一种基于CNN和自注意力机制的癫痫发作预测系统

一种基于cnn和自注意力机制的癫痫发作预测系统
技术领域
1.本发明涉及信号特征分析领域，特别是涉及一种基于cnn和自注意力机制的癫痫发作预测系统。

背景技术：

2.癫痫是世界上最常见的神经系统疾病之一，癫痫患者过早死亡的风险是普通人的三倍；全球约有5000万人受到癫痫疾病的影响，更有患者的生活受到污名、歧视和侵犯人权等影响。世界卫生组织最新的报告指明：几乎四分之一的癫痫病例可以得到预防，且70％的癫痫患者可以通过低成本和有效的药物来实现零发作。
3.近年来随着机器学习(深度学习)的发展，基于分类的癫痫发作预测技术也在朝着高精度、高灵敏度、低误报率的方向快速发展。主要流程是把eeg(electroencephalogram，脑电波)信号切分为发作间期和发作前期；通过时域、频域或时频域的方法提取特征，然后将提取的特征送入机器学习模型或者深度学习模型进行分类，最后加后处理操作进行预警。
4.但是到目前为止，癫痫发作预测技术仍然存在以下难点需要攻克：
5.第一、脑电信号是典型的非平稳信号，所包含的信息量很大，信号所包含的统计信息在不同时刻是随机的，从而加大了脑电信号分析以及特征提取的难度。
6.第二、深度学习模型虽然精度高、误报率低，但庞大的参数导致了复杂的空间复杂度；所以需要提出精度更高且参数更少的模型。
7.第三、大多数癫痫预测的研究内容只包含对脑电信号的初步分类，并没有做完整的癫痫发作预警系统，所以距离癫痫发作预测的临床应用还有诸多困难。
8.基于上述问题，亟需一种新的癫痫发作预测方法以提高预测效率及精度。

技术实现要素：

9.本发明的目的是提供一种基于cnn和自注意力机制的癫痫发作预测系统，可提高癫痫发作的预测效率及精度。
10.为实现上述目的，本发明提供了如下方案：
11.一种基于cnn和自注意力机制的癫痫发作预测系统，包括：
12.样本获取单元，用于获取样本数据集；所述样本数据集包括多个患者在历史多个时段的样本脑电信号及各样本脑电信号的标签信息；各样本脑电信号均包括多个脑电通道的样本通道信号；所述标签信息包括0和1，0表示对应的样本脑电信号为发作间期脑电信号，1表示对应的样本脑电信号为发作前期脑电信号；
13.第一变换单元，与所述样本获取单元连接，用于针对任一患者任一时段，对各样本通道信号进行s变换，得到各样本通道信号对应的样本特征集；
14.样本特征矩阵确定单元，与所述第一变换单元连接，用于针对任一患者任一时段，根据各样本特征集，确定对应时段的样本特征矩阵；
15.网络构建单元，用于基于卷积神经网络及自注意力机制构建初始预测神经网络；
16.训练单元，分别与所述样本特征矩阵确定单元、所述样本获取单元及所述网络构建单元连接，用于根据各患者各时段的样本特征矩阵及各样本特征矩阵对应的样本脑电信号的标签信息，对所述初始预测神经网络进行训练，得到癫痫发作预测模型；
17.信号采集单元，用于实时采集患者在当前时段多个脑电通道的待测脑电信号；
18.第二变换单元，与所述信号采集单元连接，用于对各待测脑电信号进行s变换，得到各待测脑电信号对应的待测特征集；
19.待测特征矩阵确定单元，与所述第二变换单元连接，用于根据各待测特征集，确定当前时段的待测特征矩阵；
20.预测单元，分别与所述训练单元及所述待测特征矩阵确定单元连接，用于基于所述癫痫发作预测模型，根据所述待测特征矩阵，确定当前时段是否为癫痫发作前期。
21.可选地，所述样本获取单元包括：
22.初始样本获取模块，用于获取多个患者在历史连续时段内多个脑电通道的初始样本通道信号；
23.切片模块，与所述初始样本获取模块连接，用于针对任一患者任一脑电通道的初始样本通道信号，按照设定时间间隔对所述初始样本通道信号进行切片，得到对应所述脑电通道的多个时段的样本通道信号；同一时段的样本通道信号为对应时段的样本脑电信号；
24.标注模块，与所述切片模块连接，用于对各患者各时段的样本脑电信号进行标注，确定各样本脑电信号对应的标签信息。
25.可选地，所述变换单元包括：
26.s变换模块，与所述样本获取单元连接，用于针对任一患者任一时段，对各样本通道信号进行s变换，将各样本通道信号从时域转化为时频域，得到各样本通道信号对应的时频矩阵；
27.划分模块，与所述s变换模块连接，用于针对任一患者任一时段的任一样本通道信号，根据所述样本通道信号的频率及时段，将所述样本通道信号的时频矩阵划分为多个块，并分别对每个块进行求和，得到所述样本通道信号的多个样本特征值；
28.样本特征集确定模块，与所述划分模块连接，用于针对任一患者任一时段的任一样本通道信号，根据所述样本通道信号的多个样本特征值，确定所述样本通道信号的样本特征集。
29.可选地，各样本通道信号的样本特征集中均包括多个样本特征值；
30.所述样本特征矩阵确定单元包括：
31.初始矩阵确定模块，与所述第一变换单元连接，用于针对任一患者任一时段，根据各样本特征集，确定对应时段的初始样本特征矩阵；所述初始样本特征矩阵中包括多个样本特征值；
32.计算模块，与所述初始矩阵确定模块连接，用于分别计算各患者各时段的初始样本特征矩阵的均值及标准差；
33.标准化模块，分别与所述计算模块及所述初始矩阵确定模块连接，用于针对任一患者任一时段，根据所述时段的初始样本特征矩阵的均值及标准差，对所述初始样本特征
矩阵中的各样本特征值进行标准化处理，得到对应的标准化样本特征值；
34.特征矩阵确定模块，与所述标准化模块连接，用于针对任一患者任一时段，根据所述时段的各标准化样本特征值，确定所述时段的样本特征矩阵。
35.可选地，采用以下公式，对所述初始样本特征矩阵中的第i个样本特征值进行标准化处理：
[0036][0037]
其中，为第i个标准化样本特征值，di为第i个样本特征值，d
mean
为初始样本特征矩阵的均值，d
std
为初始样本特征矩阵的标准差。
[0038]
可选地，所述训练单元包括：
[0039]
卷积神经网络，用于针对任一患者任一时段的样本特征矩阵，对所述样本特征矩阵进行特征提取，得到三维特征数据；
[0040]
维度转换模块，与所述卷积神经网络连接，用于将所述三维特征数据转换为二维特征数据；
[0041]
自注意模块，与所述维度转换模块连接，用于根据所述二维特征数据，基于自注意力机制，确定自注意特征；
[0042]
全连接层，与所述自注意模块连接，用于将所述自注意特征转换为一维向量；
[0043]
softmax分类器，与所述全连接层连接，用于确定所述一维向量的预测类别；所述预测类别为0或1；0表示所述样本特征矩阵对应的样本脑电信号为发作间期脑电信号，1表示所述样本特征矩阵对应的样本脑电信号为发作前期脑电信号；
[0044]
训练模块，分别与所述softmax分类器、所述样本获取单元、所述卷积神经网络及所述自注意模块连接，用于根据各患者各时段的样本特征矩阵的预测类别及对应的样本脑电信号的标签信息，确定损失函数，并根据损失函数调整卷积神经网络的权重和偏置以及自注意力机制的权重，直至损失函数收敛，以得到最优的预测神经网络；最优的预测神经网络为癫痫发作预测模型。
[0045]
可选地，所述自注意模块包括：
[0046]
数据划分子模块，与所述维度转换模块连接，用于将所述二维特征数据划分为多个子数据；
[0047]
卷积块，与所述数据划分子模块连接，用于对每一子数据进行卷积，得到各子数据的键参数、查询参数和值参数；
[0048]
点积注意力子模块，与所述卷积块连接，用于根据各子数据的键参数、查询参数和值参数，确定对应各子数据的点积注意力特征；
[0049]
自注意子模块，与所述点积注意力子模块连接，用于根据各子数据的点积注意力特征，确定自注意特征。
[0050]
可选地，采用以下公式，计算第j个子数据的点积注意力特征：
[0051][0052]
其中，qj为第j个子数据的查询参数，kj为第j个子数据的键参数，vj为第j个子数据
的值参数，为第j个子数据的键参数kj的转置，为比例因子。
[0053]
可选地，所述基于cnn和自注意力机制的癫痫发作预测系统还包括：
[0054]
警报单元，与所述预测单元连接，用于在连续多个时段为癫痫发作前期时，产生警报信息。
[0055]
根据本发明提供的具体实施例，本发明公开了以下技术效果：通过第一变换单元对样本通道信号进行s变换，第二变换单元对待测脑电信号进行s变换，提高了计算速度。基于卷积神经网络及自注意力机制构建初始预测神经网络，网络的参数少、速度快且精度高，提高了癫痫发作的预测精度及效率。
附图说明
[0056]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1为本发明基于cnn和自注意力机制的癫痫发作预测系统的模块结构示意图；
[0058]
图2为数据增强示意图；
[0059]
图3为癫痫发作不同时期的示意图；
[0060]
图4为单通道s变换以及数据降维的示意图；
[0061]
图5为初始预测神经网络的结构示意图；
[0062]
图6为缩放点积注意力的示意图；
[0063]
图7为预警时间与sph的示意图。
[0064]
符号说明：
[0065]
样本获取单元-1，第一变换单元-2，样本特征矩阵确定单元-3，网络构建单元-4，训练单元-5，信号采集单元-6，第二变换单元-7，待测特征矩阵确定单元-8，预测单元-9，验证单元-10，后处理单元-11，警报单元-12。
