基于前馈脉冲神经网络的癫痫脑电检测系统

1.本发明属于脑电信号检测技术领域，具体涉及一种基于前馈脉冲神经网络的癫痫脑电检测系统。


背景技术：

2.一、目前癫痫脑电识别现状
3.脉冲神经网络中的脉冲时间编码和信息处理机制在近年来逐渐成为热门研究方向，激发了研究者们对脉冲神经网络的探索热情。脉冲神经元模型更具生物真实性，它作为基本单元构成的脉冲神经网络，与基于脉冲频率编码信息的传统人工神经网络相比，拥有更加强大的计算能力，非常适合对大脑神经信号进行处理和分析。研究者们构建了不同的脉冲神经网络模型以及学习机制，这些计算模型在模式识别、决策及预测等方面取得了显著的效果。
4.精准的癫痫脑电识别结果对癫痫病患者的诊断和治疗具有非常重要的现实意义，传统机器学习技术对脑电数据进行处理、分类时，模式识别的准确性依赖于得到的特征值，而特征值的选取通常由使用者的提取方法和研究者的个人经验所决定，所以有时这样的特征值并不能准确地表征脑电数据的内在属性。如何克服脑电信号识别正面临的这种困难，来进一步推动脑科学与神经疾病诊断技术的发展，是一个具有挑战性的研究方向。
5.早期的脑电信号由人工进行判别，耗时耗力，结果往往带有主观性且通常与分析员的个人经验和专业水平相关。随后对脑电信号的研究大多假设其在短时间内相对平稳，再利用传统信号处理方法进行分析。随着一些非线性脑电数据分类方法的提出，越来越多的新技术被迅速应用于生物学、医学等各个领域。人工神经网络作为一项自适应的模式识别技术，成为对脑电信号进行非线性分析与识别的一类重要方法。
6.目前研究者们针对抑郁症识别、睡眠检测、癫痫诊断等技术方面进行研究，均是通过对eeg信号进行数据处理，从而得出辅助诊断结果。除此之外，在脑电信号分析中的实际应用还包括情感分析、发生中风的风险评估、精神分裂症诊断和阿兹海默症检测等。使用传统人工神经网络进行脑电数据分析与识别，一般有以下过程：数据采集、信号预处理、特征提取，最后利用不同类型的神经网络分类器将eeg信号划分为不同类别。传统人工神经网络对于特征提取的依赖性强，特征提取的优劣会对其分类精度产生很大影响，为此，过去的研究者在开发合适的特征提取技术方面花费了很多时间和精力。而脉冲神经网络模型提出后，由于其具有处理复杂时空模式数据的特性，因此被认为具有更大的潜力，更适合通过自身算法发现复杂数据中存在的重要层级关系，而无需费力地人工提取特征。
7.snn与处理实数值输入与输出的传统ann所不同，snn中采用脉冲神经元模型，其输入为将具体问题数据编码成的脉冲序列，网络中的信息处理与传递均以脉冲序列的形式进行。除此之外，还有研究采用一种多突触连接的snn网络结构，更加拓展了snn的信息处理能力。
8.对于单层脉冲神经网络来说，因其结构简单，学习算法的构造相对容易，目前已存
在较多基于单层结构的snn监督学习算法，并可成功应用在时空模式识别等领域。然而，对于某些复杂问题，单层snn逐渐显露出其局限性，对于多层网络学习算法的研究成为了迫切的现实需求。因此，本文在脉冲序列内积和snn监督学习相关理论的基础上，提出了一种新算法，可用于多层前馈脉冲神经网络的监督学习训练。
9.二、现有专利对癫痫脑电的研究
10.中国专利“cn107153825a一种基于支持向量机的癫痫脑电分类方法”针对现有技术中癫痫脑电信号分类准确率低，分类类别少的问题，依据粒子群算法和支持向量机理论，提出了一种基于粒子群算法优化支持向量机参数的信号分类方法。此发明适用于正常，癫痫发作和癫痫发作状态的脑电信号分类。
