CN111938594B - 基于层次图模型的癫痫脑电信号异常监测系统及设备 - Google Patents

基于层次图模型的癫痫脑电信号异常监测系统及设备 Download PDF

Info

Publication number
CN111938594B
CN111938594B CN202010814190.6A CN202010814190A CN111938594B CN 111938594 B CN111938594 B CN 111938594B CN 202010814190 A CN202010814190 A CN 202010814190A CN 111938594 B CN111938594 B CN 111938594B
Authority
CN
China
Prior art keywords
similarity
hierarchical
frequency components
monitored
graph model
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
Application number
CN202010814190.6A
Other languages
English (en)
Other versions
CN111938594A (zh
Inventor
卢国梁
贺光硕
杨少华
陈光远
尚伟
谢兆宏
许峰
张红
刘震
王尚
王莉莉
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202010814190.6A priority Critical patent/CN111938594B/zh
Publication of CN111938594A publication Critical patent/CN111938594A/zh
Application granted granted Critical
Publication of CN111938594B publication Critical patent/CN111938594B/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

Landscapes

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

Abstract

本申请公开了基于层次图模型的癫痫脑电信号异常监测系统及设备，包括：获取模块，其被配置为：获取待监测的脑电信号；层次图模型构建模块，其被配置为：将待监测的脑电信号进行分解，并基于分解的频率分量构建层次图模型；相似性得分计算模块，其被配置为：根据层次图模型，计算所有频率分量对应的融合相似性指标；输出模块，其被配置为：对于所有频率分量对应的融合相似性指标，利用假设检验进行检测，输出脑电信号中新的频率分量属于正常或异常的结果。