具体实施方式
[0066]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067]
本发明的目的是提供一种基于cnn和自注意力机制的癫痫发作预测系统，通过对样本通道信号及待测脑电信号进行s变换，提高了计算速度。基于卷积神经网络及自注意力机制构建初始预测神经网络，网络的参数少、速度快且精度高，提高了癫痫发作的预测精度及效率。
[0068]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0069]
如图1所示，本发明基于cnn和自注意力机制的癫痫发作预测系统包括：样本获取
单元1、第一变换单元2、样本特征矩阵确定单元3、网络构建单元4、训练单元5、信号采集单元6、第二变换单元7、待测特征矩阵确定单元8及预测单元9。
[0070]
其中，所述样本获取单元1用于获取样本数据集。所述样本数据集包括多个患者在历史多个时段的样本脑电信号及各样本脑电信号的标签信息；各样本脑电信号均包括多个脑电通道的样本通道信号。所述标签信息包括0和1，0表示对应的样本脑电信号为发作间期脑电信号，1表示对应的样本脑电信号为发作前期脑电信号。
[0071]
所述第一变换单元2与所述样本获取单元1连接，所述第一变换单元2用于针对任一患者任一时段，对各样本通道信号进行s变换，得到各样本通道信号对应的样本特征集。各样本通道信号的样本特征集中均包括多个样本特征值。
[0072]
所述样本特征矩阵确定单元3与所述第一变换单元2连接，所述样本特征矩阵确定单元3用于针对任一患者任一时段，根据各样本特征集，确定对应时段的样本特征矩阵。
[0073]
所述网络构建单元4用于基于卷积神经网络及自注意力机制构建初始预测神经网络。
[0074]
所述训练单元5分别与所述样本特征矩阵确定单元3、所述样本获取单元1及所述网络构建单元4连接，所述训练单元5用于根据各患者各时段的样本特征矩阵及各样本特征矩阵对应的样本脑电信号的标签信息，对所述初始预测神经网络进行训练，得到癫痫发作预测模型。
[0075]
所述信号采集单元6用于实时采集患者在当前时段多个脑电通道的待测脑电信号。
[0076]
所述第二变换单元7与所述信号采集单元6连接，所述第二变换单元7用于对各待测脑电信号进行s变换，得到各待测脑电信号对应的待测特征集。
[0077]
所述待测特征矩阵确定单元8与所述第二变换单元7连接，所述待测特征矩阵确定单元8用于根据各待测特征集，确定当前时段的待测特征矩阵。
[0078]
所述预测单元9分别与所述训练单元5及所述待测特征矩阵确定单元8连接，所述预测单元9用于基于所述癫痫发作预测模型，根据所述待测特征矩阵，确定当前时段是否为癫痫发作前期。
[0079]
本发明仅用s变换处理原始脑电信号，并且将s变换后时频矩阵的分块和作为神经网络唯一的输入特征。s变换有着短时傅里叶变换和小波变换的优点，其窗长可以随着尺度变换，实现了多尺度的时频域信号分析，可用快速傅里叶变换的算法实现，从而大大加快计算速度。
[0080]
此外，基于卷积神经网络及自注意力机制self-attention构建初始预测神经网络，参数少、速度快、可提升癫痫发作预测的实时性，精度高、泛化能力强，可提升癫痫发作预测的准确性。
[0081]
进一步地，所述样本获取单元1包括：初始样本获取模块、切片模块及标注模块。
[0082]
其中，所述初始样本获取模块用于获取多个患者在历史连续时段内多个脑电通道的初始样本通道信号。
[0083]
在本实施例中，初始样本获取模块获取chb-mit头皮脑电图数据库。选取所有患者共有的18个脑电通道(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、f8-t8、t8-p8、p8-o2、fz-cz、cz-pz)。对发作前期不足连续30
分钟的脑电数据进行拼接及填补。
[0084]
由于发作间期数据远多于发作前期数据。所以首先提取发作前期脑电数据。chb-mit头皮脑电图数据库中每位患者的数据包含9到42个连续的.edf文件，硬件限制导致连续编号的.edf文件之间存在间隙，在此期间未记录信号。所以，先提取发作前期具有连续30分钟的脑电数据。对于有间隙、不足连续30分钟的脑电数据，先逆时间轴进行拼接，然后针对中断的时间段，用已提取连续30分钟的相对应的脑电数据进行填补，以达到连续的目的。
[0085]
