一种基于动态多尺度时空注意力网络的癫痫发作预测方法

本发明涉及癫痫发作预测，尤其涉及一种基于动态多尺度时空注意力网络的癫痫发作预测方法。

背景技术：

1、癫痫作为一种神经系统常见疾病，具有发病率高、突发性、反复性的特点。因大脑神经在不同的时间和空间尺度上具备电生理活动信息的动态传递机制，且癫痫脑电数据由多个电极针对不同脑区采集。因此，癫痫发作不仅涉及癫痫发作区及其周围，还涉及远离癫痫发作区的大脑区域。

2、现如今，针对癫痫预测的大多数神经网络模型只考虑捕捉短时依赖中的局部通道相互作用，而没有将全局通道相互作用和长时依赖结合起来考虑，无法同时兼顾多样的信息区间和信息量，导致模型和通用结果缺乏可解释性。

3、因此，引入交叉注意力机制以更好的融合时空互补特征，进而学习新的有助于预测癫痫发作的时空长程相关特征，探究癫痫发作发生过程中存在的动态传播机制，值得深入研究。

技术实现思路

1、本发明的目的是提供一种基于动态多尺度时空注意力网络的癫痫发作预测方法，探究癫痫脑电的时空复杂协同关系，获得脑电长程时空特征，从而提高癫痫发作预测精度；此外本发明还增强了原始数据的辨识力，增加了深度学习算法中的可解释性和适用性。

2、为实现上述目的，本发明提供了一种基于动态多尺度时空注意力网络的癫痫发作预测方法，包括以下步骤：

3、s1、基于数据收集模块，获取脑癫痫发作前期和间期电信号；

4、s2、基于数据处理模块，对脑电信号进行滤波提纯以及分割，获取时间窗信号片段；

5、s3、基于模型构建与训练模块，构建动态多尺度时空注意力网络，其包括动态时间注意力模型、多尺度空间注意力模型和交叉注意力特征融合模型。

6、优选的，在步骤s3中，基于模型构建与训练模块，构建动态多尺度时空注意力网络，具体过程如下：

7、s31、构建动态时间注意力模型，获取全局动态时间特征；其中，动态时间注意力模型由动态时间激励模块和注意力前馈模块共同组成；

8、s32、构建多尺度空间注意力模型，获取全局多尺度空间特征；其中，多尺度空间注意力模型由通道增强卷积模块和注意力前馈模块共同组成；

9、s33、构建交叉注意力特征融合模型，对全局动态时间特征以及全局多尺度空间特征进行融合，获得长程时空特征。

10、优选的，在步骤s31中，构建动态时间注意力模型，获取全局动态时间特征，具体过程如下：

11、s311、通过动态时间激励模块，对时间窗信号片段进行卷积计算，获得时间步长差值，得到动态时间特征；其中，动态时间激励模块的动态时间输出特征，如下所示：

12、

13、其中，xdw表示动态时间输出特征，split表示根据时间步长进行的分割操作，和是输入信号片段，conv是一个1×1的2d卷积层；

14、s312、在动态时间激励模块之后，添加注意力前馈模块，获取全局动态时间特征；其中，注意力前馈模块，如下所示：

15、q1＝k1＝v1＝conv2d(xdw)

16、z1＝layernorm(xdw+attention(q1,k1,v1))

17、y1＝layernorm(z1+mlp(z1))

18、其中，conv2d表示为1×1的2d卷积；注意力前馈模块包括自注意层和多层感知机层；z1是经过带有残差连接的自注意层的输出；y1是经过带有残差连接的多层感知机层的输出得到全局动态时间特征；q1，k1和v1表示在动态时间注意力模型中查询、键和值的向量；layernorm表示层归一化处理；attention表示注意力机制的输出；mlp表示多层感知机制；

19、自注意层中的注意力机制如下所示：

20、

21、其中，q1k1t表示得到的注意力分数矩阵，dk表示键向量的维度，用于缩放注意力分数。

22、优选的，在步骤s32中，构建多尺度空间注意力模型，获取全局多尺度空间特征，具体过程如下：

23、s321、通过在三个卷积模块之后插入通道激励模块，构建通道增强卷积模块，对时间窗信号片段的空间特征多尺度分析，得到多尺度空间特征；其中，通道增强卷积模块由卷积模块和通道激励模块组成；卷积模块的卷积输出，如下所示：

24、ui＝pooli,j+1(convi,j+1(pooli,j(convi,j(x))))

25、uc＝(u1+u2+u3)

26、其中，uc为三个卷积的总输出输出，ui为单个卷积的输出；convi,j+1表示为卷积核大小不同的1d卷积，pooli,j+1表示为窗口不同的一维最大池化层；

