一种基于全局上下文感知生成网络的癫痫发作预测方法

本发明涉及癫痫发作预测，尤其涉及一种基于全局上下文感知生成网络的癫痫发作预测方法。

背景技术：

1、癫痫是一种常见的神经系统疾病，其特征为高发病率、突发性及反复性，对患者生活造成显著影响。传统的特征学习模型由于癫痫发作的高度不确定性和个体差异性使得患者在发作次数、持续时间和间隔上表现出显著的差异，导致有限样本无法准确反映脑电信号的多样性。这种不平衡性使得模型容易偏向某类样本，陷入“过滤气泡”现象，逐渐收窄到特定类型的特征表征，直接影响模型对发作模式的学习能力，进而影响预测的准确性和可靠性。

2、但是，以对抗机制导向的生成对抗网络，旨在通过生成器与判别器之间的交互学习策略，在高维信号空间中刻画复杂的脑电特征。然而，现有的生成对抗网络模型在癫痫脑电信号生成中，因癫痫发作的发生与发展蕴含独特的时间序列动态特性，制约了生成对抗网络在准确捕捉和重建这些复杂动态特征方面的能力，使生成的脑电信号缺乏对癫痫发作预测算法至关重要的时间长期上下文依赖性。

3、鉴于此，预测方法必须具备处理和适应这些变化的能力，进行数据增强以实现高精度癫痫发作预测。因此，构建能够生成具备全局依赖结构合成信号片段的全局上下文感知生成网络，以更合理更符合实际癫痫发作的发生发展情况保证稳固生成的癫痫脑电信号蕴含独特时间序列动态特性，实现对原始样本的扩充，值得深入探究。

技术实现思路

1、本发明的目的是提供一种基于全局上下文感知生成网络的癫痫发作预测方法，克服发作状态持续差异性的问题，保证脑电数据样本空间丰富性，从而提高预测精度。

2、为实现上述目的，本发明提供了一种基于全局上下文感知生成网络的癫痫发作预测方法，包括以下步骤：

3、s1、获取癫痫发作前期和间期的脑电信号；其中，脑电信号为非侵入头皮脑电信号；

4、s2、对脑电信号滤波和时间窗分割，得到时间窗信号片段；

5、s3、构建全局上下文感知生成网络，对时间窗信号片段进行全局依赖关系捕获与上下文信息整合，得到合成信号片段，用于原始样本数据增强；

6、s4、构建多尺度时频特征深度卷积癫痫发作预测模型，对数据增强样本进行多尺度时频分析，深入挖掘癫痫脑电的关键特征，确保高精度癫痫发作预测。

7、优选的，在步骤s2中，通过使用合适的滤波器对脑电信号进行滤波提纯，并采用一定时间长度的时间窗及重叠率对脑电信号进行分割，获得时间窗信号片段x，如下所示：

8、

9、其中，xn为第n个时间窗信号片段；x(t)为原始脑电信号时间序列；ε为信号段之间的重叠率；l为滑动时间窗的长度；n＝1,2,…表示时间窗的索引；n为滑动时间窗的数量，t为癫痫脑电总采样点；且

10、n＝2×[t/l]+1；

11、其中，[ ]表示取整函数。

12、优选的，在步骤s3中，全局上下文感知生成网络，包括全局依赖感知生成器和稳态分布调控判别器，具体过程如下：

13、s31、构建全局依赖感知生成器，并对初始化符合正态分布的随机噪声向量进行变换，得到保持全局依赖结构的合成信号片段；

14、s32、构建稳态分布调控判别器，并对时间窗信号片段和合成信号片段进行判别，得到分布一致性优化的判别结果；

15、s33、基于全局上下文感知生成网络，在生成器和判别器相互对抗训练后，得到具备全局依赖结构一致性的合成信号片段，用于原始样本数据增强。

16、优选的，基于步骤s31对输入随机噪声向量应用线性变换和激活函数所得到的输入特征，具体如下：

17、

18、xinput＝relu(winput·z+binput)；

19、其中，z为从正态分布中采样的随机噪声向量；表示均值为0，方差为1的标准正态分布；relu表示非线性激活函数；winput和binput表示输入层到隐藏层的权重矩阵和偏置向量；

