基于多终端数据训练神经网络模型的方法和系统及介质与流程

技术特征：
1.一种基于多终端数据训练神经网络模型的方法，其特征在于，所述方法包括：获取不同终端所采集的脑电图数据，并基于脑电图数据提取癫痫波数据；基于滑动窗口对癫痫波数据进行数据切片提取含有癫痫波的脑电图样本数据；将含有癫痫波的脑电图样本数据基于混合多尺度卷积核残差网络进行泛化训练形成初步神经网络模型；从初步神经网络模型所训练的整体数据中提取伪差数据；将提取的伪差数据和基于脑电图数据提取的癫痫波数据进行数据整合，得到癫痫波整合数据；基于滑动窗口对癫痫波整合数据进行数据切片提取含有整合后的脑电图样本数据；将整合后的脑电图样本数据重新基于混合多尺度卷积核残差网络进行泛化训练形成最终神经网络模型。2.如权利要求1所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述获取不同终端所采集的脑电图数据之后还包括：将所采集的脑电图数据进行滤波处理。3.如权利要求2所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述将所采集的脑电图数据进行滤波处理包括：将所采集的脑电图数据进行50赫兹的滤波去除环境噪音；进行30赫兹的低通滤波消除高频噪声；进行0.1赫兹的高通滤波消除电压偏移。4.如权利要求1所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述基于混合多尺度卷积核残差网络进行泛化训练包括：获取具有癫痫波的脑电图样本数据集合；将脑电图样本数据集合按照不同脑电图采集频率分批输入混合多尺度卷积核残差网络对所述脑电图样本数据集不同大小波型特性进行拟合抽取特征向量；对拟合后的特征向量进行批归一化处理；对批归一化处理后的特征向量通过1x1卷积配套全局平均池化处理，获得指定输出维度的特征图；将所述特征图经过神经网络的dropout层进行数据处理，抑制过拟合；将处理后的数据流输入softmax层进行运算，最终输出神经网络最初输入的脑电波是否癫痫发作的判断结果。5.如权利要求4所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述将脑电图样本数据集合按照不同脑电图采集频率分批输入混合多尺度卷积核残差网络对所述脑电图样本数据集不同大小波型特性进行拟合包括：将所述脑电图样本数据集合输入混合多层度卷积核残差网络的第一级卷积网络，并基于第一级卷积网络对所述脑电图样本进行第一级拟合处理，所述第一级卷积网络包括五层卷积网络，每一层卷积网络上设置有32个1x1卷积核、32个3x3卷积核、32个5x5卷积核；将第一级拟合处理后的脑电图样本数据集合输入混合多层度卷积核残差网络的第二级卷积网络，并基于第二级卷积网络对所述脑电图样本进行第二级拟合处理，所述第二级卷积网络包括十层卷积网络，每一层卷积网络上设置有128个1x1卷积核、128个3x3卷积核、
128个5x5卷积核；将第二级拟合处理后的脑电图样本数据集合输入混合多层度卷积核残差网络的第三级卷积网络，并基于第三级卷积网络对所述脑电图样本进行第三级拟合处理，所述第三级卷积网络包括五层卷积网络，每一层卷积网络上设置有192个1x1卷积核、192个3x3卷积核、192个5x5卷积核。6.如权利要求4所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述对拟合后的脑电图样本数据集进行批归一化处理包括：计算拟合后的脑电图样本数据集的均值；计算拟合后的脑电图样本数据集的方差；使用计算的均值和方差对拟合后的脑电图样本数据集进行归一化处理，获得0-1分布；对拟合后的脑电图样本数据集进行尺度变换和偏移处理。7.如权利要求1至6任一项所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述从初步神经网络模型所训练的整体数据中提取伪差数据包括：将整体脑电图导入训练好的初步模型进行推断，将误判的假阳性脑电波段数据提取出来。8.如权利要求7所述的基于多终端数据训练神经网络模型的方法，其特征在于，所述脑电图样本数据集合中的数据源具有不同频率，所述脑电图样本数据集合中的数据源顺序随机打乱，所述脑电图样本数据集合中的数据源为从不同采集端所采集的脑电图数据。9.一种基于多终端数据训练神经网络模型的系统，其特征在于，所述系统包括：采集模块，用于获取不同终端所采集的脑电图数据，并基于脑电图数据提取癫痫波数据；第一数据切片模块，用于基于滑动窗口对癫痫波数据进行数据切片提取含有癫痫波的脑电图样本数据；第一泛化训练模块，用于将含有癫痫波的脑电图样本数据基于混合多尺度卷积核残差网络进行泛化训练形成初步神经网络模型；伪差数据提取模块，用于从初步神经网络模型所训练的整体数据中提取伪差数据；数据整合模块，用于将提取的伪差数据和基于脑电图数据提取的癫痫波数据进行数据整合，得到癫痫波整合数据；第二数据切片模块，用于基于滑动窗口对癫痫波整合数据进行数据切片提取含有整合后的脑电图样本数据；第二泛化训练模块，用于将整合后的脑电图样本数据重新基于混合多尺度卷积核残差网络进行泛化训练形成最终神经网络模型。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。

技术总结
本发明公开了一种基于多终端数据训练神经网络模型的方法和系统级介质，其方法包括：获取不同终端所采集的脑电图数据；基于滑动窗口对癫痫波数据进行数据切片提取含有癫痫波的脑电图样本数据；将含有癫痫波的脑电图样本数据基于混合多尺度卷积核残差网络进行泛化训练形成初步神经网络模型；将提取的伪差数据和基于脑电图数据提取的癫痫波数据进行数据整合；基于滑动窗口对癫痫波整合数据进行数据切片提取含有整合后的脑电图样本数据；将整合后的脑电图样本数据重新基于混合多尺度卷积核残差网络进行泛化训练形成最终神经网络模型。本发明使得神经网络模型可以对各种终端采集到的不同频率的脑电图进行癫痫发作波形诊断都有很好的准确度。断都有很好的准确度。断都有很好的准确度。


技术研发人员：何俊权 金四化 谢哲林 黄斌
受保护的技术使用者：肇庆美兰特科技有限公司
技术研发日：2022.03.24
技术公布日：2022/7/12