基于差分矩阵的跨患者的癫痫波检测方法、系统和存储介质

1.本发明涉及信号处理和模式识别技术领域，尤其涉及一种基于差分矩阵的跨患者的癫痫波检测方法、系统和存储介质。


背景技术：

2.癫痫是一种由神经元过度放电引起的慢性神经系统疾病，会导致身体抽搐、意识丧失甚至导致生命危险，已成为最常见的神经系统疾病之一。如今全世界有超过6500万人受到癫痫的影响，其中三分之一的癫痫疾病是医学上难以完全治愈的[min li 2021]。stereo-encephalography(seeg)是一种代表性的ieeg技术，将电极插入人脑进行信号记录。这种成熟的技术已被证明是有效和安全的，并且具有微创的优势[alomar 2016]。此外，与其他ieeg方法(如ecog、lfp)相比，seeg同时提供皮质和皮质下结构的脑电记录功能，成为癫痫定位的主流方法[proix 2018]。目前，基于脑电记录的癫痫检测和诊断主要由训练有素的神经科医生进行。但是，这些人工检测的任务非常耗时且乏味。识别单个患者的癫痫发作事件需要几个小时甚至更长的时间[mormann 2007]。
[0003]
此外，癫痫检测的结果高度依赖神经科医生的经验。在这种情况下，自动化癫痫检测的研究发展迅速，然而，其中大部分是基于无创电生理监测记录，并在单个患者的设定中实施。由于缺乏侵入性记录方式提供的立体信息和更精细的脑电信号，当致癫痫病灶位于大脑更深的结构(例如海马、岛叶)时，现有方法将失败。更重要的是，由监督机器学习方法驱动的现有方法，由于患者之间存在个体差异，只能在同一患者上进行训练和应用。因此，对于每一个新的患者，都需要大量的数据收集和标注工作来训练分类器参数。事实上，这些基于单个患者的方法会增加额外的负担并降低现实情况下的诊断效率。因此，研究具有一定泛化水平和跨患者能力的基于seeg的癫痫检测模型是迈向临床诊断应用的第一步。
[0004]
然而，大脑活动是非平稳信号，由于各种因素，个体之间存在很大差异：(1)由于患者之间的结构和功能差异，包括神经发育、精神状态等，脑神经活动本质上是患者特异性的[samek2013]。(2)seeg是针对每位患者的临床情况量身定制的个性化方法[chabardes 2018]，其中电极放置位置(例如，插入大脑区域、通道数量等)因每位特定患者而异。(3)不同癫痫患者的脑电信号发作模式差异很大[hossain 2019]，从低电压快速活动、高振幅低频周期性尖峰到高振幅快速振荡[frauscher 2017,truccolo 2011]。此外，不同的致病机制也会导致不同的癫痫发作模式。这些因素不可避免地导致患者之间发生巨大的域偏移，使得seeg中跨患者癫痫发作检测的泛化成为一个悬而未决的问题。


技术实现要素：

[0005]
为了解决现有技术针对seeg数据癫痫波检测效果差、泛化性能差的问题，本发明提出了一种基于差分矩阵的跨患者的癫痫波检测方法、系统和存储介质，通过利用癫痫脑波与正常脑波在斜率、振幅以及强度这三个方面的差异以及三个重要的参考，结合差分操作和卷积神经网络，实现了在seeg数据上的癫痫检测。
[0006]
本发明采用如下技术方案：
[0007]
第一个方面，本发明提供了一种基于差分矩阵的跨患者的癫痫波检测方法，包括：
[0008]
获取待检测片段的原始脑电信号数据，并在检测片段的前后两侧拼接局部上下文参考、正常波形参考和全局近似发作波形参考，构建待检测片段的增广数据；
[0009]
提取增广数据的不同指标的特征，构成不同指标的差分矩阵，将所述的不同指标的差分矩阵拼接，得到待检测片段的合成差分矩阵；所述的不同指标包括斜率指标、幅度指标和强度指标；
[0010]
对待检测片段的合成差分矩阵进行迭代编码，对编码结果进行分类，得到待检测段是否是癫痫发作的检测结果。
[0011]
第二个方面，本发明提供了一种基于差分矩阵的跨患者的癫痫波检测系统，用于实现上述的基于差分矩阵的跨患者的癫痫波检测方法。
[0012]
第三个方面，本发明提供了一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，用于实现上述的基于差分矩阵的跨患者的癫痫波检测方法。
