一种基于目标相似度分布调整的癫痫状态识别方法.pdf

(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CN114141356A(43)申请公布日2022.03.04(21)申请号202111104344.3(22)申请日2021.09.18(71)申请人复旦大学地址200433上海市杨浦区邯郸路220号(72)发明人沈雷王守岩(74)专利代理机构上海德昭知识产权代理有限公司31204代理人郁旦蓉(51)Int.Cl.G16H50/20(2018.01)G06K9/00(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图3页(54)发明名称一种基于目标相似度分布调整的癫痫状态识别方法(57)摘要本发明提供一种基于目标相似度分布调整的癫痫状态识别方法，其特征在于，包括以下步骤：步骤S1，通过神经网络根据脑电信号提取相应的512维的特征向量；步骤S2，根据提取的特征向量，通过相似度计算，构建正样本对和负样本对的相似度分布；步骤S3，步进设置目标相似度分布，通过KL散度约束正样本对分布和负样本对分布；步骤S4，当正样本对分布和负样本对分布均值达到对应的目标分布时，将正样本对和负样本对的相似度分布向相反方向拉开；步骤S5，重复步骤S4，直到目标分布不再更新，得到训练完成的神经网络；步骤S6，通过训练完成的神经网络进行癫痫状态识别，并将癫痫状态识别状态的512维的特征向量进行输出。CN114141356ACN114141356A权利要求书1/1页1.一种基于目标相似度分布调整的癫痫状态识别方法，其特征在于，包括以下步骤：步骤S1，通过神经网络根据脑电信号提取相应的512维的特征向量；步骤S2，根据提取的所述特征向量，通过相似度计算，构建正样本对和负样本对的相似度分布；步骤S3，步进设置目标所述相似度分布，通过KL散度约束所述正样本对分布和所述负样本对分布；步骤S4，当所述正样本对分布和负样本对分布均值达到对应的目标分布时，所述正样本对分布对所述目标分布均值增加一个所述步进值，所述负样本对分布对所述目标分布均值减小一个所述步进值，使得所述正样本对和所述负样本对的所述相似度分布向相反方向拉开；步骤S5，重复所述步骤S4，直到所述目标分布不再更新，得到训练完成的所述神经网络；步骤S6，通过训练完成的所述神经网络进行癫痫状态识别，并将癫痫状态识别状态的512维的特征向量进行输出。2.根据权利要求1所述的一种基于目标相似度分布调整的癫痫状态识别方法，其特征在于：其中，所述神经网络采用双向长短期记忆网络。3.根据权利要求1所述的一种基于目标相似度分布调整的癫痫状态识别方法，其特征在于：其中，所述正样本对是同类型脑电样本；所述负样本对是不同类型脑电样本。4.根据权利要求1所述的一种基于目标相似度分布调整的癫痫状态识别方法，其特征在于：其中，所述相似度是计算样本的余弦相似度，其具体表达式为：sim(p,q(i,j))＝cossim(F(xp(i)),F(xq(j)))p,q∈1,…,m,i,j∈1,…,N式中，F(xp(i))为第p个类别下的第i个样本的特征向量，F(xq(j))为在第q个类别下的第j个样本的特征向量，cossim表示计算余弦相似度，N表示在每个pytorch软件内的小批量训练minibatch中包含的类别数，M表示每个类别下包含的样本数。5.根据权利要求1所述的一种基于目标相似度分布调整的癫痫状态识别方法，其特征在于：其中，所述步进值实际设置为0.05。6.根据权利要求1所述的一种基于目标相似度分布调整的癫痫状态识别方法，其特征在于：其中，所述目标分布不再更新的条件是：μCP≤μTP并且μCN≥μTN式中，μCP为当前所述正样本对相似度分布的均值，μTP为目标正样本对相似度分布的均值，μCN为当前所述负样本对相似度分布的均值，μTN为目标负样本对相似度分布的均值。2CN114141356A说明书1/5页一种基于目标相似度分布调整的癫痫状态识别方法技术领域[0001]本发明涉及一种基于目标相似度分布调整的癫痫状态识别方法。背景技术[0002]癫痫状态识别领域，目前大部分优化工作是采用损失函数区别不同类型的信号，以便于提取更有效特征向量。常见的损失函数包括以下三种函数：[0003]0‑1损失函数(0‑1lossfunction)，是最简单的损失函数，具体实施时，模型预测值不等同于目标值，损失函数输出1，表示有损失；模型预测值等于目标值，损失函数输出0，表示没有损失。[0004]感知损失函数(PerceptronLoss)，给定一个误差区间，在误差区间内，就认为是正确的。[0005]交叉熵损失函数(Cross‑entropylossfunction)，交叉熵主要用于衡量真实概率分布与预测概率分布之间的差异，通