CN111887843A - 融合性癫痫发作期自动检测方法及系统 - Google Patents
融合性癫痫发作期自动检测方法及系统 Download PDFInfo
- Publication number
- CN111887843A CN111887843A CN202010789600.6A CN202010789600A CN111887843A CN 111887843 A CN111887843 A CN 111887843A CN 202010789600 A CN202010789600 A CN 202010789600A CN 111887843 A CN111887843 A CN 111887843A
- Authority
- CN
- China
- Prior art keywords
- period
- detection result
- signal
- detection
- amplitude
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Mathematical Physics (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种融合性癫痫发作期自动检测方法及系统,该方法包括:采集原始的连续脑电信号;对原始的连续脑电信号进行数据处理并进行分期;提取每个时期内连续脑电信号的多域特征并基于提取的多域特征采用已训练完成的随机森林模型进行检测以获得每个时期内的第一检测结果;将数据处理且分期后的连续脑电信号转换成振幅整合信号;使用形态学滤波对振幅整合信号进行尖峰波检测并基于检测的尖峰波信号和设定阈值获得每个时期的第二检测结果;融合第一检测结果和第二检测结果。
Description
技术领域
本发明涉及计算机领域,且特别涉及一种融合性癫痫发作期自动检测方法及系统。
背景技术
癫痫(epilepsy),俗称羊癫风,是大脑神经元突发性异常放电,导致短暂的大脑功能障碍的一种慢性疾病。表现为突然发作,自动终止,反复出现的运动感觉、精神和意识方面的障碍。在全球超过六千五百万人患有癫痫病,中国的癫痫患者约有九百万人,并且这个数字还在以每年40万的速度增加。癫痫发作具有突发性、反复性和难预测性,并且在任何年龄段都有可能发病。
脑电图(EEG)是通过脑电图描记仪将脑自身微弱的生物电放大记录成为一种曲线图,以帮助诊断疾病的一种现代辅助检查方法。在临床中,EEG获取容易且是医生诊断癫痫等脑疾病的重要工具,具有很大的临床价值。持续脑电图(CEEG)是通过多个电极对大脑的电压变化进行持续电活动的图形记录,它被认为是评估脑电图背景和检测癫痫发作的金标准。CEEG相较于常规脑电图,记录时间大大延长了,弥补了常规脑电图的不足,可获得更多信息,包括癫痫发作期和发作间期的异常放电。
但是,由于长时间的监测所形成的波形数据也非常的庞大,医生很难或者是需要花费非常多的时间来从庞大的波形数据中获取与癫痫发作相关的特征,如癫痫发作期的检测。进一步的,CEEG还很容易受到环境的干扰,因此容易出现发作期检测不准确或检测不出的问题。
发明内容
本发明为了克服现有技术中癫痫发作期检测困难且检测精度低的问题,提供一种基于两种检测方法相融合的高精度的融合性癫痫发作期自动检测方法及系统。
为了实现上述目的,本发明提供一种融合性癫痫发作期自动检测方法,其包括:
采集原始的连续脑电信号;
对原始的连续脑电信号进行数据处理并进行分期;
提取每个时期内连续脑电信号的多域特征并基于提取的多域特征采用已训练完成的随机森林模型进行检测以获得每个时期内的第一检测结果;
将数据处理且分期后的连续脑电信号转换成振幅整合信号;
使用形态学滤波对振幅整合信号进行尖峰波检测并基于检测的尖峰波信号和设定阈值获得每个时期的第二检测结果;
融合第一检测结果和第二检测结果;在某一时期内,当第一检测结果表征存在异常放电且第二检测结果表征存在异常尖峰波时,则将该时期确定为癫痫发作期。
根据本发明的一实施例,在数据处理时采用频率范围为1Hz~48Hz的5阶IIR巴特沃思带通滤波器去除连续脑电信号中的噪声和眼电伪迹。
根据本发明的一实施例,每个时期内多域特征的提取包括:
在时域中,提取出每个通道每个时期的统计特征,所述统计特征包括峰度、偏度、最大值、最小值以及均值;