[0013]
与现有技术相比，本发明的具备的有益效果是：本发明基于可泛化的差分矩阵和差分矩阵卷积神经网络编码器，建模脑电活动动态变化模式的seeg癫痫检测模型，能够实现给定一系列连续的固定时长的seeg多信道时间序列数据段，通过对输入数据的特征提取与差分矩阵的建模，从而实现对seeg数据癫痫波的精准预测。
附图说明
[0014]
图1是根据一示例性实施例示出的基于差分矩阵的跨患者的癫痫波检测方法的示意图；
[0015]
图2是根据一示例性实施例示出的最近正常波形参考的构建与更新示意图。
[0016]
图3是根据一示例性实施例示出的全局近似发作波形参考的构建示意图；
[0017]
图4是根据一示例性实施例示出的癫痫波与正常波相似的例子。
[0018]
图5是根据一示例性实施例示出的差异矩阵如何反映癫痫演变过程中的神经活动变化的示意图。
具体实施方式
[0019]
下面结合附图和实施例对本发明进行进一步说明。附图仅为本发明的示意性图解，附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0020]
为了在seeg中进行跨患者癫痫检测，由于不同患者在生理、病理学、癫痫发作模式和诊断方面的差异，本发明面临着领域偏移的挑战。为了克服这些限制，本发明提出了一种新颖的基于差分矩阵的神经网络来模拟通用癫痫表征，它可以应用于不同的患者。本实施例中，将基于差分矩阵的跨患者的癫痫波检测方法使用的模型记为“dmnet”，基于可泛化的差分矩阵和差分矩阵卷积神经网络编码器，建模脑电活动动态变化模式的seeg癫痫检测框架，本发明的整体框架由3个重要的组件组成：对时序数据进行转换的差分矩阵构建模块、为了更好地捕获脑电活动变化从而引入的3个重要的参考(局部上下文参考、最近正常波形
参考以及全局近似发作波形参考)和对差分矩阵进行表征学习以供分类器进行分类的差分矩阵编码器。
[0021]
图1展示了dmnet的整体框架概览图。对于检测片段sk，本发明将检测片段sk附近的τ片段作为局部上下文参考，并增加附近的正常波形参考和全局近似发作波形参考，以形成基于斜率、振幅和强度的三个片段序列；然后执行差分运算以获得合成差分矩阵，该矩阵将被送到编码器以学习高级表征；最后使用分类器获得sk的检测结果，即正常或者癫痫发作。
[0022]
下面分别对各个部分进行说明。
[0023]
(一)差分矩阵的构建。
[0024]
本发明将检测片段sk以及三种参考进行差分运算，本发明构建了如下的段序列：
[0025][0026]
其中，sk是第k个待检测段的原始数据，||是连接操作，指的是局部上下文参考，和表示将连接到sk的前后侧的参考子集；和和分别是附近的正常参考和全局近似发作波形参考，每一种参考的两个子集分别放置在sk两侧，最后得到的sk表示第k个待检测段的增广数据，增广数据中包括了若干个时间序列片段s。
[0027]
图1的左边部分给出了说明。通过对数据分析可见，癫痫发作的seeg活动的显著特征主要体现在频率和幅度大小上。因此，本发明使用三个指标来描述sk中的每个时间序列片段s，以便对时间序列片段更全面的表示：
[0028]
slope(s)＝max(|s
1：l-s
0：l-1
|)
[0029]
amplitude(s)＝max(|s|)
[0030]
intensity(s)＝cusp(s)
×
mean(|s
1：l-s
0：l-1
|)
[0031]
其中，s
1：l
表示序列片段s中从1到l的数据切片，slope(.)表示最大斜率计算，amplitude(.)表示最大绝对值幅度计算，cusp(.)表示尖点数计数，mean(.)表示均值计算，intensity(.)表示强度计算。
[0032]
具体来说，slope可以描述变化的速度和大脑信号波动的幅度，而amplitude可以描述时间序列偏离x轴的垂直距离。对这两个指标进行max运算，有助于消除噪声的影响，使表示更加鲁棒。此外，本发明还定义了时间序列段的intensity，其中cusp计算了段中的尖点数，表示seeg的变化速度，斜率的平均值描述了波动的大小。通过对脑电信号的分析，显然正常和癫痫发作活动在斜率、幅度和强度上存在差异，这三个描述性指标是合理的。
