基于混合深度学习模型的癫痫预测研究

作     者：颜魁廷 

作者单位：曲阜师范大学 

学位级别：硕士

导师姓名：袁莎莎

授予年度：2024年

学科分类：12[管理学] 07[理学] 08[工学] 0711[理学-系统科学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0835[工学-软件工程] 100204[医学-神经病学] 0811[工学-控制科学与工程] 10[医学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：癫痫发作预测 短时傅里叶变换 DenseNet BiLSTM Vision Transformer 深度学习 

摘      要：癫痫是一种常见的神经系统疾病,其典型表现为突发性的脑神经元过度同步放电引发短暂的脑功能障碍,引起运动、感觉、认知的异常,甚至完全意识丧失等多种发作症状。由于癫痫发作具有极高的不可确定性,因此开发有效的预测方法对于提高患者生活质量和优化长期治疗策略至关重要。本研究通过深度学习技术对脑电信号进行分析,开发出高效的癫痫预测模型,从而为患者营造一个更加安全、可控的生活环境,同时也为医生提供更准确的诊断和治疗参考,具有显著的临床应用价值。 癫痫预测的主要任务在于精准地识别癫痫发作前期与发作间期的脑电信号,围绕脑电信号的分析和深度学习技术的应用,提出了两种基于混合深度学习模型的癫痫预测方法。主要研究内容包括以下两个方面: (1)将密集卷积网络(DenseNet)和双向长短期记忆网络(BiLSTM)相结合用于癫痫发作预测。DenseNet通过其密集连接结构在初始层学习更丰富的特征信息,而BiLSTM则专注于分析时间序列数据的相关性,有效捕捉信号的动态变化,这种结合策略增强了模型在癫痫预测任务中的分析和预测能力。首先,利用短时傅里叶变换(STFT)将原始脑电数据转换为时频矩阵,再将这些转换后的数据输入到DenseNet-BiLSTM模型中,实现从端到端的特征提取和分类,并使用K-of-N方法进行平滑后处理,降低了模型误判率。经过留一交叉验证(LOOCV)的测试,该模型在头皮脑电CHB-MIT数据集上取得了较好的性能,实现了最高99.99%的准确率,平均准确率达到92.45%,灵敏度达到92.66%。 (2)提出了一种基于混合深度学习模型的癫痫预测方法,该方法融合了 DenseNet和Vision Transformer(ViT)两种深度学习模型,并引入了一个基于注意力机制的特征融合层。DenseNet专注于捕捉分层特征,并确保参数的高效利用,而ViT则通过自注意力机制提供全局特征的表示,同时,基于注意力机制的特征融合层的加入,使得两种网络的特征得到有效结合。首先,采用STFT对一维脑电信号进行预处理,将其转换为时频矩阵,DenseNet和ViT对这些时频矩阵进行特征提取,特征融合层通过计算注意力权重动态地整合提取的特征,最后由ViT原始分类头进行分类。该模型在CHB-MIT数据集上进行验证,具有较好的预测性能,其平均准确率达到93.65%,灵敏度达到93.56%,每小时误报率为0.083。 本文的研究成果拓展了深度学习模型在癫痫发作预测领域的应用,有效助力了基于脑电信号的癫痫发作预测技术进一步的发展。但受限于实验数据,本文所提出的癫痫发作预测方法在实际的临床实践中还需进一步优化和提高。