11.中国专利“cn107616780a一种利用小波神经网络的脑电检测方法及装置”公开了一种利用小波神经网络的脑电检测方法及装置，所述的脑电检测方法包括采集脑电信号、对脑电信号滤波和去噪、提取相对幅度和相对波动指数、分类器训练和计算预测值。此发明利用特征效果较好的相对幅度和相对波动指数对采集并经预处理后的脑电数据进行特征提取，将提取的特征向量送入由小波神经网络获得的分类器中，从而得到对异常脑电信号的标记，不但减轻了临床医生对大规模脑电数据进行判别的工作量，而且提高了对异常脑电检测的时效性。
12.中国专利“cn105249962b头皮脑电信号回顾性癫痫发作点检测方法及系统”提出了一种头皮脑电信号回顾性癫痫发作点检测方法及系统。此发明方法是对去除了各种伪迹脑电信号，通过非线性动力学样本熵阈值检测法，进行回顾性分析确定癫痫发作点的。此发明的头皮脑电信号回顾性癫痫发作点检测系统，包括脑电信号接收模块、癫痫发作点确定模块，信息输出模块。其中，脑电信号接收模块用于接收临床采集到的原始脑电信号。癫痫发作点确定模块用于通过脑电信号接收模块接收的脑电信号分析确定回顾性癫痫发作点。信息输出模块用于将癫痫发作点确定模块确定的回顾性癫痫发作点输出。
13.三、背景技术的缺陷
14.传统诊断方法有两种，分别是头皮脑电波和深度脑电波，并且需要多采样点。
15.传统诊断方法以下五个不足：
16.1.诊断耗时：由医生对脑电波进行长时间监测而后做出诊断，此方法耗时长，需要一定的人力资源，费时费力。
17.2.诊断准确性：诊断过程存在较多数据噪声与干扰，一定程度上降低了诊断的准确性。
18.3.数据处理：传统机器学习技术对脑电数据进行处理、分类时，模式识别的准确性依赖于得到的特征值，而特征值的选取通常由使用的提取方法和研究者的个人经验所决定。有时选取的特征值并不能准确地表征脑电数据的内在属性，处理数据准确性较低，及时性较差。
19.4.诊断难度：传统的诊断癫痫的方法主要有病史资料、体格检查、辅助检查和症状检查四种。这四种方法诊断癫痫需要详细的病史资料、详细的内科系统检查检查、人和神经系统检查和家属的详细正确的描述症状等。
20.5.技术更新：传统的诊断癫痫的方法如病史资料、体格检查、辅助检查和症状检查，方法陈旧，技术更新空间较小，不利于疾病诊断。


技术实现要素：

21.本发明提供了一种基于前馈脉冲神经网络的癫痫脑电检测系统，通过脉冲神经网络(spiking neural networks，snn)的监督学习理论知识，提出基于期望脉冲序列重建的监督学习算法，构建脑电图(electroencephalogram，eeg)数据分类模型，旨在提供癫痫疾病的诊断辅助功能。目前在人工对异常脑电信号进行长时间监测后做出诊断，会费时费力，挤压医疗资源，此系统通过提供诊断辅助将会很好的解决这一缺陷，进一步推进人工智能在医学领域的发展。
22.为此，本发明采用如下技术方案：
23.一种基于前馈脉冲神经网络的癫痫脑电检测系统，包括以下步骤：
24.1)采集并建立数据集，数据集的实验数据来源于chb-mit头皮脑电图数据库；
25.2)构建脑电信号预处理模块-编码模块，采用bsa编码，将步骤1)采集的脑电信号转换为脉冲序列；
26.3)构建脉冲响应模型：构建具有显式解析式的脉冲响应模型；
27.假设脉冲神经元有n个输入突触，模拟时间区间内，通过第i个突触共传入gi个脉冲，表示突触前神经元i的第g个脉冲的发放时间，则该神经元在t时刻的内部状态v(t)可以表示如下：
[0028][0029]
ε(t)和ρ(t)分别为脉冲响应函数和不应期函数，wi表示第i个突触的权值；其中脉冲响应函数ε(t)代表突触前神经元发放脉冲对突触后神经元造成的影响，公式为：
