基于深度学习的癫痫预警方法及装置

1.本发明涉及一种基于深度学习的癫痫预警方法及装置。

背景技术：

2.目前癫痫已成为我国神经科疾病中仅次于头疼的第二大常见病，其患病率和发病率每年均呈上升趋势，是一种因大脑神经元突发性异常放电，而导致短暂的大脑功能障碍的慢性神经系统疾病，一旦罹患将对患者及其生命历程终身产生影响。
3.因其不可治愈的特性，不仅会对患者的日常生活带来不必要的麻烦，会给患者带来严重的病耻感，更会影响患者的整个家庭，带来经济、心理、生理上的种种问题。但是，目前大多用于对癫痫疾病发生的检测，对癫痫疾病的预测准确性较低、提前预警时间较短，难以对患者起到有效的提前预警。
4.上述问题是在癫痫预警过程中应当予以考虑并解决的问题。

技术实现要素：

5.本发明的目的是提供一种基于深度学习的癫痫预警方法及装置解决现有技术中存在的现有癫痫预警方法准确性较低且提前预警时间较短，难以对患者起到有效的提前预警的问题。
6.本发明的技术解决方案是：一种基于深度学习的癫痫预警方法，包括以下步骤，s1、获取脑电信号数据，将脑电信号数据划分为发作发生期与正常期，设定发作发生期的脑电信号的时间长度，其中，发作发生期包括发生期与在发生期前的设定范围的发生间期；将脑电信号数据以设定时间分割为信号数据分段作为预处理后的脑电数据，将预处理后的脑电数据分为训练集与测试集；s2、使用训练集对基于cnn-gru的深度学习神经网络进行训练，获得深度学习预测模型；s3、使用测试集对步骤s2所得深度学习预测模型进行验证；s4、通过脑电采集设备，实时采集患者的脑电信号，进行滤波去掉伪迹的信号后，将实时脑电信号以设定时间划分为待检数据分段，输入深度学习预测模型中进行预测。
7.进一步地，步骤s2中，基于cnn-gru的深度学习神经网络包括依次设置且上一层的输出为下一层输入的输入层、卷积层一、池化层一、卷积层二、池化层二、卷积层三、池化层三、卷积层四、池化层四、全连接层、gru门控循环单元和输出层。
8.进一步地，步骤s2中，基于cnn-gru的深度学习神经网络中，输入层用于输入预处理后的脑电数据，卷积层一、卷积层二、卷积层三、卷积层四用于提取特征，池化层一、池化层二、池化层三、池化层四用于进行降维，将经过卷积操作和池化操作处理后的数据映射到隐层特征空间，搭建全连接层进行转换输出，得到具有癫痫信号时频域特征的特征向量，接着将全连接层输出的特征向量输入到gru门控循环单元中进行训练，对提取到的特征进行
学习，实现对于长短期时序信号的记忆功能；输出层对gru门控循环单元输出的特征通过softmax分类器进行分类并输出分类结果。
9.进一步地，循环神经网络通过更新门来实现前一时刻的状态信息被成功带入当前状态中的程度，并通过重置门忽略前一时刻的状态信息的程度，来实现对于长短期时序信号的记忆功能；gru更新门：z
t
＝σ(wzx
t
+u
zht-1
+bz)gru重置门：r
t
＝σ(wrx
t
+urh
t-1
+br)其中，z
t
为更新门，r
t
为重置门，σ为sigmoid函数，wz、wr、u
z、
ur为权重，bz、br为偏置项，x
t
为卷积神经网络的输出，h
t-1
为上一个状态所传递下来的信息。
10.进一步地，步骤s4中，通过脑电采集设备，实时采集患者的脑电信号，具体为，s41、将银/氯化银采集电极放到被采集者的脑部，获取采集的脑电信号；s42、使用减法滤波器对采集的脑电信号减法滤波后，放大后再加上直流偏置，输出后再滤除高频分量，再通过a/d转换器将脑电模拟信号转换为数字信号，传输给单片机；s43、单片机将数字信号以与步骤s1中相同的设定时间分割为待检数据分段；s44、将步骤s43得到的待检数据分段输入深度学习预测模型，获得是否为发生疾病的预测结果，在预测结果中为发生疾病的数量大于设定阈值时，进行预警；否则为正常。
