F1-score的评估方法。由图可见,模型检测效果良好;在图7,显示的是我们的方法与其他研究人员提出的方法的比较,结果显示,我们的方法要优于他们的方法。
实施例二
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的系统的功能。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
实施例三
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述系统的功能。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
- 基于图注意力网络的癫痫检测系统、设备及介质
- 基于白质融合特征图和残差注意力网络的癫痫检测系统