《基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置.pdf》由会员分享，可在线阅读，更多相关《基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置.pdf（6页珍藏版）》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010011303.9 (22)申请日 2020.01.06 (71)申请人 天津大学 地址 300072 天津市南开区卫津路92号 (72)发明人 吕辰刚陈雨心王增光陈旨娟 刘宇恒常心怡杨希婷 (74)专利代理机构 天津市北洋有限责任专利代 理事务所 12201 代理人 程毓英 (51)Int.Cl. A61B 5/0476(2006.01) A61B 5/00(2006.01) (54)发明名称 基于多通道脑电数据和CNN-SVM的癫痫脑电 识别装置 (57)摘要 本发。
2、明涉及一种基于多通道脑电数据和 CNN-SVM的癫痫脑电识别装置， 包括下列模块： 预 处理模块； 特征提取模块， 包括： 卷积层： 使用卷 积层从脑电信号中提取特征， 并选用ReLU函数作 为激活函数； 池化层： 采用最大值池化的方式； 丢 失正则化： 为防止过拟合， 应用丢失正则化机制； 模型构造模块， 包括： 基于SVM构造2分类模型； 把 特征提取模块提取到的特征作为数据集， 构建训 练集和测试集； 使用Sigmoid函数作为核函数； 模 型训练模块。 权利要求书1页 说明书3页 附图1页 CN 111166328 A 2020.05.19 CN 111166328 A 1.一种基于多。
3、通道脑电数据和CNN-SVM的癫痫脑电识别装置， 包括下列模块： 预处理模块， 用于对于癫痫病人正常期和发作期的脑电数据， 使用3阶巴特沃斯带通滤 波器(0.3-70Hz)消除运动伪影和肌电干扰； 使用陷波滤波器去除50Hz工频干扰。 特征提取模块， 包括： 卷积层： 使用卷积层从脑电信号中提取特征， 并选用ReLU函数作 为激活函数； 池化层： 采用最大值池化的方式； 丢失正则化： 为防止过拟合， 应用丢失正则化 机制； 模型构造模块， 包括： 1)基于SVM构造2分类模型； 2)把特征提取模块提取到的特征作为数据集， 构建训练集和测试集； 3)使用Sigmoid函数作为核函数。 模型训练模。
4、块， 包括： 1)使用梯度下降和反向传播训练模型， 寻找最优超平面； 2)使用10折交叉验证方式训练模型。 模型测试及保存模块 1)使用测试集测试模型的分类准确率； 2)保存准确率最高的模型， 将其用于癫痫脑电识别。 权利要求书 1/1 页 2 CN 111166328 A 2 基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置 技术领域 0001 本发明涉及一种癫痫脑电识别装置， 属于CNN-SVM技术和医疗疾病诊断领域的融 合。 背景技术 0002 癫痫会影响所有年龄人群， 是一种脑部慢性疾患。 大概70的患者通过服用抗癫 痫药物能有效抑制癫痫的发作(不能根治)， 但其余患者在服用药物后。
5、却没有效果， 而且长 期服用抗癫痫药物还会有副作用。 目前， 在医学疾病诊断领域， 癫痫的诊断是通过获得详细 的病史， 进行神经学检查以及诸如神经成像和EEG的辅助测试来进行的， 也即神经科医生通 过直接目视检查脑电图(EEG)， 以研究癫痫样异常。 视觉检查的准确率是取决于神经科医生 在脑电图研究中的专业水平， 并且研究的质量可能因人为信号的干扰而受到限制， 这限制 了医生准确识别异常的能力。 癫痫预测的机器学习模型主要分为两大类， 一类是线性模型， 一类是非线性模型。 因为脑电信号的混沌性和不稳定性， 非线性方法在脑电信号的分析上 有更大的成长空间。 非线性两个最流行的方法就是卷积神经网络。
6、(Convolutional Neural Network， CNN)和支持向量机(Support Vector Machine， SVM)。 前者的卷积层在特征提取上 有较好的性能， 后者在二分类的处理上有独特优势。 神经学家能够通过直接观察脑电波进 行相应的诊断。 但是这种方法需要长时间的观察， 非常消耗时间和成本， 效率和准确率都很 低。 因此基于脑电图(EEG)的自动化分析来实现癫痫分类和预测是非常有意义的。 本发明提 出了一种基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置， 以提高癫痫疾病诊断的效 率和降低误诊率。 发明内容 0003 本发明的目的是提供一种基于多通道脑电数据和。
7、CNN-SVM的癫痫脑电识别装置。 技术方案如下： 0004 一种基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置， 包括下列模块： 0005 预处理模块， 用于对于癫痫病人正常期和发作期的脑电数据， 使用3阶巴特沃斯带 通滤波器(0.3-70Hz) 0006 消除运动伪影和肌电干扰； 使用陷波滤波器去除50Hz工频干扰。 0007 特征提取模块， 包括： 卷积层： 使用卷积层从脑电信号中提取特征， 并选用ReLU函 数作为激活函数； 0008 池化层： 采用最大值池化的方式； 丢失正则化： 为防止过拟合， 应用丢失正则化机 制； 0009 模型构造模块， 包括： 0010 1)基于SVM。