[0030][0031]
其中τ是影响ε(t)形态的时间常量；
[0032]
不应期函数ρ(t)的表达式为：
[0033][0034]
其中θ是脉冲神经元的激发阈值，τr是决定不应期函数性质的延迟常量；
[0035]
4)构建多层前馈脉冲神经网络snn：多层前馈脉冲神经网络snn采用三层前馈脉冲神经网络结构，包含输入层、一个隐含层和输出层；网络为全连接结构，即每个神经元和它下一层的所有神经元之间都有连接并构成正连接，隐含层和输出层之间正连接的突触权为w
oh
；
[0036]
snn还包括反向连接，输出层神经元和上一层即隐含层所有神经元之间都构建有连接构成反向连接；在反向连接中，输入至输出层神经元脉冲序列为输出层神经元和隐含层神经元之间存在突触权重为w
oh
'；
[0037]
5)训练多层前馈脉冲神经网络snn：将步骤2)进行bsa编码的脉冲序列，输入到步
骤4)构建的多层前馈脉冲神经网络中，进行脉冲网络学习；
[0038]
6)分析分类结果：当连续两次及以上的snn输出结果认为出现癫痫发作情况时，判定患者进入癫痫发作状态；除此之外，与某一样本记录时间连续的前、后两个样本被分为同一类时，该样本的类别被调整为与其前后两个样本保持一致；可以认为，被连续判定为癫痫发作的样本所对应的记录时间，更大概率就是实际的癫痫发作期。
[0039]
进一步地，所述步骤2)中bsa编码详细步骤如下：
[0040]
1)被估计的刺激信号s
est
表示为：
[0041][0042]
其中，ti表示神经元第i个脉冲的发放时间；h(t)表示线性滤波器的脉冲响应；x(t)表示神经元发放的脉冲序列，其中x(t)可写为：
[0043][0044]
2)计算两个误差，bsa编码基于有限脉冲响应，使用fir重构滤波器，将脉冲序列转换为模拟信号，转化公式为：
[0045][0046]
o(t)为将脉冲序列转化后的模拟信息，脉冲发放计算如下：在每一个时间τ分别计算以下两个误差：
[0047][0048][0049]
3)判断是否发放脉冲；当error1≤error
2-threshold时，发送一个脉冲，同时s(k τ)
←
s(k τ)-h(k)，其中threshold为滤波器的阈值，阈值设置为0.86。
[0050]
进一步地，所述步骤5)中，脉冲网络学习的详细步骤如下：
[0051]
1)构建基于期望脉冲序列重建的学习算法
[0052]
对于给定的输入脉冲序列si，通过调整突触权值矩阵w，实现snn实际输出脉冲序列和期望输出脉冲序列之间误差的最小化，snn在时间t的误差可定义为：
[0053][0054]
式中no为snn输出层神经元个数；因此，基于脉冲序列内积理论，snn在时间区间γ的总误差可以表示为：
[0055][0056]
2)利用delta更新规则进行突触权值调整
[0057]
在snn中，使用基于梯度下降的监督学习机制，即计算误差函数e对于突触权值w的梯度值
▽
e，再利用delta更新规则进行突触权值调整，神经元权重更新公式如下：
[0058][0059]
▽
e可由e(t)对权值w的导数在时间区间γ内的积分表示，η为学习率；
[0060]
3)基于期望脉冲序列重建的snn监督学习算法，将chb-mit癫痫脑电数据进行归一化和bsa编码处理成250个样本，把编码后得到的[0,1024ms]区间内的脉冲序列转换至模拟时长[0,256ms]范围内，由于编码及转换后得到23个输入脉冲序列，因此snn输入神经元共23个。
[0061]
