基于深度学习集成模型的癫痫定位与发作预测方法与流程

1.本发明属于癫痫定位与发作预测技术领域，特别涉及一种基于深度学习集成模型的癫痫定位与发作预测方法。


背景技术：

2.癫痫是由于大脑神经元异常放电而导致的短暂大脑功能障碍，是一种十分常见的慢性神经系统疾病，临床症状为意识丧失、抽搐、甚至晕倒，有时会反复发作。患者寄希望于手术治疗以摆脱疾病对工作和生活的影响，然而对于致痫灶的手术切除还存在一个重要的问题——如何保留相应的脑功能区而不被破坏。在众多局限性因素影响下，医生只能进行姑息性切除，这将导致疾病的复发或脑功能损坏等情况的出现，因此精准定位癫痫灶对患者来说十分重要。目前对致痫灶的定位临床上已经有多种应用较为广泛的术前评估方法：详细询问病史、长程视频脑电图监测、结构性和功能性磁共振(mri)等。作为定位致痫灶金标准的颅内电极脑电图，例如立体定向脑电图(stereoeletroencephalography,seeg)是一种颅内多触点深部电极植入及监测技术。临床经验发现，电极信号中的高频振荡(high frequency oscillations，hfos)信号与癫痫的发作有密切的联系。临床医生在手术前定位致痫切除区域主要就是通过观察脑电采集软件的通道信号，寻找存在hfo信号的通道作为可疑致痫区。
3.脑电信号是通过大量神经元同步发生的突触后电位经总和后形成的，它记录了大脑活动时的电波变化。借助脑电信号所具有的时空特性，我们能充分发掘其潜在的活动特征。癫痫的发作过程可视为病变神经元状态转变的过程，从脑电信号层面上可视为由爆发式间断性异常放电(hfo)转变为持续性异常放电。一般情况下，癫痫的发作间期和发作期之间存在一个过渡期，称为癫痫发作前期。识别癫痫发作前期作为癫痫发作预测的标志已成为主流的研究方法，通过提取癫痫发作前期的脑电特征，借助机器学习等手段可实现癫痫发作前期的检测。
4.尽管seeg等脑电信号已经广泛应用于癫痫的治疗与研究之中，但其使用方法仍然存在许多不足之处：
5.其一：由于当前对于寻找通道信号中的hfos信号没有高效而准确的工具，只能通过经验丰富的医生人工逐帧地筛选采集信号。鉴于seeg采集设备的通道数可高达上百个，采样频率高于2000hz，故直接导致了人工筛选费时费力。
6.其二：在癫痫预测研究中，癫痫发作前期的确定比较困难，并不能简单地将发作开始时间点往前推移的时期作为癫痫发作前期；另外，对于目前基于普通机器学习的脑电信号识别是在特征工程概念下进行的，即我们需要借助大量的先验知识进行信号的特征提取，进而进行模型训练与识别，这将导致不同特征产生不同的识别效果。


技术实现要素：

7.为了解决上述问题，本发明的目的在于提供一种基于深度学习集成模型的癫痫定
位与发作预测方法。
8.为了达到上述目的，本发明提供的基于深度学习集成模型的癫痫定位与发作预测方法包括按顺序进行的下列步骤：
9.1)采集癫痫患者的多通道立体定向脑电图信号，进行处理后获得各通道分段信号并标记，并构建识别hfo数据集的s1阶段；
10.2)对上述识别hfo数据集中带有标记的分段信号进行连续小波变换提取特征，并构建彩色时频图的s2阶段；
11.3)构建hfo识别模型并输入彩色时频图进行训练，获得训练好的hfo识别模型的s3阶段；
12.4)将各通道分段信号输入上述训练好的hfo识别模型，由此确定出疑似致痫通道的s4阶段；
13.5)构建由编码模型和解码模型组成的卷积自编码模型，对上述疑似致痫通道的分段信号进行处理后获得致痫片段信号并输入卷积自编码模型进行训练，获得的训练好的编码模型和解码模型的s5阶段；
14.6)将致痫片段信号输入步骤5)中训练好的编码模型，获得降维特征向量的s6阶段；