在时域中,计算任意两个通道之间的相关系数;
在时域中,提取预先确定的表征癫痫起源的多个指定区域内的最大相关系数、最小相关系数以及平均相关系数;
在频域中,使用快速傅里叶变换对每个通道每个时期的脑电信号进行变换,得到所有频率分量的幅度,然后计算任意两个通道的频域幅度的相关系数。
根据本发明的一实施例,将数据处理且分期后的连续脑电信号转换成振幅整合信号的步骤包括:
采用2Hz~15Hz的二次窄带非对称滤波器对连续脑电信号进行滤波;
提取每个时期内的连续脑电信号幅度的绝对值;
基于幅度阈值对幅度进行积分,对于小于幅度阈值的幅度保持不变,对于大于幅度阈值的幅度则以半对数的形式进行积分;
之后,对每个时期内的连续脑电信号的时间轴采用预设压缩比例进行高度压缩,形成振幅整合信号。
根据本发明的一实施例,当脑电信号采样频率为256Hz时,在对连续脑电信号的时间轴进行高度压缩时采用的压缩比为256:1,以取出每秒的脑电信号最大值。
根据本发明的一实施例,使用形态学滤波对振幅整合信号进行尖峰波检测包括:
首先,选择与尖峰波的形状相匹配的三角形结构元素,标准三角形结构元素公式如下:
其中,A为结构元素的高度,L为结构元素宽度的一半,k为一个时间序列内的采样点;
其次,基于选择的三角形结构元素分别对脑电信号进行开闭操作和闭开操作,以分别得到OC(x(n))和CO(x(n));
接着,将开闭操作和闭开操作的结果OC(x(n))和CO(x(n))进行平均,得到背景信号y(n),公式如下;
最后,将脑电信号与背景信号做差以得到尖峰波信号z(n),公式如下:
z(n)=x(n)-y(n) 公式三
其中,x(n),(n=0,1,...,N-1)为脑电信号,y(n)为背景信号。
根据本发明的一实施例,基于振幅整合信号尖峰波的最小波峰A1和最大波峰A2,分别采用结构元素进行描述:
形态学腐蚀和膨胀操作公式如下:
其中,$和⊕分别表示腐蚀和膨胀操作;gi(n),(i=1,2;n=0,1,...,M-1)为三角结构元素,N为x(n)的宽度,M为45;
形态学开操作和闭操作公式如下:
(x·gi)(n)=[(x⊕gi)$gi](n),(i=1,2) 公式九
开闭操作和闭开操作,公式如下:
其中,OC(x(n))为开闭操作的结果,CO(x(n))为闭开操作的结果;g1为最小波峰A1对应的三角形结构元素;g2为最小波峰A2对应的三角形结构元素。
根据本发明的一实施例,基于检测的尖峰波信号和设定阈值获得每个时期的第二检测结果时,设定阈值T,采用如下公式表示:
将尖峰波信号z(n)与设定阈值T相比较得到第二检测结果w(n),比设定阈值大则表示为1,比设定阈值小则表示为0,具体公式如下:
第二检测结果w(n)等于1表示x(n)这一脑电信号对应的时期处于癫痫发作期,第二检测结果w(n)等于0则表示对应的时期处于癫痫发作间期。
相对应的,本发明还提供一种融合性癫痫发作期自动检测系统,其包括信号采集模块、数据处理模块、第一检测模块、第二检测模块以及融合模块。信号采集模块采集原始的连续脑电信号。数据处理模块对原始的连续脑电信号进行数据处理并进行分期。第一检测模块提取每个时期内连续脑电信号的多域特征并基于提取的多域特征采用已训练完成的随机森林模型进行检测以获得每个时期内的第一检测结果。第二检测模块包括数据转换单元和尖峰波检测单元。数据转换单元将数据处理且分期后的连续脑电信号转换成振幅整合信号。尖峰波检测单元使用形态学滤波对振幅整合信号进行尖峰波检测并基于检测的尖峰波信号和设定阈值获得每个时期的第二检测结果。融合模块融合第一检测结果和第二检测结果;在某一时期内,当第一检测结果表征存在异常放电且第二检测结果表征存在异常尖峰波时,则将该时期确定为癫痫发作期。
综上所述,本发明提供的融合性癫痫发作期自动检测方法及系统一方面通过对连续脑电信号的特征提取并基于以训练完成的随机森林模型来得到基于连续脑电信号的第一检测结果;另一方面通过数据转换将连续脑电信号转换为尖峰波更加明显的振幅整合信号并对其进行尖峰波检测以形成第二检测结果;最后通过融合第一检测结果和第二检测结果以从庞大的连续脑电数据中准确检测出癫痫发作期。不管是基于随机森林的深度学习还是基于尖峰波的检测均采用软件自动识别,大大简化了医生的工作量;而两种检测结果的融合则大大提高了检测精度,很好地解决了单一的CEEG信号易干扰所存在的检测精度低的问题。
