技术新讯 > 医药医疗技术的改进,医疗器械制造及应用技术 > 基于分组余弦卷积网络的脑电异常检测及定位方法及系统  >  正文

基于分组余弦卷积网络的脑电异常检测及定位方法及系统

  • 国知局
  • 2024-11-06 14:28:20

本发明涉及脑电异常检测,尤其涉及一种基于分组余弦卷积网络的脑电异常检测及定位方法及系统。

背景技术:

1、脑电图(electroencephalogram,eeg)是记录大脑电活动的一种重要工具,通过将电极放置在大脑头皮上来检测和记录大脑的电活动,广泛应用于临床诊断、神经科学研究以及其他脑补活动中。脑电图不但是诊断某些脑疾病的重要工具,而且还可以为某些脑疾病提供有效的治疗手段,并在由大脑异常放电引起的疾病的检测方面发挥着重要的作用。

2、传统的脑电异常检测主要依赖于人工视觉检测,这不仅耗时费力,效率低,而且容易受到人为因素的影响,导致主观性强、检测准确性不高。随着深度学习技术的发展,基于深度学习的脑电异常检测模型显示出较高的检测准确性和自动化水平。然而,现有的深度学习检测模型仍存在一定的弊端,一方面,现有模型往往结构复杂且模型参数量大,其训练效率慢、计算量大、计算成本较高,而且这一模型的检测准确性也有待进一步提升;另一方面,现有模型通常缺乏对与脑电通道相关空间信息的分析与处理,进一步限制了其在脑电通道定位中的应用效果。

技术实现思路

1、为解决上述现有技术的不足,本发明提供了一种基于分组余弦卷积网络的脑电异常检测及定位方法及系统,采用硬件友好且内存高效的余弦卷积算子,搭建基于分组余弦卷积神经网络(group cosine convolutional neural network,group coscnn)的脑电异常检测模型,通过该模型实现端到端的脑电异常检测与实时通道定位,能够有效提高脑电异常检测和定位的准确性和实时性。

2、第一方面,本发明提供了一种基于分组余弦卷积网络的脑电异常检测及定位方法。

3、一种基于分组余弦卷积网络的脑电异常检测及定位方法,包括:

4、采集多通道脑电信号,并对所采集的信号进行预处理;

5、将预处理后的多通道脑电信号输入至分组余弦卷积网络中,对多通道脑电信号按通道分组,并对每组脑电信号分别进行余弦卷积操作,经多次分组余弦卷积操作后提取多组脑电特征,多组脑电特征拼接,并基于拼接特征输出脑电异常检测的分类结果及分类概率分布;

6、根据脑电异常检测的分类概率分布和预设阈值,进行异常脑电触发报警;

7、根据脑电异常检测的分类结果,计算每个通道脑电信号的贡献分数,确定异常脑电信号的通道,完成异常脑电定位。

8、第二方面,本发明提供了一种基于分组余弦卷积网络的脑电异常检测及定位系统。

9、一种基于分组余弦卷积网络的脑电异常检测及定位系统,包括:

10、数据采集模块,用于采集多通道脑电信号,并对所采集的信号进行预处理;

11、异常脑电检测模块,用于将预处理后的多通道脑电信号输入至分组余弦卷积网络中,对多通道脑电信号按通道分组,并对每组脑电信号分别进行余弦卷积操作,经多次分组余弦卷积操作后提取多组脑电特征,多组脑电特征拼接,并基于拼接特征输出脑电异常检测的分类结果及分类概率分布;

12、异常脑电报警模块,用于根据脑电异常检测的分类概率分布和预设阈值,进行异常脑电触发报警;

13、异常脑电通道定位模块,用于根据脑电异常检测的分类结果,计算每个通道脑电信号的贡献分数,确定异常脑电信号的通道,完成异常脑电定位。

14、第三方面,本发明还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。

15、第四方面,本发明还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。

16、以上一个或多个技术方案存在以下有益效果:

