具体实施方式

下面结合附图和具体实施方式对本发明作进一步的详细说明。

根据本发明的一个实施例，提出了基于患者颅内脑电信号的癫痫预警方法。采集癫痫患者发作间期和发作前期的颅内脑电信号，构建深度卷积注意力网络，实现对患者的癫痫预警。

下面具体介绍根据本发明所提供的基于深度卷积注意力网络的癫痫颅内脑电信号预警方法流程，其步骤包括：

1.颅内脑电信号采集：

(1)前期准备

癫痫患者选取过程包括：通过伦理认证，即伦理会审批，同时样本需要签署知情同意书。另外还需考虑采集时间问题，每个患者采集时间约为3-10小时，实验周期较长，征集实验样本工作量较大。本项目中，选取了5名癫痫患者作为采集对象。

(2)信号采集

临床采集5名癫痫患者的颅内脑电信号，电极数量128，采样频率1024Hz。对每个患者，采集癫痫发作前期数据(发作前30分钟)，并记录2次以上的发作前期数据；采集发作间期数据(与发作期间隔2小时以上)，并在每次发作时记录1小时的发作间期数据。癫痫颅内脑电信号数据集包含共16次癫痫发作的信号，采集信号总时长20小时，包含发作前期颅内脑电信号样本2880个，发作间期颅内脑电信号样本11520个。

(3)发作时间标记

每次癫痫发作时，记录每次发作开始与发作结束时间点，以此划分发作前期与发作间期数据。

2.颅内脑电信号预处理：

(1)通道选择

由于丘脑前核的中枢连接性和在癫痫活动传播中的潜在作用，对丘脑前核进行DBS能够使癫痫网络中人脑兴奋和抑制的失衡过程正常化。因此，采集并分析丘脑前核处的颅内脑电信号有助于更好地理解癫痫发作的潜在机制，对癫痫的预测及调控具有深远的意义。另外，在保证预测效果的同时，如果减少使用的通道数量，能有效降低计算复杂度，同时降低电极植入的难度，减轻患者的痛苦。因此本项目中，根据患者植入的电极位置标记，选出丘脑前核对应的单通道信号进行癫痫预测。

(2)低通滤波

对信号施加0-64Hz低通滤波，去除高频噪声。

(3)去除工频干扰

采用陷波滤波器(60Hz，120Hz，180Hz，240Hz，300Hz，360Hz，420Hz， 480Hz)，去除信号中的工频干扰。

(4)重采样

将信号统一重采样到256Hz，让所有病人数据采样率统一，保证神经网络的输入数据长度的一致性，使得所有病人数据可以采用统一的网络模型进行训练。

(5)数据划分

在基于深度学习的脑电信号分类算法中，根据信号的采样频率不同，通常将信号划分为2s～5s的片段作为训练和测试数据。本项目中，对颅内脑电信号进行数据划分，采用滑动窗口，分别将发作前期颅内脑电信号和发作间期颅内脑电信号划分成信号片段。滑动窗口长度设为5s，零重叠，获得每个信号片段包含1280 (5s×256Hz)个采样点。

我们完成了对5名癫痫患者的颅内脑电信号预处理，包含共16次癫痫发作的信号，采集信号总时长20小时，包含发作前期颅内脑电信号样本2880个，发作间期颅内脑电信号样本11520个。将每个病人的癫痫发作数据情况整理得表1。

表1癫痫颅内脑电信号数据集介绍

3.构建深度卷积注意力网络：本发明中的卷积神经网络结构如图1所示，具体如下：

(1)符号定义

定义癫痫颅内脑电信号数据集为D_i＝{(x₁,y₁),…,(x_N,y_N)}，其中N是颅内脑电信号片段总数；x_i∈R^E×T是一个颅内脑电信号片段，包含E个通道，长度为T，采样频率为s_i。

(2)通道映射层

为了自适应地构造用于后续频谱与时间分析的最佳表征，颅内脑电信号首先输入通道映射层，包含一系列时序卷积和批量归一化操作。针对输入二维信号x，在x(i,j)处的卷积定义为：

其中w是卷积核，m、n分别是卷积核大小。本项目中，所有时序卷积层的卷积核大小设为1×3，步长为1，填充为1，这保证了输出特征映射的长度与输入信号的长度相同。通道映射层包含三层时序卷积，同时采用残差连接避免梯度消失并加速收敛。针对输入颅内脑电信号片段X_i，整个通道映射层可表示为：

其中表示残差连接，表示拼接操作。因此，通道映射层首先将大小为 1×1×1280的颅内脑电信号片段映射为一组8×1×1280的时间序列表征。通道映射层不包含激活函数，通过连续的时序卷积和残差连接，输出动态子带矩阵，大小为9×1×1280。与在模型开始时应用频谱时间分析相比，动态子带矩阵为后续网络提供了不同尺度下颅内脑电信号的表征。通道映射层的结构在图1中展示。

(3)多频谱卷积层

为了将频域分析与端到端深度学习模型融合，采用多层小波卷积构成多频谱块，提取颅内脑电信号的各频段特征。对输入表征x_CE，一层小波卷积层(Wavelet Convolution,WaveConv)定义为：

