本发明涉及一种基于eegnet的癫痫信号识别与分类方法，属于信号处理领域。
背景技术：
1、脑电波(electroencephalogram，eeg)信号是大脑表面电活动的表征，这种电活动是由神经元放电引起的。如果这些神经元以异常的方式放电，会导致突然的脉冲，表现为癫痫发作。eegnet是一种专门设计用于处理脑电信号的轻量级的卷积神经网络(cnn)，使用eegnet进行癫痫信号识别和分类的步骤一般包括：使用eegnet模型对预处理后的eeg信号进行特征提取，构建分类器，进而利用提取到的特征训练所构建的分类器，最后利用训练好的分类器实现对于eeg信号的癫痫识别和分类。由上述步骤可知，eegnet模型提取到的特征直接影响癫痫识别和分类的准确度。
2、eegnet模型由一系列卷积层、批归一化层，池化层以及全连接层组成，用于自动学习脑电信号的抽象特征表示。现有eegnet模型通常具有较多的参数，具体的，卷积层参数：eegnet包含多个卷积层，每个卷积层都有一组卷积核(filters)。这些卷积核的参数包括大小(kernel size)、步幅(stride)、填充(padding)等。这些参数决定了卷积操作的方式和卷积层输出的特征图的尺寸。池化层参数：eegnet中的池化层用于降低特征图的空间尺寸。池化操作的参数包括池化窗口的大小(pool size)和池化方式(如最大池化或平均池化)等。批归一化层参数：批归一化层用于规范化卷积层的输出，以加速训练和提高模型的鲁棒性。批归一化层的参数包括缩放因子(scale)、偏移因子(shift)等。全连接层参数：eegnet的最后一层是全连接层，用于将卷积层的输出映射到类别标签。全连接层的参数包括权重矩阵(weights)和偏置向量(biases)。为了减少模型的过拟合，通常还需要正则化技术dropout，在eegnet中，可以通过设置dropout层的丢弃率(dropout rate)来控制神经元的丢弃比例。
3、eegnet模型参数较多会导致模型过拟合的问题，即过度拟合训练数据中的噪声和细节，而无法泛化到新的数据，从而导致在利用训练好的eegnet模型进行在线识别时出现较大的误差。
技术实现思路
1、为了解决目前存在的采用eegnet进行癫痫识别与分类的方法所需参数数量较多进而导致检测准确率低的问题，本发明提供了一种基于eegnet的癫痫信号识别与分类方法，包括：
2、步骤s1，采集eeg信号，并进行预处理；
3、步骤s2，利用预处理后的eeg信号求解一个用于提取不同脑电网络空间拓扑特征的空间滤波器组w；
4、步骤s3，根据步骤s1所采集eeg信号的组数设置h组空间滤波器w提取脑电网络特征f；
5、步骤s4，利用提取到的脑电网络特征f训练线性分类器；
6、步骤s5，利用训练好的线性分类器对待分类的脑电信号进行癫痫信号识别与分类。
7、可选的，所述预处理包括打标、分组和滤波：
8、打标：对所采集的eeg信号在相应时刻点标记上对应标签，标签包括0和1，其中标签0表示正常状态，标签1表示癫痫发作状态；
9、分组：将采集的eeg数据根据采集时标记的标签分成若干个长度为固定长度的数据段，若某一数据段中出现异常信号，该数据段记为1，反之，记为0；一个数据段的eeg数据为一个样本；
10、滤波：使用带通滤波器对分段的eeg数据进行滤波，得到滤波后的eeg数据。
11、可选的，所述步骤s2包括：
12、步骤s2.1，计算所采集的eeg信号对应的协方差φ；
13、
14、其中，xi和yi分别表示两个通道eeg信号的第i个样本，每个通道eeg信号即每个电极采集的信号；和分别表示对应通道采集的第1个至第i个样本的均值；n表示样本个数；
15、步骤s2.2，采用瑞利熵函数差异化各信号样本的协方差；
16、
17、其中，w表示需要求解的空间滤波器；
18、步骤s2.3，引入拉格朗日因子，将上式瑞利熵函数的优化问题转换为以下形式：
19、l(u,λ)＝utφku-λ(utφlu-1) (1-4)
