癫痫发作预测方法、系统、计算机及可读存储介质与流程

1.本发明涉及智慧医疗技术领域，特别涉及一种癫痫发作预测方法、系统、计算机及可读存储介质。


背景技术：

2.癫痫是一种常见的慢性反复发作性疾病，患者通常表现为失神、抽搐、精神异常及全身肌肉收缩等症状。据统计全球已经超过5000万人患有癫痫病，其中不发达国家的癫痫患者占很大比例。我国癫痫患者的人口基数大，数量目前超过900万，并且每年新增60万，给患者的家庭带来了很大的精神负担和经济负担。更重要的是，癫痫发病时间不长但发作次数多且不可预测，发病时肢体及思维不受控制，癫痫患者的生命健康安全受到了严重的威胁。
3.现有的癫痫检测方法主要是通过医院内的专业仪器进行检测，主要采集脑部的脑电波进行数据分析，从而进行癫痫类型检测及治疗。现有的脑部检测装置笨重且不容易携带，不利于癫痫患者发病时的及时检测。由于每个癫痫患者的特异性，每个患者发病时特征也不完全性同，因此现有的癫痫检测方法的检测效率底、鲁棒性差，同时具有一定的使用局限性。


技术实现要素：

4.基于此，本发明的目的是提供一种癫痫发作预测方法、系统、计算机及可读存储介质，以解决现有技术主要是通过医院内的专业仪器进行检测，主要采集脑部的脑电波进行数据分析，从而进行癫痫类型检测及治疗。现有的脑部检测装置笨重且不容易携带，不利于癫痫患者发病时的及时检测。由于每个癫痫患者的特异性，每个患者发病时特征也不完全性同，因此现有的癫痫检测方法的检测效率底、鲁棒性差的问题。
5.本发明实施例第一方面提出了一种癫痫发作预测方法，应用于智能臂环，所述方法包括：
6.通过所述智能臂环实时采集用户的体征信号，并对所述体征信号进行预处理，以生成对应的标准体征信号；
7.对所述标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理，并根据归一化处理后的标准体征信号构建出对应的预测网络模型，并剔除所述预测网络模型中的最后一个softmax分类层，且对应提取出所述预测网络模型中的高纬度特征；
8.将所述高纬度特征关联所述用户的用户id，并通过所述预测网络模型对所述体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值；
9.若判断到所述余弦相似度大于所述预设阈值，则根据所述用户id向所述用户发送预警信号。
10.本发明的有益效果是：通过智能臂环实时采集用户的体征信号，并对体征信号进行预处理，以生成对应的标准体征信号；进一步的，对标准体征信号分别进行短时傅里叶变
换、频率分析以及归一化处理，并根据归一化处理后的标准体征信号构建出对应的预测网络模型，并剔除预测网络模型中的最后一个softmax分类层，且对应提取出预测网络模型中的高纬度特征；在此基础之上，将高纬度特征关联用户的用户id，并通过预测网络模型对体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值；最后若判断到余弦相似度大于预设阈值，则根据用户id向用户发送预警信号。通过上述方式能够在用户只佩戴智能臂环的前提下，就能够实时采集到用户的体征信号，并能够进一步根据实时采集到的体征信号准确的判断出当前用户是否将要发病，从而大幅提升了对癫痫的检测效率，同时消除了使用的局限性，适用于大范围的推广与使用。
11.优选的，所述体征信号包括皮肤电信号、心率信号、温度信号以及加速度信号，所述对所述体征信号进行预处理，以生成对应的标准体征信号的步骤包括：
12.通过10hz的高通滤波器对所述皮肤电信号、所述心率信号、所述温度信号以及所述加速度信号进行滤波处理，并通过前置放大器对滤波处理后的皮肤电信号、心率信号、温度信号以及加速度信号放大预设倍数；
13.将放大处理后的皮肤电信号、心率信号、温度信号以及加速度信号通过50hz的陷波器，以生成对应的标准皮肤电信号、标准心率信号、标准温度信号以及标准加速度信号。
14.优选的，所述对所述标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理的步骤包括：
15.对所述标准体征信号进行平滑处理，并通过预设高斯滤波函数去除平滑处理后的标准体征信号中的毛刺噪音；
16.通过所述短时傅里叶变换对平滑处理后的标准体征信号进行频域转换，并实时采集频域转换后产生的全部正样本数据；
17.对所述正样本数据进行最值归一化处理，以将所述正样本数据分别映射至预设区间内，并实时保存对应产生的归一化参数；
18.其中，所述预设高斯滤波函数的表达式为：
[0019][0020]
其中，μ表示x的均值，σ表示x的标准差，且μ和σ的取值分别为0和0.5。
[0021]
优选的，所述对所述正样本数据进行最值归一化处理，以将所述正样本数据分别映射至预设区间内，并实时保存对应产生的归一化参数的步骤之后，所述方法还包括：
[0022]
通过残差网络在所述归一化参数中提取出对应的目标数据特征，并将所述目标数据特征输入至双向gru网络中，所述残差网络由若干个残差块组成；
[0023]
通过所述双向gru网络中的重置门捕捉所述目标数据特征中的时序数据，并通过所述双向gru网络中的更新门捕捉所述时序数据中的数据依赖关系，以根据所述数据依赖关系判断是否需要对所述归一化参数进行更新。
[0024]
其中，所述残差块的表达式为：
[0025]
x
l+1
＝x
l
+f(x
l
，w
l
)其中，x
l
表示第l个输入数据，x
l+1
表示第l个输出数据，w
l
表示第l个输入的权重，f(x
l
，w
l
)表示输入为x
l
是的残差部分。
[0026]
优选的，所述剔除所述预测网络模型中的最后一个softmax分类层，且对应提取出
