资源类型：
申请人：
北京邮电大学
;
首都医科大学宣武医院
;
当前专利权人：
北京邮电大学
;
首都医科大学宣武医院
;
申请号：
申请日期：
授权年份：
公开号：
公开日：
法律状态：
主分类号：
分类号：
摘要：
本发明公开了一种基于深度学习的HFO自动检测系统，包括数据采集模块、数据预处理模块、阈值初始检测模块、小波变换模块、数据存储模块、端到端双分支融合模型和融合模块，采用两阶段的检测流程，第一阶段设计基于阈值的初始检测模块，得到疑似HFOs候选事件集；第二阶段为综合利用带通信号和时频图像在分辨真、伪HFOs方面的优势，提出将带通信号和经小波变换后的时频图像两种模态的数据作为深度学习模型输入，根据不同的输入分别设计有针对性的骨干网络以提取特征，最后将两个角度的特征进行融合，自动分类真、伪HFOs，提高检测的灵敏度和特异性。
主权项：
1.一种基于深度学习的高频振荡信号HFOs自动检测系统，其特征在于，包括：数据采集模块，用于对患者的原始SEEG信号进行采集；数据预处理模块，用于将采集到的原始SEEG信号进行预处理；阈值初始检测模块，用于对预处理后的信号进行初始检测并建立临床高频振荡的候选事件集；小波变换模块，用于将候选事件集中的数据进行连续小波变换，生成二维时频图；数据存储模块，用于存储已视觉标记的真假HFOs；端到端双分支融合模型，包括针对信号分支构建的一维ResNet和LSTM的混合网络模块以及针对时频图分支构建的带有卷积块注意力模块的二维ResNet，用于提取信号的深度特征；针对信号分支构建的混合网络模块中的一维ResNet用于提取信号空间形态上的深度特征，该一维ResNet由5个阶段构成，第一个阶段为一个7×7的卷积处理，stride为2，然后经过池化处理，此时特征图的尺寸已成为输入的1/4，接下来的四个阶段由四个残差块堆叠构成，每个块由两个叠加的3×3卷积组成，每个卷积层后接BatchNorm层和ReLU激活函数用于数据的归一化和激活，堆叠的块的个数为[3,4,6,3]；针对信号分支构建的混合网络模块中LSTM网络用于提取信号时间维度上的深度特征，其隐藏单元数为100，层数为2，在LSTM层后还添加一个Dropout层，用于降低冗余；针对时频图分支的带有卷积块注意力模块的二维ResNet的构建方法为：采用通道注意力模块将输入的特征图，分别经过基于width和height的全局最大池化和全局平均池化，然后分别经过一个参数共享的多层感知器，将多层感知器输出的特征进行基于元素级别的加和操作，再经过sigmoid激活操作，生成最终的通道注意力模块特征图；采用空间注意力模块，将输入的特征图基于通道分别做全局最大池化和全局平均池化，然后沿通道维度做concat操作；经过一个卷积操作，降维为1个通道，再经过sigmoid激活操作生成空间注意力模块特征图；将通道注意力模块与空间注意力模块串联，嵌入到二维ResNet的每一个卷积块的最后面；双分支融合模型是以频率在80-500Hz带通脑电信号和二维时频图两种模态数据作为模型输入，首先对两种模态数据进行特征学习，然后通过融合模块对两种模态数据的输出进行融合；融合模块，利用多层感知器对融合结果进行分类识别。
