基于元迁移学习的头皮脑电高频振荡信号识别方法及装置

本发明涉及信号检测领域，具体涉及一种基于元迁移学习的头皮脑电高频振荡信号识别方法及装置。

背景技术：

1、癫痫是一种由大脑神经元的突发性异常放电所引发的慢性脑部疾病。在癫痫诊断中，脑电图(electroencephalogram，eeg)一直是临床诊断的金标准。近年来，癫痫患者脑电信号中频率在80 hz以上的脑电活动-高频振荡(high frequency oscillations，hfo)的临床意义受到广泛的关注。hfo目前无统一定义，学界普遍认为经过80-500 hz带通滤波后，出现明显高于基准线的４个连续振荡即为hfo。癫痫患者脑电信号中的hfo根据采集方式不同主要分为有创和无创两类。有创的颅内脑电信号中的hfo被大量研究证明同癫痫致痫区有着高度的相关性，可以作为定位致痫区的生物标记物。而无创的头皮脑电信号中的hfo主要用于反映癫痫的严重程度、评价各种癫痫治疗方法的疗效、判断癫痫的易感性、预测癫痫发作等。

2、hfo根据频段不同，可以划分为涟波（ripple,80-250 hz）和快涟波（fast ripple,250-500 hz）。由于采集技术方面的限制，目前对于应用最为广泛的无创头皮脑电hfo分析主要集中在涟波频段。早年头皮脑电信号由于信噪比低，同时容易受到肌电和伪迹干扰的原因，hfo在很长一段时间内被认为无法在头皮脑电数据中记录。近年来，受益于技术的进步，hfo可以清晰地被头皮脑电设备所记录，并应用于婴幼儿癫痫的诊疗。无创的头皮脑电hfo由于其适用人群广泛及患者接受度高的特点，目前逐步应用于评估婴幼儿癫痫的严重程度和评价婴幼儿癫痫预后上。

3、在目前临床实践中，头皮脑电的hfo检测的金标准仍旧是目测和人工标注，然而hfo人工标注耗时甚久且具有一定主观性，同一科室的专家的对hfo的标注风格可能趋同。同时，头皮脑电数据还经常被未经神经电生理学培训的医生误读，导致hfo漏检与误检。误读头皮脑电数据将导致婴幼儿癫痫症状的误判和相对应的抗癫痫药的误服，并可能持续多年损害婴幼儿脑部发育进而影响婴幼儿的智力。因此，探索hfo信号的智能识别方法，具有极大的现实意义。

4、为了解决这一问题，一系列的hfo信号智能识别模型被提出，这些模型根据识别依据可以划分为统计分析和人工智能两种。对于基于统计分析的识别模型，一般常用指定信号特征的阈值判断是否为hfo信号。而基于人工智能的识别模型，主要包括将特征矩阵直接输入进行信号识别的传统机器学习模型和基于卷积神经网络的深度学习模型。然而，现有这两类模型没有充分考虑到在现有的临床场景中，不同医疗平台用于采集头皮脑电数据的设备和采集标准存在较大差异，同时由于头皮脑电信号的非平稳性，不同婴幼儿癫痫患者的头皮脑电信号乃至同一婴幼儿癫痫患者不同时刻的头皮脑电信号具有一定的差异性，这种差异性往往较大而不能被忽略，而传统的婴幼儿癫痫高频振荡信号智能识别方法没有考虑到差异性的存在，直接构建智能识别模型，最终不同患者头皮脑电信号间的差异性会直接影响婴幼儿癫痫高频振荡信号智能识别模型的识别精度，同时导致模型的泛化能力较差。

技术实现思路

1、针对上述提到的技术问题。本技术的实施例的目的在于提出了一种基于元迁移学习的头皮脑电高频振荡信号识别方法及装置，来解决以上背景技术部分提到的技术问题。

2、第一方面，本发明提供了一种基于元迁移学习的头皮脑电高频振荡信号识别方法，包括以下步骤：

3、获取待识别的患者和其余患者在癫痫发作间期的头皮脑电信号，对头皮脑电信号进行预处理，得到头皮脑电信号片段，对待识别的患者的部分头皮脑电信号片段和其余患者的头皮脑电信号片段进行标注，并将标注后的其余患者的头皮脑电信号片段作为源域数据，将标注后的待识别的患者的头皮脑电信号片段作为目标域数据；

4、构建端到端的卷积神经网络模型，端到端的卷积神经网络模型包括第一特征提取器和第一分类器，采用源域数据对端到端的卷积神经网络模型进行训练，得到经训练的端到端的卷积神经网络模型；

5、构建元迁移学习模型，元迁移学习模型包括均含有第二特征提取器和第二分类器的基学习器和元学习器，第一特征提取器和第二特征提取器的结构相同，将经训练的端到端的卷积神经网络模型的第一特征提取器的参数作为基学习器的第二特征提取器的初始参数，将源域数据分为k个子集，将每个子集中的数据分为第一部分数据和第二部分数据；