20、自注意力机制，如下所示：

21、q＝wq·conv(xinput,wconv,g,i,bconv,g,i)；

22、k＝wk·conv(xinput,wconv,g,i,bconv,g,i)；

23、v＝wv·conv(xinput,wconv,g,i,bconv,g,i)；

24、

25、其中，q、k和v表示查询、键和值矩阵，即注意力三元组；wq、wk和wv表示查询、键和值矩阵的权重矩阵；conv表示卷积核为1×3的1d卷积；wconv,g,i和bconv,g,i表示生成器中自注意力机制前的卷积层的权重矩阵和偏置向量；attention表示自注意力机制的输出；qkt表示查询矩阵与键矩阵之间的相似度；为防止内积过大导致梯度消失的缩放因子；softmax函数将得分归一化，使其成为概率分布；

26、所得到的保持全局依赖结构的合成信号片段，具体如下：

27、

28、其中，wout和bout表示输出层的权重矩阵和偏置向量；conv表示卷积核为1×3的1d卷积；wconv,g,j和bconv,g,j表示生成器中自注意力机制后的卷积层的权重矩阵和偏置向量；wfc,g和bfc,g表示生成器中全连接层的权重矩阵和偏置向量；relu表示非线性激活函数；attention表示自注意力机制的输出；q、k和v表示查询、键和值矩阵；

29、与此同时，所构建的全局依赖感知生成器的目标函数为：

30、

31、其中，g表示生成器；lg表示生成器的损失函数；表示在生成数据分布pg下，合成信号片段由判别器d给出的评分的期望值；表示判别器d对合成信号片段的评分。

32、优选的，基于步骤s32所得到的分布一致性优化的判别结果，如下所示：

33、d(x)＝wfc,d·conv(x,wconv,d,bconv,d)+bfc,d；

34、

35、其中，x表示时间窗信号片段；表示从真实数据分布pr和生成数据分布pg之间进行随机线性插值得到的样本；d(x)和表示判别器d对时间窗信号片段x和插值样本的评分；wconv,d和bconv,d表示判别器中卷积层的权重矩阵和偏置向量；wfc,d和bfc,d表示判别器中全连接层的权重矩阵和偏置向量；

36、与此同时，所构建的稳态分布调控判别器的目标函数，如下所示：

37、

38、其中，ld表示判别器的损失函数；表示在真实数据分布pr下，时间窗信号片段x由判别器d给出的评分d(x)的期望值；λ为梯度惩罚的权重系数；表示从真实数据分布pr和生成数据分布pg之间进行随机线性插值得到的样本的分布；表示在插值样本分布下，插值样本对梯度偏差平方的期望值；表示判别器d在差值样本处输出的梯度的l2范数；

39、随后，真实数据分布pr和生成数据分布pg之间距离的度量策略w(pr,pg)，具体描述为：

40、

41、其中，表示在所有以真实数据分布pr和生成数据分布pg为边际分布的联合分布集合∏(pr,pg)中取最小值；表示在联合分布γ下，样本对之间的距离的期望值；表示时间窗信号片段x和合成信号片段之间的距离度量。

42、优选的，基于步骤s4所构建的多尺度时频特征深度卷积癫痫发作预测模型，是对数据增强样本进行多尺度时频分析，深入挖掘癫痫脑电的关键特征，以确保高精度癫痫发作预测，具体如下：

