CN109924974A - 一种基于EcoG癫痫神经信号的解码方法和云端解码系统 - Google Patents

一种基于EcoG癫痫神经信号的解码方法和云端解码系统 Download PDF

Info

Publication number
CN109924974A
CN109924974A CN201910049383.4A CN201910049383A CN109924974A CN 109924974 A CN109924974 A CN 109924974A CN 201910049383 A CN201910049383 A CN 201910049383A CN 109924974 A CN109924974 A CN 109924974A
Authority
CN
China
Prior art keywords
ecog
signal
coding
epilepsy
discharge
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.)
Granted
Application number
CN201910049383.4A
Other languages
English (en)
Other versions
CN109924974B (zh
Inventor
秦迎梅
门聪
赵佳
车艳秋
韩春晓
薛彬
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.)
Tianjin University of Technology and Education China Vocational Training Instructor Training Center
Original Assignee
Tianjin University of Technology and Education China Vocational Training Instructor Training Center
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 Tianjin University of Technology and Education China Vocational Training Instructor Training Center filed Critical Tianjin University of Technology and Education China Vocational Training Instructor Training Center
Priority to CN201910049383.4A priority Critical patent/CN109924974B/zh
Publication of CN109924974A publication Critical patent/CN109924974A/zh
Application granted granted Critical
Publication of CN109924974B publication Critical patent/CN109924974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于EcoG癫痫神经信号的解码方法和云端解码系统，所述解码方法，包括以下步骤：步骤1，提取原始颞叶EcoG时间序列信号，对其进行低通滤波后，检测和计算放电峰值，然后提取放电峰值附近的放电信号波形；步骤2，基于Haar小波分析方法，提取步骤1中所述的放电信号波形的小波系数作为特征；步骤3，基于SVM模型，对采集到的小波系数特征进行学习模型训练，再利用该学习模型进行预测，步骤4，返回模型预测结果。本发明可在智能医疗装置在采集到病人EcoG信号后，可通过网络api，访问该云端部署的癫痫EcoG识别模型，上传病人准实时EcoG信息，获取返回的分类结果。