8、构造2分类模型； 0011 2)把特征提取模块提取到的特征作为数据集， 构建训练集和测试集； 0012 3)使用Sigmoid函数作为核函数。 说明书 1/3 页 3 CN 111166328 A 3 0013 模型训练模块， 包括： 0014 1)使用梯度下降和反向传播训练模型， 寻找最优超平面； 0015 2)使用10折交叉验证方式训练模型。 0016 模型测试及保存模块 0017 1)使用测试集测试模型的分类准确率； 0018 2)保存准确率最高的模型， 将其用于癫痫脑电识别。 附图说明 0019 图1正常脑电信号和癫痫脑电信号对比图， (a)正常脑电信号(b)癫痫脑电信号。 0020 。
9、图2本发明基于CNN-SVM的癫痫脑电识别装置结构框图 0021 图3本发明特征提取模块及模型构建模块框图 具体实施方式 0022 下面结合附图和具体实例对本发明进行进一步的说明阐述。 0023 本发明采用23通道的脑电信号， 脑电信号分为正常脑电和癫痫脑电信号。 采用 CNN-SVM构造2分类模型， 利用该模型分类正常脑电和癫痫脑电， 从而实现较高准确率的癫 痫脑电识别 0024 参见图1， 本发明所使用的原始脑电图。 信号来自癫痫病人正常期和发作期的脑电 数据， 采样频率为1024Hz， 单个信号长度为2048。 其中， (a)为正常脑电信号， (b)为癫痫脑电 信号， 可以看出两类信号有。
10、明显的分类特征， 因此可以使用CNN-SVM对其进行分类， 从而实 现癫痫疾病的识别。 0025 参见图2和图3， 本发明基于CNN-SVM的癫痫脑电识别装置实现框图和本发明特征 提取模块及模型构建模块的框图。 以下简述发明具体实施步骤。 0026 1.预处理模块 0027 1)使用3阶巴特沃斯带通滤波器(0.3-70Hz)消除运动伪影和肌电干扰； 0028 2)使用陷波滤波器去除50Hz工频干扰。 0029 2.特征提取模块 0030 1)卷积层。 第一层和第二层是卷积层， 输入矩阵和卷积核进行卷积操作， 进而提取 出数据特征， 卷积运算如公式(1)所示。 由于卷积操作是线性运算只能进行对线。
11、性可分数据 分类， 但是从所使用的脑电数据是非平稳和非线性可分的， 为使模型能够解决非线性问题， 需要对其加入非线性因素， 即在两个卷积层后增加使用如公式(2)所示的ReLU作为激活函 数的两个非线性激活层， ReLU函数具有快速训练特性， 所以比公式(3)所示的Sigmoid函数 更有优势 0031 0032 其中， x(t)表示输入EEG信号， w(t)表示权值矩阵， y(t)表示输出信号 0033 ReLU(x)max(0,x) (2) 0034 说明书 2/3 页 4 CN 111166328 A 4 0035 2)池化层。 采用最大值池化的方式， 如公式(4)， 该操作即选取池化窗口。
12、对应的输 入矩阵的最大值作为输出矩阵相应元素的值， 它处于连续的卷积层中间， 主要是用来减小 特征图， 把其中的冗余信息去掉， 提取最重要的特征， 对数据起到降低维度的作用。 0036 f(x)max(0,x) (4) 0037 3)丢失正则化。 为防止过拟合， 应用了丢失正则化机制， 使得网络的隐藏层以0.1 的概率随机丢弃。 且丢失机制仅在训练时激活， 这使网络变得简单高效， 增加了网络的泛化 能力。 0038 3.模型构造模块 0039 1)基于SVM构造出2分类模型； 0040 2)把特征提取模块提取到的特征作为数据集， 选取900个样本作为训练集， 100个 样本作为测试集； 004。
13、1 3)使用公式(3)的Sigmoid函数作为核函数。 0042 4.模型训练模块 0043 1)使用梯度下降和反向传播训练模型， 寻找最优超平面。 0044 2)使用10折交叉验证方式训练模型， 每次训练中， 900个样本中有90被随机选为 训练数据集， 其余10被选为验证集， 该过程重复20次； 0045 5.模型测试及保存模块 0046 1)使用测试集测试模型的分类准确率； 0047 2)保存准确率最高的模型， 将其作为癫痫脑电识别装置。 0048 癫痫脑电识别装置的评估结果： 0049 1)准确率： 95.1 0050 本发明的有益效果如下： 0051 1)本发明设计了一种癫痫脑电识别装置， 避免了直接目视检查脑电图， 降低了诊 断癫痫疾病的成本， 具有较高的识别准确率。 0052 2)由未经过训练的数据测试该装置的识别准确率， 测试结果和训练结果基本一 致， 表明本发明装置具有较好的泛化能力。 0053 3)结合CNN和SVM算法各自的优点， 为癫痫脑电识别提出了一种新思路。 说明书 3/3 页 5 CN 111166328 A 5 图1 图2 图3 说明书附图 1/1 页 6 CN 111166328 A 6 。