CN111128387A - 建立癫痫发作检测模型的方法和设备 - Google Patents
建立癫痫发作检测模型的方法和设备 Download PDFInfo
- Publication number
- CN111128387A CN111128387A CN202010120983.8A CN202010120983A CN111128387A CN 111128387 A CN111128387 A CN 111128387A CN 202010120983 A CN202010120983 A CN 202010120983A CN 111128387 A CN111128387 A CN 111128387A
- Authority
- CN
- China
- Prior art keywords
- data
- machine learning
- learning model
- eeg
- training
- 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
- 206010010904 Convulsion Diseases 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 35
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 30
- 208000028329 epileptic seizure Diseases 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000000241 respiratory effect Effects 0.000 claims description 4
- 230000003187 abdominal effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000001037 epileptic effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000001961 anticonvulsive agent Substances 0.000 description 1
- 229960003965 antiepileptics Drugs 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种建立癫痫发作检测模型的方法和设备，所述方法包括：获取训练数据，所述训练数据包括ECG数据、呼吸数据和EEG数据，以及用于表示癫痫是否发作的标签；利用多个所述训练数据对机器学习模型进行训练，以使所述机器学习模型根据所述ECG数据、呼吸数据和EEG数据输出表示癫痫是否发作的检测结果，并根据所述检测结果与所述标签的差异优化所述机器学习模型的参数。
Description
技术领域
本发明涉及人工智能领域，具体涉及一种建立癫痫发作检测模型的方法和设备。
背景技术
癫痫病的发作主要是由于大脑中不正常的神经活动引起的。尽管有很多的抗癫痫的药物实验，但是仍然有三分之一的癫痫患者发病是随机的，这种随机性可能对患者的财务、身体和心里造成重大的不良影响。
基于脑电图(简称EEG)信号自动识检测癫痫病发作是当前非常普遍的方法，EEG是一个随时间变化很大的非平稳信号，也是用于癫痫病诊断的主要信号。自主学习是当前主流癫痫病发作检测的方法之一，如基于深度学习的方法，该方法直接将EEG信号作为癫痫发作检测的原始输入，例如卷积神经网络(CNN)或者长短期记忆网络(LSTM)，现有技术已将深度学习技术应用于EEG信号来进行癫痫病发作的检测。
除此之外，有研究表明心肺功能有助于癫痫病发作检测，但是迄今为止尚缺乏对研究数据的精细设计。所以基于机器学习的癫痫病检测方案仍是一项富有挑战的工作，现有的检测方案准确性和模型性能有待提高。
发明内容
有鉴于此，本发明提供一种建立癫痫发作检测模型的方法，包括：
获取训练数据，所述训练数据包括ECG数据、呼吸数据和EEG数据，以及用于表示癫痫是否发作的标签；
利用多个所述训练数据对机器学习模型进行训练，以使所述机器学习模型根据所述ECG数据、呼吸数据和EEG数据输出表示癫痫是否发作的检测结果，并根据所述检测结果与所述标签的差异优化所述机器学习模型的参数。
可选地，所述机器学习模型包括二维卷积层；所述ECG数据、呼吸数据和EEG数据以二维矩阵的形式作为所述机器学习模型的输入数据，所述二维卷积层用于对所述二维矩阵输入数据进行卷积处理。
可选地，所述机器学习模型包括多个具有不同尺寸卷积核的卷积神经网络。
可选地，所述机器学习模型包括三个卷积神经网络，其中第一个接收输入数据的卷积神经网络的卷积核尺寸为K1*K1,其后串联的两个积神经网络的卷积核尺寸均为K2*K2,K1>K2。
可选地，所述述机器学习模型进行训练的过程中采用如下二分类交叉熵损失函数：
其中N为训练样本数量，I(k＝yi)为指示函数，Pmodel由所述机器学习模型的二分类sofmax函数计算得到的类别概率。
可选地，多个所述训练数据中，属于癫痫发作的训练数据的数量与属于癫痫未发作的训练数据的数量相等。
可选地，所述获取训练数据包括：
获取被测试者的生理信号，包括ECG信号、呼吸信号和EEG信号；
以时间间隔t和时间长度T的滑动窗口将所述生理信号截取为多个信号段，作为所述ECG数据、呼吸数据和EEG数据，其中t<T；