为让本发明的上述和其它目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合附图,作详细说明如下。
附图说明
图1所示为本发明一实施例提供的融合性癫痫发作期自动检测方法的流程示意图。
图2所示为形成第一检测结果的流程示意图。
图3所示为将连续脑电信号转换为振幅整合信号的流程示意图。
图4所示为振幅整合信号尖峰波检测的流程示意图。
图5所示为本发明一实施例提供的融合性癫痫发作期自动检测系统的流程示意图。
具体实施方式
如图1至图4所示,本实施例提供的融合性癫痫发作期自动检测方法包括:采集原始的连续脑电信号(步骤S1)。对原始的连续脑电信号进行数据处理并进行分期(步骤S2)。提取每个时期内连续脑电信号的多域特征并基于提取的多域特征采用已训练完成的随机森林模型进行检测以获得每个时期内的第一检测结果(步骤S3)。将数据处理且分期后的连续脑电信号转换成振幅整合信号(步骤S41)。使用形态学滤波对振幅整合信号进行尖峰波检测并基于检测的尖峰波信号和设定阈值获得每个时期的第二检测结果(步骤S42)。融合第一检测结果和第二检测结果(步骤S5),在某一时期内,当第一检测结果表征存在异常放电且第二检测结果表征存在异常尖峰波时,则将该时期确定为癫痫发作期。
本实施例提供的融合性癫痫发作期自动检测方法是融合了基于连续脑电信号的随机森林模块检测所获得的第一检测结果和尖峰波检测所获得的第二检测结果。两种检测结果从不同的角度进行检测验证,当两种检测结果都表征当前时期存在癫痫发作特征时才将该时期确定为癫痫发作期。该方法很好解决了现有基于EEG信号的癫痫检测所存在的检测精度低的问题;进一步的,数据转换后的振幅整合信号将棘波转换为尖峰波后,波形更加的明显,大幅度提高了检测精度。此外,两种检测方法均是基于计算机软件而自动实现的,该设置大大降低了医护人员的工作量,同时也为癫痫病的大数据研究提供了条件。
以下将结合图1至图4来详细介绍本实施例提供的融合性癫痫发作期自动检测方法的工作原理。
在步骤S1中,使用多导脑电图仪采集患者长程监测脑电信号,采样频率为256Hz,电极分布采用国际10~20脑电采集标准,共采集20个通道脑电数据,形成连续脑电信号。接着,执行步骤S2,在数据处理时采用频率范围为1Hz~48Hz的5阶IIR巴特沃思带通滤波器去除连续脑电信号中的噪声和眼电伪迹,并将连续的脑电信号进行分期。之后,分别执行步骤S3和步骤S41-S42以获得第一检测结果和第二检测结果。虽然本实施例以编号的形式对各个步骤进行了标识,但是对步骤S3和步骤S41-S42两者之间的顺序不作任何限定。两者既可同步,也可先后执行且先后的顺序也不限定,以下将根据步骤的标号依次进行详细描述。
如图2所示,在步骤S3中,采用如下步骤提取每一时期的脑电信号:
步骤S31:在时域中,提取出每个通道每个时期的统计特征,包括峰度、偏度、最大值、最小值和均值等;20个通道共提取100个统计特征;
步骤S32,在时域中,计算任意两个通道之间的相关系数,引入一个由0和1组成的区域相关矩阵,其中1表示两个通道在空间位置上相邻,0表示不相邻,同时为了避免重复选择特征,将区域相关矩阵的下三角元素都设置成0。
步骤S33,在时域中,由于癫痫发作通常起源于大脑的特定部分,根据病生理特征,将其预分为4个区域,然后对指定区域的最大相关系数、最小相关系数以及平均相关系数作为特征提取出来,获得12个特征;
步骤S34,在频域中,使用快速傅里叶变换对每个通道每个时期的脑电信号进行变换,得到所有频率分量的幅度,然后计算任意两个通道的频域幅度的相关系数。
最后,执行步骤S35,基于步骤S31至步骤S34所提取的特征,采用已训练完成的随机森林模型进行检测,随机森林检测后输出每个时期是否存在异常放电的第一检测结果。对于随机森林模型的训练,具体而言,其通过步骤S1来获取多个连续脑电信号样本并采用人工的方式对每个样本进行分期标识,将其分为癫痫发作期和癫痫发作间期。采用步骤S31至步骤S34所示的方式对每个样本上的时期进行特征提取,基于所提取的特征对建立的随机森林模型进行训练。采用已训练完成的随机森林模型进行检测的具体步骤为:步骤S351,将步骤S31至步骤S34所提取的多域特征作为训练集,随机在训练集中抽取若干特征向量作为节点;步骤S352,每个节点根据最佳分裂原则进行分裂,直到成为叶子节点,加入决策树中,形成一棵决策树。重复步骤S352,将形成的决策树集成到随机森林中以输出检测结果。