进一步地，采用准确率accuracy、敏感度sensitivity和特异度specificity三个指标，对基于多层前馈脉冲神经网络的癫痫脑电数据分类模型进行评估；定义fp为被错误地分入发作期的非癫痫发作期样本总个数；fn为被错误地分入非癫痫发作期的发作期样本总个数；tp和tn分别表示被正确分类的癫痫发作期和非发作期样本总个数；此三项指标的计算公式如下：
[0062][0063][0064][0065]
在诊断性试验中，敏感度越高，漏诊率越低；特异度越高，误诊率越低；准确率代表被正确分类的样本数占数据集中样本总数的百分比，敏感度代表多层前馈脉冲神经网络分类模型不漏检癫痫发作样本的能力，而特异度则表示模型不会将正常脑电误判为癫痫发作的能力。
[0066]
癫痫脑电检测系统的主要功能包括系统维护及系统平台运营两部分，系统维护模块主要是使用现有的chb-mit脑电数据集对基于脉冲神经网络的算法模型进行训练，产生对应的模型参数；平台运营模块主要将患者的脑电数据输入已训练好的算法模型中，并产生辅助诊断结果，为医务人员或患者提供参考。
[0067]
本系统的特点：
[0068]
1.癫痫疾病预测。负责癫痫疾病诊断的医生从系统中读取病人的脑电数据，系统能够根据选中的脑电数据预测该病人是否患有癫痫疾病，并将预测结果展示在用户界面上。另外，可能需要多次从病人身上采集脑电数据，因此要求系统能够同时对多段脑电进行
预测。疾病预测操作力求简单，用户无需过度关注模型的具体预测过程。
[0069]
2.数据持久化。该系统中要求永久存储的数据主要包括用户和病人的基础数据、病人的脑电数据和根据该脑电数据预测的诊断结果。从系统安全和操作规范的角度考虑，用户信息存储在后台数据中，管理员从医院人事管理系统据库中调取。用户系统包含用户名和初始登录密码。病人的基础数据由医院进行管理维护，用户使用时直接调取病人信息。病人的脑电数据由负责拍片的技术人员直接在系统上存储。预测诊断结果由负责诊断的医生存储。若医生认可系统的预测结果，可直接存储，否则医生可以对该预测结果修正后再存储。
[0070]
本发明的有益效果如下：
[0071]
1.本发明构建高效的脉冲神经网络监督学习算法，训练脉冲神经网络具备检测癫痫异常脑电信号的能力，诊断过程操作简单。诊断快速，在一定程度上大大解放了医疗人员的双手，减轻了一定的医疗压力，释放了一定的医疗资源；提供了算法实际应用于模型中的脉冲神经网络的监督学习训练，实验获得了95.38％的癫痫识别准确率，模型敏感度和特异度分别为97.44％和93.89％，大大提高了诊断的准确性；获得了73.60％的分类准确度，而对分类结果进行处理后，整体模型的癫痫识别准确率可以达到95.38％，大大提高了数据处理的准确性和及时性；此系统的诊断只需要使用我们提供的设备记录脑电图，接着将其上传进行诊断即可，整个流程耗时短，操作简单，诊断准确，这一系列的需求在一定程度上增大了诊断癫痫疾病的难度。
[0072]
2.本发明通过建立脉冲序列内积及其转换关系，定义脉冲序列的误差函数和突触权值的学习规则，探索一种适用于癫痫脑电识别的网络模型。为了对基于期望脉冲序列重建的算法性能进行验证，我们构建三层前馈脉冲神经网络结构，随后设置脉冲神经网络的期望输出脉冲序列，使用基于期望脉冲序列重建的学习算法调整神经网络突触权值。根据脉冲序列学习结果和学习前后突触权值的变化情况来判断基于期望脉冲序列重建的学习算法框架具有较好的学习能力。
[0073]
