本技术公开了一种面向癫痫监测的小样本脑电信号分类方法,属于脑电信号处理及分类技术领域,其方法具体包括:构建癫痫四分类融合模型,包括:共享网络层、二分类子网络层和三分类子网络层,获取癫痫脑电信号样本,将癫痫脑电信号样本输入到共享网络层,对癫痫脑电信号样本进行特征提取,捕捉癫痫脑电信号的复杂特征,将提取的癫痫脑电信号的复杂特征输入至癫痫四分类融合模型中,输出脑电信号分类结果,利用条件加权投票算法对脑电信号分类结果进行加权投票,输出投票结果,考虑了不同时期的数据特征差异以及数据量差异,通过将四分类任务拆分为二分类和三分类,结合条件加权投票算法,使得模型在发作期很少的小样本情况下也能保持较好的学习效果和速率。
背景技术
癫痫患者的脑电活动可分为以下四个阶段:发作前期、发作期、发作后期及发作间期。其中,发作预测的核心目标是从脑电图中准确地识别出发作前期的特征,而发作检测则专注于提取发作期的特征。因此,综合发作预测与发作检测的癫痫监测任务本质上是一个四分类问题。由于癫痫发作的时间不固定且每次发作持续时间较短,相较于其他三个时期,数据集中可用于训练的发作期数据较少。将所有非发作期的数据与发作期数据一起用于训练以实现四分类任务,会因训练数据不均衡造成模型训练效果不佳。若将前期、间期和后期的数据量缩减至与发作期相同水平,由于这些时期的样本特征相似度较高,样本数量减少会影响分类效果。为解决这一问题,许多研究者采用了过采样技术。在对原始脑电信号进行切片采样时,通过部分重叠相邻样本的方式来扩增发作期样本的数量,使其与其他时期的样本数量达到相对平衡。然而,这种方法可能导致不同样本间包含相同的片段。如果含有相同片段的样本被分别划分到训练集和测试集中,模型的准确率会出现虚高,这会导致模型在测试集上遇到新的、未见过的数据时表现不佳,无法客观评估模型的学习效果。此外,还有研究者使用生成对抗网络(GAN)对发作期数据进行扩增。虽然这种方法可以增加发作期样本数,但数据扩增会增加训练时间和计算资源的消耗。如果数据扩增策略选择不当,还可能导致模型出现过拟合。
GCN是一种能提取拓扑图空间特征的网络模型。已有研究基于图卷积网络(GCN)探讨了脑电信号的空间结构关系。有研究基于GCN的方法探索了脑电信号的空间结构关系,提出的高效GCN通过计算节点之间的地理距离和频谱相关性来表示节点之间的连接关系,作为邻接矩阵的边特征。还有研究者使用原始脑电信号的皮尔逊相关矩阵构建图神经网络的输入图,其中矩阵系数模拟了脑电信号中的空间关系。尽管这些方法增强了对电极间拓扑结构的理解,但单一指标难以全面描述复杂的脑电网络,从而影响了模型的准确性。
为了使模型能够应用于边缘端的可穿戴设备,需减少网络模型的计算量,一些研究人员采用了投票机制,通过对多次连续分类结果进行多数投票,最终输出票数最多的分类结果。然而,这种等权重的投票方式和非投票方式在发作期边界位置都会出现响应延时较大的问题。具体来说,当采样窗口刚进入发作期范围时,发作期在样本中的比例较小,在等权重投票中处于劣势。只有当发作期在样本中的比例过半时,才能在投票中占据主导地位。这导致网络在发作期边界处的响应延时较大,影响家属和医生的及时救护。
实现思路