对于步骤S41至S42,其是通过检测振幅整合信号内的尖峰波信号来形成第二检测结果。首先,如图3所示,将数据处理且分期后的连续脑电信号转换成振幅整合信号,其具体的过程为:
步骤S411,采用2Hz~15Hz的二次窄带非对称滤波器对连续脑电信号进行滤波,滤除振幅很小的快波和慢波。
步骤S412,提取每个时期内的连续脑电信号幅度的绝对值,确保其值为正。
步骤S413,采用5μV的幅度阈值对提取的幅度进行积分。具体而言,对于小于幅度阈值的幅度保持不变,对于大于幅度阈值的幅度则以半对数的形式进行积分。
步骤S414,对每个时期内的连续脑电信号的时间轴采用预设压缩比例进行高度压缩,形成振幅整合信号AEEG。于本实施例中,由于脑电信号采样频率为256Hz,因此设置压缩比为256:1,即每秒脑电信号最大值被取出,以突出显示宏观趋势。然而,本发明对压缩比不作任何限定。转换成AEEG信号后,棘波体现为尖峰波后波形更为明显、更易检测,故大大提高了检测的精度。
之后,执行步骤S42,使用形态学滤波对振幅整合信号进行尖峰波检测包括:
步骤S421,选择与尖峰波的形状相匹配的三角形结构元素,标准三角形结构元素公式如下:
其中,A为结构元素的高度,L为结构元素宽度的一半,k为一个时间序列内的采样点。
于本实施例中,基于振幅整合信号尖峰波的最小波峰A1和最大波峰A2,分别采用结构元素进行描述:
步骤S422,基于选择的三角形结构元素分别对脑电信号进行开闭操作和闭开操作,以分别得到OC(x(n))和CO(x(n))。
形态学腐蚀和膨胀操作公式如下:
其中,$和⊕分别表示腐蚀和膨胀操作;gi(n),(i=1,2;n=0,1,...,M-1)为三角结构元素,N为x(n)的宽度,M为45;
形态学开操作和闭操作公式如下:
(x·gi)(n)=[(x⊕gi)$gi](n),(i=1,2) 公式九
开闭操作和闭开操作的公式如下:
其中,OC(x(n))为开闭操作的结果,CO(x(n))为闭开操作的结果;g1为最小波峰A1对应的三角形结构元素;g2为最小波峰A2对应的三角形结构元素。
步骤S423,将开闭操作和闭开操作的结果OC(x(n))和CO(x(n))进行平均,得到背景信号y(n),公式如下;
步骤S424,将脑电信号与背景信号做差以得到尖峰波信号z(n),公式如下:
z(n)=x(n)-y(n) 公式二
其中,x(n),(n=0,1,...,N-1)为脑电信号,y(n)为背景信号。
步骤S425,基于检测的尖峰波信号和设定阈值获得每个时期的第二检测结果时,设定阈值T,采用如下公式表示:
将尖峰波信号z(n)与设定阈值T相比较得到第二检测结果,比设定阈值大则表示为1,比设定阈值小则表示为0,具体公式如下:
第二检测结果w(n)等于1表示x(n)这一脑电信号对应的时期处于癫痫发作期,第二检测结果w(n)等于0则表示对应的时期处于癫痫发作间期。
最后,执行步骤S5,融合第一检测结果和第二检测结果;在某一时期内,当第一检测结果表征存在异常放电且第二检测结果表征存在异常尖峰波时,则将该时期确定为癫痫发作期。
相对应的,如图5所示,本实施例还提供一种融合性癫痫发作期自动检测系统,其包括信号采集模块1、数据处理模块2、第一检测模块3、第二检测模块4以及融合模块5。信号采集模块1采集原始的连续脑电信号。数据处理模块2对原始的连续脑电信号进行数据处理并进行分期。第一检测模块3提取每个时期内连续脑电信号的多域特征并基于提取的多域特征采用已训练完成的随机森林模型进行检测以获得每个时期内的第一检测结果。第二检测模块4包括数据转换单元41和尖峰波检测单元42。数据转换单元41将数据处理且分期后的连续脑电信号转换成振幅整合信号。尖峰波检测单元42使用形态学滤波对振幅整合信号进行尖峰波检测并基于检测的尖峰波信号和设定阈值获得每个时期的第二检测结果。融合模块5融合第一检测结果和第二检测结果;在某一时期内,当第一检测结果表征存在异常放电且第二检测结果表征存在异常尖峰波时,则将该时期确定为癫痫发作期。
本实施例提供的融合性癫痫发作期自动检测系统的工作原理如前文所述的融合性癫痫发作期自动检测方法中的步骤S1至S5,在此不做赘述。