分别确定各个所述信号段是否在癫痫发作期内，以确定信号段的标签。
可选地，在截取所述多个信号段之前，利用设定截止频率的带通滤波器对EEG信号进行降噪处理。
可选地，所述呼吸数据包括胸带数据、腹带数据和鼻压数据；所述EEG数据包括基于10-20国际标准导联系统的19个位点的脑电数据；所述ECG数据为12导联心电图数据。
相应地，本发明提供一种建立癫痫发作检测模型的设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述建立癫痫发作检测模型的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为本发明实施例中一个基础的机器学习模型结构示意图；
图2-图4为本发明实施例中对训练数据进行卷积处理的示意图；
图5为本发明实施例中的训练数据形成方式的示意图；
图6为本发明实施例中一个优选的机器学习模型结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种建立癫痫发作检测模型的方法，本方案使用机器学习模型对人体数据进行识别来检测癫痫病是否发作。所述机器学习模型是指由神经网络、激活函数等程序模块组成的虚拟模型。
机器学习模型的结构如图1所示，其中特征提取模块11可以包括至少一个神经网络，用于对输入数据进行特征提取；输出模块12可以是分类器，用于根据神经网络提取的特征输出分类结果。应用于癫痫检测方案中，模型的输入数据包括人体的ECG(electrocardiogram，心电图)、呼吸数据和EEG(electroencephalogram，脑电图)数据；模型的输出结果表示输入的数据是否为处于癫痫发作状态下的数据。
机器学习模型具有初始参数，本发明所述“建立”是指利用数据对机器学习模型进行训练以优化这些参数，使模型的性能达到预期，比如AUC的值大于设定阈值。以一个训练数据为例进行说明，其中包括ECG数据、呼吸数据和EEG数据，以及用于表示癫痫是否发作的标签，标签应当解释为表示这个训练数据是处于癫痫状态下的数据还是正常状态下的数据，比如以“0”表示正常、以“1”表示癫痫。
利用大量诸如上述的训练数据对机器学习模型进行训练，模型将针对每一个训练数据输出检测结果，是一个二分类结果，表示模型以当前的参数对输入的ECG数据、呼吸数据和EEG数据进行识别，确定各个训练数据是否为癫痫发作状态下的数据。针对一个训练数据，模型输出的结果具体可以是一个0-1的值，表示属于癫痫的概率或者置信度。然后将模型的检测结果与标签进行比较，当二者不一致时根据差异优化模型的参数。
模型用于解决二分类问题，所以模型的训练可采用交叉熵损失函数，函数如下：
其中N为训练样本数量(训练机器学习模型所使用的训练数据的数量)，I(k＝yi)为指示函数，Pmodel由所述机器学习模型的二分类sofmax函数计算得到的类别概率(训练数据属于癫痫发作类的概率)。此具体函数只是为了清楚地说明训练过程，而不是限定损失函数的内容，实际应用时采用其它形式的损失函数也是可行的。
模型的训练采用Adam优化器进行优化，训练期间将具有最高验证AUC得分的模型作为最佳模型进行保存。
根据本发明实施例提供的建立癫痫发作检测模型的方法，通过ECG、呼吸数据与EEG结合作为训练数据有助于癫痫病发作检测模型性能的提升。相比于现有的只采用EEG数据进行检测的方案，本方案建立的模型具有更高的准确性。
卷积神经网络有多种可选的卷积方式，比如一维卷积层(Conv1D)和二维卷积层(Conv2D)，这两种卷积进行特征提取的方式可用图2-图4表示。本方案可以使用如图2所示的一维卷积层(例如卷积核尺寸为1*3)，将训练数据(以signal1……signal25表示ECG数据、呼吸数据和EEG数据)以通道*信号二维矩阵的形式输入模型，逐个数据执行卷积运算；本方案可以使用如图3所示的一维卷积层(例如卷积核尺寸为1*3)，将训练数据(ECG数据、呼吸数据和EEG数据)合并为一个向量，并将融合后的向量作为一个融合数据来执行卷积操作；本方案还可以使用如图4所示的二维卷积层(例如卷积核尺寸为3*3)，将训练数据(ECG数据、呼吸数据和EEG数据)以二维矩阵的形式作为机器学习模型的输入数据。
Conv2D采用二维滤波器进行卷积，这意味着比Conv1D一次可以多处理一个维度的数据。因此，Conv2D有分析每个数据的空间关系和数据之间相互关系的能力。比较上述三种卷积处理方式，相应的模型性能如下表所示：
其中第一列为卷积类型，第二列为训练数据的输入维度，第三列为样本类型的比例，即所有训练数据中标签为癫痫发作的训练数据与标签为癫痫未发作的训练数据的比例，第四列为训练数据的内容，第五列表示经过训练后的模型的性能AUC，Area UnderCurve，AUC越接近1表示性能越好，第六列表示经过训练后的模型的性能Fscore，是根据模型输出结果的准确率和召回率计算的数值。
通过比较表格的第二行和第六行可以发现，在只有卷积类型不同而其它条件都一致的情况下，使用Conv2D的模型性能为0.6496，使用Conv1D的模型性能为0.5774，卷积层为Conv2D的模型性能评估得分比Conv1D大约高7％。因此作为优选方案，机器学习模型包括二维卷积层，用于对ECG数据、呼吸数据和EEG数据组成的二维矩阵输入数据进行卷积处理。利用设有二维卷积层的神经网络对训练数据进行处理，可以提高模型对癫痫检测的准确性。
通过比对表格第一行与第二行、第五行与第六行可以发现，无论使用哪一种卷积方式，采用包括ECG、呼吸和EEG三种数据的训练数据都比只采用EEG一种数据作为训练数据的结果更好。
