一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法

本发明提供了一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法。

背景技术：

1、癫痫是一种重大的慢性神经紊乱性疾病，因其发作具有突发性、反复性和高危险性，严重影响患者的正常生活与生命健康。癫痫发作前期若能准确预测并及时干预，可有效提高救治率，极大降低患者风险，并对深入探究癫痫发病机制和研究新的调控方法具有促进作用。

2、脑电(electroencephalogram,eeg)信号是癫痫发作预测的重要依据。临床现有基于eeg的癫痫预测方法主要依靠医生经验判断，发作预测精度较低，且因发作时段的不确定，需要医生不间断地观察判断，预测及时性不强。近年来，借助深度学习方法预测癫痫已成为研究热点，该方法通过自动提取样本特征，可将低维特征映射为高维特征，从而实现癫痫智能预测。此前，大多数基于深度学习的卷积神经网络(convolution neural network,cnn)预测方法，仅从单一时域或频域提取eeg信号特征，忽略了eeg的空间域特征和非平稳特性，无法实现多域特征融合互补。为弥补单一特征对eeg信息提取不足，研究者提出了多流模型结构，但此类方法通常是将多域分析简单叠加组合，缺乏特征有效融合，容易导致特征冗余，因而无法获取最具辨别力特征，难以进一步提升预测准确率。同时，为保证模型预测性能，通常需借助大量数据来训练深度学习模型参数，然而实际临床中采集的患者脑电数据相对较少，小样本数据极易导致模型过拟合。一些研究者尝试通过数据增强与数据生成的方法扩增数据量，但往往又增强了模型对噪声的敏感性，同样也难以获取较高的预测准确率。

技术实现思路

1、为解决现有基于深度学习的癫痫预测方法在eeg多域特征提取缺失、预测准确率不高的问题，本发明提出了一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法。经过数据处理、模型构建、模型训练、模型测试四个步骤，实现癫痫高准确率预测。在国际公开的癫痫脑电数据集chb-mit上进行了有效性验证，单个患者的平均癫痫预测准确率可达95.4％，每小时误报次率小于0.11，优于其他现有最优方法。

2、为解决现有技术上的上述问题，本发明提供了一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法。本发明人采用国际公开的癫痫脑电数据集chb-mit，对该方法的有效性进行了验证。将chb-mit数据集预处理后划分为源域数据和目标域数据，源域数据和目标域数据中的一部分数据构成训练集，作为模型训练时的输入，目标域数据中的另一部分数据作为测试集，用于模型测试时的输入，最终输出发作前期推理时长和发作前期预测指标，并进行发作预测结果比对。

3、根据本发明的一个实施例的一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法包括以下步骤：

4、步骤1：获取国际公开的癫痫脑电数据集chb-mit，对数据集进行预处理，并划分为源域数据和目标域数据，将源域数据和目标域中的一部分数据作为训练集，将目标域中的另一部分数据作为测试集；

5、步骤2：使用pytorch深度学习框架构建域对抗多层级深度卷积特征融合网络的模型结构；

6、步骤3：将步骤1中建立的训练集数据输入模型，通过域对抗方法进行训练，并使用目标域训练数据微调模型参数，生成最终训练模型；

7、步骤4：将步骤1中预处理后的测试集脑电数据输入到最终训练好的模型中，获取癫痫发作前期推理时长和发作前期预测指标。

8、其中步骤1中，数据预处理包括脑电信号通道选择、基线校正、伪迹去除、低通滤波和滑动窗口数据划分，滑动窗口将连续脑电信号划分为5s长度的信号片段，信号片段间无重叠。

9、在步骤2中，所构建的域对抗多层级深度卷积特征融合网络包括：多层级深度特征提取模块、多层级特征自注意力融合模块、域判别发作预测模块，多层级深度特征提取模块与多层级特征自注意力融合模块串行连接，并将融合结果输入域判别发作预测模块。其中，多层级深度特征提取模块用于提取脑电信号中时域、频域和空间域深度特征；多层级特征自注意力融合模块用于深度融合时-空特征和频-空特征，并提取用于分类的时-空-频融合特征；域判别发作预测模块用于输出融合特征的二分类结果，计算输入脑电信号片段分别来自源域数据和目标域数据的概率，并计算输入脑电信号片段在发作前期和发作间期出现的概率。

10、在步骤3中，通过域对抗方法进行模型训练时，采用交叉熵函数计算域判别发作预测模块的输出与标签的误差，通过误差反向传播与随机梯度下降迭代更新模型参数，设置训练数据batchsize为256，设置模型学习率为0.0001，采用adam优化器进行模型参数优化，损失函数采用交叉熵损失函数，经过160次迭代训练后保存模型参数。

11、在步骤3中，使用目标域训练数据微调模型参数时，通过冻结多层级深度特征提取模块和多层级特征自注意力融合模块的参数，使用交叉熵函数计算域判别发作预测模块的输出与标签的误差，反向传播误差以微调域判别发作预测模块的参数。

12、在步骤4中，进行发作前期时长推理时，采用归纳学习策略，自动迭代推导个体化发作前期时长。

13、在步骤4中，进行发作前期预测指标计算时，将测试集连续脑电数据及标签按时间顺序输入训练好的模型中，获取模型输出的连续预测曲线，并采用roc曲线下面积(areaunder curve,auc)、预测准确率(sensitivity,sn)、每小时误报率(false predictingrate,fpr)来评价模型的发作预测效果。

14、本发明提出的基于域对抗多层级深度卷积特征融合网络的癫痫预测方法的主要优点包括：

15、1.本发明设计的多层级深度特征提取模块，弥补了单一层级对脑电信息提取不足问题，实现了脑电信息的时域、频域和空间域的特征互补；

16、2.本发明设计的多层级自注意力特征融合模块，通过时-空特征融合、频-空特征融合和时-空-频特征融合，为癫痫预测提供了最具判别力的分类特征，显著提升了预测准确率，单个患者的平均预测准确率达到95.4％，每小时误报次率小于0.11。

技术特征：

1.一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法，其特征在于包括：

2.如权利要求1所述的基于域对抗多层级深度卷积特征融合网络的癫痫预测方法，其特征在于：

3.如权利要求1所述的基于域对抗多层级深度卷积特征融合网络的癫痫预测方法，其特征在于：

4.如权利要求1所述的基于域对抗多层级深度卷积特征融合网络的癫痫预测方法，其特征在于：

5.如权利要求1所述的基于域对抗多层级深度卷积特征融合网络的癫痫预测方法，其特征在于：

6.如权利要求3所述的基于域对抗多层级深度卷积特征融合网络的癫痫预测方法，其特征在于在多层级特征自注意力融合模块：

7.一种存储计算机程序的计算机可读存储介质，该计算机程序能使处理器执行根据权利要求1-6之一所述的方法。

技术总结
本发明提供了一种基于域对抗多层级深度卷积特征融合网络的癫痫预测方法。采用公开的癫痫脑电数据集CHB‑MIT进行有效性验证：首先将数据集进行预处理，并建立训练集和测试集；其次构建域对抗多层级深度卷积特征融合网络的模型结构；再将预处理后的训练集输入模型，进行域对抗模型训练；最后将测试集输入训练好的模型中，进行模型性能测试。本发明的优点包括：设计多层级深度特征提取模块，弥补了单一层级特征提取不足问题，实现了脑电信息的多域互补；设计多层级自注意力特征融合模块，通过时‑空‑频域特征融合，显著提升了预测准确率。在CHB‑MIT上对本方法进行了有效性验证，单个患者的平均预测准确率达到95.4％，每小时误报次率小于0.11，均优于现有最优方法。

技术研发人员：李阳,严伟栋,向岩松,崔渭刚
受保护的技术使用者：北京航空航天大学
技术研发日：
技术公布日：2024/1/12