Description

一种基于EcoG癫痫神经信号的解码方法和云端解码系统
技术领域
本发明涉及神经信号处理技术领域，特别是涉及一种基于EcoG癫痫神经信号的解码方法和云端解码系统。
背景技术
癫痫是一种典型的神经疾病，其临床特征表现为反复发作、大脑神经元过度异常放电等。有效的癫痫信号检测可以及早进行有效治疗，避免大脑产生不可逆的损伤。EcoG(脑皮层电图)通过探头直接在大脑皮层采集信息，精度高于传统的EEG方法，然而，目前的EcoG分析和解码算法并不完善。另外，在本地系统部署离线模型会导致模型更新困难，而且对智能装置的计算能力有较高要求不适合大规模商业推广，业界也缺乏完整的EcoG从分析到部署的解决方案。
发明内容
本发明的目的是针对现有技术中缺乏完善的分析、解码EcoG癫痫神经信号的方法，而提供一种基于EcoG癫痫神经信号的解码方法。
本发明的另一个目的是针对本地部署解码EcoG癫痫神经信号系统难以更新和推广的问题，而提供一种基于EcoG癫痫神经信号的云端解码系统，智能医疗装置在采集到病人EcoG信号后，可通过网络api，访问该云端部署的癫痫EcoG识别模型，上传病人准实时EcoG信息，获取返回的分类结果。从而解决癫痫EcoG在线检测问题。
为实现本发明的目的所采用的技术方案是：
本发明的一种基于EcoG癫痫神经信号的解码方法，包括以下步骤：
步骤1，提取待测试癫痫病人的原始颞叶EcoG时间序列信号，对其进行低通滤波后，检测和计算放电峰值，然后提取放电峰值附近的放电信号波形；
步骤2，基于Haar小波分析方法，提取步骤1中所述的放电信号波形的小波系数作为特征；
步骤3，利用所述SVM机器学习模型进行预测：第一阶段，基于所述小波系数特征识别放电信号波形所对应的神经元类别，把单个EcoG时间序列信号转换成多个神经元类别的时间序列信号，然后提取所述多个神经元类别的放电率；第二阶段，将得到的所述多个神经元类别的放电率输入到SVM机器学习模型，以预测出病人是否处于癫痫前状态；
步骤4，返回模型预测结果。
在上述技术方案中，所述SVM机器学习模型的训练通过以下步骤：
步骤1，提取学习样本的原始颞叶EcoG时间序列信号，对其进行低通滤波后，检测和计算放电峰值，然后提取放电峰值附近的放电信号波形；
步骤2，基于Haar小波分析方法，提取步骤1中所述的放电信号波形的小波系数作为特征；
步骤3，基于SVM模型，对采集到的小波系数特征进行学习模型训练：第一阶段，基于所述小波系数特征识别放电信号波形所对应的神经元类别，把单个EcoG时间序列信号转换成多个神经元类别的时间序列信号，然后提取所述多个神经元类别的放电率；第二阶段，利用所有学习样本得到的所述多个神经元类别的放电率训练SVM机器学习模型。
在上述技术方案中，所述SVM机器学习模型时采用的学习样本个数为5000-10000个。
在上述技术方案中，所述步骤1中原始颞叶EcoG时间序列信号由g.tec公司的g.HIamp脑机接口设备采集。
在上述技术方案中，所述步骤1中的低通滤波是通过以下微分方程完成的：
其中，Vin(t)为输入信号，dVout(t)为输出信号，τ＝20ms。
在上述技术方案中，所述步骤1中放电峰值附近的放电信号波形是指峰值前后5ms的放电信号波形。以保证没有其他峰值干扰。
在上述技术方案中，步骤3中，所述神经元类别的个数为3-10个。
在上述技术方案中，步骤3中，SVM模型采用线性SVM。
在上述技术方案中，所述步骤1中通过http服务接收网络传输的原始颞叶EcoG时间序列信号。
在上述技术方案中，所述步骤4中，所述预测结果的返回是通过http服务的post方式返回的。
本发明的另一方面，还包括一种基于EcoG癫痫神经信号的云端解码系统，包括部署在云端的以下模块：
信号接收与预处理模块，用于接收原始颞叶EcoG原始时间序列信号并对其进行预处理；
特征提取模块，用于从所述原始时间序列信号中提取小波系数特征；
机器学习模块，负责预加载机器学习模型并且利用机器学习模型进行运算；
模型结果处理和返回模块，用于返回模型预测结果。
与现有技术相比，本发明的有益效果是：
1.可以通过上传病人实时EcoG信息有效预测出病人是否处于癫痫发作前期，准确度超过85％。
2.利用云端更好的计算资源获得比嵌入式本地模型更优的识别速度和精度，并有效减小嵌入式系统成本和模型升级的成本，支持大规模使用。
附图说明
图1所示为实施例1中解码方法流程图。
图2所示为实施例1中原始颞叶EcoG时间序列信号。
图3所示为实施例1中三类神经元类别的波形图。
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
一种基于EcoG癫痫神经信号的解码方法，包括训练阶段和测试阶段，
其中训练阶段为SVM机器学习模型的训练，包括以下步骤：
步骤1，提取原始颞叶EcoG时间序列信号，对其进行低通滤波后，检测和计算放电峰值，然后提取放电峰值附近的放电信号波形；
步骤2，基于Haar小波分析方法，提取步骤1中所述的放电信号波形的小波系数作为特征；
步骤3，基于SVM模型，对采集到的小波系数特征进行学习模型训练：第一阶段，基于所述小波系数特征识别放电信号波形所对应的神经元类别，把单个EcoG时间序列信号转换成多个神经元类别的时间序列信号，然后提取所述多个神经元类别的放电率；第二阶段，利用所有学习样本得到的所述多个神经元类别的放电率训练SVM机器学习模型。
测试阶段包括以下步骤：
步骤1，提取原始颞叶EcoG时间序列信号，对其进行低通滤波后，检测和计算放电峰值，然后提取放电峰值附近的放电信号波形；
步骤2，基于Haar小波分析方法，提取步骤1中所述的放电信号波形的小波系数作为特征；
步骤3，利用所述SVM机器学习模型进行预测，第一阶段，基于所述小波系数特征识别放电信号波形所对应的神经元类别，把单个EcoG时间序列信号转换成多个神经元类别的时间序列信号，然后提取所述多个神经元类别的放电率；第二阶段，将待测试癫痫病人得到的所述多个神经元类别的放电率输入到所述SVM机器学习模型，以预测出病人是否处于癫痫前状态；
步骤4，返回模型预测结果。
SVM模型对于原始颞叶EcoG时间序列信号的分类效果好并且可解释性好，本发明通过实验比较了LR模型、神经网络模型、决策树模型，发现线性SVM模型分类准确度最高，并且模型可解释性好。
实施例2
本实施例在实施例1的基础上进行更进一步的详细说明。
