CN109003680B - 癫痫数据统计方法及装置 - Google Patents

癫痫数据统计方法及装置 Download PDF

Info

Publication number
CN109003680B
CN109003680B CN201811144195.1A CN201811144195A CN109003680B CN 109003680 B CN109003680 B CN 109003680B CN 201811144195 A CN201811144195 A CN 201811144195A CN 109003680 B CN109003680 B CN 109003680B
Authority
CN
China
Prior art keywords
time sequence
functional
neural network
state
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811144195.1A
Other languages
English (en)
Other versions
CN109003680A (zh
Inventor
刘凌
章毅
王晗
陈思翰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
West China Hospital of Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN201811144195.1A priority Critical patent/CN109003680B/zh
Publication of CN109003680A publication Critical patent/CN109003680A/zh
Application granted granted Critical
Publication of CN109003680B publication Critical patent/CN109003680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Abstract

本申请实施例提供了一种癫痫数据统计方法及装置，涉及数据处理技术领域。方法包括：获得用于表示受试者脑部活动的时序信号和功能连接图；根据所述功能连接图和功能计算神经网络模型，确定出所述脑部活动的功能特征向量，以及根据所述时序信号和时序计算神经网络模型，确定出所述脑部活动的时序特征向量；根据所述时序特征向量和所述功能特征向量，确定所述受试者的身体状态；将健康状态更新到受试者集合所对应的健康状态集合中，获得更新的健康状态集合中健康状态，颞叶癫痫状态和儿童药物敏感性癫痫状态的比例数据。其可以更加灵活的通过对表示受试者脑部活动的时序信号和功能连接图的自动分析，便可以自动的统计更新癫痫的发病率。