15.7)构建特征预测模型并输入步骤6)获得的降维特征向量进行训练，获得训练好的特征预测模型的s7阶段；
16.8)构建特征发作识别模型并输入步骤6)获得的降维特征向量进行训练，获得训练好的特征发作识别模型的s8阶段；
17.9)连接上述训练好的编码模型、特征预测模型和特征发作识别模型而构建成发作预测模型的s9阶段；
18.10)利用上述发作预测模型对被测癫痫患者的癫痫发作进行预测的s10阶段。
19.在步骤1)中，所述采集癫痫患者的多通道立体定向脑电图信号，进行处理后获得各通道分段信号并标记，并构建识别hfo数据集的方法是：
20.利用深部电极采集多位癫痫患者的多通道立体定向脑电图信号；然后对每个通道的立体定向脑电图信号采用滑动窗的形式进行切片，获得分段信号；之后由专家根据经验将所有分段信号标记为有hfo与无hfo两个类别，其中有hfo的分段信号标记为1，无hfo的分段信号标记为0，获得带有标记的分段信号；由所有带有标记的分段信号构建成识别hfo数据集，并按照8:2的比例随机划分成训练集和测试集。
21.在步骤2)中，所述对上述识别hfo数据集中带有标记的分段信号进行连续小波变换提取特征，并构建彩色时频图的具体步骤如下：
22.(2.1)将上述识别hfo数据集中每个通道的带有标记的分段信号采用三组尺度分别为1、2和3hz频率的分辨率进行连续小波变换，分别获得三组时频特征信号tf1(400*500)、tf2(400*250)、tf3(400*167)，其中400代表采样时间点，500、250和167代表频率点；
23.(2.2)将上述三组时频特征信号划分成1
‑
80hz、81
‑
240hz和241
‑
480hz三个频段的三组频段信号，分别对应尺度为1的时频特征信号tf1中前80列信号、尺度为2的时频特征信号tf2中第41列到120列信号和尺度为3的时频特征信号tf3中第81列到160列信号，即获得的三组频段信号均为400*80大小的时频特征信号，将这三组频段信号分别作为彩色时频图的
三组通道信号；
24.(2.3)将上述三组频段信号规范化处理到0
‑
255，然后进行融合而构建成彩色时频图。
25.在步骤3)中，所述构建hfo识别模型并输入彩色时频图进行训练，获得训练好的hfo识别模型的方法是：
26.构建hfo识别模型，该模型由两组3*3卷积层、relu激活层、最大池化层及全连接层组成；
27.将训练集中的彩色时频图输入hfo识别模型进行前向传播，然后计算hfo识别模型的输出与步骤1)中的有hfo标记1或无hfo标记0的交叉熵损失函数值，并利用adam优化算法进行反向权值更新，之后利用测试集中的彩色时频图进行hfo识别模型的准确率测试，通过不断迭代优化模型的权值和偏置，直至hfo识别模型达到良好的分类效果，获得训练好的hfo识别模型。
28.在步骤4)中，所述将各通道分段信号输入上述训练好的hfo识别模型，由此确定出疑似致痫通道的方法是：
29.将步骤1)获得的所有癫痫患者的各通道分段信号输入到上述训练好的hfo识别模型中，并根据该模型的输出判断分段信号中是否存在hfo信号，通过对各通道出现hfo信号数量的比对筛选出数量较多的通道作为疑似致痫通道，由此完成致痫通道的辅助定位。
30.在步骤5)中，所述构建由编码模型和解码模型组成的卷积自编码模型，对上述疑似致痫通道的分段信号进行处理后获得致痫片段信号并输入卷积自编码模型进行训练，获得的训练好的编码模型和解码模型的具体步骤如下：
31.(5.1)构建由编码模型和解码模型组成的卷积自编码模型；其中编码模型由归一化层、多组卷积层、bn层、prelu激活层及最大池化层组成；对信号进行归一化的公式为：