例如chb21号患者chb21_19.edf文件中，在1288秒开始癫痫发作，根据发作前期定义，不足连续的30分钟。由于chb-mit头皮脑电图数据库属于每个案例的各个文件之间的时间关系已被保留，所以在chb21_18.edf文件中进行拼接，而在chb21_18.edf和chb21_19.edf文件之间丢失了7秒钟数据，这7秒数据在已提取的一段发作前期(例如chb21_21.edf)中取([1288-7:1288]秒)之间的数据，再逆时间轴拼接chb21_18.edf中的505秒数据，至此chb21_19.edf文件中发作前期的数据([505+7+1288]秒)提取完毕，如图2所示。
[0086]
针对癫痫发作预测问题，发作期会有专家在数据中进行标注。如图3所示，发作前期定义为癫痫发作前连续的30分钟，发作后期定义为发作期结束后的5分钟，其余时间段均为发作间期。对于发作间期的脑电数据，随机抽取同等数量的连续30分钟的脑电数据，使数据达到平衡。
[0087]
具体地，在采集脑电数据时，电极在头皮上的位置按照国际10-20标准分布，采样频率为256hz。
[0088]
所述切片模块与所述初始样本获取模块连接，所述切片模块用于针对任一患者任一脑电通道的初始样本通道信号，按照设定时间间隔对所述初始样本通道信号进行切片，得到对应所述脑电通道的多个时段的样本通道信号；同一时段的样本通道信号为对应时段的样本脑电信号。在本实施例中，设定时间间隔为6秒。
[0089]
具体地，将发作间期和发作前期的脑电数据按6秒一段进行无重叠切片，30分钟的脑电数据被切分为300个6秒一段的小样本，即得到300个时段的样本通道信号。
[0090]
所述标注模块与所述切片模块连接，所述标注模块用于对各患者各时段的样本脑电信号进行标注，确定各样本脑电信号对应的标签信息。
[0091]
进一步地，所述变换单元包括：s变换模块、划分模块及样本特征集确定模块。
[0092]
其中，所述s变换模块与所述样本获取单元1连接，所述s变换模块用于针对任一患者任一时段，对各样本通道信号进行s变换，将各样本通道信号从时域转化为时频域，得到各样本通道信号对应的时频矩阵。
[0093]
脑电信号是典型的非平稳信号，信号所包含的统计信息在不同时刻是随机的，因此脑电信号所包含的信息量非常大，需要一种具有高分辨率的信号处理方法来进行处理。在癫痫发作预测中，不仅要考虑预测的准确性，还要考虑预测的实时性，也就是执行算法的时间。在对脑电信号进行探究时，首先需要进行特征提取，目前常用的时频域特征提取方法短时傅里叶变换，其在所有频率上的窗宽都是固定的，在高频处可能无法获取足够的频率分辨率，而s变换继承了短时傅里叶变换的优点，计算速度较快，又继承了小波变换有着多尺度分辨的优点，因此本发明采用s变换进行时频特征提取。
[0094]
s变换使用高斯窗对时域信号进行加窗限制，能够在低频处获得足够的频率分辨率，在高频处获得足够的时间分辨率。在算法上s变换可以利用快速傅里叶变换在计算机上
得出结果，满足了癫痫预测实时性的要求。
[0095]
在本实施例中，s变换模块对切片后6秒一段的一维单通道脑电信号做s变换，生成频率
×
时间的二维复数矩阵。也就是将样本通道信号从时域转化成时频域。切片后6秒一段的一维单通道脑电信号做s变换之后可表示为：其中，ds为时频矩阵，f表示频率(128hz)，t表示时段(6秒)。
[0096]
所述划分模块与所述s变换模块连接，所述划分模块用于针对任一患者任一时段的任一样本通道信号，根据所述样本通道信号的频率及时段，将所述样本通道信号的时频矩阵划分为多个块，并分别对每个块进行求和，得到所述样本通道信号的多个样本特征值。
[0097]
具体地，脑电信号从时域转化到时频域后，横轴时间轴表示1-6秒，纵轴频率轴表示0-128hz。为了滤除一些伪影和工频干扰，选取1-50hz的频率范围，并在频率范围内分成六个频带，delta(1-4hz)、theta(4-8hz)、alpha(8-12hz)、beta(12-30hz)、gamma01(30-40hz)和gamma02(40-50hz)。6秒的时间轴平均分成三段。至此时频矩阵被分为18个模块。只取各模块的的复数实部，对每个模块整体进行求和。每个模块得到一个特征值，最后按先频带，后时间的先后顺序进行拼接，得到各模块对应的样本特征值，以达到数据降维的目的，如图4所示。
[0098]
所述样本特征集确定模块与所述划分模块连接，所述样本特征集确定模块用于针对任一患者任一时段的任一样本通道信号，根据所述样本通道信号的多个样本特征值，确定所述样本通道信号的样本特征集。
[0099]
