CN110321783A - 一种基于1d卷积神经网络的meg棘波检测方法及系统 - Google Patents
一种基于1d卷积神经网络的meg棘波检测方法及系统 Download PDFInfo
- Publication number
- CN110321783A CN110321783A CN201910375675.7A CN201910375675A CN110321783A CN 110321783 A CN110321783 A CN 110321783A CN 201910375675 A CN201910375675 A CN 201910375675A CN 110321783 A CN110321783 A CN 110321783A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- meg
- neural networks
- convolutional
- 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.)
- Pending
Links
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- 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1D卷积神经网络的MEG棘波检测方法及系统。本方法为：对每一样本MEG数据进行分段，得到多个指定时间宽度的多通道数据片段，多个所述数据片段构成该样本MEG数据的数据集；利用各样本MEG数据的数据集训练棘波检测模型；该棘波检测模型包括多个依次连接的基于1D卷积神经网络的特征提取单元，最后一特征提取单元依次与全局最大池化层、Dropout层、全连接层、输出层连接；对于一待检测MEG数据，首先对该待检测MEG数据进行分段，生成该待检测MEG数据的数据集并将其输入到训练好的棘波检测模型，得到该待检测MEG数据的棘波检测结果。本发明具备实时性好、便于实现、定位精确度高等特点。
Description
技术领域
本发明属于生物特征识别领域中的脑磁图信号识别领域，具体为一种基于1D卷积神经网络的MEG棘波检测方法及系统。
背景技术
癫痫(Epilepsy)是影响患者日常生活的最严重的突发性精神疾病之一，特点是大脑神经细胞群反复超同步放电，引起自发性、突发性的脑功能紊乱。癫痫发作时患者时常伴有意识的丧失，无法控制自己的行为，从而导致严重的伤害。癫痫的发病机制较为复杂，至今仍没有一个准确的定论，但就其发作时的电生理改变确实一致的，都是大脑出现异常的过度同步放电。
癫痫发作期或发作间歇期的脑磁图(Magnetoencephalography，MEG)上通常可以记录到棘波、尖波、棘-慢复合波和尖-慢复合波等癫痫特征波。脑磁图(Magnetoencephalography,MEG) 相比于脑电图，具备高时间分辨率和高空间分辨率的特点，能不受到头盖骨等组织的干扰、可靠性强，能更加精确的捕捉到癫痫患者在发作期间的棘波信号。对癫痫患者的包含有棘波的脑磁图信号进行处理分析，将在癫痫的诊断、病灶定位、发作类型确定、手术治疗等方面提供极具价值的信息。
棘波是癫痫疾病诊断和癫痫灶评估的重要指标,临床医生需要根据棘波信号的出现位置等信息来对癫痫进行评估。首先，标记出棘波信号的出现时刻，然后再利用溯源算法对棘波信号时刻的全通道信号数据进行溯源，就可以定位出癫痫病灶区域。因此，快速精确的检测棘波信号位置对于癫痫的疾病诊断具有着重要的意义。
目前，已有的棘波检测和评估的常用算法有阀值法、海岸线法、模板匹配、信号增强、形态学分析、分类聚类等，但这些方法大部分利用了棘波信号的单个波形的时频域等特征，实现了单通道的棘波信号检测，往往会出现抗干扰低、计算量大等问题，而对于多通道的棘波信号检测存在检测速度缓慢、检测精度不高的问题。
阀值法将棘波信号与其他小幅值的信号分开，即棘波是大量神经元同步发放动作电位导致，其波形通常是大幅值的负向尖波，所以可以采取阀值法将其提取出来，但阀值法存在抗干扰性低，当信号的信噪比较低时，容易将噪音(例如眼电信号(Electrooculogram,EOG)，心电信号(Electrocatdiogram,ECG)，肌电信号(Electromyography,EMG))、高频信号等误检为棘波，而且容易漏检幅度值较小的棘波信号。
海岸线法采取的策略是计算信号曲线的长度，因为当癫痫发作时会产生大幅度值的棘波信号，通常具备了较大的海岸线数值，但该算法无法获取各棘波的幅值等波形特征，且最大的缺陷是难以区分大幅值棘波与小幅值高频信号。
频域分析法常将MEG信号通过傅里叶变换转换到频域上进行分析，通过比较棘波信号和正常脑电信号在频域上不同来达到识别棘波信号的目的，但问题在于傅里叶变换主要用于处理确定性平稳信号，而MEG采集到的棘波信号是属于非平稳信号，因此该方法也存在较大的问题。
