申请/专利权人：安徽大学

申请日：2024-04-11

公开（公告）日：2024-06-21

公开（公告）号：CN118021324B

主分类号：A61B5/374

分类号：A61B5/374;A61B5/00;G06F18/24;G06F18/10;G06F18/213;G06N3/0442;G06N3/045;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.05.31#实质审查的生效;2024.05.14#公开

摘要：本发明涉及脑电信号处理技术领域，解决了现有技术难以将脑电信号时频信息与时空信息进行融合的技术问题，尤其涉及一种癫痫脑电信号识别方法，包括获取以固定频率采样并保存为单通道的原始脑电信号数据；对原始脑电信号数据进行数据切分得到脑电信号数据片段；将脑电信号数据片段输入到时频表示层得到不同频带的多通道脑电信号，并通过注意力网络层对时频特征进行特征加强；构建脉冲编码层将多通道脑电信号编码成多通道二值脉冲序列。本发明在保证了对于癫痫脑电信号识别精度的前提下，通过脉冲形式的网络学习和信息传递，降低了网络的数据负载和体量，提升了网络的运行速度，并且减少了能耗，在便携式设备上有广泛的应用前景。

主权项：1.一种基于混合脉冲深层网络的癫痫脑电信号识别方法，其特征在于，该方法包括以下步骤：S1、获取以固定频率采样并保存为单通道的原始脑电信号数据；S2、对原始脑电信号数据进行数据切分得到脑电信号数据片段；S3、将脑电信号数据片段输入到时频表示层得到不同频带的多通道脑电信号，并通过注意力网络层对时频特征进行特征加强；S4、构建脉冲编码层将多通道脑电信号编码成多通道二值脉冲序列；S5、构建混合脉冲深层网络对多通道二值脉冲序列进行特征映射，用以提取脑电信号中与空间信息和时间信息相对应的时空特征；所述混合脉冲深层网络包括基于LIF神经元模型构建用于提取多通道二值脉冲序列空间信息的脉冲卷积网络，以及用于提取多通道二值脉冲序列时间信息的脉冲Bi-LSTM网络；所述脉冲卷积网络包括5个卷积层、2个批标准化层和5个LIF神经元层，卷积层通过不同大小的卷积和对不同区域的数据信息进行特征提取，得到不同的空间特征；所述脉冲Bi-LSTM网络包括3个脉冲Bi-LSTM层和2个Dropout层，脉冲卷积网络输出的新的脑电信号特征矩阵输入到脉冲Bi-LSTM网络进行脑电信号时间信息的获取；S6、构建脉冲全连接网络对从脑电信号中提取的时频特征、时空特征进行特征融合；S7、运用脉冲神经元突触学习机制对混合脉冲深层网络进行更新，并应用于对癫痫脑电信号的识别分类。

全文数据：

权利要求：

百度查询： 安徽大学 一种基于混合脉冲深层网络的癫痫脑电信号识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD