CN111569251B - 一种dbs手术针道调节方法、系统及装置 - Google Patents
一种dbs手术针道调节方法、系统及装置 Download PDFInfo
- Publication number
- CN111569251B CN111569251B CN202010356723.0A CN202010356723A CN111569251B CN 111569251 B CN111569251 B CN 111569251B CN 202010356723 A CN202010356723 A CN 202010356723A CN 111569251 B CN111569251 B CN 111569251B
- Authority
- CN
- China
- Prior art keywords
- electric signal
- needle
- physiological electric
- physiological
- deviation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 210000001905 globus pallidus Anatomy 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000007428 craniotomy Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004007 neuromodulation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/02—Details
- A61N1/04—Electrodes
- A61N1/05—Electrodes for implantation or insertion into the body, e.g. heart electrode
- A61N1/0526—Head electrodes
- A61N1/0529—Electrodes for brain stimulation
- A61N1/0534—Electrodes for deep brain stimulation
-
- 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
- A61B5/388—Nerve conduction study, e.g. detecting action potential of peripheral nerves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
- A61N1/3606—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for a particular treatment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Psychology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及手术针道调节技术领域,公开了一种DBS手术针道调节方法,包括步骤:收集生理电信号得到生理电信号样本集,统计每一所述生理电信号中各类核团出现的时间以及顺序,得到第一特征向量,标记每一所述生理电信号的针道偏离类型标签,结合所述第一特征向量以及所述针道偏离类型标签得到第一样本训练集;将所述第一样本训练集导入第一分类器进行训练优化,得到针道偏离预测模型;识别待测生理电信号的核团类型,结合所述待测生理电信号的核团类型以及所述针道偏离预测模型预测待测生理电信号的针道偏离方位,根据所述针道偏离方位对针道进行调节。本发明可自动调节DBS手术针道,调节准确率高。
Description
技术领域
本发明涉及手术针道调节技术领域,具体涉及一种DBS手术针道调节方法、系统、装置以及计算机存储介质。
背景技术
脑深部刺激术(Deep Brain Stimulation,DBS)是一种介入的神经调节技术,在过去25年中,为数千名运动障碍患者重新带来了生活质量。特别是在帕金森病的治疗中,接受治疗的患者运动评分和动力学性能可提高80%以上。为了能给病人提供有效的治疗,医生需要准备精准的手术计划,以确保电极的精确植入。然而在开颅过程中随着脑脊髓液的部分流失,脑实质会发生一定程度的移位;DBS手术需要在术前对脑部进行MRI成像,并在术中有与CT融合配准的过程,在这个过程中,MRI受限于自身精度并在与CT影像融合过程中会产生误差,再加上立体定向设备的精度和人为操作引入的误差,会使得术前规划的靶点位置与实际不符。
对于该问题,医生需要对针道进行临时调整。针道调整的过程往往依赖于临床医生的手术经验,为解决该问题,医生需要进行微电极记录,将微电极按照设计的路径,从距离靶点一定距离的位置向靶点位置进行穿刺并记录所经过位置神经元电活动。医生通过观察该记录,依据自己的主观经验判断当前针道相对于实际靶点的位置并对当前针道做出相应调整,以期将穿刺针植入实际的靶点位置。
目前医生进行微电极记录和针道调整的过程归纳如下:
从靶上10mm开始记录针尖处生理电信号,一直到靶下5mm为止,那么可以得到当前实际针道上一系列点的生理电信号集合(通常从靶上10到靶上5每隔1mm记录一次,靶上5到靶下5每隔0.5mm记录一次,那么总共记录约25个位点的信号);
手术医生对采集到的这一系列信号进行分析,通过比对实际记录的信号与理想信号以及周围临近核团的特征信号,初步判断当前电极实际位置的偏移方向及偏移量;
医生给予术中临时刺激,并且更换不同的刺激参数,同时与患者进行言语上的问询,由患者反馈有无凭借其经验判断当前电极实际位置相对于计划位置的偏移,包括偏移方向和偏移量(这一过程对医生主观经验的要求极高);
医生将微电极记录针从中间通道退出,按照其判断的结果(即偏移方向)改用上下左右四个其他通道中的一个;重复以上电生理记录的过程,若生理电信号记录结果理想,特征信号记录的长度达到临床要求,则可将当前通道确定为最终电极植入的通道,否则应再次改换通道直至生理电信号符合要求为止。
这种对DBS针道进行人工判断并调节的方法调节效率较为低下,调节的准确率无法保障,容易因为人工的误判而造成失误,对于医生的主观经验要求极高,一定程度上阻碍了DBS技术的发展。
发明内容
本发明的目的在于克服上述技术不足,提供一种DBS手术针道调节方法、系统、装置以及计算机存储介质,解决现有技术中人工调节DBS手术针道时,调节效率低、调节准确率低、容易误判的技术问题。
为达到上述技术目的,本发明的技术方案提供一种DBS手术针道调节方法,包括以下步骤:
收集生理电信号得到生理电信号样本集,统计每一所述生理电信号中各类核团出现的时间以及顺序,得到第一特征向量,标记每一所述生理电信号的针道偏离类型标签,结合所述第一特征向量以及所述针道偏离类型标签得到第一样本训练集;
将所述第一样本训练集导入第一分类器进行训练优化,得到针道偏离预测模型;
识别待测生理电信号的核团类型,结合所述待测生理电信号的核团类型以及所述针道偏离预测模型预测待测生理电信号的针道偏离方位,根据所述针道偏离方位对针道进行调节。
本发明还提供一种DBS手术针道调节系统,包括信号采集处理模块、第一分类模块、以及预测指示模块;
所述信号采集处理模块用于收集生理电信号得到生理电信号样本集,统计每一所述生理电信号中各类核团出现的时间以及顺序,得到第一特征向量,标记每一所述生理电信号的针道偏离类型标签,结合所述第一特征向量以及所述针道偏离类型标签得到第一样本训练集;
所述第一分类模块用于将所述第一样本训练集导入第一分类器进行训练优化,得到针道偏离预测模型;
所述预测指示模块用于识别待测生理电信号的核团类型,结合所述待测生理电信号的核团类型以及所述针道偏离预测模型预测待测生理电信号的针道偏离方位,根据所述针道偏离方位对针道进行调节。
本发明还提供一种DBS手术针道调节装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现所述DBS手术针道调节方法。
本发明还提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现所述DBS手术针道调节方法。
与现有技术相比,本发明的有益效果包括:本发明提出一种基于机器学习的手术针道调节指导方法。通过训练第一分类器得到针道偏离预测模型,针道偏离预测模型能够根据针道先后经过的各类核团出现的顺序及记录长度,输出当前针道相对目标针道应调整的方向。因此,只需要输入待测生理电信号到针道偏离预测模型中,即可输出针道偏离的方位,从而便于医生对针道进行相应的调整,实现对针道调节的指导。解决了DBS手术针道调节依赖于医生经验的问题,特别是在DBS手术中经验欠缺的外科医生进行穿刺针针道的合理调整,减少因人工主观判断产生的误判,提高手术效率和成功率。
附图说明
图1是本发明提供的DBS手术针道调节方法一实施方式的流程图;
图2是本发明针道方向定义一实施方式的针道方向示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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
如图1所示,本发明的实施例1提供了DBS手术针道调节方法,包括以下步骤:
S1、收集生理电信号得到生理电信号样本集,统计每一所述生理电信号中各类核团出现的时间以及顺序,得到第一特征向量,标记每一所述生理电信号的针道偏离类型标签,结合所述第一特征向量以及所述针道偏离类型标签得到第一样本训练集;
S2、将所述第一样本训练集导入第一分类器进行训练优化,得到针道偏离预测模型;
S3、识别待测生理电信号的核团类型,结合所述待测生理电信号的核团类型以及所述针道偏离预测模型预测待测生理电信号的针道偏离方位,根据所述针道偏离方位对针道进行调节。
具体的,上述的“每一所述生理电信号”具体是指每一段生理电信号,即将一条生理电信号按核团类型分成多段,然后分别提取每一段生理电信号的分类特征信号,这样就可以通过训练学习到不同类型核团对应的生理电信号的不同特征,实现分类识别。
本发明实施例针对上述DBS手术针道调节尚无有效指导方案的现状,提出了训练分类器对DBS针道调节给出调节方向的方法,通过计算机辅助DBS针道进行调节。具体的,训练第一分类器,统计针道先后经过的核团出现的顺序及时间长度,以核团出现的顺序以及时间长度作为输入,以针道偏离类型标签作为输出,对第一分类器进行训练优化,得到可以根据核团出现顺序以及时间预测当前针道相对目标针道偏离方向及程度的针道偏离预测模型。然后识别待测生理电信号的核团类型,结合待测生理电信号的核团类型和针道偏离预测模型对针道偏离方向进行预测,可有效指导神经外科手术医生,特别是在DBS手术中经验欠缺的外科医生进行穿刺针针道的合理调整,减少因人工主观判断产生的误判,提高手术效率。基于训练得到的针道偏离预测模型,可实现对针道偏离方位的实时、自动预测,不再依赖于人工判断。
本发明针对调整针道非常依赖于医生个人的临床经验这一痛点,涉及通过训练得到的模型计算得出的针道调整方案的方式,有效提高针道调节的精度和可重复性,同时可十分方便地将这一方案推广至三四线城市的医院,使其摆脱对经验丰富的医生的依赖,提升手术的普适性。
在对第一分类其进行训练时,需要对样本进行处理,首先需要统计每一个生理电信号中各类核团出现的时间及顺序。
优选的,统计每一所述生理电信号中各类核团出现的时间以及顺序,得到第一特征向量,具体为:
统计所述生理电信号中各类核团出现的次数,以各类核团出现的次数表征其出现的时间,将各类核团出现的次数按照各类核团出现的顺序进行排列得到第一特征向量。
由于穿刺针在进入靶点测量范围后是步进前进记录生理电信号的,每一次步进对应的穿刺针进针深度是一样的,步进一次就对生理电信号采样一次,再继续步进,此部分是由外科医生手动完成,本实施例其实是对以恒定速度推进穿刺针时计算穿刺针在各核团中出现时间的一种量化,故各类核团出现的时间可用核团出现相同生理电信号的记录次数代替,记录次数乘以步进时间间隔即等于出现的时间。例如,仍以GPi核团为靶点核团例,设定第一特征向量V1=(TGPi,TGPe,Timgip,Ttract,TOT),如在进入靶点测量区域内记录的GPi核团、GPe核团、imgip核团、tract核团、OT核团对应的生理电信号分别有1、2、1、0、0次,可构建相应的第一特征向量为V1=(1,2,1,0,0)。
其次需要对生理电信号的针道偏离类型进行划分,作为输出。
优选的,标记每一所述生理电信号的针道偏离类型标签,具体为:
根据目标针道定义多种针道偏离方向,为每一所述针道偏离方向定义至少一种针道偏离程度,为每一种所述针道偏离方向的各所述针道偏离程度分别定义与目标针道之间的偏离距离范围,得到多种针道偏离类型,为每一种所述针道偏离类型定义标签,根据定义判断每一所述生理电信号对应的针道偏离类型,并标记相应的针道偏离类型标签。
针道偏离方向的定义可以根据需求自行设定。具体的,定义针道偏离方向之前,首先定义坐标系,然后在坐标系中定义多种针道偏离方向。本实施例中定义了“前”、“后”、“内”、“外”四个针道偏离方向。如图2所示,首先定义坐标系,X轴正方向定义为从患者右侧(Right)指向患者左侧(Left)方向;Y轴正方向为从患者前胸(Anterior)指向患者后背(Posterior)方向;Z轴正方向为从患者脚底(Foot)指向患者头顶(Head)方向。目标针道是指为了使穿刺针进入靶点核团,在术前规划中部署的针道,本实施例中目标针道设置为X轴正方向,“前”向定义为Y轴负方向、将“后”向定义为Y轴正方向、将“内”向定义为Z轴负方向、将“外”向定义为Z轴正方向。
每一种针道偏离方向可定义一种或几种针道偏离程度,根据需求决定,例如对调节的精细要求越高,设定的针道偏离程度越多。本实施例中为每一个针道偏离方向分别定义两种针道偏离程度,即轻微偏离和严重偏离。每一种针道偏离类型的偏离距离范围同样根据需求自行设定。一般来说核团的移位以毫米计数,因此,本实施例中轻微偏离定义为与目标针道相比偏离5mm以内,严重偏离定义为与目标针道相比偏离5mm以上。四种针道偏离方向,每种针道偏离方向两种针道偏离程度,同时加上目标针道,最后得到一共九种针道偏离类型,在这里分别表示为目标针道、针道轻微偏前、针道严重偏前、针道轻微偏后、针道严重偏后、针道轻微偏内、针道严重偏内、针道轻微偏外、针道严重偏外。针道轻微偏前为与目标针道相比向前偏离5mm以内,针道严重偏前为与目标针道相比向前偏离5mm以上,针道轻微偏后为与目标针道相比向后偏离5mm以内,针道严重偏后为与目标针道相比向后偏离5mm以上,针道轻微偏内为与目标针道相比向内偏离5mm以内,针道严重偏内为与目标针道相比向内偏离5mm以上,针道轻微偏外为与目标针道相比向外偏离5mm以内,针道严重偏外为与目标针道相比向外偏离5mm以上。
每一种针道偏离类型相对应的标签可自由设定,设置为互不相同的标签即可。例如本实施例中,目标针道标签为“1”、针道轻微偏前标签为“2”、针道严重偏前标签为“3”、针道轻微偏后标签为“4”、针道严重偏后标签为“5”、针道轻微偏内标签为“6”、针道严重偏内标签为“7”、针道轻微偏外标签为“8”、针道严重偏外标签为“9”,即针道偏离类型的分类标签向量L1=1,2,…,9。
实际手术中手术器械可同时布置中间针道及与它平行的前后左右4个针道,穿刺针先从中间针道进入,采集生理电信号判断偏离方向和程度,如若是目标针道,则将当前的中间针道确定为最终电极植入通道,否则从中间针道退出,根据判断的方向和程度,选择4个平行针道中的一个进入,或是重新布置这5个针道,直到找到目标针道为止。
根据各生理电信号提取的第一特征向量V1以及标记的针道偏离类型标签L1,得到第一样本训练集:
{(V11,L11),(V12,L12),…,(V1n,L1n)}
其中,V1a表示第a个生理电信号样本的第一特征向量,L1a表示第a个生理电信号样本的针道偏离类型标签,a=1,2,…,n,n为训练样本的数量;
将第一样本训练集导入SVM模型,进行第一个分类器的训练和优化,利用该分类器对未知样本进行分类,输出分类标签,用预测针道偏离的方位。
优选的,识别待测生理电信号的核团类型,具体为:
提取所述生理电信号样本集中每一生理电信号的多个分类特征信息,得到第二特征向量,标记每一所述生理电信号所对应的核团类型标签,结合所述第二特征向量以及所述核团类型标签得到第二样本训练集;
将所述第二样本训练集导入第二分类器进行训练优化,得到核团识别模型;
将所述待测生理电信号输入所述核团识别模型得到其核团类型。
本优选实施例针对当前DBS手术需要基于生理电信号进行人工判别神经核团的方式,设计了对生理电信号特征的有效提取方案,训练第二个分类器对生理电信号进行核团分类,通过对针道穿过时微电极记录的生理电信号进行分析,提取出生理电信号的分类特征信息,以分类特征信息作为输入,以核团类型标签作为输出,对第二分类器进行训练优化,得到可以根据分类特征信息确定生理电信号对应核团的核团识别模型。通过第二分类器训练得到的核团识别模型可以对神经核团进行自动判别,产生进行针道偏离预测所需的神经核团序列降低因人工误判造成核团类型识别错误的风险。
优选的,提取所述生理电信号样本集中每一生理电信号的多个分类特征信息,具体包括:提取每一所述生理电信号的绝对中位差、L2范数、L∞范数、分数维度、谱范数、功率谱密度以及谱熵中至少一种。
本实施例调研了脑部生理电信号的特点,同时选取了上述七种对提升分类性能有效的生理电信号特征,用于对生理电信号进行对应核团的分类。
优选的,提取所述生理电信号的绝对中位差具体为:
F1=median(|X|-median(X))
其中,F1为生理电信号X的绝对中位差,median()表示中位值函数;
提取所述生理电信号的L2范数具体为:
其中,F2为L2范数,xi为生理电信号X在i取样时刻的信号值,N为生理电信号X的取样次数;
提取所述生理电信号的L∞范数具体为:
F3=max|xi|
其中,F3为L∞范数,xi为生理电信号X在i取样时刻的信号值,i=1,2,…,N,N为生理电信号X的取样次数;
提取所述生理电信号的分数维度具体为:
将生理电信号X分成k组,得到k组信号值向量:
其中,为第m组信号值向量,int()表示取整函数,N为生理电信号x的取样次数,x[m+jk]表示生理电信号X在m+jk取样时刻的信号值,j=0,1,…,int(N-m)/k;SLOPE{}为点对组的拟合直线的斜率函数,
F4=SLOPE{ln[L(k)],ln[L(1/k)]}
其中,F4为生理电信号X的分数维度,{ln[L(k)],ln[L(1/k)]}为一组点对,SLOPE{ln[L(k)],ln[L(1/k)]}表示点对组{ln[L(k)],ln[L(1/k)]}的拟合直线斜率,k=1,2,...,kmax,
提取所述生理电信号的谱范数具体为:
F5=(maximum eigenvalue of XHX)1/2
其中,F5表示谱范数,maximum eigenvalue of表示取最大特征值,XH表示生理电信号X的共轭转置;
提取所述生理电信号的功率谱密度具体为:
其中,F6为功率谱密度,T表示生理电信号x的持续时间,x(t)示生理电信号x在t取样时刻的信号值;
提取所述生理电信号的谱熵具体为:
其中,F7为谱熵,P(m)为生理电信号功率谱在m的频率分量上的概率分布值,S(i)为生理电信号功率谱在i的频率分量上的概率分布值,i分别取各频率分量,S(m)为生理电信号功率谱,S(m)=|X(m)2,X(m)为生理电信号X的离散时间信号的离散傅里叶变换。
对每一个生理电信号样本提取以上七个个分类特征信息,生成第二特征向量V2=(F1,F2,F3,F4,F5,F6,F7)。
优选的,标记每一所述生理电信号所对应的核团类型标签,具体为:
在每一类核团产生的生理电信号上标记该类核团相对应的核团类型标签。
将生理电信号对应的核团类型标签记为L2=l,根据DBS需要作用的靶点核团,为靶点核团及其周围临近核团定义对应的核团类型标签。以常用靶点核团苍白球内侧核团GPi为例,可能在其附近出现的核团包括:苍白球外侧核GPe,内髓板imgip,传导束tract,视束OT,故可将核团类型标签值的取值范围设为1,2,3,4和5,分别对应GPi、GPe、imgip、tract、OT五类核团。如果生理电信号对应的核团为苍白球内侧核团GPi,则为相应生理电信号标上核团类型标签“1”;如果生理电信号对应的核团为苍白球外侧核GPe,则为相应生理电信号标上核团类型标签“2”;如果生理电信号对应的核团为内髓板imgip,则为相应生理电信号标上核团类型标签“3”;如果生理电信号对应的核团为传导束tract,则为相应生理电信号标上核团类型标签“4”;如果生理电信号对应的核团为视束OT,则为相应生理电信号标上核团类型标签“5”。
根据各生理电信号提取的第二特征向量V2以及标记的核团类型标签L2,得到第二样本训练集:
{(V21,L21),(V22,L22),…,(V2n,L2n)}
其中,V2a表示第a个生理电信号样本的第二特征向量,L2a表示第a个生理电信号样本的核团类型标签,a=1,2,…,n,n为训练样本的数量;
将第二样本训练集导入SVM模型,进行第二个分类器的训练和优化,利用该分类器对未知生理电信号进行分类,输出分类核团类型标签,用以识别待测生理电信号对应的核团。
优选的,所述第一分类器为基于机器学习方法的分类模型或基于神经网络的分类模型,所述第二分类器为基于机器学习方法的分类模型或基于神经网络的分类模型。
具体的,机器学习方法有:支持向量机(SVM),Adaboost,决策树,随机森林,最近邻方法,K均值聚类。深度学习的方法有:全连接分类网络,神经网络。本实施例采用的分类器为现有相对成熟的SVM分类器,由于SVM分类器自身拥有相对出色的分类泛化能力,因此可有效提升对未知生理电信号的分类精度和效率。
优选的,结合所述待测生理电信号的核团类型以及所述针道偏离预测模型预测待测生理电信号的针道偏离方位,具体为:
统计所述待测生理电信号中各类核团出现的时间以及顺序,得到待测生理电信号的第一特征向量,并将待测生理电信号的第一特征向量输入所述针道偏离预测模型得到针道偏离方位。
待测生理电信号指穿刺针进入靶点测量范围内测量得到的生理电信号。具体的,穿刺针沿术前规划的针道前进,判断穿刺针是否进入靶点附近测量范围,如果否,则继续沿术前规划的针道前进,如果是控制穿刺针步进前进,并记录穿刺针每次步进处的生理电信号,根据训练核团识别模型识别记录的生理电信号对应的放电核团,记录各类放电核团的顺序和持续时间,判断穿刺针是否进入靶点测量范围以外的位置,如果是,统计各类放电核团出现的顺序和持续时间,并根据针道偏离预测模型预测穿刺针的针道偏离方位,并输出针道调节建议,医生即可根据针道调节建议进行调节。
实施例2
本发明的实施例2提供了DBS手术针道调节系统,包括信号采集处理模块、第一分类模块、以及预测指示模块;
所述信号采集处理模块用于收集生理电信号得到生理电信号样本集,统计每一所述生理电信号中各类核团出现的时间以及顺序,得到第一特征向量,标记每一所述生理电信号的针道偏离类型标签,结合所述第一特征向量以及所述针道偏离类型标签得到第一样本训练集;
所述第一分类模块用于将所述第一样本训练集导入第一分类器进行训练优化,得到针道偏离预测模型;
所述预测指示模块用于识别待测生理电信号的核团类型,结合所述待测生理电信号的核团类型以及所述针道偏离预测模型预测待测生理电信号的针道偏离方位,根据所述针道偏离方位对针道进行调节。
优选的,还包括第二分类模块;
所述信号采集处理模块还用于提取所述生理电信号样本集中每一生理电信号的多个分类特征信息,得到第二特征向量,标记每一所述生理电信号所对应的核团类型标签,结合所述第二特征向量以及所述核团类型标签得到第二样本训练集;
所述第二分类模块用于将所述第二样本训练集导入第二分类器进行训练优化,得到核团识别模型;
所述预测指示模块还用于将所述待测生理电信号输入所述核团识别模型得到其核团类型。
本发明实施例提供的DBS手术针道调节系统,用于实现DBS手术针道调节方法,因此,DBS手术针道调节方法所具备的技术效果,DBS手术针道调节系统同样具备,在此不再赘述。
实施例3
本发明的实施例3提供了DBS手术针道调节装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现实施例1提供的DBS手术针道调节方法。
本发明实施例提供的DBS手术针道调节装置,用于实现DBS手术针道调节方法,因此,DBS手术针道调节方法所具备的技术效果,DBS手术针道调节装置同样具备,在此不再赘述。
实施例4
本发明的实施例4提供了计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现实施例1提供的DBS手术针道调节方法。
本发明实施例提供的计算机存储介质,用于实现DBS手术针道调节方法,因此,DBS手术针道调节方法所具备的技术效果,计算机存储介质同样具备,在此不再赘述。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种DBS手术针道调节方法,其特征在于,包括以下步骤:
收集生理电信号得到生理电信号样本集,统计每一所述生理电信号中各类核团出现的时间以及顺序,得到第一特征向量,标记每一所述生理电信号的针道偏离类型标签,结合所述第一特征向量以及所述针道偏离类型标签得到第一样本训练集;
将所述第一样本训练集导入第一分类器进行训练优化,得到针道偏离预测模型;
识别待测生理电信号的核团类型,结合所述待测生理电信号的核团类型以及所述针道偏离预测模型预测待测生理电信号的针道偏离方位,根据所述针道偏离方位对针道进行调节。
2.根据权利要求1所述的DBS手术针道调节方法,其特征在于,统计每一所述生理电信号中各类核团出现的时间以及顺序,得到第一特征向量,具体为:
统计所述生理电信号中各类核团出现的次数,以各类核团出现的次数表征其出现的时间,将各类核团出现的次数按照各类核团出现的顺序进行排列得到第一特征向量。
3.根据权利要求1所述的DBS手术针道调节方法,其特征在于,标记每一所述生理电信号的针道偏离类型标签,具体为:
根据目标针道定义多种针道偏离方向,为每一所述针道偏离方向定义至少一种针道偏离程度,为每一种所述针道偏离方向的各所述针道偏离程度分别定义与目标针道之间的偏离距离范围,得到多种针道偏离类型,为每一种所述针道偏离类型定义标签,根据定义判断每一所述生理电信号对应的针道偏离类型,并标记相应的针道偏离类型标签。
4.根据权利要求1所述的DBS手术针道调节方法,其特征在于,识别待测生理电信号的核团类型,具体为:
提取所述生理电信号样本集中每一生理电信号的多个分类特征信息,得到第二特征向量,标记每一所述生理电信号所对应的核团类型标签,结合所述第二特征向量以及所述核团类型标签得到第二样本训练集;
将所述第二样本训练集导入第二分类器进行训练优化,得到核团识别模型;
将所述待测生理电信号输入所述核团识别模型得到其核团类型。
5.根据权利要求4所述的DBS手术针道调节方法,其特征在于,提取所述生理电信号样本集中每一生理电信号的多个分类特征信息,具体包括:提取每一所述生理电信号的绝对中位差、L2范数、L范数、分数维度、谱范数、功率谱密度以及谱熵中至少一种。
6.根据权利要求4所述的DBS手术针道调节方法,其特征在于,所述第一分类器为基于机器学习方法的分类模型或基于神经网络的分类模型,所述第二分类器为基于机器学习方法的分类模型或基于神经网络的分类模型。
7.根据权利要求1所述的DBS手术针道调节方法,其特征在于,结合所述待测生理电信号的核团类型以及所述针道偏离预测模型预测待测生理电信号的针道偏离方位,具体为:
统计所述待测生理电信号中各类核团出现的时间以及顺序,得到待测生理电信号的第一特征向量,并将待测生理电信号的第一特征向量输入所述针道偏离预测模型得到针道偏离方位。
8.一种DBS手术针道调节系统,其特征在于,包括信号采集处理模块、第一分类模块、以及预测指示模块;
所述信号采集处理模块用于收集生理电信号得到生理电信号样本集,统计每一所述生理电信号中各类核团出现的时间以及顺序,得到第一特征向量,标记每一所述生理电信号的针道偏离类型标签,结合所述第一特征向量以及所述针道偏离类型标签得到第一样本训练集;
所述第一分类模块用于将所述第一样本训练集导入第一分类器进行训练优化,得到针道偏离预测模型;
所述预测指示模块用于识别待测生理电信号的核团类型,结合所述待测生理电信号的核团类型以及所述针道偏离预测模型预测待测生理电信号的针道偏离方位,根据所述针道偏离方位对针道进行调节。
9.一种DBS手术针道调节装置,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-7任一所述的DBS手术针道调节方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-7任一所述的DBS手术针道调节方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310815703.9A CN116850447A (zh) | 2020-04-29 | 2020-04-29 | Dbs手术针道调节装置以及计算机存储介质 |
CN202010356723.0A CN111569251B (zh) | 2020-04-29 | 2020-04-29 | 一种dbs手术针道调节方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010356723.0A CN111569251B (zh) | 2020-04-29 | 2020-04-29 | 一种dbs手术针道调节方法、系统及装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310815703.9A Division CN116850447A (zh) | 2020-04-29 | 2020-04-29 | Dbs手术针道调节装置以及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111569251A CN111569251A (zh) | 2020-08-25 |
CN111569251B true CN111569251B (zh) | 2023-07-28 |
Family
ID=72115023
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010356723.0A Active CN111569251B (zh) | 2020-04-29 | 2020-04-29 | 一种dbs手术针道调节方法、系统及装置 |
CN202310815703.9A Pending CN116850447A (zh) | 2020-04-29 | 2020-04-29 | Dbs手术针道调节装置以及计算机存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310815703.9A Pending CN116850447A (zh) | 2020-04-29 | 2020-04-29 | Dbs手术针道调节装置以及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111569251B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113797440B (zh) * | 2021-09-27 | 2022-05-10 | 首都医科大学附属北京天坛医院 | 基于影像和电生理实时定位的脑深部电极自动植入系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109585018A (zh) * | 2018-11-09 | 2019-04-05 | 青岛歌尔微电子研究院有限公司 | 信息处理方法、信息处理装置及生理检测设备 |
CN110135454A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于3d断层扫描图数据集的深度学习模型训练方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8521294B2 (en) * | 2008-10-24 | 2013-08-27 | The General Hospital Corporation | System and method for dynamically configurable deep brain stimulation |
US9008414B2 (en) * | 2011-10-04 | 2015-04-14 | Medtronic Navigation, Inc. | Method and apparatus for assisted trajectory planning |
US9247895B2 (en) * | 2014-03-21 | 2016-02-02 | Pacesetter, Inc. | Systems and methods for performing deep brain stimulation |
US10932862B2 (en) * | 2015-05-10 | 2021-03-02 | Alpha Omega Neuro Technologies Ltd. | Automatic brain probe guidance system |
US20210343017A1 (en) * | 2020-04-30 | 2021-11-04 | Medtronic, Inc. | Post operative implantation site monitoring and medical device performance |
-
2020
- 2020-04-29 CN CN202010356723.0A patent/CN111569251B/zh active Active
- 2020-04-29 CN CN202310815703.9A patent/CN116850447A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109585018A (zh) * | 2018-11-09 | 2019-04-05 | 青岛歌尔微电子研究院有限公司 | 信息处理方法、信息处理装置及生理检测设备 |
CN110135454A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于3d断层扫描图数据集的深度学习模型训练方法 |
Non-Patent Citations (4)
Title |
---|
刘新文 ; 王惠南 ; 钱志余 ; 杨天明 ; 顾月清 ; .苍白球损毁术中微电极的位置识别方法.生物医学工程学杂志.2007,(第03期),全文. * |
石林 ; 杨岸超 ; 孟大伟 ; 刘焕光 ; 张颖 ; 张鑫 ; 张建国 ; .斜向立体定向穿刺法与垂直立体定向穿刺法的对比研究.立体定向和功能性神经外科杂志.2012,(第06期),全文. * |
郝旺身 ; 朱训生 ; 王祥瑞 ; 杨华元 ; 王震虹 ; 郑拥军 ; .模糊神经网络预测电针镇痛过程中生化指标变化的应用研究.中华临床医师杂志(电子版).2008,(第03期),全文. * |
陈礼道 ; 柳雯 ; 张捷 ; 付锴 ; 张继波 ; 刘学猛 ; 彭启珍 ; 丁伟 ; .脂质头皮标志物在脑深部电刺激术针道设计中的应用.中国临床神经外科杂志.2017,(第09期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111569251A (zh) | 2020-08-25 |
CN116850447A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jog et al. | Tetrode technology: advances in implantable hardware, neuroimaging, and data analysis techniques | |
Jia et al. | High-density extracellular probes reveal dendritic backpropagation and facilitate neuron classification | |
US11980427B2 (en) | Brain navigation methods and device | |
Liu et al. | Functional organization of speed tuned neurons in visual area MT | |
US10039507B2 (en) | Advanced intraoperative neural targeting system and method | |
US20150305685A1 (en) | Neuropsychological spatiotemporal pattern recognition | |
US20220151537A1 (en) | Brain navigation lead | |
EP3481288A2 (en) | Brain navigation methods and device | |
WO2016028888A1 (en) | System and method for annotating and analyzing eeg waveforms | |
JPH06154184A (ja) | 3次元フィールドパターンの識別分類方法 | |
CN107669244A (zh) | 基于EEG‑fMRI的癫痫异常放电位点定位方法及系统 | |
Khosravi et al. | Intraoperative localization of STN during DBS surgery using a data-driven model | |
Chelaru et al. | Spike source localization with tetrodes | |
CN111569251B (zh) | 一种dbs手术针道调节方法、系统及装置 | |
EP3744242A1 (en) | Brain navigation lead | |
Allen et al. | Automated in vivo patch-clamp evaluation of extracellular multielectrode array spike recording capability | |
CN110584600B (zh) | 一种基于智能算法优化模糊聚类的高频振荡节律检测方法 | |
Cardona et al. | NEUROZONE: On-line recognition of brain structures in stereotactic surgery-application to Parkinson's disease | |
Lu et al. | A Systematic Review of Neurophysiology-Based Localization Techniques Used in Deep Brain Stimulation Surgery of the Subthalamic Nucleus | |
Xiao et al. | Automatic identification of sweet spots from MERs for electrodes implantation in STN-DBS | |
CN114748162A (zh) | 路径规划方法和可读存储介质 | |
Martin et al. | Adapting the listening time for micro-electrode recordings in deep brain stimulation interventions | |
CN111436923B (zh) | 穿刺路径确定装置、手术导航系统、设备及存储介质 | |
WO2004093653A2 (en) | Microelectrode recording analysis and visualization for improved target localization | |
Lima et al. | Analysis and classification of microelectrode recordings in deep brain stimulation surgery |
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 |