一种基于迁移Softmax回归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CN113569725A(43)申请公布日2021.10.29(21)申请号202110850991.2(22)申请日2021.07.27(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.G06K9/00(2006.01)G06K9/62(2006.01)G16H50/20(2018.01)权利要求书1页说明书5页附图2页(54)发明名称一种基于迁移Softmax回归的癫痫状态识别方法(57)摘要本发明提供一种基于迁移Softmax回归的癫痫状态识别方法，通过源域和目标域之间的知识迁移，使得目标域脑电信号分布向源域靠近，以此提升模型在目标域数据上的识别效果，有效提升了癫痫发作检测的可靠性，具体包括以下步骤：步骤S1，利用滑动窗口对源域原始脑电信号和目标域原始脑电信号进行分段；步骤S2，利用四层小波包分解提取滑动窗口内的小波包分解系数，并构建特征向量；步骤S3，对特征向量进行联合概率分布调整从而进行源域和目标域之间的知识迁移，同时在该知识迁移过程中完成分类器的训练；步骤S4，由分类器输出目标域原始脑电信号的癫痫状态识别结果；其中，分类器为Softmax回归。CN113569725ACN113569725A权利要求书1/1页1.一种基于迁移Softmax回归的癫痫状态识别方法，其特征在于，包括以下步骤：步骤S1，利用滑动窗口对源域原始脑电信号和目标域原始脑电信号进行分段；步骤S2，利用四层小波包分解提取所述滑动窗口内的小波包分解系数，并构建特征向量；步骤S3，对所述特征向量进行联合概率分布调整从而进行源域和目标域之间的知识迁移，同时在该知识迁移过程中完成分类器的训练；步骤S4，由所述分类器输出所述目标域原始脑电信号的癫痫状态识别结果；其中，所述分类器为Softmax回归。2.根据权利要求1所述一种基于迁移Softmax回归的癫痫状态识别方法，其特征在于：其中，所述联合概率分布调整包括边缘分布调整与条件分布调整。3.根据权利要求2所述一种基于迁移Softmax回归的癫痫状态识别方法，其特征在于：其中，所述的边缘分布为所述源域和所述目标域整体样本均值之间的差异；所述的条件分布为所述源域和所述目标域不同类所述样本均值之间的差异。4.根据权利要求1所述一种基于迁移Softmax回归的癫痫状态识别方法，其特征在于：其中，所述的滑动窗口窗长为0.5秒。5.根据权利要求1所述一种基于迁移Softmax回归的癫痫状态识别方法，其特征在于：其中，所述的小波包分解采用sym4作为核函数。2CN113569725A说明书1/5页一种基于迁移Softmax回归的癫痫状态识别方法技术领域[0001]本发明涉及一种癫痫状态识别方法，具体涉及一种基于迁移Softmax回归的癫痫状态识别方法。背景技术[0002]癫痫是一种常见的神经系统疾病，世界卫生组织报告全世界每年有近240万人被诊断患有癫痫。它影响着全世界约5000万人的日常生活并且每年都呈现出增长的趋势。癫痫主要是由神经元集群异常同步放电活动引起的。[0003]在临床使用场景下，癫痫状态识别模型需要应用在医院不断输入的新病人脑电信号数据上，由于脑电信号的动态变化性和非稳定性，导致不同病人之间脑电信号差异较大，同时由于临床中可供模型训练的癫痫脑电信号数据非常有限，特别是发作期的脑电信号数据，往往只有几秒到几十秒长度。[0004]传统学习迁移方法由于采用的是领域知识迁移方法，导致癫痫状态识别效果差，识别精度低。发明内容[0005]为解决上述问题，本发明采用了如下技术方案：[0006]本发明提供一种基于迁移Softmax回归的癫痫状态识别方法，其特征在于，包括以下步骤：步骤S1，利用滑动窗口对源域原始脑电信号和目标域原始脑电信号进行分段；步骤S2，利用四层小波包分解提取滑动窗口内的小波包分解系数，并构建特征向量；步骤S3，对特征向量进行联合概率分布调整从而进行源域和目标域之间的知识迁移，同时在该知识迁移过程中完成分类器的训练；步骤S4，由分类器输出目标域原始脑电信号的癫痫状态识别结果；其中，分类器为Softmax回归。[0007]本发明提供的一种基于迁移Softmax回归的癫痫状态识别方法，还可以具有这样的技术特征，其中，联合概率分布调整包括边缘分布调整与条件分布调整。[0008]本发明提供的一种基于迁移Softmax回归的癫痫状态识别方法，还可以具有这样的技术特征，其中，边缘分布为源域和目标域整体样本均值之间的差异；条件分布为源域和目标域不同类样本均值之间的差异。[0009]本发明提供的一种基于迁移Softm