时频分析法主要采取能处理非平稳信号的短时傅里叶变换(Short Time FourierTransform,STFT)、小波变换(Wavelet Transform,WT)等方法来实现棘波信号的检测，但利用小波变换方法在不同的癫痫数据上检测效果鲁棒性较低，而且不同个体间的脑电差异也会对小波的选择带来问题。
模板匹配方法选取一定数量的棘波信号进行叠加平均得到棘波信号模板，然后根据待检测信号波形和模板信号波形的相似度实现棘波检测，但脑电信号的多样性会给模板的选取带来很多困难。
形态学分析、信号增强等方法是采用了信号处理技术实现棘波信号波形的增强，同时削弱背景信号强度，再结合统计阀值实现棘波检测。
分类聚类等方法通过对单通道信号提取时域、频域、波幅等特征，结合SVM等分类器实现棘波信号的自动检测，但特征的提取需要手工定义，比较繁琐。
发明内容
为了克服以上所述的现有传统棘波检测技术的不足，本发明的目的在于提供一种基于1D 卷积神经网络的MEG的高精度的棘波快速定位检测的系统及方法，本发明采用类似临床判断棘波信号需要结合多个通道信号信息的方式，将采取多个通道进行预测，摆脱了仅仅依靠单通道信号进行判断往往不可靠的问题，具备了实时性好、便于实现、定位精确度高等特点。
MEG数据采集以及棘波信号检测是医学诊断癫痫疾患的重要辅助手段,但现阶段医生针对大量的MEG数据不能做到实时诊断,很难快速有效地分辨出棘波,将MEG数据作为输入放置到基于深度学习技术的算法里进行自动检测,就可以高效准确的获取棘波检测结果,这种检测手段能更加高效地帮助医生的诊断治疗,为以后实际的为医生提供辅助提供了有效的方法。
本发明解决其技术问题所采用的技术方案是基于1D卷积神经网络的MEG棘波检测方法, 包括以下步骤：
1.预处理步骤，对含有棘波的癫痫发作期间的脑磁图信号MEG进行预处理操作，包括了低通滤波、高通滤波、伪迹去除等预处理操作。
2.MEG数据分段，脑磁图数据采集时间较长，不适合直接放入算法中训练。需要在放入算法进行训练前对脑磁图数据进行分割，切割成每个脑磁图数据片段大小为39*300的二维矩阵形式的数据集。
3.棘波检测模型训练及预测，本发明提出的棘波检测模型是基于1D卷积神经网络的棘波检测方法，其网络模型利用1D卷积神经网络模型提取时间片段中的深度非线性特征，1D卷积神经网络包括了1D卷积层、1D池化层、1D的全局池化层，其中1D卷积层、1D池化层的组合应用于特征的提取工作，其1D的全局池化层用于对整个特征图求取平均值，常常应用于卷积层的最后，用于替换全连接(flatten)层，其中每次经过最大池化后的1D的SpatialDropout操作，用于防止模型的过拟合。将经过预处理和数据分段步骤的棘波/无棘波数据集用于棘波检测模型训练，训练完成之后保存最佳模型权重，后续在预测时直接加载已训练完成的模型权重，即可完成棘波预测工作。
本发明的有益效果是：
1.基于深度学习的1D的卷积神经网络应用到了MEG波形数据的棘波自动检测中，并通过滤波去噪、ICA去除伪迹、归一化等预处理方法，有效地对该算法进行GPU加速训练及预测，最后成功地应用到了棘波自动检测任务上，能够更加高效、准确地进行棘波自动检测，为医生、患者提供更加有效的辅助信息。
2.解决现有技术的单通道的棘波信号检测，往往会出现抗干扰低、计算量大和多通道的棘波信号检测存在检测速度缓慢、检测精度不高的问题。本发明专利中的基于1D的卷积神经网络能利用GPU加速对棘波信号进行检测，而且利用了按照脑区分类的多通道的MEG信号数据，采用类似临床判断棘波信号需要结合多个通道信号信息的方式，结合39个通道进行预测，摆脱了仅仅依靠单通道信号进行判断往往不可靠的问题。
附图说明
图1是为本发明实施例的棘波自动检测流程。
图2是为本发明实施例的棘波的可视化图。
图3是为本发明实施例的39通道的MEG棘波分段可视化图。
图4是为本发明实施例的棘波算法训练及预测流程。
图5是为本发明实施例的基于深度学习的棘波检测网络示意图。
具体实施方式
为了更好的阐述本发明的技术方案，下面结合附图及具体实施例对本发明做进一步的详细描述。
为了解决上述存在的技术问题,本发明提供了基于1D卷积神经网络的MEG的棘波检测方法，具体包括以下步骤:
图1展示了本发明实施例的完整的棘波自动检测流程所经过的过程，其中包括了对获取的原始MEG数据的预处理操作，包括了滤波、伪迹去除、归一化等，然后会对MEG数据按照脑区和指定时间片段进行数据分割，分割了大小为39*300的二维矩阵数据集形式，最后，将分割好的数据放入到训练好的棘波检测模型中进行预测，判断棘波是否存在。
1.预处理步骤：
如图2所示展示了39个通道的MEG数据示例，其中黑色标线表示了棘波信号的位置。获取患者在癫痫发作时期的所有原始MEG波形数据(306通道),先对原始波形数据进行预处理操作，其中预处理操作包括以下步骤:
1.滤波去噪,使用高通滤波器去除基线漂移噪音,工频干扰噪音，使用低通滤波器去除噪音干扰。本发明实施例中采用了1Hz～100Hz的频率区间进行滤波，通过滤波处理能够有效的去除MEG数据中的各种噪音带来的干扰，从而进一步提高棘波自动检测的正确率。