Description

基于层次图模型的癫痫脑电信号异常监测系统及设备
技术领域
本申请涉及脑电信号异常监测技术领域，特别是涉及基于层次图模型的癫痫脑电信号异常监测系统及设备。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。
脑电图(EEG)是分析和解释大脑疾病特征的最有效的医学成像工具，因其无创、设备成本低、时间分辨率高和使用简便等独特的优势，而被广泛应用于癫痫发作诊断中。
在实际对EEG信号的监测中，一个非常重要的内容就是对EEG信号中所出现的异常进行监测，即对于EEG信号从正常到异常的的时间进行监测。由于EEG信号的负责性和不平稳性，这种对于EEG信号的异常监测在目前仍是一种比较有挑战的问题。
发明人发现，当下，临床上EEG的异常检测仍然依赖于有经验的医师视觉观察多通道脑电图，进而凭经验来识别其中是否包含异常的脑电波。此方法枯燥、费时、效率低，且缺乏统一的客观标准，容易造成误判和漏判，并且评估者之间的一致性较低。
发明内容
为了解决现有技术的不足，本申请提供了基于层次图模型的癫痫脑电信号异常监测系统及设备；
第一方面，本申请提供了基于层次图模型的癫痫脑电信号异常监测系统；
基于层次图模型的癫痫脑电信号异常监测系统，包括：
获取模块，其被配置为：获取待监测的脑电信号；
层次图模型构建模块，其被配置为：将待监测的脑电信号进行分解，并基于分解的频率分量构建层次图模型；
相似性得分计算模块，其被配置为：根据层次图模型，计算所有频率分量对应的融合相似性指标；
输出模块，其被配置为：对于所有频率分量对应的融合相似性指标，利用假设检验进行检测，输出脑电信号中新的频率分量属于正常或异常的结果。
第二方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行以下步骤：
获取待监测的脑电信号；将待监测的脑电信号进行分解，并基于分解的频率分量构建层次图模型；根据层次图模型，计算所有频率分量对应的融合相似性指标；对于所有频率分量对应的融合相似性指标，利用假设检验进行检测，输出脑电信号中新的频率分量属于正常或异常的结果。
第三方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：
获取待监测的脑电信号；将待监测的脑电信号进行分解，并基于分解的频率分量构建层次图模型；根据层次图模型，计算所有频率分量对应的融合相似性指标；对于所有频率分量对应的融合相似性指标，利用假设检验进行检测，输出脑电信号中新的频率分量属于正常或异常的结果。
与现有技术相比，本申请的有益效果是：
对EEG信号进行自动化监测可以使用特定的方法系统按照既定的标准对EEG信号的状态进行判断，确定其是否处于异常状态。在监测时，系统会按照统一的客观标准对EEG信号进行监测，从而减少EEG信号的误判和漏判，保持评估结果的一致性。当异常监测出来以后，再利用医师或某些方法对异常进行诊断，以节约诊断时间。本申请提出了一种利用层次图模型对EEG中癫痫信号中相关信息进行提取，然后利用假设检验的方法对异常进行监测的系统。可以在无人状态下自动对EEG信号进行监测，从而提高诊断效率。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图；
图2(a)为第一个实施例的HGM构建示意图；
图2(b)为第一个实施例的HGMs重组示意图；
图2(c)为第一个实施例的Xm的三层层次分解(HD)操作示意图；
图3(a)为第一个实施例的EEG信号示意图；
图3(b)为第一个实施例的相似性分数示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了基于层次图模型的癫痫脑电信号异常监测系统；
基于层次图模型的癫痫脑电信号异常监测系统，包括：
获取模块，其被配置为：获取待监测的脑电信号；
层次图模型构建模块，其被配置为：将待监测的脑电信号进行分解，并基于分解的频率分量构建层次图模型；
相似性得分计算模块，其被配置为：根据层次图模型，计算所有频率分量对应的融合相似性指标；
输出模块，其被配置为：对于所有频率分量对应的融合相似性指标，利用假设检验进行检测，输出脑电信号中新的频率分量属于正常或异常的结果。
作为一个或多个实施例，所述获取模块之后，所述层次图模型构建模块之前，还包括：预处理模块；所述预处理模块，其被配置为：对待监测的脑电信号进行滤波处理。
应理解的，由于信号采集过程中出现的噪声会严重影响检测效果，因此本申请首先对信号进行了平滑滤波，以去除噪声。
作为一个或多个实施例，所述层次图模型构建模块，包括：图模型构建单元；所述图模型构建单元，其被配置为：
将时间索引的待监测脑电信号的频率分辨率作为层次图的节点，将节点之间的距离作为节点与节点之间边的权重，得到当前频率分量的层次图；
进而得到待监测脑电信号每个信号片段内所有频率分量对应的所有层次图；将待监测脑电信号的所有层次图，从分段索引重新排列为分量索引。
应理解的，所述分段索引，是指按照脑电信号监测的时间段进行索引；
应理解的，所述分量索引，是指按照脑电信号的频率分量类型进行索引。
示例性的，然后用欧氏距离计算f(i)和f(j)之间的边的权重di,j。构造了第e个分量
