本申请涉及医疗，尤其涉及一种实时癫痫发作监测方法。
背景技术：
1、脑电图是一种常用的记录皮层产生的电活动的测量方法，具有高分辨率，无创性和低成本的特点，因此被广泛被应用于脑机接口、神经系统疾病与精神疾病的诊断与治疗中，癫痫发作的检测与分析是脑电图常用的场景之一。
2、现有的基于脑电的癫痫发作自动检测算法通常基于小样本标注数据集，模型效果收到数据量和模型规模的影响，也无法很好地处理脑电的信号的不稳定性及噪声。
3、基于上述问题，现有技术中尚未提出有效的解决方案。
4、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、鉴于现有技术的上述缺点、不足，本申请提供一种实时癫痫发作监测方法，基于大量脑电数据训练脑电预训练模型提取脑电特征，然后通过后续分类模型和标注脑电数据对癫痫发作片段进行检测，减少脑电噪声及癫痫发作数据有限等的影响，提高癫痫发作检出效果。同时基于预训练模型的发作检测方法可以提高计算效率，缩短发作检测需要的脑电样本长度，使发作的实时检查成为可能。
2、本发明提供了一种实时癫痫发作监测方法，包括：
3、采集脑电信号数据，并对所述脑电信号数据进行预处理，得到目标脑电信号数据；
4、对所述目标脑电信号数据进行滤波，并按预设时间长度截取滤波后的目标脑电信号，得到脑电信号数据集；
5、基于变分自编码器结构构建脑电预训练大模型，并基于所述脑电信号数据集对所述脑电预训练大模型进行训练，得到目标脑电预训练大模型；
6、通过所述目标脑电预训练大模型提取脑电片段特征；
7、将所述脑电片段特征输入至癫痫发作检测模型，以对癫痫发作进行实时检测。
8、在本发明的一个实施例中，采集脑电信号数据，并对所述脑电信号数据进行预处理，包括数据采集、去除工频、去除基漂、去除无效的高频率成分、去除高波幅伪差和重采样。
9、在本发明的一个实施例中，对所述目标脑电信号数据进行滤波，并按预设时间长度截取滤波后的目标脑电信号，得到脑电信号数据集，包括：
10、对所述滤波后的目标脑电信号数据，根据需求滤波获得不同频带信号；
11、将每个频带信号按预设时间间隔长度，切分成短时片段，得到脑电信号数据集。
12、在本发明的一个实施例中，所述脑电预训练大模型由编码器和解码器组成，其中每个频带的脑电信号对应一个变分自编码器。
13、在本发明的一个实施例中，对所述脑电预训练大模型进行训练时，其损失函数为：
14、
15、其中，lvae为损失函数，x为输入数据样本，为输入数据样本的对应重构，反映的是重构信号与输入信号之间的误差。z是潜变量，q(z|x)是编码器生成的潜分布，p(z)是潜空间中遵循高斯分布的先验分布，dkl表示kl散度，反映的是特征潜在空间分布于假设先验分布之间的分布差异。
16、在本发明的一个实施例中，提取完成所述脑电片段特征后，计算每个特征维度的均值和标准差，以表征特征的分布，并通过重参数化重新计算潜在空间，具体公式为：
17、z＝μ+σ⊙∈；
18、其中，重参数化通过一个确定性的函数将该采样过程重参数化为从一个固定的分布中采样得到一个噪声变量∈，通过噪声变量∈和编码器网络的输出计算得到最终的潜在变量z，梯度通过噪声变量∈传播到编码器网络，实现训练。
19、在本发明的一个实施例中，每个频带预训练模型的潜在空间维度存在1-20维的备选参数，设定所述脑电预训练大模型的迭代次数，保存不同空间维度备选参数下所述脑电预训练大模型训练结束时的损失值，基于所述损失值确定模型潜在空间维度与模型迭代次数，以得到不同频带下的目标脑电预训练大模型。
20、在本发明的一个实施例中，将所述脑电片段特征输入至癫痫发作检测模型，以对癫痫发作进行实时检测，包括：
21、设定目标信号长度和目标传输步长；
22、根据所述目标传输步长的时间间隔传入所述目标信号长度的所述脑电片段特征，并对所述脑电片段特征进行检测，以对癫痫发作进行实时检测。
23、本申请的上述技术方案相比现有技术具有以下优点：
24、本申请所述的一种实时癫痫发作监测方法，基于大量脑电数据训练脑电预训练模型提取脑电特征，然后通过后续分类模型和标注脑电数据对癫痫发作片段进行检测，减少脑电噪声及癫痫发作数据有限等的影响，提高癫痫发作检出效果。同时基于预训练模型的发作检测方法可以提高计算效率，缩短发作检测需要的脑电样本长度，使发作的实时检查成为可能。
1.一种实时癫痫发作监测方法，其特征在于，包括：
2.根据权利要求1所述的实时癫痫发作监测方法，其特征在于，采集脑电信号数据，并对所述脑电信号数据进行预处理，包括数据采集、去除工频、去除基漂、去除无效的高频率成分、去除高波幅伪差和重采样。
3.根据权利要求1所述的实时癫痫发作监测方法，其特征在于，对所述目标脑电信号数据进行滤波，并按预设时间长度截取滤波后的目标脑电信号，得到脑电信号数据集，包括：
4.根据权利要求1所述的实时癫痫发作监测方法，其特征在于，所述脑电预训练大模型由编码器和解码器组成，其中每个频带的脑电信号对应一个变分自编码器。
5.根据权利要求1所述的实时癫痫发作监测方法，其特征在于，对所述脑电预训练大模型进行训练时，其损失函数为：
6.根据权利要求5所述的实时癫痫发作监测方法，其特征在于，提取完成所述脑电片段特征后，计算每个特征维度的均值和标准差，以表征特征的分布，并通过重参数化重新计算潜在空间，具体公式为：
7.根据权利要求6所述的实时癫痫发作监测方法，其特征在于，每个频带预训练模型的潜在空间维度存在1-20维的备选参数，设定所述脑电预训练大模型的迭代次数，保存不同潜在空间维度备选参数下所述脑电预训练大模型训练结束时的损失值，基于所述损失值确定模型潜在空间维度与模型迭代次数，以得到不同频带下的目标脑电预训练大模型。
8.根据权利要求1所述的实时癫痫发作监测方法，其特征在于，将所述脑电片段特征输入至癫痫发作检测模型，以对癫痫发作进行实时检测，包括：