2.通过独立成分分析(ICA)算法去除眼电/心电(EOG/ECG)伪迹。
3.进行标准化(z-score)处理，使得数据符合标准正态分布。
上述预处理手段为本领域内技术人员的基础技术手段，本发明中不再详细描述。
2.MEG数据分段：
获取得到的MEG原始数据经过预处理后，需要将其按照时间和脑区分别进行分段，方便后续模型的训练。本发明实施例中采取了300ms的时间间隔对其进行分段，即每个片段的时间长度为300ms，然后需要将306个通道的MEG数据按脑区划分，每个脑区占据39个通道，其中不足39通道的，通过补充全零通道来补全。通过分段后，可以得到二维矩阵形式的39*300 大小的矩阵形式的数据集，即是指定时间宽度的多通道的脑磁图信号的时间序列数据集。值得注意的是，在对测试数据进行数据分割时，需要将数据分割成300ms为区间的时间片段，期间有50ms的交叠区域，交叠区域主要是防止切割原始波形数据时将棘波分割为不完整的两部分，造成算法的漏检。
3.棘波检测模型训练及预测：
图4展示了本发明实施例中棘波算法的训练流程和训练完模型之后用于预测新的MEG测试数据的流程。其中包括了训练阶段和测试阶段。其中训练阶段囊括了MEG棘波数据和非棘波数据的收集，之后将其进行滤波、去除伪迹、归一化等预处理操作，之后再对MEG数据按照脑区和时间段的方式进行分割，得到39*300的二维矩阵数据集，将其放入棘波检测模型中进行训练，经过多轮训练后得到最后结果，将对应棘波检测模型进行保存，用于后续测试。图4右侧展示了测试流程，当需要检测新的MEG测试数据的棘波时，需要对其进行预处理和数据分割操作，之后将其放入基于1D的卷积神经网络的棘波检测模型进行预测，得到棘波检测结果，其检测结果为0到1之间的数值，表达了该片段是否是棘波的概率，其输出结果1表示存在棘波信号,而结果0表示不存在棘波信号,然后返回到对应的原始数据上,即可知晓原始MEG波形数据在哪些时刻出现了棘波。
棘波检测模型详细描述如下：
卷积神经网络是人工智能领域中的深度学习算法之一，它包含了多层的卷积结构，主要是自动学习特征提取过程，将低层的特征组合成更加抽象的高层特征，从而发现数据潜在分布形式。目前该算法常用于图像处理，比如图像分类、分割，而且在声音识别等领域也被证明了其相对于传统算法更具有效性，具备更加精准的识别精度和更加高效的处理速度。
本发明中把基于1D的卷积神经网络应用到了MEG波形数据的棘波自动检测中，并通过滤波去噪、ICA去除伪迹、归一化等预处理方法，通过有效地对该算法进行GPU加速训练，最后成功地应用到了棘波自动检测任务上，能够更加高效、准确地进行棘波自动检测，为医生、患者提供更加有效的辅助信息。
本实施例中的具体实现了如下结构的棘波检测模型：
图5所示是本发明实施例的基于深度学习的棘波检测模型，其利用1D卷积神经网络模型提取时间片段中的深度非线性特征，包括了1D卷积层、1D池化层、1D的全局池化层等的组合，其中1D卷积层、1D池化层的组合应用于特征的提取工作，其1D的全局池化层用于对整个特征图求取平均值，常常应用于卷积层的最后，用于替换全连接(flatten)层，其中每次经过最大池化后的1D的SpatialDropout操作，在图3示意图中展示，其作用是用于防止模型的过拟合。
表1本发明实施例的基于深度学习的棘波检测网络的结构表
表1详细展示了棘波检测模型的对应细节，对应着图5的棘波检测网络模型示意图。棘波检测模型由300*39的MEG数据的二维矩阵作为输入，连接上两个激活函数为relu的1D 卷积神经网络(Conv1D)，之后连接最大池化(Maxpooling)，在保留主要特征的情况下，减少参数量，防止过拟合，之后是一个spatial dropout，它会丢弃整个1D的特征图而不是丢弃单个元素。如果特征图中相邻的帧是强相关的，那么常规的dropout将无法使激活正则化，且导致有效的学习速率降低。在这种情况下，SpatialDropout1D将有助于提高特征图之间的独立性，应该使用spatial dropout来代替Dropout层，用于防止模型的过拟合。之后再次顺次连接两个激活函数为relu的1D卷积神经网络(Conv1D)、最大池化(Maxpooling)、spatial dropout 层。为了提取更高级的特征，本发明实例中的棘波检测模型会再次采取两次顺次连接两个激活函数为relu的1D卷积神经网络(Conv1D)、最大池化(Maxpooling)、spatial dropout层的操作，之后采取全局最大池化(global max pooling1d)层来代替全连接层，将特征数据展成1维，后续再连接全连接(dense)层，增加非线性拟合能力，最后连接上输出(output)层，用于棘波的二分类。
输入数据：数据经过预处理后，每条数据记录中包含有300个时间片(数据是以100Hz 的采样频率进行记录的)。在每个时间间隔内，存储MEG的39个通道数据，如果不足39，则通过填充全零通道进行补足。因此，可得到一个300*39的矩阵数据。
