CN119400431A 一种基于轻量级深度统计模型的癫痫发作预测方法 （长春理工大学）

一种基于轻量级深度统计模型的癫痫发作该方法具体包括如下步骤：准备数据集：准备CHB_MIT数据集，CHB_MIT数据集前70%用于标签闭合了完整的网络全监督训练框架致使网络成练数据不足和传统机器学习癫痫预测方法不稳2机信道置换模块和信号去噪模块；将步骤S1中的CHB_MIT数据集输入混合数据增强模型中2.根据权利要求1所述的一种基于轻量级深度统计模型的癫痫发作预测方法，其特征所述随机信道置换模块，用于数据剔除处理后的信号的所有通道3.根据权利要求1所述的一种基于轻量级深度统计模型的癫痫发作预测方法，其特征所述两个约束值，分为每个时间点的总能量是否大于最大阈值，及所述标签集，统计能量谱中对应时域信号每个时间点上超过阈值34.根据权利要求1所述的一种基于轻量级深度统计模型的癫痫发作预测方法，其特征所述激活模块利用Sigmoid函数作为输出层5.根据权利要求1所述的一种基于轻量级深度统计模型的癫痫发作预测方法，其特征6.根据权利要求5所述的一种基于轻量级深度统计模型的癫痫发作预测方法，其特征7.根据权利要求5所述的一种基于轻量级深度统计模型的癫痫发作预测方法，其特征8.根据权利要求5所述的一种基于轻量级深度统计模型的癫痫发作预测方法，其特征9.根据权利要求5所述的一种基于轻量级深度统计模型的癫痫发作预测方法，其特征4化，其发作机制和预测模式在不同患者之间可能存在巨大的个体差异，每个人的癫痫发作训练得到；融合特征基于编码网络输出的全局特征和卷积神经网络输出的局部特征确定。骤S2中得到增强的EEG数据输入统计模型中进行标签5[0018]所述随机信道置换模块，用于数据剔除处理后的信号的所有通道随机置换和增6首次将时间置信度伪标签作为约束网络训练的唯一标准并取得了成功。经过混合数据增7[0048]S1，准备数据集：准备CHB_MIT数据集，将CHB_MIT数据集前70%首先做数据混洗的一种随机信道置换模块和信号去噪模块的混合数据增强模型。通过将训练数据集的EEG和转置卷积块2实现数据上采样；第二支路则经过双流半扩张融合模块1(DHFM1)和双流半EEG样本送入神经网络中，在损失函数的作用下不断约束网络的输出数组标签拟合最优模8指数衰减策略优化模型学习过程，提高在训练集和测试集上的泛化性能。设计响应成功率合评估。出异常频率成分，在时间窗口内过滤。对于在不同时间具有数据丢失或损坏的EEG信号片P3''P3_O1''FP2_F4''F4_C4''C4_P4''P4_9Tr是根据信号频率f的均值r和是频率f处功率谱的标准差。是频率f处的信号功率；是信号x(f)中为异常信号的条[0068]然后，分别计算正常信号和异常信号XP(f)的条件概率P(P(f)IA)、块来学习和提取输入数据的高级抽象特征，同时利用上采样操作进行细化特征图的重建。测，同时利用Adam优化器加快模型收敛到最优解的速度，输出与数组标签通过损失函数y是各部分真实发作起始时间标签和神经网络预测的起始时间；yoffset和分别表示真实发作RR可以使用公式表示为：模型输出主动对开始时刻和结束时刻进行非线性的惩罚，(S:e)表示主动选择过程；M表示测试数据集中每位被测人员EEG信号序列总数；ap模型调优和后期的程序模块化都在一台NvidiaGeForceRTX4090GPU计算机上进行。本发明[0107]本发明提出的基于序列分割与多信道随机置换策略的EEG数据增强技术，缓解了由于样本不足导致的预测精度差和预测时间长等瓶颈，为解决当前EEG信号处理领域急需以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换