CN109924974B - 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 PDFInfo
- Publication number
- CN109924974B CN109924974B CN201910049383.4A CN201910049383A CN109924974B CN 109924974 B CN109924974 B CN 109924974B CN 201910049383 A CN201910049383 A CN 201910049383A CN 109924974 B CN109924974 B CN 109924974B
- Authority
- CN
- China
- Prior art keywords
- signal
- discharge
- ecog
- extracting
- 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
Links
Images
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
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 (8)
1.一种基于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, 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，基于Haar小波分析方法，提取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SVM机器学习模型进行运算, 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；
模型结果处理和返回模块，用于返回模型预测结果。
2.如权利要求1所述的云端解码系统，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所述的云端解码系统，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所述的云端解码系统，其特征在于，所述原始颞叶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所述的云端解码系统，其特征在于，所述低通滤波是通过以下微分方程完成的：
其中，
为输入信号，
为输出信号，
。
6.如权利要求1所述的云端解码系统，其特征在于，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所述的云端解码系统，其特征在于，所述神经元类别的个数为3-10个。
8.如权利要求1所述的云端解码系统，其特征在于， 所述SVM机器学习模型采用线性SVM。
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 CN109924974A (zh) | 2019-06-25 |
| CN109924974B true 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) |
Families Citing this family (2)
| 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 |
| 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 |
Citations (1)
| 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 |
-
2019
- 2019-01-18 CN CN201910049383.4A patent/CN109924974B/zh active Active
Patent Citations (1)
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109924974A (zh) | 2019-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
| Rashed-Al-Mahfuz et al. | A deep convolutional neural network method to detect seizures and characteristic frequencies using epileptic electroencephalogram (EEG) data | |
| Shahbazi et al. | A generalizable model for seizure prediction based on deep learning using CNN-LSTM architecture | |
| CN108960182B (zh) | 一种基于深度学习的p300事件相关电位分类识别方法 | |
| 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 | |
| CN110693493A (zh) | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法 | |
| CN112244873A (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
| CN110840432A (zh) | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 | |
| CN103190904B (zh) | 基于缺项特征的脑电图分类检测装置 | |
| CN109924974B (zh) | 一种基于EcoG癫痫神经信号的解码方法和云端解码系统 | |
| CN110889448A (zh) | 一种基于卷积神经网络的心电分类方法 | |
| CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
| Yu et al. | Epileptic seizure prediction using deep neural networks via transfer learning and multi-feature fusion | |
| WO2024016590A1 (zh) | 一种基于神经拟态计算的在线神经元分类方法 | |
| CN112465069A (zh) | 一种基于多尺度卷积核cnn的脑电情绪分类方法 | |
| CN114190944A (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
| CN111067513B (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
| CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
| CN113974655A (zh) | 一种基于脑电信号的癫痫发作预测方法 | |
| CN109924973A (zh) | 一种基于gbdt模型的癫痫前期eeg信号识别方法与云端系统 | |
| van Dongen et al. | An implementation of a wavelet-based seizure detection filter suitable for realtime closed-loop epileptic seizure suppression | |
| CN116211322A (zh) | 一种基于机器学习脑电信号的抑郁症识别方法和系统 | |
| CN109993076A (zh) | 一种基于深度学习的白鼠行为分类方法 | |
| CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
| CN114795247A (zh) | 脑电信号分析方法、装置、电子设备和存储介质 |
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 |