32.(x
‑
x
mean
)/x
std
33.其中x为各通道信号，x
mean
为各通道信号的数据平均值，x
std
为各通道信号的数据标准差；
34.解码模型由多组反卷积层、bn层和prelu激活层组成；
35.(5.2)从上述疑似致痫通道中选取存在hfo信号数量最多的三个通道作为致痫预测通道，然后对所有致痫预测通道的分段信号进行切片，获得多组片段信号，并人工标记发作与不发作的片段信号作为致痫片段信号，其中发作的片段信号标记为1，不发作的片段信号标记为0；
36.(5.3)将致痫片段信号输入编码模型，获得降维特征向量，然后将降维特征向量输入解码模型进行信号重建，并对输出进行sigmoid映射获得重建信号；
37.(5.4)计算输入的致痫片段信号与重建信号的均方差损失函数值，公式为：
38.loss(x
i
,y
i
)＝(x
i
‑
y
i
)239.并利用adam优化算法进行反向权值更新，通过迭代优化模型的权值和偏置，直至卷积自编码网络模型达到良好的收敛效果，获得训练好的编码模型和解码模型的。
40.在步骤7)中，所述构建特征预测模型并输入步骤6)获得的降维特征向量进行训练，获得训练好的特征预测模型的方法是：
41.所述特征预测模型由两层convlstm单元组成；其中convlstm单元的计算公式如
下：
42.i
t
＝σ(w
ii
x
t
b
ii
w
hi
h
(t
‑
1)
b
hi
)
43.f
t
＝σ(w
if
x
t
b
if
w
hf
h
(t
‑
1)
b
hf
)
44.g
t
＝tanh(w
ig
x
t
b
ig
w
hg
h
(t
‑
1)
b
hg
)
45.o
t
＝σ(w
io
x
t
b
io
w
ho
h
(t
‑
1)
b
ho
)
46.c
t
＝f
t
c
(t
‑
1)
i
t
g
t
47.h
t
＝o
t
tanh(c
t
)
48.其中，x为输入的降维特征向量，h为隐状态，c为细胞状态，初始时刻的隐状态h与细胞状态c均为零向量，前一时刻convlstm单元的隐状态h与细胞状态c的输出作为后一时刻的输入，σ为sigmoid函数，w为卷积计算；
49.按时间顺序输入步骤6)获得的降维特征向量至特征预测模型中进行分阶段训练；设定时间步长，每个训练阶段按时间顺序依次输入在此时间步长内每一秒获得的多个降维特征向量到特征预测模型中，然后计算特征预测模型的输出与往后推移1秒获得的连续且相同个数的降维特征向量的均方差损失函数值，并采用随机梯度下降方法对模型进行权值反向更新；将每一个训练阶段最后输出的隐状态h和细胞状态c作为下一个训练阶段的初始状态输入；通过迭代优化模型的权值和偏置，直至特征预测模型达到良好的收敛效果，获得训练好的特征预测模型。
50.在步骤8)中，所述构建特征发作识别模型并输入步骤6)获得的降维特征向量进行训练，获得训练好的特征发作识别模型的方法是：
51.所述特征发作识别模型为全连接网络；
52.输入步骤6)获得的所有降维特征向量至特征发作识别模型中进行训练，计算该模型的输出与发作标记1或不发作标记0的交叉熵损失函数值，并采用adam优化算法进行反向权值更新，经过迭代拟合得到分类准确率较高的训练好的特征发作识别模型。
53.在步骤9)中，所述连接上述训练好的编码模型、特征预测模型和特征发作识别模型而构建成发作预测模型的方法是：
54.将步骤5)获得的训练好的编码模型、步骤7)获得的训练好的特征预测模型和步骤8)获得的训练好的特征发作识别模型进行集成连接，即将编码模型的输出作为特征预测模型的输入，再将特征预测模型的输出作为特征发作识别模型的输入，从而构建成发作预测模型。
