一种基于扩散注意力模型的癫痫脑电信号检测系统及方法

本发明涉及脑电检测，尤其涉及一种基于扩散注意力模型的癫痫脑电信号检测系统及方法。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、癫痫是一种影响全球数千万人的神经系统疾病，其特点是不可预测的癫痫发作，极大地影响患者的生活质量。因此，及时、准确地检测癫痫发作是非常必要的。

3、脑电图(eeg)能够反映大脑的电活动，是一种极为重要的癫痫分析工具，医生可以根据多通道脑电图进行癫痫检测；但是，由于癫痫发作的不确定性，医生需要长期监控病人的冗长的脑电信号记录，这不仅耗时耗力，还容易导致漏诊误诊。

4、目前，机器学习技术被广泛应用于自动化癫痫发作检测，展示了令人鼓舞的成果。常用的机器学习方法包括支持向量机(svm)、随机森林(rf)、决策树(dt)和朴素贝叶斯模型等。虽然这些方法为自动癫痫发作检测提供了便利，但在处理大规模数据集时，它们的扩展性往往受到限制。此外，传统机器学习的特征提取依赖于人工设计算法，通常需要丰富的领域知识。

5、近年来，深度学习算法的崛起极大地改善了特征提取过程。这些算法能够从数据中自动学习和提取特征，消除了对人工干预的需求，并在处理大规模数据时表现出卓越的性能。例如，许多研究人员利用卷积神经网络(cnn)从脑电数据中提取特征；此外，循环神经网络(rnn)也被广泛用于脑电信号特征提取和癫痫发作检测，并取得了显著成果。尽管这些深度学习方法取得了许多成功，但在处理高维度、高冗余以及复杂的脑电数据时，它们仍面临一些挑战。一个主要的限制是这些模型难以有效处理复杂的脑电信号，尤其是在面对不同癫痫类型及复杂空间分布的脑电数据时，检测性能可能较差。

6、扩散模型作为一种生成模型，在处理复杂高维数据方面展示出了独特的优势。近年来，它们越来越多地被应用于分类、目标检测和语义分割等任务中。尽管扩散模型在处理复杂数据上表现出色，它们往往难以专注于输入数据中的关键片段，限制了对关键特征的有效提取。由于癫痫发作的持续时间通常远远短于非癫痫发作的时间，因此脑电信号中癫痫发作时段的数据往往较少，这极大限制了扩散模型在癫痫脑电信号检测中的应用。此外，现有的扩散模型大多是为生成任务而设计的，难于实现基于多通道脑电信号的癫痫发作检测。

技术实现思路

1、为了解决上述问题，本发明提出了一种基于扩散注意力模型的癫痫脑电信号检测系统及方法，将注意力机制应用于扩散模型，进行基于脑电信号的癫痫发作检测，增强了模型对癫痫发作相关特征的敏感性，提升对高维带噪脑电信号的特征提取能力；通过对重建信号的自适应修正，能够更好地对癫痫发作期间的信号细节进行捕捉，提高了癫痫发作检测的准确性。

2、在一些实施方式中，采用如下技术方案：

3、一种基于扩散注意力模型的癫痫脑电信号检测系统，包括：

4、获取单元，被配置为用于通过依次连接的电极、脑电放大器和a/d转换器获取待检测的脑电信号，并进行预处理；

5、重建单元，被配置为用于将预处理后的脑电信号输入至扩散注意力模型中进行去噪，同时提取与癫痫发作相关的特征；其中，所述扩散注意力模型利用扩散模型通过逐步去噪来重建信号，并引入自适应梯度修正项来迭代优化信号；在每一阶段的重建过程中，通过自适应注意力机制增强对癫痫发作相关特征的提取；

6、检测单元，被配置为用于利用分类器对癫痫发作相关特征进行分类，得到癫痫发作检测结果。

7、作为进一步的方案，所述扩散模型在训练阶段，通过前向扩散过程向脑电信号逐步引入随机噪声，来模拟脑电数据中的噪声复杂性；通过反向扩散过程逐步去噪，并重建脑电信号。

8、作为进一步的方案，所述扩散模型通过逐步去噪来重建信号，并引入自适应梯度修正项来迭代优化信号具体为：

9、

10、其中，为当前时间步的重建信号，为上一个时间步的重建信号；αt为步长参数，为噪声数据的对数概率密度梯度；为自适应梯度修正项，其中，βt为与癫痫发作相关的调节参数，为相邻时间步数据的差值。

