一种癫痫脑电图/脑磁图异常波自动检测方法与定位系统

技术领域

本发明属于生物特征识别领域中的信号识别领域，具体为一种基于深度学习的癫痫脑电图/脑磁图异常波检测方法与溯源定位系统。

背景技术

作为最常见的神经性脑疾病之一，由反复发作引起的癫痫影响全球约1％的人口，几乎30％至40％的患者对药物无反应，这对他们的生理、心理和社会健康造成显著的负面影响。外科手术是治疗耐药癫痫患者的有效方法，其关键在于确定产生癫痫的大脑区域(致痫区)。癫痫棘波是一种被广泛接受的典型生物标记物，作为癫痫脑电图/脑磁图异常波的一种，用于识别癫痫的发生区。因此异常波分析可用于癫痫患者的术前评估。

脑电图(Electroencephalography,EEG)和脑磁图(Magnetoencephalography，MEG)是一种无创检测癫痫发作间期放电的有力技术。然而，最常见的异常波检测临床实践是由经验丰富的神经生理学专家对MEG/EEG信号进行视觉扫描。大量具有亚微秒时间分辨率和高数量MEG/EEG传感器的MEG/EEG记录使得医生主观审查过程耗时，并且不同医生之间的手动异常波识别和标记常常不一致且不详尽。基于在世界各地的几个主要医院进行的调查，对于1000Hz采样率的时长为2-3天的EEG数据，一个典型的神经生理学家通常需要大约3-6小时，对于1000Hz采样率的时长为90分钟的MEG数据，一个典型的神经生理学家通常需要大约1-3小时(依赖于临床经验和患者病情的复杂性)来筛选癫痫患者的异常波。

目前，人们已经提出了几种自动有效的异常波检测算法来检测癫痫脑活动中的异常波，以便准确、及时地进行临床评估。已发表的用于发作间期脑电图/脑磁图数据异常波检测的方法主要集中在时间、频率和小波域特征上。在给定信号段的情况下，异常波检测器可以实现特征提取和异常波与非异常波的分类。有些方法重点研究了异常波信号的幅度阈值特征(即时域特征提取)，并将动态时间规整(Dynamic Time Warping，DTW)作为无异常波模板先验知识的距离测度应用于脑电图/脑磁图异常波信号的检测。在另一项研究中，研究人员对异常波信号进行自动检测分两步进行：用一种常用的空间模式提取算法对信号进行子空间分解，然后用线性判别分析(Linear Discriminant Analysis，LDA)对癫痫性异常波信号进行分类。最近的一种算法使用了8个统计值(中位数、四分位间距、峰度等)作为特征，并使用K最近邻算法进行了遗传程序设计，以对发作间期异常波进行分类。总之，上述方法依赖于关于信号和事件的先验知识，从而能够通过间接信号转换或数学运算来预定义手工设计的特征。尽管取得了巨大的成功，但在临床实践中，目前提出的任何方法还比不上人工视觉检测，即脑电图/脑磁图信号的常规检测还是通过人工视觉检查。事实上，经验丰富的神经生理学专家在视觉检查中使用的多变量时间过程的特征也是非常困难的。因此，非常希望直接有效地从原始数据中确定峰值的特征信息，而无需为特定特征提供明确的特征提取算法或技巧。

发明内容

为了克服以上所述的现有传统异常波检测技术的不足,本发明提供一种基于深度学习的癫痫脑电图/脑磁图异常波检测方法及癫痫致痫灶的溯源定位系统，能精确有效地从脑电图/脑磁图原始数据中识别峰值事件，并基于自动检出的异常波进行致痫灶的溯源定位，定位颅内致痫灶位置，有效辅助临床医生的癫痫手术术前评估。

本发明的技术方案为：

一种癫痫脑电图/脑磁图异常波自动检测方法，其步骤包括：

1)对各样本脑电图/脑磁图数据进行分割，得到多个脑电图/脑磁图数据片段；其中每个脑电图/脑磁图数据片段为一大小为M*N的二维矩阵形式的数据集，M为该脑电图/脑磁图数据片段的通道数；N为该脑电图/脑磁图数据片段的通道时间长度或时间片数；