55.在步骤10)中，所述利用上述发作预测模型对被测癫痫患者的癫痫发作进行预测的具体步骤如下：
56.(10.1)将被测癫痫患者的多通道立体定向脑电图信号按照上述步骤1)至步骤5)的方法进行处理，获得致痫片段信号；
57.(10.2)按时间顺序将上述致痫片段信号分别输入至发作预测模型的编码模型中，每个时刻的致痫片段信号将输出对应的降维特征向量f
t
；
58.(10.3)将编码模型输出的降维特征向量f
t
输入至特征预测模型中，以当前时刻t为基准，通过特征预测模型计算出往后n个时刻的特征预测向量f
t n
；
59.(10.4)将特征预测模型计算出的当前时刻往后n个时刻的特征预测向量f
t n
输入至特征发作识别模型中，由此确定出当前时刻往后n个时刻被测癫痫患者的癫痫是否发作，
获得被测癫痫患者的癫痫发作预测结果。
60.相较于现有技术，本发明具有以下有益效果：hfo识别模型在卷积神经网络的基础上增加对输入的小波变换特征提取，通过彩色时频图实现了信号各频段特征的增强融合，提高了卷积神经网络的特征提取效果。hfo识别模型优化了目前人工观察脑电信号寻找hfo信号过程，即定位致痫通道的复杂过程。本发明中的发作预测模型能够简化特征工程工作，利用卷积自编码模型实现自动提取降维特征，不需要确定癫痫发作前期和利用先验知识提取信号特征，模型的预测能力使得被试癫痫患者能够提前收到癫痫发作的警报信号。
附图说明
61.图1为本发明提供的基于深度学习集成模型的癫痫定位与发作预测方法流程图。
62.图2为本发明中基于小波变换构建彩色时频图的hfo识别过程流程图。
63.图3为本发明中发作预测模型训练过程示意图；
64.图4为本发明中癫痫症状发作预测过程流程图。
具体实施方式
65.为使本领域技术人员更加清楚和明确本发明的技术方案，下面参照附图和具体实施例对本发明作进一步详细的描述，但本发明的实施方式不限于此。
66.如图1所示，本发明提供的基于深度学习集成模型的癫痫定位与发作预测方法包括按顺序进行的下列步骤：
67.1)采集癫痫患者的多通道立体定向脑电图信号，进行处理后获得各通道分段信号并标记，并构建识别hfo数据集的s1阶段；
68.利用深部电极采集多位癫痫患者的多通道立体定向脑电图信号，采样频率为2000hz，通道数量为100左右；然后对每个通道的立体定向脑电图信号采用滑动窗的形式进行切片，获得分段信号，窗口长度为0.2秒，采样点为400，步长为0.2秒；之后由专家根据经验将所有分段信号标记为有hfo与无hfo两个类别，其中有hfo的分段信号标记为1，无hfo的分段信号标记为0，获得带有标记的分段信号；由所有带有标记的分段信号构建成识别hfo数据集，并按照8:2的比例随机划分成训练集和测试集；
69.2)对上述识别hfo数据集中带有标记的分段信号进行连续小波变换提取特征，并构建彩色时频图的s2阶段；
70.如图2所示，具体步骤如下：
71.(2.1)连续小波变换(cwt)具有如下定义：设ψ(t)是一个小波函数，对它进行伸缩和平移变换得：
[0072][0073]
其中a为伸缩因子，b为平移因子，ψ
a,b
(t)为小波基函数，从而可得到连续小波变换公式如下：
[0074][0075]
其中函数f(t)在某伸缩因子a、平移因子b上的小波变换系数表征的是对应频窗内的频率成分大小。经过小波变换后可将一个时域函数投影到二维的时间——尺度相平面上。
[0076]
将上述识别hfo数据集中每个通道的带有标记的分段信号采用三组不同频率的分辨率(尺度分别为1、2和3hz)进行连续小波变换，分别获得三组时频特征信号tf1(400*500)、tf2(400*250)、tf3(400*167)，其中400代表采样时间点，500、250和167代表频率点；