11、作为进一步的方案，所述扩散模型的重建损失函数具体为：

12、

13、其中，为重建损失函数，t为步长总数，为预处理后的脑电信号，为当前时间步的重建信号；λt为动态加权系数，具体计算公式为：

14、

15、其中，为上一个时间步的重建信号。

16、作为进一步的方案，利用扩散模型重建信号之后，还包括：在重建后的信号中加入位置编码，以保留脑电信号的时间序列顺序。

17、作为进一步的方案，通过自适应注意力机制增强对癫痫发作相关特征的提取，具体为：

18、

19、其中，为加入位置编码后的重建信号，wq,wk,wv分别是基于学习到的查询矩阵、键矩阵和值矩阵，dk表示键矩阵的最后一个维度大小。

20、作为进一步的方案，所述分类器包括三层全连接层，在第一层全连接层和第二层全连接层之间，依次连接归一化层、relu激活函数和dropout层；在第二层全连接层和第三层全连接层之间连接relu激活函数；所述第三层全连接层输出分类结果。

21、作为进一步的方案，所述分类器的损失函数具体为：

22、

23、其中，yi为标签类别，为对应的预测类别，包括癫痫发作和非癫痫发作，i为第i个数据，nbatch为输入网络的批次大小；w1和w2分别为癫痫发作类别和非癫痫发作类别的权重，w1＞w2。

24、在另一些实施方式中，采用如下技术方案：

25、一种基于扩散注意力模型的癫痫脑电信号检测方法，包括：

26、通过依次连接的电极、脑电放大器和a/d转换器获取待检测的脑电信号，并进行预处理；

27、将预处理后的脑电信号输入至扩散注意力模型中进行去噪，同时提取与癫痫发作相关的特征；其中，所述扩散注意力模型利用扩散模型通过逐步去噪来重建信号，并引入自适应梯度修正项来迭代优化信号；在每一阶段的重建过程中，通过自适应注意力机制增强对癫痫发作相关特征的提取；

28、利用分类器对癫痫发作相关特征进行分类，得到癫痫发作检测结果。

29、在另一些实施方式中，采用如下技术方案：

30、一种癫痫脑电信号检测分类装置，该装置执行上述的基于扩散注意力模型的癫痫脑电信号检测方法，装置包括：依次连接的电极、脑电放大器、a/d转换器和控制主机；所述控制主机内设有：

31、预处理单元，用于对采集到的脑电信号进行预处理；

32、重建单元，被配置为用于将预处理后的脑电信号输入至扩散注意力模型中进行去噪，同时提取与癫痫发作相关的特征；其中，所述扩散注意力模型利用扩散模型通过逐步去噪来重建信号，并引入自适应梯度修正项来迭代优化信号；在每一阶段的重建过程中，通过自适应注意力机制增强对癫痫发作相关特征的提取；

33、分类单元，用于对癫痫发作相关特征进行分类，得到癫痫发作检测结果；

34、输出单元，用于对癫痫发作检测结果进行输出显示。

35、与现有技术相比，本发明的有益效果是：

36、(1)本发明将扩散模型和自适应注意力机制结合起来，进行基于脑电信号的癫痫发作自动检测，通过扩散模型对脑电信号进行去噪重建，从噪声数据中重建原始数据，能够从多通道脑电信号中逐步提取层次化特征，实现高效的特征提取；通过自适应注意力机制增强对癫痫发作相关特征的提取，使模型能够集中分析那些与癫痫发作相关的时间片段和频段信号，不仅提升了对高维噪声脑电信号的特征提取能力，还显著提高了癫痫发作检测的准确性。

37、(2)本发明在利用扩散模型进行信号重建时，引入自适应梯度修正项，该修正项随着相邻两个时间步之间数据的变化而改变，当数据变化较大时，自适应梯度修正项随之变大，可以帮助模型更好地对癫痫发作期间的信号细节进行捕捉，提高了对发作前后突变点的敏感性，增强了重建过程的精度，尤其提高了对癫痫发作瞬间的信号重建精度。

38、(3)本发明在扩散模型的重建损失函数中加入一个动态加权系数，可以依据当前时间点是否接近癫痫发作时段来调整权重，从而使得模型能够对癫痫发作期间的信号重建给予更多关注。

39、(4)本发明在分类器的损失函数中增加癫痫发作类别和非癫痫发作类别的权重，并且设置癫痫发作类别的权重大于非癫痫发作类别的权重，可以增加模型对癫痫发作样本的关注，提高对少数类癫痫发作数据的检测能力，避免因为癫痫发作数据较少导致的检测结果不准确。

40、本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。