综上所述,本发明提供的融合性癫痫发作期自动检测方法及系统一方面通过对连续脑电信号的特征提取并基于以训练完成的随机森林模型来得到基于连续脑电信号的第一检测结果;另一方面通过数据转换将连续脑电信号转换为尖峰波更加明显的振幅整合信号并对其进行尖峰波检测以形成第二检测结果;最后通过融合第一检测结果和第二检测结果以从庞大的连续脑电数据中准确检测出癫痫发作期。不管是基于随机森林的深度学习还是基于尖峰波的检测均采用软件自动识别,大大简化了医生的工作量;而两种检测结果的融合则大大提高了检测精度,很好地解决了单一的CEEG信号易干扰所存在的检测精度低的问题。
虽然本发明已由较佳实施例揭露如上,然而并非用以限定本发明,任何熟知此技艺者,在不脱离本发明的精神和范围内,可作些许的更动与润饰,因此本发明的保护范围当视权利要求书所要求保护的范围为准。
Claims (9)
1.一种融合性癫痫发作期自动检测方法,其特征在于,包括:
采集原始的连续脑电信号;
对原始的连续脑电信号进行数据处理并进行分期;
提取每个时期内连续脑电信号的多域特征并基于提取的多域特征采用已训练完成的随机森林模型进行检测以获得每个时期内的第一检测结果;
将数据处理且分期后的连续脑电信号转换成振幅整合信号;
使用形态学滤波对振幅整合信号进行尖峰波检测并基于检测的尖峰波信号和设定阈值获得每个时期的第二检测结果;
融合第一检测结果和第二检测结果;在某一时期内,当第一检测结果表征存在异常放电且第二检测结果表征存在异常尖峰波时,则将该时期确定为癫痫发作期。
2.根据权利要求1所述的融合性癫痫发作期自动检测方法,其特征在于,在数据处理时采用频率范围为1Hz~48Hz的5阶IIR巴特沃思带通滤波器去除连续脑电信号中的噪声和眼电伪迹。
3.根据权利要求1所述的融合性癫痫发作期自动检测方法,其特征在于,每个时期内多域特征的提取包括:
在时域中,提取出每个通道每个时期的统计特征,所述统计特征包括峰度、偏度、最大值、最小值以及均值;
在时域中,计算任意两个通道之间的相关系数;
在时域中,提取预先确定的表征癫痫起源的多个指定区域内的最大相关系数、最小相关系数以及平均相关系数;
在频域中,使用快速傅里叶变换对每个通道每个时期的脑电信号进行变换,得到所有频率分量的幅度,然后计算任意两个通道的频域幅度的相关系数。
4.根据权利要求1所述的融合性癫痫发作期自动检测方法,其特征在于,将数据处理且分期后的连续脑电信号转换成振幅整合信号的步骤包括:
采用2Hz~15Hz的二次窄带非对称滤波器对连续脑电信号进行滤波;
提取每个时期内的连续脑电信号幅度的绝对值;
基于幅度阈值对幅度进行积分,对于小于幅度阈值的幅度保持不变,对于大于幅度阈值的幅度则以半对数的形式进行积分;
之后,对每个时期内的连续脑电信号的时间轴采用预设压缩比例进行高度压缩,形成振幅整合信号。
5.根据权利要求1所述的融合性癫痫发作期自动检测方法,其特征在于,当脑电信号采样频率为256Hz时,在对连续脑电信号的时间轴进行高度压缩时采用的压缩比为256:1,以取出每秒的脑电信号最大值。
6.根据权利要求1所述的融合性癫痫发作期自动检测方法,其特征在于,使用形态学滤波对振幅整合信号进行尖峰波检测包括:
首先,选择与尖峰波的形状相匹配的三角形结构元素,标准三角形结构元素公式如下:
其中,A为结构元素的高度,L为结构元素宽度的一半,k为一个时间序列内的采样点;
其次,基于选择的三角形结构元素分别对脑电信号进行开闭操作和闭开操作,以分别得到OC(x(n))和CO(x(n));
接着,将开闭操作和闭开操作的结果OC(x(n))和CO(x(n))进行平均,得到背景信号y(n),公式如下;
最后,将脑电信号与背景信号做差以得到尖峰波信号z(n),公式如下:
z(n)=x(n)-y(n) 公式三
其中,x(n),(n=0,1,...,N-1)为脑电信号,y(n)为背景信号。
9.一种融合性癫痫发作期自动检测系统,其特征在于,包括:
信号采集模块,采集原始的连续脑电信号;
数据处理模块,对原始的连续脑电信号进行数据处理并进行分期;
第一检测模块,提取每个时期内连续脑电信号的多域特征并基于提取的多域特征采用已训练完成的随机森林模型进行检测以获得每个时期内的第一检测结果;
第二检测模块,包括:
数据转换单元,将数据处理且分期后的连续脑电信号转换成振幅整合信号;