2)利用步骤1)得到的脑电图/脑磁图数据片段训练脑电图/脑磁图多视图异常波检测模型；其中所述脑电图/脑磁图多视图异常波检测模型包括模块一、模块二、模块三和分类输出模块；其中，模块一包括一维深度卷积神经网络，用于对脑电图/脑磁图数据片段中的一单通道进行表示学习，得到对应通道的特征数据，即该脑电图/脑磁图数据片段的局部特征数据；模块二为具有非共享和共享的权重二维深卷积神经网络，用于对输入的脑电图/脑磁图数据片段进行多通道表示学习和加权特征组合，得到该脑电图/脑磁图数据片段的全局特征数据；模块三用于将模块一和模块二所提取的特征进行特征融合；分类输出模块，用于根据融合的特征数据计算输出该脑电图/脑磁图数据片段的异常波分类结果；

3)对待处理的脑电图/脑磁图信号进行伪迹去除操作，然后对脑电图/脑磁图数据进行分割得到多个脑电图/脑磁图数据片段；

4)将步骤3)所得脑电图/脑磁图数据片段分别输入到训练后的脑电图/脑磁图多视图异常波检测模型中，得到对应脑电图/脑磁图数据片段的异常波分类结果；

5)根据步骤4)所得异常波分类结果确定该待处理的脑电图/脑磁图信号是否存在异常波。

进一步的，所述模块一包括输入数据处理模块，用于从输入的脑电图/脑磁图数据片段中获取一单通道数据，每一单通道数据依次经所述模块一的第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第二最大池化层、第五卷积层、第六卷积层、全局最大池化层和全连接层处理后输出；其中，第一卷积层、第二卷积层中分别包含K个滤波器，所述滤波器的卷积核大小为(1*j)；第一最大池化层、第二最大池化层均为大小为2的池化层；第三卷积层、第四卷积层中分别包含L个滤波器，其中滤波器的卷积核大小为(1*i)；第五卷积层、第六卷积层中分别包含P个滤波器，其中滤波器的卷积核大小为(1*k)；所述模块二依次包括一非共享权重二维卷积层、共享权重二维卷积层；其中非共享权重二维卷积层包括K’个卷积核大小i’*j’的滤波器，共享权重二维卷积层包括L’个卷积核大小1*1的滤波器；其中，0小于K’，0小于j’小于N，0小于i’＝M，0小于L’，N大于100，K大于0，L大于0，P大于0，且P＝L’；j大于0，(N-2j+2)大于0，i大于0，(N/2-j-2i+3)大于0，(N/4-j/2-i-2h+3.5)大于0。

进一步的，根据脑电图/脑磁图数据片段的异常波分类结果，利用峰值检测算法自动标记出该脑电图/脑磁图数据片段中异常波信号的出现时刻，然后对该异常波信号出现时刻的全通道信号数据进行溯源，定位出癫痫病灶区域。

进一步的，所述分类输出模块将融合的特征数据进行展平、全连接层处理之后，输出该脑电图/脑磁图数据片段的异常波分类结果。

一种癫痫致痫灶的溯源定位系统，其特征在于，包括伪迹去除模块、信号分段模块、脑电图/脑磁图多视图异常波检测模型和致病灶溯源定位模块。

所述伪迹去除模块，用于对待处理的脑电图/脑磁图信号进行伪迹去除操作；

所述信号分段模块，用于对脑电图/脑磁图数据进行分割，分割后得到的每个脑电图/脑磁图数据片段为一大小为M*N的二维矩阵形式的数据集；M为该脑电图/脑磁图数据片段的通道数；N为该脑电图/脑磁图数据片段的通道时间长度或时间片数；

所述脑电图/脑磁图多视图异常波检测模型包括模块一、模块二、模块三和分类输出模块；其中，模块一包括一维深度卷积神经网络，用于对脑电图/脑磁图数据片段中的每一单通道进行表示学习，得到对应通道的特征数据，即该脑电图/脑磁图数据片段的局部特征数据；模块二为具有非共享和共享的权重二维深卷积神经网络，用于对输入的脑电图/脑磁图数据片段进行多通道表示学习和加权特征组合，得到该脑电图/脑磁图数据片段的全局特征数据；模块三用于将模块一和模块二所提取的特征进行特征融合；分类输出模块，用于根据融合的特征数据计算输出该脑电图/脑磁图数据片段的异常波分类结果；