Description

癫痫数据统计方法及装置
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种癫痫数据统计方法及装置。
背景技术
癫痫是一种神经科仅次于头痛的第二大常见病，由于其患者人数越来越多，对于癫痫的研究已经逐渐得到人们的重视。
在癫痫的研究中，统计癫痫中的颞叶癫痫状态和儿童药物敏感性癫痫在某一区域中发病率是研究癫痫的重要因素之一。目前的统计方式只能是通过统计该区域的医生诊断的患者数量来确定该区域的发病率，但这种方式不够灵活，需要依赖对医生的诊断结果进行实时的记录，才能够保证数据的准确性。
发明内容
本申请在于提供一种癫痫数据统计方法及装置，以有效的解决上述存在技术问题。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供了一种癫痫数据统计方法，所述方法包括：
获得用于表示受试者脑部活动的时序信号和功能连接图；
根据所述功能连接图和功能计算神经网络模型，确定出所述脑部活动的功能特征向量，以及根据所述时序信号和时序计算神经网络模型，确定出所述脑部活动的时序特征向量；
根据所述时序特征向量和所述功能特征向量，确定所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态；
将所述健康状态更新到受试者集合所对应的健康状态集合中，获得更新的健康状态集合中所述健康状态，所述颞叶癫痫状态和所述儿童药物敏感性癫痫状态的比例数据。
在第一方面的一些可能的实现方式中，所述根据所述功能连接图和功能计算神经网络模型，确定出所述脑部活动的功能特征向量，以及根据所述时序信号和时序计算神经网络模型，确定出所述脑部活动的时序特征向量，包括：
调用预设的功能计算神经网络模型，将所述功能连接图的图像数据输入所述功能计算神经网络模型进行计算，获得计算出的所述脑部活动的功能特征向量；
调用预设的时序计算神经网络模型，将所述时序信号输入所述时序计算神经网络模型进行计算，获得计算出的所述脑部活动的时序特征向量。
在第一方面的一些可能的实现方式中，所述功能计算神经网络模型为：
ai L＝f(L-1)(W(L-1)·f(L-2)(W(L-2)…ai (0)))
其中，L表示所述计算神经网络模型为L层、第l层的第j个神经元到l+1层的第k个神经元连接权值为W(l)、第l层上神经元的激活函数为f(l)、所述功能连接图的图像数据为
Figure BDA0001815307800000022
在第一方面的一些可能的实现方式中，所述时序计算神经网络模型为：
Figure BDA0001815307800000021
其中，第l层上神经元的激活函数为σ(l)、U(l)为第l层的第一连接权矩阵、W(l)为第l层的第二连接权矩阵、b(l)表示第l层的偏置值、
Figure BDA0001815307800000031
表示第l层神经元第t-1个时刻对于所述时序信号的激活值、
Figure BDA0001815307800000032
为所述时序信号中第t个时刻的第l层所对应的数据。
在第一方面的一些可能的实现方式中，所述根据所述时序特征向量和所述功能特征向量，确定所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态，包括：
将所述时序特征向量和所述功能特征向量组合，得到组合特征向量；
调用预设的身体状态分类器，将所述组合特征向量输入所述身体状态分类器进行计算，获得所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态。
在第一方面的一些可能的实现方式中，所述获得用于表示受试者脑部活动的时序信号和功能连接图，包括：
获得受试者脑部的核磁共振扫描序列；
对所述核磁共振扫描序列进行处理，获得用于表示所述受试者脑部活动的时序信号和功能连接图。
第二方面，本申请实施例提供了一种癫痫数据统计装置，所述装置包括：
获得模块，用于获得用于表示受试者脑部活动的时序信号和功能连接图。
计算模块，用于根据所述功能连接图和功能计算神经网络模型，确定出所述脑部活动的功能特征向量，以及根据所述时序信号和时序计算神经网络模型，确定出所述脑部活动的时序特征向量。
确定模块，用于根据所述时序特征向量和所述功能特征向量，确定所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态。
统计模块，用于将所述健康状态更新到受试者集合所对应的健康状态集合中，获得更新的健康状态集合中所述健康状态，所述颞叶癫痫状态和所述儿童药物敏感性癫痫状态的比例数据。
在第二方面的一些可能的实现方式中，
所述计算模块，还用于调用预设的功能计算神经网络模型，将所述功能连接图的图像数据输入所述功能计算神经网络模型进行计算，获得计算出的所述脑部活动的功能特征向量；调用预设的时序计算神经网络模型，将所述时序信号输入所述时序计算神经网络模型进行计算，获得计算出的所述脑部活动的时序特征向量。
在第二方面的一些可能的实现方式中，
所述确定模块，还用于将所述时序特征向量和所述功能特征向量组合，得到组合特征向量；调用预设的身体状态分类器，将所述组合特征向量输入所述身体状态分类器进行计算，获得所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态。
