1.基于多尺度特征融合构建多视角及协同学习的癫痫检测方法,其特点在于:步骤如下:
阶段一、EEG信号的浅层特征构建步骤为:
第一步:通过离散傅立叶变换得到频域浅层特征;
第二步:通过小波包分解得到时频浅层特征;
阶段二、基于初始视角的局部多视角深度特征构建步骤为:
第一步:把原始EEG信号(时域信号)放入一维卷积神经网络,提取时域深度特征第二步:把频域浅层特征放入一维卷积神经网络,提取频域深度特征;
第三步:把时频域浅层特征放入二维卷积神经网络,提取时域深度特征
阶段三、基于多尺度特征融合的全局多视角特征构建步骤为:
第一步:使用CONCAT方法将深度多视角特征集转换为;
第二步:利用多尺度特征融合网络构建一般化的全局视角融合深度特征;
所述阶段三的多尺度特征融合网络架构,包括一条自底向上、自顶向下的路径和一条横向连接结构;在自底向上路径中,第一层一维卷积下采样采用8个核大小为3的卷积核,然后经过步长为2的一维池化层后得到8*512的特征图,并将该特征图进行1*1卷积后保留该特征图;第二层一维卷积下采样采用16个核大小为3的卷积核,然后经过步长为2的一维池化层后得到16*256的特征图,并将该特征图进行1*1卷积后保留该特征图;第三层一维卷积下采样采用32个核大小为3的卷积核,然后经过步长为2的一维池化层后得到32*128的特征图;在自顶向下路径中,第一层进行1*1卷积后得到1*128大小的特征图;第二层采用步长为2的上采样卷积,得到1*258的特征图,并与自底向上路径中第二层保留特征图进行横向CONCAT融合,再进行1*1卷积;第三层采用步长为2的上采样卷积,得到1*512的特征图,并与自底向上路径中第一层保留特征图进行横向CONCAT融合,再进行1*1卷积得到1*512的特征图;
第三步:利用多尺度特征融合网络分别构建局部强化时域、频域、时频域信息的全局视角深度特征;
第四步:同阶段三的局部多视角深度特征集结合,构建出用于训练的七视角特征集
;
阶段四、基于MVTSKFS训练多视角深度特征步骤为:
MVTSKFS是基于TSK模糊系统来构造的多视角分类器;
第一步:对每个视角训练出一个TSK模型,得到每个视角的前件参数,通过前件参数计算得到原始映射到高维空间的;
第二步:将高维特征放入多视角模糊系统分类器的目标函数,求解得到各视角的后
件参数和权重wk;
第三步:根据和wk,在多视角模糊系统分类器的决策函数的计算下,最终得到决策值YTest,算法终止。
2.如权利要求1所述的基于多尺度特征融合构建多视角及协同学习的癫痫检测方法,其特征在于:所述阶段二的第一步中的提取时域深度特征的CNN网络架构,包括4个一维卷积层,4个BN层,1个扁平层,1个dropout层和1个全连接层;CNN网络架构第一个卷积层为64个核大小为64的卷积核,得到的64*193的特征图,然后经过第一个BN层;第二个卷积层为32个核大小为32的卷积核,得到的32*162的特征图,然后经过第二个BN层;第三个卷积层为16个核大小为16的卷积核,得到的16*147的特征图,然后经过第三个BN层;第四个卷积层为8个核大小为8的卷积核,得到的8*140的特征图,然后经过第四个BN层;接下来进行了扁平层、dropout层和全连接层,最终获得一个1*1024的特征图。
3.如权利要求1或2所述的基于多尺度特征融合构建多视角及协同学习的癫痫检测方法,其特征在于:所述阶段二的第二步中的提取频域深度特征的CNN网络架构,包括2个一维卷积层,2个BN层,1个扁平层,1个dropout层和1个全连接层;CNN网络架构第一个卷积层为32个核大小为4的卷积核,得到的32*24的特征图,然后经过第一个BN层;第二个卷积层为16个核大小为2的卷积核,得到的23*16的特征图,然后经过第二个BN层;接下来进行了扁平层、dropout层和全连接层,最终获得一个1*1024的特征图。
4.如权利要求1所述的基于多尺度特征融合构建多视角及协同学习的癫痫检测方法,其特征在于:所述阶段二的第三步中的提取时频深度特征的CNN网络架构,包括4个二维卷积层,4个BN层,1个扁平层,1个dropout层和1个全连接层;CNN网络架构第一个卷积层为64个核大小为1*128的卷积核,得到的64*14*129的特征图,然后经过第一个BN层;第二个卷积层为32个核大小为2*64的卷积核,得到的32*13*66的特征图,然后经过第二个BN层;第三个卷积层为16个核大小为2*32的卷积核,得到的16*12*35的特征图,然后经过第三个BN层;第四个卷积层为8个核大小为4*16的卷积核,得到的8*9*20的特征图,然后经过第四个BN层;接下来进行了扁平层、dropout层和全连接层,最终获得一个1*1024的特征图。
5.如权利要求1所述的基于多尺度特征融合构建多视角及协同学习的癫痫检测方法,其特征在于:所述阶段三第二步的一般化全局视角融合深度特征构建在得到阶段三的1*512特征图后再次进行步长为2的上采样卷积,最终得到大小为1*1024的全局视角融合深度特征图。
6.如权利要求1所述基于多尺度特征融合构建多视角及协同学习的癫痫检测方法,其特征在于:所述阶段三第三步的局部增强化全局视角深度特征构建在得到阶段三得到的1*512特征图后再次进行步长为2的上采样卷积,然后分别与时域、频域、时频域局部视角特征图进行横向CONCAT融合,在经过1*1卷积后得到三个大小为1*1024的局部增强化全局视角深度特征图。