所述致病灶溯源定位模块，用于根据脑电图/脑磁图数据片段的异常波分类结果，利用峰值检测算法自动标记出该脑电图/脑磁图数据片段中异常波信号的出现时刻，然后对该异常波信号出现时刻的全通道信号数据进行溯源，定位出癫痫病灶区域。

本发明提出了一种新的基于深度学习网络的癫痫脑电图/脑磁图多视图异常波检测方法，该方法能够从脑电图/脑磁图数据的各个片段中自动识别出异常波。深度学习技术是一种从原始数据中自动有效地提取复杂的多层次表示数据特征的方法，并且有助于从发作间期的脑电图/脑磁图癫痫活动中捕捉异常波的深层、分层特征，以实现异常波检测。

本发明癫痫致痫灶的溯源定位系统，具体包括以下模块：

1.伪迹去除模块，对含有异常波的癫痫发作期间的脑电图/脑磁图信号进行伪迹去除操作，包括了低通滤波、高通滤波、眼电、心电伪迹去除操作。

2.信号分段模块，脑电图/脑磁图数据采集时间较长，不适合直接放入算法中训练。需要在放入算法进行训练前对脑电图/脑磁图数据进行分割，切割成每个脑电图/脑磁图数据片段大小为39*300的二维矩阵形式的数据集。

3.脑电图/脑磁图多视图异常波检测模型，本发明提出的异常波检测模型是基于深度学习的癫痫脑电图/脑磁图多视图异常波自动检测方法，脑电图/脑磁图多视图异常波检测模型是利用卷积神经网络模型提取时间片段中的深度非线性特征，该脑电图/脑磁图多视图异常波检测模型由三个主要模块组成：模块一包括一维深卷积神经网络作为单通道表示学习的基础模型，用于对脑电图/脑磁图数据片段中的一单通道进行表示学习，得到对应通道的单通道特征数据，即该脑电图/脑磁图数据片段的局部特征数据；模块二是二维CNN具有非共享和共享的权重用于多通道表示学习和加权特征组合，用于对输入的脑电图/脑磁图数据片段进行多通道表示学习和加权特征组合，得到该脑电图/脑磁图数据片段的全局特征数据(或称为多通道特征数据)；模块三是将模块一和模块二所提取的特征进行特征融合，最后部分是异常波结果的分类输出，即分类输出模块会将融合的特征数据经过展平、全连接层之后，输出该脑电图/脑磁图数据片段最终的异常波分类结果。在训练阶段，是将经过预处理和数据分段步骤的异常波/无异常波数据集用于异常波检测模型训练，在模型训练初步完成后，对所有训练集数据做检测，可以得到部分假阳性的检测结果，本专利提出将该假阳性结果和真阳性结果按照1:1的比例重新放入上述已加载参数权重的异常波检测模型中进行微调训练，以提高异常波检测模型对假阳性的识别能力，训练完成之后保存最佳模型权重。在异常波预测阶段，是直接加载已训练完成的模型权重，即可完成异常波检测工作。

4.致病灶溯源定位模块，异常波是癫痫疾病诊断和癫痫灶评估的重要指标，临床医生需要根据异常波信号的出现位置等信息来对癫痫进行评估。根据步骤3得到的异常波检测结果，利用峰值检测算法自动标记出异常波信号的出现时刻，然后再利用溯源算法对异常波信号时刻的全通道信号数据进行溯源，就可以定位出癫痫病灶区域。其中峰值检测算法是基于脑电图/脑磁图多视图异常波检测模型的基础上改进而来，也主要由三个主要模块组成：模块一包括一维深卷积神经网络作为单通道表示学习的基础模型，用于对脑电图/脑磁图数据片段中的一单通道进行表示学习，得到对应通道的单通道特征数据，即该脑电图/脑磁图数据片段的局部特征数据；模块二是二维CNN具有非共享和共享的权重用于多通道表示学习和加权特征组合，用于对输入的脑电图/脑磁图数据片段进行多通道表示学习和加权特征组合，得到该脑电图/脑磁图数据片段的全局特征数据；模块三是将模块一和模块二所提取的特征进行特征融合，然后会将融合的特征数据经过展平、全连接层之后，其中修改是全连接层和最后的输出层的激活函数为Softmax，输出该脑电图/脑磁图数据片段最终的峰值检测结果。