作为优选方式，所述步骤1中通过http服务接收网络传输的原始颞叶EcoG时间序列信号。所述步骤4中，所述预测结果的返回是通过http服务的post方式返回的。实现癫痫前状态的云端预测。
作为优选方式，所述步骤1中原始颞叶EcoG时间序列信号由g.tec公司的g.HIamp脑机接口设备采集。
作为优选方式，所述步骤1中的低通滤波是通过以下微分方程完成的：
其中，Vin(t)为输入信号，dVout(t)为输出信号，τ＝20ms。
作为优选方式，所述步骤1中放电峰值附近的放电信号波形是指峰值前后5ms的放电信号波形。以保证没有其他峰值干扰。
作为优选方式，所述步骤3中的SVM模型采用线性SVM，它基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局最优化。
作为优选方式，所述步骤3中，所述神经元类别的个数为3-10个。
作为优选方式，所述步骤3中，所述学习模型训练时采用的学习样本个数为5000-10000个。以保证SVM机器学习模型预测的精准度。
实施例3
本实施例为实现实施例1或2的方法而搭建的EcoG癫痫神经信号的云端解码系统。
一种基于EcoG癫痫神经信号的云端解码系统，包括部署在云端的以下模块：
信号接收与预处理模块，用于原始颞叶EcoG原始时间序列信号并对其进行预处理；具体的，通过http服务接收网络传输的提取原始颞叶EcoG时间序列信号，对其进行低通滤波后，检测和计算放电峰值，然后提取放电峰值附近的放电信号波形。
特征提取模块，用于从所述原始时间序列信号中提取小波系数特征；具体的，基于Haar小波分析方法，提取步骤1中所述的放电信号波形的小波系数作为特征；
机器学习模块，负责预加载机器学习模型并且利用机器学习模型进行运算；具体的，分为两个阶段：第一阶段，基于所述小波系数特征识别放电信号波形所对应的神经元类别，把单个EcoG时间序列信号转换成多个神经元类别的时间序列信号，然后提取所述多个神经元类别的放电率；第二阶段：将待测试癫痫病人得到的所述多个神经元类别的放电率输入到所述SVM机器学习模型，以预测出病人是否处于癫痫前状态；
模型结果处理和返回模块，用于返回模型预测结果，具体的，通过http服务的post方式返回模型预测结果。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于EcoG癫痫神经信号的解码方法，其特征在于，包括以下步骤：
步骤1，提取待测试癫痫病人的原始颞叶EcoG时间序列信号，对其进行低通滤波后，检测和计算放电峰值，然后提取放电峰值附近的放电信号波形；
步骤2，基于Haar小波分析方法，提取步骤1中所述的放电信号波形的小波系数作为特征；
步骤3，利用所述SVM机器学习模型进行预测：第一阶段，基于所述小波系数特征识别放电信号波形所对应的神经元类别，把单个EcoG时间序列信号转换成多个神经元类别的时间序列信号，然后提取所述多个神经元类别的放电率；第二阶段，将得到的所述多个神经元类别的放电率输入到SVM机器学习模型，以预测出病人是否处于癫痫前状态；
步骤4，返回模型预测结果。
2.如权利要求1所述的基于EcoG癫痫神经信号的解码方法，其特征在于，所述SVM机器学习模型的训练通过以下步骤：
步骤1，提取学习样本的原始颞叶EcoG时间序列信号，对其进行低通滤波后，检测和计算放电峰值，然后提取放电峰值附近的放电信号波形；
步骤2，基于Haar小波分析方法，提取步骤1中所述的放电信号波形的小波系数作为特征；
步骤3，基于SVM模型，对采集到的小波系数特征进行学习模型训练：第一阶段，基于所述小波系数特征识别放电信号波形所对应的神经元类别，把单个EcoG时间序列信号转换成多个神经元类别的时间序列信号，然后提取所述多个神经元类别的放电率；第二阶段，利用所有学习样本得到的所述多个神经元类别的放电率训练SVM机器学习模型。
3.如权利要求2所述的基于EcoG癫痫神经信号的解码方法，其特征在于，所述SVM机器学习模型时采用的学习样本个数为5000-10000个。
4.如权利要求1所述的基于EcoG癫痫神经信号的解码方法，其特征在于，所述步骤1中原始颞叶EcoG时间序列信号由g.tec公司的g.HIamp脑机接口设备采集。
5.如权利要求1所述的基于EcoG癫痫神经信号的解码方法，其特征在于，所述步骤1中的低通滤波是通过以下微分方程完成的：
其中，Vin(t)为输入信号，dVout(t)为输出信号，τ＝20ms。
6.如权利要求1所述的基于EcoG癫痫神经信号的解码方法，其特征在于，所述步骤1中放电峰值附近的放电信号波形是指峰值前后5ms的放电信号波形。
7.如权利要求1所述的基于EcoG癫痫神经信号的解码方法，其特征在于，步骤3中，所述神经元类别的个数为3-10个。
8.如权利要求1所述的基于EcoG癫痫神经信号的解码方法，其特征在于，步骤3中，SVM模型采用线性SVM。
9.如权利要求1所述的基于EcoG癫痫神经信号的解码方法，其特征在于，所述步骤1中通过http服务接收网络传输的原始颞叶EcoG时间序列信号，所述步骤4中，所述预测结果的返回是通过http服务的post方式返回的。
10.一种基于EcoG癫痫神经信号的云端解码系统，其特征在于，包括部署在云端的以下模块：
信号接收与预处理模块，用于接收原始颞叶EcoG原始时间序列信号并对其进行预处理；
特征提取模块，用于从所述原始时间序列信号中提取小波系数特征；
机器学习模块，负责预加载机器学习模型并且利用机器学习模型进行运算；
模型结果处理和返回模块，用于返回模型预测结果。
CN201910049383.4A 2019-01-18 2019-01-18 一种基于EcoG癫痫神经信号的解码方法和云端解码系统 Active CN109924974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910049383.4A CN109924974B (zh) 2019-01-18 2019-01-18 一种基于EcoG癫痫神经信号的解码方法和云端解码系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910049383.4A CN109924974B (zh) 2019-01-18 2019-01-18 一种基于EcoG癫痫神经信号的解码方法和云端解码系统