第一个和第二个1D卷积层(CNN)：定义了卷积核大小为5的滤波器(也称为特征检测器)。只有定义了一个滤波器，神经网络才能够学习到一个单一的特征。因此本发明定义16 个滤波器。这样我们就在网络的第一层中训练得到16个不同的特性。第一个神经网络层的输出是一个296*16的矩阵。输出矩阵的每一列都包含一个滤波器的权值。因此，经过两次1D CNN后，得到的输出是一个292*16的矩阵。
最大池化层：为了减少输出的复杂度和防止数据的过拟合，在CNN层之后经常会使用池化层。在本发明实施例中选择了大小为2的池化层。这意味着这个层的输出矩阵的大小只有输入矩阵的二分之一，经过最大池化后，输出维度为146*16的矩阵。
Spatial Dropout层：为了防止数据过拟合的层，在经过处理后，输出维度不变，还是146*16 的矩阵。
第三个和第四个1D CNN层：上述经过CNN处理后的输出结果将被输入到第三个CNN层中。本发明将在这个网络层上次定义32个不同的卷积核大小为3滤波器进行训练。按照与第一、二层相同处理方式，经过第四个1D CNN层后的输出矩阵的大小为142*32。
最大池化层：为了减少输出的复杂度和防止数据的过拟合，在CNN层之后经常会使用池化层。在本发明实施例中选择了大小为2的池化层。这意味着这个层的输出矩阵的大小只有输入矩阵的二分之一，经过最大池化后，输出维度为71*32的矩阵。
Spatial Dropout层：为了防止数据过拟合的层，在经过处理后，输出维度不变，还是71*32 的矩阵。
第五和第六个1D CNN层：为了学习更高层次的特征，这里使用了另外两个1D CNN层，滤波器个数为32个，卷积核大小为3。这两层之后的输出矩阵是一个67*32的矩阵。
最大池化层：为了减少输出的复杂度和防止数据的过拟合，在CNN层之后经常会使用池化层。在本发明实施例中选择了大小为2的池化层。这意味着这个层的输出矩阵的大小只有输入矩阵的二分之一，经过最大池化后，输出维度为33*32的矩阵。
Spatial Dropout层：为了防止数据过拟合的层，在经过处理后，输出维度不变，还是33*32 的矩阵。
第七和第八个1D CNN层：同样为两个1D CNN层，滤波器个数为256个。这两层之后的输出矩阵是一个29*256的矩阵。
全局最大池化层：添加一个全局最大池化层，以进一步避免过拟合的发生，替代了全连接层，将特征展为1维特征向量。输出矩阵的大小为1*256。每个特征检测器在神经网络的这一层中只剩下一个权重。
Dropout层：Dropout层会随机地为让网络中的神经元失效。本发明实施例中选择了 0.01的比率，则1％的神经元将会失效，变成零权重。通过这种操作可以防止网络的过拟合行为。经过Dropout层的输出仍然是一个1*256的矩阵。
全连接层(Dense层):Dense层使用激活函数为ReLU，用于增加非线性拟合能力，输出维度变为1*64的矩阵。
输出层:使用Sigmoid激活的Dense层,把特征向量长度为64的向量降为长度为1的向量，输出值将表示棘波出现的概率。
模型训练过程中采用的优化函数是Adam，学习率设置为2e-4，采用了二元交叉熵(binary_crossentropy)作为损失函数，训练的批量大小(batch size)为64。在训练过程中采取了早停技术(early stopping)，随着训练轮数增加，如果在验证集上发现误差上升则停止模型的训练，将停止之后的权重作为模型的最终参数，用于防止过拟合。其中网络中的参数更新则采取了梯度反向传播技术，为本领域内专业人士基础知识，已实现在开源的深度学习框架下，本专利内不再细致描述其细节。
模型训练完成后，将其模型参数及其网络结构完整保存下来，存为h5格式模型文件。后续用于新的MEG测试数据预测时，只需要加载其模型文件，就可以对经过同样预处理和分段操作的测试数据进行预测，得到该MEG测试数据中棘波的分类结果。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于1D卷积神经网络的MEG棘波检测方法，其步骤包括：
1)对每一样本MEG数据进行分段，得到多个指定时间宽度的多通道数据片段，多个所述数据片段构成该样本MEG数据的数据集；其中，样本MEG数据为含有棘波的癫痫发作期间的脑磁图信号；
2)利用各样本MEG数据的数据集训练棘波检测模型；其中，该棘波检测模型包括多个依次连接的基于1D卷积神经网络的特征提取单元，最后一特征提取单元依次与全局最大池化层、Dropout层、全连接层、输出层连接；1D卷积神经网络用于提取所述数据片段中的深度非线性特征；全局最大池化层用于对最后一特征提取单元输出的特征图求取平均值，将特征数据展成1维；
3)对于一待检测MEG数据，首先对该待检测MEG数据进行分段，生成该待检测MEG数据的数据集并将其输入到训练好的棘波检测模型，得到该待检测MEG数据的棘波检测结果。