所述预测网络模型中的高纬度特征的步骤包括：
[0027]
剔除所述预测网络模型中的最后一层softmax参数，并对剔除处理后的预测网络模型进行固化处理，以获取到对应的目标预测网络模型；
[0028]
获取所述用户的频域信息数据，并通过所述目标预测网络模型对所述频域信息数据进行解析处理，以获取到对应的高纬度用户特征向量；
[0029]
关联所述高纬度用户特征向量以及所述用户id，并将所述高纬度用户特征向量和所述用户id同时保存至预设用户信息数据库中。
[0030]
优选的，所述通过所述预测网络模型对所述体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值的步骤包括：
[0031]
当获取到所述高纬度用户特征向量时，在预设特征数据库中匹配出与所述高纬度用户特征向量对应的标准特征向量，并对所述高纬度用户特征向量以及所述标准特征向量进行所述余弦相似性分析，以获取到对应的数组；
[0032]
计算出所述数组的最小值，并判断所述数组的最小值是否大于所述预设阈值；
[0033]
若判断到所述数组的最小值小于所述预设阈值时，则生成对应的预警信号，并将所述预警信号无线传输至所述用户的移动终端，以使所述用户执行对应的安全措施。
[0034]
优选的，所述方法还包括：
[0035]
检测预设存储数据库中的新增数据是否达到预设标定值；
[0036]
若检测到所述预设存储数据库中的新增数据达到所述预设标定值，则按照预设比例对所述新增数据进行分割处理，以将所述新增数据拆分成对应的训练集以及测试集；
[0037]
通过所述训练集对所述预测网络模型进行更新训练，并通过所述测试集对更新后的预测网络模型进行测试，以完成对所述预测网络模型的实时更新。
[0038]
本发明实施例第二方面提出了一种癫痫发作预测系统，应用于智能臂环，所述系统包括：
[0039]
采集模块，用于通过所述智能臂环实时采集用户的体征信号，并对所述体征信号进行预处理，以生成对应的标准体征信号；
[0040]
构建模块，用于对所述标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理，并根据归一化处理后的标准体征信号构建出对应的预测网络模型，并剔除所述预测网络模型中的最后一个softmax分类层，且对应提取出所述预测网络模型中的高纬度特征；
[0041]
判断模块，用于将所述高纬度特征关联所述用户的用户id，并通过所述预测网络模型对所述体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值；
[0042]
预警模块，用于若判断到所述余弦相似度大于所述预设阈值，则根据所述用户id向所述用户发送预警信号。
[0043]
其中，上述癫痫发作预测系统中，所述体征信号包括皮肤电信号、心率信号、温度信号以及加速度信号，所述采集模块具体用于：
[0044]
通过10hz的高通滤波器对所述皮肤电信号、所述心率信号、所述温度信号以及所述加速度信号进行滤波处理，并通过前置放大器对滤波处理后的皮肤电信号、心率信号、温度信号以及加速度信号放大预设倍数；
[0045]
将放大处理后的皮肤电信号、心率信号、温度信号以及加速度信号通过50hz的陷波器，以生成对应的标准皮肤电信号、标准心率信号、标准温度信号以及标准加速度信号。
[0046]
其中，上述癫痫发作预测系统中，所述构建模块具体用于：
[0047]
对所述标准体征信号进行平滑处理，并通过预设高斯滤波函数去除平滑处理后的标准体征信号中的毛刺噪音；
[0048]
通过所述短时傅里叶变换对平滑处理后的标准体征信号进行频域转换，并实时采集频域转换后产生的全部正样本数据；
[0049]
对所述正样本数据进行最值归一化处理，以将所述正样本数据分别映射至预设区间内，并实时保存对应产生的归一化参数；
[0050]
其中，所述预设高斯滤波函数的表达式为：
[0051][0052]
其中，μ表示x的均值，σ表示x的标准差，且μ和σ的取值分别为0和0.5。
[0053]
其中，上述癫痫发作预测系统中，所述癫痫发作预测系统还包括提取模块，所述提取模块具体用于：
[0054]
通过残差网络在所述归一化参数中提取出对应的目标数据特征，并将所述目标数据特征输入至双向gru网络中，所述残差网络由若干个残差块组成；
[0055]
通过所述双向gru网络中的重置门捕捉所述目标数据特征中的时序数据，并通过所述双向gru网络中的更新门捕捉所述时序数据中的数据依赖关系，以根据所述数据依赖关系判断是否需要对所述归一化参数进行更新。
[0056]
其中，所述残差块的表达式为：
[0057]
x
l+1
＝x
l
+f(x
l
，w
l
)
[0058]
其中，x
l
表示第l个输入数据，x
l+1
表示第l个输出数据，w
l
表示第l个输入的权重，f(x
l
，w
l
)表示输入为x
l
是的残差部分。
[0059]
其中，上述癫痫发作预测系统中，所述构建模块还具体用于：
[0060]
剔除所述预测网络模型中的最后一层softmax参数，并对剔除处理后的预测网络模型进行固化处理，以获取到对应的目标预测网络模型；
[0061]
获取所述用户的频域信息数据，并通过所述目标预测网络模型对所述频域信息数据进行解析处理，以获取到对应的高纬度用户特征向量；
[0062]
关联所述高纬度用户特征向量以及所述用户id，并将所述高纬度用户特征向量和所述用户id同时保存至预设用户信息数据库中。
[0063]
其中，上述癫痫发作预测系统中，所述判断模块具体用于：
[0064]