[0033]
本发明可以得到第k个待检测段的增广数据sk的特征向量如图2左上角所示的三个向量，其中，p表示sk中的时间序列片段总数，*表示指标，包括斜率指标、幅度指标和强度指标。
[0034]
然后对向量中的所有元素进行差分运算(如图1所示)，得到一个差分矩阵：
[0035][0036]
其中，表示第k个待检测段的增广数据中第i和j个时间序列片段的差分特征，表示第i个时间序列片段的特征，表示第j个时间序列片段的特征；
[0037]
之后，在第三维上连接三个归一化后的差分矩阵，得到最终的合成差分矩阵
[0038]
(二)局部上下文参考。
[0039]
如前所述，捕捉大脑活动变化是消除不同患者之间域偏移的关键。然而，一个特定的片段通常太短而无法包含丰富的神经活动。为此，本发明引入了局部上下文参考用于信号差分操作，以便将该片段的癫痫发作事件与其附近的正常背景活动进行比较。
[0040]
具体来说，对于一个片段sk，定义其局部上下文参考为一个长度为2τ的连续的段序列，即由按时间顺序在sk之前和之后的相邻段组成(分别表示和每个包含τ个段)。得到：
[0041][0042]
在实践中，局部的上下文参考是有效的，特别是对于短期癫痫发作，通过捕捉在短时间内发生的神经活动变化。
[0043]
(三)最近正常波形参考。
[0044]
不同患者的癫痫发作持续时间差异很大，但同一个患者的癫痫发作持续时间并不相同，这种变化会阻碍癫痫发作的检测。对于作为检测目标的中间部分，没有正常的波形进行比较，因为癫痫发作事件占据了它的整个上下文参考。上述的局部上下文参考只能捕捉到相邻段之间的过渡变化，癫痫发作段将与正常段无法区分。为了解决这个问题，本发明引入了附近的正常参考，即被归类为正常的段，以保证始终有正常的事件用于进行差分运算的比较。
[0045]
附近的正常参考构建过程的细节在图2中描述。给定第t次迭代更新中b个合成差分矩阵，b表示批次大小，首先将其输入模型并得到检测结果表示第b个片段的检测结果。本实施例中，用于获取检测结果的模型由cnn编码器和分类器构成。
[0046]
然后应用过滤器筛选出被分类为正常的片段，构成一组片段集合用于更新附近的正常参考。此处值得注意的是，在癫痫发作之前有一个pre-ictal的演化过程，在这个过程中大脑活动会逐渐接近癫痫发作模式，但在临床上被视为正常。考虑到直接将视为正常参考将引入pre-ictal模式并导致正常和癫痫事件之间的比较较弱，本发明引入动量更新策略，使用更新率参数α来更新附近的正常参考以便获得更鲁棒的结果，如下所示：
[0047][0048]
其中，len(
·
)表示片段集合中的数量，是预设的阈值。
[0049]
之后，在正常参考记忆中更新以进行下一次迭代。在进行差分时，将rnn分成两个相等的部分(即r
nn1
和r
nn2
)，并将它们连接到具有局部上下文的段序列的前后两侧参考，以补偿正常的背景脑电活动。
[0050]
(四)全局近似发作波形参考。
[0051]
在许多情况下，神经活动振荡也发生在正常事件中，因此难以区分不同患者的癫痫发作和正常事件。图4给出了一个直观的例子，其中来自不同患者的癫痫发作和正常波与大脑活动模式非常相似，导致它们对应的差异矩阵变得无法区分。此外，这种现象也发生在同一患者身上。这个问题是由于差分矩阵是仅仅基于局部信息构建的。尽管神经活动振荡
引起了类似的局部上下文变化，但从同一通道内的全局角度来看，癫痫发作和正常活动之间仍然存在一些只有轻微的信号差异(例如，幅度、频率等)。
[0052]
为了解决上述问题，本发明引入了全局近似发作波形参考作为标准发作模式(ssp)来表示发作的全局特征，借助它可以更好地将癫痫波与神经活动振荡的正常事件区分开来。图3展示了全局癫痫样参考的细节。请注意，ssp不一定由所有癫痫发作波组成，是一个具有全球最具代表性的癫痫样发作模式。受这个想法的启发，本发明分别根据幅度、斜率和强度的指标并分别对同一通道中的所有段对应的指标进行排序。对于每个指标，将最大的前γ片段作为相应通道中最具代表性的癫痫样片段的候选集并将三个集合合并为其中*∈{slope，amplitude，intensity}表示指标，γ∈(0，m-1]是可调整的设置大小，m是当前通道的总片段数。
