CN111508578A - 一种基于人工智能的脑电波检查装置及检查方法 - Google Patents
一种基于人工智能的脑电波检查装置及检查方法 Download PDFInfo
- Publication number
- CN111508578A CN111508578A CN202010429022.5A CN202010429022A CN111508578A CN 111508578 A CN111508578 A CN 111508578A CN 202010429022 A CN202010429022 A CN 202010429022A CN 111508578 A CN111508578 A CN 111508578A
- Authority
- CN
- China
- Prior art keywords
- data
- electroencephalogram
- abnormal
- video
- brain wave
- 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.)
- Withdrawn
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 118
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 135
- 238000007405 data analysis Methods 0.000 claims abstract description 53
- 230000001360 synchronised effect Effects 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims description 40
- 238000007689 inspection Methods 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 12
- 230000002123 temporal effect Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 210000001061 forehead Anatomy 0.000 description 4
- 230000000870 hyperventilation Effects 0.000 description 4
- 208000000122 hyperventilation Diseases 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 230000007958 sleep Effects 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004070 electrodeposition Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computing Systems (AREA)
- Surgery (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Audiology, Speech & Language Pathology (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人工智能的脑电波检查装置，包括数据解析模块，用于获取多个检查室的脑电数据和视频数据，并对脑电数据和视频数据进行解析，还原出脑电波的各个通道脑电数据和视频同步数据；AI数据分析模块，用于获取还原后的脑电波的各个通道脑电数据和视频同步数据，通过对各个通道脑电数据和对应的视频同步数据进行分析，获得异常波形信息；展示模块，用以获取还原后的各个通道脑电数据和视频同步数据，以及异常波形信息，进行数据采集、多维度特征展示。本发明利用AI技术和机器视觉算法对脑电波数据和视频数据进行分析，实现异常脑电波形的智能化处理，多维度展示脑电波数据特征。
Description
技术领域
本发明涉及医疗设备技术领域，具体为一种基于人工智能的脑电波检查装置及检查方法。
背景技术
在业内，脑电波检查分为普通脑电波检查和视频脑电波检查，视频脑电波检查是在普通脑电波检查的基础上加上同步视频监控观察被检查者是否存在体动特征，患者的体动特征通常有头动、手动、脚动等身体动作，由于脑电波是极敏感信号，患者的体动特征极容易干扰脑电波的正常采集，视频脑电波的主要优势是通过患者的视频信息排除患者体动带来的脑电波伪差，而视频脑电波带来的额外工作量是医生需要在脑电波异常放电的位置一帧一帧的观察来排除此处的异常放电波形是否由患者体动带来的，这一项工作十分耗时。在人工智能时代，如何使用AI技术对现有的脑电波判读进行赋能，使医生更加高效的工作，是现代医疗技术发展的痛点，也是亟需解决的问题。
发明内容
本发明所要解决的技术问题在于如何利用AI技术，实现对脑电波的机器判读，自动识别脑电异常波形。
本发明通过以下技术手段实现解决上述技术问题的：
一种基于人工智能的脑电波检查装置，包括
数据解析模块，用于获取多个检查室的脑电数据和视频数据，并对脑电数据和视频数据进行解析，还原出脑电波的各个通道脑电数据和视频同步数据；
AI数据分析模块，用于获取还原后的脑电波的各个通道脑电数据和视频同步数据，通过对各个通道脑电数据和对应的视频同步数据进行分析，获得异常波形信息；
展示模块，用以获取还原后的各个通道脑电数据和视频同步数据，以及异常波形信息，进行数据采集、多维度特征展示。
优选的，所述数据解析模块根据不同数据协议解析脑电数据和视频数据。
优选的，所述AI数据分析模块包括脑电数据分析单元和视频数据分析单元；所述脑电数据分析单元对获取的还原后的脑电数据进行异常脑电信号分析后，若存在异常脑电信号，则结合视频数据分析单元排除异常脑电信号因体动造成的伪差，最后输出目标异常脑电信号。
优选的，所述脑电数据分析单元采用LSTM算法对脑电波数据进行异常脑电信号识别。
优选的，所述展示模块包括
数据采集展示单元，用以显示采集的实时脑电波、视频数据和异常波形消息推送；
多维特征展示单元，用以基于脑电波数据提取多维特征信息，多维度展示脑电波数据；所述多维特征信息包括原有的时域波形、视频同步信息以及异常波形消息、频域信息展示、脑部通道热力图展示、五类波形能量占比图展示；
检查报告打印单元，根据识别出的异常波形累计数量和基于脑电波数据要素抽取的结果一键生成检查报告。
相对应的，本发明还提供一种基于人工智能的脑电波检查方法，应用于上述检查装置；包括：
S01.获取多个检查室的脑电数据和视频数据，并对脑电数据和视频数据进行解析，还原出脑电波的各个通道脑电数据和视频同步数据；
S02.获取还原后的脑电波的各个通道脑电数据和视频同步数据，通过对各个通道脑电数据和对应的视频同步数据进行分析，获得异常波形信息；
S03.获取还原后的各个通道脑电数据和视频同步数据，以及异常波形信息，进行数据采集、多维度特征展示。
优选的，所述步骤S01具体为根据不同数据协议解析脑电数据和视频数据。
优选的，所述S02中具体为：先对还原后的脑电数据进行异常脑电信号分析后，若存在异常脑电信号，则结合视频数据排除异常脑电信号因体动造成的伪差，最后输出目标异常脑电信号。
优选的，采用LSTM算法对脑电波数据进行异常脑电信号识别。
优选的，所述展示模块包括
所述数据采集包括采集的实时脑电波、视频数据和异常波形消息推送；
多维特征包括基于脑电波数据提取多维特征信息，多维度展示脑电波数据；所述多维特征信息包括原有的时域波形、视频同步信息以及异常波形消息、频域信息展示、脑部通道热力图展示、五类波形能量占比图展示；
检查报告打印单元，根据识别出的异常波形累计数量和基于脑电波数据要素抽取的结果一键生成检查报告。
本发明的优点在于：
1)利用AI技术和机器视觉算法对脑电波数据和视频数据进行分析，实现异常脑电波形的智能化处理，多维度展示脑电波数据特征，实时辅助医生诊断；
2)根据异常波形识别结果和基于脑电波数据要素抽取的结果，一键生成检查报告。
附图说明
图1为本发明实施例中BS架构的智能脑电波检查装置组成示意框图；
图2为本发明实施例中检查设备中AI算法层的处理流程图；
图3为本发明实施例中检查装置的数据采集展示图；
图4为本发明实施例中展示模块展示图；
图5为本发明实施例中生成报告模板图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明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作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。