Publications (2)

Publication Number Publication Date
CN109924974A true CN109924974A (zh) 2019-06-25
CN109924974B CN109924974B (zh) 2022-02-08

Family

ID=66985062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910049383.4A Active CN109924974B (zh) 2019-01-18 2019-01-18 一种基于EcoG癫痫神经信号的解码方法和云端解码系统

Country Status (1)

Country Link
CN (1) CN109924974B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111956221A (zh) * 2020-09-07 2020-11-20 南京医科大学 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法
RU2751744C1 (ru) * 2020-08-18 2021-07-16 Федеральное государственное бюджетное образовательное учреждение высшего образования "Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского" Способ автоматического выделения физиологических состояний мелких лабораторных животных

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106821376A (zh) * 2017-03-28 2017-06-13 南京医科大学 一种基于深度学习算法的癫痫发作预警系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106821376A (zh) * 2017-03-28 2017-06-13 南京医科大学 一种基于深度学习算法的癫痫发作预警系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2751744C1 (ru) * 2020-08-18 2021-07-16 Федеральное государственное бюджетное образовательное учреждение высшего образования "Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского" Способ автоматического выделения физиологических состояний мелких лабораторных животных
CN111956221A (zh) * 2020-09-07 2020-11-20 南京医科大学 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法
CN111956221B (zh) * 2020-09-07 2022-06-07 南京医科大学 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法

Also Published As

Publication number Publication date
CN109924974B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
US20210358611A1 (en) Method for Detecting Epileptic Spike, Method for Training Network Model, and Computer Device
CN111523601B (zh) 一种基于知识引导和生成对抗学习的潜在情绪识别方法
Panda et al. Classification of EEG signal using wavelet transform and support vector machine for epileptic seizure diction
CN111387974B (zh) 基于深度自编码的脑电特征优化与癫痫发作检测方法
CN105956546A (zh) 一种基于脑电信号的情绪识别方法
CN105841961A (zh) 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法
Bizopoulos et al. EEG epileptic seizure detection using k-means clustering and marginal spectrum based on ensemble empirical mode decomposition
KR20190035368A (ko) 뇌 신호로부터 변환한 이미지 기반의 감정 인식 방법 및 장치
CN110236533A (zh) 基于多深度神经网络迁移特征学习的癫痫发作预测方法
Wang et al. A novel multi-scale dilated 3D CNN for epileptic seizure prediction
CN107095669A (zh) 一种癫痫患者脑电信号的处理方法及系统
CN106725452A (zh) 基于情感诱发的脑电信号识别方法
CN108256629A (zh) 基于卷积网络和自编码的eeg信号无监督特征学习方法
CN106127191B (zh) 基于小波包分解及逻辑回归的脑电分类方法
CN108420429A (zh) 一种基于多视角深度特征融合的脑电癫痫自动识别方法
CN112674782B (zh) 癫痫患者发作间期痫样电活动检测装置和方法
Wang et al. Dual-modal information bottleneck network for seizure detection
CN113951903B (zh) 基于脑电数据测定的高速铁路调度员超负荷状态识别方法
CN109924974A (zh) 一种基于EcoG癫痫神经信号的解码方法和云端解码系统
CN113010013A (zh) 一种基于Wasserstein距离的运动想象脑电迁移学习方法
CN114093501A (zh) 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法
CN112884063A (zh) 基于多元时空卷积神经网络的p300信号检测识别方法
Liu et al. Extracting multi-scale and salient features by MSE based U-structure and CBAM for sleep staging
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
Liu et al. Motor Imagery tasks EEG signals classification using ResNet with multi-time-frequency representation

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