另外，通过表格可以发现，正、负样例1:1均衡样本训练的检测模型性能要明显优于1:2不均衡样本训练的模型。因此，本发明采用的训练数据中，属于癫痫发作的训练数据的数量与属于癫痫未发作的训练数据的数量相等，此处“相等”包括基本相等和完全相等。
为了高效地获得训练数据，在一个优选的实施例中，通过软件CompumedicsProFusion监控被测者的生理信号，即同时采集和记录ECG信号、呼吸信号和EEG信号。具体地，EEG信号是根据10-20国际电极放置系统，至少使用21个头皮EEG电极，以及另外10个下颞电极所测量的信号，包括如下19个信号：
‘C3’,’F7’,‘F4’,‘C4’,‘Fz’,‘Cz’,‘Pz’,‘Fp1’,‘P3’,‘Fp2’,‘P4’,‘F3’,‘F8’,‘O1’,‘O2’,‘T3’,‘T4’,‘T5’,‘T6’。由于环境、生理以及特定活动的噪声，使得EEG信号有着较低的信噪比，导致大脑活动测量结果通常被一些“伪影”所掩盖。为了最小化输入信号噪声对检测的影响，本实施例采用带有设定截止频率(1HZ和40HZ)的带通滤波器对EEG信号进行降噪处理。
呼吸信号包括鼻压信号(Air Flow)、胸带信号(THO正负样例)、腹带信号(ABD正负样例)，共5个信号；
ECG信号为12导联心电图信号。
由此，本实施例共获得被测者的25个生理信号。然后对记录得到信号做如图5所示处理，采用4s(时间长度T＝4s)一次的滑窗将所有的信号转化为25*4s的信号片段(每4s有25个信号)，然后以0.5s(时间间隔t＝0.5)的步幅来移动滑窗，得到所有的信号段，作为训练数据中的ECG数据、呼吸数据和EEG数据，即一个训练数据包括25个信号片段。之后对得到的每个信号段使用Z分数进行标准化，根据得到片段的任意位置是否在癫痫发作时期内将发作和非发作片段分别标为1和0，作为信号段的标签，也就是训练数据的标签。
然而，在记录的所有数据集中，癫痫病发作期仅占整个记录期的一小部分，换言之，标签为0的训练数据远多于标签为1的训练数据，这种类别不平衡对于训练机器学习模型会造成不利的影响。为了平衡这种类别不平衡问题，在生成信号片段后，先保留所有的发作片段(先提取所有的标签为1的训练数据并确定数量)，然后随机选择相同数量的非发作片段，从而形成正、负样例1:1的均衡训练数据集。
如上述实施例所介绍的机器学习模型可包括多个神经网络，并且网络的结构、尺寸和连接关系有多种选择，为了进一步提高模型性能，在一个优选的实施例中采用如图6所示的模型结构，模型包括多个具有不同尺寸卷积核的卷积神经网络。具体地，模型有3个卷积神经网络，人体信号经过预处理形成训练数据后进入第一卷积神经网络61，其卷积核尺寸为7*7，并执行批标准化和2*2最大池化操作；该网络串联两个完全相同的第二卷积神经网络62，其卷积核尺寸为3*3，并执行批标准化和2*2最大池化操作；之后连接一个全局平均池化层63和用于输出的密集层64，最后的密集层64通过Softmax激活函数输出预测类别(癫痫发作)的概率。
本发明还提供一种建立癫痫发作检测模型的设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述建立癫痫发作检测模型的方法。
本发明还提供一种癫痫发作检测方法，首先采集用户的ECG数据、呼吸数据和EEG数据，然后利用上述实施例训练后的机器学习模型对采集的数据进行识别，输出癫痫是否发作的检测结果。本发明实施例还提供一种癫痫发作检测设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述癫痫发作检测方法。
通过本方案可以实现对患者进行实时监测，与模型训练过程类似地，按照设定的时间长度和步幅截取患者的ECG信号、呼吸信号和EEG信号形成信号段并经过预处理形成待识别的数据，然后输入至训练后的机器学习模型，从而得到检测结果。
利用机器学习模型实时检测患者的癫痫是否发作，具有较快的响应速度和较高的准确性，有助于保障患者安全。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种建立癫痫发作检测模型的方法，其特征在于，包括：
获取训练数据，所述训练数据包括ECG数据、呼吸数据和EEG数据，以及用于表示癫痫是否发作的标签；
利用多个所述训练数据对机器学习模型进行训练，以使所述机器学习模型根据所述ECG数据、呼吸数据和EEG数据输出表示癫痫是否发作的检测结果，并根据所述检测结果与所述标签的差异优化所述机器学习模型的参数。
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括二维卷积层；所述ECG数据、呼吸数据和EEG数据以二维矩阵的形式作为所述机器学习模型的输入数据，所述二维卷积层用于对所述二维矩阵输入数据进行卷积处理。
3.根据权利要求2所述的方法，其特征在于，所述机器学习模型包括多个具有不同尺寸卷积核的卷积神经网络。
4.根据权利要求3所述的方法，其特征在于，所述机器学习模型包括三个卷积神经网络，其中第一个接收输入数据的卷积神经网络的卷积核尺寸为K1*K1,其后串联的两个积神经网络的卷积核尺寸均为K2*K2,K1>K2。
5.根据权利要求1-3中任一项所述的方法，其特征在于，所述机器学习模型进行训练的过程中采用如下二分类交叉熵损失函数：
其中N为训练样本数量，I(k＝yi)为指示函数，Pmodel由所述机器学习模型的二分类sofmax函数计算得到的类别概率。