尖峰波检测单元,使用形态学滤波对振幅整合信号进行尖峰波检测并基于检测的尖峰波信号和设定阈值获得每个时期的第二检测结果;
融合模块,融合第一检测结果和第二检测结果;在某一时期内,当第一检测结果表征存在异常放电且第二检测结果表征存在异常尖峰波时,则将该时期确定为癫痫发作期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789600.6A CN111887843B (zh) | 2020-08-07 | 2020-08-07 | 融合性癫痫发作期自动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789600.6A CN111887843B (zh) | 2020-08-07 | 2020-08-07 | 融合性癫痫发作期自动检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111887843A true CN111887843A (zh) | 2020-11-06 |
CN111887843B CN111887843B (zh) | 2022-08-19 |
Family
ID=73246547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010789600.6A Active CN111887843B (zh) | 2020-08-07 | 2020-08-07 | 融合性癫痫发作期自动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111887843B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329741A (zh) * | 2020-12-04 | 2021-02-05 | 广微(中山)智能科技有限公司 | 一种基于小波变换和形态学滤波的电敏感区信号去噪方法 |
CN112741636A (zh) * | 2020-12-17 | 2021-05-04 | 浙江大学 | 一种基于多位点同步性变化的颞叶癫痫检测系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110338786A (zh) * | 2019-06-28 | 2019-10-18 | 北京师范大学 | 一种癫痫样放电的识别与分类方法、系统、装置和介质 |
-
2020
- 2020-08-07 CN CN202010789600.6A patent/CN111887843B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110338786A (zh) * | 2019-06-28 | 2019-10-18 | 北京师范大学 | 一种癫痫样放电的识别与分类方法、系统、装置和介质 |
Non-Patent Citations (1)
Title |
---|
苏艳等: "癫痫病因及发病机制", 《脑与神经疾病杂志》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329741A (zh) * | 2020-12-04 | 2021-02-05 | 广微(中山)智能科技有限公司 | 一种基于小波变换和形态学滤波的电敏感区信号去噪方法 |
CN112741636A (zh) * | 2020-12-17 | 2021-05-04 | 浙江大学 | 一种基于多位点同步性变化的颞叶癫痫检测系统 |
CN112741636B (zh) * | 2020-12-17 | 2022-06-10 | 浙江大学 | 一种基于多位点同步性变化的颞叶癫痫检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111887843B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
Bezerianos et al. | Time-dependent entropy estimation of EEG rhythm changes following brain ischemia | |
