CN111772585A - 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 - Google Patents
间期颅内脑电信号中癫痫异常群体活动的数据提取方法 Download PDFInfo
- Publication number
- CN111772585A CN111772585A CN202010667997.1A CN202010667997A CN111772585A CN 111772585 A CN111772585 A CN 111772585A CN 202010667997 A CN202010667997 A CN 202010667997A CN 111772585 A CN111772585 A CN 111772585A
- Authority
- CN
- China
- Prior art keywords
- epileptic
- intracranial
- envelope
- time
- time window
- 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
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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Abstract
本发明公开了一种间期颅内脑电信号中癫痫异常群体活动的数据提取方法。本发明通过间期癫痫样放电时间的自动检测算法,得到癫痫样放电事件沿通道的分布,以及癫痫样放电时刻在短时时间窗的分布,并以此来挑选可疑通道和异常时间窗,得到癫痫样放电事件的初筛信号;初筛信号能够提升电生理人员对颅内脑电信号分析和判读的效率和质量;通过非负矩阵分解算法自动提取癫痫样放电事件的群体活动模式,并把癫痫样放电事件的初筛信号分类到不同的群体活动模式中,辅助电生理人员观察多通道的群体放电活动模式,减少数据量,提升间期颅内脑电信号的利用率。
Description
技术领域
本发明涉及脑电数据处理技术,具体涉及一种发作间期颅内脑电信号中癫痫异常群体活动的数据提取方法。
背景技术
根据世界卫生组织调查,全世界约有5000万癫痫患者,使得癫痫成为一种常见的神经系统疾病。立体定向脑电图(stereoelectrodeencephalography,SEEG)技术是一种深部电极记录到的颅内脑电图,强调癫痫网络概念,产生于20世纪50年代末至60年代,由法国巴黎安妮医院Talairach和Bancaud教授创立,近十年来SEEG发展迅速,我国也从2012年以来逐步开展SEEG技术。临床上,首先基于对发作症状学、头皮EEG、神经影像学等一系列无创性检查等综合分析,在解剖-功能和发作期电-临床的时空演变基础上对癫痫网络作出假设,包括发作起源和扩散,然后依据假设制定SEEG置入方案。在SEEG基础上勾画的癫痫网络概念加深了人们对癫痫发作的解剖-电-临床关系的认识,也改变了癫痫外科的方法和手术预后。
随着癫痫外科定位技术对需要以及EEG仪器性能的提高,高通道数(128或256通道甚至更多)、高采样率(1000-2000Hz或更高)的颅内脑电图已广泛应用于临床术前评估,其长程记录必将产生海量数据。在近几年颅内脑电图的临床应用中,颅内的电极数量增多,所覆盖涉及的脑区也逐渐增多,每一个电极又包括多个电极触点即通道,电极触点数常常高达100~200个,记录时间长达数日至数周。
颅内脑电图记录到的发作间期的癫痫样放电,包括棘波、多棘波、棘慢复合波、多棘慢复合波和高频震荡(HFO)。在颅内脑电图的分析和判读过程中,电生理人员主要进行目测分析,先初步判断间期和发作期的主要部位,然后根据情况隐藏无关部位,放大重点的局部导联,仔细分析频率、电压及波形的时空演变关系。除此之外,根据需要随时调整带宽、灵敏度、屏显时间等参数。
存在缺陷:
1)长时程、高通道的颅内脑电图的目测分析给电生理人员提出了很大的挑战。判读过程是复杂且任务量重,需要高度的注意力才能不遗漏极低波幅和极高频率的局部电活动变化。因此通过计算机辅助的癫痫样放电波形的自动检测和初筛会大大提高颅内脑电图判读的效率和质量。
2)由于颅内电极的通道数目很多,常常高达100~200个,这对观察癫痫样放电波形在多通道间的同步性是困难的,也导致电生理人员能从间期数据中得到的诊断信息很有限。因此需要计算机辅助提取癫痫异常群体活动,从而帮助提高间期颅内脑电信号的利用率。
已有发明专利“基于频带信息和支持向量机的颅内脑电信号特征识别装置”(CN107569228B)提供了一种癫痫颅内脑电特征波的识别方法,但该方法只针对棘波,还没有提供其他类别的癫痫样放电的波形的自动识别方案。
另外,在发明专利“用于根据头皮脑电图识别病理性脑活动的方法”(CN111093471A)中,涉及到用计算机来自动检测多通道的病理性脑活动模式的方法,但只是用于头皮脑电图的分析。
发明内容
针对目前立体定向脑电图(SEEG)判读过程的耗时费力,以及多通道的癫痫异常群体活动的观察困难,本发明提出了一种间期颅内脑电信号中癫痫异常群体活动的数据提取方法,通过检测算法自动识别和筛选颅内脑电信号中的癫痫样放电事件,并且通过非负矩阵分解算法(non-negative matrix factorization,NMF)自动提取多通道的癫痫样放电事件的群体活动模式,减少数据量同时保留信号特征。
本发明的间期颅内脑电信号中癫痫异常群体活动的数据提取方法,包括以下步骤:
1)对颅内脑电信号进行预处理,得到预处理后的颅内脑电信号;
2)癫痫样放电事件的识别:
i.带通滤波
对预处理后的颅内脑电信号进行带通滤波,得到带通滤波后的颅内脑电信号;
ii.包络提取
对带通滤波后的颅内脑电信号进行希尔伯特变换(Hilbert Transform)提取带通包络:
iii.癫痫样放电事件的检测
设定单通道阈值median1和全局阈值median2,并得到包络阈值ThresholdIED:
ThresholdIED=max(median1,median2)
设定发作间期的癫痫样放电事件的检测标准为:a)带通包络值超过包络阈值
ThresholdIED;b)超过包络阈值的时间即放电的时间不小于放电时间阈值tIED;c)如果两个放电的间隔时间小于间隔阈值tgap,则合并为一个癫痫样放电事件;从而从每个通道的带通包络中提取出癫痫样放电事件;
3)癫痫样放电事件的初筛信号的获取:
i.可疑通道的选取
分别统计每个通道中的癫痫样放电事件的数目,对各个通道的癫痫样放电事件的数目进行排序,选择排序靠前的部分通道,定义为可疑通道;
ii.异常时间窗的选取
a)将各可疑通道的带通包络切分成时间为tbin的相同的短时时间窗;b)每个短时时间窗的带通包络中超过包络阈值ThresholdIED的时刻标记为1,否则为0;c)分别对每个短时时间窗中带通包络超过包络阈值ThresholdIED的时刻数目进行求和,得到Ni,Ni表示第i个短时时间窗中带通包络超过包络阈值ThresholdIED的时刻数目,i=1,…,I,,I为对应的可疑通道中的短时时间窗的总数;d)对各个短时时间窗中带通包络超过包络阈值ThresholdIED的时刻数目Ni进行排序,选择Ni排序靠前的部分短时时间窗,定义为异常时间窗;
iii.线长的计算
通过可疑通道和异常时间窗,对预处理后的颅内脑电信号进行数据筛选,得到癫痫样放电事件的初筛信号,并计算初筛信号的线长Ll:
其中,x(k)表示癫痫样放电事件的初筛信号,k表示时间采样点,Nll为在线长计算中用到的窗口宽度,取值为0.5~1ms,abs()为计算绝对值函数;
iv.癫痫样放电事件时延的二值化处理
得到癫痫样放电事件的初筛信号之后,为了表示每个通道的癫痫样放电事件的时延,并生成满足非负矩阵分解算法要求的数据矩阵,用线长最大值的时刻来表示每个可疑通道的癫痫样放电事件在该时间窗的放电时延;并且,线长最大值的时刻标记为1,其他时刻为0,从而把初筛信号处理成一个Melecs×Tbin的二值化矩阵,其中Melecs表示可疑通道的数目,Tbin表示癫痫放电事件的初筛信号的时间总采样点,等于异常时间窗的数目与短时时间窗的长度tbin的乘积;
4)癫痫样放电事件的群体活动模式的自动提取:
i.第一次非负矩阵分解:
设定第一次非负矩阵分解的核函数的数目为K1,把步骤3)得到的二值化矩阵作为非负矩阵分解的输入数据,设定非负矩阵分解的迭代次数为Nnmf,核函数的时延为τ,对二值化矩阵进行第一次非负矩阵分解,从而得到K1个代表癫痫样放电群体活动模式的核函数Kernel′j,以及对应的匹配指数MI′j,j=1,…,K1;
ii.对K1个核函数计算方差,挑选出方差最大的那个核函数,并去掉方差最大的核函数及其对应的匹配指数;
iii.计算(K1-1)个核函数与其对应的(K1-1)个匹配指数的卷积,得到重构矩阵;
iv.对重构矩阵进行第二次非负矩阵分解,设置第二次非负矩阵分解的核函数的数目为K2,核函数的时延和迭代次数的设置与第一次非负矩阵分解时相同,分别为τ和Nnmf,迭代结束之后,得到K2个核函数Kernels以及对应的匹配指数MIs,s=1,…,K2;并且,在非负矩阵分解之后可疑通道被分配到对应的核函数,成为不同核函数的参与通道,以及每个异常时间窗对应得到K2个匹配指数值,分别代表与K2个核函数的匹配度;
5)癫痫样放电事件的再提取和分类:
i.核函数的集合分类
癫痫样放电事件有两种群体活动模式,非负矩阵分解得到的K2个核函数Kernels对应这两种群体活动模式,一种核函数直观上表现为“斜线”,代表着癫痫样放电事件有时延,称之为刻板时序,一种核函数直观上表现为“直线”,代表着癫痫样放电事件之间没有时延,称之为超同步化;把表现为“斜线”的核函数分配到刻板时序集合,把表现为“直线”的核函数分配到超同步化集合;
ii.参与通道的再分类
对参与通道进行再分类,如果核函数被分配到刻板时序集合,则对应的参与通道也被分配到刻板时序集合;反之,属于超同步化集合的核函数的参与通道也对应的被分配到超同步化集合;
iii.异常时间窗的再分类
先把每个异常时间窗分配到匹配指数值最高的那个核函数,进一步,根据核函数所属的集合,每个异常时间窗也被分配到对应的集合;
癫痫样放电事件的初筛信号被分类到两个集合:刻板时序集合和超同步化集合;一个集合的癫痫样放电事件表现为刻板时序模式,一个集合的癫痫样放电事件表现为超同步化模式,从而实现利用癫痫样放电事件的群体活动模式对间期颅内脑电信号进行进一步的提取和分类。
电生理人员可以根据不同的群体活动模式来观察癫痫样放电事件的波形,提高颅内脑电的判读分析效率。
其中,在步骤1)中,对颅内脑电信号进行预处理,包括以下步骤:
i.提取发作间期的颅内脑电信号;
ii.颅内脑电信号减去全局的均值,作为共参考后的颅内脑电信号;
iii.采用陷波滤波器去除共参考后的颅内脑电信号中的工频噪声,得到去工频后的颅内脑电信号;
iv.设计高通滤波器解决去工频后的颅内脑电信号中的基线漂移现象,得到预处理后的颅内脑电信号。
其中,在步骤2)的iii中,设定每个通道的带通包络的2~4倍中值为单通道阈值median1;设定所有通道的带通包络的2~4倍中值为全局阈值median2。放电时间阈值40ms≤t1≤60ms,间隔阈值15ms≤t2≤30ms。
其中,在步骤3)的i中,挑选排名前20~40%通道,定义为可疑通道。
在步骤3)的ii中,短时时间窗的长度在300ms≤tbin≤800ms;排名前40~60%的短时时间窗,定义为异常时间窗。
在步骤4)中,K1的范围在4~6之间,K2的范围在2~3之间,迭代次数Nnmf在30~60之间,时延τ为20~30ms。按照颅内脑电信号的具体情况,选择合适的K1和K2值,从而得到清晰的核函数。
本发明的优点:
本发明通过间期癫痫样放电的自动检测算法,得到癫痫样放电事件沿通道的分布,以及癫痫样放电时刻在短时时间窗的分布,并以此来挑选可疑通道和异常时间窗,得到癫痫样放电事件的初筛信号;初筛信号能够提升电生理人员对颅内脑电信号分析和判读的效率和质量;通过非负矩阵分解算法自动提取癫痫样放电事件的群体活动模式,并把癫痫样放电事件的初筛信号分类到不同的群体活动模式中,辅助电生理人员观察多通道的群体放电活动模式,减少数据量,提升间期颅内脑电信号的利用率。
附图说明
图1为本发明的间期颅内脑电信号中癫痫异常群体活动的数据提取方法的流程图;
图2为根据本发明的间期颅内脑电信号中癫痫异常群体活动的数据提取方法的一个实施例得到的可疑通道和异常时间窗的示意图;
图3为根据本发明的间期颅内脑电信号中癫痫异常群体活动的数据提取方法的一个实施例得到的癫痫样放电事件的初筛信号的原始波形图;
图4为根据本发明的间期颅内脑电信号中癫痫异常群体活动的数据提取方法的一个实施例得到的核函数Kerneli和匹配指数MIi示意图;
图5为根据本发明的间期颅内脑电信号中癫痫异常群体活动的数据提取方法的一个实施例得到的刻板时序和超同步化确定的电极通道集合的示意图;
图6为根据本发明的间期颅内脑电信号中癫痫异常群体活动的数据提取方法的一个实施例得到的刻板时序和超同步化确定的异常时间窗集合的示意图。
具体实施方式
下面结合附图,通过具体实施例,进一步阐述本发明。
如图1所示,本实施例的间期颅内脑电信号中癫痫异常群体活动的数据提取方法,包括以下步骤:
1)对颅内脑电信号进行预处理:
i.提取发作间期一个小时以上的颅内脑电信号;
ii.颅内脑电信号减去全局的均值,作为共参考后的颅内脑电信号;
iii.采用50Hz陷波滤波器去除共参考后的颅内脑电信号中的工频噪声,得到去工频后的颅内脑电信号;
iv.采用0.1Hz的高通滤波器解决去工频后的颅内脑电信号中的基线漂移现象,得到预处理后的颅内脑电信号。
2)癫痫样放电事件的识别:
发作间期癫痫样放电(Interictal Epileptiform Discharge)的形式多样,包括棘波,高频振荡,尖波等,通过检测算法,把间期的颅内脑电信号中的癫痫样放电事件自动识别出来:
i.带通滤波
发作间期癫痫样放电事件的频率范围主要在80~250Hz,也有一些快波(如fastripple)的频率范围超过250Hz,但大于250Hz的放电出现频率较小,因此对预处理后的颅内脑电信号进行80~250Hz带通滤波,得到带通滤波后的颅内脑电信号;
ii.包络提取
对带通滤波后的颅内脑电信号进行希尔伯特变换(Hilbert Transform)提取带通包络:
iii.癫痫样放电事件的自动检测
设定每个通道的带通包络的三倍中值为单通道阈值median1和所有通道带通包络的三倍中值为全局阈值median2,并得到包络阈值ThresholdIED:
ThresholdIED=max(median1,median2)
设定发作间期的癫痫样放电事件的检测标准为:a)带通包络值超过阈值ThresholdIED;b)超过阈值的时间即放电的时间不小于放电时间阈值tIED为50毫秒;c)如果两个放电的间隔时间小于间隔阈值tgap为20毫秒,则合并为一个癫痫样放电事件;
从而从每个通道的带通包络中提取出癫痫样放电事件。
3)癫痫样放电事件的初筛信号的获取:
i.可疑通道的选取
分别统计每个通道中的癫痫样放电事件的数目,对各个通道的癫痫样放电事件的数目进行排序,挑选排序前30%的通道,定义为可疑通道;
ii.异常时间窗的选取
a)将各可疑通道的带通包络切分成时间为750毫秒的短时时间窗,各可疑通道的短时时间窗对齐,即同一个短时时间窗贯穿所有可疑通道;b)每个短时时间窗的带通包络中超过包络阈值ThresholdIED的时刻标记为1,否则为0;c)分别对每个短时时间窗求和,得到Ni,Ni表示第i个短时时间窗中带通包络超过包络阈值ThresholdIED的时刻数目;d)对各个短时时间窗中带通包络超过包络阈值ThresholdIED的时刻数目Ni排序,挑选Ni排序前50%的短时时间窗,定义为异常时间窗,如图2所示;
iii.线长的计算
通过可疑通道和异常时间窗,对预处理后的颅内脑电信号进行数据筛选,即只保留可疑通道和异常时间窗对应的颅内脑电信号,得到癫痫样放电事件的初筛信号,如图3所以,为了提高癫痫样放电与背景波形的信噪比,计算初筛信号的线长Ll(Line LengthTransform):
其中,x(k)表示癫痫样放电事件的初筛信号,k表示时间采样点,Nll为在线长计算中用到的窗口宽度,这里为0.5ms的窗口宽度;
iv.癫痫样放电事件时延的二值化处理
得到癫痫样放电事件的初筛信号之后,为了表示每个通道的癫痫样放电事件的时延,并生成满足非负矩阵分解算法要求的数据矩阵,我们用线长最大值的位置来表示每个可疑通道的癫痫样放电事件在该时间窗的放电时延。最大值的时刻标记为1,其他时刻为0,从而把初筛信号处理成一个Melecs×Tbin的二值化矩阵,其中M表示可疑通道的数目,Tbin表示癫痫放电事件初筛信号的时间总采样点,等于异常时间窗数目与短时时间窗长度tbin的乘积。
4)癫痫样放电事件的群体活动模式的自动提取:
i.第一次非负矩阵分解:
设定第一次非负矩阵分解的核函数的数目K1为4,把步骤3)得到的二值化矩阵作为非负矩阵分解的输入数据,设定非负矩阵分解的迭代次数Nnmf为50,核函数的时延τ为20,对二值化矩阵进行第一次非负矩阵分解,从而得到4个代表癫痫样放电群体活动模式的核函数Kernel′j,以及对应的匹配指数MI′j,,j=1,...,4;
ii.对4个核函数计算方差,挑选出方差最大的那个核函数,方差越大意味着核函数内部群体活动的规律性越差,去掉方差最大的核函数以及对应的匹配指数;
iii.计算剩余的3个核函数和对应的匹配指数的卷积,得到重构矩阵;
iv.对重构矩阵进行第二次非负矩阵分解,设置第二次非负矩阵分解的核函数数目K2为3,核函数的时延和迭代次数与第一次非负矩阵分解时相同。迭代结束之后,我们得到3个核函数Kernels以及对应的匹配指数MIs,s=1,2,3,如图4所示;并且,在非负矩阵分解之后可疑通道被分配到对应的核函数,成为不同核函数的参与通道,以及每个异常时间窗对应得到K2个匹配指数值,分别代表与K2个核函数的匹配度。
v.根据核函数Kerneli得到癫痫样放电事件的群体活动模式以及参与的通道,通过匹配指数MIi分析预处理后的颅内脑电信号,从而观察癫痫样放电事件的波形特征。
5)癫痫样放电事件的再提取和分类:
如图5所示,利用癫痫样放电事件的群体活动模式对间期颅内脑电信号进行进一步的提取和分类。
在图5中,A~N分别代表电极,每一个电极下设置多个通道。非负矩阵分解得到3个核函数,核函数有两种类型,一种核函数直观上表现为“斜线”,代表着癫痫样放电事件之间有时延,称之为刻板时序,一种核函数直观上表现为“直线”,代表着癫痫样放电事件之间没有时延,称之为超同步化。我们把表现为“斜线”的核函数分配到刻板时序集合,把表现为“直线”的核函数分配到超同步化集合。于是Kernel1被分配到刻板时序集合,Kernel2和Kernel3被分配到超同步化集合。
对参与通道进行再分类。如果核函数被分配到刻板时序集合,则对应的参与通道也被分配到刻板时序集合。反之,属于超同步化集合的核函数对应的参与通道也被分配到超同步化集合。
先把每个异常时间窗分配到匹配指数值最高的那个核函数。进一步,根据核函数所属的集合,每个异常时间窗也被分配到对应的集合。
于是癫痫样放电事件的初筛信号被分类到两个集合:刻板时序集合和超同步化集合。一个集合的癫痫样放电事件表现为刻板时序模式,一个集合的癫痫样放电事件表现为超同步化模式。
从而确定癫痫样放电事件发生在哪些通道以及哪些时间窗,作为数据,提供给电生理人员进行目测分析。电生理人员可以根据不同的群体活动模式来观察癫痫样放电事件的波形,极大地减少数据量,提高颅内脑电的判读分析效率。
最后需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (7)
1.一种间期颅内脑电信号中癫痫异常群体活动的数据提取方法,其特征在于,所述数据提取方法包括以下步骤:
1)对颅内脑电信号进行预处理,得到预处理后的颅内脑电信号;
2)癫痫样放电事件的识别:
i.带通滤波
对预处理后的颅内脑电信号进行带通滤波,得到带通滤波后的颅内脑电信号;
ii.包络提取
对带通滤波后的颅内脑电信号进行希尔伯特变换(Hilbert Transform)提取带通包络:
iii.癫痫样放电事件的检测
设定单通道阈值median1和全局阈值median2,并得到包络阈值ThresholdIED:
ThresholdIED=max(median1,median2)
设定发作间期的癫痫样放电事件的检测标准为:a)带通包络值超过包络阈值ThresholdIED;b)超过包络阈值的时间即放电的时间不小于放电时间阈值tIED;c)如果两个放电的间隔时间小于间隔阈值tgap,则合并为一个癫痫样放电事件;从而从每个通道的带通包络中提取出癫痫样放电事件;
3)癫痫样放电事件的初筛信号的获取:
i.可疑通道的选取
分别统计每个通道中的癫痫样放电事件的数目,对各个通道的癫痫样放电事件的数目进行排序,选择排序靠前的部分通道,定义为可疑通道;
ii.异常时间窗的选取
a)将各可疑通道的带通包络切分成时间为tbin的相同的短时时间窗;b)每个短时时间窗的带通包络中超过包络阈值ThresholdIED的时刻标记为1,否则为0;c)分别对每个短时时间窗中带通包络超过包络阈值ThresholdIED的时刻数目进行求和,得到Ni,Ni表示第i个短时时间窗中带通包络超过包络阈值ThresholdIED的时刻数目,i=1,...,I,,I为对应的可疑通道中的短时时间窗的总数;d)对各个短时时间窗中带通包络超过包络阈值ThresholdIED的时刻数目Ni进行排序,选择Ni排序靠前的部分短时时间窗,定义为异常时间窗;
iii.线长的计算
通过可疑通道和异常时间窗,对预处理后的颅内脑电信号进行数据筛选,得到癫痫样放电事件的初筛信号,并计算初筛信号的线长Ll:
其中,x(k)表示癫痫样放电事件的初筛信号,k表示时间采样点,Nll为在线长计算中用到的窗口宽度,abs()为计算绝对值函数;
iv.癫痫样放电事件时延的二值化处理
得到癫痫样放电事件的初筛信号之后,为了表示每个通道的癫痫样放电事件的时延,并生成满足非负矩阵分解算法要求的数据矩阵,用线长最大值的时刻来表示每个可疑通道的癫痫样放电事件在该时间窗的放电时延;并且,线长最大值的时刻标记为1,其他时刻为0,从而把初筛信号处理成一个Melecs×Tbin的二值化矩阵,其中Melecs表示可疑通道的数目,Tbin表示癫痫放电事件的初筛信号的时间总采样点,等于异常时间窗的数目与短时时间窗的长度tbin的乘积;
4)癫痫样放电事件的群体活动模式的自动提取:
i.第一次非负矩阵分解:
设定第一次非负矩阵分解的核函数的数目为K1,把步骤3)得到的二值化矩阵作为非负矩阵分解的输入数据,设定非负矩阵分解的迭代次数为Nnmf,核函数的时延为τ,对二值化矩阵进行第一次非负矩阵分解,从而得到K1个代表癫痫样放电群体活动模式的核函数Kernel′j,以及对应的匹配指数MI′j,j=1,...,K1;
ii.对K1个核函数计算方差,挑选出方差最大的那个核函数,并去掉方差最大的核函数及其对应的匹配指数;
iii.计算(K1-1)个核函数与其对应的(K1-1)个匹配指数的卷积,得到重构矩阵;
iv.对重构矩阵进行第二次非负矩阵分解,设置第二次非负矩阵分解的核函数的数目为K2,核函数的时延和迭代次数的设置与第一次非负矩阵分解时相同,分别为τ和Nnmf,迭代结束之后,得到K2个核函数Kernels以及对应的匹配指数MIs,s=1,...,K2;并且,在非负矩阵分解之后可疑通道被分配到对应的核函数,成为不同核函数的参与通道,以及每个异常时间窗对应得到K2个匹配指数值,分别代表与K2个核函数的匹配度;
5)癫痫样放电事件的再提取和分类:
i.核函数的集合分类
癫痫样放电事件有两种群体活动模式,非负矩阵分解得到的K2个核函数Kernels对应这两种群体活动模式,一种核函数直观上表现为“斜线”,代表着癫痫样放电事件有时延,称之为刻板时序,一种核函数直观上表现为“直线”,代表着癫痫样放电事件之间没有时延,称之为超同步化;把表现为“斜线”的核函数分配到刻板时序集合,把表现为“直线”的核函数分配到超同步化集合;
ii.参与通道的再分类
对参与通道进行再分类,如果核函数被分配到刻板时序集合,则对应的参与通道也被分配到刻板时序集合;反之,属于超同步化集合的核函数的参与通道也对应的被分配到超同步化集合;
iii.异常时间窗的再分类
先把每个异常时间窗分配到匹配指数值最高的那个核函数,进一步,根据核函数所属的集合,每个异常时间窗也被分配到对应的集合;
癫痫样放电事件的初筛信号被分类到两个集合:刻板时序集合和超同步化集合;一个集合的癫痫样放电事件表现为刻板时序模式,一个集合的癫痫样放电事件表现为超同步化模式,从而实现利用癫痫样放电事件的群体活动模式对间期颅内脑电信号进行进一步的提取和分类。
2.如权利要求1所述的数据提取方法,其特征在于,在步骤1)中,对颅内脑电信号进行预处理,包括以下步骤:
i.提取发作间期的颅内脑电信号;
ii.颅内脑电信号减去全局的均值,作为共参考后的颅内脑电信号;
iii.采用陷波滤波器去除共参考后的颅内脑电信号中的工频噪声,得到去工频的颅内脑电信号;
iv.设计高通滤波器解决去工频的颅内脑电信号中的基线漂移现象,得到预处理后的颅内脑电信号。
3.如权利要求1所述的数据提取方法,其特征在于,在步骤2)的iii中,设定每个通道的带通包络的2~4倍中值为单通道阈值median1;设定所有通道的带通包络的2~4倍中值为全局阈值median2。
4.如权利要求1所述的数据提取方法,其特征在于,在步骤2)的iii中,放电时间阈值40ms≤t1≤60ms,间隔阈值15ms≤t2≤30ms。
5.如权利要求1所述的数据提取方法,其特征在于,在步骤3)的i中,挑选排序前20~40%通道,定义为可疑通道。
6.如权利要求1所述的数据提取方法,其特征在于,在步骤3)的ii中,短时时间窗的长度在300ms≤tbin≤800ms;排序前40~60%的短时时间窗,定义为异常时间窗。
7.如权利要求1所述的数据提取方法,其特征在于,在步骤4)中,K1的范围在4~6之间,K2的范围在2~3之间,迭代次数Nnmf在30~60之间,时延τ为20~30ms。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010667997.1A CN111772585B (zh) | 2020-07-13 | 2020-07-13 | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010667997.1A CN111772585B (zh) | 2020-07-13 | 2020-07-13 | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111772585A true CN111772585A (zh) | 2020-10-16 |
CN111772585B CN111772585B (zh) | 2021-06-04 |
Family
ID=72768844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010667997.1A Active CN111772585B (zh) | 2020-07-13 | 2020-07-13 | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111772585B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112972892A (zh) * | 2021-02-05 | 2021-06-18 | 杭州诺为医疗技术有限公司 | 植入式闭环系统基于线长算法自动检测癫痫的方法和装置 |
CN113017649A (zh) * | 2021-02-25 | 2021-06-25 | 北京智源人工智能研究院 | 脑电活动识别方法、装置、电子设备及介质 |
CN113420672A (zh) * | 2021-06-24 | 2021-09-21 | 清华大学 | 一种基于gpu对脑电信号处理过程进行并行加速的方法 |
CN113647962A (zh) * | 2021-08-20 | 2021-11-16 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN113662560A (zh) * | 2020-12-22 | 2021-11-19 | 北京航空航天大学 | 发作间期痫样放电的检测方法、存储介质和设备 |
CN113712571A (zh) * | 2021-06-18 | 2021-11-30 | 陕西师范大学 | 一种基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法 |
CN115081486A (zh) * | 2022-07-05 | 2022-09-20 | 华南师范大学 | 一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法 |
CN116584900A (zh) * | 2023-07-17 | 2023-08-15 | 博睿康医疗科技(上海)有限公司 | 信号稳定状态的检测方法、检测模型、癫痫检测装置 |
CN116999075A (zh) * | 2023-08-07 | 2023-11-07 | 华南师范大学 | 一种基于颅内电刺激定位致痫灶的建模方法及系统 |
CN117033988A (zh) * | 2023-09-27 | 2023-11-10 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002675A (zh) * | 2006-12-21 | 2007-07-25 | 复旦大学 | 一种基于二阶c0复杂度的癫痫发作预测方法 |
CN101259016A (zh) * | 2007-03-06 | 2008-09-10 | 李小俚 | 实时自动检测癫痫特征波的方法 |
CN107569228A (zh) * | 2017-08-22 | 2018-01-12 | 北京航空航天大学 | 基于频带信息和支持向量机的颅内脑电信号特征波识别装置 |
WO2018015778A1 (en) * | 2016-07-18 | 2018-01-25 | Universite d'Aix-Marseille (AMU) | A method of modulating epileptogenicity in a patient's brain |
WO2018089806A1 (en) * | 2016-11-11 | 2018-05-17 | The Johns Hopkins University | Identifying the epileptogenic zone from nonseizure recordings using network fragility theory |
CN108320800A (zh) * | 2018-04-16 | 2018-07-24 | 吉林大学 | 癫痫病发作检测和发作前预测的脑电数据分析系统 |
CN108577834A (zh) * | 2018-05-17 | 2018-09-28 | 西安交通大学 | 一种用于癫痫间期棘波自动检测的方法 |
WO2019018879A1 (en) * | 2017-07-25 | 2019-01-31 | Seer Medical Pty Ltd | METHODS AND SYSTEMS FOR PREDICTING EPILEPSY CRISIS |
CN109558863A (zh) * | 2019-01-07 | 2019-04-02 | 哈尔滨工业大学(深圳) | 脑电信号特征表示与提取方法、装置及存储介质 |
CN110477910A (zh) * | 2019-08-14 | 2019-11-22 | 深圳先进技术研究院 | 癫痫发作预测装置、终端设备以及计算机可读存储介质 |
CN111000555A (zh) * | 2019-11-29 | 2020-04-14 | 中山大学 | 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法 |
CN111214226A (zh) * | 2020-01-21 | 2020-06-02 | 苏州小蓝医疗科技有限公司 | 一种脑电特征提取和选择方法 |
CN111557662A (zh) * | 2020-05-15 | 2020-08-21 | 闫宇翔 | 癫痫间期脑电信号的处理方法、装置、存储介质及设备 |
EP3422935B1 (fr) * | 2016-02-29 | 2020-10-28 | Universite d'Aix-Marseille (AMU) | Procede de detection d'elements d'interet dans des signaux electrophysiologiques et detecteur |
-
2020
- 2020-07-13 CN CN202010667997.1A patent/CN111772585B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002675A (zh) * | 2006-12-21 | 2007-07-25 | 复旦大学 | 一种基于二阶c0复杂度的癫痫发作预测方法 |
CN101259016A (zh) * | 2007-03-06 | 2008-09-10 | 李小俚 | 实时自动检测癫痫特征波的方法 |
EP3422935B1 (fr) * | 2016-02-29 | 2020-10-28 | Universite d'Aix-Marseille (AMU) | Procede de detection d'elements d'interet dans des signaux electrophysiologiques et detecteur |
WO2018015778A1 (en) * | 2016-07-18 | 2018-01-25 | Universite d'Aix-Marseille (AMU) | A method of modulating epileptogenicity in a patient's brain |
WO2018089806A1 (en) * | 2016-11-11 | 2018-05-17 | The Johns Hopkins University | Identifying the epileptogenic zone from nonseizure recordings using network fragility theory |
CN110945597A (zh) * | 2017-07-25 | 2020-03-31 | 赛尔医疗股份有限公司 | 用于预测癫痫发作的方法和系统 |
WO2019018879A1 (en) * | 2017-07-25 | 2019-01-31 | Seer Medical Pty Ltd | METHODS AND SYSTEMS FOR PREDICTING EPILEPSY CRISIS |
CN107569228A (zh) * | 2017-08-22 | 2018-01-12 | 北京航空航天大学 | 基于频带信息和支持向量机的颅内脑电信号特征波识别装置 |
CN108320800A (zh) * | 2018-04-16 | 2018-07-24 | 吉林大学 | 癫痫病发作检测和发作前预测的脑电数据分析系统 |
CN108577834A (zh) * | 2018-05-17 | 2018-09-28 | 西安交通大学 | 一种用于癫痫间期棘波自动检测的方法 |
CN109558863A (zh) * | 2019-01-07 | 2019-04-02 | 哈尔滨工业大学(深圳) | 脑电信号特征表示与提取方法、装置及存储介质 |
CN110477910A (zh) * | 2019-08-14 | 2019-11-22 | 深圳先进技术研究院 | 癫痫发作预测装置、终端设备以及计算机可读存储介质 |
CN111000555A (zh) * | 2019-11-29 | 2020-04-14 | 中山大学 | 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法 |
CN111214226A (zh) * | 2020-01-21 | 2020-06-02 | 苏州小蓝医疗科技有限公司 | 一种脑电特征提取和选择方法 |
CN111557662A (zh) * | 2020-05-15 | 2020-08-21 | 闫宇翔 | 癫痫间期脑电信号的处理方法、装置、存储介质及设备 |
Non-Patent Citations (8)
Title |
---|
BARTOLOMEI F: "癫痫网络的定义:立体脑电图和信号分析的贡献", 《癫痫杂志》 * |
MANMEET KAUR等: "Long-term seizure freedom following intracranial sEEG monitoring: Therapeutic benefit of a diagnostic technique", 《EPILEPSY & BEHAVIOR REPORTS》 * |
MATTHEW S. D. KERR 等: "Multivariate analysis of SEEG signals during seizure", 《2011 ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 * |
刘燕等: "基于LS-MEMD的sEEG高频振荡自动识别方法", 《中国体视学与图像分析》 * |
李若松等: "基于衰减皮尔森相关的癫痫脑网络动态分析方法", 《北京生物医学工程》 * |
洪波等: "Cross-modal Consistency of Epileptogenic Network in SEEG and Resting-state fMRI", 《2019 9TH INTERNATIONAL IEEE/EMBS CONFERENCE ON NEURAL ENGINEERING (NER)》 * |
王海洋等: "立体定向脑电图致痫指数分析在致痫区定位及致痫网络评价中的应用", 《中华神经科杂志》 * |
闫秀鹏等: "基于高频颅内脑电的致痫区定位和网络分析", 《北京生物医学工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022135449A1 (zh) * | 2020-12-22 | 2022-06-30 | 北京航空航天大学 | 癫痫患者发作间期痫样电活动检测装置和方法 |
CN113662560A (zh) * | 2020-12-22 | 2021-11-19 | 北京航空航天大学 | 发作间期痫样放电的检测方法、存储介质和设备 |
CN112972892A (zh) * | 2021-02-05 | 2021-06-18 | 杭州诺为医疗技术有限公司 | 植入式闭环系统基于线长算法自动检测癫痫的方法和装置 |
CN113017649A (zh) * | 2021-02-25 | 2021-06-25 | 北京智源人工智能研究院 | 脑电活动识别方法、装置、电子设备及介质 |
CN113712571A (zh) * | 2021-06-18 | 2021-11-30 | 陕西师范大学 | 一种基于Rényi相位传递熵和轻量级卷积神经网络的异常脑电信号检测方法 |
CN113420672B (zh) * | 2021-06-24 | 2023-03-14 | 清华大学 | 一种基于gpu对脑电信号处理过程进行并行加速的方法 |
CN113420672A (zh) * | 2021-06-24 | 2021-09-21 | 清华大学 | 一种基于gpu对脑电信号处理过程进行并行加速的方法 |
CN113647962A (zh) * | 2021-08-20 | 2021-11-16 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN113647962B (zh) * | 2021-08-20 | 2023-09-22 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN115081486A (zh) * | 2022-07-05 | 2022-09-20 | 华南师范大学 | 一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法 |