[0053]
考虑到s
gs
中具有代表性的癫痫样片段也将是高度可变的，直接对其进行差分运算将不可避免地导致检测的假阴性。例如，具有最大斜率的癫痫样发作可能会与具有较小斜率的目标发作波形产生巨大差异，从而导致将目标检测为正常的错误结果。为了将ssp的方差保持在有限范围内，本发明选择与检测片段及其局部上下文参考最相似的癫痫样片段作为全局近似发作波形参考r
gs
。
[0054]
具体来说，本发明将检测片段sk及其前后的局部上下文参考分成两等份，并计算三个指标上的对应值，记为和
[0055]
然后选择s
gs
中的候选，其中指标值最接近和作为全局类似癫痫参考：
[0056][0057][0058]
其中，和是检测片段sk的全局类似癫痫参考，它们将连接到具有局部上下文和附近的片段序列的后侧和前侧正常参考，从而提供全局ssp信息。
[0059]
(五)差分矩阵编码器。
[0060]
执行差分运算后，根据每个检测段的三个指标得到三个差分矩阵将这三个差分矩阵进行归一化处理并合并为一个合成差分矩阵(sdm)，记为本实施例中，采用cnn卷积神经网络作为编码器来学习构建的sdm表示以进行最终分类。
[0061]
不可避免地，sdm值的范围因患者而异，这使得编码器很难学习不同患者的一般表示。因此，需要对sdm进行归一化。为了保留矩阵和神经活动信息的相对比例，本发明提出了有符号的最小-最大归一化，它在sdm上实现了最小-最大归一化，同时保持了符号值。在将sdm输入cnn模型之前执行归一化(如图1所示)。
[0062]
本步骤中，首先，将每个值的符号保存为矩阵lk。其次，取绝对值后，对三个差分矩阵中的每一个进行最小-最大归一化。最后，使用矩阵lk来恢复差分矩阵的正负性，该实现过程可以表示为：
[0063][0064]
其中，表示符号矩阵，n
min-max
表示最小-最大归一化，表示归一化后的差分矩阵。
[0065]
自然地，三个指标(斜率、幅度、强度)在癫痫检测任务中扮演着不同的角色，本发明还可以采用了注意力机制来模拟基于不同指标的差分矩阵的重要性，从而实现自适应特征图融合。具体来说，通过计算不同指标的的重要性系数α，并对其加权以获得更有效的合成差分矩阵。在编码器中进行表示学习后，输入分类器，得到每一个待检测段是否是癫痫发作。
[0066]
在本发明的一项具体实施中，基于差分矩阵的跨患者的癫痫波检测方法包括：
[0067]
步骤1，获取待检测片段的原始脑电信号数据，并在检测片段的前后两侧拼接局部上下文参考、正常波形参考和全局近似发作波形参考，构建待检测片段的增广数据；
[0068]
本步骤中，重点在于获取待检测片段的三种参考并拼接在待检测片段的前后两侧，得到待检测片段的增广数据：
[0069][0070]
其中，sk是第k个待检测段的原始数据，||是连接操作，表示待检测片段sk的局部上下文参考，和表示连接到sk的前后侧的参考子集；表示待检测片段sk的正常波形参考，表示连接到的前后侧的参考子集；表示待检测片段sk的全局近似发作波形参考，表示连接到的前后侧的参考子集，sk表示第k个待检测段的增广数据，所述的增广数据中包括了若干个时间序列片段s。
[0071]
具体的，包括以下步骤：
[0072]
步骤1.1，获取局部上下文参考：
[0073]
在待检测片段sk的前后各选取一个长度为τ的连续的段序列，表示为：
[0074][0075]
其中，表示待检测片段sk的局部上下文参考，表示待检测片段sk的局部上文参考，表示待检测片段sk的局部下文参考，s
k-τ
表示待检测片段sk之前τ步长的片段，s
k τ
表示待检测片段sk之后τ步长的片段；
[0076]
将和分别拼接在待检测片段sk的前后两侧。
[0077]
步骤1.2，获取正常波形参考：