Figure BDA0002632095740000051
的层次图
Figure BDA0002632095740000052
并用相邻矩阵表示如下：
Figure BDA0002632095740000053
最后，将第m段的层次图构造为
Figure BDA0002632095740000054
如图2(a)所示。为了更好的描述脑电信号状态，同时便于后续计算，我们将这些图从分段索引重新排列到分量索引(见图2(b))，
Figure BDA0002632095740000055
Figure BDA0002632095740000056
Figure BDA0002632095740000057
是由所有段的第e个分量构造的图。
作为一个或多个实施例，所述层次图模型构建模块，还包括：层次分级单元；所述层次分级单元，其被配置为：
将待监测的脑电信号划分为若干个信号片段，对每个信号片段均进行层次分解，得到每个信号片段对应的若干个频率分量；
将每个信号片段对应的每个频率分量均转换到频域；
对频域中的分量进行加窗处理，得到周期图；
根据周期图得到时间索引的频率分辨率。
示例性的，所述层次分级单元，包括：层次分级子单元；
所述层次分级子单元，其被配置为：
(101)对收集到滤波后的脑电信号X＝{X(t)},t＝1,2,···,N首先定义平均算子Q0和差分算子Q1，分别对应低频分量和高频分量：
Figure BDA0002632095740000061
Figure BDA0002632095740000062
(102)算符Qj，j∈{0,1}的矩阵形式表示如下：
Figure BDA0002632095740000063
(103)设k代表HD层的数量，[l1,···,ln,···lk]∈{0,1}是与整数e相对应的唯一向量。整数e为
Figure BDA0002632095740000064
(104)对于给定的k层，定义片段Xm的层次分量(其中m是段数)：
Figure BDA0002632095740000065
其中，如图2(a)所示，Y表示频率分量，m表示是第m段；如图2(c)，k表示层次分解的层数，e表示层次分解后第k层的第e个分量。
Figure BDA0002632095740000066
表示第m片段进行层次分解后，第k层的第e个分量。[l1,···,ln,···lk]∈{0,1}是与整数e相对应的唯一向量，则
Figure BDA0002632095740000071
表示第k层第e个分量的Qj(102处的Qj)；
Figure BDA0002632095740000072
表示第k-1层第e个分量的Qj；Xm表示脑电信号的第m段。
示例性的，对于每个获得的频率分量
Figure BDA0002632095740000073
采用离散短时傅立叶变换(DSTFT)将其转换为频域，通过
Figure BDA0002632095740000074
其中
Figure BDA0002632095740000075
为窗口函数，N为窗口函数移动的时间步长，周期图计算如下：
Figure BDA0002632095740000076
用周期图{p(i,n)}表示Fn＝{f(i)}，得到时间索引n的频率分辨率，并将它们视为层次图的节点。
作为一个或多个实施例，所述相似性得分计算模块，包括：融合相似性指标计算单元；
所述融合相似性指标计算单元，其被配置为：
将新的频率分量的相似性得分进行标准化处理，得到标准化的相似性得分；
计算每个相似性得分的方差；基于方差计算每个相似性得分的权重；
基于权重和标准化的相似性得分，得到相似性指标；
进而得到所有频率向量对应的融合相似性指标。
示例性的，这里需要一种有效的融合相似性度量来度量时间序列中变化信息的数量和重要性。AIW通过依据分量的重要性计算权重，将所有分解的组件组合在一起。对于一组第e个分解分量的相似性分数，即Lk,e输入权重如下计算：
①将每个相似性得分标准化，使用最小-最大标准化方法
Figure BDA0002632095740000081
这里max{Lk,e}/min{Lk,e}是搜索
Figure BDA0002632095740000082
中最大/最小值的函数。
②计算每个分量的方差，因为具有小方差的相似性得分在决策中起着更重要的作用。
Figure BDA0002632095740000083
这里
Figure BDA0002632095740000084
是第e个组分的平均值。
③使用上面计算的方差自适应地计算每个组件的权重：
Figure BDA0002632095740000085
权重满足
Figure BDA0002632095740000086
④使用wk,e将所有成分的相似性结合起来。
Figure BDA0002632095740000087
最后，将所有组件的相似性得分汇总为融合相似性指标
Figure BDA0002632095740000088
然后可以执行平常的零假设检验来评估变更的数量和位置。
作为一个或多个实施例，所述相似性得分计算模块，还包括：相似性得分计算单元；
所述相似性得分计算单元，其被配置为：
对设定时间范围内的每一类历史频率分量，计算其中值图；
计算新的频率分量的层次图与对应类别的中值图之间的相似性得分；