当获取到所述高纬度用户特征向量时，在预设特征数据库中匹配出与所述高纬度用户特征向量对应的标准特征向量，并对所述高纬度用户特征向量以及所述标准特征向量进行所述余弦相似性分析，以获取到对应的数组；
[0065]
计算出所述数组的最小值，并判断所述数组的最小值是否大于所述预设阈值；
[0066]
若判断到所述数组的最小值小于所述预设阈值时，则生成对应的预警信号，并将所述预警信号无线传输至所述用户的移动终端，以使所述用户执行对应的安全措施。
[0067]
其中，上述癫痫发作预测系统中，所述癫痫发作预测系统还包括更新模块，所述更新模块具体用于：
[0068]
检测预设存储数据库中的新增数据是否达到预设标定值；
[0069]
若检测到所述预设存储数据库中的新增数据达到所述预设标定值，则按照预设比例对所述新增数据进行分割处理，以将所述新增数据拆分成对应的训练集以及测试集；
[0070]
通过所述训练集对所述预测网络模型进行更新训练，并通过所述测试集对更新后的预测网络模型进行测试，以完成对所述预测网络模型的实时更新。
[0071]
本发明实施例第三方面提出了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上面所述的癫痫发作预测方法。
[0072]
本发明实施例第四方面提出了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上面所述的癫痫发作预测方法。
[0073]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0074]
图1为本发明第一实施例提供的癫痫发作预测方法的流程图；
[0075]
图2为本发明第六实施例提供的癫痫发作预测系统的结构框图。
[0076]
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
[0077]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0078]
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0079]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0080]
现有的癫痫检测方法主要是通过医院内的专业仪器进行检测，主要采集脑部的脑电波进行数据分析，从而进行癫痫类型检测及治疗。现有的脑部检测装置笨重且不容易携带，不利于癫痫患者发病时的及时检测。由于每个癫痫患者的特异性，每个患者发病时特征也不完全性同，因此现有的癫痫检测方法的检测效率底、鲁棒性差，同时具有一定的使用局限性。
[0081]
请参阅图1，所示为本发明第一实施例提供的癫痫发作预测方法，本实施例提供的癫痫发作预测方法通过上述方式能够在用户只佩戴智能臂环的前提下，就能够实时采集到
用户的体征信号，并能够进一步根据实时采集到的体征信号准确的判断出当前用户是否将要发病，从而大幅提升了对癫痫的检测效率，同时消除了使用的局限性，适用于大范围的推广与使用。
[0082]
具体的，本实施例提供的癫痫发作预测方法应用于智能臂环，所述方法包括以下步骤：
[0083]
步骤s10，通过所述智能臂环实时采集用户的体征信号，并对所述体征信号进行预处理，以生成对应的标准体征信号；
[0084]
具体的，在本实施例中，首先需要说明的是，本实施例提供的智能臂环具体包括皮肤电传感器、心率传感器、温度传感器以及三轴加速度传感器，从而能够使该智能臂环对应采集到皮肤电信号、心率信号、温度信号与合成加速度信号等生理数据，以便于后续模型算法的训练。
[0085]
另外，在本实施例中，需要指出的是，本实施例提供的智能臂环具体佩戴在用户的手臂上，优选的，佩戴在靠近用户肩膀的位置上，以便于实时采集用户的体征信号，具体的，本实施例提供的体征信号包括上述皮肤电信号、心率信号、温度信号与合成加速度信号。
[0086]
因此，在本步骤中，需要说明的是，本步骤会实时通过上述智能臂环采集当前用户的体征信号，进一步的，本步骤还会对实时采集到的体征信号进行预处理，以生成能够便于后续处理的标准体征信号。
[0087]
步骤s20，对所述标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理，并根据归一化处理后的标准体征信号构建出对应的预测网络模型，并剔除所述预测网络模型中的最后一个softmax分类层，且对应提取出所述预测网络模型中的高纬度特征；
[0088]
进一步的，在本实施例中，需要说明的是，本步骤会实时对获取到的标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理，从而能够根据归一化处理后的标准体征信号构建出对应的预测网络模型，具体的，本实施例提供的预测网络模型包括若干层softmax分类层，但是，本步骤会剔除掉当前预测网络模型中的最后一个softmax分类层，与此同时，本步骤还会提取出当前预测网络模型中的高纬度特征。
[0089]
步骤s30，将所述高纬度特征关联所述用户的用户id，并通过所述预测网络模型对所述体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值；
[0090]
具体的，在本步骤中，需要说明的是，本步骤会进一步将获取到的高纬度特征关联当前用户的用户id，优选的，关联当前用户的身份证信息，从而能够使当前智能臂环对应绑定当前用户的用户信息。
[0091]
在此基础之上，本步骤会进一步通过上述预测网络模型对上述体征信号进行余弦相似性分析，与此同时，判断实时计算出的余弦相似度是否大于预先设置好的阈值。
[0092]
步骤s40，若判断到所述余弦相似度大于所述预设阈值，则根据所述用户id向所述用户发送预警信号。
[0093]
最后，在本步骤中，若实时判断到计算出的余弦相似度大于上述预先设置好的阈值，则本步骤会进一步通过已经绑定好的用户id向当前用户发送预警信号，具体的，该预警信号可以包括文字信号以及声音信号。
[0094]
使用时，通过智能臂环实时采集用户的体征信号，并对体征信号进行预处理，以生成对应的标准体征信号；进一步的，对标准体征信号分别进行短时傅里叶变换、频率分析以
及归一化处理，并根据归一化处理后的标准体征信号构建出对应的预测网络模型，并剔除预测网络模型中的最后一个softmax分类层，且对应提取出预测网络模型中的高纬度特征；在此基础之上，将高纬度特征关联用户的用户id，并通过预测网络模型对体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值；最后若判断到余弦相似度大于预设阈值，则根据用户id向用户发送预警信号。通过上述方式能够在用户只佩戴智能臂环的前提下，就能够实时采集到用户的体征信号，并能够进一步根据实时采集到的体征信号准确的判断出当前用户是否将要发病，从而大幅提升了对癫痫的检测效率，同时消除了使用的局限性，适用于大范围的推广与使用。
[0095]
需要说明的是，上述的实施过程只是为了说明本技术的可实施性，但这并不代表本技术的癫痫发作预测方法只有上述唯一一种实施流程，相反的，只要能够将本技术的癫痫发作预测方法实施起来，都可以被纳入本技术的可行实施方案。
[0096]
综上，本发明上述实施例提供的癫痫发作预测方法通过上述方式能够在用户只佩戴智能臂环的前提下，就能够实时采集到用户的体征信号，并能够进一步根据实时采集到的体征信号准确的判断出当前用户是否将要发病，从而大幅提升了对癫痫的检测效率，同时消除了使用的局限性，适用于大范围的推广与使用。
[0097]
本发明第二实施例也提供了一种癫痫发作预测方法，本实施例提供的癫痫发作预测方法与上述第一实施例提供的癫痫发作预测方法不同之处在于：
[0098]
具体的，在本实施例中，需要说明的是，上述体征信号包括皮肤电信号、心率信号、温度信号以及加速度信号，所述对所述体征信号进行预处理，以生成对应的标准体征信号的步骤包括：
[0099]
通过10hz的高通滤波器对所述皮肤电信号、所述心率信号、所述温度信号以及所述加速度信号进行滤波处理，并通过前置放大器对滤波处理后的皮肤电信号、心率信号、温度信号以及加速度信号放大预设倍数；
[0100]
将放大处理后的皮肤电信号、心率信号、温度信号以及加速度信号通过50hz的陷波器，以生成对应的标准皮肤电信号、标准心率信号、标准温度信号以及标准加速度信号。
[0101]
具体的，在本实施例中，需要说明的是，本实施例在获取到需要的体征信号之后，为了能够便于后续预测网络模型的构建，本实施例会实时对获取到的体征信号进行预处理，具体的，本实施例会通过现有的10hz的高通滤波器对实时接收到的皮肤电信号、心率信号、温度信号以及加速度信号进行滤波处理，以去除掉当前皮肤电信号、心率信号、温度信号以及加速度信号中的干扰信号，在此基础之上，本实施例还会进一步通过现有的前置放大器对滤波处理后的皮肤电信号、心率信号、温度信号以及加速度信号进行放大处理，优选的，本实施例会放大100倍。
[0102]
进一步的，本实施例还会将放大处理后的皮肤电信号、心率信号、温度信号以及加速度信号进一步通过现有的50hz的陷波器，从而能够通过当前50hz的陷波器最终输出需要的标准皮肤电信号、标准心率信号、标准温度信号以及标准加速度信号。
[0103]
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供的相应内容。
[0104]
综上，本发明上述实施例提供的癫痫发作预测方法通过上述方式能够在用户只佩
戴智能臂环的前提下，就能够实时采集到用户的体征信号，并能够进一步根据实时采集到的体征信号准确的判断出当前用户是否将要发病，从而大幅提升了对癫痫的检测效率，同时消除了使用的局限性，适用于大范围的推广与使用。
[0105]
本发明第三实施例也提供了一种癫痫发作预测方法，本实施例提供的癫痫发作预测方法与上述第一实施例提供的癫痫发作预测方法不同之处在于：
[0106]
具体的，在本实施例中，需要说明的是，上述对所述标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理的步骤包括：
[0107]
对所述标准体征信号进行平滑处理，并通过预设高斯滤波函数去除平滑处理后的标准体征信号中的毛刺噪音；
[0108]
通过所述短时傅里叶变换对平滑处理后的标准体征信号进行频域转换，并实时采集频域转换后产生的全部正样本数据；
[0109]
对所述正样本数据进行最值归一化处理，以将所述正样本数据分别映射至预设区间内，并实时保存对应产生的归一化参数；
[0110]
其中，所述预设高斯滤波函数的表达式为：
[0111][0112]
其中，μ表示x的均值，σ表示x的标准差，且μ和σ的取值分别为0和0.5。
[0113]
进一步的，需要指出的是，本实施例提供的短时傅里叶变换的表达式为：
[0114][0115]
其中，x(t)表示时间域的信号，h(t)表示窗口函数，具体的，随着τ的推移，当前窗口函数中的时间窗在原始信号上滑动。更具体的，时间窗口δt以及频率窗口δw越小，表示当前短时傅里叶变换的精度越高，另外，本实施例还分别测试了δw为4、16、32以及64，进行对比分析实验，实验结果显示δw为32时，后续模型的检测准确率最高。
[0116]