在第二方面的一些可能的实现方式中，
所述统计模块，还用于获得受试者脑部的核磁共振扫描序列；对所述核磁共振扫描序列进行处理，获得用于表示所述受试者脑部活动的时序信号和功能连接图。
第三方面，本申请实施例提供了一种电子设备，所述电子设备包括：处理器，存储器，总线和通信接口；所述处理器、所述通信接口和存储器通过所述总线连接。
所述存储器，用于存储程序。
所述处理器，用于通过调用存储在所述存储器中的程序，以执行第一方面、及第一方面的任一种实施方式所述的癫痫数据统计方法。
第四方面，本申请实施例提供了一种具有计算机可执行的非易失程序代码的计算机可读储存介质，所述程序代码使所述计算机执行第一方面，以及第一方面任一实施方式所述的癫痫数据统计方法。
本申请实施例的有益效果是：
通过对时序计算神经网络模型对脑部活动的时序信号进行处理，以及再通过功能计算神经网络模型对功能连接图进行处理，那么就可以确定出受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态。从而将受试者的身体状态健康状态更新到受试者集合所对应的健康状态集合，便实现了更新健康状态集合健康状态，颞叶癫痫状态和儿童药物敏感性癫痫状态的比例数据，即实现了无需无需依赖于对医生的诊断结果进行实时的记录，可以更加灵活的通过对表示受试者脑部活动的时序信号和功能连接图的自动分析，便可以自动的统计更新癫痫的发病率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请第一实施例提供的一种电子设备的结构框图；
图2示出了本申请第二实施例提供的一种癫痫数据统计方法的流程图；
图3示出了本申请第三实施例提供的一种癫痫数据统计装置的结构框图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有进行出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
第一实施例
请参阅图1，本申请实施例提供了电子设备10，电子设备10可以为终端设备或者为服务器。其中，终端设备可以为个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digital assistant，PDA)等；服务器可以为网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。
本实施例中，该电子设备10可以包括：存储器11、通信模块12、总线13和处理器14。其中，处理器14、通信模块12和存储器11通过总线13连接。处理器14用于执行存储器11中存储的可执行模块，例如计算机程序。图1所示的电子设备10的组件和结构只是示例性的，而非限制性的，根据需要，电子设备10也可以具有其他组件和结构。
其中，存储器11可能包含高速随机存取存储器(Random Access Memory RAM)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。本实施例中，存储器11存储了执行癫痫数据统计方法所需要的程序。
总线13可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图1中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器14可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器14中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器14可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。
本发明实施例任意实施例揭示的流过程或定义的装置所执行的方法可以应用于处理器14中，或者由处理器14实现。处理器14在接收到执行指令后，通过总线13调用存储在存储器11中的程序后，处理器14通过总线13控制通信模块12则可以执行癫痫数据统计方法的流程。
第二实施例
请参阅图2，本实施例提供了一种癫痫数据统计方法，该癫痫数据统计方法应用于电子设备，该癫痫数据统计方法包括：步骤S100、步骤S200、步骤S300和步骤S400。
步骤S100：获得用于表示受试者脑部活动的时序信号和功能连接图。
步骤S200：根据所述功能连接图和功能计算神经网络模型，确定出所述脑部活动的功能特征向量，以及根据所述时序信号和时序计算神经网络模型，确定出所述脑部活动的时序特征向量。
步骤S300：根据所述时序特征向量和所述功能特征向量，确定所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态。
步骤S400：将所述健康状态更新到受试者集合所对应的健康状态集合中，获得更新的健康状态集合中所述健康状态，所述颞叶癫痫状态和所述儿童药物敏感性癫痫状态的比例数据。
下面将对本申请的方法流程进行详细地描述。
在步骤S100之前，电子设备可以先进行模型的训练，从而获得训练好的功能计算神经网络模型和时序计算神经网络模型。