得到新的频率分量的相似性得分；
进而得到所有新的频率分量的相似性得分。
所述设定时间范围是滑动窗口所消耗时间的倍数。
每一类历史频率分量，是该信号片段的前设定时间范围内的频率分量，作为正常的频率分量，即看作正常图模型的集合，然后计算其中值图。
示例性的，中值计算是模拟观测数据的重要工具,在上述构造图的基础上，引入中值图从一组过去的图中提取本质信息。对第e个分量
Figure BDA0002632095740000091
Figure BDA0002632095740000092
中值图
Figure BDA0002632095740000093
计算公式为，
Figure BDA0002632095740000094
其中D(·,·)为图的相似性度量，对于第e个HD分量中一个新的图
Figure BDA0002632095740000095
它与中值图的相似得分计算为：
Figure BDA0002632095740000096
考虑到本申请构造的图是无向加权图，当图的边权向量接近时，我们假设图是相似的。因此，通过计算边缘权重值的差值来计算相似度得分，计算公式如下：
Figure BDA0002632095740000097
上式中di,j为图G中节点i与节点j之间加权边的权重，d'i,j为图G'中节点i与节点j之间加权边的权重。
由上式计算得到第e个分解分量随时间变化的相似性得分
Figure BDA0002632095740000098
Figure BDA0002632095740000099
对每个分解后的分量重复上述计算过程，将所有分解后的分量集合起来，把观测到的时间序列表示为一系列相似性得分，即
Figure BDA00026320957400000910
作为一个或多个实施例，输出模块，包括：
假设检验单元，其被配置为：利用假设检验进行检测，当相似性指标发生改变，则说明脑电信号发生异常，即输出脑电信号异常的指令。
示例性的，对于相似性指标
Figure BDA0002632095740000101
采用零假设检验进行变化决策。对于第M+1个片段，假设检验如下
H0：没发生改变：
Figure BDA0002632095740000102
HA：发生改变：
Figure BDA0002632095740000103
这里
Figure BDA0002632095740000104
是由常用的3σ准则定义的置信区间，μM和σM是前M个片段相似性得分的平均值和标准差。
如图3(a)和图3(b)所示，当相似性指标
Figure BDA0002632095740000105
发生改变，说明脑电信号发生异常，即大脑处于异常状态，对医护人员进行提醒。
本申请的HGM(Hierarchical Graph Model，层次图模型)将层次动力学与图论相结合，首先对原始脑电信号进行层次分解HD(Hierarchical decomposition，层次分解)，目的是对不同尺度下的脑电信号进行检测；然后从HD产生的每个分解分量构建HGMs(Hierarchical Graph Models，一系列层次图模型)。HGM利用HD的优点，从物理意义和统计学角度上能更精确地感知脑电信号的动态状况。为了考虑和利用构造的HGMs之间的差异，采用自适应权重AIW(adaptive inputs weighting，自适应权重)并利用高斯模型进行假设检验。如图1所示，该方法主要有四部分组成：1.信号预处理；2.构造层次图模型；3.计算相似性得分；4.假设检验。
该系统能够减少医务人员的工作，减少诊断时间，同时按照统一的客观标准对EEG信号进行监测，从而减少EEG信号的误判和漏判，保持评估结果的一致性。
该系统改进了现有的图模型方法仅从单个维度分析信号而忽略频率分量之间差异的问题，采用层次分解和图模型相结合的层次图模型方法。该系统可以考虑脑电信号的多尺度特性，能够更精确地检测脑电信号的异常状况。
在该系统中，为了考虑和利用构造图之间的差异，采用自适应权重计算相似性得分来表征脑电信号的动态特性，它能够度量时间序列中变化信息的数量和重要性，可以有效地减少信息的处理时间，提高计算效率。
该系统使用无监督的方法，能利用中值图对历史信息进行描述，并没有使用复杂的建模方法，因此效率较高，实时性更强。
实施例二
本实施例提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行以下步骤：
获取待监测的脑电信号；将待监测的脑电信号进行分解，并基于分解的频率分量构建层次图模型；根据层次图模型，计算所有频率分量对应的融合相似性指标；对于所有频率分量对应的融合相似性指标，利用假设检验进行检测，输出脑电信号中新的频率分量属于正常或异常的结果。
实施例三
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：
获取待监测的脑电信号；将待监测的脑电信号进行分解，并基于分解的频率分量构建层次图模型；根据层次图模型，计算所有频率分量对应的融合相似性指标；对于所有频率分量对应的融合相似性指标，利用假设检验进行检测，输出脑电信号中新的频率分量属于正常或异常的结果。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (5)

