一种基于时空注意力的神经系统疾病脑电诊断方法及装置

本发明涉及深度学习，尤其涉及一种基于时空注意力的神经系统疾病脑电诊断方法及装置。

背景技术：

1、神经系统疾病是常见的一种病症，通过脑电图辅助分析诊断是一种常见的方式。目前，传统的神经系统疾病脑电诊断分析主要依赖于医生对脑电图中的语义特征，如慢波，棘波等的辅助观察。然而，这种人工提取语义特征的方法存在以下局限性。

2、主观性和依赖性，依赖医生对eeg信号的主观判断，结果可能收到个体经验和主观因素的影响，导致诊断结果的不稳定性和不一致性。

3、复杂性和耗时性，传统方法需要进行复杂的特征工程，包括对时频信息的建模和特征的手工提取，增加了诊断过程的复杂性和耗时性。

4、信息损失，传统方法可能会丢失一些重要信息或信号特征，导致诊断的局限性和不准确性。

技术实现思路

1、本发明通过提供一种基于时空注意力的神经系统疾病脑电诊断方法及装置，解决了现有技术中诊断过程复杂且准确性不高的问题，实现了对脑电片段信号进行可进行自动特征提取，且具有可解释性和高可靠性。

2、第一方面，本发明提供了一种基于时空注意力的神经系统疾病脑电诊断方法，该方法包括：

3、获取脑电片段信号，并对所述脑电片信号进行处理，得到初始信号；

4、将所述初始信号输入至分类网络中，得到分类结果，并输出所述分类结果；

5、其中，所述分类网络包括：浅层特征提取模块、时空注意力机制模块、深度可分离卷积模块和诊断分类模块；

6、所述浅层特征提取模块用于利用三次卷积对所述初始信号进行浅层特征的提取，得到浅层特征；其中，所述浅层特征包括电极通道信息；

7、所述时空注意力机制模块用于对所述浅层特征进行电极通道注意力提取，得到电极通道注意力权重，并将所述电极通道注意力权重与所述浅层特征进行相乘，得到电极通道注意力特征；

8、所述深度可分离卷积模块用于将所述电极通道注意力特征进行电极通道间的卷积计算，得到深层特征；

9、所述诊断分类模块用于所述深层特征进行分类，得到分类结果。

10、结合第一方面，在一种可能的实现方式中，所述对所述脑电片信号进行处理，得到初始信号，包括：将所述脑电片信号的维度进行维度扩增，得到初始信号。

11、结合第一方面，在一种可能的实现方式中，所述浅层特征提取模块，包括：依次连接的第一卷积计算单元、第二卷积计算单元、第一特征融合层、第三卷积计算单元；

12、所述第一卷积计算单元包括：第一卷积层、第一批归一化层和第一激活层；其中，所述第一卷积层的卷积核大小为1*3；

13、所述第二卷积计算单元包括：第二卷积层、第二批归一化层和第二激活层；其中，所述第二卷积层的卷积核大小为1*5；

14、所述第三卷积计算单元包括：第三卷积层、第三批归一化层和第三激活层；其中，所述第三卷积层的卷积核大小为1*7。

15、结合第一方面，在一种可能的实现方式中，所述浅层特征提取模块用于利用三次卷积对所述初始信号进行浅层特征的提取，得到浅层特征，包括：

16、对初始信号进行第一次卷积，得到一次卷积结果；

17、在对所述一次卷积结果进行第二次卷积，得到二次卷积结果；

18、将所述二次卷积结果与所述初始信号进行残差连接，得到残差连接结果；

19、对所述残差连接结果进行第三次卷积，得到所述浅层特征。

20、结合第一方面，在一种可能的实现方式中，所述时空注意力机制模块，包括：通道注意力单元和空间注意力单元；

21、所述通道注意力单元包括：第一全局最大池化层、第四卷积层、第四激活层、第五卷积层、第二特征融合层、第五激活层和第一权重乘积层；

22、所述空间注意力单元包括：第一平均池化层、第三特征融合层、第六卷积层、第六激活层、第二权重乘积层、第二全局最大池化层和第七卷积层。

23、结合第一方面，在一种可能的实现方式中，所述深度可分离卷积模块，包括：深度卷积层、第四批归一化层、第七激活层、第二平均池化层、逐点卷积层、第八激活层和第三平均池化层；

24、所述诊断分类模块，包括：全局平局池化层、全连接层、分类激活层。

25、结合第一方面，在一种可能的实现方式中，还包括：相关性分析模块；所述相关性分析模块用于对所述脑电片段信号中的电极分布进行获取，得到第一电极通道注意力权重，并验证所述第一电极通道注意力权重与所述电极通道注意力权重的相关性。

26、第二方面，本发明提供了一种基于时空注意力的神经系统疾病脑电诊断装置，该装置包括：

27、信号处理单元，用于获取脑电片段信号，并对所述脑电片信号进行处理，得到初始信号；

28、分类单元，用于将所述初始信号输入至分类网络中，得到分类结果，并输出所述分类结果；其中，所述分类网络包括：浅层特征提取模块、时空注意力机制模块、深度可分离卷积模块和诊断分类模块；所述浅层特征提取模块用于利用三次卷积对所述初始信号进行浅层特征的提取，得到浅层特征；其中，所述浅层特征包括电极通道信息；所述时空注意力机制模块用于对所述浅层特征进行电极通道注意力提取，得到电极通道注意力权重，并将所述电极通道注意力权重与所述浅层特征进行相乘，得到电极通道注意力特征；所述深度可分离卷积模块用于将所述电极通道注意力特征进行电极通道间的卷积计算，得到深层特征；所述诊断分类模块用于所述深层特征进行分类，得到分类结果。

29、第三方面，本发明提供了一种基于时空注意力的神经系统疾病脑电诊断服务器，该服务器包括存储器和处理器；

30、所述存储器用于储存计算机可执行指令；

31、所述处理器用于执行所述计算机可执行指令，以实现基于时空注意力的神经系统疾病脑电诊断方法。

32、第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质有可执行指令，计算机执行所述可执行指令时能够实现基于时空注意力的神经系统疾病脑电诊断方法。

33、本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

34、(1)本发明通过采用了一种基于时空注意力的神经系统疾病脑电诊断方法，该方法使用卷积层用于浅层特征提取，然后使用时空注意力机制提取各电极通道的重要性分布，通过残差连接帮助梯度快速下降，得到的结果使用深度可分离卷积帮助特征间信息交互，最后通过全连接层得到诊断结果；

35、(2)本发明无需进行手工特征提取和复杂的特征工程，而是通过深度学习网络自动学习和提取脑电图中的特征，简化了脑电图辅助诊断的流程；

36、(3)深度学习网络能够全面捕获脑电图数据中的时空信息和语义特征，提高了诊断结果的准确性和可靠性；

37、(4)本发明结合了时空注意力机制，能够有效提取各电极通道的重要性分布，提高了诊断的可解释性和可信度。

技术特征：

1.一种基于时空注意力的神经系统疾病脑电诊断方法，其特征在于，包括：

2.根据权利要求1所述的基于时空注意力的神经系统疾病脑电诊断方法，其特征在于，所述对所述脑电片信号进行处理，得到初始信号，包括：将所述脑电片信号的维度进行维度扩增，得到初始信号。

3.根据权利要求1所述的基于时空注意力的神经系统疾病脑电诊断方法，其特征在于，所述浅层特征提取模块，包括：依次连接的第一卷积计算单元、第二卷积计算单元、第一特征融合层、第三卷积计算单元；

4.根据权利要求1所述的基于时空注意力的神经系统疾病脑电诊断方法，其特征在于，所述浅层特征提取模块用于利用三次卷积对所述初始信号进行浅层特征的提取，得到浅层特征，包括：

5.根据权利要求1所述的基于时空注意力的神经系统疾病脑电诊断方法，其特征在于，所述时空注意力机制模块，包括：通道注意力单元和空间注意力单元；

6.根据权利要求1所述的基于时空注意力的神经系统疾病脑电诊断方法，其特征在于，所述深度可分离卷积模块，包括：深度卷积层、第四批归一化层、第七激活层、第二平均池化层、逐点卷积层、第八激活层和第三平均池化层；

7.根据权利要求1所述的基于时空注意力的神经系统疾病脑电诊断方法，其特征在于，还包括：相关性分析模块；所述相关性分析模块用于对所述脑电片段信号中的电极分布进行获取，得到第一电极通道注意力权重，并验证所述第一电极通道注意力权重与所述电极通道注意力权重的相关性。

8.一种基于时空注意力的神经系统疾病脑电诊断装置，其特征在于，包括：

9.一种基于时空注意力的神经系统疾病脑电诊断服务器，其特征在于，包括存储器和处理器；

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有可执行指令，计算机执行所述可执行指令时能够实现如权利要求1-7任一项所述的基于时空注意力的神经系统疾病脑电诊断方法。

技术总结本发明公开了本一种基于时空注意力的神经系统疾病脑电诊断方法及装置，涉及深度学习技术领域，解决了现有技术中诊断过程复杂且准确性不高的问题，该方法包括：获取脑电片段信号，并对脑电片信号进行处理，得到初始信号；将初始信号输入至分类网络中，得到分类结果，并输出分类结果；其中，分类网络包括：浅层特征提取模块用于利用对初始信号进行浅层特征的提取；时空注意力机制模块用于对浅层特征进行电极通道注意力提取并与浅层特征进行相乘；深度可分离卷积模块用于将电极通道注意力特征进行电极通道间的卷积计算；诊断分类模块用于深层特征进行分类；该方法实现了对脑电片段信号进行可进行自动特征提取，且具有可解释性和高可靠性。技术研发人员：冯筠,尹重,王德奎受保护的技术使用者：西北大学技术研发日：技术公布日：2024/6/5