其中是拼接操作g和h是一对小波卷积核；R和s代表卷积核大小核步长；N是 EEG信号片段长度；y_A和y_D分别是近似小波系数和精细小波系数；x_p是周期填充的输出。

为了获取5个相应临床频段的小波系数，即0-4Hz(δ频段)、4-8Hz(θ频段)、 8-12Hz(α频段)、13-30Hz(β频段)、30-50Hz(γ频段)，小波卷积的层数L由采用频率决定：由s_i为256Hz可算得L为5层。对于小波核的选择，多贝西四阶小波(Daubechies order-4,Db4)具有良好的正交性和高效的滤波器实现，而且先前的研究表明Db4小波由于其与脑信号的高相关系数而可用于频谱特征提取。另外，考虑到Db4小波不包含需要学习的参数，能降低模型复杂度，因此本项目选择Db4作为小波卷积核。为了与Db4滤波器的阶数保持一致， WaveConv的步长和核大小分别设置为2和8。多频谱卷积层输出对应5个频段的颅内脑电信号频谱特征图，其大小分别为9×1×80(δ)，9×1×80(θ)，9×1×160(α)，9×1×320(β)，9×1×640(γ)。多频谱卷积层的结构在图2(a)中展现。

(4)多尺度时序卷积层

考虑到患者间的异质性和颅内脑电信号的非平稳性，癫痫期颅内脑电信号包含重要的多尺度时序特征。因此，我们采用5个独立的时序卷积层，每层包含不同感受域时序卷积、批量归一化和指数线性单元(Exponential Linear Unit,ELU)，来提取颅内脑电信号的多尺度时序特征。对一维信号x，ELU的计算公式为：

其中α是可学习参数。对输入表征x_CE，定义一层时序卷积层为：

t_i＝ELU(BN(Conv(x_CE))) (6)

其中t_i为每层时序卷积后获得的特征，i∈{1,2,3,4,5}。

为了实现多个感受域的时序卷积，将5个卷积核大小分别设为其中其中为向下取整函数。考虑到输入信号采用频率s_i为256Hz，可算得k为32，即分别将5个卷积核大小设为{32,32,16,8,4}。多尺度时序卷积层输出对应5个尺度的颅内脑电信号时序特征图，其大小分别为 9×1×80(t₁)，9×1×80(t₂)，9×1×160(t₃)，9×1×320(t₄,)，9×1×640(t₅)。多尺度时序卷积层的结构在图2(b)中展现。

(5)分组卷积注意力层

从上述两个特征提取层中，网络分别捕获多频谱特征(δ,θ,α,β,γ)和多尺度时序特征(t₁,t₂,t₃,t₄,t₅)。将多尺度时序特征与多频谱特征进行拼接，获得5组混合特征：其中表示拼接操作。拼接后的特征，其大小分别为18×1×80、18×1×80、18×1×160、18×1×320、18×1×640。分组卷积注意力层的结构在图2(c)中展示。

尽管丰富的特征有助于脑电解码，如果直接上述混合特征用于分类，通常会造成信息冗余导致解码性能不佳。为此，设计分组卷积注意力层，利用注意力机制提高了提取的多域特征质量，有效地实现了特征融合，并通过组卷积大大降低了计算复杂度。分组卷积注意力层由组卷积、注意力机制、批量归一化和ELU操作组成。对一组混合特征分组卷积注意力层通过下公式计算：

其中GConv(·)表示分组卷积，本项目中采取分组为2的卷积，分别对输入的混合特征U、V进行卷积；表示输出的特征图；Attn(·)表示注意力机制。

对于分组卷积后的特征映射，注意力机制通过执行“压缩”操作来重新校准特征，该操作跨时间维度聚合特征映射以产生描述符。具体地说，为了利用信道相关性，压缩操作首先对输入特征映射进行全局平均池化，以压缩全局信息，从而达到生成信道统计特征的目的。其次，在从压缩操作中提取通道相关信息后，应用随后的“激励”操作来充分利用通道相关性。这是通过两个连续的全连接层和一个softmax函数实现的。然后通过通道权重和特征映射的相乘，将生成的通道信息应用于输入特征。对输入的特征图x，注意力机制通过下式计算：

其中T是输入特征的时间维长度，W₁和W₂分别指第一层和第二层全连接， S(·)表示softmax函数。对5组混合特征分别输入到4层连续的分组卷积注意力层中，获得5组特征输出：大小分别为64×1×2、64×1×2、64×1×7、64×1×12、64×1×32。对5个分支的输出，输入到分类层中进行分类。

(6)分类层

对分组卷积注意力层输出的五组特征，首先进行时间维度的全局池化，池化后的5组特征图大小均为64×1×1。分类层随后对5组特征图进行拼接并压缩多余维度，获得长为320特征向量。将特征向量输入两个连续的全连接层，全连接层的大小分别设为64和2，最终输出二分类结果，即输入颅内脑电信号片段属于发作前期和发作间期的概率。分类层的结构在图1中展示。