本发明的有益效果是：

1.本发明提出了从癫痫脑电图/脑磁图的异常波自动检测到致痫灶溯源定位的自动化算法流程，简化了医生的工作流程，有效辅助医生对癫痫病患进行术前评估。

2.本发明提供的脑电图/脑磁图多视图异常波自动检测方法解决现有异常波信号检测技术存在的抗干扰低、计算量大、检测速度缓慢、检测精度不高的问题。本发明提出的异常波自动检测方法模拟临床判断异常波信号需要结合单个通道(局部视野)和同时观察多个通道信号(全局视野)的人工视图查看方式，即本发明提出的同时查看每个通道(局部视野)和全部通道(全局视野)的多视图模式，针对脑电图/脑磁图每个通道和对按脑区分类的多通道脑电图/脑磁图信号数据同时进行特征的自动提取，摆脱仅依靠单通道信号的不可靠问题。

附图说明

图1是本发明实施例的脑电图/脑磁图异常波自动检测及其溯源定位流程图。

图2是本发明实施例的脑电图/脑磁图异常波的可视化图。

图3是本发明实施例的M通道的脑电图/脑磁图异常波分段可视化图。

图4是本发明实施例的脑电图/脑磁图异常波自动检测算法的训练及预测流程图。

图5是本发明实施例的基于深度学习的癫痫脑电图/脑磁图多视图异常波自动检测模型示意图。

图6是本发明实施例的峰值检测训练目标的可视化图。

图7(a)是本发明实施例的癫痫致痫灶的溯源定位结果轴状位可视化图；

图7(b)是本发明实施例的癫痫致痫灶的溯源定位结果冠状位可视化图。

具体实施方式

为了更好的阐述本发明的技术方案，下面结合附图及具体实施例对本发明做进一步的详细描述。为了解决上述存在的技术问题,本发明提供了基于深度学习的癫痫脑电图/脑磁图多视图异常波自动检测及致痫灶溯源定位的方法、系统，具体包括以下步骤:

图1展示了本发明实施例的完整的多视图异常波自动检测流程到溯源定位流程所经过的全部过程，首先是伪迹去除阶段，其中包括了对获取的原始脑电图/脑磁图数据的伪迹去除操作，包括了滤波、心电、眼电伪迹去除，以及归一化操作，然后是信号分割阶段，即对脑电图/脑磁图数据按照脑区和指定时间片段进行数据分割，分割了大小为M*N的二维矩阵数据集形式，然后是异常波检测阶段，将分割好的数据放入到训练好的异常波自动检测模型中进行预测，判断异常波是否存在。最后是溯源定位阶段，根据检测得到的异常波结果，定位到异常波的发生时刻，即标记出异常波信号的出现时刻，再利用溯源算法对异常波信号时刻的全通道信号数据进行溯源，就可以定位出癫痫病灶区域。

1.伪迹去除步骤：

如图2所示展示了M个通道的脑电图/脑磁图数据示例，其中黑色标线表示了异常波信号的位置。获取患者在癫痫发作时期的所有原始EEG/MEG波形数据，先对原始波形数据进行伪迹去除操作，其中详细的操作包括以下步骤:

1.滤波去噪，使用高通滤波器去除基线漂移噪音、工频干扰噪音，使用低通滤波器去除噪音干扰。本发明实施例中采用了1Hz～100Hz的频率区间进行滤波，通过滤波处理能够有效的去除EEG/MEG数据中的各种噪音带来的干扰，从而进一步提高异常波自动检测的正确率。

