(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 202210406625.2 (22)申请日 2022.08.17 (71)申请人 北京华庶远志科技有限公司 地址 100036 北京市海淀区复兴 路甲23号8 层8-11 (72)发明人 高宇鸿　杜一鹏　 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 20/00(2019.01) A61B 5/372(2021.01) A61B 5/00(2006.01) (54)发明名称 一种基于自动机器学习的EEG癫痫发作检测 算法 (57)摘要 本发明涉及癫痫发作检测算法技术领域， 具 体为一种基于自动机器学习的EEG癫痫发作检测 算法， 包括以下步骤： 将采集到的数据放入数据 集中， 数据集一共包含五个标签的数据(表示为 1‑5)， 标签1和标签2的数据是 从五名健康受试者 上采集的颅外 数据， 标签3到标签5是从癫痫患者 上采集的颅内数据， 标签3和4是在癫痫患者 没有 癫痫发作时采集的EEG数据。 患者癫痫发作期间 采集的EEG标记为标签5。 该基于自动机器学习的 EEG癫痫发作检测算法， 在基于深度学习的EEG癫 痫自动检测任务中， AutoML的神经架构搜索 (NAS)可以快速构建适应特定癫痫EEG信号的检 测算法， 而用户只需要提供相应的数据集， 节省 了大量算法开发的时间和成本， 加速癫痫EEG自 动检测系统的应用和部署。 权利要求书2页 说明书7页 附图7页 CN 115146666 A 2022.10.04 CN 115146666 A 1.一种基于自动机器学习的E EG癫痫发作检测算法， 其特 征在于： 包括以下步骤： S1： 将采集到的数据放入数据集中， 数据集一共包含五个标签的数据(表示为1 ‑5)， 标 签1和标签2的数据是从五名健康受试者上采集的颅外数据， 标签3到标签5是从癫痫患者上 采集的颅内数据， 标签3和4是在癫痫患者没有癫痫发作时采集的EE G数据。 患者癫痫发作期 间采集的EEG标记 为标签5。 信号以173.61Hz的采样率转为数字信号并保存为单通道EEG， 然 后他们将信号分割为持续时间为23.6秒的E EG信号段。 S2： 将上述癫痫EEG数据集定义为ED， 其中分为训练集EDtrain和验证集EDval。 同时定义搜 索空间为SE， NAS算法使用交叉熵损失函数CE来评估搜索到的模型的性能。 假设ω*为NAS算 法搜索到的性能最 好的模型， 那么ω*可以表示 为： ω*＝arg minω∈SECE(EDval,ω( θ )) 其中θ表示模型的参数。 为了实现使用贝叶斯优化算法通过网络态射来指导NAS算法对 搜索空间的探索， NAS的搜索 空间需要满足传统高斯过程假设。 为了使NAS空间满足高斯过 程的假设， AK提出了神经网络的编辑距离核函数， 可以写成： 其中s1和s2表示两个神经网络结构， α 表示将距离映射到新空间 的函数， Mla和Msc分别是 层态射和跳跃 连接态射的距离 。 β 是Mla和Msc的平衡因子 。 其中Mla可以表示 为： 其中， p(.)表示层的宽度， 表示从s1到s2的层的单射匹配函数。 类似的， Msc可以表示 为： 其中q(.)表示跳过连接开始的层的拓扑等级， r(.)表示跳跃连接s的起点和终点之间 的层数。 然后AK选择上置信界(UCB)作为获取函数， 并提出了一种结合模拟退火和A*搜索的新 方法来优化 树结构空间上的UCB。 UCB函数 可以写作： γ(w)＝ μ(C E(w,ED))+ η×σ(CE(w,ED)) 其中μ(.)表示当前模型结构w性能的均值， σ(.)为当前模型结构w性能的方差。 η是一个 均衡因子， 它控制NAS算法在搜索 空间SE中的进程， 在探索和 搜索中找到均衡。 贝叶斯优化 算法通过评估每一个新产生结构的γ(w)， 找到γ(w)最小的结构作为下一个进 行网络态 射 并训练的结构。 为了优化树结构空间上的UCB函数， 一种结合模拟退火和A*搜索的新方法在这里提出。 设当前所有训练过的模 型集合为ωall， 目前的最优性能为CEmin。 对于所有模 型， 使用网络态 射产生一个新的结构， 定义 为ω'： ω'＝nm(ωall) 其中nm(.)表示网络态射操作。 然后使用贝叶斯优化器对ω'中的每个模型ω'i进行性权　利　要　求　书 1/2 页 2 CN 115146666 A 2能评估γ(ω'i)， 当满足CEmin＞γ(ω'i)时， 保存此时的模型ω'i作为候选模型， 然后使用 模拟退火算法不断循环更新当前的候选模型避免陷入局部最优解， 模拟退火算法细节如图 1所示。 2.根据权利要求1所述的一种基于自动机器学习的EEG癫痫发作检测算法， 其特征在 于： 所述步骤S1 中每个标签一共有100段EE G数据， 标签1数据是受试者睁眼状态下采集的而 标签2是闭 眼。 3.根据权利要求1所述的一种基于自动机器学习的EEG癫痫发作检测算法， 其特征在 于： 所述步骤S1中标签3的数据采集位置位于癫痫患者的致癫痫区域内， 标签4的数据采集 位置位于大脑相对半球的海马结构。 4.根据权利要求1所述的一种基于自动机器学习的EEG癫痫发作检测算法， 其特征在 于： 所述步骤S1中所有标签记录的信号都经过了伪影筛查以避免噪声的影响， 并通过了弱 平稳性标准。权　利　要　求　书 2/2 页 3 CN 115146666 A 3