4.训练神经网络模型

在机器学习与深度学习中，常用交叉熵(Cross-Entropy,CE)来度量两个概率分布的差异性，衡量模型学习到的分布和真实分布的差异。本项目中，采用CE 训练网络，并对每个患者的n次发作数据采用留一法进行训练，即每次选取1次发作的颅内脑电信号数据作为测试集，并选取剩下n-1次发作数据作为训练集，重复n次实验，最终在测试集上的平均结果作为最终结果。每次训练中，当迭代训练至50次或准确率开始下降时，停止训练，保存模型。

5.测试并评估网络模型

用训练好的深度卷积注意力网络在测试集上测试，对输出的预测概率，采用长为60秒的窗口进行滑动平均，得到平滑预测概率。对平滑预测概率大于预警阈值0.6的时间点认为是一次癫痫预警。若预警时间点处于发作前15分钟到发作前30秒内，认为是一次正确预警，否则是一次错误预警。采用ROC曲线下面积(Area Under Curve,AUC)、预警准确率(Sensitivity,Sn)、每小时误报率(False Predicting Rate,FPR)、p值来测试模型的分类效果。图3(a)-3(b)展示了对第3个病人的2次发作进行预测，输出的预警概率图。图4展示了对每个病人每次发作进行预测，输出的预警时间点。

(a)ROC曲线下面积

ROC曲线时根据一系列二分类方式，分别以假阳性率、真阳性率为横纵坐标绘制的曲线。通过ROC曲线，可以计算AUC值，比较不同方法的分类性能。越靠近左上角的ROC曲线对应的AUC值更大，代表分类性能越好。

(b)预警准确率

预警准确率，又称灵敏度，即正确预警次数占总发作次数的百分比。定义预警准确率：

其中n是正确预警次数，N是癫痫发作总次数。

(c)每小时误报率

每小时误报率是单位时间内癫痫预警算法误报的次数，单位是次/h。定义每小时误报率：

其中t是误报次数，T是颅内脑电信号总时长(单位/h)。

(d)p值

p值衡量了算法相对于随机预测器的改进。对于不同的癫痫预警方法，算法的灵敏度和预警时间比ρ_w通常会有所不同。ρ_w指算法预警所花费的时间占总时间的比率。如果一种算法具有更好的灵敏度，但预警时间比更大，并不能说明算法效果一定更优。为了权衡灵敏度与预警时间比来衡量算法的性能，可以计算算法相对于随机预测器在灵敏度上的提升，如下：

其中τ_w是预警持续时间，即一次预警后，若在τ_w时间内存在癫痫发作，认为是一次正确预警，本项目中选取τ_w＝15min；τ_w0是预警间隔，即预警时间点要与发作时间点至少保证有τ_w0时长的间隔，认为是一次正确预警，本项目中选取τ_w0＝ 30s；λ_w是泊松率参数，通过下式计算：

为了评估算法相对于随机预测器的改进，假设算法在某个病人上成功识别了 N次发作中的n次，则可以计算p值：

使用上述所得数据集进行单个病人的癫痫预警，依次训练模型，最终得到的预警结果如表2。从5名患者癫痫颅内脑电信号上的预警结果可以看出，本发明提出的网络模型的具有较高的预警准确率与较低误报率。另外，分别选择发作前15分钟和发作前30分钟的数据作为发作前期，训练神经网络，最终得到的预警结果如表2。对比结果表明，采用发作前15分钟作为发作前期数据进行训练，能取得更高的预警准确率。

表2单个病人癫痫预警结果表

本项目选择了两种针对脑电信号分类的深度学习算法作为对比方法，包括深层卷积网络(R.T.Schirrmeister,J.T.Springenberg,Deep learning with convolutionalneural networks for EEG decoding and visualization,2017)，基于短时傅里叶变换(Short-Term Fourier Transform,STFT)的卷积神经网络(N.D.Troung,A.D.Nguyen,Convolutional neural networks for seizure prediction using intracranial andscalp electroencephalogram,2018)，并在癫痫颅内脑电信号数据集上进行了实验。采用该两种对比方法进行癫痫预警时，实验步骤和本项目提出的深度卷积注意力网络一致，并在表3中列出了癫痫预警平均效果的对比结果。从表中可以看出，与其他深度学习方法相比，本发明提出的基于深度卷积注意力网络的癫痫颅内脑电信号预警方法具有预警准确率高、误报率低、实时性好等优势,是癫痫预警、生物特征识别和人工智能等领域的研究热点，在临床癫痫的诊治有广泛的应用前景。基于深度卷积注意力网络的癫痫颅内脑电信号预警方法实现了多特征的融合，准确率高，将其扩展用于疾病和健康监测等其他领域，均有重大意义。

表3不同方法的癫痫预警平均结果对比

以上对本发明所提供的基于深度卷积注意力网络的癫痫颅内脑电信号预警方法进行了详细的说明，但显然本发明的范围并不局限于此。在不脱离所附权利要求书所限定的保护范围的情况下，对上述实施例的各种改变都在本发明的范围之内。