在训练前，电子设备可以获得用于训练且表示受试者脑部活动的时序信号样本集和功能连接图样本集。时序信号样本集可以为由多个时序信号样本组成，以及功能连接图样本集也可以为由多张功能连接图样本，例如，样本的数量可以为几万个或几万张。
电子设备可以利用功能连接图样本集对第一神经网络进行训练，以及利用时序信号样本集对第二神经网络进行训练。其中，对第一神经网络的训练过程可以为：第一神经网络通过对功能连接图样本集中每张功能连接图样本进行学习，以学习并确定出分析功能连接图的规则以及该规则的各种参数。以及，对第二神经网络的训练过程也可以为：第二神经网络通过对时序信号样本集中每个时序信号样本进行学习，以学习并确定出对时序信号进行分析的规则以及该规则的各种参数。
电子设备通过训练第一神经网络和第二神经网络后，为保证后续检测准确度，还可以利用功能连接图测试集对训练后的第一神经网络进行测试，以及利用时序信号测试集对训练后的第二神经网络进行测试。若得到第一神经网络的测试结果和第而神经网络的测试结果表示出的准确度都大于预设值，那么则说明对神经网络的训练通过，进而就可以得到由第一神经网络训练得到的功能计算神经网络模型，以及可以得到由第二神经网络训练得到的时序计算神经网络模型。其中，为保证效率，训练集和测试集中样本的数量可以为4:1。
获得功能计算神经网络模型和时序计算神经网络模型后，电子设备可以继续执行步骤S100。
步骤S100：获得用于表示受试者脑部活动的时序信号和功能连接图。
电子设备可以获得受试者脑部的核磁共振扫描序列，该核磁共振扫描序列可以为受试者在核磁共振设备上进行脑补扫描而得到扫描结果。电子设备可以对该核磁共振扫描序列进行分析处理，从而可以获得用于表示该受试者脑部活动的时序信号和功能连接图。
步骤S200：根据所述功能连接图和功能计算神经网络模型，确定出所述脑部活动的功能特征向量，以及根据所述时序信号和时序计算神经网络模型，确定出所述脑部活动的时序特征向量。
获得功能连接图后，电子设备可以利用预设的该已经经过充分训练的功能计算神经网络模型对该功能连接图进行处理。以及获得时序信号后，电子设备也可以利用预设的该已经经过充分训练的时序计算神经网络模型对该时序信号进行处理。
本实施例中，该基于第一神经网络训练得到的功能计算神经网络模型和基于第二神经网络训练得到的时序计算神经网络模型均可以为深度神经网络模型，即该功能计算神经网络模型和时序计算神经网络模型中的隐层数量更多，神经元之间的连接方式更加灵活和复杂。相较于浅层神经网络，功能计算神经网络模型和时序计算神经网络模型利用相对较少的参数就可以获得输入数据和模型特征之间的映射关系，也就是说，深度神经网络的功能计算神经网络模型和时序计算神经网络模型学习能力和输入数据特征的能力均更加强大。
本实施例中，电子设备可以调用功能计算神经网络模型，并将功能连接图的图像数据输入到功能计算神经网络模型进行计算，然后就可以获得计算出的脑部活动的功能特征向量。
详细地，对于L层功能计算神经网络模型，训练、测试和使用过程中的所有样本为X∈Rm×n，其中，m表示用于训练、测试和使用的每张图像上的像素点的总数，n表示训练、测试和使用过程中所有样本的总数。那么，当前得到的功能连接图的图像数据则可以为Xi。若第l层的第j个神经元到l+1层的第k个神经元连接权值为W(l)、第l层上神经元的激活函数为f(l)。那么功能计算神经网络模型中从输入层1到输出层L不断进行前向计算的公式可以为如式(1)所示：
Figure BDA0001815307800000101
其中，功能连接图的图像数据为
Figure BDA0001815307800000102
若ai (l)表示功能计算神经网络模型计算得到并输出的功能特征向量，那么基于式(1)，功能计算神经网络模型的公式可以为如式(2)所示：
ai L＝f(L-1)(W(L-1)·f(L-2)(W(L-2)…ai (0)))
因此，电子设备通过将功能连接图的图像数据为
Figure BDA0001815307800000106
输入到式(2)中，便可以计算得到功能特征向量ai (l)。
详细地，对于L层且时序长度为T时序计算神经网络模型，训练、测试和使用过程中的所有样本为
Figure BDA0001815307800000103
其中，m表示用于训练、测试和使用的每个样本的某一时刻的时序信号的长度，n表示训练、测试和使用过程中所有样本的总数，t表示用于训练、测试和使用的每个样本的时序信号长度。那么，当前得到的时序信号可以表示为
Figure BDA0001815307800000104
即表示时序信号中第t个时刻的第l层所对应的数据。时序计算神经网络模型的公式可以为如式(3)所示：
Figure BDA0001815307800000105
其中，第l层上神经元的激活函数为σ(l)、U(l)为第l层的第一连接权矩阵、W(l)为第l层的第二连接权矩阵、b(l)表示第l层的偏置值、
Figure BDA0001815307800000111
表示第l层神经元第t-1个时刻对于所述时序信号的激活值。
因此，电子设备通过将时序信号输入到式(3)中，便可以计算得到时序特征向量
Figure BDA0001815307800000112
获得功能特征向量和时序特征向量后，电子设备可以继续执行步骤S300。
S300：根据所述时序特征向量和所述功能特征向量，确定所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态。