43、s41、基于小波包变换对数据增强样本进行多尺度时频分析，得到精细化癫痫脑电时频特征；

44、s42、基于深度卷积神经网络，对精细化癫痫脑电时频特征进行深度特征学习与表征，实现癫痫发作预测。

45、优选的，基于步骤s41中的小波包变换，对数据增强样本进行多尺度时频分析，获得精细化癫痫脑电时频特征，具体如下：

46、s411、基于db4小波作为基函数进行四层分解，对数据增强样本，得到小波包分解结果；其中，小波包分解结果包括低频近似信号和高频细节信号，具体如下：

47、低频近似信号，如下所示：

48、

49、其中，a1(t)为第一次分解得到的低频近似信号；aj+1(t)为第j+1层分解得到的低频近似信号；s(t)为原始输入信号；m表示时间延时的索引；h(n)为db4小波的低通滤波器系数；

50、高频细节信号，如下所示：

51、

52、其中，d1(t)为第一次分解得到的高频细节信号；dj+1(t)为第j+1层分解得到的高频细节信号；g(n)为db4小波的高通滤波器系数；

53、节点与频率范围的对应关系，如下所示：

54、aaaa4节点代表δ波，对应于最低频段的脑电波，0.5～4hz；

55、daaa4节点代表θ波，对应于较低频段的脑电波，4～8hz；

56、adaa4节点代表α波，对应于中等频段的脑电波，8～12hz；

57、aada4、ddaa4、dada4、adda4和ddda4节共同代表β波，对应于较高频段的脑电波，12～32hz；

58、剩余的节点共同代表γ波，对应于最高频段的脑电波，32～64hz；

59、s412、根据小波包分解结果，计算多尺度时频特征的分解系数和能量，得到精细化癫痫脑电时频特征；其中，多尺度时频特征的分解系数和能量包括每层节点的小波包分解系数和每层节点的能量分布，具体如下：

60、每层节点的小波包分解系数，如下所示：

61、

62、每层节点的能量分布，如下所示：

63、

64、其中，j为分解层次索引；k表示在第j层的一个具体节点；wj,k(t)为在第j层第k个节点上的小波包分解系数，反映信号在该时刻的特定频率成分的强度；ψj,n(t)表示对应的db4小波基函数；ej,k(t)为在第j层第k个节点上的能量分布；

65、与此同时，所得到的精细化癫痫脑电时频特征，如下所示：

66、

67、其中，j表示总分解层数；kj表示第j层节点的总数。

68、优选的，基于步骤s42中的深度卷积神经网络，对精细化癫痫脑电时频特征进行深度特征学习与表征，实现癫痫发作预测，具体如下：

69、s421、通过五个卷积层、激活函数层和池化层，深入提取精细化癫痫脑电时频特征的关键特征；其中，得到的关键特征h，如下所示：

70、hi＝pooli(relui(convi(h(t),kconv,i,dconv,i)))；

71、h＝concat(h1,h2,h3,h4,h5)；

72、其中，hi表示第i层卷积、激活和池化操作后的输出特征；pooli表示第i层2d池化；relui表示第i层的激活函数；convi表示第i层卷积核为3×3的2d卷积；h(t)表示输入的精细化癫痫脑电时频特征；kconv,i和dconv,i表示第i层卷积的权重矩阵和偏置向量；concat表示特征拼接操作；

73、s422、通过全连接层、softmax层和交叉熵损失层，对关键特征进行整合与分类，实现癫痫发作预测；其中，经交叉熵损失层输出用于反向传播和更新的预测概率分布与真实标签之间的损失l，如下所示：

74、

75、其中，yi表示真实标签的one-hot编码向量中的第i个元素，即样本属于第i类；c为类别数；flatten表示展平操作；h表示精细化癫痫脑电时频特征的关键特征；kfc,i、kfc,j和dfc,i、dfc,j表示全连接层第i类和第j类的权重矩阵和偏置向量。

76、因此，本发明采用上述一种基于全局上下文感知生成网络的癫痫发作预测方法，对癫痫脑电进行全局依赖关系捕获与上下文信息整合，克服发作状态持续差异性的问题，得到合成信号片段用于原始样本数据增强，对数据增强样本进行多尺度时频分析，保证了脑电数据样本空间丰富性，提高了癫痫发作的预测效果。

77、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。