申请/专利权人：山东中科先进技术有限公司

申请日：2021-09-16

公开（公告）日：2024-06-21

公开（公告）号：CN113616161B

主分类号：A61B5/00

分类号：A61B5/00;A61B5/369

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.10.17#著录事项变更;2021.11.26#实质审查的生效;2021.11.09#公开

摘要：本发明涉及一种癫痫发作预测系统及方法。属于癫痫病发作预测技术领域。系统包括脑电信号采集模块，脑电信号分段模块，特征信息提取模块，特征滤波处理模块，特征矩阵生成模块以及癫痫发作预测模块。本发明提供的癫痫发作预测系统通过特征矩阵生成模块的生成对抗网络产生癫痫患者癫痫发作期的脑电特征信息，用以提高对患者癫痫发作的预测精度。

主权项：1.一种癫痫发作预测系统，其特征在于，包括：脑电信号采集模块，用于对癫痫患者的脑电信号进行采集，得到不同频率的脑电信号；脑电信号分段模块，用于按癫痫发作阶段对所述不同频率的脑电信号进行分段，得到a段脑电信号；特征信息提取模块，用于对a段脑电信号分别进行特征提取，得到每段脑电信号的特征矩阵；特征滤波处理模块，用于对所述每段脑电信号的特征矩阵进行滤波处理，得到a组数据样本；特征矩阵生成模块，用于利用生成对抗网络产生癫痫患者脑电信号的特征矩阵，利用生成对抗网络产生的特征矩阵平衡所述a组数据样本的样本数量；癫痫发作预测模块，用于利用超限学习机对平衡样本数量后的a组数据样本进行处理，预测癫痫发作；其中，所述脑电信号分段模块，包括：发作间期分段子模块，用于判断所述癫痫患者的脑电信号的频率是否处于癫痫发作间期，若是，则将该脑电信号分入X1段；发作前期分段子模块，用于判断所述癫痫患者的脑电信号的频率是否处于癫痫发作前期，若是，则将该脑电信号分入X2段；发作期分段子模块，用于判断所述癫痫患者的脑电信号的频率是否处于癫痫发作期，若是，则将该脑电信号分入X3段；发作后期分段子模块，用于判断所述癫痫患者的脑电信号的频率是否处于癫痫发作后期，若是，则将该脑电信号分入X4段；所述a的值为4；所述特征信息提取模块，包括：波动指数特征提取子模块，用于根据波动指数计算公式提取脑电信号的波动指数，所述波动指数计算公式如下： 其中，X表示脑电信号，t表示时间，T表示脑电信号时长；变换系数特征提取子模块，用于根据变换系数计算公式提取脑电信号的变换系数，所述变换系数计算公式如下： 其中，X表示脑电信号，t表示时间，T表示脑电信号时长；活动性特征提取子模块，用于根据活动性计算公式提取脑电信号的活动性，所述活动性计算公式如下： 其中，X表示脑电信号，t表示时间，T表示脑电信号时长；峰度特征提取子模块，用于根据峰度计算公式提取脑电信号的峰度，所述峰度计算公式如下： 其中，X表示脑电信号，E表示期望值计算，mean表示均值计算，std表示标准差计算；偏度特征提取子模块，用于根据偏度计算公式提取脑电信号的偏度，所述偏度计算公式如下： 其中，X表示脑电信号，E表示期望值计算，mean表示均值计算，std表示标准差计算；尖端值特征提取子模块，用于根据尖端值计算公式提取脑电信号的尖端值，所述尖端值计算公式如下：Peak＝maxabsmaxX，absminX；其中，X表示脑电信号，max表示最大值计算，abs表示绝对值计算，min表示最小值计算；波形因子特征提取子模块，用于根据波形因子计算公式提取脑电信号的波形因子，所述波形因子计算公式如下： 其中，X表示脑电信号，rms表示均方根计算，mean表示均值计算；脉冲因子特征提取子模块，用于根据脉冲因子计算公式提取脑电信号的脉冲因子，所述脉冲因子计算公式如下： 