11.进一步地，步骤s41中，将银/氯化银采集电极放到被采集者的脑部，并使位置分别为c3-p3,t8-p8,t7-p7,p3-o1。
12.一种实现上述任一项所述的基于深度学习的癫痫预警方法的装置，包括脑电采集设备和上位机，脑电采集设备采集实时脑电信号后发送给上位机，上位机采用上述任一项所述的基于深度学习的癫痫预警方法获得预测结果。
13.进一步地，脑电采集设备若干脑电采集电极、减法滤波器、仪表放大器、直流偏置电路、无源滤波电路、a/d转换器、单片机、无线通信模块和供电电源，供电电源为脑电采集设备供电，脑电采集电极采用银/氯化银采集电极，脑电采集电极获取采集的脑电信号，采集的脑电信号由减法滤波器减法滤波后，由仪表放大器放大后，由直流偏置电路加上直流偏置，输出后由无源滤波电路滤除高频分量，再由a/d转换器转换为数字信号后，传输给单片机，单片机通过无线通信模块与上位机通信。
14.本发明的有益效果是：一、该种基于深度学习的癫痫预警方法及装置，通过设置发作发生期，对深度学习神经网络训练后获得深度学习模型，在模型预测过程后，能够实现以发作发生器的脑电信号的时间长度作为最大的提前预警时间，从而能够实现提前较长时间预警，且准确性高，能够对患者起到有效的提前预警。
15.二、该种基于深度学习的癫痫预警方法及装置，通过获取脑电信号，对人体状态进行检测，将其与癫痫发病前期的生命特征进行比对，从而预测患者在接下来一定时间段的发病可能性，实现及时预警。基于深度学习神经网络，获得深度学习预测模型，在训练过程中，通过准确率对网络参数进行优化，能够提高预测的精确度，从而实现对癫痫发作的准确预测，能够对患者起到提前预警的作用，有利于医生提前指定诊疗计划，也在体检、义诊等多个生活场景之中具有重要的实用和商业价值。
附图说明
16.图1是本发明实施例基于深度学习的癫痫预警方法的流程示意图；图2是实施例中将脑电信号数据分割为信号数据分段的说明示意图；图3是实施例中基于cnn-gru的深度学习神经网络的说明示意图；图4是实施例中在国际10/20导联位置中选择的导联位置的说明示意图；图5是实施例基于深度学习的癫痫预警装置的说明示意图。
具体实施方式
17.下面结合附图详细说明本发明的优选实施例。
实施例
18.一种基于深度学习的癫痫预警方法，如图1，包括以下步骤，s1、获取脑电信号数据，将脑电信号数据划分为发作发生期与正常期，设定发作发生期的脑电信号的时间长度，其中，发作发生期包括发生期与在发生期前的设定范围的发生间期；将脑电信号数据以设定时间5min分割为信号数据分段作为预处理后的脑电数据，如图2，将预处理后的脑电数据分为训练集与测试集；s2、使用训练集对基于cnn-gru的深度学习神经网络进行训练，并计算准确率，准确率低于设定阈值时，对深度学习神经网络进行优化，直至准确率达到设定阈值后，获得深度学习预测模型；如图3，步骤s2中，基于cnn-gru的深度学习神经网络包括依次设置且上一层的输出为下一层输入的输入层、卷积层一、池化层一、卷积层二、池化层二、卷积层三、池化层三、卷积层四、池化层四、全连接层、gru门控循环单元和输出层。
19.如图3，步骤s2中，基于cnn-gru的深度学习神经网络中，输入层用于输入预处理后的脑电数据，卷积层一、卷积层二、卷积层三、卷积层四用于提取特征，池化层一、池化层二、池化层三、池化层四用于进行降维，将经过卷积操作和池化操作处理后的数据映射到隐层特征空间，搭建全连接层进行转换输出，得到具有癫痫信号时频域特征的特征向量，接着将全连接层输出的特征向量输入到gru门控循环单元中进行训练，对提取到的特征进行学习，实现对于长短期时序信号的记忆功能；输出层对gru门控循环单元输出的特征通过softmax分类器进行分类并输出分类结果。
20.gru门控循环单元通过更新门来实现前一时刻的状态信息被成功带入当前状态中的程度，并通过重置门忽略前一时刻的状态信息的程度，来实现对于长短期时序信号的记忆功能；gru更新门：z
t
＝σ(wzx
t
+u
zht-1
+bz)gru重置门：r
t
＝σ(wrx
t
+urh
t-1
+br)其中，z
t
为更新门，r
t
为重置门，σ为sigmoid函数，wz、wr、u
z、
ur为权重，bz、br为偏置项，x
t
为卷积神经网络的输出，h
t-1
为上一个状态所传递下来的信息。
21.更新门和重置门确定历史节点信息对当前节点信息的贡献程度；上一状态信息经过重置门后，通过权重和偏置项与当前输入进行聚合更新以形成当前时刻状态：为当前时刻t的候选隐藏状态；最后计算出当前时刻的隐藏状态。
[0022] s3、使用测试集对步骤s2所得深度学习预测模型进行验证；步骤s3中，使用测试集对步骤s2所得深度学习预测模型进行验证，具体为，验证集至提取出的 cnn-gru 网络中进行k折的交叉验证，每次交叉验证中迭代设定次数，并计算模型的精确率、召回率和 auc 的值。
[0023]
s4、通过脑电采集设备，采集患者的实时脑电信号，进行滤波去掉伪迹的信号后，将实时脑电信号以设定时间划分为待检数据分段，输入深度学习网络预测模型中进行预测。
[0024]
s41、将银/氯化银采集电极放到被采集者的脑部，获取采集的脑电信号；将银/氯化银采集电极放到被采集者的脑部，并使位置分别为c3-p3,t8-p8,t7-p7,p3-o1，如图4中的四个带圈位置。
[0025]
s42、使用减法滤波器对采集的脑电信号减法滤波后，放大后再加上直流偏置，输出后再滤除高频分量，再通过a/d转换器将脑电模拟信号转换为数字信号，传输给单片机；s43、单片机将数字信号以与步骤s1中相同的设定时间分割为待检数据分段；s44、将步骤s43得到的待检数据分段输入深度学习预测模型，获得是否为发生疾病的预测结果，在预测结果中为发生疾病的数量大于设定阈值时，进行预警；否则为正常。
[0026]
该种基于深度学习的癫痫预警方法，通过获取脑电信号，对人体状态进行检测，将其与癫痫发病前期的生命特征进行比对，从而预测患者在接下来一定时间段的发病可能性，实现及时预警。基于深度学习神经网络，获得深度学习预测模型，在训练过程中，通过准确率对网络参数进行优化，能够提高预测的精确度，从而实现对癫痫发作的准确预测，能够对患者起到提前预警的作用，有利于医生提前指定诊疗计划，也在体检、义诊等多个生活场景之中具有重要的实用和商业价值。
[0027]
如图5，实施例还提供一种实现上述任一项所述的基于深度学习的癫痫预警方法的装置，包括脑电采集设备和上位机，脑电采集设备采集实时脑电信号后发送给上位机，上位机采用上述任一项所述的基于深度学习的癫痫预警方法获得预测结果。
[0028]
如图5，脑电采集设备若干脑电采集电极、减法滤波器、仪表放大器、直流偏置电路、无源滤波电路、a/d转换器、单片机、无线通信模块和供电电源，供电电源为脑电采集设备供电，脑电采集电极采用银/氯化银采集电极，脑电采集电极获取采集的脑电信号，采集的脑电信号由减法滤波器减法滤波后，由仪表放大器放大后，由直流偏置电路加上直流偏置，输出后由无源滤波电路滤除高频分量，再由a/d转换器转换为数字信号后，传输给单片机，单片机通过无线通信模块与上位机通信。