由于判断受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态，需要依赖于分析时序信号和功能连接图来结合进行判断。故电子设备在获得功能特征向量和时序特征向量后，可以将功能特征向量和时序特征向量组合，而得到组合特征向量。
其中，电子设备得到组合特征向量的公式可以为公式(4)所示：
Figure BDA0001815307800000113
式(4)中，组合特征向量即可以为Oi。
本实施例中，电子设备中还预先设置了用于对健康状态进行分类的身体状态，从而调用预设的身体状态分类器，将组合特征向量输入身体状态分类器进行计算，电子设备就可可以获得身体状态分类器计算出的受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态。
相应的，获得受试者的身体状态后，电子设备还可以继续执行步骤S400。
步骤S400：将所述健康状态更新到受试者集合所对应的健康状态集合中，获得更新的健康状态集合中所述健康状态，所述颞叶癫痫状态和所述儿童药物敏感性癫痫状态的比例数据。
电子设备中基于对其它每个受试者的脑部的核磁共振扫描序列进行扫描分析，可以预先建立了受试者集合所对应的健康状态集合。电子设备在获得该受试者的健康状态后，电子设备便可以将该受试者的健康状态更新到健康状态集合中。这样该健康状态集合中健康状态，颞叶癫痫状态和儿童药物敏感性癫痫状态的比例便由于该受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态的加入而被改变。因此，电子设备就可以获得更新的健康状态集合中健康状态，颞叶癫痫状态和儿童药物敏感性癫痫状态的比例数据，以实现统计出颞叶癫痫状态和儿童药物敏感性癫痫状态的发病率。
第三实施例
请参阅图3，本申请实施例提供了一种癫痫数据统计装置100，应用于电子设备，癫痫数据统计装置100包括：
获得模块110，用于获得用于表示受试者脑部活动的时序信号和功能连接图。
计算模块120，用于根据所述功能连接图和功能计算神经网络模型，确定出所述脑部活动的功能特征向量，以及根据所述时序信号和时序计算神经网络模型，确定出所述脑部活动的时序特征向量。
确定模块130，用于根据所述时序特征向量和所述功能特征向量，确定所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态。
统计模块140，用于将所述健康状态更新到受试者集合所对应的健康状态集合中，获得更新的健康状态集合中所述健康状态，所述颞叶癫痫状态和所述儿童药物敏感性癫痫状态的比例数据。
可选地，所述计算模块120，还用于调用预设的功能计算神经网络模型，将所述功能连接图的图像数据输入所述功能计算神经网络模型进行计算，获得计算出的所述脑部活动的功能特征向量；调用预设的时序计算神经网络模型，将所述时序信号输入所述时序计算神经网络模型进行计算，获得计算出的所述脑部活动的时序特征向量。
可选地，所述确定模块130，还用于将所述时序特征向量和所述功能特征向量组合，得到组合特征向量；调用预设的身体状态分类器，将所述组合特征向量输入所述身体状态分类器进行计算，获得所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态。
可选地，所述统计模块140，还用于获得受试者脑部的核磁共振扫描序列；对所述核磁共振扫描序列进行处理，获得用于表示所述受试者脑部活动的时序信号和功能连接图。
需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域内的技术人员应明白，本申请实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
综上所述，本申请实施例提供了一种癫痫数据统计方法及装置。方法包括：获得用于表示受试者脑部活动的时序信号和功能连接图；根据所述功能连接图和功能计算神经网络模型，确定出所述脑部活动的功能特征向量，以及根据所述时序信号和时序计算神经网络模型，确定出所述脑部活动的时序特征向量；根据所述时序特征向量和所述功能特征向量，确定所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态；将健康状态更新到受试者集合所对应的健康状态集合中，获得更新的健康状态集合中健康状态，颞叶癫痫状态和儿童药物敏感性癫痫状态的比例数据。
通过对时序计算神经网络模型对脑部活动的时序信号进行处理，以及再通过功能计算神经网络模型对功能连接图进行处理，那么就可以确定出受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态。从而将受试者的身体状态健康状态更新到受试者集合所对应的健康状态集合，便实现了更新健康状态集合健康状态，颞叶癫痫状态和儿童药物敏感性癫痫状态的比例数据，即实现了无需无需依赖于对医生的诊断结果进行实时的记录，可以更加灵活的通过对表示受试者脑部活动的时序信号和功能连接图的自动分析，便可以自动的统计更新癫痫的发病率。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (3)