[0078]
在执行对待检测片段的合成差分矩阵进行迭代编码的过程中，初始迭代时，获取若干片段作为候选片段，并将其拼接在待检测片段sk的两侧，针对初始编码过程，对编码结果进行分类，选取分类结果为正常的合成差分矩阵对应的候选片段集合将候选片段集合分成两个相等的部分，拼接在局部上下文参考的前后两侧；
[0079]
之后，在执行对待检测片段的合成差分矩阵进行第t次迭代编码的过程中，根据第t-1次迭代生成的待检测片段的增广数据的合成差分矩阵进行编码和分类，选取分类结果为正常的合成差分矩阵对应的候选片段集合对候选片段集台进行动量更新：
[0080][0081]
其中，len(
·
)表示集合中的片段数量，是预设的阈值，α为更新率参数；将经动
量更新后得到的候选片段集合作为正常波形参考并分成两个相等的部分，拼接在局部上下文参考的前后两侧，用于进行下一次迭代。
[0082]
步骤1.3，获取全局近似发作波形参考：
[0083]
初始化若干片段，计算各片段不同指标的特征，选取各指标下最大的前γ片段作为全局近似发作波形参考候选片段集合；
[0084]
将检测片段sk及其局部上下文参考分成两等份，并计算各指标上的对应值，记为和
[0085]
从全局近似发作波形参考候选片段集合中选取指标值最接近和的片段作为全局近似发作波形参考：
[0086][0087][0088][0089]
其中，是检测片段sk的全局近似发作波形参考，分别拼接在正常波形参考的前后两侧，s
gs
(i)表示全局近似发作波形参考候选片段集合中的第i个片段，*＝{slope，amplitude，intensity}分别表示斜率指标、幅度指标和强度指标。
[0090]
步骤2，提取增广数据的不同指标的特征，构成不同指标的差分矩阵，将所述的不同指标的差分矩阵拼接，得到待检测片段的合成差分矩阵；所述的不同指标包括斜率指标、幅度指标和强度指标；
[0091]
本步骤的实现方式可以为：
[0092]
步骤2.1，提取增广数据的不同指标的特征可参考上述第一部分“(一)差分矩阵的构建”介绍的公式，得到增广数据中所有时间序列片段s的各指标特征记为介绍的公式，得到增广数据中所有时间序列片段s的各指标特征记为分别表示斜率指标、幅度指标和强度指标；
[0093]
步骤2.2，对各指标特征的所有元素进行差分运算，得到各指标下的差分矩阵：
[0094][0095]
其中，表示第k个待检测段的增广数据中第i和j个时间序列片段的差分特征，表示第i个时间序列片段的特征，表示第j个时间序列片段的特征，p表示sk中的时间序列片段总数；
[0096]
步骤2.3，对各指标下的差分矩阵进行归一化处理：
[0097][0098]
其中，表示符号矩阵，n
min-max
表示最小-最大归一化，表示归一化后的差分矩阵；
[0099]
步骤2.4，对各指标下归一化后的差分矩阵进行拼接，得到待检测片段sk对应的合成差分矩阵
[0100]
此外，在对归一化后的差分矩阵进行拼接之前，还可以包括获取不同指标的归一化后的差分矩阵的重要性系数的过程，根据重要性系数对不同指标的归一化后的差分
矩阵进行加权后再进行拼接。
[0101]
步骤3，对待检测片段的合成差分矩阵进行迭代编码，对编码结果进行分类，得到待检测段是否是癫痫发作的检测结果。
[0102]
在本实施例中还提供了一种基于差分矩阵的跨患者的癫痫波检测系统，该系统用于实现上述实施例，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能的。
[0103]
所述的系统包括：
[0104]
局部上下文参考模块，其用于获取检测片段的局部上下文参考；
[0105]
正常波形参考模块，其用于获取检测片段的正常波形参考；
[0106]
全局近似发作波形参考模块，其用于获取检测片段的全局近似发作波形参考；
[0107]
差分矩阵构建模块，其用于将局部上下文参考、正常波形参考、全局近似发作波形参考依次拼接在检测片段的前后两侧，得到检测片段的增广数据；以及用于提取增广数据的不同指标的特征，构成不同指标的差分矩阵，将所述的不同指标的差分矩阵拼接，得到待检测片段的合成差分矩阵；所述的不同指标包括斜率指标、幅度指标和强度指标；
