(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210603967.3 (22)申请日 2022.05.31 (65)同一申请的已公布的文献号 申请公布号 CN 114677379 A (43)申请公布日 2022.06.28 (73)专利权人 恒泰利康 （西安） 生物技 术有限公 司 地址 710000 陕西省西安市经济技 术开发 区凤城三路文景观园12号楼15 01室 专利权人 河南省人民医院 (72)发明人 韩雄　韩久琰　郑美琼　 (74)专利代理 机构 西安研创天下知识产权代理 事务所(普通 合伙) 61239 专利代理师 谢亚娟 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/772(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) A61B 5/00(2006.01) A61B 5/369(2021.01) (56)对比文件 CN 102968635 A,2013.0 3.13 CN 108852350 A,2018.1 1.23 CN 111460892 A,2020.07.28 CN 113647962 A,2021.1 1.16 CN 113261980 A,2021.08.17 EP 31871 10 A1,2017.07.0 5 US 2021282701 A1,2021.09.16 李志清 等.基 于结构相似度的稀疏编码模 型. 《软件学报》 .2010,第21卷(第10期), (续) 审查员 乔帅 (54)发明名称 基于人工智能的头皮脑电图致痫区的定位 方法 (57)摘要 本发明涉及人工智能领域， 具体涉及一种基 于人工智能的头皮脑电图致痫区的定位方法。 包 括： 采集历史脑电图波形图像进行压缩， 获取每 张历史波形图像的稀 疏编码图像； 利用神经网络 进行训练， 获取每个稀疏编码图像的LOSS函数历 史值； 计算稀疏编码图像LOSS函数历史值均值， 获取震荡稀 疏编码图像； 计算震荡稀 疏编码图像 与每个稀 疏编码图像的相似性， 获取关联稀 疏编 码图像； 重新构建所述神经网络的LOSS函数， 输 出标注图像。 根据本发明提出的技术手段， 通过 对神经网络的L OSS函数重新进行构建， 能够有效 提升神经网络的识别精确度， 有效避免了因为人 工标注不准确导致神经网络训练结果较差的影响。 [转续页] 权利要求书2页 说明书6页 附图1页 CN 114677379 B 2022.08.16 CN 114677379 B (56)对比文件 Guanhua Z.等.SparseDGCN N: Recogn izing Emotion from Multic hannel EEG Signals.《IEEE Transacti ons on Affective Computing》 .2021,2/2 页 2[接上页] CN 114677379 B1.一种基于人工智能的头皮脑电图致痫区的定位方法， 其特 征在于， 包括： 采集同一批次的脑电图历史波形图像， 对该批次脑电图历史波形图像进行压缩， 获取 每张脑电图历史波形图像的稀疏编码图像； 将所述稀疏编码图像输入神经网络进行训练， 获取每个稀疏编码图像在神经网络 中的 LOSS函数历史值； 计算所有稀疏编码图像LOSS函数历史值的均值， 获取LOSS函数历史值与LOSS函数历史 值均值差别大于第一阈值的稀疏编码图像， 作为震荡稀疏编码图像； 任选取一个震荡稀疏编码图像， 根据 该震荡稀疏编码图像与每个稀疏编码图像的稀疏 解和稀疏系 数的位置， 计算该震荡稀疏编码图像与每个稀疏编码图像的相似性， 获取与该 震荡稀疏编码图像相似性 值大于第二阈值的关联稀疏编码图像； 计算所述震荡稀疏编码图像与每 个稀疏编码图像的相似性的表达式为： 其中， 表示所述相 似性值， 表示震荡稀疏编码图像对应的稀疏解中第t个位置上的 稀疏系数， 表示震荡稀疏编码图像 的稀疏解中最大稀疏系数的位置， 表示第u个稀疏 编码图像对应的稀疏解中第t个 位置上的稀疏系数， 表示第u个稀疏编码图像对应的稀疏 解中最大稀疏系数的位置， 表示稀疏解的位置个数； 根据该震荡稀疏编码图像与每个关联稀疏编码图像的相似性值， 以及该震荡稀疏编码 图像的关联稀疏编码图像数量重新构建所述神经网络的LOS S函数； 将待检测脑电图波形图像输入到重新构建LOSS函数的神经网络中， 输出标注图像， 根 据标注图像定位 致痫区域。 2.根据权利要求1所述的一种基于人工智能的头皮脑电图致痫区的定位方法， 其特征 在于， 将所述脑电图历史波 形图像分为训练集和验证集， 采用K ‑SVD字典学习获取训练集字 典， 验证集采用训练集字典， 获取 所有脑电图历史波形图像对应的稀疏编码图像。 3.根据权利要求1所述的一种基于人工智能的头皮脑电图致痫区的定位方法， 其特征 在于， 获取 所述震荡稀疏编码图像的方法为： 对神经网络每次训练中所有稀疏编码图像的LOSS函数历史值进行拟合， 得到拟合的平 滑曲线， 计算每个稀疏编码图像的LOSS函数历史值与拟合值的偏差值， 计算每个偏差值大 于第一阈值的稀疏编码图像的LOSS函数历史值与所有稀疏编码图像LOSS函数历史值均值 之差， 将差值大于第一阈值的稀疏编码图像作为震荡稀疏编码图像。 4.根据权利要求1所述的一种基于人工智能的头皮脑电图致痫区的定位方法， 其特征 在于， 重新构建的LOS S函数表达式为： 其中， x为神经网络的网络预测值， 表示第i个关联稀疏编码图像的特征值， 表示震 荡稀疏编码图像的特征值， 表示第i个关联稀疏编码图像与震荡稀疏编码图像的相似性 值， q表示稀疏编码图像的个数。权　利　要　求　书 1/2 页 2 CN 114677379 B 3