进一步地，所述样本特征矩阵确定单元3包括：初始矩阵确定模块、计算模块、标准化模块及特征矩阵确定模块。
[0100]
其中，所述初始矩阵确定模块与所述第一变换单元2连接，所述初始矩阵确定模块用于针对任一患者任一时段，根据各样本特征集，确定对应时段的初始样本特征矩阵；所述初始样本特征矩阵中包括多个样本特征值。
[0101]
具体地，单通道6秒长的样本通道信号经s变换和降维之后生成18个特征值，本实施例共选取了18个脑电通道，因此生成18
×
18的初始样本特征矩阵f
own
：
[0102]
所述计算模块与所述初始矩阵确定模块连接，所述计算模块用于分别计算各患者各时段的初始样本特征矩阵的均值及标准差。
[0103]
所述标准化模块分别与所述计算模块及所述初始矩阵确定模块连接，所述标准化模块用于针对任一患者任一时段，根据所述时段的初始样本特征矩阵的均值及标准差，对所述初始样本特征矩阵中的各样本特征值进行标准化处理，得到对应的标准化样本特征值。
[0104]
具体地，采用以下公式，对所述初始样本特征矩阵中的第i个样本特征值进行标准化处理：
[0105][0106]
其中，为第i个标准化样本特征值，di为第i个样本特征值，di∈f
own
，d
mean
为初始样本特征矩阵的均值，d
std
为初始样本特征矩阵的标准差。
[0107]
所述特征矩阵确定模块与所述标准化模块连接，所述特征矩阵确定模块用于针对
任一患者任一时段，根据所述时段的各标准化样本特征值，确定所述时段的样本特征矩阵。
[0108]
更进一步地，所述训练单元5包括：卷积神经网络、维度转换模块、自注意模块、全连接层、softmax分类器及训练模块。
[0109]
其中，所述卷积神经网络用于针对任一患者任一时段的样本特征矩阵，对所述样本特征矩阵进行特征提取，得到三维特征数据。
[0110]
具体地，如图5所示，所述卷积神经网络包括依次连接的第一二维卷积层、批归一化层、第一leaky_relu的激活层、最大池化、第二二维卷积层及第二leaky_relu的激活层。其中，第一二维卷积层的输入通道数为1，输出通道数为16，卷积核大小为3。最大池化层的卷积核大小为2。第二二维卷积层的输入通道数为16，输出通道数为32，卷积核大小为3。卷积神经网络输入的样本特征矩阵表示为：卷积神经网络输出的三维特征数据表示为：
[0111]
所述维度转换模块与所述卷积神经网络连接，所述维度转换模块用于将所述三维特征数据转换为二维特征数据。
[0112]
所述自注意模块与所述维度转换模块连接，所述自注意模块用于根据所述二维特征数据，基于自注意力机制，确定自注意特征。自注意模块输入的二维特征数据表示为：自注意模块输出的自注意特征表示为：即自注意模块的输入和输出的尺寸相同。
[0113]
所述全连接层与所述自注意模块连接，所述全连接层用于将所述自注意特征转换为一维向量。设置模型的输出为2，以达到二分类的目的。
[0114]
所述softmax分类器与所述全连接层连接，所述softmax分类器用于确定所述一维向量的预测类别。所述预测类别为0或1。0表示所述样本特征矩阵对应的样本脑电信号为发作间期脑电信号，1表示所述样本特征矩阵对应的样本脑电信号为发作前期脑电信号。
[0115]
所述训练模块分别与所述softmax分类器、所述样本获取单元1、所述卷积神经网络及所述自注意模块连接，所述训练模块用于根据各患者各时段的样本特征矩阵的预测类别及对应的样本脑电信号的标签信息，确定损失函数，并根据损失函数调整卷积神经网络的权重和偏置以及自注意力机制的权重，直至损失函数收敛，以得到最优的预测神经网络。最优的预测神经网络为癫痫发作预测模型。
[0116]
具体地，所述自注意模块包括：数据划分子模块、卷积块、点积注意力子模块及自注意子模块。
[0117]
其中，所述数据划分子模块与所述维度转换模块连接，所述数据划分子模块用于将所述二维特征数据划分为多个子数据。
[0118]
所述卷积块与所述数据划分子模块连接，所述卷积块用于对每一子数据进行卷积，得到各子数据的键参数、查询参数和值参数。具体地，缩放点积注意力是自注意力机制self-attention的核心部分，主要包含三个参数query、keys和values。如图6所示，卷积块包括三个深度可分离的一维卷积。深度可分离的一维卷积的输入通道数为32，输出通道数为32，卷积核大小为1，步长为1，填充0，组数为32。采用深度可分离卷积可以进一步降低模型参数。
[0119]
所述点积注意力子模块与所述卷积块连接，所述点积注意力子模块用于根据各子数据的键参数、查询参数和值参数，确定对应各子数据的点积注意力特征。首先对查询参数和键参数进行相似度计算，得到权值，将权值进行归一化，得到直接可用的权重，再将权重和值参数进行加权求和。