1.基于层次图模型的癫痫脑电信号异常监测系统，其特征是，包括：
获取模块，其被配置为：获取待监测的脑电信号；
层次图模型构建模块，其被配置为：将待监测的脑电信号进行分解，并基于分解的频率分量构建层次图模型；
所述层次图模型构建模块，包括：图模型构建单元；所述图模型构建单元，其被配置为：
将时间索引的待监测脑电信号的频率分辨率作为层次图的节点，将节点之间的距离作为节点与节点之间边的权重，得到当前频率分量的层次图；
进而得到待监测脑电信号每个信号片段内所有频率分量对应的所有层次图；将待监测脑电信号的所有层次图，从分段索引重新排列为分量索引；
所述层次图模型构建模块，还包括：层次分级单元；所述层次分级单元，其被配置为：
将待监测的脑电信号划分为若干个信号片段，对每个信号片段均进行层次分解，得到每个信号片段对应的若干个频率分量；
将每个信号片段对应的每个频率分量均转换到频域；
对频域中的分量进行加窗处理，得到周期图；
根据周期图得到时间索引的频率分辨率；
相似性得分计算模块，其被配置为：根据层次图模型，计算所有频率分量对应的融合相似性指标；
融合相似性指标计算单元；所述融合相似性指标计算单元，其被配置为：
将新的频率分量的相似性得分进行标准化处理，得到标准化的相似性得分；
计算每个相似性得分的方差；基于方差计算每个相似性得分的权重；
基于所述每个相似性得分的权重和标准化的相似性得分，得到相似性指标；
进而得到所有频率向量对应的融合相似性指标；
所述相似性得分计算模块，还包括：相似性得分计算单元；
所述相似性得分计算单元，其被配置为：
对设定时间范围内的每一类历史频率分量，计算其中值图；
计算新的频率分量的层次图与对应类别的中值图之间的相似性得分；
得到新的频率分量的相似性得分；
进而得到所有新的频率分量的相似性得分；
输出模块，其被配置为：对于所有频率分量对应的融合相似性指标，利用假设检验进行检测，输出脑电信号中新的频率分量属于正常或异常的结果；
所述设定时间范围是滑动窗口所消耗时间的倍数；
输出模块，包括：
假设检验单元，其被配置为：利用假设检验进行检测，当相似性指标发生改变，则说明脑电信号发生异常，即输出脑电信号异常的指令。
2.如权利要求1所述的系统，其特征是，所述获取模块之后，所述层次图模型构建模块之前，还包括：预处理模块；所述预处理模块，其被配置为：对待监测的脑电信号进行滤波处理。
3.如权利要求1所述的系统，其特征是，
每一类历史频率分量，是当前正在检测的信号片段的前设定时间范围内的频率分量，作为正常的频率分量，即看作正常图模型的集合，然后计算其中值图。
4.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行以下步骤：
获取待监测的脑电信号；将待监测的脑电信号进行分解，并基于分解的频率分量构建层次图模型；根据层次图模型，计算所有频率分量对应的融合相似性指标；
所述层次图模型构建模块，包括：图模型构建单元；所述图模型构建单元，其被配置为：
将时间索引的待监测脑电信号的频率分辨率作为层次图的节点，将节点之间的距离作为节点与节点之间边的权重，得到当前频率分量的层次图；
进而得到待监测脑电信号每个信号片段内所有频率分量对应的所有层次图；将待监测脑电信号的所有层次图，从分段索引重新排列为分量索引；
所述层次图模型构建模块，还包括：层次分级单元；所述层次分级单元，其被配置为：
将待监测的脑电信号划分为若干个信号片段，对每个信号片段均进行层次分解，得到每个信号片段对应的若干个频率分量；
将每个信号片段对应的每个频率分量均转换到频域；
对频域中的分量进行加窗处理，得到周期图；
根据周期图得到时间索引的频率分辨率；
融合相似性指标计算单元；所述融合相似性指标计算单元，其被配置为：
将新的频率分量的相似性得分进行标准化处理，得到标准化的相似性得分；
计算每个相似性得分的方差；基于方差计算每个相似性得分的权重；
基于所述每个相似性得分的权重和标准化的相似性得分，得到相似性指标；
进而得到所有频率向量对应的融合相似性指标；
所述相似性得分计算模块，还包括：相似性得分计算单元；
所述相似性得分计算单元，其被配置为：
对设定时间范围内的每一类历史频率分量，计算其中值图；
计算新的频率分量的层次图与对应类别的中值图之间的相似性得分；
得到新的频率分量的相似性得分；
进而得到所有新的频率分量的相似性得分；
对于所有频率分量对应的融合相似性指标，利用假设检验进行检测，输出脑电信号中新的频率分量属于正常或异常的结果；
所述设定时间范围是滑动窗口所消耗时间的倍数；
输出模块，包括：
假设检验单元，其被配置为：利用假设检验进行检测，当相似性指标发生改变，则说明脑电信号发生异常，即输出脑电信号异常的指令。
5.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成执行以下步骤：
获取待监测的脑电信号；将待监测的脑电信号进行分解，并基于分解的频率分量构建层次图模型；根据层次图模型，计算所有频率分量对应的融合相似性指标；
所述层次图模型构建模块，包括：图模型构建单元；所述图模型构建单元，其被配置为：
将时间索引的待监测脑电信号的频率分辨率作为层次图的节点，将节点之间的距离作为节点与节点之间边的权重，得到当前频率分量的层次图；
进而得到待监测脑电信号每个信号片段内所有频率分量对应的所有层次图；将待监测脑电信号的所有层次图，从分段索引重新排列为分量索引；
所述层次图模型构建模块，还包括：层次分级单元；所述层次分级单元，其被配置为：
将待监测的脑电信号划分为若干个信号片段，对每个信号片段均进行层次分解，得到每个信号片段对应的若干个频率分量；
将每个信号片段对应的每个频率分量均转换到频域；
对频域中的分量进行加窗处理，得到周期图；
根据周期图得到时间索引的频率分辨率；
融合相似性指标计算单元；所述融合相似性指标计算单元，其被配置为：
将新的频率分量的相似性得分进行标准化处理，得到标准化的相似性得分；
计算每个相似性得分的方差；基于方差计算每个相似性得分的权重；
基于所述每个相似性得分的权重和标准化的相似性得分，得到相似性指标；
进而得到所有频率向量对应的融合相似性指标；
所述相似性得分计算模块，还包括：相似性得分计算单元；
所述相似性得分计算单元，其被配置为：
对设定时间范围内的每一类历史频率分量，计算其中值图；
计算新的频率分量的层次图与对应类别的中值图之间的相似性得分；
得到新的频率分量的相似性得分；
进而得到所有新的频率分量的相似性得分；
对于所有频率分量对应的融合相似性指标，利用假设检验进行检测，输出脑电信号中新的频率分量属于正常或异常的结果；
所述设定时间范围是滑动窗口所消耗时间的倍数；
输出模块，包括：
假设检验单元，其被配置为：利用假设检验进行检测，当相似性指标发生改变，则说明脑电信号发生异常，即输出脑电信号异常的指令。
CN202010814190.6A 2020-08-13 2020-08-13 基于层次图模型的癫痫脑电信号异常监测系统及设备 Active CN111938594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010814190.6A CN111938594B (zh) 2020-08-13 2020-08-13 基于层次图模型的癫痫脑电信号异常监测系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010814190.6A CN111938594B (zh) 2020-08-13 2020-08-13 基于层次图模型的癫痫脑电信号异常监测系统及设备