[0077]
(2.2)将上述三组时频特征信号划分成1
‑
80hz、81
‑
240hz和241
‑
480hz三个频段的三组频段信号，分别对应尺度为1的时频特征信号tf1中前80列信号、尺度为2的时频特征信号tf2中第41列到120列信号和尺度为3的时频特征信号tf3中第81列到160列信号，即获得的三组频段信号均为400*80大小的时频特征信号，将这三组频段信号分别作为彩色时频图的三组通道信号；
[0078]
(2.3)将上述三组频段信号规范化处理到0
‑
255，然后进行融合而构建成彩色时频图；
[0079]
3)构建hfo识别模型并输入彩色时频图进行训练，获得训练好的hfo识别模型的s3阶段；
[0080]
构建如图2所示的hfo识别模型，该模型由两组3*3卷积层、relu激活层、最大池化层及全连接层组成。
[0081]
将训练集中的彩色时频图输入hfo识别模型进行前向传播，然后计算hfo识别模型的输出与步骤1)中的有hfo标记1或无hfo标记0的交叉熵损失函数值(crossentropyloss)，并利用adam优化算法进行反向权值更新，之后利用测试集中的彩色时频图进行hfo识别模型的准确率测试，通过不断迭代优化模型的权值和偏置，直至hfo识别模型达到良好的分类效果，获得训练好的hfo识别模型；
[0082]
4)将各通道分段信号输入上述训练好的hfo识别模型，由此确定出疑似致痫通道的s4阶段；
[0083]
将步骤1)获得的所有癫痫患者的各通道分段信号输入到上述训练好的hfo识别模型中，并根据该模型的输出判断分段信号中是否存在hfo信号，通过对各通道出现hfo信号数量的比对筛选出数量较多的通道作为疑似致痫通道，由此完成致痫通道的辅助定位。
[0084]
5)构建由编码模型和解码模型组成的卷积自编码模型，对上述疑似致痫通道的分段信号进行处理后获得致痫片段信号并输入卷积自编码模型进行训练，获得的训练好的编码模型和解码模型的s5阶段；
[0085]
具体步骤如下：
[0086]
(5.1)如图3所示，构建由编码模型和解码模型组成的卷积自编码模型；其中编码模型由归一化层、多组卷积层、bn层、prelu激活层及最大池化层组成；对信号进行归一化的公式为：
[0087]
(x
‑
x
mean
)/x
std
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0088]
其中x为各通道信号，x
mean
为各通道信号的数据平均值，x
std
为各通道信号的数据
标准差。
[0089]
解码模型由多组反卷积层、bn层和prelu激活层组成；
[0090]
(5.2)从上述疑似致痫通道中选取存在hfo信号数量最多的三个通道作为致痫预测通道，然后对所有致痫预测通道的分段信号进行切片，此时的窗口长度为1秒，采样点为2000，步长为1秒，获得多组3*2000的片段信号，并人工标记发作与不发作的片段信号作为致痫片段信号，其中发作的片段信号标记为1，不发作的片段信号标记为0；
[0091]
(5.3)将致痫片段信号输入编码模型，获得降维特征向量，然后将降维特征向量输入解码模型进行信号重建，并对输出进行sigmoid映射获得重建信号；
[0092]
(5.4)计算输入的致痫片段信号与重建信号的均方差损失函数值，公式为：
[0093]
loss(x
i
,y
i
)＝(x
i
‑
y
i
)2ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0094]
