一种基于多元深度自注意卷积网络的癫痫发作预测方法

本发明涉及癫痫发作预测，尤其涉及一种基于多元深度自注意卷积网络的癫痫发作预测方法。

背景技术：

1、癫痫作为一种神经系统常见疾病，具有发病率高、突发性、反复性的特点。目前针对癫痫发作预测的大多数深度学习模型通常将长度相同的时间片段进行独立训练，没有考虑波形片段间的时序相关性，这将会损失一部分癫痫时序连续信息，无法综合解析癫痫发作发展信息所具有时间连续变化性。

2、深度语义特征学习指的是利用深度神经网络语言模型将不同粒度单元的文本编码映射到一个低维、稠密的语义向量空间中，且在这个向量空间中，文本中上下文的向量之间具有不同程度上的语义相关性。

3、基于此，借鉴自然语言处理中的语义学习技术对脑电信号片段间的时序信息进行自编码，构建可靠的深度学习网络结构以描述时间窗脑电信号的元间和元内时序上下文相关性，以实现脑电时序上下文表征从而提高癫痫发作预测精度，值得深入研究。

技术实现思路

1、本发明的目的是提供一种基于多元深度自注意卷积网络的癫痫发作预测方法，对时间窗信号片段进行时序上下文表征，得到高相关性时序上下文预测特征，合理描述波形片段间的时序相关性，实现脑电时序上下文表征，提高癫痫发作的预测精度；此外本发明还增强了原始数据的辨识力，提高了在深度学习算法中的可解释性和适用性。

2、为实现上述目的，本发明提供了一种基于多元深度自注意卷积网络的癫痫发作预测方法，包括以下步骤：

3、s1、基于数据收集模块，获取癫痫发作前期和间期的脑电信号；

4、s2、基于数据处理模块，对脑电信号进行滤波提纯以及分割，获得时间窗信号片段；

5、s3、基于模型构建与训练模块，构建多元深度自注意卷积网络，实现高精度癫痫发作预测。

6、优选的，在步骤s3中，基于模型构建与训练模块，构建多元深度自注意卷积网络，具体过程如下：

7、s31、构建自编码模块，对每个时间窗信号片段进行自编码，获取重构后每个信号片段的特征；

8、s32、构建自注意机制网络模块，对重构后每个信号片段的特征进行上下文学习，获得高相关上下文时序特征，合理描述波形片段间的时序相关性；

9、s33、基于概率分布学习方法，更新多元深度自注意卷积网络，实现癫痫发作预测。

10、优选的，在步骤s31中，构建自编码模块，对每个时间窗信号片段进行自编码，获取重构后每个信号片段的特征，步骤如下：

11、s311、构建卷积自编码器；

12、s312、对每个时间窗信号片段进行自编码，得到重构后每个信号片段的特征，如下所示：

13、hi＝f(x)＝σ(wxi+b)

14、

15、其中，xi表示原始信号片段的第i个数据点，即输入到自编码器的真实值；hi是嵌入向量；是重构后信号片段的特征；w和w'是权重矩阵；b和b'是偏置；σ是激活函数；

16、s313、基于均方根误差代价函数，确保编码特征能够最大限度地保留原始信号的信息，如下所示：

17、

18、其中，表示t时刻的输出，m表示时间窗信号片段中包含的样本数。

19、优选的，在步骤s32中，构建自注意机制网络模块，对重构后每个信号片段的特征进行上下文学习，获得高相关上下文时序特征，合理描述波形片段间的时序相关性，步骤如下：