[0120]
具体地，采用以下公式，计算第j个子数据的点积注意力特征：
[0121][0122]
其中，qj为第j个子数据的查询参数，kj为第j个子数据的键参数，vj为第j个子数据的值参数，为第j个子数据的键参数kj的转置，为比例因子。
[0123]
所述自注意子模块与所述点积注意力子模块连接，所述自注意子模块用于根据各子数据的点积注意力特征，确定自注意特征。
[0124]
自注意模块输入的二维特征数据表示为：也就是一个二维的特征图(32
×
36)。可以对这个特征图整体做缩放点积注意力。也可以将某个维度平均分成h部分。本发明将值为36的维度分为6个部分(6个子数据)head，也就是h设置为6，每一部分独立地通过缩放的点积注意力，之后将其各部分的输出拼接到一起，得到自注意特征。
[0125]
即给定一个q、k、和v矩阵，将它们转换为qj、kj和vj(j∈[1,head])的子矩阵，最终的加权求和是通过连接所有这些h个加权求和获得的。
[0126]
自注意子模块采用以下公式确定自注意特征：
[0127][0128]
其中，multihead(q,k,v)为自注意特征。
[0129]
在本实施例中，采用两层多头注意力机制multi-headattention，并且加上残差连接，提升网络性能。
[0130]
为了及时采取相应的措施，本发明基于cnn和自注意力机制的癫痫发作预测系统还包括警报单元12。所述警报单元12与所述预测单元9连接，所述警报单元12用于在连续多个时段为癫痫发作前期时，产生警报信息。
[0131]
此外，本发明基于cnn和自注意力机制的癫痫发作预测系统还包括验证单元10。所述验证单元10与所述训练单元5连接，所述验证单元10用于采用k折交叉验证方法验证所述癫痫发作预测模型的各项性能。k折交叉验证中的k表示所选癫痫发作的段数。
[0132]
为了进一步提高准确率，本发明基于cnn和自注意力机制的癫痫发作预测系统还包括后处理单元11。所述后处理单元11与所述预测单元9连接，所述后处理单元11用于对预测结果进行后处理。
[0133]
在实际癫痫预测中，脑电信号基本都是连续出现的，对得到的癫痫发作预测模型的结果进行后处理；癫痫发作预测模型输出为“0”，代表6秒的小样本被识别为发作间期，如果输出“1”，代表识别出的是发作前期。在本实施例中，采用k-of-n的后处理操作，n代表连续的n个小样本，在本实施例中具体为10个连续的6秒的样本，也就是一分钟的连续数据；k代表有k个或k个以上被识别为“0”，则一分钟的数据被标记为发作间期，反之一分钟的数据
被标记为发作前期。本实施例中k＝5，即采用5-of-10的后处理操作。
[0134]
本发明采用采用混淆矩阵进行确定评价指标。由于进行癫痫预测要准确预测发作前期，所以发作前期用阳性表示，发作间期用阴性表示。
[0135]
tp(true positive，真阳性)：真阳性表示从实际阳性案例中正确预测阳性的值。
[0136]
fp(false positive，假阳性)：假阳性表示不正确的阳性预测的值。
[0137]
tn(truenegative，真阴性)：真阴性表示在实际阴性案例中正确预测阴性的值。
[0138]
fn(falsenegative，假阴性)：假阴性表示不正确的阴性预测的值。
[0139]
各种评价指标如下所示：
[0140][0141][0142][0143][0144][0145][0146]
其中，a为分类准确率，p为精度得分，r为召回率得分，s为特异性得分，f1为f1得分，fpr为假阳性率。
[0147]
结果分析：本发明针对chb-mit头皮脑电数据库的23位患者，未加后处理的平均结果如下：
[0148]
a：93.25、p：92.91、r：93.67、s：92.79、f1：0.9323、fpr：0.0721/h。
[0149]
加后处理的平均结果为：
[0150]
a：97.48、p：97.48、r：98.41、s：96.52、f1：0.9752、fpr：0.0348/h。
[0151]
基于事件的评价指标
[0152]
首先定义sph(seizure prediction horizon，癫痫预测区间)和sop(seizure occurrence period，癫痫发作区间)。根据前面对发作前期和发作间期的定义，sop定义为30分钟发作前期之后专家标示的癫痫发作期；sph定义为预测警报的时间点与sop开始时间点之间的时期，另外sph也称为临床干预时期，在此时间段内可以采取适当的措施应对癫痫发作。