1.一种癫痫数据统计装置，其特征在于，所述装置包括：
获得模块，用于获得用于表示受试者脑部活动的时序信号和功能连接图；
计算模块，用于根据所述功能连接图和功能计算神经网络模型，确定出所述脑部活动的功能特征向量，以及根据所述时序信号和时序计算神经网络模型，确定出所述脑部活动的时序特征向量；
确定模块，用于根据所述时序特征向量和所述功能特征向量，确定所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态；
统计模块，用于将所述健康状态更新到受试者集合所对应的健康状态集合中，获得更新的健康状态集合中所述健康状态，所述颞叶癫痫状态和所述儿童药物敏感性癫痫状态的比例数据；
其中，所述功能计算神经网络模型为：
ai L＝f(L-1)(W(L-1)·f(L-2)(W(L-2)...ai (0)))
其中，L表示所述计算神经网络模型为L层、第l层的第j个神经元到l+1层的第k个神经元连接权值为W(l)、第l层上神经元的激活函数为f(l)、所述功能连接图的图像数据为
Figure FDA0002783656040000011
其中，所述时序计算神经网络模型为：
Figure FDA0002783656040000012
其中，第l层上神经元的激活函数为σ(l)、U(l)为第l层的第一连接权矩阵、W(l)为第l层的第二连接权矩阵、b(l)表示第l层的偏置值、
Figure FDA0002783656040000013
表示第l层神经元第t-1个时刻对于所述时序信号的激活值、
Figure FDA0002783656040000014
为所述时序信号中第t个时刻的第l层所对应的数据；
其中，所述确定模块，还用于将所述时序特征向量和所述功能特征向量组合，得到组合特征向量；调用预设的身体状态分类器，将所述组合特征向量输入所述身体状态分类器进行计算，获得所述受试者的身体状态为健康状态、颞叶癫痫状态或儿童药物敏感性癫痫状态；其中，所述组合特征向量的公式为：
Figure FDA0002783656040000021
其中，oi为组合特征向量，
Figure FDA0002783656040000022
为功能特征向量，
Figure FDA0002783656040000023
为时序特征向量。
2.根据权利要求1所述的癫痫数据统计装置，其特征在于，
所述计算模块，还用于调用预设的的功能计算神经网络模型，将所述功能连接图的图像数据输入所述功能计算神经网络模型进行计算，获得计算出的所述脑部活动的功能特征向量；调用预设的时序计算神经网络模型，将所述时序信号输入所述时序计算神经网络模型进行计算，获得计算出的所述脑部活动的时序特征向量。
3.根据权利要求1或2所述的癫痫数据统计装置，其特征在于，
所述统计模块，还用于获得受试者脑部的核磁共振扫描序列；对所述核磁共振扫描序列进行处理，获得用于表示所述受试者脑部活动的时序信号和功能连接图。
CN201811144195.1A 2018-09-28 2018-09-28 癫痫数据统计方法及装置 Active CN109003680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811144195.1A CN109003680B (zh) 2018-09-28 2018-09-28 癫痫数据统计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811144195.1A CN109003680B (zh) 2018-09-28 2018-09-28 癫痫数据统计方法及装置