3.本发明设计了一个基于脉冲神经网络的癫痫eeg数据分类模型，使用收集于波士顿儿童医院的chb-mit数据集进行实验。实验通过利用脑电数据的呈现形式与脉冲神经网络的输入模式非常契合这一特点，对样本的预处理和中每个通道的脑电信号进行bsa编码，将编码后的脉冲序列作为脉冲神经网络的输入，利用基于期望脉冲序列重建的学习算法对脉冲神经网络进行监督学习训练，得到分类结果。对于医务人员，本项目的各个阶段成果都具有很大的参考价值。其整体研究思路不仅可以为癫痫脑电图的自动分析、检测提供参考，亦能推广至类似神经性疾病的鉴别和诊疗。
附图说明
[0074]
图1是神经信息编码与解码过程示意图；
[0075]
图2是bsa编码结果示意图；
[0076]
图3是snn中的正向连接与隐式反向连接示意图；
[0077]
图4是基于snn的脑时空数据分类框架示意图；
[0078]
图5是训练集上的实验结果图；
[0079]
图6是本发明snn对实际癫痫脑电数据的识别结果示意图。
具体实施方式
[0080]
下面具体实施例及附图对本发明作进一步说明：
[0081]
一种基于前馈脉冲神经网络的癫痫脑电检测系统，详细步骤如下：
[0082]
一、步骤1)采集并建立数据集，数据集的实验数据来源于chb-mit头皮脑电图数据库。
[0083]
本实施例的实验数据来源于chb-mit头皮脑电图数据库(chb-mit scalp eeg database)，可从physionet网站下载。该数据库收集自波士顿儿童医院，包括23位癫痫患者的24份脑电图记录，其中chb21是在chb01之后1.5年由同一位女性患者产生的eeg数据。这些患者中，有5名男性，年龄在3到22岁之间；17名女性，年龄在1.5到19岁之间；chb24患者的信息未知。监测前，他们已停用抗癫痫药物。
[0084]
数据集中，所有信号的采样频率为256hz，分辨率为16-bit。数据以edf(european data format)文件的格式存储，可以使用edf browser等软件进行查看。大多数文件包含23个通道的脑电信号，某些情况下也可能有所增减。这些记录使用双极导联的方式获得，电极位置遵循10-20国际标准导联系统。
[0085]
二、步骤2)构建脑电信号预处理模块-编码模块，采用bsa编码，将步骤1)采集的脑电信号转换为脉冲序列。
[0086]
神经信息编码与解码的过程如图1所示，神经元感受到刺激时，通过编码过程将刺激信号编码成特定的脉冲序列作为响应，反过来，通过解码可以将脉冲序列数据转换成对刺激信号的估计。
[0087]
实际上，几乎所有自然界信号都是时间连续的模拟信号。所以，在使用snn处理数据之前，需要通过编码模块将这些信号转换为脉冲序列。在此过程中，最重要的是必须确保将由转换引起的错误和信息损失降至最低。bens spiker algorithm(bsa)是一种将模拟信号转换为脉冲序列的有效算法，其基本思想是对刺激信号进行反卷积运算。通常bsa编码方法用于将声音数据转换为脉冲序列，由于脑电数据也分布在频率域，因此bsa也适用于对eeg数据进行编码。
[0088]
bsa利用被广泛应用在神经信息编码过程中的刺激重构技术，即生物神经元的刺激可以通过线性滤波器滤波后的脉冲序列来估计。被估计的刺激信号s
est
可以表示为：
[0089][0090]
其中，ti表示神经元第i个脉冲的发放时间；h(t)表示线性滤波器的脉冲响应；x(t)表示神经元发放的脉冲序列。
[0091]
经过bsa编码将eeg信号转换为脉冲序列后，亦可以通过解码过程，从编码后的脉冲序列中重构出原始波形。这样就可以检查编码方案的有效性，并显示出编码后的脉冲序列对原始eeg波形的模拟程度。
[0092]