20、其中，λ表示广义特征值方程的特征值；u表示空间滤波器对应的特征向量；φk和φl分别表示正常状态与癫痫状态下脑电信号样本的协方差矩阵；
21、对上式(1-4)中的u求导，得到下式：
22、φl-1(φk)w＝mw (1-5)
23、其中，w由(φl)-1(φk)的特征向量组成；m是对角矩阵，对角值是各个特征向量对应的特征值，求解上式就能得到提取不同脑电网络空间拓扑特征的空间滤波器组w：
24、w＝∑w (1-6)
25、其中，∑代表求和。
26、可选的，所述步骤3中脑电网络特征f的提取公式为：
27、f＝log(var(witcorr)) (1-7)
28、其中，var操作用于计算通过空间滤波器后的样本方差；corr表示根据滤波后的eeg数据构建的脑电网络；t表示转置操作；wi表示第i个空间滤波器。
29、可选的，所述步骤s4中线性分类器为lda线性分类器：
30、y(fi)＝atfi+b (1-8)
31、其中，a是lda线性分类器的最优映射向量；fi是基于脑电网络样本提取的空间拓扑特征集；b是lda线性分类器的偏置项。
32、可选的，所述广义特征值方程的特征值λ取值为2.60。
33、可选的，lda线性分类器中，a＝0.91，b＝-0.34。
34、可选的，对采集的eeg数据进行分组时，固定长度按照时间长度进行分组。
35、可选的，对所采集的eeg信号进行打标时，若eeg信号中出现尖波或棘波则打上标签1，反之打上标签0。
36、本技术还提供一种基于eegnet的癫痫信号识别与分类系统，所述系统采用上述方法实现癫痫信号识别与分类，所述系统包括数据采集模块、数据处理模块、结果输出模块和反馈调控模块；
37、所述数据采集模块用于通过脑电放大器实时采集被试者正常状态与癫痫发作状态下的eeg信号，并对采集的数据在相应时刻点标记上对应标签，用于区分出任务态数据，标签包括0和1，其中标签0表示正常状态，标签1表示癫痫发作状态；
38、所述数据处理模块用于对数据采集模块采集的eeg信号进行预处理、提取不同状态下脑电网络空间拓扑特征、训练线性分类器，根据训练好的线性分类器，对待分析的eeg信号进行处理。
39、所述结果输出模块用于实时显示被试者当前的脑电状态；
40、所述反馈调控模块用于根据系统评估结果实时更新数据并进行反馈。
41、本发明有益效果是：
42、本发明利用来自时间序列数据的局部结构特征，建立脑电特征提取模型与线性分类器，仅需相关性、协方差、权重、稀疏化阈值等几个重要参数就可以构建脑电网络并且达到分类的目的，实现了通过降低参数的数量来实现更快的训练和更高的准确性。此外，本发明利用来自时间序列数据的局部结构特征实现了数据处理模块的准确性与反馈模块的实时性，具有可连续处理不同实验范式信号和频域特征提取准确性的优点。
1.一种基于eegnet的癫痫信号识别与分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预处理包括打标、分组和滤波：
3.根据权利要求1所述的方法，其特征在于，所述步骤s2包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤3中脑电网络特征f的提取公式为：
5.根据权利要求4所述的方法，其特征在于，所述步骤s4中线性分类器为lda线性分类器：
6.根据权利要求5所述的方法，其特征在于，所述广义特征值方程的特征值λ取值为2.60。
7.根据权利要求6所述的方法，其特征在于，lda线性分类器中，a＝0.91，b＝-0.34。
8.根据权利要求7所述的方法，其特征在于，对采集的eeg数据进行分组时，固定长度按照时间长度进行分组。
9.根据权利要求8所述的方法，其特征在于，对所采集的eeg信号进行打标时，若eeg信号中出现尖波或棘波则打上标签1，反之打上标签0。
10.一种基于eegnet的癫痫信号识别与分类系统，其特征在于，所述系统采用权利要求1-9任一项所述的方法实现癫痫信号识别与分类，所述系统包括数据采集模块、数据处理模块、结果输出模块和反馈调控模块；