[0029]
该种基于深度学习的癫痫预警装置，为高精度脑电采集的可便携式监测设备，供电电源包括18650锂电池、dc-dc电源芯片，多通道高精密低功耗前置可调放大倍数的减法滤波器包括4个低功耗低噪声仪表放大器，低功耗低噪声运算放大器的输入端与银/氯化银采集电极相连，输出与24位低噪声a/d转换器相连；24位低噪声a/d转换器采用ads1299ipagr芯片，分别与多通道高精密低功耗前置可调放大倍数的减法滤波器和单片机相连；单片机采用stm32f103rct6芯片。
[0030]
该种基于深度学习的癫痫预警方法及装置，通过设置发作发生期，对深度学习神经网络训练后获得深度学习模型，在模型预测过程后，能够实现以发作发生器的脑电信号的时间长度作为最大的提前预警时间，从而能够实现提前较长时间预警，且准确性高，能够
对患者起到有效的提前预警。
[0031]
实施例的一个具体示例说明如下：s1、实施例的脑电实验数据采用美国波士顿儿童医院采集的23名癫痫病人的脑电信号，采样频率为256hz，每个病人都有9.6～55小时的连续脑电记录和至少3次的记录癫痫。将癫痫发作时期的文件取出写入 seizure.csv 文件中并标记发作时间，将所有病例的记录数据写入另外一个 csv 文件中并添加标签。
[0032]
由于癫痫患者一次癫痫发作由开始到结束的一整个时期称为癫痫的发作期（ictal phase），而把患者癫痫发作之间的时期称为癫痫的发作间期，发作间期作为伴随癫痫患者一生可达 99%的一个阶段，对于脑电信号的分析具有非常重要的参考价值。但由于该疾病发病的不确定性和发作间期过于漫长，缺少可判断性，故发作间期的数据并不能完全作为划分时间列的依据。针对该问题，实施例将包含整个癫痫发作期的 30 分钟，定义为一个新的时期，叫做发作发生期。
[0033]
选取完整的1小时的脑电信号按照256hz的采样率分割处理成5分钟一段的信号数据分段作为预处理后的脑电数据，数据预处理中使用时间窗口将数据划分成28份，即得到7168*4的原始数据，作为输入进入神经网络进行训练；将预处理后的脑电数据分为训练集与测试集；对23名病人的预处理，包含175次癫痫发作脑电信号，使用的信号总长度为177小时，其中癫痫发作信号总长为2.8小时，样本数为4754个，非癫痫发作信号总长为174.2小时，样本数为313105个。将处理过后的数据按照8:2的比例划分训练集和测试集。
[0034]
s2、使用训练集对基于cnn-gru的深度学习神经网络进行训练，并计算准确率，准确率低于设定阈值时，对深度学习神经网络进行优化，直至准确率达到设定阈值后，获得深度学习预测模型；基于cnn-gru的深度学习神经网络包括输入层、卷积层一、池化层一、卷积层二、池化层二、卷积层三、池化层三、卷积层四、池化层四、全连接层、gru门控循环单元和输出层，上一层的输出作为下一层的输入，网络的输入是4通道的7168*4二维脑电数据。4个卷积层的卷积核个数分别为64,64,64,128，卷积核大小分别为5*5,3*3,3*3,2*2，四个卷积层的步长分别为2，2,1,1，四个池化层大小都是2*2。