CN115081486B (zh) * | 2022-07-05 | 2023-07-04 | 华南师范大学 | 一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法 |
CN116584900A (zh) * | 2023-07-17 | 2023-08-15 | 博睿康医疗科技(上海)有限公司 | 信号稳定状态的检测方法、检测模型、癫痫检测装置 |
CN116584900B (zh) * | 2023-07-17 | 2023-10-31 | 博睿康医疗科技(上海)有限公司 | 信号稳定状态的检测方法、检测模型、癫痫检测装置 |
CN116999075A (zh) * | 2023-08-07 | 2023-11-07 | 华南师范大学 | 一种基于颅内电刺激定位致痫灶的建模方法及系统 |
CN117033988A (zh) * | 2023-09-27 | 2023-11-10 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
CN117033988B (zh) * | 2023-09-27 | 2024-03-12 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111772585B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111772585B (zh) | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 | |
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 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
Hassan et al. | Combination of canonical correlation analysis and empirical mode decomposition applied to denoising the labor electrohysterogram | |
Fang et al. | Human identification by quantifying similarity and dissimilarity in electrocardiogram phase space | |
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
CN107595276B (zh) | 一种基于单导联心电信号时频特征的房颤检测方法 | |
DE19902253B4 (de) | Verfahren und System zur Charakterisierung der Qualität von Herzfunktionsanzeigesignalen | |
US20090177101A1 (en) | Method of fetal and maternal ecg identification across multiple epochs | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
WO2009069134A2 (en) | Functional analysis of neurophysiological data | |
CN112515685B (zh) | 基于时频共融的多通道脑电信号通道选择方法 | |
CN113017627B (zh) | 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 | |
WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN112528834B (zh) | 子带目标对齐共空间模式的脑电信号跨被试分类方法 | |
CN106264521A (zh) | 多通道脑电信号中下颌干扰的自动去除方法 | |
CN112971795B (zh) | 心电信号质量评估方法 | |
CN111887811B (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
CN113662558A (zh) | 一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法 | |
CN111643076A (zh) | 一种基于多通道脑电信号的bect棘波智能检测方法 | |
CN113854971B (zh) | 一种基于多通道多特征融合的睡眠呼吸暂停检测方法 | |
Malarvili et al. | Combining newborn EEG and HRV information for automatic seizure detection | |
Dembrani et al. | Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE | |
Kalbhor et al. | The review of detection and classification of epilectic seizures using wavelet transform | |
Talatov et al. | Methodology for processing and analysis of diagnostic indicators electrocardiogram based on Labview |
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 |