基于LSTM多通道的脑电癫痫尖棘波放电联合检测方法与流程

本发明属于智能医学信号处理领域，涉及一种基于长短时记忆神经网络(lstm)多通道的脑电癫痫尖棘波放电联合检测方法。

背景技术：

传统的尖棘波放电检测方法主要是通过对一段单通道信号的特征提取然后将其与典型的尖棘波信号的特征参数进行比较，以判断其是否为尖棘波信号，从而达到尖棘波信号检测的目的，其检测方法过程存在以下两个缺点：

1.对于特征的选取过于敏感，同一个特征在不同个体上不同时期信号的差异性可能不同，容易产生某个特征在一些个体上区分度较高，而对于其他个体而言不具有区分性的现象；

2.传统检测算法往往进行的是单通道的检测，一般来说，尖棘波是一种能在多个大脑区域的癫痫样放电活动，即能在多个检测电极上测量到类似的特征波形，仅对单通道进行的检测准确性不能满足需要。

本发明基于脑电各个导联在发生尖棘波放电时的波形特征，提出了一种针对尖棘波波形特征的lstm多通道尖棘波放电联合检测算法，能够实现在多通道信号输入下精度更高、抗干扰能力更强的尖棘波检测效果。

技术实现要素：

本发明针对传统尖棘波检测方案的不足，提出了一种基于lstm多通道的脑电癫痫尖棘波放电联合检测方法。本发明能够实现在无需人工选取具体信号特征从而化简特征提取步骤下，通过对多个通道提取到的特征进行融合，从而得到更精确的检测效果。

本发明的技术方案主要包括如下步骤：

步骤1、对输入的原始多导联脑电进行滤波以及心电、咀嚼吞咽等生理活动造成的伪迹消除。对处理后的信号首先依据检测目标波形时长特征，在时域对其进行分割，将信号转化为后续步骤的识别形式。

步骤2、将分割后信号中每条通道的数据经由长短时记忆神经网络进行特征提取，并通过自适应加权融合算法进行特征融合。

步骤3、利用特征融合得到的结果，通过全连接神经网络对多通道信号片段进行分类，最终得到整段信号不同时段的分类结果，从而达到尖棘波放电检测的目的。

所述步骤1的具体实现包括以下几个步骤：

1-1.将原始输入的多通道脑电信号利用0.5-70hz带通滤波器以及50hz陷波滤波器进行滤波。

1-2.通过协方差矩阵之间的距离利用k-means算法将数据聚为若干个簇，将信号分段并计算每段信号协方差矩阵与各簇质心间的距离，并将其归类为与其距离最小的簇。进一步求得标准化距离，将其视为z分数，然后用一个移动平均滤波器对得到的分数进行平滑处理，能有效消除信号中心电、咀嚼吞咽等伪迹干扰。

1-3.将处理完的信号在时间域分割成小样本，每个样本信号为0.2s一帧，其中帧重叠为50％。得到分割结果为若干个帧长为0.2s的多通道信号片段。

步骤1需要注意如下几点：

(1)步骤1-1中使用0.5-70hz带通滤波器的依据是脑电活动频率主要集中于该频率段，使用50hz陷波滤波器的依据是为了消除50hz工频噪声的干扰。

(2)步骤1-3中选取0.2s作为一帧的时长是考虑到棘波放电时长为0.02-0.07s，尖波放电时长为0.07-0.2s。

所述的步骤2根据滤波去伪迹并进行分割后得到的多通道信号片段，利用长短时记忆神经网络对该片段中每一维数据进行特征提取，得到多通道信号片段分类概率矩阵，并通过自适应加权融合算法进行特征融合：

2-1.将0.2s的多通道信号片段数据中每个单通道的信号片段划分成三类，即负相尖棘波、正相尖棘波、正常波形。

2-2.基于样本库随机将样本分成8:2,其中80％为训练样本，其余的20％为测试样本。

2-3.构建一个长短时记忆神经网络，其训练流程为：

(1)令l(n)为每一个lstm模块的损失函数，n为lstm模块的个数，首先定义全局化损失函数：

(2)令hi(n)为隐藏层第i个记忆单元的输出，m为记忆单元的长度，由链式法则得到全局化损失函数l对权重参数w的偏微分：

引入变量l(n)，用于表示第n步开始到结束的损失：

相应偏微分公式变为：

联立得最优化结果为：

(3)利用各权重参数对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化。

2-4.利用训练好的长短时记忆神经网络分类模型对测试样本进行分类，得到每个样本的输出类别以及识别率；所述的输出类别即负相尖棘波、正相尖棘波、正常波形；

2-5.利用训练好的网络模型，通过截取网络softmax层概率输出，生成所有多通道信号片段的分类概率矩阵，其行数等于输入信号通道数，列数等于长短时记忆神经网络模型的分类类别个数。

2-6.通过自适应特征加权融合算法对概率矩阵进行降维，令p为步骤2-5所得分类概率矩阵：

p＝[pl，…，pm]∈r^n×m

其中pi为n维列向量，代表判定为第i类的概率，i取值为1或2或3。设为最终的降维结果，有公式如下：

w＝[wl...wm]^t

其中pi，max为pi向量中最大的分量值。由此可以得到所有多通道信号片段对应的特征向量

所述步骤3基于上一步得到样本的特征向量，训练一个两层的全连接神经网络实现多通道放电联合检测，得到该时间段的样本所属的最终类别，以及整体测试样本的分类准确率：

3-1.将分割所得多通道信号片段依据有无尖棘波放电现象划分为两类。

3-2.基于样本库随机将样本分成8:2,其中80％为训练样本，其余的20％为测试样本。样本值为经由上步所得的信号片段的特征向量。

3-3.构建一个全连接神经网络，其训练流程为：

(1)前向传播，即由输入层开始，逐层计算每一个神经元的输出，最终得到输出层神经元的输出。

令x为神经元的输入，w为权重矩阵，b为偏置，f为激活函数，则输出h有公式如下：

h＝f(wx+b)

(2)反向传播，采用梯度下降法更新参数，定义好损失函数后，通过链式求导法则计算损失函数对权重参数的偏微分，利用各权重参数对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化。

3-4.利用训练好的全连接神经网络分类模型对测试样本进行分类，得到每个样本的输出类别以及总的识别率。

本发明有益效果如下：

本发明提出的针对尖棘波波形特征的尖棘波放电多通道检测算法，是考虑到尖棘波放电作为一种癫痫样放电对癫痫诊断与发作预警的重要意义，在输入脑电图中精确标注尖棘波放电时间点进而提供放电频率、放电部位等具体信息，可以有效提高临床诊断效率。由于脑电信号复杂程度高且易受干扰，加之存在波形特征相似度高但非尖棘波信号的正常生理电信号，传统的特征提取算法加分类器对其的检测效果较差，本发明中利用长短时记忆神经网络提取特征，利用全连接神经网络进行分类识别，实现较为精准的尖棘波放电检测功能。

运用此种基于lstm多通道的脑电癫痫尖棘波放电联合检测方法后，通过搭建长短时记忆神经网络快速提取信号每个通道的特征，减少尖棘波相关特征提取的工作量，通过搭建全连接神经网络以实现对提取到特征的多通道联合检测，减少单通道中类似但非尖棘波波形对检测的干扰，从而有效解决多通道尖棘波检测中经常存在的误报率高的问题，达到精准检测的效果。所提出算法能够同时检测尖棘波放电时间节点以及尖棘波放电导联位置，对癫痫类型检测与癫痫发作检测都具有较大意义。

附图说明：

图1系统总体结构图

图2棘波识别效果图

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和2所示，通用的针对尖棘波放电多通道联合检测方法的实现步骤，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、对输入的原始多导联脑电进行滤波以及心电、咀嚼吞咽等生理活动造成的伪迹消除。对处理后的信号首先依据检测目标波形时长特征，在时域对其进行分割，将信号转化为后续步骤的识别形式。

步骤2、将分割后信号中每条通道的数据经由长短时记忆神经网络进行特征提取，并通过自适应加权融合算法进行特征融合。

步骤3、利用特征融合得到的结果，通过全连接神经网络对多通道信号片段进行分类，最终得到整段信号不同时段的分类结果，从而达到尖棘波放电检测的目的。

所述步骤1的具体实现包括以下几个步骤：

1-1.将原始输入的多通道脑电信号利用0.5-70hz带通滤波器以及50hz陷波滤波器进行滤波。

1-2.通过协方差矩阵之间的距离利用k-means算法将数据聚为若干个簇，将信号分段并计算每段信号协方差矩阵与各簇质心间的距离，并将其归类为与其距离最小的簇。进一步求得标准化距离，将其视为z分数，然后用一个移动平均滤波器对得到的分数进行平滑处理，能有效消除信号中心电、咀嚼吞咽等伪迹干扰。