图2(a)表示原始的4s fp1-f7通道eeg片段，共1024个数据点；图2(b)为bsa编码后获得的由0和1所组成的脉冲序列；图2(c)是将(b)中时间区间为[0,1024]的脉冲序列转换至时间区间[0,256]内，转换公式如下：
[0093]
[0094]
其中，spike代表转换至时间区间[0,simutime]后的脉冲发放时间，simutime为设置的模拟时长，total pulse表示转换前脉冲序列中的0和1的总数；图2(d)中实线为归一化的原始eeg信号，虚线表示解码后重构出的模拟信号，可以看出，解码后获得的模拟信号与原始eeg信号吻合度较高，因此表明，此种编码方式有效。
[0095]
三、步骤3)构建脉冲响应模型：构建具有显式解析式的脉冲响应模型。
[0096]
假设脉冲神经元有n个输入突触，模拟时间区间内，通过第i个突触共传入gi个脉冲，表示突触前神经元i的第g个脉冲的发放时间，则该神经元在t时刻的内部状态v(t)可以表示如下：
[0097][0098]
ε(t)和ρ(t)分别为脉冲响应函数和不应期函数，wi表示第i个突触的权值；其中脉冲响应函数ε(t)代表突触前神经元发放脉冲对突触后神经元造成的影响，公式为：
[0099][0100]
其中τ是影响ε(t)形态的时间常量；
[0101]
不应期函数ρ(t)的表达式为：
[0102][0103]
其中θ是脉冲神经元的激发阈值，τr是决定不应期函数性质的延迟常量。
[0104]
四、步骤4)构建多层前馈脉冲神经网络snn。
[0105]
生物神经系统中，神经元产生并且互相传递的信号是一种短的电脉冲，这种模式来源于神经细胞膜特殊的电化学特性。神经细胞膜内外离子浓度不同，因此神经元内部与外部之间存在电位差，当细胞受到刺激时，细胞膜的离子通透性及膜内外电位差改变，该细胞从而产生兴奋或抑制现象。
[0106]
snn的拓扑结构可以分为三种，即前馈型脉冲神经网络、递归型脉冲神经网络和混合型脉冲神经网络。前馈型网络采用一种单向结构，其神经元分层排列，每层神经元接收前一层的输入，并产生输出传递给下一层。每层的多个神经元之间没有连接。通常情况下，第一层称为神经网络的输入层，这一层不包含神经元的计算，仅代表网络输入；最后一层称为输出层，负责提供数据分析结果。如图1所示，在多层网络中，输入层和输出层的中间可能有一个或者多个隐含层。
[0107]
为简化对算法推导过程的描述，本文使用三层前馈脉冲神经网络结构，包含输入层、一个隐含层和输出层；网络是全连接的，即每个神经元和它下一层的所有神经元之间都有连接；不使用多突触连接方式。对于具有多个隐含层的前馈脉冲神经网络，其学习规则的推导过程类似。
[0108]
脉冲序列可以作为神经活动的抽象表示，因此，snn采用脉冲序列编码、处理和传递信息。在一个特定模拟时间区间γ＝[0,t]中，脉冲序列s＝{tf∈γ:f＝1,...,n}表示由
n个离散的脉冲发放时刻所构成的有序序列，用公式描述为：其中tf表示神经元第f个脉冲的发放时刻，δ(x)为dirac delta函数，当x＝0时，δ(x)＝1，否则δ(x)＝0。
[0109]
在snn中，监督学习主要涉及：输入脉冲序列si、实际输出脉冲序列和期望输出脉冲序列对于任一脉冲神经元，假设其突触前神经元的输入为si，其自身实际输出为存在多个输入与其自身实际输出之间的线性组合关系：
[0110][0111]
其中，w
oi
表示突触权值，即突触前神经元i与突触后神经元o之间的连接强度。n代表与突触后神经元o相连接的突触前神经元的总数量。
[0112]
snn还包括反向连接，输出层神经元和上一层即隐含层所有神经元之间都构建有连接构成反向连接；在反向连接中，输入至输出层神经元脉冲序列为输出层神经元和隐含层神经元之间存在突触权重为w