[0108]
差分矩阵编码器模块，其用于对待检测片段的合成差分矩阵进行迭代编码；
[0109]
分类器模块，其用于对编码结果进行分类，得到待检测段是否是癫痫发作的检测结果。
[0110]
上述系统中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。对于系统实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述的一种基于差分矩阵的跨患者的癫痫波检测方法。
[0111]
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、sd卡、闪存卡(flash card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
[0112]
本实施例通过一项具体是实验来验证本发明的实施效果。
[0113]
(1)数据采集。
[0114]
本次实验中使用的seeg数据集由一家三甲医院提供并授权使用，包含了5个患者的seeg记录数据。为了满足诊断的需求，对于每个难治性的患者将会植入4到10个深度电极，其中每个电极有52到126个通道，用于记录患者的脑电信号。seeg记录通过诊断记录系统降采样至512-1024hz。特别地，由于对于某个确定的患者来说，他的seeg数据规模大、采
样频率非常高并且含有多个通道，这个数据集非常大，超过了150个小时并且数据量远大于100gb。
[0115]
(2)数据预处理。
[0116]
为了提高评估模型的效率，本次实验对seeg记录数据降采样至256hz，并且将这些连续的数据分割成1445856个段，每个段含有100个点。所有的段都经过了专业的医师进行标注，癫痫发作段的数量占总段数的比例大致是0.0004，表明了这个数据集的标签是非常不平衡的。所以本次实验采用查准率、召回率和f-measures来对比本发明的模型与现有技术的模型的效果。
[0117]
(3)对比实验。
[0118]
为了全面验证本发明模型的有效性，本次实验将其与几种不同类型的基线模型进行了比较，分为单个患者的癫痫波检测和跨患者的癫痫波检测。
[0119]
单个患者的癫痫波检测。将会在单个患者下进行训练和测试。特别地，对于每个患者，随机地按5:1:4划分数据集为训练验证和测试集，与本发明模型进行对比的基线模型包括：
[0120]
基于机器学习的方法：将线性判别分析(lda[balakrishnama 1998])和支持向量机(svm[zhang 2012])作为分类器，输入的数据是将脑电波段转换为功率频谱图(psd)，然后进行分类。
[0121]
基于卷积神经网络的方法：这种方法使用卷积神经网络作为特征提取器进行癫痫波检测。更确切地说，使用短时傅里叶变换将检测段转换为2d的频谱图，然后输入至经典的卷积神经网络中进行分类，如resnet[he 2015]、xception[chollet 2016]和densenet[huang 2016]。
[0122]
基于时间分类的方法：包含了最先进的方法如：lstm-fcn[karim 2017]、stsf[cabello2020]、tcn[bai 2018]和minirocket[dempster 2020]，它们能直接输入时间序列片段进行分类。
[0123]
测试结果如表1所示。
[0124]
表1单个患者的癫痫波检测的平均结果
[0125][0126]
从表1可见，本发明的模型对于经典的机器学习算法、效果惊人的时间序列分类算法和经典的图像分类算法，都有着很好的效果，特别是对于f2指标，本发明的算法相对于最
好的基线算法densenet有着4.93％的提升。可以说明虽然单个患者相比于多个患者的信息量会少许多，但是算法能够更加精确地捕获癫痫波的发作模式以及与普通波形的区别，从而有着更好的效果。
[0127]