1-3.将处理完的信号在时间域分割成小样本，每个样本信号为0.2s一帧，其中帧重叠为50％。得到分割结果为若干个帧长为0.2s的多通道信号片段。

步骤1需要注意如下几点：

(1)1-1中使用0.5-70hz带通滤波器的依据是脑电活动频率主要集中于该频率段，使用50hz陷波滤波器的依据是为了消除50hz工频噪声的干扰。

(2)1-3中选取0.2s作为一帧的时长是考虑到棘波放电时长为0.02-0.07s，尖波放电时长为0.07-0.2s。

所述的步骤2根据滤波去伪迹并进行分割后得到的多通道信号片段，利用长短时记忆神经网络对该片段中每一维数据进行特征提取，得到多通道信号片段分类概率矩阵，并通过自适应加权融合算法进行特征融合：

2-1.将数据中单通道的信号片段划分成三类。即负相尖棘波、正相尖棘波、正常波形。

2-2.基于样本库随机将样本分成8:2,其中80％为训练样本，其余的20％为测试样本。

2-3.构建一个长短时记忆神经网络，其训练流程为：

(1)令l(n)为每一个lstm模块的损失函数，n为lstm模块的个数，首先定义全局化损失函数：

(2)令hi(n)为隐藏层第i个记忆单元的输出，m为记忆单元的长度，由链式法则得到全局化损失函数l对权重参数w的偏微分：

引入变量l(n)，用于表示第n步开始到结束的损失：

相应偏微分公式变为：

联立得最优化结果为：

(3)利用各权重参数对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化；

2-4.利用训练好的长短时记忆神经网络分类模型对测试样本进行分类，得到每个样本的输出类别以及识别率。

2-5.利用训练好的网络模型，通过截取网络softmax层概率输出，生成所有多通道信号片段的分类概率矩阵，其行数等于输入信号通道数，列数等于长短时记忆神经网络模型的分类类别个数。

2-6.通过自适应特征加权融合算法对概率矩阵进行降维，令p为步骤2-5所得分类概率矩阵：

p＝[pl，...，pm]∈r^n×m

其中pi为n维列向量，代表判定为第i类的概率，i取值为1或2或3；设为最终的降维结果，有公式如下：

w＝[wl…wm]^t

其中pi，max为pi向量中最大的分量值；由此可以得到所有多通道信号片段对应的特征向量

所述步骤3基于上一步得到样本的特征向量，训练一个两层的全连接神经网络实现多通道放电联合检测，得到该时间段的样本所属的最终类别，以及整体测试样本的分类准确率：

3-1.将分割所得多通道信号片段依据有无尖棘波放电现象划分为两类。

3-2.基于样本库随机将样本分成8:2,其中80％为训练样本，其余的20％为测试样本。样本值为经由上步所得的信号片段的特征向量。

3-3.构建一个全连接神经网络，其训练流程为：

(1)前向传播，即由输入层开始，逐层计算每一个神经元的输出，最终得到输出层神经元的输出；

令x为神经元的输入，w为权重矩阵，b为偏置，f为激活函数，则输出h有公式如下：

h＝f(wx+b)

(2)反向传播，采用梯度下降法更新参数，定义好损失函数后，通过链式求导法则计算损失函数对权重参数的偏微分，利用各权重参数对全局损失函数的梯度迭代更新参数值，训练网络使得全局损失函数最小化。

3-4.利用训练好的全连接神经网络分类模型对测试样本进行分类，得到每个样本的输出类别以及总的识别率。

为了达到更好的尖棘波放电检测效果，以下将从实际应用时参数的选择与设计方面展开介绍，以作为该发明用于其他应用的参考:

本发明以帧为单位处理原始信号的，因此需要考虑设计时需要检测的信号的时长，同时为了防止分割时无法截取完整的特征信号，需要考虑进行帧重叠工作，一般设置为50％的重叠，也即0.1s长度的帧移。

在2-3步骤中，由于不同脑电图采集仪器采样频率不同，需要相应对长短时记忆神经网络中输入序列长度参数进行调整，保证0.2s时长的单通道信号输入网络时不发生报错。

在3-3步骤中，全连接神经网络的输入层神经元个数等于原始信号的通道数，采用不同导联连接方式测量原始脑电信号相应信号的通道数也不同，应根据此进行调整。