2.通过独立成分分析(ICA)算法去除眼电/心电(EOG/ECG)伪迹。

3.进行标准化(z-score)处理，使得数据符合标准正态分布。

上述预处理手段为本领域内技术人员的基础技术手段，本发明中不再详细描述。

2.脑电图/脑磁图信号分段步骤：

图3展示了本发明实施例的脑电图/脑磁图异常波分段可视化图。获取得到的脑电图/脑磁图原始数据经过预处理后，需要将其按照时间和脑区分别进行分段，方便后续模型的训练。本发明实施例中采取了300ms的时间间隔对其进行分段，即每个片段的时间长度为Nms，然后需要将脑电图/脑磁图所有通道的脑电图/脑磁图数据按脑区划分，每个脑区占据M个通道，其中不足M通道的，通过补充全零通道来补全。通过信号分段后，可以得到多个M*N大小的矩阵形式的数据集，即是指定时间宽度的多通道的脑电图/脑磁图信号的数据集。值得注意的是，在对测试数据进行数据分割时，需要将数据分割成Nms为区间的时间片段，期间有50ms的交叠区域，交叠区域主要是防止切割原始波形数据时将异常波分割为不完整的两部分，造成算法的漏检。

3.癫痫脑电图/脑磁图多视图异常波自动检测模型训练及预测步骤：

图4展示了本发明实施例中癫痫脑电图/脑磁图多视图异常波自动检测算法的训练流程以及预测新的脑电图/脑磁图测试数据的预测流程。其中包括了模型训练阶段和模型测试阶段。图4上侧展示了模型训练阶段的流程，其中训练阶段囊括了脑电图/脑磁图异常波数据和非异常波数据的收集，之后将其按照上述的步骤1、步骤2进行数据处理操作，可以得到M*N的二维矩阵数据集，然后再将其放入癫痫脑电图/脑磁图异常波自动检测算法中进行训练，经过多轮迭代训练后得到最后最终的训练结果，再将对应的脑电图/脑磁图多视图异常波自动检测模型进行保存，用于后续测试。图4下侧展示了脑电图/脑磁图多视图异常波自动检测的测试流程，当需要检测新的脑电图/脑磁图测试数据的异常波时，需要对其进行步骤1、2的操作，即伪迹去除和信号分割操作，之后将其放入基于深度学习的癫痫脑电图/脑磁图多视图异常波自动检测模型进行预测，得到异常波检测结果，其检测结果为0到1之间的数值，表达了该脑电图/脑磁图片段是否是异常波的概率，其输出结果1表示存在异常波信号，而结果0表示不存在异常波信号,然后返回到对应的原始数据上,即可知晓原始脑电图/脑磁图波形数据在哪些时刻出现了异常波。

癫痫脑电图/脑磁图多视图异常波自动检测模型详细描述如下：

图5所示是本发明实施例的基于深度学习的癫痫脑电图/脑磁图多视图异常波自动检测模型。异常波检测模型由N*M的EEG/MEG数据的二维矩阵作为输入，输入数据的流入网络有独立的两部分，分别叫做单通道输入分支和多通道输入分支。其中单通道输入分支用于自动提取每个通道的特征表示，而多通道输入分支用于自动提取M个通道之间的特征表示。之后再将单通道分支提取得到的特征与多通道分支提取得到的特征进行融合，再通过展平层，全连接层之后，输出异常波的分类概率。为方便描述，图5中的每个部件都通过数字进行表明阐述。

多通道分支描述如下：经过多通道分支处理之后，即可得到全局特征数据，也可称为多通道特征数据。

输入数据层501：数据经过预处理后，对脑电图/脑磁图数据进行分割，分割后的每个片段中包含有N个时间片(数据是以1000Hz的采样频率进行记录的；一个时间片可以理解为1ms)。在每个片段内，存储EEG/MEG的M个通道数据，如果不足M，则通过填充全零通道进行补足。因此，可得到一个N*M的矩阵数据。