池化层一的输入是3582*64的二维脑电数据，卷积层二的输入是1791*64的二维脑电数据，池化层二的输入是895*64的二维脑电数据，卷积层三的输入是447*64的二维脑电数据，池化层三的输入是445*64的二维脑电数据，卷积层四的输入数据是222*64的二维脑电数据，池化层四的输入数据是221*128的二维脑电数据，将经过卷积操作和池化操作处理后的原始数据映射到隐层特征空间，搭建全连接层进行转换输出，得到具有癫痫信号时频域特征的特征向量，接着将全连接层输出的特征向量输入到gru门控循环单元中进行训练，对提取到的特征进行学习。gru门控循环单元具有128个神经元，通过更新门和重置门的设计，控制神经元中前一刻的隐层输出对当前隐层的影响程度，进行选择性的训练，提取时空特征融合向量时间维度上的信息，即信号的时域变化特征。输出层对gru门控循环单元输出的特征通过softmax分类器进行分类并输出分类结果。
[0035]
s3、使用测试集对步骤s2所得深度学习预测模型进行验证。在对深度学习神经网络训练后得到网络权值参数，使用验证集对提取出的 cnn-gru 网络中进行 k 折的交叉验
证，每次交叉验证中迭代 50 次，并且计算模型的准确率、召回率和 auc 的值，经过训练后得到模型的准确率为0.95，说明该模型很好地学习了癫痫发作间期，尤其是发作发生期 30 分钟内患者脑电的变化特征，能够准确预测基于 eeg 的癫痫发作时或是癫痫发作前的状态变化。
[0036]
s4、通过脑电采集设备，采集患者的实时脑电信号，进行滤波去掉伪迹的信号后，将实时脑电信号以设定时间划分为待检数据分段，输入深度学习预测模型中进行预测。以1分钟为时间间隔采集脑电信号进入模型，并每隔一分钟删除前一分钟的数据防止内存超载。待检数据分段的数量为x在大于80%*x批数据显示出为发生疾病，则输出结果为即将在约0-30分钟内发生疾病，否则即为正常。
[0037]
该种基于深度学习的癫痫预警方法及装置，能够通过非侵入式便携式设计，通过脑电特征信号预警癫痫，并能够实现提前约20分钟预测，准确性高，提前预警时间长，能够对患者起到有效的提前预警，对于医疗、民生等方面具有良好的实用以及参考价值。
[0038]
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在该技术方案上所做的任何改动，均落入本发明保护范围之内。

技术特征：

1.一种基于深度学习的癫痫预警方法，其特征在于：包括以下步骤，s1、获取脑电信号数据，将脑电信号数据划分为发作发生期与正常期，设定发作发生期的脑电信号的时间长度，发作发生期包括发生期与在发生期前的设定范围的发生间期；将脑电信号数据以设定时间分割为信号数据分段作为预处理后的脑电数据，将预处理后的脑电数据分为训练集与测试集；s2、使用训练集对基于cnn-gru的深度学习神经网络进行训练，并计算准确率，准确率低于设定阈值时，对深度学习神经网络进行优化，直至准确率达到设定阈值后，获得深度学习预测模型；s3、使用测试集对步骤s2所得深度学习预测模型进行验证；s4、通过脑电采集设备，采集患者的实时脑电信号，进行滤波去掉伪迹的信号后，将实时脑电信号以设定时间划分为待检数据分段，输入深度学习预测模型中进行预测。2.如权利要求1的基于深度学习的癫痫预警方法，其特征在于：步骤s2中，基于cnn-gru的深度学习神经网络包括依次设置且上一层的输出为下一层输入的输入层、卷积层一、池化层一、卷积层二、池化层二、卷积层三、池化层三、卷积层四、池化层四、全连接层、gru门控循环单元和输出层。3.