Wu et al. | Automatic epileptic seizures joint detection algorithm based on improved multi-domain feature of cEEG and spike feature of aEEG | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN111887843B (zh) | 融合性癫痫发作期自动检测方法及系统 | |
Anusha et al. | Classification of normal and epileptic EEG signal using time & frequency domain features through artificial neural network | |
CN111419222B (zh) | 基于bni的癫痫发作信号的检测方法 | |
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN105868712A (zh) | 基于后验概率模型的脑电与机器视觉目标图像检索方法 | |
Uyttenhove et al. | Interpretable epilepsy detection in routine, interictal eeg data using deep learning | |
Abbaszadeh et al. | Probabilistic prediction of Epileptic Seizures using SVM | |
Vuksanovic et al. | ECG based system for arrhythmia detection and patient identification | |
CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
KR20190044275A (ko) | 심전도 신호에서의 노이즈 분별 필터 장치 및 필터링 방법 | |
KR102123149B1 (ko) | 침 근전도 신호를 이용한 말초신경병증 감별 장치 | |
CN111887811B (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
Anastasiadou et al. | Detection and removal of muscle artifacts from scalp EEG recordings in patients with epilepsy | |
CN111568409B (zh) | 基于双谱分析和图傅里叶变换的心电信号特征提取方法 | |
Li et al. | Automatic detection of epileptiform eeg discharges based on the semi-classical signal analysis (scsa) method | |
Dilber et al. | EEG based detection of epilepsy by a mixed design approach | |
CN115067877A (zh) | 用于检测癫痫发作的方法和设备 | |
CN111345814A (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
Xie et al. | Sparse approximation of long-term biomedical signals for classification via dynamic PCA | |
CN113598791B (zh) | 基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法 | |
Sharmila et al. | Integrative Approach for Epileptic Seizure Detection: A Comparative Analysis |
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 |