6.根据权利要求1或2所述的方法，其特征在于，多个所述训练数据中，属于癫痫发作的训练数据的数量与属于癫痫未发作的训练数据的数量相等。
7.根据权利要求1或2所述的方法，其特征在于，所述获取训练数据包括：
获取被测试者的生理信号，包括ECG信号、呼吸信号和EEG信号；
以时间间隔t和时间长度T的滑动窗口将所述生理信号截取为多个信号段，作为所述ECG数据、呼吸数据和EEG数据，其中t<T；
分别确定各个所述信号段是否在癫痫发作期内，以确定信号段的标签。
8.根据权利要求7所述的方法，其特征在于，在截取所述多个信号段之前，利用设定截止频率的带通滤波器对EEG信号进行降噪处理。
9.根据权利要求1所述的方法，其特征在于，所述呼吸数据包括胸带数据、腹带数据和鼻压数据；所述EEG数据包括基于10-20国际标准导联系统的19个位点的脑电数据；所述ECG数据为12导联心电图数据。
10.一种建立癫痫发作检测模型的设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-9中任意一项所述的建立癫痫发作检测模型的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010120983.8A CN111128387A (zh) | 2020-02-26 | 2020-02-26 | 建立癫痫发作检测模型的方法和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010120983.8A CN111128387A (zh) | 2020-02-26 | 2020-02-26 | 建立癫痫发作检测模型的方法和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111128387A true CN111128387A (zh) | 2020-05-08 |
Family
ID=70493120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010120983.8A Pending CN111128387A (zh) | 2020-02-26 | 2020-02-26 | 建立癫痫发作检测模型的方法和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111128387A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112244873A (zh) * | 2020-09-29 | 2021-01-22 | 陕西科技大学 | 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 |
| CN117935374A (zh) * | 2024-03-22 | 2024-04-26 | 四川大学华西医院 | 一种癫痫患者精细行为的分析方法及系统 |
| CN118252473A (zh) * | 2024-05-29 | 2024-06-28 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于脑电信号癫痫发作预测方法、系统、介质及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130281797A1 (en) * | 2012-04-23 | 2013-10-24 | Cyberonics, Inc. | Methods, systems and apparatuses for detecting increased risk of sudden death |
| CN110072438A (zh) * | 2016-10-14 | 2019-07-30 | 费森瑟有限公司 | 使用热感和可见光头戴式相机检测生理响应 |
-
2020
- 2020-02-26 CN CN202010120983.8A patent/CN111128387A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130281797A1 (en) * | 2012-04-23 | 2013-10-24 | Cyberonics, Inc. | Methods, systems and apparatuses for detecting increased risk of sudden death |
| CN110072438A (zh) * | 2016-10-14 | 2019-07-30 | 费森瑟有限公司 | 使用热感和可见光头戴式相机检测生理响应 |
Non-Patent Citations (2)
| Title |
|---|
| 孙惠斌: "高品质切削过程的智能感知与预测技术", 28 February 2019, 西北工业大学出版社, pages: 112 - 113 * |
| 闵腾飞等: "基于深度学习的癫痫发作预测方法研究", vol. 10, no. 10, pages 1 - 3 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112244873A (zh) * | 2020-09-29 | 2021-01-22 | 陕西科技大学 | 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 |