2.如权利要求1所述的方法，其特征在于，生成所述数据集的方法为：采取Nms的时间间隔对样本MEG数据进行分段，然后对每一分段的MEG数据按脑区划分，每个脑区占据M个通道，其中不足M通道的，通过补充全零通道来补全，从而得到M*N大小的二维矩阵形式的数据片段；然后将该样本MEG数据的多个所述数据片段构成该样本MEG数据的数据集。
3.如权利要求2所述的方法，其特征在于，M取值为39，N取值为300；相邻数据片段之间具有50ms的交叠区域。
4.如权利要求1或2所述的方法，其特征在于，该棘波检测模型包括四个所述特征提取单元；其中，第一级特征提取单元包括依次连接的1D卷积神经网络、最大池化层和spatialdropout层，其中1D卷积神经网络包括第一1D卷积层、第二1D卷积层，第一1D卷积层、第二1D卷积层分别包括16个卷积核大小为5的滤波器，第一级特征提取单元的最大池化层为大小为2的池化层；第二级特征提取单元包括依次连接的1D卷积神经网络、最大池化层和spatial dropout层，其中1D卷积神经网络包括第三1D卷积层、第四1D卷积层，第三1D卷积层、第四1D卷积层分别包括32个卷积核大小为3的滤波器，第二级特征提取单元的最大池化层为大小为2的池化层；第三级特征提取单元包括依次连接的1D卷积神经网络、最大池化层和spatial dropout层，其中1D卷积神经网络包括第五1D卷积层、第六1D卷积层，第五1D卷积层、第六1D卷积层分别包括32个卷积核大小为3的滤波器，第三级特征提取单元的最大池化层为大小为2的池化层；第四级特征提取单元包括1D卷积神经网络，其中1D卷积神经网络包括第七1D卷积层、第八1D卷积层，第七1D卷积层、第八1D卷积层分别包括256个卷积核大小为3的滤波器，第八1D卷积层的输出端与所述全局最大池化层连接，所述全局最大池化层用于将特征转为1维特征向量，所述全局最大池化层的输出端依次与所述Dropout层、全连接层、输出层连接。
5.如权利要求1所述的方法，其特征在于，首先对脑磁图信号MEG进行低通滤波、高通滤波和伪迹去除，得到符合标准正态分布的MEG数据；然后进行步骤1)。
6.一种基于1D卷积神经网络的MEG棘波检测系统，其特征在于，包括MEG数据分段模块、棘波检测模型训练模块和棘波检测模型检测模块；其中，
MEG数据分段模块，用于对每一样本MEG数据进行分段，得到多个指定时间宽度的多通道数据片段，多个所述数据片段构成该样本MEG数据的数据集；其中，样本MEG数据为含有/不含棘波的癫痫发作期间的脑磁图信号；
棘波检测模型训练模块，用于利用各样本MEG数据的数据集训练棘波检测模型；其中，该棘波检测模型包括多个依次连接的基于1D卷积神经网络的特征提取单元，最后一特征提取单元依次与全局最大池化层、Dropout层、全连接层、输出层连接；1D卷积神经网络用于提取所述数据片段中的深度非线性特征；全局最大池化层用于对最后一特征提取单元输出的特征图求取最大值，将特征数据展成1维；
棘波检测模型检测模块，用于对于一待检测MEG数据，首先对该待检测MEG数据进行分段，生成该待检测MEG数据的数据集并将其输入到训练好的棘波检测模型，得到该待检测MEG数据的棘波检测结果。
7.如权利要求6所述的系统，其特征在于，还包括一预处理模块，用于对脑磁图信号MEG进行低通滤波、高通滤波和伪迹去除，得到符合标准正态分布的MEG数据；然后进行分段。
8.如权利要求6所述的系统，其特征在于，所述MEG数据分段模块采取Nms的时间间隔对样本MEG数据进行分段，然后对每一分段的MEG数据按脑区划分，每个脑区占据M个通道，其中不足M通道的，通过补充全零通道来补全，从而得到M*N大小的二维矩阵形式的数据片段；然后将该样本MEG数据的多个所述数据片段构成该样本MEG数据的数据集。
9.如权利要求6所述的系统，其特征在于，该棘波检测模型包括四个所述特征提取单元；其中，第一级特征提取单元包括依次连接的1D卷积神经网络、最大池化层和spatialdropout层，其中1D卷积神经网络包括第一1D卷积层、第二1D卷积层，第一1D卷积层、第二1D卷积层分别包括16个卷积核大小为5的滤波器，第一级特征提取单元的最大池化层为大小为2的池化层；第二级特征提取单元包括依次连接的1D卷积神经网络、最大池化层和spatial dropout层，其中1D卷积神经网络包括第三1D卷积层、第四1D卷积层，第三1D卷积层、第四1D卷积层分别包括32个卷积核大小为3的滤波器，第二级特征提取单元的最大池化层为大小为2的池化层；第三级特征提取单元包括依次连接的1D卷积神经网络、最大池化层和spatial dropout层，其中1D卷积神经网络包括第五1D卷积层、第六1D卷积层，第五1D卷积层、第六1D卷积层分别包括32个卷积核大小为3的滤波器，第三级特征提取单元的最大池化层为大小为2的池化层；第四级特征提取单元包括依次连接的1D卷积神经网络、全局最大池化层和dropout层，其中1D卷积神经网络包括第七1D卷积层、第八1D卷积层，第七1D卷积层、第八1D卷积层分别包括256个卷积核大小为3的滤波器，第八1D卷积层的输出端与所述全局最大池化层连接，所述全局最大池化层用于将特征转为1维特征向量，所述全局最大池化层的输出端依次与所述Dropout层、全连接层、输出层连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910375675.7A