图1是本发明实施例的基于BS架构的智能脑电波检查装置组成示意图，本实施例提供的检查装置可以与所有提供解析协议的脑电采集设备。本实施例的检查装置主要分三大模块，第一模块是数据解析模块，该模块作用是解析传统厂商的脑电数据和视频数据，解析后的数据分为两路，一路送入AI数据分析模块分析，一路送入展示模块显示。第二模块是AI数据分析模块，该模块将脑电波数据和视频数据智能分析后，将识别出来的异常波形信息送入展示模块，进行异常波形消息推送。第三模块是展示模块，该模块接收到解析后的脑电数据和视频数据，进行数据采集展示、多维度特征展示，最后在基于AI数据分析模块识别出的异常波形结果和基于脑电波数据的要素抽取结果一键生成检查报告，并触发打印设备，打印出检查报告。
数据解析模块，可接入多个检查室数据，检查室数据分为脑电信号数据和视频设备数据，每个检查室的数据送入数据解析层，数据解析模块根据不同的数据协议解析脑电波原始数据和视频数据，还原出脑电波的各个通道数据和视频同步数据。
图2为AI数据分析模块的处理流程图，AI数据分析模块含有脑电数据分析单元和视频数据分析单元，当脑电波数据识别有异常波形和视频数据中无发现被检测者有体动特征同时满足条件时，AI数据分析模块将输出异常波形信息，此处作用是滤出由患者体动带来的脑电伪差。系统采用LSTM算法对脑电波数据进行异常波形识别，LSTM网络具有复杂门结构，分别由遗忘门、输入门、输出门构成，矩阵模块大，矩阵乘法次数多，导致运算量巨大，系统还需实时对视频信息进行分析，分析被检测者是否有体动特征，因此采用CPU+GPU的异构计算架构，使用CPU进行资源调度，通过GPU进行算法加速，以便实现实时处理。
展示模块是通过数据分析实时辅助用户诊断脑电异常情况，其包含三个单元，第一单元为数据采集展示单元，其目的是显示采集的实时脑电波、视频数据和异常波形消息推送，第二单元为多维特征展示单元，其目的是基于脑电波数据提取多维特征信息，多维度展示脑电波数据，第三单元为一键生成报告单元，其目的是通过异常波形的识别和基于监测阶段脑电波数据要素抽取结果，自动生成检查报告。
图3为数据采集单元展示图，本实施例为国际电极放置法(10-20电极放置法)，采集的脑部通道位置为Fp1(左额极)，Fp2(右额极)，F3(左额)，F4(右额)，C3(左中央)，C4(右中央)，P3(左顶)，P4(右顶)，O1(左枕)，O2(右枕)，F7(左前颞)，F8(右前颞)，T3(左中颞)，T4(右中颞)，T5(左后颞)，T6(右后颞)，Fz(额中线)，Cz(中央中线)，Pz(顶中线)，A1(左耳)，A2(右耳)其中Fz、Cz、Pz、A1、A2为参考电极，其余电极为活动电极，脑电波数据展示部分是显示活动电极的电位差，视频信息展示部分是同步展示被检测人员的视频信息，异常波形消息推送图是显示AI数据分析模块推送的异常波形信息，用户点击其中一条推送消息，系统跳到相应时间位置的脑部通道波形图和视频图，支持用户回溯历史数据。
图4为多维信息展示单元图，多维信息展示图在包含原有的时域波形、视频信息同步以及异常波形消息推送外，添加了频域信息展示、脑部通道热力图展示、五类波形能量占比图展示。脑部通道数据的频域数据展示图，从频域角度展示脑电波数据特征，脑部通道热力图显示脑部每个活动电极通道出现异常波形的数量分布情况，每个位置编号代表着相应位置的活动电极通道，其编号位置见表1，展示模块根据AI数据分析模块推送的异常波形消息，统计每个通道出现的累计异常波形数量，每个通道将根据该通道的异常脑电波累计数量来显示不同的颜色，颜色区分分为五档，每档选择不同的颜色，例如0为白色，1-20次为绿色，21-50次为蓝色，51-100次为紫色，100次以上为红色，每档的颜色和次数的区间支持用户自己定义，用户可以通过通道热力图快速了解当前脑部各个通道异常放电状态，并辅助用户定位异常放电位置。五类波形能量占比展示图显示DELTA波(0.5-3HZ)，THETA波(4-7HZ)，ALPHA波(8-13HZ)，BETA波(18-34HZ)，GAMMA波(35HZ～)五类波形的功率占比，该图实时显示当前一秒的脑部各个通道数据五类波形的能量占比，有助于用户对被检查人员的睡眠清醒的判定。
表1脑部活动电极位置编号
图5为一键生成报告单元报告模板，用户点击生成报告，系统根据识别出的异常波形累计数量和基于脑电波数据要素抽取的结果生成报告模板，报告模板中有九项关键字段和六项监测期间描述，其中九项关键字中的七项关键字段为用户根据被检测人员的实际情况填写，如图中姓名、性别、年龄、科别、睡眠方式、病区床号、临床诊断七项关键字段，脑电图号和监测日期两项字段为系统自动生成，脑电图号的生成规则为：年月日+XXX，年月日为当天的日期，如20200310代表为2020年3月10号，XXX为当天的序号，从0开始，每生成一个，XXX加一递增，检测日期的生成规则为：获取系统时间。
六项监测期间描述为背景活动、过度换气、睡眠期、异常波、临床发作、脑电异常波形次数等级分类。背景活动为脑电波检查期间脑电波基本节律情况，过度换气为被检查阶段是否有过度换气诱发实验，睡眠期为被检查者是否有睡眠事件发生，异常波为脑电波监测中是否有异常波发生，临床发作为被检测者监测期间是否有临床发作，脑电异常波形次数等级分类为检查结果，医生根据脑电异常波形次数等级分类、监测时间的脑电波形数据和系统提取的各类脑电波形特征综合给出诊断结果。
其中过度换气描述、睡眠期描述、临床发作为用户根据实际监测情况填写，背景活动、异常波、脑电异常波形次数等级分类三种监测描述可根据对脑电波数据进行要素抽取后生成，要素抽取的规则如下所述。
背景活动描述规则：背景活动由计算五类波形能量占比的统计数据和脑电波平均幅度信息生成，其计算方式如下：在检测时间N秒内，第n秒的脑部通道电压数据为[x1,n,x2,n,x3,n…,x16,n]，计算出来的五类波形能量占比[α1,n,α2,n,α3,n,α4,n,α5,n]，检测时间内，脑电波平均幅度计算方法为：
检测时间内，脑电波五类波形能量平均占比为：
背景活动可根据上述方法计算结果，描述为：基本节律为DELTA波(0.5-3HZ)占比F1，THETA波(4-7HZ)占比F2，ALPHA波(8-13HZ)占比F3，BETA波(18-34HZ)占比F4，GAMMA波(35HZ～)占比F5，脑电波平均波幅为X mv；
异常波描述规则：系统根据AI数据分析模块推送的消息统计获得，系统记录16路脑部通道出现的异常波情况，根据各个通道是否由异常波出现，来描述该段诊断结果。若无出现异常波，则该段描述为无，若出现异常波形，则在该段描述中记录发生异常波的通道位置和异常波类型，例如Fp1(左额极)，Fp2(右额极)出现棘慢复合异常波，则描述为Fp1(左额极)，Fp2(右额极)出现棘慢复合波。
脑电异常波形次数等级分类描述规则：系统累计AI数据分析模块推送的总异常波形次数统计获得，脑电异常波形次数等级分类分为正常、轻度异常、中度异常、重度异常，其默认判断规则为：
以上的区间数据均支持用户自定义，系统生成报告支持用户二次更改，经过用户确认后的检查报告，提交打印任务，打印机打印报告。医生根据检测报告中的各项数据，可结合其他因素作出进一步诊断，并将结果填写在v-eeg行内。
相对应的，本实施例还给出一种基于人工智能的脑电波检查方法，应用于上述检查装置；包括：
步骤1.获取多个检查室的脑电数据和视频数据，并对脑电数据和视频数据进行解析，还原出脑电波的各个通道脑电数据和视频同步数据；
步骤2.获取还原后的脑电波的各个通道脑电数据和视频同步数据，通过对各个通道脑电数据和对应的视频同步数据进行分析，获得异常波形信息；
步骤3.获取还原后的各个通道脑电数据和视频同步数据，以及异常波形信息，进行数据采集、多维度特征展示。
本实施例中，图1是本发明实施例的基于BS架构的智能脑电波检查装置组成示意图，本实施例提供的检查装置可以与所有提供解析协议的脑电采集设备。本实施例的检查装置主要分三大模块，第一模块是数据解析模块，该模块作用是解析传统厂商的脑电数据和视频数据，解析后的数据分为两路，一路送入AI数据分析模块分析，一路送入展示模块显示。第二模块是AI数据分析模块，该模块将脑电波数据和视频数据智能分析后，将识别出来的异常波形信息送入展示模块，进行异常波形消息推送。第三模块是展示模块，该模块接收到解析后的脑电数据和视频数据，进行数据采集展示、多维度特征展示，最后在基于AI数据分析模块识别出的异常波形结果和基于脑电波数据的要素抽取结果一键生成检查报告，并触发打印设备，打印出检查报告。
数据解析模块，可接入多个检查室数据，检查室数据分为脑电信号数据和视频设备数据，每个检查室的数据送入数据解析层，数据解析模块根据不同的数据协议解析脑电波原始数据和视频数据，还原出脑电波的各个通道数据和视频同步数据。
图2为AI数据分析模块的处理流程图，AI数据分析模块含有脑电数据分析单元和视频数据分析单元，当脑电波数据识别有异常波形和视频数据中无发现被检测者有体动特征同时满足条件时，AI数据分析模块将输出异常波形信息，此处作用是滤出由患者体动带来的脑电伪差。系统采用LSTM算法对脑电波数据进行异常波形识别，LSTM网络具有复杂门结构，分别由遗忘门、输入门、输出门构成，矩阵模块大，矩阵乘法次数多，导致运算量巨大，系统还需实时对视频信息进行分析，分析被检测者是否有体动特征，因此采用CPU+GPU的异构计算架构，使用CPU进行资源调度，通过GPU进行算法加速，以便实现实时处理。