| CN112244873B (zh) * | 2020-09-29 | 2024-07-16 | 陕西科技大学 | 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 |
| CN117935374A (zh) * | 2024-03-22 | 2024-04-26 | 四川大学华西医院 | 一种癫痫患者精细行为的分析方法及系统 |
| CN117935374B (zh) * | 2024-03-22 | 2024-06-07 | 四川大学华西医院 | 一种癫痫患者精细行为的分析方法及系统 |
| CN118252473A (zh) * | 2024-05-29 | 2024-06-28 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于脑电信号癫痫发作预测方法、系统、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220125322A1 (en) | Methods and Systems for Determining Abnormal Cardiac Activity | |
| US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
| CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
| US20200312459A1 (en) | Atrial fibrillation signal recognition method, apparatus and device | |
| Thomas et al. | EEG classification via convolutional neural network-based interictal epileptiform event detection | |
| CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
| CN111128387A (zh) | 建立癫痫发作检测模型的方法和设备 | |
| US11538585B2 (en) | Detecting abnormalities in ECG signals | |
| CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| US20200074281A1 (en) | Computer-readable recording medium, abnormality determination method, and abnormality determination device | |
| Alotaibi et al. | Ensemble Machine Learning Based Identification of Pediatric Epilepsy. | |
| CN113288172A (zh) | 癫痫脑电信号识别方法及系统 | |
| EP3219253B1 (en) | System for detecting arrhythmia using photoplethysmogram signal | |
| US11642073B2 (en) | System and method for calculation of an index of brain activity | |
| CN111839506B (zh) | 脑力负荷检测方法及装置 | |
| CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
| CN111832537B (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
| CN113516828B (zh) | 溺水监测方法、装置、设备与计算机可读存储介质 | |
| US11337639B1 (en) | System for mental stress assessment | |
| CN115590529A (zh) | 基于时空注意力机制的癫痫脑电信号监测方法及系统 | |
| CN114376524A (zh) | 基于语音统计学习的意识评估方法及系统 | |
| Kaur et al. | Using virtual reality to examine the neural and physiological anxiety-related responses to balance-demanding target-reaching leaning tasks | |
| Kaya | Classification of PVC beat in ECG using basic temporal features | |
| CN111671419B (zh) | 一种基于脑电信号的癫痫早期检测与识别方法及系统 | |
| Shilpa et al. | Epileptic seizure prediction using 1D-MobileNet |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |