基于神经动力学的交互式癫痫实时预测方法

本发明涉及神经信号处理，尤其涉及一种基于神经动力学的交互式癫痫实时预测方法。背景技术：1、癫痫是一种常见的神经系统疾病，其特征是突发性的、不可预测的癫痫发作。这种疾病给患者和家属带来极大的心理和生理负担，因为发作往往发生在毫无预兆的情况下，严重影响了患者的生活质量和安全。因此，一种能够实时监测和预警癫痫发作的智能化系统变得至关重要。这样的系统可以及时发现癫痫的发作迹象，帮助患者采取预防措施或寻求及时治疗，从而有效减少发作带来的负面影响，提高患者的生活质量和安全感。2、当前的癫痫实时预测方法的主要包括基于传统机器学习和深度学习的方法。传统机器学习方法通过特征提取和分类器预测，在特定数据集上表现出较高的准确性和稳定性，尤其对于已知类型的癫痫表现具有良好的预测能力。另一方面，基于深度学习的方法通过大量数据训练来学习复杂的脑电信号模式，利用学习到的脑电信号模式来训练分类器，深度学习方法能够自动从数据中提取有用特征，避免人工筛选特征。这些系统能够在特定情况下有效地从脑电信号中提取关键特征并做出预测，为癫痫发作提供监测和预警。3、申请号为202410191137.3的发明专利《癫痫预测方法及装置》，公开了如下方法：获取待测脑电图eeg数据；基于双通道融合模型对eeg数据进行预测，得到癫痫预测结果；其中，双通道融合模型的两个通道分支分别通过编码网络和卷积神经网络构建得到，编码网络基于自注意力机制构建；双通道融合模型通过以样本eeg数据为训练样本，以融合特征为训练特征训练得到；融合特征基于编码网络输出的全局特征和卷积神经网络输出的局部特征确定。上述计算方案结合eeg数据中的全局信息和局部信息实现网络的迭代训练和癫痫预测，提升了癫痫预测的准确性。4、然而，上述技术方案，以及现有的癫痫实时预测方法存在几个主要不足之处：5、1)实时性：现有方法往往依赖于特定的特征选择和模型训练策略。传统机器学习方法需要人工选择和提取脑电信号中的特征，而深度学习方法则通常需要大量数据来训练模型以自动提取特征。这种依赖特定特征和训练策略的方法使得模型的适应性受到限制，难以应对癫痫疾病多样性和个体差异。因此，在面对新的癫痫类型或者患者时，往往需要大量时间来重新人工或者训练模型选择特征，缺乏实时性。6、2)泛化性：现有方法依赖于预训练好的分类模型。这种方法可能导致模型泛化能力不足，特别是在面对新的患者数据或不同类型的癫痫表现时，预训练的模型可能无法有效地适应变化的数据和条件，从而影响预测系统的稳定性。7、3)交互性：现有方法往往缺乏与患者的交互性，无法根据患者的个体特征和需求进行定制化的预警和实时调控管理。由于癫痫患者的病情和反应因人而异，即使是同一患者，在不同行为状态下的脑电信号特征也可能会有所变化。因此，一个通用的预测模型难以满足不同患者的需求，缺乏个性化的交互设计限制了系统的实用性和适应性。8、因此，进一步改进和创新，开发出更加智能、高效且具有良好泛化性能的癫痫实时预测方法，以更好地服务于不同的癫痫患者是非常必要的。技术实现思路1、本发明的目的是提供一种基于神经动力学的交互式癫痫实时预测方法，能够快速适应数据变化，有效应对癫痫病情多样性和和脑电信号的个体差异性，从而提高癫痫预测实时性、泛化性和交互性，为医生诊断分析提供数据支持和辅助验证。2、本发明采用下述技术方案：3、一种基于神经动力学的交互式癫痫实时预测方法，依次包括以下步骤：4、a：进行头皮脑电数据的采集及预处理，获得高维空间头皮脑电序列；5、b：建立时空信息转换模型，并利用时空信息转换模型对高维空间头皮脑电序列进行时空信息转换，得到对应的低维时间序列；然后基于低维时间序列，通过设定目标输出对时空信息转换模型进行实时优化；6、c：获取待监测患者的实时头皮脑电数据，并通过实时优化的时空信息转换模型转化为对应的实时低维时间序列，然后通过实时低维时间序列获取临界不可预测性预警信号和临界波动性预警信号；7、d：依据获取的临界不可预测性预警信号和临界波动性预警信号，进行癫痫发作预测和癫痫发作预警通知。8、步骤b包括以下具体步骤：9、b1：构建时空信息转换模型；10、使用rnn作为核心组件构建两个相同的编码器encoder 1和encoder 2；11、12、v＝wout×s；          (2)13、其中，z是输入到时空信息转换模型中的高维空间头皮脑电序列，s是高维空间头皮脑电序列经过隐藏层转换后的潜在变量序列，v是模型输出的低维时间序列，wrec、winp和wout分别是隐藏层的权重矩阵、输入层到隐藏层的权重矩阵和隐藏层到输出层的权重矩阵；14、b2：基于得到的时空信息转换模型，对高维空间头皮脑电序列z(t)和z(t+m)进行时空信息转换，得到对应的低维时间序列v(t)以及v(t+m)；15、b3：将低维时间序列v(t+m)设定为目标输出，利用在线模型优化策略，通过优化时空信息转换模型参数，使得时空信息转换模型生成接近目标输出v(t+m)的预测v(t)。