展示模块是通过数据分析实时辅助用户诊断脑电异常情况，其包含三个单元，第一单元为数据采集展示单元，其目的是显示采集的实时脑电波、视频数据和异常波形消息推送，第二单元为多维特征展示单元，其目的是基于脑电波数据提取多维特征信息，多维度展示脑电波数据，第三单元为一键生成报告单元，其目的是通过异常波形的识别和基于监测阶段脑电波数据要素抽取结果，自动生成检查报告。
图3为数据采集单元展示图，本实施例为国际电极放置法(10-20电极放置法)，采集的脑部通道位置为Fp1(左额极)，Fp2(右额极)，F3(左额)，F4(右额)，C3(左中央)，C4(右中央)，P3(左顶)，P4(右顶)，O1(左枕)，O2(右枕)，F7(左前颞)，F8(右前颞)，T3(左中颞)，T4(右中颞)，T5(左后颞)，T6(右后颞)，Fz(额中线)，Cz(中央中线)，Pz(顶中线)，A1(左耳)，A2(右耳)其中Fz、Cz、Pz、A1、A2为参考电极，其余电极为活动电极，脑电波数据展示部分是显示活动电极的电位差，视频信息展示部分是同步展示被检测人员的视频信息，异常波形消息推送图是显示AI数据分析模块推送的异常波形信息，用户点击其中一条推送消息，系统跳到相应时间位置的脑部通道波形图和视频图，支持用户回溯历史数据。
图4为多维信息展示单元图，多维信息展示图在包含原有的时域波形、视频信息同步以及异常波形消息推送外，添加了频域信息展示、脑部通道热力图展示、五类波形能量占比图展示。脑部通道数据的频域数据展示图，从频域角度展示脑电波数据特征，脑部通道热力图显示脑部每个活动电极通道出现异常波形的数量分布情况，每个位置编号代表着相应位置的活动电极通道，其编号位置见表1，展示模块根据AI数据分析模块推送的异常波形消息，统计每个通道出现的累计异常波形数量，每个通道将根据该通道的异常脑电波累计数量来显示不同的颜色，颜色区分分为五档，每档选择不同的颜色，例如0为白色，1-20次为绿色，21-50次为蓝色，51-100次为紫色，100次以上为红色，每档的颜色和次数的区间支持用户自己定义，用户可以通过通道热力图快速了解当前脑部各个通道异常放电状态，并辅助用户定位异常放电位置。五类波形能量占比展示图显示DELTA波(0.5-3HZ)，THETA波(4-7HZ)，ALPHA波(8-13HZ)，BETA波(18-34HZ)，GAMMA波(35HZ～)五类波形的功率占比，该图实时显示当前一秒的脑部各个通道数据五类波形的能量占比，有助于用户对被检查人员的睡眠清醒的判定。
表1脑部活动电极位置编号
图5为一键生成报告单元报告模板，用户点击生成报告，系统根据识别出的异常波形累计数量和基于脑电波数据要素抽取的结果生成报告模板，报告模板中有九项关键字段和六项监测期间描述，其中九项关键字中的七项关键字段为用户根据被检测人员的实际情况填写，如图中姓名、性别、年龄、科别、睡眠方式、病区床号、临床诊断七项关键字段，脑电图号和监测日期两项字段为系统自动生成，脑电图号的生成规则为：年月日+XXX，年月日为当天的日期，如20200310代表为2020年3月10号，XXX为当天的序号，从0开始，每生成一个，XXX加一递增，检测日期的生成规则为：获取系统时间。
六项监测期间描述为背景活动、过度换气、睡眠期、异常波、临床发作、脑电异常波形次数等级分类。背景活动为脑电波检查期间脑电波基本节律情况，过度换气为被检查阶段是否有过度换气诱发实验，睡眠期为被检查者是否有睡眠事件发生，异常波为脑电波监测中是否有异常波发生，临床发作为被检测者监测期间是否有临床发作，脑电异常波形次数等级分类为检查结果，医生根据脑电异常波形次数等级分类、监测时间的脑电波形数据和系统提取的各类脑电波形特征综合给出诊断结果。
其中过度换气描述、睡眠期描述、临床发作为用户根据实际监测情况填写，背景活动、异常波、脑电异常波形次数等级分类三种监测描述可根据对脑电波数据进行要素抽取后生成，要素抽取的规则如下所述。
背景活动描述规则：背景活动由计算五类波形能量占比的统计数据和脑电波平均幅度信息生成，其计算方式如下：在检测时间N秒内，第n秒的脑部通道电压数据为[x1,n,x2,n,x3,n…,x16,n]，计算出来的五类波形能量占比[α1,n,α2,n,α3,n,α4,n,α5,n]，检测时间内，脑电波平均幅度计算方法为：
检测时间内，脑电波五类波形能量平均占比为：
背景活动可根据上述方法计算结果，描述为：基本节律为DELTA波(0.5-3HZ)占比F1，THETA波(4-7HZ)占比F2，ALPHA波(8-13HZ)占比F3，BETA波(18-34HZ)占比F4，GAMMA波(35HZ～)占比F5，脑电波平均波幅为X mv；
异常波描述规则：系统根据AI数据分析模块推送的消息统计获得，系统记录16路脑部通道出现的异常波情况，根据各个通道是否由异常波出现，来描述该段诊断结果。若无出现异常波，则该段描述为无，若出现异常波形，则在该段描述中记录发生异常波的通道位置和异常波类型，例如Fp1(左额极)，Fp2(右额极)出现棘慢复合异常波，则描述为Fp1(左额极)，Fp2(右额极)出现棘慢复合波。
脑电异常波形次数等级分类描述规则：系统累计AI数据分析模块推送的总异常波形次数统计获得，脑电异常波形次数等级分类分为正常、轻度异常、中度异常、重度异常，其默认判断规则为：
以上的区间数据均支持用户自定义，系统生成报告支持用户二次更改，经过用户确认后的检查报告，提交打印任务，打印机打印报告。医生根据检测报告中的各项数据，可结合其他因素作出进一步诊断，并将结果填写在v-eeg行内。
尽管为实例目的，已经公开了本发明的优选实施例，但本发明的范围不仅局限于上述实例，因为，凡是利用机器学习技术识别典型异常脑电波形，结合视频分析剔除由被检测者体动带来的异常波形伪差并使用多维度信息展示的若干检查功能均属于本发明的保护范围。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的脑电波检查装置，其特征在于：包括
数据解析模块，用于获取多个检查室的脑电数据和视频数据，并对脑电数据和视频数据进行解析，还原出脑电波的各个通道脑电数据和视频同步数据；
AI数据分析模块，用于获取还原后的脑电波的各个通道脑电数据和视频同步数据，通过对各个通道脑电数据和对应的视频同步数据进行分析，获得异常波形信息；
展示模块，用以获取还原后的各个通道脑电数据和视频同步数据，以及异常波形信息，进行数据采集、多维度特征展示。
2.根据权利要求1所述的一种基于人工智能的脑电波检查装置，其特征在于：所述数据解析模块根据不同数据协议解析脑电数据和视频数据。
3.根据权利要求1所述的一种基于人工智能的脑电波检查装置，其特征在于：所述AI数据分析模块包括脑电数据分析单元和视频数据分析单元；所述脑电数据分析单元对获取的还原后的脑电数据进行异常脑电信号分析后，若存在异常脑电信号，则结合视频数据分析单元排除异常脑电信号因体动造成的伪差，最后输出目标异常脑电信号。
4.根据权利要求3所述的一种基于人工智能的脑电波检查装置，其特征在于：所述脑电数据分析单元采用LSTM算法对脑电波数据进行异常脑电信号识别。
5.根据权利要求3所述的一种基于人工智能的脑电波检查装置，其特征在于：所述展示模块包括
数据采集展示单元，用以显示采集的实时脑电波、视频数据和异常波形消息推送；
多维特征展示单元，用以基于脑电波数据提取多维特征信息，多维度展示脑电波数据；所述多维特征信息包括原有的时域波形、视频同步信息以及异常波形消息、频域信息展示、脑部通道热力图展示、五类波形能量占比图展示；
检查报告打印单元，根据识别出的异常波形累计数量和基于脑电波数据要素抽取的结果一键生成检查报告。
6.一种基于人工智能的脑电波检查方法，其特征在于：应用于上述检查装置；包括：
S01.获取多个检查室的脑电数据和视频数据，并对脑电数据和视频数据进行解析，还原出脑电波的各个通道脑电数据和视频同步数据；
S02.获取还原后的脑电波的各个通道脑电数据和视频同步数据，通过对各个通道脑电数据和对应的视频同步数据进行分析，获得异常波形信息；
S03.获取还原后的各个通道脑电数据和视频同步数据，以及异常波形信息，进行数据采集、多维度特征展示。
7.根据权利要求6所述的一种基于人工智能的脑电波检查方法，其特征在于：所述步骤S01具体为根据不同数据协议解析脑电数据和视频数据。
8.根据权利要求1所述的一种基于人工智能的脑电波检查方法，其特征在于：所述S02中具体为：先对还原后的脑电数据进行异常脑电信号分析后，若存在异常脑电信号，则结合视频数据排除异常脑电信号因体动造成的伪差，最后输出目标异常脑电信号。
9.根据权利要求8所述的一种基于人工智能的脑电波检查方法，其特征在于：采用LSTM算法对脑电波数据进行异常脑电信号识别。
10.根据权利要求8所述的一种基于人工智能的脑电波检查方法，其特征在于：所述展示模块包括
所述数据采集包括采集的实时脑电波、视频数据和异常波形消息推送；
多维特征包括基于脑电波数据提取多维特征信息，多维度展示脑电波数据；所述多维特征信息包括原有的时域波形、视频同步信息以及异常波形消息、频域信息展示、脑部通道热力图展示、五类波形能量占比图展示；
检查报告打印单元，根据识别出的异常波形累计数量和基于脑电波数据要素抽取的结果一键生成检查报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010429022.5A CN111508578A (zh) | 2020-05-19 | 2020-05-19 | 一种基于人工智能的脑电波检查装置及检查方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010429022.5A CN111508578A (zh) | 2020-05-19 | 2020-05-19 | 一种基于人工智能的脑电波检查装置及检查方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111508578A true CN111508578A (zh) | 2020-08-07 |
Family
ID=71870247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010429022.5A Withdrawn CN111508578A (zh) | 2020-05-19 | 2020-05-19 | 一种基于人工智能的脑电波检查装置及检查方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111508578A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113768519A (zh) * | 2021-09-16 | 2021-12-10 | 天津大学 | 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 |
| CN116260990A (zh) * | 2023-05-16 | 2023-06-13 | 合肥高斯智能科技有限公司 | 一种多路视频流的ai异步检测并实时渲染方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000006606A (ko) * | 1999-03-23 | 2000-02-07 | 박병운 | 고속퓨리에변환기법을사용한실시간뇌파분석시스템및그방법 |
| CN102389306A (zh) * | 2011-06-27 | 2012-03-28 | 北京高懋电子信息技术有限公司 | 脑电图伪差自动识别方法和采用该方法的自动识别脑电图仪 |
| CN108776788A (zh) * | 2018-06-05 | 2018-11-09 | 电子科技大学 | 一种基于脑电波的识别方法 |
| CN109620218A (zh) * | 2019-01-29 | 2019-04-16 | 杭州妞诺科技有限公司 | 脑电波智能筛查方法及系统 |
-
2020
- 2020-05-19 CN CN202010429022.5A patent/CN111508578A/zh not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000006606A (ko) * | 1999-03-23 | 2000-02-07 | 박병운 | 고속퓨리에변환기법을사용한실시간뇌파분석시스템및그방법 |
| CN102389306A (zh) * | 2011-06-27 | 2012-03-28 | 北京高懋电子信息技术有限公司 | 脑电图伪差自动识别方法和采用该方法的自动识别脑电图仪 |
| CN108776788A (zh) * | 2018-06-05 | 2018-11-09 | 电子科技大学 | 一种基于脑电波的识别方法 |
| CN109620218A (zh) * | 2019-01-29 | 2019-04-16 | 杭州妞诺科技有限公司 | 脑电波智能筛查方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113768519A (zh) * | 2021-09-16 | 2021-12-10 | 天津大学 | 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 |
| CN113768519B (zh) * | 2021-09-16 | 2023-12-26 | 天津大学 | 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 |
| CN116260990A (zh) * | 2023-05-16 | 2023-06-13 | 合肥高斯智能科技有限公司 | 一种多路视频流的ai异步检测并实时渲染方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2616974C (en) | Method for assessing brain function and portable automatic brain function assessment apparatus | |
| JP5736108B2 (ja) | Ｅｃｇ監視システム | |
| US5230346A (en) | Diagnosing brain conditions by quantitative electroencephalography | |
| US6475162B1 (en) | System and method for vision examination using interrupt signals for synchronizing visual evoked potential sampling rate with visual stimulus | |
| DE102011001662A1 (de) | System und Verfahren zum Durchführen von Elektrokardiographie mit Bewegungserfassung | |
| CN111508578A (zh) | 一种基于人工智能的脑电波检查装置及检查方法 | |
| CN106484106A (zh) | 视敏度自动识别的非注意事件相关电位脑‑机接口方法 | |
| CN110251083A (zh) | 一种癫痫病灶的定位数据的处理方法、系统和存储介质 | |
| CN111281382A (zh) | 一种基于脑电信号的特征提取与分类方法 | |
| CN107016248A (zh) | 一种心电数据分析系统及分析方法 | |
| CN113546395A (zh) | 一种智能化运动训练系统及训练方法 | |
| KR20200099811A (ko) | 휴지기 뇌파를 이용한 뇌전증 진단 정보 제공 장치 및 방법 | |
| KR20220145440A (ko) | 머신러닝 기반의 치매 예측 방법 | |
| CA2343706A1 (en) | Anesthesia monitoring system based on electroencephalographic signals | |
| CN114533066B (zh) | 基于复合表情加工脑网络的社交焦虑评估方法和系统 | |
| EP2973347B1 (en) | Multiple patient eeg monitoring | |
| CN114869301A (zh) | 检测癫痫样放电的方法和设备 | |
| CN111671418B (zh) | 一种考虑脑工作状态的事件相关电位采集方法及系统 | |
| CN114403900A (zh) | 一种脑电图机中脑电数据自动记录和分析系统及方法 | |
| JP7479106B1 (ja) | プログラム、出力装置及び出力方法 | |
| CN117497150B (zh) | 一种症状检测方法及系统 | |
| Jarchi et al. | Visualisation of long-term ECG signals applied to post-intensive care patients | |
| CN113197586B (zh) | 一种基于视觉脑电信号的自我意识检测方法 | |
| WO2024106005A1 (ja) | プログラム、出力装置及び出力方法 | |
| JP2023075342A (ja) | プログラム、出力装置及びデータ処理方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200807 |