Publications (2)

Publication Number Publication Date
CN109003680A CN109003680A (zh) 2018-12-14
CN109003680B true CN109003680B (zh) 2021-04-09

Family

ID=64589796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811144195.1A Active CN109003680B (zh) 2018-09-28 2018-09-28 癫痫数据统计方法及装置

Country Status (1)

Country Link
CN (1) CN109003680B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114376522B (zh) * 2021-12-29 2023-09-05 四川大学华西医院 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003219874A1 (en) * 2002-02-28 2003-09-16 General Hospital Corporation Electroencephalograph sensor for use with magnetic resonance imaging and methods using such arrangements

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0616810D0 (en) * 2006-08-25 2006-10-04 Greater Glasgow Nhs Board Method of imaging metabolic function
CN104337518B (zh) * 2014-10-29 2017-03-22 杭州师范大学 一种基于静息态功能磁共振的术前脑功能网络定位方法
CN105212895B (zh) * 2015-08-24 2019-01-15 中国科学院苏州生物医学工程技术研究所 动态脑磁源定位方法
CN107958213A (zh) * 2017-11-20 2018-04-24 北京工业大学 一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法
CN108319928B (zh) * 2018-02-28 2022-04-19 天津大学 一种基于多目标微粒群算法优化的深度学习方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003219874A1 (en) * 2002-02-28 2003-09-16 General Hospital Corporation Electroencephalograph sensor for use with magnetic resonance imaging and methods using such arrangements

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"LSTM参数更新推导";ilewseu;《https://ilewseu.github.io/2018/01/06/LSTM参数更新推导/》;20180106;第1-7页 *
"基于双向循环神经网络的评价对象抽取研究";陈鹏等;《智能计算机与应用》;20170228;第71-75页 *
"深度学习系列（5）：长短时记忆网络（LSTM）";Free Will;《freewill.top/2017/04/25/深度学习系列（5）：长短时记忆网络（LSTM）/》;20170425;第1-12页 *
"零基础入门深度学习(3) - 神经网络和反向传播算法";hanbingtao;《https://www.zybuluo.com/hanbingtao/note/476663》;20171017;第1-18页 *

Also Published As

Publication number Publication date
CN109003680A (zh) 2018-12-14

Similar Documents

Publication Publication Date Title
CN110738235B (zh) 肺结核判定方法、装置、计算机设备及存储介质
US20180314937A1 (en) Learning-based noise reduction in data produced by a network of sensors, such as one incorporated into loose-fitting clothing worn by a person
CN110686633B (zh) 一种滑坡位移预测方法、装置及电子设备
US11961004B2 (en) Predicting brain data using machine learning models
JP2020036633A (ja) 異常判別プログラム、異常判別方法および異常判別装置
CN111095232A (zh) 发掘用于机器学习技术中的基因组
US11571169B2 (en) Probability-based detector and controller apparatus, method, computer program
CN111863244A (zh) 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
CN114343585B (zh) 认知和行为障碍的预警方法、装置、设备及存储介质
CN109003680B (zh) 癫痫数据统计方法及装置
Wein et al. Forecasting brain activity based on models of spatiotemporal brain dynamics: A comparison of graph neural network architectures
CN113487019A (zh) 电路故障诊断方法、装置、计算机设备和存储介质
CN111383217A (zh) 大脑成瘾性状评估的可视化方法、装置及介质
CN114943695A (zh) 医学序列影像的异常检测方法、装置、设备及存储介质
Lim et al. Score tests for zero-inflation and overdispersion in two-level count data
CN110390999B (zh) 一种临床数据的值域计算方法、装置、可读介质及电子设备
JP2022551325A (ja) 診断ツール
Rojanavasu et al. Improving Inertial Sensor-based Human Activity Recognition using Ensemble Deep Learning
Chowdhury et al. Classification of viral, bacterial, and COVID-19 pneumonia using deep learning framework from chest X-ray images
CN116058852B (zh) Mi-eeg信号的分类系统、方法、电子设备及存储介质
Ryyppö Residual neural network in the identification of rare diseases
US20220334205A1 (en) Detection of Bio-Markers in Functional MRI Scans
CN116344042B (zh) 基于多模态分析的认知储备干预提升方法及系统
WO2022153538A1 (ja) ストレス度の推定方法、教師データの生成方法、情報処理装置、ストレス度推定プログラム、および教師データ生成プログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210707

Address after: 610041, 37, Guoxue Road, Chengdu, Sichuan, Wuhou District

Patentee after: WEST CHINA HOSPITAL, SICHUAN University

Patentee after: SICHUAN University

Address before: 610000, No. 24, south section of Ring Road, Sichuan, Chengdu

Patentee before: SICHUAN University

TR01 Transfer of patent right