Publications (2)

Publication Number Publication Date
CN111938594A CN111938594A (zh) 2020-11-17
CN111938594B true CN111938594B (zh) 2021-07-02

Family

ID=73341890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010814190.6A Active CN111938594B (zh) 2020-08-13 2020-08-13 基于层次图模型的癫痫脑电信号异常监测系统及设备

Country Status (1)

Country Link
CN (1) CN111938594B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113616190A (zh) * 2021-08-10 2021-11-09 山东大学 一种慢性病患者健康趋势监测与预警系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103961092A (zh) * 2014-05-09 2014-08-06 杭州电子科技大学 基于自适应阈值处理的脑电信号去噪方法
CN107616793A (zh) * 2017-09-18 2018-01-23 电子科技大学 一种具有癫痫发作预测功能的脑电监测装置及方法
WO2018235076A1 (en) * 2017-06-21 2018-12-27 Hadasit Medical Research Services And Development Ltd. METHOD AND SYSTEM FOR PREDICTING RESPONSE TO PHARMACOLOGICAL TREATMENT FROM EEG
CN109431497A (zh) * 2018-10-23 2019-03-08 南京医科大学 一种脑电信号处理方法及癫痫检测系统
CN111419222A (zh) * 2020-03-08 2020-07-17 杭州电子科技大学 基于bni的癫痫发作信号的检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103961092A (zh) * 2014-05-09 2014-08-06 杭州电子科技大学 基于自适应阈值处理的脑电信号去噪方法
WO2018235076A1 (en) * 2017-06-21 2018-12-27 Hadasit Medical Research Services And Development Ltd. METHOD AND SYSTEM FOR PREDICTING RESPONSE TO PHARMACOLOGICAL TREATMENT FROM EEG
CN107616793A (zh) * 2017-09-18 2018-01-23 电子科技大学 一种具有癫痫发作预测功能的脑电监测装置及方法
CN109431497A (zh) * 2018-10-23 2019-03-08 南京医科大学 一种脑电信号处理方法及癫痫检测系统
CN111419222A (zh) * 2020-03-08 2020-07-17 杭州电子科技大学 基于bni的癫痫发作信号的检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Early Change Detection in Dynamical Bearing Degradation Process Based on Hierarchical Graph Model and Adaptive Inputs Weighting Fusion;Shaohua Yang, Zhiliang Liu, Guoliang Lu;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;20200707;第17卷(第5期);II. CONCEPT OF HGM，III. AIW FUSION BASED DECISION-MAKING，IV. ALGORITHM，图1-12 *

Also Published As

Publication number Publication date
CN111938594A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
Wang et al. Detection analysis of epileptic EEG using a novel random forest model combined with grid search optimization
Kulkarni et al. Extracting salient features for EEG-based diagnosis of Alzheimer's disease using support vector machine classifier
Zhang et al. Recognition of mental workload levels under complex human–machine collaboration by using physiological features and adaptive support vector machines
Ilakiyaselvan et al. Deep learning approach to detect seizure using reconstructed phase space images
Gupta et al. FBDM based time-frequency representation for sleep stages classification using EEG signals
Khan et al. Automated classification of lung sound signals based on empirical mode decomposition
CN109974782A (zh) 基于大数据敏感特征优化选取的设备故障预警方法及系统
Güler et al. A modified mixture of experts network structure for ECG beats classification with diverse features
CN114270332A (zh) 用于自动检测数据中的异常的方法和系统
CN109948396B (zh) 一种心拍分类方法、心拍分类装置及电子设备
Al-Salman et al. Detection of EEG K-complexes using fractal dimension of time frequency images technique coupled with undirected graph features
CN107909156B (zh) 一种设备状态检测方法及计算设备
CN112704503B (zh) 心电信号噪声处理方法
Al-Salman et al. Extracting epileptic features in EEGs using a dual-tree complex wavelet transform coupled with a classification algorithm
CN114692758A (zh) 电力通信故障分析方法、装置、终端设备及介质
Peya et al. EEG based autism detection using CNN through correlation based transformation of channels' data
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN111938594B (zh) 基于层次图模型的癫痫脑电信号异常监测系统及设备
Liu et al. Composite multi-scale basic scale Entropy based on CEEMDAN and its application in hydraulic pump fault diagnosis
Deveci et al. Transfer learning enabled bearing fault detection methods based on image representations of single-dimensional signals
Thilagaraj et al. Identification of drivers drowsiness based on features extracted from EEG signal using SVM classifier
CN114305387A (zh) 基于磁共振成像的脑小血管病变图像分类方法、设备及介质
Gao et al. Weak fault detection with a two-stage key frequency focusing model
CN111743535A (zh) 一种基于图模型的脑电异常监测方法及系统

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