一种癫痫发作预测系统及方法与流程

1.本发明涉及癫痫病发作预测技术领域，特别是涉及一种癫痫发作预测系统及方法。


背景技术：

2.癫痫是仅次于脑血管疾病的第二大脑部疾病，影响超过全球0.5％的人。根据国家卫生部公布的数据，全国癫痫患者总人数约为800万人，每年新增患者人数超过35万人，患者人群中18岁以下人员占比为75％
‑
80％。癫痫是大脑神经元异常放电导致的一种慢性神经系统疾病。在发作时，患者会突然的惊厥、抽搐或意识丧失。并且，癫痫的发作时间以及发作地点并不会受人为控制，这就导致癫痫患者不仅无法保障自身的生命安全，还会影响到其他人员的人身安全。例如，癫痫患者导致的交通事故。因此，对癫痫患者的癫痫发作进行预测至关重要。
3.癫痫的发作时间很短，这导致癫痫发作过程中采集的脑电信号的样本数量远远小于癫痫发作后期和癫痫发作间期的脑电信号的样本数量。癫痫患者脑电信号的样本数量不平衡会降低对癫痫发作的预测精度。当前针对癫痫发作预测的样本不平衡问题的解决措施包括降采样和过采样。其中，降采样过程会丢弃大量有效数据，存在过拟合问题；过采样实际上并没有为模型引入更多的数据，过分强调正比例数据，这会放大正比例噪声对模型的影响。
4.针对现有技术的缺点，本发明提出了一种癫痫发作预测系统及方法。通过生成对抗网络产生癫痫患者癫痫发作期的脑电特征信息，提高对患者癫痫发作的预测精度。