27、通道激励模块的输出多尺度空间特征，如下所示：

28、

29、其中，n为通道激励模块的输出多尺度空间特征，为平均池化层，w1和w2为全连接层，δ为relu激活函数，σ为sigmoid激活函数；

30、s322、在注意力前馈模块的自注意层中加入卷积映射组件，得到全局多尺度空间特征；其中，注意力前馈模块由自注意层和多层感知机层组成；自注意层包含注意力机制和卷积映射组件；

31、卷积映射组件如下所示：

32、q2＝k2＝v2＝conv2d(n)

33、q'＝squeeze(q2)

34、k'＝squeeze(k2)

35、v'＝v2＝conv2d(n)

36、其中，q2，k2和v2表示在多尺度空间注意力模型中查询、键和值的向量；q'，k'和v'表示为重塑后的查询、键和值的向量；conv2d表示为1×1的2d卷积，squeeze表示3×3的2d卷积；

37、自注意层中的注意力机制如下所示：

38、

39、其中，q'k't表示得到的注意力分数矩阵，dk表示键向量的维度，用于缩放注意力分数；

40、s323、基于上述卷积映射组件和注意力机制，则注意力前馈模块如下所示：

41、z2＝layernorm(v'+attention(q',k',v'))

42、y2＝layernorm(z2+mlp(z2))

43、其中，z2是经过带有残差连接的自注意层的输出；y2是经过带有残差连接的多层感知机层的输出得到全局多尺度空间特征。

44、优选的，在步骤s33中，首先构建交叉注意力特征融合模型，对全局动态时间特征以及全局多尺度空间特征进行融合，获得长程时空特征；

45、然后，通过softmax层作为分类层和使用交叉熵损失函数，对长程时空特征训练更新，实现癫痫发作预测；

46、其中，交叉注意力特征融合模型的输出特征，如下所示：

47、k3＝v3＝conv2d(y1)

48、q3＝conv2d(y2)

49、

50、其中，q3，k3和v3表示在交叉注意力特征融合模型中查询、键和值的向量；y1为全局动态时间特征，y2为全局多尺度空间特征，y3为融合的长程时空特征。

51、因此，本发明采用上述一种基于动态多尺度时空注意力网络的癫痫发作预测方法，通过实时监测和分析eeg信号，在癫痫发作前提前预测，为患者和医生提供宝贵的准备时间；准确的预测有助于医生及时调整治疗方案，减少癫痫发作的次数和严重程度，提高患者的生活质量，为癫痫发作预测领域提供了新的思路和技术手段，有助于推动该领域的科研进展和临床应用。

52、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于动态多尺度时空注意力网络的癫痫发作预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于动态多尺度时空注意力网络的癫痫发作预测方法，其特征在于，在步骤s3中，基于模型构建与训练模块，构建动态多尺度时空注意力网络，具体过程如下：

3.根据权利要求2所述的一种基于动态多尺度时空注意力网络的癫痫发作预测方法，其特征在于，在步骤s31中，构建动态时间注意力模型，获取全局动态时间特征，具体过程如下：

4.根据权利要求2所述的一种基于动态多尺度时空注意力网络的癫痫发作预测方法，其特征在于，在步骤s32中，构建多尺度空间注意力模型，获取全局多尺度空间特征，具体过程如下：

5.根据权利要求2所述的一种基于动态多尺度时空注意力网络的癫痫发作预测方法，其特征在于：在步骤s33中，首先构建交叉注意力特征融合模型，对全局动态时间特征以及全局多尺度空间特征进行融合，获得长程时空特征；

技术总结
本发明属于癫痫发作预测技术领域，公开了一种基于动态多尺度时空注意力网络的癫痫发作预测方法，包括以下步骤：S1、基于数据收集模块获取脑癫痫发作前期和间期电信号；S2、基于数据处理模块，对脑电信号进行滤波提纯以及分割，获取时间窗信号片段；S3、基于模型构建与训练模块，构建动态多尺度时空注意力网络，其包括动态时间注意力模型、多尺度空间注意力模型和交叉注意力特征融合模型。本发明采用上述一种基于动态多尺度时空注意力网络的癫痫发作预测方法，探究癫痫脑电的时空复杂协同关系，获得脑电长程时空特征，从而提高癫痫发作预测精度；此外本发明还增强了原始数据的辨识力，增加了深度学习算法中的可解释性和适用性。

技术研发人员：程晨晨,吴海超,宋婉津,李佳钰,陈晨,尤波
受保护的技术使用者：哈尔滨理工大学
技术研发日：
技术公布日：2024/12/5