公开(公告)号：CN110693493B

公开(公告)日：2022-05-31

申请号：CN201910967804.1

申请日：2019-10-12

Applicant: 北京工业大学

Inventor： 段立娟 ,  侯金泽 ,  乔元华 ,  苗军 ,  陈军成

IPC: A61B5/372 ,  A61B5/00

Abstract: 本发明涉及一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法。将N导癫痫患者脑电信号根据距离发作期远近分为间期、前期数据，对两类数据进行滑窗分段，窗口大小为30s，作为一个样本。由于两类数据量失衡，为增加前期样本，前期滑窗重叠率为20％，间期无重叠。对数据进行三层小波包分解得到八个频带的小波系数，然后重构回对应频带的时域信号，提取电极间相关性系数作为特征矩阵。将特征矩阵输入到卷积网络，通过卷积核对数据的不断融合来学习数据的高层表征。卷积网络的输出作为循环网络的输入来学习脑电信号时序上的隐含关系，并通过多个时间尺度信息的融合来降低生物信号非稳定性特点的影响从而提升模型的分类准确率。

公开(公告)号：CN110693493A

公开(公告)日：2020-01-17

申请号：CN201910967804.1

申请日：2019-10-12

Applicant: 北京工业大学

Inventor： 段立娟 ,  侯金泽 ,  乔元华 ,  苗军 ,  陈军成

IPC: A61B5/0476 ,  A61B5/00

Abstract: 本发明涉及一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法。将N导癫痫患者脑电信号根据距离发作期远近分为间期、前期数据，对两类数据进行滑窗分段，窗口大小为30s，作为一个样本。由于两类数据量失衡，为增加前期样本，前期滑窗重叠率为20％，间期无重叠。对数据进行三层小波包分解得到八个频带的小波系数，然后重构回对应频带的时域信号，提取电极间相关性系数作为特征矩阵。将特征矩阵输入到卷积网络，通过卷积核对数据的不断融合来学习数据的高层表征。卷积网络的输出作为循环网络的输入来学习脑电信号时序上的隐含关系，并通过多个时间尺度信息的融合来降低生物信号非稳定性特点的影响从而提升模型的分类准确率。