申请/专利权人：厦门大学

申请日：2023-03-01

公开（公告）日：2024-06-28

公开（公告）号：CN116019461B

主分类号：A61B5/369

分类号：A61B5/369;A61B5/372;A61B5/00;A61B3/113;G06F18/10;G06F18/213;G06F18/24;G06F18/2135;G06F18/241;G06N3/0442;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2023.05.16#实质审查的生效;2023.04.28#公开

摘要：结合眼动和脑电图的癫痫类型检测方法，涉及癫痫检测技术领域。通过对眼动和脑电图的分析，辅助医生判断癫痫类型。首先对提取到的癫痫发作时的脑电信号和眼动三维坐标信息进行预处理并分为固定长度的时间段，然后分别使用时空域卷积网络和眼动编码器对脑电和眼动序列分别进行特征提取，使用跨模态注意力网络将两种模态的特征融合为一个特征，最后将融合特征输入到分类器中，所得分类概率最大的类别为癫痫类型。融合癫痫发作时的眼动特征和脑电信号，兼顾发作时的行为信息和神经特征，分类结果更为准确，在辅助癫痫类型临床诊断和鉴别癫痫类型方面有重要意义。

主权项：1.结合眼动和脑电图的癫痫类型检测方法，其特征在于包括以下步骤：1对脑电信号进行预处理并归一化；2对发作视频进行眼动信息提取，得到三维眼动序列；3提取脑电信号的时频特征，对各脑区电极通道进行降维，得去除冗余信息的脑电特征；4使用眼动编码器对眼动序列进行特征提取；5将脑电特征和眼动特征降维后输入到多模态注意力网络中，进行特征融合，得到融合特征；所述得到融合特征的具体步骤如下：将脑电和眼动特征输入到多模态注意力网络，所述多模态注意力网络具体包括：一个线性多层感知机，将脑电和眼动特征映射到一个共同的潜在空间下，表示为：XEEG＝MLPxEEG#1Xeye＝MLPxeye#2其中，xEEG和xeye分别为脑电和眼动所提取到的特征，得到映射到同一潜在空间的向量Xeeg和Xeye；CrossAttention模块，其输入为三个变量，分别是查询Q、键K和值V，表示为： 将XEEG作为查询Q输入，Xeye作为键K和值V输入，首先计算Q和K之间的相似度矩阵，此处计算两者的Cosine相似性得到相似度矩阵，因此有： 对结果进行缩放，除以接着使用softmax进行归一化，得到权重系数， 将权重系数与V做加权求和，得到针对查询Q即Xeeg的注意力矩阵，通过注意力矩阵观察眼动与脑电之间的相关性，得到两者的融合特征；6将融合特征输入到分类器中，得到预测概率最大的癫痫类别，即预测癫痫类型；所述分类器由线性层和Softmax层组成，表示为：XL＝LinearX#6O＝softmaxXL#7其中，X为输入的融合特征，XL为经过线性层转换的特征，再输入到Softmax层中，所得O为融合特征的对应到每个种类上的预测概率， 概率最大的癫痫类型L，即为最终分类结果；癫痫类型检测方法整体的损失函数包括三部分，脑电特征提取的损失、眼动特征提取重建损失和分类判别的概率损失，表示为：L＝LEEG+Leye+Lclassify#9其中，脑电特征损失计算为经过PCA降维后提取的特征与降维前各通道特征之间的平均距离，公式为： 其中，为第r个脑区中经过PCA降维后提取的脑电特征，为第r脑区中i个电极的特征，Nr为r脑区中的电极数量，所使用的计算距离的方法为欧式距离；眼动特征提取重建损失为所提取的眼动特征和原始眼动信号之间的误差，使用均方误差计算，公式如下： 其中，为脑电和眼动的原始数据，为经过编码后的特征；分类判别的概率损失使用交叉熵损失，计算为： 其中，yi是每个特征的癫痫类别，是预测类别，为预测类别的概率。

全文数据：

权利要求：

百度查询： 厦门大学 结合眼动和脑电图的癫痫类型检测方法

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