20、s321、构建自注意机制网络模块，包括多头注意力机制和前馈网络层；

21、s322、基于自注意机制网络模块中的注意力机制对重构后每个信号片段的特征进行处理，从而提取不同片段的时序特征，如下所示：

22、

23、其中，attention表示注意力机制的输出；q、k和v分别表示查询矩阵、键矩阵和值矩阵；dk是键矩阵的维度，用于缩放点积注意力，以防止梯度消失或爆炸；

24、s323、利用多个注意力头对时序信息独立学习，通过加权平均的方式整合这些时序特征，输入到前馈网络层中，得到不同片段的高相关性上下文预测特征；

25、多头注意力机制，如下所示：

26、

27、z＝concat(head1,head2,...,headh)w0

28、其中，和是第i个头的权重矩阵；z是多头注意力机制的输出；h是注意力头的数量；w0是输出权重矩阵；

29、前馈网络层，如下所示：

30、ffn(z)＝max(o,zw1+b)w2+b2

31、其中，w1和w2分别为前馈网络层的两个全连接层的可学习权重，max(o,zw1+b)为relu激活函数；

32、s324、基于多头注意力机制和前馈网络层，构建自注意机制网络模块，如下所示：

33、

34、h'＝mhaffn(h,θ)

35、其中，h'表示是高相关性时序上下文预测特征，h是嵌入向量序列由多个重构后信号片段的特征组成，θ是网络参数。

36、优选的，在步骤s33中，基于概率分布学习方法，更新多元深度自注意卷积网络，实现癫痫发作预测，步骤如下：

37、s331、基于softmax解码器将自注意机制网络模块的时序特征映射到链接类别空间；对链接类别空间进行分析，得到每个连接类别的预测概率分布，如下所示：

38、

39、其中，yi表示i时刻的输出；qi表示网络在第i类上的原始输出层；表示输入向量所有元素指数之和；

40、s332、使用交叉熵损失函数来更新网络参数，从而提高预测概率的准确性，如下所示：

41、

42、其中，n是样本数量，是第i个样本的真实标签，yi是第i个样本预测为正类的概率；

43、s333、综合损失函数进行网络优化，将自编码器的重构误差损失和分类任务的交叉熵损失组合起来，如下所示：

44、ltotal＝λlae+lce

45、其中，λ是一个权衡参数，用来平衡自编码器重构误差和分类任务的损失。

46、因此，本发明采用上述一种基于多元深度自注意卷积网络的癫痫发作预测方法，通过实时监测和分析eeg信号，在癫痫发作前提前预测，为患者和医生提供宝贵的准备时间，准确的预测有助于医生及时调整治疗方案，减少癫痫发作的次数和严重程度，提高患者的生活质量，为癫痫发作预测领域提供了新的思路和技术手段，有助于推动该领域的科研进展和临床应用。

47、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于多元深度自注意卷积网络的癫痫发作预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于多元深度自注意卷积网络的癫痫发作预测方法，其特征在于，在步骤s3中，基于模型构建与训练模块，构建多元深度自注意卷积网络，具体过程如下：

3.根据权利要求2所述的一种基于多元深度自注意卷积网络的癫痫发作预测方法，其特征在于，在步骤s31中，构建自编码模块，对每个时间窗信号片段进行自编码，获取重构后每个信号片段的特征，步骤如下：

4.根据权利要求2所述的一种基于多元深度自注意卷积网络的癫痫发作预测方法，其特征在于，在步骤s32中，构建自注意机制网络模块，对重构后每个信号片段的特征进行上下文学习，获得高相关上下文时序特征，合理描述波形片段间的时序相关性，步骤如下：

5.根据权利要求2所述的一种基于多元深度自注意卷积网络的癫痫发作预测方法，其特征在于，在步骤s33中，基于概率分布学习方法，更新多元深度自注意卷积网络，实现癫痫发作预测，步骤如下：

技术总结本发明属于癫痫发作预测技术领域，公开了一种基于多元深度自注意卷积网络的癫痫发作预测方法，包括以下步骤：S1、基于数据收集模块，获取癫痫发作前期和间期的脑电信号；S2、基于数据处理模块，对脑电信号进行滤波提纯以及分割，获得时间窗信号片段；S3、基于模型构建与训练模块，构建多元深度自注意卷积网络，实现高精度癫痫发作预测。本发明采用上述一种基于多元深度自注意卷积网络的癫痫发作预测方法，对时间窗信号片段进行高相关性时序上下文预测特征，合理描述波形片段间的时序相关性，增强原始数据的辨识力，提高癫痫发作的预测精度。技术研发人员：程晨晨,吴海超,宋婉津,陈晨,李佳钰,尤波受保护的技术使用者：哈尔滨理工大学技术研发日：技术公布日：2024/12/2