进一步的，本实施例会实时采集经过短时傅里叶变换后产生的全部正样本数据，并进一步对当前全部正样本数据进行归一化处理，具体的，本实施例会将当前全部正样本数据分别映射至0至1之间，与此同时，保存对应产生的归一化参数，以便于后续直接加载相关参数，并进行数据归一化处理。
[0117]
进一步的，在本实施例中，需要指出的是，上述对所述正样本数据进行最值归一化处理，以将所述正样本数据分别映射至预设区间内，并实时保存对应产生的归一化参数的步骤之后，所述方法还包括：
[0118]
通过残差网络在所述归一化参数中提取出对应的目标数据特征，并将所述目标数据特征输入至双向gru网络中，所述残差网络由若干个残差块组成；
[0119]
通过所述双向gru网络中的重置门捕捉所述目标数据特征中的时序数据，并通过所述双向gru网络中的更新门捕捉所述时序数据中的数据依赖关系，以根据所述数据依赖关系判断是否需要对所述归一化参数进行更新。
[0120]
其中，所述残差块的表达式为：
[0121]
x
l+1
＝x
l
+f(x
l
，w
l
)
[0122]
其中，x
l
表示第l个输入数据，x
l+1
表示第l个输出数据，w
l
表示第l个输入的权重，f(x
l
，w
l
)表示输入为x
l
是的残差部分。
[0123]
具体的，在本实施例中，需要说明的是，本实施例提供的预测网络模型具体由卷积神经网络以及双向gru网络构成，其中，卷积神经网络具体可以为残差网络，因此，本步骤会通过当前残差网络在上述归一化参数中提取出对应的目标数据特征，进一步的，本步骤还会将当前目标数据特征输入至上述双向gru网络中，以进行进一步的处理。
[0124]
具体的，本实施例提供的双向gru网络的表达式为：
[0125]zt
＝σ(wzx
t
+u
zht-1
)
[0126]rt
＝σ(wrx
t
+u
rht-1
)
[0127][0128][0129]
y＝σ(h
t
wy)
[0130]
其中，wz、uz、wr、ur、w、u、wy、为上述双向gru网络相关的权值，w为输入层到隐藏层的权值，u为隐含层自身的权值，wy为隐含层到输出层的权值，wz为输入层到更新门的z
t
的权值，wr为输入层到重置门r
t
的权值，ur为上一时刻隐含层到重置门r
t
的权值，y为神经网络的输出。
[0131]
另外，在本实施例中，还需要说明的是，在其他情况下，本实施例还会选用adam算法代替上述双向gru网络中的随机梯度下降算法，以对权重进行梯度更新，对应加快训练过程中的参数的收敛速度，并在训练的过程中采用dropout、l2正则化等策略有效缓解数据训练过程中的过拟合现象，采用自适应学习率算法进行训练反向传播优化，采用focal均衡处理方法对不均衡数据进行处理，有效提高了模型的性能。
[0132]
具体的，本实施例提供的adam权重更新算法采用分数衰减的方式，在学习率衰减的过程中，设置最小衰减学习率lr0，并且当学习率小于lr0时，学习率不再进行衰减，以防止模型训练过程中学习率衰减到0的状态。
[0133]
对于向量(x1，x2，...，xn)的l2归一化函数为：
[0134][0135]
其中，x2代表获得的一个新向量。
[0136]
进一步的，训练过程中的对不均衡数据进行处理的focal loss函数的表达式如
下：
[0137][0138]
其中，α表示求损失函数时的正样本的权重值，该值处于0到1之间，y表示上述预测网络模型中给出的预测样本的概率，在其他情况下，y还表示真实样本，γ代表权值修正参数，当正确类别的概率越大，对应分类正确的样本的损失权重越小，反之，分类错误的样本的损权权重越大。
[0139]
需要指出的是，本发明第三实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供的相应内容。
[0140]
综上，本发明上述实施例提供的癫痫发作预测方法通过上述方式能够在用户只佩戴智能臂环的前提下，就能够实时采集到用户的体征信号，并能够进一步根据实时采集到的体征信号准确的判断出当前用户是否将要发病，从而大幅提升了对癫痫的检测效率，同时消除了使用的局限性，适用于大范围的推广与使用。
[0141]
本发明第四实施例也提供了一种癫痫发作预测方法，本实施例提供的癫痫发作预测方法与上述第一实施例提供的癫痫发作预测方法不同之处在于：
[0142]
进一步的，在本实施例中，需要说明的是，上述剔除所述预测网络模型中的最后一个softmax分类层，且对应提取出所述预测网络模型中的高纬度特征的步骤包括：
[0143]
剔除所述预测网络模型中的最后一层softmax参数，并对剔除处理后的预测网络模型进行固化处理，以获取到对应的目标预测网络模型；
[0144]
获取所述用户的频域信息数据，并通过所述目标预测网络模型对所述频域信息数据进行解析处理，以获取到对应的高纬度用户特征向量；
[0145]
关联所述高纬度用户特征向量以及所述用户id，并将所述高纬度用户特征向量和所述用户id同时保存至预设用户信息数据库中。
[0146]
其中，在本实施例中，需要指出的是，上述通过所述预测网络模型对所述体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值的步骤包括：
[0147]
当获取到所述高纬度用户特征向量时，在预设特征数据库中匹配出与所述高纬度用户特征向量对应的标准特征向量，并对所述高纬度用户特征向量以及所述标准特征向量进行所述余弦相似性分析，以获取到对应的数组；
[0148]
计算出所述数组的最小值，并判断所述数组的最小值是否大于所述预设阈值；
[0149]
若判断到所述数组的最小值小于所述预设阈值时，则生成对应的预警信号，并将所述预警信号无线传输至所述用户的移动终端，以使所述用户执行对应的安全措施。