oh
'。
[0113]
五、步骤5)训练多层前馈脉冲神经网络snn。
[0114]
构建基于期望脉冲序列重建的snn监督学习算法，关键在于定义脉冲序列的误差函数和突触权值的学习规则。其目标是对于给定的输入脉冲序列si，通过调整突触权值矩阵w，实现snn实际输出脉冲序列和期望输出脉冲序列之间误差的最小化，snn在时间t的误差可定义为：
[0115][0116]
式中no为snn输出层神经元个数。因此，基于脉冲序列内积理论，snn在时间区间γ的总误差可以表示为：
[0117][0118]
类似于传统ann的bp算法，在snn中，同样可以使用基于梯度下降的监督学习机制，即计算误差函数e对于突触权值w的梯度值
▽
e，再利用delta更新规则进行突触权值调整，表达式如下：
[0119][0120]
▽
e可由e(t)对权值w的导数在时间区间γ内的积分表示。η为学习率。
[0121]
可以假设snn网络结构中，除存在正向连接外，还存在一种隐式的反向连接，在反向连接中同样具有突触权值作用，但与显式的正向网络突触权值无关。由此提供了一种根
据脉冲神经网络输出层神经元的期望脉冲序列反向重建隐含层神经元期望输出的方法。在图3中，虚线表示snn输出层神经元和隐含层神经元之间存在突触权重为w
oh
'的反向连接；为方便显示，它们之间的正向连接(实线)仅绘出一条，突触权重用w
oh
表示，但实际上，网络中的正反连接都使用全连接方式。
[0122]
六、步骤6)分析分类结果。
[0123]
eeg数据属于时空模式数据(spatio-and spectro-temporal data)，具有多尺度、多维度、动态关联的特点。一般来说，传统ann侧重实现对实数值输入与输出的处理，而往往丢失掉大量数据中所包含的时间信息。当前的研究表明，snn在学习目标脉冲发放时间和从时空模式数据中捕获多层级特征等方面具有显著的优势。
[0124]
图4展示了chb-mit癫痫脑电分类实验采用的基于snn的分类框架，该框架包含四个模块，即采集数据模块、编码模块、神经网络模块和结果处理模块。第一部分，采集癫痫患者脑电图的工作结果由chb-mit数据库提供，为方便处理，已将筛选后的eeg以4s时长为单位分割成了小样本；第二部分编码模块使用bens spiker算法将连续值输入数据转换为脉冲序列，这种转换是有效的，并且过程快速、准确；第三部分，将编码后获得的脉冲序列作为snn的输入，此时，使用本文提出的基于期望脉冲序列重建的snn监督学习算法训练脉冲神经网络，以实现复杂的时空模式识别，从而验证该算法的学习效果；最后一部分，处理snn输出，获得最终的分类结果。
[0125]
可以发现，该分类模型不论是数据编码模块，还是脉冲神经网络的监督学习，均采用基于阈值的方法，并围绕脉冲序列展开，这同生物神经活动非常相似。对输入时空数据进行bsa编码时，当计算的两个误差值超过阈值，便在该时刻产生一个脉冲；而snn中神经元的激活，同样需要由接收到的脉冲所引起的膜电位变化到达固定的阈值。另外，在snn的监督学习过程中，目标是使神经元在指定时刻产生输出脉冲。因此，需要设置网络的期望输出。在本章实验中，期望以指定脉冲序列的形式进行设置。
[0126]
通过chb-mit癫痫脑电分类实验，验证文中所提基于期望脉冲序列重建的snn监督学习算法训练脉冲神经网络的有效性，以及脉冲神经网络对脑时空模式数据识别问题的求解能力。
[0127]