CN110321783A (zh) | 2019-05-07 | 2019-05-07 | 一种基于1d卷积神经网络的meg棘波检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910375675.7A CN110321783A (zh) | 2019-05-07 | 2019-05-07 | 一种基于1d卷积神经网络的meg棘波检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110321783A true CN110321783A (zh) | 2019-10-11 |
Family
ID=68118861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910375675.7A Pending CN110321783A (zh) | 2019-05-07 | 2019-05-07 | 一种基于1d卷积神经网络的meg棘波检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110321783A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340142A (zh) * | 2020-05-14 | 2020-06-26 | 南京慧脑云计算有限公司 | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 |
| CN111445462A (zh) * | 2020-03-30 | 2020-07-24 | 国家计算机网络与信息安全管理中心 | 一种基于神经网络和热像图的蓄电池漏液检测方法 |
| CN111643076A (zh) * | 2020-05-13 | 2020-09-11 | 杭州电子科技大学 | 一种基于多通道脑电信号的bect棘波智能检测方法 |
| CN112022151A (zh) * | 2020-07-31 | 2020-12-04 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
| CN112465722A (zh) * | 2020-12-04 | 2021-03-09 | 武汉大学 | 一种异常相位图像的修复方法 |
| CN112568868A (zh) * | 2020-10-16 | 2021-03-30 | 浙江赛微思生物科技有限公司 | 针对癫痫模型电生理信号的自动量化分析方法及装置 |
| CN112801294A (zh) * | 2021-04-02 | 2021-05-14 | 福州大学 | 基于图信号处理的用于加速神经网络推理的方法 |
| CN112826512A (zh) * | 2021-02-05 | 2021-05-25 | 南京慧脑云计算有限公司 | 一种癫痫棘波自动检测与峰值定位方法 |
| CN114065825A (zh) * | 2022-01-17 | 2022-02-18 | 北京航空航天大学杭州创新研究院 | 一种基于结构相似性的脑磁meg源定位方法 |
| CN114818837A (zh) * | 2022-06-29 | 2022-07-29 | 电子科技大学 | 基于多级神经网络和分块计算的脑电信号智能处理电路 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107137072A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种基于1d卷积神经网络的室性异位搏动检测方法 |
| CN108209870A (zh) * | 2017-12-25 | 2018-06-29 | 河海大学常州校区 | 基于卷积神经网络的长程脑电图自动癫痫检测方法 |
| CN108403111A (zh) * | 2018-02-01 | 2018-08-17 | 华中科技大学 | 一种基于卷积神经网络的癫痫脑电识别方法和系统 |
| CN108549875A (zh) * | 2018-04-19 | 2018-09-18 | 北京工业大学 | 一种基于深度通道注意力感知的脑电癫痫发作检测方法 |
-
2019
- 2019-05-07 CN CN201910375675.7A patent/CN110321783A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107137072A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种基于1d卷积神经网络的室性异位搏动检测方法 |
