CN111616682A - 基于便携式脑电采集设备的癫痫发作预警系统及应用 - Google Patents

基于便携式脑电采集设备的癫痫发作预警系统及应用 Download PDF

Info

Publication number
CN111616682A
CN111616682A CN202010481474.8A CN202010481474A CN111616682A CN 111616682 A CN111616682 A CN 111616682A CN 202010481474 A CN202010481474 A CN 202010481474A CN 111616682 A CN111616682 A CN 111616682A
Authority
CN
China
Prior art keywords
electroencephalogram
eeg
signals
seizure
brain
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.)
Granted
Application number
CN202010481474.8A
Other languages
English (en)
Other versions
CN111616682B (zh
Inventor
高忠科
芮林格
马超
马文庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Furuilong Metal Products Co ltd
Tianjin University
Original Assignee
Tianjin Furuilong Metal Products Co ltd
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Furuilong Metal Products Co ltd, Tianjin University filed Critical Tianjin Furuilong Metal Products Co ltd
Priority to CN202010481474.8A priority Critical patent/CN111616682B/zh
Publication of CN111616682A publication Critical patent/CN111616682A/zh
Application granted granted Critical
Publication of CN111616682B publication Critical patent/CN111616682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种基于便携式脑电采集设备的癫痫发作预警系统及应用，包括有依次连接的：便携式脑电采集设备、生理状态分析模块和发作风险评估系统，便携式脑电采集设备从被试者大脑采集EEG脑电信号；生理状态分析模块接收EEG脑电信号，并结合大脑多层复杂网络和深度学习模型，智能识别被试者的与癫痫相关的关键电极，实现对癫痫EEG脑电信号的有效辨识以及分类；发作风险评估系统以分类结果为基础，分析当前的发作风险，生成相应的报警指令，将指令传达至预警系统进行报警。本发明通过自动采集并分析脑电信号，实现对癫痫发作的快速预警，提醒患者及时做出应对，减轻癫痫的痛苦与危害。使用本发明进行实时癫痫发作风险检测，以降低未知的发作风险。

Description

基于便携式脑电采集设备的癫痫发作预警系统及应用
技术领域
本发明涉及一种癫痫发作预警系统。特别是涉及一种基于便携式脑电采集设备的癫痫发作预警系统及应用。
背景技术
世界上大约有5000万名癫痫患者，癫痫发作时间不确定，症状严重。癫痫可损伤正常神经细胞，并可导致多种衍生疾病，这些疾病会对癫痫患者的行为、器官甚至生命造成严重影响。如果能及时发现癫痫的发作趋势并提前准备药品或就医，可以大大减轻癫痫的危害，但癫痫发作的身体预兆一般不够明显，当可以被肉眼判断时，一般已经来不及做出措施，因此通过一些生理信号特征即时发现癫痫发作预兆的技术对癫痫的治疗至关重要。
便携式脑电采集系统相比于医疗机构的传统脑电采集仪器，在保证采集精度，采集速度满足要求的条件下，具有极小的体积与质量，工作条件要求低，大幅提高了易携性，在脑机接口设备中获得了广泛的应用。尤其是在患者不能长期住院的条件下，便携式脑电采集系统可以为患者提供进行居家脑电监控的条件，为一些需要持续监视脑电变化的病症提供了便利。便携式脑电采集系统的核心芯片一般包括控制芯片和A/D转换芯片。FPGA(Field Programmable Gate Array)，即现场可编程门阵列，是控制芯片的一种，它是在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。相比于其他片上SOC系统，FPGA以逻辑单元阵列LCA为核心，具有优越的并行处理能力，打破了顺序执行的模式，能在每个时钟周期内完成更多的处理任务。因此，FPGA满足脑电信号采集系统高精度、高稳定性、高运算能力的要求，片上硬件资源也足以实现脑电信号实时采集所需要的功能。
脑电信号数据具有数量大，特征多，变化快的特点，在完成数据采集后如果进行人为分析往往会浪费掉大量时间，并且会遗漏掉某些重要信息。机器学习作为一种人工智能方法，在处理大数据信息上有着很强的优越性，而代表机器学习最先进理论的深度学习(deep learning)在脑电信号的研究中获得了广泛的普及。深度学习是一种端到端的学习方法，它可以直接从输入中提取更深层次的内在表征。到目前为止，已有许多深度学习的体系结构被提出并应用于脑电分析、医疗影像、康复训练等领域。尤其是卷积神经网络(CNN)是一种强大的深度学习框架。通过设置合适的卷积核，CNN能够从样本数据中提取各种潜在的特征。为了获得更好的结果，提出了具有更多层、更多连接和更详细卷积的相关模型。
近年来，复杂网络作为一种前沿的数据融合、分析理论获得了越来越多研究人员的青睐。复杂网络为复杂系统的研究提供了新的视角。脑网络作为复杂网络研究的主要分支，也受到了很多研究者的关注。在基于EEG脑电信号的脑网络中，脑电极被设定为节点，节点之间的连边通过各种各样的相关性测度确定。通过对脑网络的研究可以深化对脑电信号特征的理解。
发明内容
本发明所要解决的技术问题是，提供一种能够对癫痫发作有效辨识和正确分类，实现对癫痫发作预警的基于便携式脑电采集设备的癫痫发作预警系统及应用。
本发明所采用的技术方案是：一种基于便携式脑电采集设备的癫痫发作预警系统，包括有依次连接的：便携式脑电采集设备、生理状态分析模块和发作风险评估系统，所述的便携式脑电采集设备从被试者大脑采集EEG脑电信号；所述的生理状态分析模块接收EEG脑电信号，并结合大脑多层复杂网络和深度学习模型，智能识别被试者的与癫痫相关的关键电极，实现对癫痫EEG脑电信号的有效辨识以及分类；所述的发作风险评估系统以分类结果为基础，分析当前的发作风险，生成相应的报警指令，将指令传达至预警系统进行报警。
一种权利要求1所述的基于便携式脑电采集设备的癫痫发作预警系统的应用，包括如下步骤：
1)通过便携式脑电采集设备采集癫痫患者EEG脑电信号；
2)利用深度卷积神经网络模型对采集到的EEG脑电信号进行判断，评估当前发病风险；
3)根据风险程度发出预警，提醒患者及时做出应对。
本发明的基于便携式脑电采集设备的癫痫发作预警系统及应用，能够实现对EEG脑电信号的准确获取、有效辨识和正确分类，通过发作风险评估分析当前发作风险程度，转化为癫痫发作风险的判断，对癫痫者做出预警。本发明通过自动采集并分析脑电信号，实现对癫痫发作的快速预警，提醒患者及时做出应对，减轻癫痫的痛苦与危害。该设备包含体积小，质量轻的特点，可用于患者在居家或外出等不易于进行专业检测的情况下，使用本设备进行实时癫痫发作风险检测，以降低未知的发作风险，提前做好发作准备，减少患者的发作痛苦。
附图说明
图1是本发明的基于便携式脑电采集设备的癫痫发作预警系统及应用构成框图；
图2是本发明中便携式脑电采集设备构成框图；
图3是本发明中生理状态分析模块运行流程图；
图4是本发明中深度卷积神经网络模型构成示意图；
图5是本发明中发作风险评估系统构成框图；
图6是本发明的基于便携式脑电采集设备的癫痫发作预警系统及应用流程图。
具体实施方式
下面结合实施例和附图对本发明的基于便携式脑电采集设备的癫痫发作预警系统及应用做出详细说明。
如图1所示，本发明的基于便携式脑电采集设备的癫痫发作预警系统及应用，包括有依次连接的：便携式脑电采集设备1、生理状态分析模块2和发作风险评估系统3，所述的便携式脑电采集设备1从被试者大脑采集EEG脑电信号；所述的生理状态分析模块2接收EEG脑电信号，并结合大脑多层复杂网络和深度学习模型，智能识别被试者的与癫痫相关的关键电极，实现对癫痫EEG脑电信号的有效辨识以及分类；所述的发作风险评估系统3以分类结果为基础，分析当前的发作风险，生成相应的报警指令，将指令传达至预警系统进行报警。
如图2所示，所述的便携式脑电采集设备1包括有：依次连接的用于采集EEG脑电信号的脑电极帽及其转接线11、用于脑电信号放大和转换的生物电信号采集模块12、用于控制生物电信号采集模块12的FPGA处理器13和用于传输EEG脑电信号的USB通信电路14，以及分别连接生物电信号采集模块12和FPGA处理器13的系统供电电路15，其中，
所述的脑电极帽及其转接线11中的脑电极帽采集不同脑区的EEG脑电信号，通过转接线及DSUB37接口与生物电信号采集模块12相连接，用于生物电信号的采集和传输；
所述的生物电信号采集模块12是由数片集成了用于接收脑电帽采集的电压信号的高共模抑制比模拟输入模块、用于进行脑电压信号放大的低噪声可编程增益放大器(PGA)和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器(ADC)的生物电信号采集芯片组成；
所述的FPGA处理器13用于调整生物电信号采集模块(12)的采集模式与参数和控制USB通信电路(14)将脑电信号数据向生理状态分析模块传输；
所述的USB通信电路14的输出连接所述生理状态分析模块2的输入端，USB通信电路14工作在异步FIFO模式，最高传输速率8MB/秒，在FPGA处理器13的控制下周期性地将采集到的EEG脑电信号以数据包的形式发送至生理状态分析模块2。
所述的系统供电电路15，输入电压为5V，由USB接口进行供电，通过电压转换模块提供系统不同芯片的工作电压。
所述便携式脑电采集设备1获取被试者对应于脑电极帽的FP1,FP2,F3,F7,T7,P7,O1,C3,P3,F4,C4,P4,F8,O2,Fz,Cz,Pz,FT9,FT10,T8,P8共二十一个电极的EEG脑电信号；脑电极帽的电极分布符合10/20国际标准导联。
所述便携式脑电采集设备1采集被试者两种生理状态信号，一种是正常生理状态信号，一种是癫痫即将发作生理状态信号，所述的正常生理状态信号，是被试者在本次癫痫发病30分钟后与下一次癫痫发病前30分钟之间的EEG脑电信号；所述的癫痫即将发作生理状态信号，是被试者在癫痫发病前30分钟内采集的EEG脑电信号。
如图3所示，所述的生理状态分析模块2的运行具体包括如下步骤：
1)对EEG脑电信号进行预处理，是对每个样本的EEG脑电信号通过巴特沃斯滤波器进行带通滤波，将信号分为θ(4-7Hz)、α(8-12Hz)、β(13-30Hz)、γ1(31-50Hz)和γ2(51-85Hz)共5个频段，得到能够用于实现癫痫状态辨识的EEG脑电信号；
2)对每个被试者两种生理状态的EEG脑电信号
Figure BDA0002517562480000031
分别通过长度为l的滑动窗口进行数据分割，滑动窗口的滑动步长为b，得到一系列滑动窗口数据，第i个滑动窗口数据表示为
Figure BDA0002517562480000032
其中
Figure BDA0002517562480000033
表示第c个频段中第j个滑动窗口中的第gi个数据点，为每一个滑动窗口设定标签，构成一个样本，将每个被试者两种生理状态的样本构成样本集；
3)对每个样本构建有向加权复杂网络AC，得到大脑多层复杂网络；具体包括：
(3.1)将样本中的每个通道设置为一个节点，节点之间的连边通过标准化互信息(NMI)来推断，所述标准化互信息(NMI)捕获时间序列的两个通道之间的共享信息，信息共享越多，标准化互信息越大，基于熵理论，两个变量X和Y之间的标准化互信息在数学上定义为I(X,Y)＝H(X)+H(Y)-H(X,Y)
其中，I(X,Y)表示变量X和Y的互信息，表示两个不同的节点；H(X)和H(Y)分别表示变量X和Y的熵；H(X,Y)是变量X和Y之间的相互熵；
标准化互信息表示为：
Figure BDA0002517562480000041
其中，
Figure BDA0002517562480000042
表示变量X和Y的标准化互信息，即为节点之间的连边关系；
(3.2)对所有的滑动窗口对应的脑电数据，根据先后顺序建立有向连边，得到有向加权复杂网络；
(3.3)重复第(1)～(2)步，得到对应θ,α,β,γ1,γ2共5个频段的有向加权复杂网络Aθ，Aα，Aβ，
Figure BDA0002517562480000045
从而得到大脑多层复杂网络
Figure BDA0002517562480000046
(3.4)分别对每一个有向加权复杂网络AC，提取网络指标数据，所述的网络指标数据是网络节点权重值avk；通过网络指标数据确定被试者的癫痫发作关键电极，以关键电极重构大脑多层复杂网络；具体包括：
(3.4.1)去掉有向加权复杂网络中20％标准化互信息值最小的连边；
(3.4.2)利用EEG脑电信号的幅值信息对有向加权复杂网络的各节点进行加权，对于任意节点v和节点k之间的边，网络节点权重值avk更新为a′vk＝avk*(Tv+Tk)
式中，a′vk为更新后的网络节点权重值；Tv和Tk表示节点v和节点k的平均EEG脑电信号的幅值；节点v的加权度Dw(v)定义为：
Figure BDA0002517562480000043
其中，n是网络中的节点数；
(3.4.3)在正常状态和癫痫发作状态之间加权度差异最大的10个节点为关键节点，将正常状态下的节点v的加权度表示为
Figure BDA0002517562480000047
而癫痫状态下的节点v的加权度表示为
Figure BDA0002517562480000048
加权度差Ow表示为：
Figure BDA0002517562480000044
其中，N表示正常状态；S表示癫痫状态；
(4.4)重复步骤3)中的第(1)～(3)步重构大脑多层复杂网络。
4)搭建初始深度卷积神经网络模型，将所有样本对应的标签以及大脑多层复杂网络输入初始深度卷积神经网络模型，利用Keras对深度卷积神经网络模型进行全监督训练，模型学习率设为0.003，共进行500周期的循环训练，Batchsize大小为1200，得到能够用于EEG脑电信号有效分类、辨识的深度卷积神经网络模型，所述深度卷积神经网络模型的输出即为生理状态分析模块(2)输出的生理状态的分类结果。
如图4所示，所述的深度卷积神经网络模型包括五个分支，每一分支对应于大脑多层复杂网络
Figure BDA0002517562480000049
的一个频段；每一分支依次包括：
(4.1)数据输入层，输入数据为有向加权复杂网络AC；
(4.2)第一卷积层，卷积核大小为5×5，卷积核数量为8个，卷积核选择ReLU作为激活函数；
(4.3)第一批量归一化层，用于加速初始深度卷积神经网络模型训练过程，减轻过拟合程度；
(4.4)第一Dropout层，以概率p随机选择批量归一化层的神经元，使神经元不输出，减轻过拟合现象，p＝0.2；
(4.5)第二卷积层，卷积核大小为3×3，卷积核数量为12个，选择ReLU作为激活函数；
(4.6)第三卷积层，卷积核大小为7×7，卷积核数量为4个，选择ReLU作为激活函数；
(4.7)第二批量归一化层，用于加速初始深度卷积神经网络模型训练过程，减轻过拟合程度；
(4.8)第二Dropout层，以概率p随机选择批量归一化层的神经元，使神经元不输出，减轻过拟合现象，p＝0.2；
(4.9)一个最大池化层，池化核大小为2×2；
(4.10)一个Flatten层，用于将多维的输入一维化；
(4.11)一个全连接层，选择ReLU作为激活函数，选择L2范数作为正则化项，L2范数设置为0.0005；
(4.12)将所有分支的全连接层的输出进行串联构成串联层，将所述的串联层与一个分类层相连，所述分类层的输出即为生理状态分析模块(2)输出的生理状态的分类结果。
所述的生理状态的分类结果，是对数据输入层输入的有向加权复杂网络AC的生理状态判断结果，为正常生理状态或癫痫即将发作状态。
如图5所示，所述的发作风险评估系统3包括有：用于评估癫痫发作风险程度的状态分析系统3.1、用于控制报警器工作状态的控制器3.2和用于发出蜂鸣预警的报警器3.3。
所述的状态分析系统3.1接收来自于生理状态分析模块输出的生理状态分析结果并进行分析，如果在连续5分钟内接收到了大量归属于即将发作状态的分类结果，状态分析系统3.1将报警命令发送至控制器3.2，控制器3.2控制报警器3.3发出蜂鸣预警，提醒被试者准备应对措施。
如图6所示，本发明的基于便携式脑电采集设备的癫痫发作预警系统的应用，包括如下步骤：
1)通过便携式脑电采集设备采集癫痫患者EEG脑电信号；
2)利用深度卷积神经网络模型对采集到的EEG脑电信号进行判断，评估当前发病风险；
3)根据风险程度发出预警，提醒患者及时做出应对。

Claims (10)

1.一种基于便携式脑电采集设备的癫痫发作预警系统，包括有依次连接的：便携式脑电采集设备(1)、生理状态分析模块(2)和发作风险评估系统(3)，其特征在于，所述的便携式脑电采集设备(1)从被试者大脑采集EEG脑电信号；所述的生理状态分析模块(2)接收EEG脑电信号，并结合大脑多层复杂网络和深度学习模型，智能识别被试者的与癫痫相关的关键电极，实现对癫痫EEG脑电信号的有效辨识以及分类；所述的发作风险评估系统(3)以分类结果为基础，分析当前的发作风险，生成相应的报警指令，将指令传达至预警系统进行报警。
2.根据权利要求1所述的基于便携式脑电采集设备的癫痫发作预警系统，其特征在于，所述的便携式脑电采集设备(1)包括有：依次连接的用于采集EEG脑电信号的脑电极帽及其转接线(11)、用于控制生物电信号采集模块(12)的FPGA处理器(13)和用于传输EEG脑电信号的USB通信电路(14)，以及分别连接生物电信号采集模块(12)和FPGA处理器(13)的系统供电电路(15)，其中，
所述的脑电极帽及其转接线(11)中的脑电极帽采集不同脑区的EEG脑电信号，通过转接线及DSUB37接口与生物电信号采集模块(12)相连接，用于生物电信号的采集和传输；
所述的生物电信号采集模块12是由数片集成了用于接收脑电帽采集的电压信号的高共模抑制比模拟输入模块、用于进行脑电压信号放大的低噪声可编程增益放大器(PGA)和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器(ADC)的生物电信号采集芯片组成；
所述的FPGA处理器13用于调整生物电信号采集模块(12)的采集模式与参数和控制USB通信电路(14)将脑电信号数据向生理状态分析模块传输；
所述的USB通信电路(14)的输出连接所述生理状态分析模块(2)的输入端，USB通信电路(14)工作在异步FIFO模式，最高传输速率8MB/秒，在FPGA处理器(13)的控制下周期性地将采集到的EEG脑电信号以数据包的形式发送至生理状态分析模块(2)。
所述的系统供电电路(15)，输入电压为5V，由USB接口进行供电，通过电压转换模块提供系统不同芯片的工作电压。
3.根据权利要求2所述的基于便携式脑电采集设备的癫痫发作预警系统，其特征在于，所述便携式脑电采集设备(1)获取被试者对应于脑电极帽的FP1,FP2,F3,F7,T7,P7,O1,C3,P3,F4,C4,P4,F8,O2,Fz,Cz,Pz,FT9,FT10,T8,P8共二十一个电极的EEG脑电信号；脑电极帽的电极分布符合10/20国际标准导联。
4.根据权利要求2所述的基于便携式脑电采集设备的癫痫发作预警系统，其特征在于，所述便携式脑电采集设备(1)采集被试者两种生理状态信号，一种是正常生理状态信号，一种是癫痫即将发作生理状态信号，所述的正常生理状态信号，是被试者在本次癫痫发病30分钟后与下一次癫痫发病前30分钟之间的EEG脑电信号；所述的癫痫即将发作生理状态信号，是被试者在癫痫发病前30分钟内采集的EEG脑电信号。
5.根据权利要求1所述的基于便携式脑电采集设备的癫痫发作预警系统，其特征在于，所述的生理状态分析模块(2)的运行具体包括如下步骤：
1)对EEG脑电信号进行预处理，是对每个样本的EEG脑电信号通过巴特沃斯滤波器进行带通滤波，将信号分为θ(4-7Hz)、α(8-12Hz)、β(13-30Hz)、γ1(31-50Hz)和γ2(51-85Hz)共5个频段，得到能够用于实现癫痫状态辨识的EEG脑电信号；
2)对每个被试者两种生理状态的EEG脑电信号
Figure FDA0002517562470000021
分别通过长度为l的滑动窗口进行数据分割，滑动窗口的滑动步长为b，得到一系列滑动窗口数据，第j个滑动窗口数据表示为
Figure FDA0002517562470000022
其中
Figure FDA0002517562470000023
表示第c个频段中第j个滑动窗口中的第gi个数据点，为每一个滑动窗口设定标签，构成一个样本，将每个被试者两种生理状态的样本构成样本集；
3)对每个样本构建有向加权复杂网络AC，得到大脑多层复杂网络；如图4所示，具体包括：
(3.1)将样本中的每个通道设置为一个节点，节点之间的连边通过标准化互信息(NMI)来推断，所述标准化互信息(NMI)捕获时间序列的两个通道之间的共享信息，信息共享越多，标准化互信息越大，基于熵理论，两个变量X和Y之间的标准化互信息在数学上定义为
I(X,Y)＝H(X)+H(Y)-H(X,Y)
其中，I(X,Y)表示变量X和Y的互信息，表示两个不同的节点；H(X)和H(Y)分别表示变量X和Y的熵；H(X,Y)是变量X和Y之间的相互熵；
标准化互信息表示为：
Figure FDA0002517562470000024
其中，
Figure FDA0002517562470000025
表示变量X和Y的标准化互信息，即为节点之间的连边关系；
(3.2)对所有的滑动窗口对应的脑电数据，根据先后顺序建立有向连边，得到有向加权复杂网络；
(3.3)重复第(1)～(2)步，得到对应θ,α,β,γ1,γ2共5个频段的有向加权复杂网络Aθ，Aα，Aβ，
Figure FDA0002517562470000026
从而得到大脑多层复杂网络
Figure FDA0002517562470000027
(3.4)分别对每一个有向加权复杂网络AC，提取网络指标数据，所述的网络指标数据是网络节点权重值avk；通过网络指标数据确定被试者的癫痫发作关键电极，以关键电极重构大脑多层复杂网络；
4)搭建初始深度卷积神经网络模型，将所有样本对应的标签以及大脑多层复杂网络输入初始深度卷积神经网络模型，利用Keras对深度卷积神经网络模型进行全监督训练，模型学习率设为0.003，共进行500周期的循环训练，Batchsize大小为1200，得到能够用于EEG脑电信号有效分类、辨识的深度卷积神经网络模型，所述深度卷积神经网络模型的输出即为生理状态分析模块(2)输出的生理状态的分类结果。
6.根据权利要求5所述的基于便携式脑电采集设备的癫痫发作预警系统，其特征在于，步骤3)的第(3.4)步具体包括：
(3.4.1)去掉有向加权复杂网络中20％标准化互信息值最小的连边；
(3.4.2)利用EEG脑电信号的幅值信息对有向加权复杂网络的各节点进行加权，对于任意节点v和节点k之间的边，网络节点权重值avk更新为a′vk＝avk*(Tv+Tk)
式中，a′vk为更新后的网络节点权重值；Tv和Tk表示节点v和节点k的平均EEG脑电信号的幅值；节点v的加权度Dw(v)定义为：
Figure FDA0002517562470000031
其中，n是网络中的节点数；
(3.4.3)在正常状态和癫痫发作状态之间加权度差异最大的10个节点为关键节点，将正常状态下的节点v的加权度表示为
Figure FDA0002517562470000032
而癫痫状态下的节点v的加权度表示为
Figure FDA0002517562470000033
加权度差Ow表示为：
Figure FDA0002517562470000034
其中，N表示正常状态；S表示癫痫状态；
(4.4)重复步骤3)中的第(1)～(3)步重构大脑多层复杂网络。
7.根据权利要求5所述的基于便携式脑电采集设备的癫痫发作预警系统，其特征在于，步骤4)所述的深度卷积神经网络模型包括五个分支，每一分支对应于大脑多层复杂网络
Figure FDA0002517562470000035
的一个频段；如图5所示，每一分支依次包括：
(4.1)一个数据输入层，输入数据为有向加权复杂网络AC；
(4.2)第一卷积层，卷积核大小为5×5，卷积核数量为8个。卷积核选择ReLU作为激活函数；
(4.3)第一批量归一化层，用于加速初始深度卷积神经网络模型训练过程，减轻过拟合程度；
(4.4)第一Dropout层，以概率p随机选择批量归一化层的神经元，使神经元不输出，减轻过拟合现象，p＝0.2；
(4.5)第二卷积层，卷积核大小为3×3，卷积核数量为12个，选择ReLU作为激活函数；
(4.6)第三卷积层，卷积核大小为7×7，卷积核数量为4个，选择ReLU作为激活函数；
(4.7)第二批量归一化层，用于加速初始深度卷积神经网络模型训练过程，减轻过拟合程度；
(4.8)第二Dropout层，以概率p随机选择批量归一化层的神经元，使神经元不输出，减轻过拟合现象，p＝0.2；
(4.9)一个最大池化层，池化核大小为2×2；
(4.10)一个Flatten层，用于将多维的输入一维化；
(4.11)一个全连接层，选择ReLU作为激活函数，选择L2范数作为正则化项，L2范数设置为0.0005；
(4.12)将所有分支的全连接层的输出进行串联构成串联层，将所述的串联层与一个分类层相连，所述分类层的输出即为生理状态分析模块(2)输出的生理状态的分类结果。
8.根据权利要求5所述的基于便携式脑电采集设备的癫痫发作预警系统，其特征在于，步骤4)所述的生理状态的分类结果，是对数据输入层输入的有向加权复杂网络AC的生理状态判断结果，为正常生理状态或癫痫即将发作状态。
9.根据权利要求1所述的基于便携式脑电采集设备的癫痫发作预警系统，其特征在于，所述的发作风险评估系统(3)对所接收的生理状态的分类结果进行变化趋势的分析，若在5分钟内连续出现归属于即将发作状态的分类结果，则发出蜂鸣预警，提醒被试者准备应对措施。
10.一种权利要求1所述的基于便携式脑电采集设备的癫痫发作预警系统的应用，其特征在于，包括如下步骤：
1)通过便携式脑电采集设备采集癫痫患者EEG脑电信号；
2)利用深度卷积神经网络模型对采集到的EEG脑电信号进行判断，评估当前发病风险；
3)根据风险程度发出预警，提醒患者及时做出应对。
CN202010481474.8A 2020-05-31 2020-05-31 基于便携式脑电采集设备的癫痫发作预警系统及应用 Active CN111616682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010481474.8A CN111616682B (zh) 2020-05-31 2020-05-31 基于便携式脑电采集设备的癫痫发作预警系统及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010481474.8A CN111616682B (zh) 2020-05-31 2020-05-31 基于便携式脑电采集设备的癫痫发作预警系统及应用

Publications (2)

Publication Number Publication Date
CN111616682A true CN111616682A (zh) 2020-09-04
CN111616682B CN111616682B (zh) 2022-05-27

Family

ID=72267298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010481474.8A Active CN111616682B (zh) 2020-05-31 2020-05-31 基于便携式脑电采集设备的癫痫发作预警系统及应用

Country Status (1)

Country Link
CN (1) CN111616682B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112494053A (zh) * 2020-12-23 2021-03-16 深圳市德力凯医疗设备股份有限公司 大脑的缺氧危险程度监控方法、系统、设备及存储介质
CN112597835A (zh) * 2020-12-11 2021-04-02 国汽(北京)智能网联汽车研究院有限公司 驾驶行为的评估方法、装置、电子设备及可读存储介质
CN113288173A (zh) * 2021-05-29 2021-08-24 江苏理工学院 一种基于脑电信号的癫痫病检测装置
CN113729709A (zh) * 2021-09-23 2021-12-03 中国科学技术大学先进技术研究院 神经反馈设备、神经反馈方法及计算机可读存储介质
CN114504730A (zh) * 2022-01-30 2022-05-17 天津大学 基于深度学习的便携式脑控手部电刺激康复系统
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
TWI783343B (zh) * 2021-01-06 2022-11-11 長庚醫療財團法人林口長庚紀念醫院 一種辨識新生兒癲癇發作之通道資訊處理系統
CN116522210A (zh) * 2023-07-03 2023-08-01 中国医学科学院生物医学工程研究所 基于脑网络差异性分析的运动想象脑电信号分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150164431A1 (en) * 2012-06-06 2015-06-18 John Robert Terry Assessing susceptibility to epilepsy and epileptic seizures
CN106503799A (zh) * 2016-10-11 2017-03-15 天津大学 基于多尺度网络的深度学习模型及在脑状态监测中的应用
CN108446020A (zh) * 2018-02-28 2018-08-24 天津大学 融合可视图与深度学习的运动想象意念控制方法及应用
CN108433722A (zh) * 2018-02-28 2018-08-24 天津大学 便携式脑电采集设备及其在ssvep和运动想象中的应用
CN110826788A (zh) * 2019-10-30 2020-02-21 南京智慧航空研究院有限公司 基于大数据深度学习的机场场面可变滑出时间预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150164431A1 (en) * 2012-06-06 2015-06-18 John Robert Terry Assessing susceptibility to epilepsy and epileptic seizures
CN106503799A (zh) * 2016-10-11 2017-03-15 天津大学 基于多尺度网络的深度学习模型及在脑状态监测中的应用
CN108446020A (zh) * 2018-02-28 2018-08-24 天津大学 融合可视图与深度学习的运动想象意念控制方法及应用
CN108433722A (zh) * 2018-02-28 2018-08-24 天津大学 便携式脑电采集设备及其在ssvep和运动想象中的应用
CN110826788A (zh) * 2019-10-30 2020-02-21 南京智慧航空研究院有限公司 基于大数据深度学习的机场场面可变滑出时间预测方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597835A (zh) * 2020-12-11 2021-04-02 国汽(北京)智能网联汽车研究院有限公司 驾驶行为的评估方法、装置、电子设备及可读存储介质
CN112494053A (zh) * 2020-12-23 2021-03-16 深圳市德力凯医疗设备股份有限公司 大脑的缺氧危险程度监控方法、系统、设备及存储介质
CN112494053B (zh) * 2020-12-23 2023-10-03 深圳市德力凯医疗设备股份有限公司 大脑的缺氧危险程度监控方法、系统、设备及存储介质
TWI783343B (zh) * 2021-01-06 2022-11-11 長庚醫療財團法人林口長庚紀念醫院 一種辨識新生兒癲癇發作之通道資訊處理系統
CN113288173A (zh) * 2021-05-29 2021-08-24 江苏理工学院 一种基于脑电信号的癫痫病检测装置
CN113729709A (zh) * 2021-09-23 2021-12-03 中国科学技术大学先进技术研究院 神经反馈设备、神经反馈方法及计算机可读存储介质
CN113729709B (zh) * 2021-09-23 2023-08-11 中科效隆(深圳)科技有限公司 神经反馈设备、神经反馈方法及计算机可读存储介质
CN114504730A (zh) * 2022-01-30 2022-05-17 天津大学 基于深度学习的便携式脑控手部电刺激康复系统
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
CN116522210A (zh) * 2023-07-03 2023-08-01 中国医学科学院生物医学工程研究所 基于脑网络差异性分析的运动想象脑电信号分类方法
CN116522210B (zh) * 2023-07-03 2023-09-01 中国医学科学院生物医学工程研究所 基于脑网络差异性分析的运动想象脑电信号分类方法

Also Published As

Publication number Publication date
CN111616682B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN111616682B (zh) 基于便携式脑电采集设备的癫痫发作预警系统及应用
CN111616721B (zh) 基于深度学习和脑机接口的情绪识别系统及应用
CN111513735B (zh) 基于脑机接口和深度学习的重度抑郁症辨识系统及应用
Panda et al. Classification of EEG signal using wavelet transform and support vector machine for epileptic seizure diction
CN100594858C (zh) 一种脑电肌电联合控制的电动假手的控制方法
CN111616681B (zh) 基于便携式脑电采集设备和深度学习的麻醉状态监测系统
CN113951900B (zh) 一种基于多模态信号的运动想象意图识别方法
Wagh et al. Performance evaluation of multi-channel electroencephalogram signal (EEG) based time frequency analysis for human emotion recognition
CN111544256A (zh) 基于图卷积和迁移学习的脑控智能全肢体康复方法
Wang et al. Classification of EEG signal using convolutional neural networks
CN111513991B (zh) 基于人工智能技术的主动式手部全指康复设备
CN113010013A (zh) 一种基于Wasserstein距离的运动想象脑电迁移学习方法
Ganguly et al. EEG based mental arithmetic task classification using a stacked long short term memory network for brain-computer interfacing
CN111493836A (zh) 基于脑机接口和深度学习的术后急性疼痛预测系统及应用
CN114504330A (zh) 一种基于便携式脑电采集头环的疲劳状态监测系统
CN113076878B (zh) 基于注意力机制卷积网络结构的体质辨识方法
CN115414050A (zh) 一种实现情绪识别的eeg脑网络最大团检测方法及系统
CN113729723B (zh) 一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置
CN114504730A (zh) 基于深度学习的便携式脑控手部电刺激康复系统
CN116421200A (zh) 一种基于并行训练的多任务混合模型的脑电情感分析方法
Bhalerao et al. Automatic detection of motor imagery EEG signals using swarm decomposition for robust BCI systems
Mitra et al. Analyzing Clinical 12-Lead ECG Images Using Deep Learning Algorithms for Objective Detection of Cardiac Diseases
CN113070875A (zh) 一种基于脑波识别的机械手控制方法及装置
CN111783669A (zh) 一种面向个人用户的表面肌电信号分类识别方法
CN112545535B (zh) 一种基于振幅整合脑电图的睡眠觉醒周期的分析方法

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
GR01 Patent grant
GR01 Patent grant