17、1、本发明提供了一种基于分组余弦卷积网络的脑电异常检测及定位方法及系统,采用硬件友好且内存高效的余弦卷积算子,搭建基于分组余弦卷积神经网络的脑电异常检测模型,在该网络中通过通道卷积层对输入的多通道脑电信号进行每一通道单独的余弦卷积操作,提取每一通道的脑电特征,并通过多层分组卷积层进行多次分组卷积,即对输入的多通道脑电特征按通道分组,并对每组脑电特征分别进行余弦卷积操作,提取脑电信号深层次特征的同时,保留每层网络中的通道特定信息,以此能够实现脑电异常检测同时,还能够实现端到端的实时通道定位。

18、2、本发明中,分组余弦卷积神经网络中的多层卷积层中的卷积核均采用余弦函数形式,仅具有两个可学习参数即振幅和频率,能够有效减少参数数量,进而提高模型的紧凑性和硬件友好性,提高模型的训练效率,有效提高脑电异常检测和定位的准确性和实时性。

技术特征:

1.一种基于分组余弦卷积网络的脑电异常检测及定位方法,其特征是,包括:

2.如权利要求1所述的基于分组余弦卷积网络的脑电异常检测及定位方法,其特征是,所述采集多通道脑电信号,并对所采集的信号进行预处理,包括:

3.如权利要求1所述的基于分组余弦卷积网络的脑电异常检测及定位方法,其特征是,所述分组余弦卷积网络包括依次连接的输入层、通道卷积层、多层分组卷积层和输出层,所述输出层包括全连接层和softmax层;其中,通道卷积层和多层分组卷积层中的每一层卷积操作均采用余弦卷积核,通过余弦卷积提取输入信号的局部特征;

4.如权利要求3所述的基于分组余弦卷积网络的脑电异常检测及定位方法,其特征是,将最后一层分组卷积层输出的多组脑电特征输入至全连接层和softmax层,通过全连接层将多组脑电特征拼接为一个特征向量,并基于该特征向量进行分类,输出脑电异常检测的分类结果,即输出脑电信号为正常还是异常类别;再通过softmax层将异常脑电活动的分类结果转换为概率分布,输出脑电异常检测的分类概率分布,即输出脑电信号为正常类别和异常类别的概率。

5.如权利要求3所述的基于分组余弦卷积网络的脑电异常检测及定位方法,其特征是,所述余弦卷积核采用余弦函数形式,具有振幅和频率这两个可学习参数,其中,第l层的通道卷积中每个卷积核的卷积操作公式为:

6.如权利要求1所述的基于分组余弦卷积网络的脑电异常检测及定位方法,其特征是,根据脑电异常检测的分类结果,计算每个通道脑电信号的贡献分数,确定异常脑电信号的通道,完成异常脑电定位,包括:

7.如权利要求1所述的基于分组余弦卷积网络的脑电异常检测及定位方法,其特征是,基于交叉熵损失和正则化项,构建分组余弦卷积网络的损失函数,基于该损失函数进行分组余弦卷积网络的迭代训练,直至训练完成;

8.一种基于分组余弦卷积网络的脑电异常检测及定位系统,其特征是,包括:

9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如权利要求1-7中任一项所述的一种基于分组余弦卷积网络的脑电异常检测及定位方法的步骤。

10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成如权利要求1-7中任一项所述的一种基于分组余弦卷积网络的脑电异常检测及定位方法的步骤。

技术总结本发明公开一种基于分组余弦卷积网络的脑电异常检测及定位方法及系统,涉及脑电异常检测技术领域,该方法包括:采集多通道脑电信号并进行预处理;将多通道脑电信号输入至分组余弦卷积网络中,对多通道脑电信号按通道分组,并对每组脑电信号分别进行余弦卷积操作,经多次分组余弦卷积操作后提取多组脑电特征,多组脑电特征拼接,并基于拼接特征输出脑电异常检测的分类结果及分类概率分布;根据脑电异常检测的分类概率分布和预设阈值,进行异常脑电触发报警;根据脑电异常检测的分类结果,计算每个通道脑电信号的贡献分数,确定异常脑电信号的通道,完成异常脑电定位。本发明能够实现端到端的脑电异常检测与实时通道定位,有效准确性和实时性。技术研发人员:刘国洋,周卫东,田岚,张睿,赵雅洲受保护的技术使用者:山东大学技术研发日:技术公布日:2024/11/4

本文地址:https://www.jishuxx.com/zhuanli/20241106/322278.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。