(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211276626.6 (22)申请日 2022.10.19 (71)申请人 之江实验室 地址 311121 浙江省杭州市余杭区之江实 验室南湖总部 (72)发明人 张成　王希豪　兰海　杨冬平　 魏宪　 (74)专利代理 机构 北京志霖恒远知识产权代理 有限公司 1 1435 专利代理师 戴莉 (51)Int.Cl. G16H 50/20(2018.01) G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)A61B 5/00(2006.01) A61B 5/374(2021.01) (54)发明名称 一种基于注意力机制的癫痫发作检测系统 (57)摘要 本发明公开了一种基于注意力机制的癫痫 发作检测系统， 包括： 数据获取模块： 用于从公开 的数据库中获取待检测的脑电信号数据； 数据处 理模块： 用于对所述脑电信号数据进行预处理， 得到预处理脑电信号数据； 癫痫发作检测模块： 用于基于注意力机制构建CNN和Transformer神 经网络最优模型， 将脑电信号数据通过所述CNN 和Transformer神经网络最优模型得到发作 期和 发作间期样本的类别概率， 用于识别癫痫发作。 本发明基于训练集和测试集对网络进行训练， 使 用早期停止机制、 学习率衰减等方法对CNN和 Transformer神经网络进行优化， 得到用于癫痫 发 作 检 测的 最 优 网 络 参 数 ， 使 用C N N 和 Transformer神经网络对样本数据进行分类， 可 以高效快速的识别出癫痫发作的类别， 从而提高 癫痫识别的准确率。 权利要求书2页 说明书9页 附图4页 CN 115359909 A 2022.11.18 CN 115359909 A 1.一种基于注意力机制的癫痫发作检测系统， 其特 征在于， 包括： 数据获取模块： 用于从公开的数据库中获取待检测的脑电信号数据； 数据处理模块： 用于对所述脑电信号数据进行 预处理， 得到预处 理脑电信号数据； 癫痫发作检测模块： 用于基于注意力机制构建CNN和Transformer神经网络模型， 通过 所述预处理脑电信号数据训练所述CNN和Transformer神经网络模型得到CNN和 Transformer神经网络最优模型， 利用所述CNN和Transformer神经网络最优模型得到发作 期和发作间期样本的类别概 率， 用于识别癫痫发作。 2.如权利要求1所述的一种基于注意力 机制的癫痫 发作检测系统， 其特征在于， 公开的 所述数据库包括波士顿 儿童医院头 皮脑电数据库CHBMIT， 待检测的所述脑电信号使用公共 的若干个脑电通道。 3.如权利要求1所述的一种基于注意力 机制的癫痫 发作检测系统， 其特征在于， 所述数 据处理模块具体包括： 数据分割及增广 单元： 用于对所述脑电信号数据进行滑窗分割、 数据增广， 得到分割后 脑电信号数据； 数据滤波单元： 用于对所述分割后脑电信号数据采用巴特沃斯带通滤波器以去除噪 声， 得到滤波后脑电信号数据； 数据标准化单元： 用于对所述滤波后脑电信号数据利用Z分数标准化， 得到同一量级脑 电信号数据； 数据划分单元： 用于将所述同一量级脑电信号数据添加标签， 将癫痫发作间期样本设 置为0， 癫痫发作期样本 设置为1， 得到预 处理脑电信号数据， 所述预 处理脑电信号数据根据 所述标签分为训练数据集和 测试数据集。 4.如权利要求1所述的一种基于注意力 机制的癫痫 发作检测系统， 其特征在于， 所述癫 痫发作检测模块具体包括： CNN和Transformer神经网络模型构建单元： 用于基于耦合注意力机制， 利用所述预处 理脑电信号数据中的训练数据集对神经网络模型进行训练， 并通过所述预 处理脑电信号数 据中的测试数据集进行调参， 采用早期停止机制、 学习率衰减方法对神经网络模型进行优 化， 得到CNN和Transformer神经网络最优 模型； 癫痫发作检测单元： 用于利用所述CNN和Transformer神经网络最优模型得到发作期和 发作间期样本的类别概 率， 用于识别癫痫发作。 5.如权利要求4所述的一种基于注意力机制的癫痫发作检测系统， 其特征在于， 所述 CNN和Transformer神经网络模型构建单 元的构建过程具体包括： 步骤S1： 将所述训练数据集输入至卷积层CNN中提取脑电信号中包含每个脑电通道信 息的特征向量； 步骤S2： 将包含每个脑电通道信息的特征向量输入至神经网络Transformer层中， 利用 耦合注意力层得到注意力分数， 所述注意力分数为基于查询和键的相似度与值的加权和； 步骤S3： 通过多个平行头遍历步骤S2得到多个平行头的耦合注意力结果； 步骤S4： 将多个平行头的耦合注意力结果进行拼接， 并采用层归一化操作得到多头耦 合注意力层的输出矩阵；权　利　要　求　书 1/2 页 2 CN 115359909 A 2步骤S5： 将所述输出矩阵经过 层后馈送至全连接层MLP进行数据降维， 最终输出 用于表示分类结果的二维向量， 当所述二维向量为 ， 则表示癫痫发作期样本， 即癫痫发 作； 当所述 二维向量 为 ， 则表示癫痫发作间期 样本， 即非癫痫发作； 步骤S6： 遍历步骤S1 ‑步骤S5， 通过所述测试数据集进行调参， 采用早期停止机制、 学习 率衰减方法对神经网络模型进 行优化， 直至早期停止机制中的跟踪验证损失值在连续预设 轮次停止下降时， 保存优化后的CNN和Transformer神经网络模型， 得到CNN和Transformer 神经网络最优 模型。 6.如权利要求5所述的一种基于注意力 机制的癫痫 发作检测系统， 其特征在于， 所述步 骤S1中所述卷积层CNN使用卷积核的卷积公式得到卷积层CNN的包含单独脑电通道信息的 输出特征向量， 所述特征向量表示 ， 其中， 是卷积层CNN中的滤波器的个数， 是脑 电通道数， 是压缩后的时间步长 。 7.如权利要求5所述的一种基于注意力 机制的癫痫 发作检测系统， 其特征在于， 所述步 骤S2中将包含单独脑电通道信息的特征向量输入至神经网络Tr ansformer层中， 利用耦合 注意力层中的学习参数矩阵将特征向量转换为查询、 键和 值矩阵， 并输出基于查询和键的 相似度与值的加权和。 8.如权利要求5所述的一种基于注意力 机制的癫痫 发作检测系统， 其特征在于， 所述步 骤S4具体包括以下子步骤： 步骤S41： 根据平行头的个数、 平行头的耦合注意力结果将多个平行头的耦合注意力结 果进行拼接， 得到最终结果； 步骤S42： 将所述 最终结果采用层归一 化操作得到多头耦合注意力层的输出矩阵。 9.如权利要求5所述的一种基于注意力 机制的癫痫 发作检测系统， 其特征在于， 所述步 骤S6网络训练中， 还 包括采用余弦退火算法进行 学习率LR衰减。权　利　要　求　书 2/2 页 3 CN 115359909 A 3