技术实现要素：

5.本发明的目的是提供一种癫痫发作预测系统及方法。通过生成对抗网络产生癫痫患者癫痫发作期的脑电特征信息，提高对患者癫痫发作的预测精度。
6.为实现上述目的，本发明提供了如下方案：
7.一方面，本发明提供一种癫痫发作预测系统，包括：
8.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；
9.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；
10.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；
11.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；
12.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；
13.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。
14.可选的，所述脑电信号分段模块，包括：
15.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；
16.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；
17.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；
18.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；
19.所述a的值为4。
20.可选的，所述x1段脑电信号的频率为0.5～3.5hz；所述x2段脑电信号的频率为4～8hz；所述x3段脑电信号的频率为8～13hz；所述x4段脑电信号的频率为13～30hz。
21.可选的，所述特征信息提取模块，包括：
22.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：
[0023][0024]
其中，x表示脑电信号，t表示时间，t表示脑电信号时长；
[0025]
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：
[0026][0027]
其中，x表示脑电信号，t表示时间，t表示脑电信号时长；
[0028]
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:
[0029][0030]
其中，x表示脑电信号，t表示时间，t表示脑电信号时长；
[0031]
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:
[0032][0033]
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；
[0034]
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:
[0035][0036]
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；
[0037]
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:
[0038]
peak＝max(abs(max(x)),abs(min(x)))
[0039]
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；
[0040]
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:
[0041][0042]
其中，x表示脑电信号，rms表示均方根计算，mean表示均值计算；
[0043]
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：
[0044][0045]
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；
[0046]
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：
[0047][0048]
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；
[0049]
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feature(f,v
c
,activity,skew,kurt,peak,wf,pf,peakf)；
[0050]
其中，f表示为波动指数，v
c
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。
[0051]
可选的，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；
[0052]
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：
[0053][0054]
其中，c表示滤波器阶数，feature
j
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；
[0055]
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。
[0056]
可选的，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；
[0057]
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；
[0058]
生成神经网络模型构建子模块，用于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；
[0059]
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’
；
[0060]
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；
[0061]
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；
[0062]
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；
[0063]
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块的连接权值，根据所述连接权值对所述串联模型进行跟新，得到更新后的串联模型；
[0064]
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。
[0065]
可选的，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：
[0066]
y2'＝s(we b)
[0067]
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。
[0068]
可选的，所述癫痫发作预测模块，包括：
[0069]
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；
[0070]
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；
[0071]
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。
[0072]
另一方面，本发明还提供一种癫痫发作预测方法，包括：
[0073]
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；
[0074]
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；
[0075]
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；
[0076]
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；
[0077]
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；
[0078]
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。
[0079]
可选的，所述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，包括：
[0080]
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；
[0081]
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；
[0082]
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；
[0083]
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。
[0084]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明公开了一种癫痫发作预测系统及方法。用以精确预测癫痫的发作时期。其中系统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。由于本发明特征矩阵生成模块利用生成对抗网络产生癫痫患者脑电信号的特征矩阵，解决了癫痫发作预测的样本不平衡问题，同时避免了降采样过程会丢弃大量有效数据，过采样会放大正比例噪声对模型的影响的弊端，提高了对患者癫痫发作的预测精度。
附图说明
[0085]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0086]
图1为本发明实施例1提供的癫痫发作预测系统结构示意图；
[0087]
图2为本发明实施例1提供的生成神经网络g的结构示意图；
[0088]
图3为本发明实施例1提供的单隐层前馈网络结构的示意图；
[0089]
图4为本发明实施例2提供的癫痫发作预测方法流程示意图。
具体实施方式
[0090]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0091]
癫痫是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病，由于异常放电，神经元所涉及的部位不同，表现为发作的运动、感觉、神经、意识及精神障碍，癫痫是多种原因引起的临床常见的症状之一。癫痫发作时，病人会突然倒地，意识丧失，全身抽搐，口吐白沫，两眼向上翻，每次发作持续1－3分钟。癫痫病对人的危害很大，主要有以下几点：
[0092]
①
脑功能的损害：癫痫每次发作一次，脑细胞损害一次，长期的癫痫反复发作，患者会智能下降，最后逐渐丧失工作能力，甚至生活能力。
[0093]
②
意外伤亡：因癫痫是不论时间、地点、环境不能自我控制突然发作倒地，容易出现摔伤、烫伤、溺水、交通事故。
[0094]
③
精神创伤：因癫痫病经常发作给患者就业、婚姻、家庭生活均带来影响，因而癫痫患者精神活动较压抑，身心健康受到很大影响。所以对癫痫病的发作进行及时有效的预测是十分有必要的。
[0095]
本发明的目的是提供一种癫痫发作预测系统及方法。通过生成对抗网络产生癫痫患者癫痫发作期的脑电特征信息，提高对患者癫痫发作的预测精度。
[0096]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0097]
实施例1
[0098]
如图1所示，本实施例提供一种癫痫发作预测系统，该系统具体包括：
[0099]
