欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024118974596
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 医学或兽医学;卫生学
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于自适应时空注意力与动态融合网络的癫痫预测方法,其特征在于,涉及脑信号预处理模块、上下文注意力编码层、远距离内容依赖网络、自适应时序状态空间建模模块和癫痫预测模块,具体的癫痫预测方法包括以下步骤:步骤1、向脑信号预处理模块输入多通道脑电信号,对接收到的EEG信号进行预处理,获得对应时域信息和频域信息,并通过斯皮尔曼相关性计算得到EEG信号空间结构的邻接矩阵,此处所得邻接矩阵为0\1二值矩阵;具体的预处理过程如下:步骤1.1、对原始的多通道脑电信号进行滤波,去除噪声和高频干扰;

步骤1.2、对滤波后的EEG信号进行归一化处理,将不同通道的信号标准化到相同的范围内;

步骤1.3、对归一化后的EEG信号进行短时傅里叶变换,获得频域信息;

步骤1.4,对短时傅里叶变换后的信号按照4s的时间窗口进行切割,将长时段的信号划分为多个较小的窗口,便于进行时序特征的提取;

步骤1.5、计算各个通道之间的斯皮尔曼相关性,通过计算斯皮尔曼相关系数,来度量各通道之间的非线性关系,以生成表示脑电信号空间结构的邻接矩阵;

斯皮尔曼相关性的计算公式如下:

;

其中,n为样本的数量,是第i个数据点在变量X中的轶,是第i个数据点在变量Y中的轶,是轶次差的平方和;

步骤2、将步骤1所得邻接矩阵视为图结构,图结构中的节点代表各个EEG通道,斯皮尔曼相关性较高的节点之间建立图结构的边;将各条边的权重输入两层上下文注意力编码层,上下文注意力编码层利用多头图注意力机制提取各通道间的空间特征,通过邻居节点信息的聚合和注意力动态调整权重,最终输出节点特征矩阵;

步骤3、步骤2所得节点特征矩阵输入远距离内容依赖网络,远距离内容依赖网络通过多层次窗口自注意力机制SW-MSA捕捉多通道之间的长距离的全局依赖关系,输出全局空间特征和对应时间序列;具体方法为:先将节点特征矩阵分割成合适的非重叠窗口,每个窗口内独立地计算多头自注意力,将窗口位置移动,然后在偏移后的窗口内计算多头自注意力;

步骤4、将步骤3所得时间序列输入自适应时序状态空间建模模块,自适应时序状态空间建模模块基于Mamba模块,并结合有状态空间模型SSM和卷积神经网络,通过自适应时序状态空间建模模块得到时空动态融合特征,其中状态空间模型SSM处理序列数据时,通过状态空间变换来动态更新隐藏状态,捕捉EEG信号中的时序依赖,通过状态空间变换和选择机制捕捉EEG信号中的重要时序特征;

步骤5、将步骤4所得时空动态融合特征输入癫痫预测模块,所述癫痫预测模块采用全连接层,经全连接层对时空动态融合特征的处理,输出癫痫预测结果。

2.根据权利要求1所述的基于自适应时空注意力与动态融合网络的癫痫预测方法,其特征在于,所述上下文注意力编码层动态调整权重的方法为:首先,每个节点根据其自身和邻居节点的特征计算注意力权重,然后注意力权重结合斯皮尔曼相关性边权重来一起影响特征聚合,即基于注意力权重和边权重进行加权汇总,得到节点的最终特征表示;表达式如下:;

上式中,表示节点i更新后的特征向量,表示节点i的邻居节点集合,表示节点i和节点j之间的注意力权重,表示权重矩阵,用于特征转换,表示节点j的特征向量,表示激活函数,图结构中每个节点均包含对应通道的特征信息。

3.根据权利要求1所述的基于自适应时空注意力与动态融合网络的癫痫预测方法,其特征在于,所述远距离内容依赖网络基于Swin Transformer架构,对节点特征矩阵进行分块处理,包括交替的分层窗口分割和窗口多头自注意力操作两个部分,表达式如下:;

上式中,表示节点矩阵特征,表示窗口多头自注意力操作,表示移位窗口多头自注意力操作,表示经过Swin Transformer处理后的全局特征表示。

4.根据权利要求1所述的基于自适应时空注意力与动态融合网络的癫痫预测方法,其特征在于,所述自适应时序状态空间建模模块捕捉EEG信号中的非线性时序特征,计算公式如下:;

上式中,表示当前时间步的状态,表示前一个时间步的状态,表示当前时间步的输入信号;表示状态更新函数,用于根据前一个状态和当前输入来更新状态。

5.根据权利要求1所述的基于自适应时空注意力与动态融合网络的癫痫预测方法,其特征在于,所述癫痫预测模块包括多层全连接层,对时空动态融合特征进而二分类,输入的预测结果包括发作前期/发作间期。