6、采用每个子集的第一部分数据对基学习器进行训练，将训练得到的基学习器的第二特征提取器的参数迁移至元学习器中，采用每个子集的第二部分数据对元学习器进行训练；

7、重复训练k次，将第k次训练得到的元学习器的第二特征提取器的参数和第二分类器的参数迁移至基学习器中，得到优化后的基学习器；

8、采用目标域数据对优化后的基学习器进行训练，得到微调后的基学习器；

9、将待识别的患者的头皮脑电信号片段输入微调后的基学习器，输出得到头皮脑电信号片段是否为hfo信号的识别结果。

10、作为优选，对头皮脑电信号进行预处理，具体包括：

11、去除头皮脑电信号的噪声，得到降噪后的头皮脑电信号；

12、对降噪后的头皮脑电信号中的80-250hz频带使用128阶巴特沃斯带通fir滤波器对每个时段各个通道的数据进行滤波，提取得到滤波后的头皮脑电信号；

13、对滤波后的头皮脑电信号采用滑动窗口技术进行信号分段，得到切分后的头皮脑电信号段；

14、将切分后的头皮脑电信号段映射到一个欧式空间，得到映射后的信号片段，对映射后的信号片段进行对齐和变换。

15、作为优选，去除头皮脑电信号的噪声，具体包括：

16、采用独立成分分析法去除头皮脑电信号中肌电、眼动、眨眼所导致的头皮脑电噪声；

17、采用陷波滤波器去除工频干扰带来的人工噪声。

18、作为优选，将切分后的头皮脑电信号段映射到一个欧式空间，得到映射后的信号片段，对映射后的信号片段进行对齐和变换，具体包括：

19、计算切分后的头皮脑电信号段的平均协方差矩阵：

20、；

21、其中，为第i个切分后的头皮脑电信号段，n为切分后的头皮脑电信号段的总数；

22、采用平均协方差矩阵对切分后的头皮脑电信号段进行数据对齐：

23、；

24、其中，为第i个头皮脑电信号片段。

25、作为优选，第一特征提取器包括依次连接的第一卷积层、第二卷积层、第一池化层、第三卷积层和第二池化层，第一卷积层和第二卷积层分别提取头皮脑电信号片段的时域特征和空域特征，第一池化层和第二池化层均采用平均池化，将第一池化层的输出特征输入第三卷积层提取得到深度特征，将深度特征经过第二池化层，得到时频域深度特征，第一分类器包括依次连接的一个全连接层和一个softmax层，时频域深度特征依次输入第一分类器，得到头皮脑电信号片段是否为hfo信号的二分类结果及其概率，取概率最大的分类结果作为识别结果。

26、作为优选，第二分类器包括依次连接的三层全连接层，头皮脑电信号片段输入基学习器或元学习器，输出得到头皮脑电信号片段是否为hfo信号的标签。

27、作为优选，元迁移学习模型的训练过程中基学习器的损失函数为：

28、；

29、其中，表示每个子集的第一部分数据对基学习器进行训练的过程所使用的交叉熵损失；

30、元迁移学习模型的训练过程中元学习器的损失函数为：

31、

32、其中，表示每个子集的第二部分数据对元学习器进行训练的过程所使用的交叉熵损失。

33、第二方面，本发明提供了一种基于元迁移学习的头皮脑电高频振荡信号识别装置，包括：

34、预处理模块，被配置为获取待识别的患者和其余患者在癫痫发作间期的头皮脑电信号，对头皮脑电信号进行预处理，得到头皮脑电信号片段，对待识别的患者的部分头皮脑电信号片段和其余患者的头皮脑电信号片段进行标注，并将标注后的其余患者的头皮脑电信号片段作为源域数据，将标注后的待识别的患者的头皮脑电信号片段作为目标域数据；

35、预训练模块，被配置为构建端到端的卷积神经网络模型，端到端的卷积神经网络模型包括第一特征提取器和第一分类器，采用源域数据对端到端的卷积神经网络模型进行训练，得到经训练的端到端的卷积神经网络模型；

36、模型构建模块，被配置为构建元迁移学习模型，元迁移学习模型包括均含有第二特征提取器和第二分类器的基学习器和元学习器，第一特征提取器和第二特征提取器的结构相同，将经训练的端到端的卷积神经网络模型的第一特征提取器的参数作为基学习器的第二特征提取器的初始参数，将源域数据分为k个子集，将每个子集中的数据分为第一部分数据和第二部分数据；

37、元迁移学习模块，被配置为采用每个子集的第一部分数据对基学习器进行训练，将训练得到的基学习器的第二特征提取器的参数迁移至元学习器中，采用每个子集的第二部分数据对元学习器进行训练；

38、优化模块，被配置为重复训练k次，将第k次训练得到的元学习器的第二特征提取器的参数和第二分类器的参数迁移至基学习器中，得到优化后的基学习器；

39、微调模块，被配置为采用目标域数据对优化后的基学习器进行训练，得到微调后的基学习器；

40、识别模块，被配置为将待识别的患者的头皮脑电信号片段输入微调后的基学习器，输出得到头皮脑电信号片段是否为hfo信号的识别结果。

41、第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

42、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

43、相比于现有技术，本发明具有以下有益效果：

44、（1）本发明提出的基于元迁移学习的头皮脑电高频振荡信号识别方法采用端到端的卷积神经网络模型实现元迁移学习流程，可以自动化提取头皮脑电信号片段的特征，省略传统方式手工提取特征的步骤。

45、（2）本发明提出的基于元迁移学习的头皮脑电高频振荡信号识别方法中将经过滤波和降噪之后的不同患者的头皮脑电信号片段映射到一个欧式空间中去做对齐和变换，使得这些采自不同个体的头皮脑电信号段之间的分布比较相似，进而提高元迁移学习模型的泛化能力。

46、（3）本发明提出的基于元迁移学习的头皮脑电高频振荡信号识别方法结合了元学习技术的元迁移学习技术，可以通过记忆增强相关结构使得模型通过少量的目标域数据快速学习，进而提升源域和目标域的域适应能力。将该方法应用于跨个体的婴幼儿癫痫hfo信号智能识别任务，有助于提高智能识别模型的识别精度和泛化能力。