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；
[0100]
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；
[0101]
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；
[0102]
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；
[0103]
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；
[0104]
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。
[0105]
由于癫痫是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾
病，因此对癫痫的预测通常是通过针对患者采集的脑电信号进行处理进行癫痫发作的预测。癫痫按发作的时间先后排序有癫痫发作前期、癫痫发作期、癫痫发作间期以及癫痫发作后期。然而癫痫发作是一种时间很短的瞬时行为，这就导致癫痫发作期的时间很短，针对癫痫发作期采集的脑电信号的样本数量相较于癫痫发作前期、间期、后期的脑电信号的样本数量较小。癫痫发作各时期采集的脑电信号的样本数量不平衡会降低预测癫痫发作的精度。传统的解决办法包括降采样和过采样。其中，降采样过程会丢弃大量有效数据，存在过拟合问题；过采样实际上并没有为模型引入更多的数据，过分强调正比例数据，这会放大正比例噪声对模型的影响。而本实施例所采用的方法是利用特征矩阵生成模块的生成对抗网络来产生癫痫患者癫痫发作期的脑电特征信息。本实施例提高的方案避免了传统解决方法的弊端，同时提高了对患者癫痫发作的预测精度。
[0106]
针对癫痫发作前期、癫痫发作期、癫痫发作间期以及癫痫发作后期采集的脑电信号进行区分的是脑电信号分段模块，优选的，所述脑电信号分段模块，包括：
[0107]
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；
[0108]
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；
[0109]
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；
[0110]
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；
[0111]
上述脑电信号分段模块的子模块很据癫痫发作的各个时期将其分为了四段，其中，所述x1段脑电信号的频率为0.5～3.5hz；所述x2段脑电信号的频率为4～8hz；所述x3段脑电信号的频率为8～13hz；所述x4段脑电信号的频率为13～30hz。需要注意的是将采集的患者的脑电信号分为四段只是本实施例提供的一种优选的实施方式，本领域技术人员可以根据实际需要对其进行合理的设置。
[0112]
优选的，所述特征信息提取模块具体包括：
[0113]
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：
[0114][0115]
其中，x表示脑电信号，t表示时间，t表示脑电信号时长；
[0116]
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：
[0117][0118]
其中，x表示脑电信号，t表示时间，t表示脑电信号时长；
[0119]
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:
[0120][0121]
其中，x表示脑电信号，t表示时间，t表示脑电信号时长；
[0122]
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:
[0123][0124]
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；
[0125]
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:
[0126][0127]
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；
[0128]
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:
[0129]
peak＝max(abs(max(x)),abs(min(x)))
[0130]
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；
[0131]
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:
[0132][0133]
其中，x表示脑电信号，rms表示均方根计算，mean表示均值计算；
[0134]
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：
[0135][0136]
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；
[0137]
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：
[0138]
[0139]
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；
[0140]
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feature(f,v
c
,activity,skew,kurt,peak,wf,pf,peakf)；
[0141]
其中，f表示为波动指数，v
c
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。
[0142]
上述脑电信号特征提取针对的是对脑电信号进行分段后每段中的脑电信号，然而在采集脑电信号时，由于系统噪声和背景噪声不可避免的造成脑电信号存在异常值，这就导致提取的特征信号也会相应的存在异常值。本实施例对异常值进行处理的是特征滤波处理模块，优选的，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；
[0143]
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：
[0144][0145]
其中，c表示滤波器阶数，feature
j
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；
[0146]
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。通过对特征的异常值进行处理可以进一步提高预测癫痫发作的精度。
[0147]
本发明解决数据样本不平衡问题的实质在于利用特征矩阵生成模块的生成对抗网络产生需要补充的数据样本，该数据样本可以是癫痫发作期的数据样本，也可以是癫痫发作前期、间期或后期的数据样本。下面以产生癫痫发作期的数据样本为例对特征矩阵生成模块进行说明：
[0148]
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；
[0149]
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；
[0150]
生成神经网络模型构建子模块，用于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；
[0151]
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’
；
[0152]
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；
[0153]
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；
[0154]
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；
[0155]
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块的连接权值，根据所述连接权值对所述串联模型进行跟新，得到更新后的串联模型；
[0156]
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。
[0157]
利用生成对抗网络模型产生假样本y2’
实现癫痫发作期数据样本y2的扩增，y2’
与y2构成y5，对y5设置标签后即可利用单隐层前馈神经网络对癫痫发作进行预测。
[0158]
如图2所示，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：
[0159]
y2'＝s(we b)
[0160]
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。
[0161]
优选的，所述癫痫发作预测模块，包括：
[0162]
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；
[0163]
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；
[0164]
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。
[0165]
利用更新后的单隐层前馈神经网络对癫痫发作进行预测。其中，单隐层前馈神经网络的具体结构图3所示。与bp神经网络通过梯度下降法反复迭代来更新所有层之间的权值不同的地方在于，本实施例提供的超限学习机并不调整单隐含层神经网络的输入层和隐含层的权值，我们随机设定它的权值，所以单隐层前馈神经网络的训练速度远远快于bp神经网络。
[0166]
实施例2
[0167]
如图4所示本实施例提供一种应用于实施例1所提供系统的癫痫发作预测方法，具体包括：
[0168]
s1：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。
[0169]
s2：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。其中，得到a段脑电信号的操作步骤具体包括：
[0170]
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；
[0171]
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；
[0172]
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；
[0173]
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。
[0174]
s3：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。
[0175]
s4：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。
[0176]
s5：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。
[0177]
s6：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。
[0178]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见系统部分说明即可。
[0179]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。