从输入数据层501至输出矩阵504的整个过程都是多通道分支提取全局特征的过程。如果输入数据层501输入数据是M*N，M为该脑电图/脑磁图数据片段的通道数；N为该脑电图/脑磁图数据片段的通道时间长度或时间片数，那么经过非共享权重二维卷积层502的滤波器K’*(i’*j’)，其中的滤波器个数为K’，卷积核大小为(i’*j’)后，得到的结果大小是(N-j’+1)*(M-i’+1)*K’，经过共享权重二维卷积层503的滤波器L’*(1*1)，即滤波器个数为L’，卷积核大小为(1*1)，得到结果是(N-j’+1)*(M-i’+1)*L’；其中，0小于K’，0小于j’小于N，0小于i’＝M，0小于L’。

单通道分支描述如下：经过单通道分支处理之后，即可得到局部特征数据，也可理解为单通道特征数据。

从输入数据层506到矩阵514的整个过程都是单通道分支提取局部特征的过程。如果输入数据是1*N，那么经过第一卷积层和第二卷积层，其中第一卷积层、第二卷积层中分别包含K个滤波器，所述滤波器的卷积核大小为(1*j)，之后得到的是(N-2j+2)*K；经过第一最大池化层508之后，输出维度是(N/2-j+1)*K；再经过第三卷积层和第四卷积层，其中第三卷积层、第四卷积层中分别包含L个滤波器，其中滤波器的卷积核大小为(1*i)，之后得到的是(N/2-j-2i+3)*L；经过第二最大池化层510之后，得到的是(N/4-j/2-i+1.5)*L；再经过第五卷积层和第六卷积层，分别包含了P个滤波器，其中滤波器的卷积核大小为(1*k)，得到的是(N/4-j/2-i-2k+3.5)*P；再经过全局最大池化层512，可得1*P；再经过全连接层513，可得1*P，即为矩阵514的最终结果。N取值范围是大于100；K取值范围是大于0；P取值范围是大于0，其中P需要保证长度和多通道分支输出的维度L’一致；j取值范围是：j大于0，(M-2j+2)大于0；i取值范围是：i大于0，(N/2-j-2i+3)大于0；k取值范围是：k大于0，(N/4-j/2-i-2k+3.5)大于0，L大于0。

特征融合515：将多通道的特征和单通道得到的特征进行加法操作，得到融合的特征。

展平层516:将得到的融合特征进行展平操作，得到一个一维的矩阵。

两个全连接层(即全连接层517，全连接层518)：全连接层的个数分别为512和64，使用激活函数都为ReLU，用于增加非线性拟合能力，通过两个全连接层之后，输出维度变为1*64的矩阵。

输出层519:使用Sigmoid激活的全连接层,采取Dense函数把特征向量长度为64的向量降为长度为1的向量，输出值将表示异常波出现的概率。

模型训练过程中采用的优化函数是Adam，学习率设置为2e-4，采用了二元交叉熵(binary_crossentropy)作为损失函数，训练的批量大小(batch size)为64。在训练过程中采取了早停技术(early stopping)，随着训练轮数增加，如果在验证集上发现误差上升则停止模型的训练，将停止之后的权重作为模型的最终参数，用于防止过拟合。其中网络中的参数更新则采取了梯度反向传播技术，为本领域内专业人士基础知识，已实现在开源的深度学习框架下，本专利内不再细致描述其细节。

模型训练初步完成后，对所有训练集数据做检测，可以得到部分假阳性的检测结果，本专利提出将该假阳性结果和真阳性结果按照1:1的比例重新放入上述已加载参数权重的异常波检测模型中进行微调训练，以提高异常波检测模型对假阳性的识别能力，其中模型训练过程中采用的优化函数是Adam，学习率设置为1.5e-4，采用了focal loss作为损失函数，该损失函数在本领域内属于公知技术。

模型训练完成后，将其模型参数及其网络结构完整保存下来，存为h5格式模型文件。后续用于新的EEG/MEG测试数据预测时，只需要加载其模型文件，就可以对经过同样预处理和分段操作的测试数据进行预测，得到该EEG/MEG测试数据中异常波的分类结果。

网络参数对模型的影响较大，实施例所给数字经过验证能够获取显著的效果；滤波器数量、滤波器的大小、全连接层的大小所做的任何等同替换、改进等，均应包含在本发明的保护范围之内。