其中，X表示脑电信号，max表示最大值计算，min表示最小值计算，mean表示均值计算；峰值因子特征提取子模块，用于根据峰值因子计算公式提取脑电信号的峰值因子，所述峰值因子计算公式如下： 其中，X表示脑电信号，max表示最大值计算，min表示最小值计算，rms表示均方根计算；特征矩阵获取子模块，用于获取脑电信号的特征矩阵，所述脑电信号的特征矩阵表示为FeatureF，Vc，Activity，Skew，Kurt，Peak，WF，PF，PeakF；其中，F表示为波动指数，Vc表示变换系数，Activity表示活动性，Skew表示峰度，Kurt表示偏度，Peak表示尖端值，WF表示波形因子，PF表示脉冲因子，PeakF表示峰值因子；所述特征滤波处理模块，包括：平滑滤波处理子模块和数据样本获取子模块；平滑滤波处理子模块，用于对每段脑电信号的特征矩阵进行平滑滤波处理；所述平滑滤波处理包括利用前C个特征矩阵的均值代替第j个特征矩阵的值，去除脑电信号采集过程中由于噪声导致的异常值的存在；所述利用前C个特征矩阵的均值代替第j个特征矩阵的值的计算公式如下： 其中，C表示滤波器阶数，Featurej表示从特征矩阵中提取的第j个值，Y表示平滑滤波处理后的特征矩阵；数据样本获取子模块，用于根据滤波后的特征矩阵得到4组数据样本；所述4组数据样本包括：发作前期数据样本Y1、发作期数据样本Y2、发作间期数据样本Y3以及发作后期数据样本Y4；所述特征矩阵生成模块，包括顺次连接的随机数矩阵生成子模块、生成神经网络模型构建子模块、假数据样本获取子模块、标签设置子模块、模型训练子模块、标签反转子模块、模型更新子模块和生成对抗网络获取子模块；随机数矩阵生成子模块，用于生成与发作期数据样本Y2同维度随机数矩阵e；生成神经网络模型构建子模块，用于构建生成神经网络G，并对所述生成神经网络G进行初始化处理，得到初始化处理后的生成神经网络G；假数据样本获取子模块，将所述随机数矩阵e输入所述生成神经网络G，得到假发作期数据样本Y2’；标签设置子模块，用于对所述发作期数据样本Y2设置标签1，对所述假发作期数据样本Y2’设置标签0；模型训练子模块，利用设置好标签的发作期数据样本Y2和假发作期数据样本Y2’训练判别神经网络D，得到训练好的判别神经网络D的分类精确度值d；标签反转子模块，用于将所述假发作期数据样本Y2’的标签反转为1；模型更新子模块，用于将生成神经网络G和训练好的判别神经网络D串联，得到串联模型；将反转标签后的假发作期数据样本Y2’输入至所述串联模型，得到损失函数；根据所述损失函数更新所述串联模型的连接权值，根据所述连接权值对所述串联模型进行更新，得到更新后的串联模型；生成对抗网络获取子模块，用于将所述随机数矩阵e输入至更新后的串联模型，得到更新后的串联模型的分类精确度值d；将所述分类精确度值d与阈值区间H进行对比，若所述分类精确度值d不在阈值区间H内，则返回假数据样本获取模块；若分类精确度值d处于阈值区间H内，则所述更新后的串联模型为生成对抗网络模型；所述生成神经网络模型构建子模块构建生成神经网络G的过程如下：Y2’＝swe+b；其中，Y2’表示假发作期数据样本，e表示随机数矩阵，s表示非线性函数，w表示生成神经网络的向量参数，b表示生成神经网络的偏置常数；所述癫痫发作预测模块，包括：超限学习机参数设置子模块，用于设置单隐层前馈神经网络的输入权值向量参数和隐层节点偏置参数；超限学习机矩阵输出子模块，用于计算单隐层前馈神经网络的隐层输出矩阵；超限学习机权值更新子模块，用于计算单隐层前馈神经网络的输出权值，根据所述输出权值更新所述单隐层前馈神经网络。

全文数据：

权利要求：

百度查询： 山东中科先进技术有限公司 一种癫痫发作预测系统及方法

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