跨患者的癫痫波检测。对于需要进行癫痫检测的患者，把这个患者的数据当作目标域，其它所有的患者的标签和数据当作源域用于模型的训练和验证，与本发明模型进行对比的基线模型包括：
[0128]
sicr[jeon 2019]：这个算法通过学习类别相关和患者不变的特征，在非侵入式脑机接口领域有着很好的效果。
[0129]
mtl[blanchard 2021]：这是领域泛化的代表性工作，利用原始特征空间被增强以包括产生特征的边际分布，因为它反映了这样一个事实，即在领域泛化中，有关测试任务的信息必须从该任务的边缘特征分布中获取。
[0130]
sd[pezeshki 2020]：它通过引入一个新的正则化项，旨在解耦特征学习动态的模型，在受到梯度饥饿阻碍的情况下提高鲁棒性。
[0131]
fishr[rame 2021]：它通过引入一个正则化项，来增强损失梯度空间的域不变性，从而提高模型的泛化能力。
[0132]
trm[xu 2021]：它通过引入一个评估标准，专门用于优化算法向新的数据进行迁移。
[0133]
ib-erm[ahuja 2021]：它是一种通过最小化多个域的经验风险来提高泛化的方法。
[0134]
cdann[li 2018]：它是一种用于领域不变表示学习的端到端领域泛化方法。
[0135]
selfreg[kim 2021]：它是一种基于自监督对比正则化的域泛化方法。
[0136]
mmd[li 2018]：它是一个对抗式的自动编码器框架，用来学习跨领域的广义潜在特征表示。
[0137]
groupdro[sagawa 2019]：它是一个结合分布鲁棒优化与正则化限制的模型，其中分布鲁棒优化允许学习模型，而不是在一组预定义的组上最小化最坏情况下的训练损失。
[0138]
测试结果如表2所示。
[0139]
表2跨患者的癫痫波检测的平均结果
[0140][0141]
从表2可见，本发明的算法优于其他基线算法，与最佳基线方法相比，f2的效果提高了18.65％。结果表明本发明的模型对交叉患者癫痫发作检测的有效性，揭示了差异性操作在捕获一般发作模式和消除区域偏移方面的巨大潜力。同时召回率(recall)和查准率(precision)的效果相比其它大部分的基线算法都要好，可以说明当前的算法能够在更精确的情况下，捕获更多的发作癫痫波，这也表明了大部分基于计算机视觉和自然语言处理领域的泛化迁移算法并不能直接应用在基于seeg数据的癫痫检测场景下。
[0142]
(4)消融实验
[0143]
本实施例进行消融实验以验证模型中每个主要模块的有效性。更具体地说，本发明从模型中删除了以下每个组件，以查看它们如何分别影响性能：
[0144]
dmnet-ng：删除最近正常波形参考和全局近似发作波形参考，仅仅保留待检测段和局部上下文参考用于差分操作。
[0145]
dmnet-n：仅删除最近正常波形参考。
[0146]
dmnet-g：仅删除全局近似发作波形参考。
[0147]
dmnet-ammn：将带符号的最大-最小归一化替换为绝对值的最大-最小归一化。
[0148]
测试结果如表3所示。
[0149]
表3消融实验结果
[0150][0151]
从表3可见，dmnet的性能优于其他变体，其中没有两个参考的模型(dmnet-ng)的性能最差，证明了局部正常和全局捕获信息的必要性。这对于一般癫痫发作表征建模是至关重要的。dmnet ammn的性能较dmnet有所下降，表明dmnet中保留的符号信息也有助于一般发作模式的学习和检测。
[0152]
(5)案例研究
[0153]
为了研究差分矩阵如何反映癫痫发作演变过程中的神经活动变化，本发明可视化了一段seeg记录以及采样检测段的三个指标上的相应差分矩阵。如图5所示，在癫痫发作演变过程中，癫痫发作和正常矩阵之间存在巨大差异。对于正常事件(例如，段a、b、c和i)，差异矩阵往往是简单的，而癫痫事件的矩阵(例如，段d、e、f和g)中呈现出剧烈的神经变化。这个案例清楚地说明了差分矩阵如何捕捉神经活动的变化，并表明本发明提出的方法的有效性。
[0154]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。