| CN108209870A (zh) * | 2017-12-25 | 2018-06-29 | 河海大学常州校区 | 基于卷积神经网络的长程脑电图自动癫痫检测方法 |
| CN108403111A (zh) * | 2018-02-01 | 2018-08-17 | 华中科技大学 | 一种基于卷积神经网络的癫痫脑电识别方法和系统 |
| CN108549875A (zh) * | 2018-04-19 | 2018-09-18 | 北京工业大学 | 一种基于深度通道注意力感知的脑电癫痫发作检测方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445462A (zh) * | 2020-03-30 | 2020-07-24 | 国家计算机网络与信息安全管理中心 | 一种基于神经网络和热像图的蓄电池漏液检测方法 |
| CN111643076A (zh) * | 2020-05-13 | 2020-09-11 | 杭州电子科技大学 | 一种基于多通道脑电信号的bect棘波智能检测方法 |
| CN111340142A (zh) * | 2020-05-14 | 2020-06-26 | 南京慧脑云计算有限公司 | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 |
| CN111340142B (zh) * | 2020-05-14 | 2020-08-14 | 南京慧脑云计算有限公司 | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 |
| CN112022151A (zh) * | 2020-07-31 | 2020-12-04 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
| CN112022151B (zh) * | 2020-07-31 | 2023-11-14 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
| CN112568868A (zh) * | 2020-10-16 | 2021-03-30 | 浙江赛微思生物科技有限公司 | 针对癫痫模型电生理信号的自动量化分析方法及装置 |
| CN112465722A (zh) * | 2020-12-04 | 2021-03-09 | 武汉大学 | 一种异常相位图像的修复方法 |
| CN112826512A (zh) * | 2021-02-05 | 2021-05-25 | 南京慧脑云计算有限公司 | 一种癫痫棘波自动检测与峰值定位方法 |
| CN112826512B (zh) * | 2021-02-05 | 2022-11-25 | 南京慧脑云计算有限公司 | 一种癫痫棘波自动检测与峰值定位方法 |
| CN112801294B (zh) * | 2021-04-02 | 2022-10-04 | 福州大学 | 基于图信号处理的用于加速神经网络推理的方法 |
| CN112801294A (zh) * | 2021-04-02 | 2021-05-14 | 福州大学 | 基于图信号处理的用于加速神经网络推理的方法 |
| CN114065825A (zh) * | 2022-01-17 | 2022-02-18 | 北京航空航天大学杭州创新研究院 | 一种基于结构相似性的脑磁meg源定位方法 |
| CN114065825B (zh) * | 2022-01-17 | 2022-04-19 | 北京航空航天大学杭州创新研究院 | 一种基于结构相似性的脑磁meg源定位方法 |
| CN114818837A (zh) * | 2022-06-29 | 2022-07-29 | 电子科技大学 | 基于多级神经网络和分块计算的脑电信号智能处理电路 |
| CN114818837B (zh) * | 2022-06-29 | 2022-10-14 | 电子科技大学 | 基于多级神经网络和分块计算的脑电信号智能处理电路 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321783A (zh) | 一种基于1d卷积神经网络的meg棘波检测方法及系统 | |
| CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
| CN110432898A (zh) | 一种基于非线性动力学特征的癫痫发作脑电信号分类系统 | |