如权利要求2的基于深度学习的癫痫预警方法，其特征在于：步骤s2中，基于cnn-gru的深度学习神经网络中，输入层用于输入预处理后的脑电数据，卷积层一、卷积层二、卷积层三、卷积层四用于提取特征，池化层一、池化层二、池化层三、池化层四用于进行降维，将经过卷积操作和池化操作处理后的数据映射到隐层特征空间，搭建全连接层进行转换输出，得到具有癫痫信号时频域特征的特征向量，接着将全连接层输出的特征向量输入到gru门控循环单元中进行训练，对提取到的特征进行学习，实现对于长短期时序信号的记忆功能；输出层对gru门控循环单元输出的特征通过softmax分类器进行分类并输出分类结果。4.如权利要求2的基于深度学习的癫痫预警方法，其特征在于：gru门控循环单元通过更新门来实现前一时刻的状态信息被成功带入当前状态中的程度，并通过重置门忽略前一时刻的状态信息的程度，来实现对于长短期时序信号的记忆功能；gru更新门：z
t
＝σ(w
z
x
t
+u
z
h
t-1
+b
z
)gru重置门：r
t
＝σ(w
r
x
t
+urh
t-1
+b
r
)其中，z
t
为更新门，r
t
为重置门，σ为sigmoid函数，w
z
、w
r
、u
z、
ur为权重，b
z
、b
r
为偏置项，x
t
为卷积神经网络的输出，h
t-1
为上一个状态所传递下来的信息。5.如权利要求1-4任一项的基于深度学习的癫痫预警方法，其特征在于：步骤s4中，通过脑电采集设备，实时采集患者的脑电信号，具体为，s41、将银/氯化银采集电极放到被采集者的脑部，获取采集的脑电信号；s42、使用减法滤波器对采集的脑电信号减法滤波后，放大后再加上直流偏置，输出后再滤除高频分量，再通过a/d转换器将脑电模拟信号转换为数字信号，传输给单片机；s43、单片机将数字信号以与步骤s1中相同的设定时间分割为待检数据分段；s44、将步骤s43得到的待检数据分段输入深度学习预测模型，获得是否为发生疾病的预测结果，在预测结果中为发生疾病的数量大于设定阈值时，进行预警；否则为正常。6.如权利要求5的基于深度学习的癫痫预警方法，其特征在于：步骤s41中，将银/氯化银采集电极放到被采集者的脑部，并使位置分别为c3-p3,t8-p8,t7-p7,p3-o1。
7.一种实现权利要求1-6任一项所述的基于深度学习的癫痫预警方法的装置，其特征在于：包括脑电采集设备和上位机，脑电采集设备采集实时脑电信号后发送给上位机，上位机采用权利要求1-6任一项所述的基于深度学习的癫痫预警方法获得预测结果。8.如权利要求7的基于深度学习的癫痫预警方法，其特征在于：脑电采集设备若干脑电采集电极、减法滤波器、仪表放大器、直流偏置电路、无源滤波电路、a/d转换器、单片机、无线通信模块和供电电源，供电电源为脑电采集设备供电，脑电采集电极采用银/氯化银采集电极，脑电采集电极获取采集的脑电信号，采集的脑电信号由减法滤波器减法滤波后，由仪表放大器放大后，由直流偏置电路加上直流偏置，输出后由无源滤波电路滤除高频分量，再由a/d转换器转换为数字信号后，传输给单片机，单片机通过无线通信模块与上位机通信。

技术总结

本发明提供一种基于深度学习的癫痫预警方法及装置，该方法获取脑电信号数据，将脑电信号数据划分为发作发生期与正常期，设定发作发生期的脑电信号的时间长度，其中，发作发生期包括发生期与在发生期前的设定范围的发生间期；将脑电信号数据以设定时间分割为信号数据分段作为预处理后的脑电数据，将预处理后的脑电数据分为训练集与测试集；使用训练集对深度学习神经网络进行训练，获得深度学习预测模型；使用测试集对深度学习预测模型进行验证；采集患者的实时脑电信号，输入深度学习预测模型中进行预测。本发明能够实现提前较长时间预警，且准确性高，能够对患者起到有效的提前预警。警。警。