首先，将处理所得到的250个样本，按2：3的比例随机划分成训练集和测试集，然后使用多通道eeg进行自动分类识别。于是，对每个样本的23条eeg数据进行归一化和bsa编码，把编码后得到的[0,1024ms]区间内的脉冲序列转换至模拟时长[0,256ms]范围内。由于编码及转换后得到23个输入脉冲序列，因此snn输入神经元共23个。实验选择三层前馈snn，训练迭代次数20次。其余网络结构及参数设置为：60个隐含层神经元和1个输出层神经元；学习率0.000001；权重范围[0,0.5]；调整时间常量控制初次迭代时，网络的实际输出脉冲个数不宜过多；期望脉冲序列设置为指定脉冲序列，a类在135ms时发放脉冲，b类140ms，c类130ms；分别计算snn实际输出与三类期望的误差值，误差最小时，期望脉冲所对应的类别即为识别类型。
[0128]
图5显示了本实施例所提算法在100样本训练集上的实验结果。可以看出，随着迭代次数的增加，基于期望脉冲序列重建的学习算法分类准确度有所提升。该算法在第18次迭代达到最高准确率81％。对于不同类型的样本，snn能够较为准确地识别出非癫痫发作期
eeg数据(a类样本)和癫痫发作期eeg数据(c类样本)，而b类样本的分类准确度较低，非常可能的一个原因是癫痫开始发作时的脑电图中既包含正常脑电特征又包含癫痫脑电特征。测试集共包含150个eeg样本，其中49个属于a类，47个属于b类，54个属于c类。由图可知，该算法能够较准确地区分非癫痫发作期和癫痫发作期，有少部分癫痫脑电会被误认为是正常的，但该算法几乎无法识别癫痫开始发作时的eeg样本，有约一半的b类样本被误判为a类。
[0129]
图6显示文中癫痫脑电数据分类模型对chb-mit数据库中患者chb01一段800s脑电图记录的识别结果。图6(a)红线标出了患者实际的癫痫发作时间。图6(b)表示直接由模型中snn的实际输出所决定的分类结果。由于神经网络的分类准确度难以达到百分之百，因此存在较多误判。然而，现实情况下，患者不可能在几分钟甚至几秒钟的时间段内经历多次癫痫发作。因此，为了提高模型的分类准确度，采用当连续两次的snn输出结果认为出现癫痫发作情况时，才判定患者进入癫痫发作状态的判定方法。除此之外，与某一样本记录时间连续的前、后两个样本被分为同一类时，该样本的类别被调整为与其前后两个样本保持一致。经过以上策略处理后的识别结果如图6(c)所示。可以认为，被连续判定为癫痫发作的样本所对应的记录时间，更大概率就是实际的癫痫发作期。短时间的癫痫发作判定结果则提示了具有癫痫发作的可能。
[0130]
与现有研究相似，本文亦采用准确率(accuracy)、敏感度(sensitivity)和特异度(specificity)三个指标，对基于snn的癫痫脑电数据分类模型进行评估。定义fp为被错误地分入发作期的非癫痫发作期样本总个数；fn为被错误地分入非癫痫发作期的发作期样本总个数；tp和tn分别表示被正确分类的癫痫发作期和非发作期样本总个数。此三项指标的计算公式如下：
[0131][0132][0133][0134]
在诊断性试验中，敏感度越高，漏诊率越低；特异度越高，误诊率越低。所以，本研究中，准确率代表被正确分类的样本数占数据集中样本总数的百分比，敏感度代表snn分类模型不漏检癫痫发作样本的能力，而特异度则表示模型不会将正常脑电误判为癫痫发作的能力。
[0135]
当连续两次及以上的snn输出结果认为出现癫痫发作情况时，判定患者进入癫痫发作状态；除此之外，与某一样本记录时间连续的前、后两个样本被分为同一类时，该样本的类别被调整为与其前后两个样本保持一致；可以认为，被连续判定为癫痫发作的样本所对应的记录时间，更大概率就是实际的癫痫发作期。