| Halford | Computerized epileptiform transient detection in the scalp electroencephalogram: Obstacles to progress and the example of computerized ECG interpretation | |
| CN111340142B (zh) | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 | |
| Kumari et al. | Seizure detection in EEG using time frequency analysis and SVM | |
| Cassani et al. | The effects of automated artifact removal algorithms on electroencephalography-based Alzheimer's disease diagnosis | |
| Kaleem et al. | Patient-specific seizure detection in long-term EEG using wavelet decomposition | |
| Lasefr et al. | Epilepsy seizure detection using EEG signals | |
| CN107095669B (zh) | 一种癫痫患者脑电信号的处理方法及系统 | |
| CN109106365A (zh) | 基于脑电信号处理的癫痫发作预警设备 | |
| Prasanth et al. | Deep learning for interictal epileptiform spike detection from scalp EEG frequency sub bands | |
| CN114532993B (zh) | 一种癫痫患者脑电高频振荡信号的自动检测方法 | |
| Xia et al. | Seizure detection approach using S-transform and singular value decomposition | |
| Djamal et al. | Significant variables extraction of post-stroke EEG signal using wavelet and SOM kohonen | |
| Gerla et al. | Automatic identification of artifacts and unwanted physiologic signals in EEG and EOG during wakefulness | |
| CN113768519A (zh) | 基于深度学习和静息态脑电数据分析病人意识水平的方法 | |
| Allam et al. | Customized deep learning algorithm for drowsiness detection using single-channel EEG signal | |
| Qi et al. | Driver fatigue assessment based on the feature fusion and transfer learning of EEG and EMG | |
| Yang et al. | Automated intra-patient and inter-patient coronary artery disease and congestive heart failure detection using EFAP-Net | |
| CN106963374A (zh) | 一种基于s变换和深信度网络的脑电检测方法及装置 | |
| CN111603135B (zh) | 一种基于主从支持向量机的低功耗癫痫检测电路 | |
| Ebrahimpour et al. | Epileptic seizure detection using a neural network ensemble method and wavelet transform | |
| De Moraes et al. | Automated Detection of Interictal Spikes in EEG: A literature review | |
| Chai et al. | Classification of driver fatigue in an electroencephalography-based countermeasure system with source separation module |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
| RJ01 | Rejection of invention patent application after publication |