买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜长春理工大学申请的专利一种基于轻量级深度统计模型的癫痫发作预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119400431B 。

龙图腾网通过国家知识产权局官网在2025-04-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510007029.0，技术领域涉及：G16H50/30；该发明授权一种基于轻量级深度统计模型的癫痫发作预测方法是由朴燕;杨慧儒;赵海彤;沈雪婷;朱佳鑫;陈阳设计研发完成，并于2025-01-03向国家知识产权局提交的专利申请。

本一种基于轻量级深度统计模型的癫痫发作预测方法在说明书摘要公布了：本发明属于医学数据处理领域，尤其为一种基于轻量级深度统计模型的癫痫发作预测方法，该方法具体包括如下步骤：准备数据集：准备CHB‑MIT数据集，CHB‑MIT数据集前70%用于标签生成与网络训练；CHB‑MIT数据集后30%用于最终的模型测试；S2，构建混合数据增强模型。本发明是建立了一种包含非平稳数据分割、低响应数据剔除、和本发明设计的随机信道置换的混合数据增强模型；构建了包含统计模型和神经网络结构的深度统计模型；设计了简单高效的神经网络，闭合了完整的网络全监督训练框架致使网络成功收敛，设计了新的损失函数及评价指标；提高了癫痫发作预测模型的效率和精确性，解决了训练数据不足和传统机器学习癫痫预测方法不稳定等难题。

本发明授权一种基于轻量级深度统计模型的癫痫发作预测方法在权利要求书中公布了：1.一种基于轻量级深度统计模型的癫痫发作预测方法，其特征在于：该方法具体包括如下步骤：S1，准备数据集：准备CHB-MIT数据集，CHB-MIT数据集前70％用于标签生成与网络训练；CHB-MIT数据集后30％用于最终的模型测试；S2，构建混合数据增强模型：混合数据增强模型包括数据分割模块、数据剔除模块、随机信道置换模块和信号去噪模块；将步骤S1中的CHB-MIT数据集输入混合数据增强模型中得到增强的EEG数据集库；S3，构建深度统计模型：深度统计模型包括统计模型设计和神经网络的搭建；将步骤S2中得到增强的EEG数据输入统计模型中进行标签制作和网络训练；统计模型的构建，首先将混合增强处理后的EEG信号进行短时傅里叶变换，获得信号在不同频率下的EEG信号的能量分布情况；然后设定特定频段的阈值；随后进行能量谱计算，设定自适应功率提取两个约束条件；再进行异常信号的检测；其次，计算异常信号的功率谱均值μB、标准差σB、正常信号和异常信号的概率；最后利用高斯核和贝叶斯定理计算癫痫发作的概率；所述特定频段的阈值Tf是根据信号频率f的均值μf和标准差σf计算得出，可使用公式表示为：Tf＝wf·μf+k·σf其中，wf是用于加权均值和标准差的权重系数；μf是频率f处功率谱的均值；k是控制标准差倍数的参数；σf是频率f处功率谱的标准差，所述两个约束条件为：约束一，每个时间点的EEG总能量是否大于最大阈值，EiTf；约束二，检测出高于阈值的EEG信号，如果条件概率高于α，则标记此段EEG信号片段为异常，即癫痫发作；所述异常信号检测过程可使用公式表示如下： 其中，Rf是频率f处的信号功率；Pf|Pf是信号Xf中为异常信号的条件概率；α为设定的概率值，此处设定α＝0.6，所述计算正常信号和异常信号的计算概率使用公式表示为： 其中，μA、μB分别表示正常信号和异常信号功率谱的均值；σA、σB分别表示正常信号和异常信号功率谱的标准差，所述高斯核使用公式表示为其中，x表示信号本身，核密度计算使用公式表示为： 其中，Ai表示从正常信号中获取的第i个观测值；Bi表示从异常信号中获取的第i个观测值；N和M分别是正常信号和异常信号的片段数量；K表示上述高斯核函数；h表示高斯核密度估计中的带宽，用于控制核函数的平滑程度，贝叶斯定理计算条件概率公式可以表示为： 当概率Pα时，判定为癫痫发作，经上述统计建模，生成数组标签[a，b，c，d]；S4，全监督网络训练：全监督训练过程包括损失函数设计与适配、训练策略设计和评价指标设计；选择合适的损失函数核并设计预测损失；损失函数核为均方误差；设计评价指标评价预测模型的性能，包括设计响应成功率指标，适配灵敏度和特异性指标；损失函数由能量损失Le、时间损失Lt和置信度损失Lc加权为总损失Ltotal＝αLe+βLt+γLc决定；能量损失公式为：时间损失公式为：置信度损失公式为：其中，ye和表示真实能量标签和神经网络预测能量值；yonset和分别表示真实发作起始时间标签和神经网络预测的起始时间；yoffset和分别表示真实发作结束时间标签和神经网络预测的结束时间；yc和分别表示真实置信度标签和神经网络预测的置信度；S5，模型测试与微调：训练癫痫预测模型得到预训练模型，将步骤S1中准备的三分之一数据量的数据集输入到预训练模型中测试，使用响应成功率及其他两种评价指标进行评价，根据测试的评价指标值使用其他三分之一数据量的数据集进行模型微调，优化模型参数，提高癫痫预测的性能；所述的一种基于轻量级深度统计模型的癫痫发作预测方法，其特征在于：响应成功率Re-t由发作次数成功率Re和发作时刻误差Rt共同评价；Re用于评估模型的发作预测次数是否准确，使用公式表示为： 其中，N表示测试数据集中每位被测人员EEG信号序列总数，Pi表示预测的第i个序列的癫痫发作次数，Ai表示第i个序列的实际癫痫发作次数测试阶段的batch-size设置为1，即一轮测试一位被测人员的所有EEG信号序列，Rt用于评估模型的发作预测时刻是否准确，使用公式表示为： 其中，ξs.e表示非对称权重参数，允许对预测的开始和结束时刻的误差给予不同的惩罚，s.e表示主动选择过程；M表示测试数据集中每位被测人员EEG信号序列总数；和分别表示预测的第j次癫痫发作的开始时刻与实际开始时刻；和分别表示预测的结束时刻与实际结束时刻，Re-t越接近1，表示模型的预测能力越强；Re-t越接近0，表示模型的预测能力较弱；S6，模型固化与保存：待步骤S5微调完成后，固化微调后的网络参数，保存最终癫痫预测模型；使用步骤S1中剩余的三分之一数据量的数据集再次测试模型，可直接将EEG序列输入训练好的端到端模型中，得到癫痫发作预测分数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人长春理工大学，其通讯地址为：130012 吉林省长春市朝阳区卫星路7089号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。