16、步骤b2中：17、首先，通过滑动时间窗口的方法，利用时间窗口w＝{w1，w2，…，wn}，将t时刻的高维空间头皮脑电序列z(t)依次输入到编码器encoder 1中，经过神经微分方程的处理后，得到低维时间序列v(t)；18、然后，利用滑动时间窗口w＝{w1，w2，…，wn}，将t+m时刻的高维空间头皮脑电序列z(t+m)依次输入到编码器encoder 2中，经过神经微分方程的处理后，得到低维时间序列v(t+m)；其中，n和m均为正整数。19、步骤b3中，采用基于force learning算法的在线模型优化策略，包括以下步骤：20、a：进行误差信号计算；21、根据时空信息转换模型的输出v(t)和目标输出v(t+m)计算误差信号，即预测值与目标值之间的差异e(t)；22、e(t)＝v(t)-v(t+m)；23、b：通过动态权重调整学习率矩阵；24、基于误差信号和递归最小二乘算法，对时空信息转换模型的学习率矩阵p进行动态调整，从而得到动态学习率矩阵：25、26、其中，s(t)为t时刻步骤b1中rnn的神经微分方程(1)的输出，即时空信息转换模型隐藏层的输出；p(t)和p(t-1)分别是t时刻和t-1时刻的学习率矩阵；上角标t表示矩阵的转置；27、c：进行输出层权重矩阵的实时更新：28、通过得到的动态学习率矩阵，获取对应时刻的输出权重的改变量dw，并根据dw实时更新模型的输出层权重矩阵；29、dw＝e(t)×p(t)×s(t)；30、wout(t)＝wout(t-1)-dw。31、步骤c中：32、对于生成的低维时间序列v(t)和v(t+m)，将时间序列v(t)视为预测序列vpre，将时间序列v(t+m)视为目标序列vtarget；对于每个目标序列vtarget＝{vtarget(t+m)，vtarget(t+m+1)，…，vtarget(t+l+m-1)}，通过步骤b得到对应的预测序列vpre＝{v(t+m)，v(t+m+1)，…，v(t+l+m-1)}；然后利用t检验估计vtarget与对应的vpre之间是否存在显著差异，若存在显著差异，则标记该时刻发生的信号为临界不可预测性预警信号；其中，m和l均为正整数；33、通过滑动时间窗口计算vtarget每个滑动时间窗口内数据的方差，得到方差的时间序列{sd(vt)，sd(vt+1)，…，sd(vt+m)，…}；对于每个时间点t+m，通过单样本t检验判断sd(vt+m)与对应的前驱体{sd(vt),sd(vt+1),…,sd(vt+m-1)}之间是否存在显著差异；若存在显著差异，则标记该时刻发生的信号为临界波动性预警信号。34、判断是否存在显著差异时，将通过t检验得到的差异值与设定的显著性差异阈值q进行比较，若差异值小于设定的显著性差异阈值q，则判定存在显著性差异；若差异值大于等于设定的显著性差异阈值q，则判定不存在显著性差异。35、步骤d中，依据获取的临界不可预测性预警信号和临界波动性预警信号，若临界不可预测性预警信号和临界波动性预警信号同时存在于同一时间窗口数据中，则标记该时间窗口数据为癫痫发作信号的可能时间窗口，实现癫痫发作预测；在癫痫发作预测过程中，依据获取的临界不可预测性预警信号和临界波动性预警信号，若在连续的t秒内，癫痫发作信号的可能时间窗口超过1个，则将第2个癫痫发作信号的可能时间窗口所对应的时间点作为预警时间点，以实现癫痫发作预警。36、所述的显著性差异阈值q为动态值，显著性差异阈值q的初始值为0.05；37、若在癫痫发作预警时间后的30分钟内未发生癫痫发作，则将该癫痫发作预警通知判定为虚警；当连续出现三次虚警情况后，增大显著性差异阈值q的数值；38、若在患者出现癫痫发作的前30分钟内未发生癫痫发作预警通知，则判定为漏警；当连续出现三次漏警时后，减小显著性差异阈值q的数值。39、步骤a包括以下具体步骤：40、a1：使用便携式头皮脑电采集设备实时获取患者的高维空间头皮脑电序列；41、a2：对高维空间头皮脑电序列进行预处理。42、根据权利要求3所述的基于神经动力学的交互式癫痫实时预测方法，其特征在于：所述的时间窗口w1，w2，…，wn的取值均为0.25s。43、本方法采用基于神经动力学的临界预测方法，能够根据每个患者的神经动力系统变化特性进行个性化预测，而非现有技术中依赖于预训练的分类模型或固定的特征提取，能够避免传统癫痫实时预测方法应对癫痫疾病多样性和个体差异时泛化性不足的问题，能够根据每个患者的神经动力学系统变化特性进行个性化预测，极大地提高了系统的泛化能力和适应性。44、本发明通过神经动力学系统的特性，利用动态的脑电信号模式和时空信息转换模型，实现了对癫痫发作的个性化、实时预测。这种个性化预测方法更具适应性和灵活性，能够有效应对不同患者之间以及同一患者不同状态下的神经动力学变化，为癫痫预警提供更准确、可靠的特征。45、本发明基于神经动力学的时空信息转换模型配合基于force learning算法的在线模型优化策略，能够使时空信息转换模型在接收到新数据时可以即时更新参数，获取患者的神经动力系统特征，无需重新训练整个模型。这种实时更新的特性使得系统能够持续优化，具有较强的实时性，适应癫痫病情和脑电信号的动态变化，提高了模型的预测性能和鲁棒性。