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

技术特征：
1.一种基于差分矩阵的跨患者的癫痫波检测方法，其特征在于，包括：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；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；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。2.根据权利要求1所述的一种基于差分矩阵的跨患者的癫痫波检测方法，其特征在于，所述的局部上下文参考的获取方法包括：在待检测片段s
k
的前后各选取一个长度为τ的连续的段序列，表示为：其中，表示待检测片段s
k
的局部上下文参考，表示待检测片段s
k
的局部上文参考，表示待检测片段s
k
的局部下文参考，s
k-τ
表示待检测片段s
k
之前τ步长的片段，s
k τ
表示待检测片段s
k
之后τ步长的片段；将和分别拼接在待检测片段s
k
的前后两侧。3.根据权利要求1所述的基于差分矩阵的跨患者的癫痫波检测方法，其特征在于，所述的正常波形参考的获取方法包括：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s
k
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；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合进行动量更新：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。4.根据权利要求1所述的基于差分矩阵的跨患者的癫痫波检测方法，其特征在于，所述的全局近似发作波形参考的获取方法包括：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；将检测片段s
k
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：局近似发作波形参考：局近似发作波形参考：其中，是检测片段s
k
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。5.根据权利要求1或4所述的基于差分矩阵的跨患者的癫痫波检测方法，其特征在于，所述的斜率指标、幅度指标和强度指标的计算公式为：slope(s)＝max(|s
1：l-s
0：l-1
|)amplitude(s)＝max(|s|)intensity(s)＝cusp(s)
×
mean(|s
1：l-s
0：l-1
|)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。6.根据权利要求1所述的基于差分矩阵的跨患者的癫痫波检测方法，其特征在于，所述的待检测片段的增广数据表示为：其中，s
k
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s
k
的局部上下文参考，和表示连接到s
k
的前后侧的参考子集；表示待检测片段s
k
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s
k
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，s
k
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。7.根据权利要求1所述的基于差分矩阵的跨患者的癫痫波检测方法，其特征在于，所述的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，包括：将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；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：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；对各指标下的差分矩阵进行归一化处理：
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；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s
k
对应的合成差分矩阵8.根据权利要求7所述的基于差分矩阵的跨患者的癫痫波检测方法，其特征在于，在对归一化后的差分矩阵进行拼接之前，还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。9.一种基于差分矩阵的跨患者的癫痫波检测系统，用于实现权利要求1所述的基于差分矩阵的跨患者的癫痫波检测方法，其特征在于，所述的系统包括：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；正常波形参考模块，其用于获取检测片段的正常波形参考；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；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；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；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。10.一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，用于实现权利要求1-8中任一项所述的基于差分矩阵的跨患者的癫痫波检测方法。

技术总结
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，属于信号处理和模式识别技术领域。获取待检测片段的原始脑电信号数据，并在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；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；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。本发明通过利用癫痫脑波与正常脑波在斜率、振幅以及强度三个方面的差异以及三个重要的参考，结合差分操作和专用的卷积神经网络，实现了在SEEG数据上的癫痫检测。的癫痫检测。的癫痫检测。


技术研发人员：杨洋 涂世豪 陈俊儒
受保护的技术使用者：浙江大学
技术研发日：2022.06.10
技术公布日：2022/8/22