1.本发明涉及一种基于深度循环神经网络模型识别脑电信号病理波的方法。
背景技术：
2.对于诊断脑部疾病，测量脑电信号是一项常规检查手段。脑电信号中的病理波是进行诊断的依据。然而，在长时程脑电信号中搜寻病理波却是一件非常专业非常耗时的工作。
技术实现要素：
3.本发明的目的在于提供一种基于深度循环神经网络模型识别脑电信号病理波的方法，可实现对长时程脑电信号中病理波的快速检索。
4.为实现上述目的，本发明的技术方案是：一种基于深度循环神经网络模型识别脑电信号病理波的方法，将待识别的脑电信号转化为前、中、后、和1/3下采样4个片段，分别送入用于识别脑电信号病理波的深度循环神经网络模型的4个对应的循环神经网络子模型，计算出分别描述4个片段时序特征的向量，4个向量经合并后交全连接层继续计算，得出预测向量，实现脑电信号病理波识别。
5.在本发明一实施例中，所述预测向量的每个分量表示把待识别脑电信号预测为对应病理波的概率。
6.在本发明一实施例中，所述深度循环神经网络模型的连接权重和偏置通过反向传播的方式在大规模数据集上训练得到。
7.在本发明一实施例中，本发明方法具体实现为：
8.用e∈r
3n
表示待识别的脑电信号，e是深度循环神经网络模型的输入；
9.深度循环神经网络模型根据公式
10.e1＝e(1∶n)
11.e2＝e(n 1∶2n)
12.e3＝e(2n 1∶3n)
13.e4＝e(3，6，
…
，3n)
14.从e中取出e1、e2、e3和e4，e1、e2、e3和e4分别表示待识别的脑电信号转化后的前、中、后、和1/3下采样4个片段；
15.对于所有的i∈{1，
…
，4}和t∈{1，
…
，τ}，令并计算
[0016][0017][0018][0019]
z＝vh c
[0020][0021]
其中，z∈r
n
，n，τ，d和n为模型的超参数，w
i
，u
i
和v是表示连接权重的矩阵，b
i
和c是表示偏置的向量，w
i
，u
i
，v，b
i
和c在模型训练阶段通过反向传播的方式训练得到；是模型输出的向量，每个分量代表模型把输入e判定为对应病理波的概率。
[0022]
相较于现有技术，本发明具有以下有益效果：本发明一种基于深度循环神经网络模型识别脑电信号病理波的方法，设计的深度循环神经网络模型可被嵌入处理医疗脑电信号的系统中，来实现对长时程脑电信号中病理波的快速检索。
附图说明
[0023]
图1为本发明方法流程图。
具体实施方式
[0024]
下面结合附图，对本发明的技术方案进行具体说明。
[0025]
本发明一种基于深度循环神经网络模型识别脑电信号病理波的方法，将待识别的脑电信号转化为前、中、后、和1/3下采样4个片段，分别送入用于识别脑电信号病理波的深度循环神经网络模型的4个对应的循环神经网络子模型，计算出分别描述4个片段时序特征的向量，4个向量经合并后交全连接层继续计算，得出预测向量，预测向量的每个分量表示把待识别脑电信号预测为对应病理波的概率。深度循环神经网络模型的连接权重和偏置通过反向传播的方式在大规模数据集上训练得到。
[0026]
以下为本发明一具体实施实例。
[0027]
如图1所示，本发明一种基于深度循环神经网络模型识别脑电信号病理波的方法，具体实现为：
[0028]
用e∈r
3n
表示待识别的脑电信号，e是深度循环神经网络模型的输入；
[0029]
深度循环神经网络模型根据公式
[0030]
e1＝e(1∶n)
[0031]
e2＝e(n 1∶2n)
[0032]
e3＝e(2n 1∶3n)
[0033]
e4＝e(3，6，
…
，3n)
[0034]
从e中取出e1、e2、e3和e4，e1、e2、e3和e4分别表示待识别的脑电信号转化后的前、中、后、和1/3下采样4个片段；
[0035]
对于所有的i∈{1，
…
，4}和t∈{1，
…
，τ}，令并计算
[0036][0037][0038][0039]
z＝vh c
[0040][0041]
其中，z∈r
n
，n，τ，d和n为模型的超参数，本实例中n＝100，τ＝20，d＝
20，n＝10，w
i
，u
i
和v是表示连接权重的矩阵，b
i
和c是表示偏置的向量，w
i
，u
i
，v，b
i
和c在模型训练阶段通过反向传播的方式训练得到；是模型输出的向量，每个分量代表模型把输入e判定为对应病理波的概率。
[0042]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
技术特征：
1.一种基于深度循环神经网络模型识别脑电信号病理波的方法，其特征在于，将待识别的脑电信号转化为前、中、后、和1/3下采样4个片段，分别送入用于识别脑电信号病理波的深度循环神经网络模型的4个对应的循环神经网络子模型，计算出分别描述4个片段时序特征的向量，4个向量经合并后交全连接层继续计算，得出预测向量，实现脑电信号病理波识别。2.根据权利要求1所述的基于深度循环神经网络模型识别脑电信号病理波的方法，其特征在于，所述预测向量的每个分量表示把待识别脑电信号预测为对应病理波的概率。3.根据权利要求1所述的基于深度循环神经网络模型识别脑电信号病理波的方法，其特征在于，所述深度循环神经网络模型的连接权重和偏置通过反向传播的方式在大规模数据集上训练得到。4.根据权利要求1至3任一所述的基于深度循环神经网络模型识别脑电信号病理波的方法，其特征在于，该方法具体实现为：用e∈r
3n
表示待识别的脑电信号，e是深度循环神经网络模型的输入；深度循环神经网络模型根据公式e1＝e(1：n)e2＝e(n 1：2n)e3＝e(2n 1：3n)e4＝e(3，6，
…
，3n)从e中取出e1、e2、e3和e4，e1、e2、e3和e4分别表示待识别的脑电信号转化后的前、中、后、和1/3下采样4个片段；对于所有的i∈{1，
…
，4}和t∈{1，
…
，τ}，令并计算并计算并计算z＝vh c其中，z∈r
n
，n，τ，d和n为模型的超参数，w
i
，u
i
和v是表示连接权重的矩阵，b
i
和c是表示偏置的向量，w
i
，u
i
，v，b
i
和c在模型训练阶段通过反向传播的方式训练得到；是模型输出的向量，每个分量代表模型把输入e判定为对应病理波的概率。
技术总结
本发明涉及一种基于深度循环神经网络模型识别脑电信号病理波的方法。该方法根据脑电信号病理波的特点，设计用于识别脑电信号病理波的深度循环神经网络模型。该模型包含4个循环神经网络子模型，分别处理“前、中、后、或1/3下采样”4个部分。待识别的脑电信号首先被转化为前、中、后、和1/3下采样4个片段，再被送入对应的循环神经网络子模型，计算出分别描述4个片段时序特征的向量，4个特征向量经合并后交全连接层继续计算，得出预测向量。预测向量的每个分量表示把待识别脑电信号预测为对应病理波的概率。该模型的连接权重和偏置通过反向传播的方式在大规模数据集上训练得到。本发明可实现对长时程脑电信号中病理波的快速检索。可实现对长时程脑电信号中病理波的快速检索。可实现对长时程脑电信号中病理波的快速检索。
技术研发人员：黄家昌 黄志华
受保护的技术使用者：福建亿能达信息技术股份有限公司
技术研发日：2021.08.11
技术公布日：2021/10/23
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