4.致病灶溯源定位步骤

溯源定位阶段，是根据检测得到的异常波结果，定位到异常波的发生时刻，即标记出异常波信号的出现时刻，再利用溯源算法对异常波信号时刻的全通道信号数据进行溯源，就可以定位出癫痫病灶区域。图7(a)和图7(b)分别展示了本发明实施例中利用偶极子溯源算法对异常波进行溯源定位得到的轴状位和冠状位的可视化图形，其中影像数据上的箭头指出的小圆点对应的就是异常波的溯源结果，即通过检测脑电图/脑磁图异常波的位置，再通过偶极子溯源算法定位到颅内的致痫灶位置。

其中，脑电图/脑磁图的峰值检测算法是基于脑电图/脑磁图多视图异常波检测模型的基础上改进提出的，具体描述如下：峰值检测算法训练的数据也和异常波检测数据集相同，将其按照上述的步骤1、步骤2进行数据处理操作，可以得到M*N的二维矩阵数据集用于模型的训练，但训练目标不同，异常波检测算法对应的训练目标(GroundTruth)是二分类问题，而对于峰值检测而言是不适用的，本文提出的峰值检测的巧妙地将峰值检测转换为N分类问题，即训练目标(GroundTruth)是N个分类，但又不能简单的设置为峰值处为1，其余处为0(one-hot编码)，值得注意的是，这种one-hot编码形式很难将模型训练成功。对于异常波的峰值而言，整体过程是从快速上升到达峰值，然后快速下降的趋势，所以本文提出假设，假设峰值的曲线符合正态概率密度函数分布，图6展示了峰值检测训练目标的可视化图，如果200ms时是峰值，那么将其设置为1，其余部分按照正态概率密度函数设置呈现下降的趋势，具体实现思路如下：

label_index表示峰值所在处的索引，segment_length表示脑电图/脑磁图数据长度，这里为300，那么均值等于label_index-segment_length/2)/(segment_length/2)，标准差本专利设置为0.01，x等于在区间[-1，1]中计算出的segment_length个均匀间隔的样本,将均值，标准差，x代入正态概率密度函数，即可得到对应的峰值检测的训练目标y(GroundTruth)。

癫痫脑电图/脑磁图峰值检测模型详细描述如下：

癫痫脑电图/脑磁图峰值检测模型和图5所示是本发明实施例的基于深度学习的癫痫脑电图/脑磁图多视图异常波自动检测模型的模块1和模块2相同，修改了模块3的网络结构，具体如下：

首先，修改了全连接层的数量，即将图5中的异常波检测模型中的两个全连接层(即全连接层517，全连接层518)修改成一个全连接层，其个数为2048，使用激活函数都为Leaky ReLU，用于增加非线性拟合能力；二是，将输出类别从原来的2分类改为N分类，即将图5中的异常波检测模型中的输出层519中使用Sigmoid激活的全连接层,采取Dense函数把特征向量长度为64的向量降为长度为1的向量，修改为使用Softmax激活函数的全连接层,采取Dense函数对输入特征进行降维处理，把特征向量长度为2048的向量降为长度为N的向量，输出值将表示峰值出现的概率。

模型训练完成后，将其模型参数及其网络结构完整保存下来，存为h5格式模型文件。后续用于新的EEG/MEG测试数据预测时，只需要加载其模型文件，就可以对经过同样预处理和分段操作的测试数据进行预测，得到该EEG/MEG测试数据中峰值检测的结果。

网络参数对模型的影响较大，实施例所给数字经过验证能够获取显著的效果；滤波器数量、滤波器的大小、全连接层的大小所做的任何等同替换、改进等，均应包含在本发明的保护范围之内。

本专利所述网络模型可用于癫痫脑电图/脑磁图等时序数据的各类型异常波检测，异常波包括了棘波、尖波、棘慢复合波、尖慢复合波、多棘慢复合波、节高度节律失调、发作性律爆发、全面性周期性癫痫样放电、侧性周期性癫痫样放电、高波幅θ、高波幅δ、高波幅β波、高波幅慢波、α节律不规则、两相波、三相波等波形，凡将网络模型应用于上述异常波形检测，均应包含在本发明的保护范围之内。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。