[0150]
具体的，在本实施例中，需要说明的是，本实施例在获取到经过预处理后的体征信号之后，能够生成与当前体征信号对应的具有256维度的高纬度用户特征向量，与此同时，本实施例还能够在预设特征数据库中匹配出与当前预处理后的体征信号对应的标准特征向量，在此基础之上，本实施例进一步对当前高纬度用户特征向量以及上述标准特征向量进行余弦相似性分析，以对应生成一个长度为n的数组。
[0151]
进一步的，本实施例会遍历当前长度为n的数组，以对应计算出当前数组的最小值，并立即判断当前数组的最小值是否大于预先设置好的阈值，具体的，当本实施例判断到计算出的最小值小于当前预先设置好的阈值，则说明当前用户即将发病，需要进行对应的预警处理，因此，本实施例会通过蓝牙以及无线网等无线传输方式将预警信号传输至当前用户以及当前用户的家人的移动终端上，以使当前用户能够及时的执行对应的安全措施。
[0152]
需要指出的是，本发明第四实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供的相应内容。
[0153]
综上，本发明上述实施例提供的癫痫发作预测方法通过上述方式能够在用户只佩戴智能臂环的前提下，就能够实时采集到用户的体征信号，并能够进一步根据实时采集到的体征信号准确的判断出当前用户是否将要发病，从而大幅提升了对癫痫的检测效率，同时消除了使用的局限性，适用于大范围的推广与使用。
[0154]
本发明第五实施例也提供了一种癫痫发作预测方法，本实施例提供的癫痫发作预测方法与上述第一实施例提供的癫痫发作预测方法不同之处在于：
[0155]
具体的，在本实施例中，需要指出的是，上述方法还包括：
[0156]
检测预设存储数据库中的新增数据是否达到预设标定值；
[0157]
若检测到所述预设存储数据库中的新增数据达到所述预设标定值，则按照预设比例对所述新增数据进行分割处理，以将所述新增数据拆分成对应的训练集以及测试集；
[0158]
通过所述训练集对所述预测网络模型进行更新训练，并通过所述测试集对更新后的预测网络模型进行测试，以完成对所述预测网络模型的实时更新。
[0159]
具体的，在本实施例中，本实施例会按照5:1的方式对实时接收到的新增数据进行分割处理，以形成两个数据集，进一步的，其中占比较高的数据集设定为训练集，对应的，其中占比较低的数据集设定为测试集，在此基础之上，能够通过当前测试集对上述预测网络模型进行二次训练，进一步的，再通过当前测试集对二次训练后的预测网络模型进行二次测试，更进一步的，当二次测试完成时，即完成了对当前预测网络模型的更新。
[0160]
更具体的，在更新的过程中，可以通过准确率、精准率以及召回率等参数综合判断更新后的预测网络模型与更新前的预测网络模型进行分析，同时保存、固化并替换最优的模型参数。
[0161]
需要指出的是，本发明第五实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供的相应内容。
[0162]
综上，本发明上述实施例提供的癫痫发作预测方法通过上述方式能够在用户只佩戴智能臂环的前提下，就能够实时采集到用户的体征信号，并能够进一步根据实时采集到的体征信号准确的判断出当前用户是否将要发病，从而大幅提升了对癫痫的检测效率，同时消除了使用的局限性，适用于大范围的推广与使用。
[0163]
请参阅图2，所示为本发明第六实施例提供的一种癫痫发作预测系统，应用于智能臂环，所述系统包括：
[0164]
采集模块12，用于通过所述智能臂环实时采集用户的体征信号，并对所述体征信号进行预处理，以生成对应的标准体征信号；
[0165]
构建模块22，用于对所述标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理，并根据归一化处理后的标准体征信号构建出对应的预测网络模型，并剔除所述预测网络模型中的最后一个softmax分类层，且对应提取出所述预测网络模型中的高纬度特征；
[0166]
判断模块32，用于将所述高纬度特征关联所述用户的用户id，并通过所述预测网络模型对所述体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值；
[0167]
预警模块42，用于若判断到所述余弦相似度大于所述预设阈值，则根据所述用户id向所述用户发送预警信号。
[0168]
其中，上述癫痫发作预测系统中，所述体征信号包括皮肤电信号、心率信号、温度信号以及加速度信号，所述采集模块12具体用于：
[0169]
通过10hz的高通滤波器对所述皮肤电信号、所述心率信号、所述温度信号以及所述加速度信号进行滤波处理，并通过前置放大器对滤波处理后的皮肤电信号、心率信号、温度信号以及加速度信号放大预设倍数；
[0170]
将放大处理后的皮肤电信号、心率信号、温度信号以及加速度信号通过50hz的陷波器，以生成对应的标准皮肤电信号、标准心率信号、标准温度信号以及标准加速度信号。
[0171]
其中，上述癫痫发作预测系统中，所述构建模块22具体用于：
[0172]
对所述标准体征信号进行平滑处理，并通过预设高斯滤波函数去除平滑处理后的标准体征信号中的毛刺噪音；
[0173]
通过所述短时傅里叶变换对平滑处理后的标准体征信号进行频域转换，并实时采集频域转换后产生的全部正样本数据；
[0174]
对所述正样本数据进行最值归一化处理，以将所述正样本数据分别映射至预设区间内，并实时保存对应产生的归一化参数；
[0175]
其中，所述预设高斯滤波函数的表达式为：
[0176][0177]
其中，μ表示x的均值，σ表示x的标准差，且μ和σ的取值分别为0和0.5。
[0178]
其中，上述癫痫发作预测系统中，所述癫痫发作预测系统还包括提取模块52，所述提取模块52具体用于：
[0179]
通过残差网络在所述归一化参数中提取出对应的目标数据特征，并将所述目标数据特征输入至双向gru网络中，所述残差网络由若干个残差块组成；
[0180]
通过所述双向gru网络中的重置门捕捉所述目标数据特征中的时序数据，并通过所述双向gru网络中的更新门捕捉所述时序数据中的数据依赖关系，以根据所述数据依赖关系判断是否需要对所述归一化参数进行更新。
[0181]
其中，所述残差块的表达式为：
[0182]
x
l+1
＝x
l
+f(x
l
，w
l
)
[0183]
其中，x
l
表示第l个输入数据，x
l+1
表示第l个输出数据，w
l
表示第l个输入的权重，f(x
l
，w
l
)表示输入为x
l
是的残差部分。
[0184]
其中，上述癫痫发作预测系统中，所述构建模块22还具体用于：
[0185]
剔除所述预测网络模型中的最后一层softmax参数，并对剔除处理后的预测网络模型进行固化处理，以获取到对应的目标预测网络模型；
[0186]
获取所述用户的频域信息数据，并通过所述目标预测网络模型对所述频域信息数据进行解析处理，以获取到对应的高纬度用户特征向量；
[0187]
关联所述高纬度用户特征向量以及所述用户id，并将所述高纬度用户特征向量和所述用户id同时保存至预设用户信息数据库中。
[0188]
其中，上述癫痫发作预测系统中，所述判断模块32具体用于：
[0189]
当获取到所述高纬度用户特征向量时，在预设特征数据库中匹配出与所述高纬度用户特征向量对应的标准特征向量，并对所述高纬度用户特征向量以及所述标准特征向量进行所述余弦相似性分析，以获取到对应的数组；
[0190]
计算出所述数组的最小值，并判断所述数组的最小值是否大于所述预设阈值；
[0191]
若判断到所述数组的最小值小于所述预设阈值时，则生成对应的预警信号，并将所述预警信号无线传输至所述用户的移动终端，以使所述用户执行对应的安全措施。
[0192]
其中，上述癫痫发作预测系统中，所述癫痫发作预测系统还包括更新模块62，所述更新模块62具体用于：
[0193]
检测预设存储数据库中的新增数据是否达到预设标定值；
[0194]
若检测到所述预设存储数据库中的新增数据达到所述预设标定值，则按照预设比例对所述新增数据进行分割处理，以将所述新增数据拆分成对应的训练集以及测试集；
[0195]
通过所述训练集对所述预测网络模型进行更新训练，并通过所述测试集对更新后的预测网络模型进行测试，以完成对所述预测网络模型的实时更新。
[0196]
本发明第七实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例提供的癫痫发作预测方法。
[0197]
本发明第八实施例提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提供的癫痫发作预测方法。
[0198]
综上所述，本发明上述实施例提供的癫痫发作预测方法、系统、计算机及可读存储介质通过上述方式能够在用户只佩戴智能臂环的前提下，就能够实时采集到用户的体征信号，并能够进一步根据实时采集到的体征信号准确的判断出当前用户是否将要发病，从而大幅提升了对癫痫的检测效率，同时消除了使用的局限性，适用于大范围的推广与使用。
[0199]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0200]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传
输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0201]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0202]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0203]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0204]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种癫痫发作预测方法，其特征在于，应用于智能臂环，所述方法包括：通过所述智能臂环实时采集用户的体征信号，并对所述体征信号进行预处理，以生成对应的标准体征信号；对所述标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理，并根据归一化处理后的标准体征信号构建出对应的预测网络模型，并剔除所述预测网络模型中的最后一个softmax分类层，且对应提取出所述预测网络模型中的高纬度特征；将所述高纬度特征关联所述用户的用户id，并通过所述预测网络模型对所述体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值；若判断到所述余弦相似度大于所述预设阈值，则根据所述用户id向所述用户发送预警信号。2.根据权利要求1所述的癫痫发作预测方法，其特征在于：所述体征信号包括皮肤电信号、心率信号、温度信号以及加速度信号，所述对所述体征信号进行预处理，以生成对应的标准体征信号的步骤包括：通过10hz的高通滤波器对所述皮肤电信号、所述心率信号、所述温度信号以及所述加速度信号进行滤波处理，并通过前置放大器对滤波处理后的皮肤电信号、心率信号、温度信号以及加速度信号放大预设倍数；将放大处理后的皮肤电信号、心率信号、温度信号以及加速度信号通过50hz的陷波器，以生成对应的标准皮肤电信号、标准心率信号、标准温度信号以及标准加速度信号。3.根据权利要求1所述的癫痫发作预测方法，其特征在于：所述对所述标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理的步骤包括：对所述标准体征信号进行平滑处理，并通过预设高斯滤波函数去除平滑处理后的标准体征信号中的毛刺噪音；通过所述短时傅里叶变换对平滑处理后的标准体征信号进行频域转换，并实时采集频域转换后产生的全部正样本数据；对所述正样本数据进行最值归一化处理，以将所述正样本数据分别映射至预设区间内，并实时保存对应产生的归一化参数；其中，所述预设高斯滤波函数的表达式为：其中，μ表示x的均值，σ表示x的标准差，且μ和σ的取值分别为0和0.5。4.根据权利要求3所述的癫痫发作预测方法，其特征在于：所述对所述正样本数据进行最值归一化处理，以将所述正样本数据分别映射至预设区间内，并实时保存对应产生的归一化参数的步骤之后，所述方法还包括：通过残差网络在所述归一化参数中提取出对应的目标数据特征，并将所述目标数据特征输入至双向gru网络中，所述残差网络由若干个残差块组成；通过所述双向gru网络中的重置门捕捉所述目标数据特征中的时序数据，并通过所述双向gru网络中的更新门捕捉所述时序数据中的数据依赖关系，以根据所述数据依赖关系
判断是否需要对所述归一化参数进行更新。其中，所述残差块的表达式为：x
l+1
＝x
l
+f(x
l
，w
l
)其中，x
l
表示第l个输入数据，x
l+1
表示第l个输出数据，w
l
表示第l个输入的权重，f(x
l
，w
l
)表示输入为x
l
是的残差部分。5.根据权利要求1所述的癫痫发作预测方法，其特征在于：所述剔除所述预测网络模型中的最后一个softmax分类层，且对应提取出所述预测网络模型中的高纬度特征的步骤包括：剔除所述预测网络模型中的最后一层softmax参数，并对剔除处理后的预测网络模型进行固化处理，以获取到对应的目标预测网络模型；获取所述用户的频域信息数据，并通过所述目标预测网络模型对所述频域信息数据进行解析处理，以获取到对应的高纬度用户特征向量；关联所述高纬度用户特征向量以及所述用户id，并将所述高纬度用户特征向量和所述用户id同时保存至预设用户信息数据库中。6.根据权利要求5所述的癫痫发作预测方法，其特征在于：所述通过所述预测网络模型对所述体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值的步骤包括：当获取到所述高纬度用户特征向量时，在预设特征数据库中匹配出与所述高纬度用户特征向量对应的标准特征向量，并对所述高纬度用户特征向量以及所述标准特征向量进行所述余弦相似性分析，以获取到对应的数组；计算出所述数组的最小值，并判断所述数组的最小值是否大于所述预设阈值；若判断到所述数组的最小值小于所述预设阈值时，则生成对应的预警信号，并将所述预警信号无线传输至所述用户的移动终端，以使所述用户执行对应的安全措施。7.根据权利要求1所述的癫痫发作预测方法，其特征在于：所述方法还包括：检测预设存储数据库中的新增数据是否达到预设标定值；若检测到所述预设存储数据库中的新增数据达到所述预设标定值，则按照预设比例对所述新增数据进行分割处理，以将所述新增数据拆分成对应的训练集以及测试集；通过所述训练集对所述预测网络模型进行更新训练，并通过所述测试集对更新后的预测网络模型进行测试，以完成对所述预测网络模型的实时更新。8.一种癫痫发作预测系统，其特征在于，应用于智能臂环，所述系统包括：采集模块，用于通过所述智能臂环实时采集用户的体征信号，并对所述体征信号进行预处理，以生成对应的标准体征信号；构建模块，用于对所述标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理，并根据归一化处理后的标准体征信号构建出对应的预测网络模型，并剔除所述预测网络模型中的最后一个softmax分类层，且对应提取出所述预测网络模型中的高纬度特征；判断模块，用于将所述高纬度特征关联所述用户的用户id，并通过所述预测网络模型对所述体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值；预警模块，用于若判断到所述余弦相似度大于所述预设阈值，则根据所述用户id向所述用户发送预警信号。
9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的癫痫发作预测方法。10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任意一项所述的癫痫发作预测方法。

技术总结
本发明提供了一种癫痫发作预测方法、系统、计算机及可读存储介质，该方法包括：通过智能臂环实时采集用户的体征信号，并对体征信号进行预处理，以生成标准体征信号；对标准体征信号分别进行短时傅里叶变换、频率分析以及归一化处理，并根据标准体征信号构建出预测网络模型，且对应提取出预测网络模型中的高纬度特征；将高纬度特征关联用户ID，并通过预测网络模型对体征信号进行余弦相似性分析，并判断计算出的余弦相似度是否大于预设阈值；若是，则根据用户ID向用户发送预警信号。通过上述方式能够根据实时采集到的体征信号准确的判断出当前用户是否将要发病，从而大幅提升了对癫痫的检测效率。的检测效率。的检测效率。


技术研发人员：李之光 雷俊丽 李介 刘丹 张恒星
受保护的技术使用者：郑州中业科技股份有限公司
技术研发日：2023.03.20
技术公布日：2023/7/22