[0153]
对于评价指标，因为后处理一次性处理连续的一分钟数据，因此定义一个30分钟的窗口，按29分钟的重叠向时间轴移动，对于连续的30分钟的数据，也就是对于每30个预测，发作前期预测(标为“1”)的总数除以30，以将值限制在[0,1]之后，使用0.85的阈值来决定何时发出警报。也就是当30个预测中有26个为发作前期时，就会在第26个预测之后立即发出警报。
[0154]
预警时间与sph定义如图7所示。如果预警发生在发作间期或者发作期，例如sph
②
和sph
③
，则认为是错误的预警，如果预警发生在发作前期，如sph
①
，则认为是正确的预警。
[0155]
所以对于正确的预测，sph在(0,30)之间；对于错误的预测，第一种情况是警报可能发生在发作间期，第二种情况，到癫痫发作期了还未发出警报。所以准确率(也称敏感度)定义为:
[0156][0157]
误报率定义为：
[0158][0159]
其中，sensitivity为准确率，flase为误报率，针对癫痫预测系统，也就是基于事件的分析，准确率可达96.6％，误报率0.03/h，平均sph为4分钟，也就是在癫痫发作前4分钟，预测系统就会发出警报，4分钟足以采取适当的措施应对癫痫发作。
[0160]
本发明将原始脑电信号通过单通道s变换转化成时频信号；再将时频信号在时间轴和频率轴方向进行压缩整合，以提取时频特征；接着将所有患者共有的18个通道的时频特征送入cnn和self-attention相结合的癫痫发作预测模型，最后加上后处理操作，并采用k折交叉验证进行模型的性能评估，基于事件的癫痫预测准确率可达96.6％。在训练完保存最佳的癫痫发作预测模型后，加上后处理操作，可以直接对脑电信号进行判别，并在适当的发作前期发出预警，达到癫痫发作预测的目的。
[0161]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：

1.一种基于cnn和自注意力机制的癫痫发作预测系统，其特征在于，所述基于cnn和自注意力机制的癫痫发作预测系统包括：样本获取单元，用于获取样本数据集；所述样本数据集包括多个患者在历史多个时段的样本脑电信号及各样本脑电信号的标签信息；各样本脑电信号均包括多个脑电通道的样本通道信号；所述标签信息包括0和1，0表示对应的样本脑电信号为发作间期脑电信号，1表示对应的样本脑电信号为发作前期脑电信号；第一变换单元，与所述样本获取单元连接，用于针对任一患者任一时段，对各样本通道信号进行s变换，得到各样本通道信号对应的样本特征集；样本特征矩阵确定单元，与所述第一变换单元连接，用于针对任一患者任一时段，根据各样本特征集，确定对应时段的样本特征矩阵；网络构建单元，用于基于卷积神经网络及自注意力机制构建初始预测神经网络；训练单元，分别与所述样本特征矩阵确定单元、所述样本获取单元及所述网络构建单元连接，用于根据各患者各时段的样本特征矩阵及各样本特征矩阵对应的样本脑电信号的标签信息，对所述初始预测神经网络进行训练，得到癫痫发作预测模型；信号采集单元，用于实时采集患者在当前时段多个脑电通道的待测脑电信号；第二变换单元，与所述信号采集单元连接，用于对各待测脑电信号进行s变换，得到各待测脑电信号对应的待测特征集；待测特征矩阵确定单元，与所述第二变换单元连接，用于根据各待测特征集，确定当前时段的待测特征矩阵；预测单元，分别与所述训练单元及所述待测特征矩阵确定单元连接，用于基于所述癫痫发作预测模型，根据所述待测特征矩阵，确定当前时段是否为癫痫发作前期。2.根据权利要求1所述的基于cnn和自注意力机制的癫痫发作预测系统，其特征在于，所述样本获取单元包括：初始样本获取模块，用于获取多个患者在历史连续时段内多个脑电通道的初始样本通道信号；切片模块，与所述初始样本获取模块连接，用于针对任一患者任一脑电通道的初始样本通道信号，按照设定时间间隔对所述初始样本通道信号进行切片，得到对应所述脑电通道的多个时段的样本通道信号；同一时段的样本通道信号为对应时段的样本脑电信号；标注模块，与所述切片模块连接，用于对各患者各时段的样本脑电信号进行标注，确定各样本脑电信号对应的标签信息。3.根据权利要求1所述的基于cnn和自注意力机制的癫痫发作预测系统，其特征在于，所述变换单元包括：s变换模块，与所述样本获取单元连接，用于针对任一患者任一时段，对各样本通道信号进行s变换，将各样本通道信号从时域转化为时频域，得到各样本通道信号对应的时频矩阵；划分模块，与所述s变换模块连接，用于针对任一患者任一时段的任一样本通道信号，根据所述样本通道信号的频率及时段，将所述样本通道信号的时频矩阵划分为多个块，并分别对每个块进行求和，得到所述样本通道信号的多个样本特征值；样本特征集确定模块，与所述划分模块连接，用于针对任一患者任一时段的任一样本