并利用adam优化算法进行反向权值更新，通过迭代优化模型的权值和偏置，直至卷积自编码网络模型达到良好的收敛效果，获得训练好的编码模型和解码模型的。
[0095]
6)将致痫片段信号输入步骤5)中训练好的编码模型，获得降维特征向量f
t
‑1,f
t
……
f
t n
的s6阶段；
[0096]
7)构建特征预测模型并输入步骤6)获得的降维特征向量进行训练，获得训练好的特征预测模型的s7阶段；
[0097]
如图3所示，所述的特征预测模型由两层convlstm单元组成。其中convlstm单元的计算公式如下：
[0098][0099]
其中，x为输入的降维特征向量，h为隐状态，c为细胞状态，初始时刻的隐状态h与细胞状态c均为零向量，前一时刻convlstm单元的隐状态h与细胞状态c的输出作为后一时刻的输入，σ为sigmoid函数，w为卷积计算。
[0100]
按时间顺序输入步骤6)获得的降维特征向量f
t
‑1,f
t
……
f
t n
至特征预测模型中进行分阶段训练。在本发明中，设定的时间步长为10秒，即每个训练阶段按时间顺序依次输入在此10秒内每一秒获得的10个降维特征向量f
t
,f
t 1
……
f
t 9
到特征预测模型中，然后计算特征预测模型的输出p
t
,p
t 1
……
p
t 9
与往后推移1秒获得的连续10个降维特征向量f
t 1
,f
t 2
……
f
t 10
的均方差损失函数值loss，并采用随机梯度下降方法(sgd)对模型进行权值反向更新；将每一个训练阶段最后输出的隐状态h和细胞状态c作为下一个训练阶段的初始状态输入；通过迭代优化模型的权值和偏置，直至特征预测模型达到良好的收敛效果，获得训练好的特征预测模型。
[0101]
8)构建特征发作识别模型并输入步骤6)获得的降维特征向量进行训练，获得训练好的特征发作识别模型的s8阶段；
[0102]
如图3所示，所述的特征发作识别模型为全连接网络；
[0103]
输入步骤6)获得的所有降维特征向量f
t
‑1,f
t
……
f
t n
至特征发作识别模型中进行训练，计算该模型的输出与发作标记1或不发作标记0的交叉熵损失函数值，并采用adam优化算法进行反向权值更新，经过迭代拟合得到分类准确率较高的训练好的特征发作识别模型。
[0104]
9)连接上述训练好的编码模型、特征预测模型和特征发作识别模型而构建成发作预测模型的s9阶段；
[0105]
将步骤5)获得的训练好的编码模型、步骤7)获得的训练好的特征预测模型和步骤8)获得的训练好的特征发作识别模型进行集成连接，即将编码模型的输出作为特征预测模型的输入，再将特征预测模型的输出作为特征发作识别模型的输入，从而构建成发作预测模型。
[0106]
10)利用上述发作预测模型对被测癫痫患者的癫痫发作进行预测的s10阶段；
[0107]
如图4所示，具体步骤如下：
[0108]
(10.1)将被测癫痫患者的多通道立体定向脑电图信号按照上述步骤1)至步骤5)的方法进行处理，获得致痫片段信号；
[0109]
(10.2)按时间顺序将上述致痫片段信号分别输入至发作预测模型的编码模型中，本发明中1秒输入一个致痫片段信号，每个时刻的致痫片段信号将输出对应的降维特征向量f
t
；
[0110]
(10.3)将编码模型输出的降维特征向量f
t
输入至特征预测模型中，以当前时刻t为基准，通过特征预测模型计算出往后n个时刻的特征预测向量f
t n
；
[0111]
(10.4)将特征预测模型计算出的当前时刻往后n个时刻的特征预测向量f
t n
输入至特征发作识别模型中，由此确定出当前时刻往后n个时刻被测癫痫患者的癫痫是否发作，获得被测癫痫患者的癫痫发作预测结果。