通道信号，根据所述样本通道信号的多个样本特征值，确定所述样本通道信号的样本特征集。4.根据权利要求1所述的基于cnn和自注意力机制的癫痫发作预测系统，其特征在于，各样本通道信号的样本特征集中均包括多个样本特征值；所述样本特征矩阵确定单元包括：初始矩阵确定模块，与所述第一变换单元连接，用于针对任一患者任一时段，根据各样本特征集，确定对应时段的初始样本特征矩阵；所述初始样本特征矩阵中包括多个样本特征值；计算模块，与所述初始矩阵确定模块连接，用于分别计算各患者各时段的初始样本特征矩阵的均值及标准差；标准化模块，分别与所述计算模块及所述初始矩阵确定模块连接，用于针对任一患者任一时段，根据所述时段的初始样本特征矩阵的均值及标准差，对所述初始样本特征矩阵中的各样本特征值进行标准化处理，得到对应的标准化样本特征值；特征矩阵确定模块，与所述标准化模块连接，用于针对任一患者任一时段，根据所述时段的各标准化样本特征值，确定所述时段的样本特征矩阵。5.根据权利要求4所述的基于cnn和自注意力机制的癫痫发作预测系统，其特征在于，采用以下公式，对所述初始样本特征矩阵中的第i个样本特征值进行标准化处理：其中，为第i个标准化样本特征值，d
i
为第i个样本特征值，d
mean
为初始样本特征矩阵的均值，d
std
为初始样本特征矩阵的标准差。6.根据权利要求1所述的基于cnn和自注意力机制的癫痫发作预测系统，其特征在于，所述训练单元包括：卷积神经网络，用于针对任一患者任一时段的样本特征矩阵，对所述样本特征矩阵进行特征提取，得到三维特征数据；维度转换模块，与所述卷积神经网络连接，用于将所述三维特征数据转换为二维特征数据；自注意模块，与所述维度转换模块连接，用于根据所述二维特征数据，基于自注意力机制，确定自注意特征；全连接层，与所述自注意模块连接，用于将所述自注意特征转换为一维向量；softmax分类器，与所述全连接层连接，用于确定所述一维向量的预测类别；所述预测类别为0或1；0表示所述样本特征矩阵对应的样本脑电信号为发作间期脑电信号，1表示所述样本特征矩阵对应的样本脑电信号为发作前期脑电信号；训练模块，分别与所述softmax分类器、所述样本获取单元、所述卷积神经网络及所述自注意模块连接，用于根据各患者各时段的样本特征矩阵的预测类别及对应的样本脑电信号的标签信息，确定损失函数，并根据损失函数调整卷积神经网络的权重和偏置以及自注意力机制的权重，直至损失函数收敛，以得到最优的预测神经网络；最优的预测神经网络为癫痫发作预测模型。7.根据权利要求6所述的基于cnn和自注意力机制的癫痫发作预测系统，其特征在于，
所述自注意模块包括：数据划分子模块，与所述维度转换模块连接，用于将所述二维特征数据划分为多个子数据；卷积块，与所述数据划分子模块连接，用于对每一子数据进行卷积，得到各子数据的键参数、查询参数和值参数；点积注意力子模块，与所述卷积块连接，用于根据各子数据的键参数、查询参数和值参数，确定对应各子数据的点积注意力特征；自注意子模块，与所述点积注意力子模块连接，用于根据各子数据的点积注意力特征，确定自注意特征。8.根据权利要求7所述的基于cnn和自注意力机制的癫痫发作预测系统，其特征在于，采用以下公式，计算第j个子数据的点积注意力特征：其中，q
j
为第j个子数据的查询参数，k
j
为第j个子数据的键参数，v
j
为第j个子数据的值参数，为第j个子数据的键参数k
j
的转置，为比例因子。9.根据权利要求1所述的基于cnn和自注意力机制的癫痫发作预测系统，其特征在于，所述基于cnn和自注意力机制的癫痫发作预测系统还包括：警报单元，与所述预测单元连接，用于在连续多个时段为癫痫发作前期时，产生警报信息。

技术总结

本发明提供一种基于CNN和自注意力机制的癫痫发作预测系统，属于信号特征分析领域，包括：样本获取单元，用于获取样本数据集；第一变换单元，用于对样本通道信号进行S变换得到对应的样本特征集；样本特征矩阵确定单元，用于根据各样本特征集确定样本特征矩阵；网络构建单元，用于构建初始预测神经网络；训练单元，用于对初始预测神经网络进行训练；信号采集单元，用于实时采集待测脑电信号；第二变换单元，用于对待测脑电信号进行S变换得到待测特征集；待测特征矩阵确定单元，用于根据各待测特征集确定待测特征矩阵；预测单元，基于癫痫发作预测模型确定当前时段是否为癫痫发作前期。提高了癫痫发作的预测精度及效率。提高了癫痫发作的预测精度及效率。提高了癫痫发作的预测精度及效率。