CN112057068A - 一种癫痫病理数据分类方法、装置及存储介质 - Google Patents
一种癫痫病理数据分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112057068A CN112057068A CN202010877100.8A CN202010877100A CN112057068A CN 112057068 A CN112057068 A CN 112057068A CN 202010877100 A CN202010877100 A CN 202010877100A CN 112057068 A CN112057068 A CN 112057068A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- classification
- model
- magnetoencephalography
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001575 pathological effect Effects 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000002582 magnetoencephalography Methods 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000013145 classification model Methods 0.000 claims abstract description 56
- 210000004556 brain Anatomy 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 230000001037 epileptic effect Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 25
- 230000007170 pathology Effects 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 23
- 238000007637 random forest analysis Methods 0.000 claims description 17
- 206010015037 epilepsy Diseases 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011179 visual inspection Methods 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 description 3
- 206010010904 Convulsion Diseases 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002397 epileptogenic effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 208000001654 Drug Resistant Epilepsy Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
- A61B5/40—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种癫痫病理数据分类方法、装置及存储介质，方法包括：从预设电磁波采集设备中获取多个原始脑磁波数据，对多个原始脑磁波数据进行预处理，得到多个目标脑磁波数据，并集合多个目标脑磁波数据得到目标脑磁波数据集；构建训练模型，并根据目标脑磁波数据集对训练模型进行训练，得到分类模型；根据目标脑磁波数据集对分类模型进行优化处理，得到分类优化模型；根据分类优化模型对待分类脑磁波数据进行分类处理，得到癫痫病理数据的分类结果。本发明能代替人工目测阅图，自动对大量的脑磁波数据进行智能检测和分类，实时检测出癫痫样放电的脑磁波数据，为临床做及时地干预，效率高，稳定性强，准确率高。
Description
技术领域
本发明主要涉及医疗检测技术领域，具体涉及一种癫痫病理数据分类方法、装置及存储介质。
背景技术
大脑，作为人体最重要的器官，其结构与功能都十分复杂，随着神经电生理技术的不断发展，研究脑神经是目前最为重要的研究方向之一。就临床应用来说，脑电图是通过电极记录下来的脑细胞群的自发性、节律性电活动，是检测脑功能最敏感的方法，是辅助诊断和治疗神经系统疾病的重要手段，特别是在解决癫痫等阵发性脑功能异常的定性及定位问题上，脑电图有着不可替代的作用。
癫痫是一种常见的慢性综合症，以癫痫发作作为临床特征。随着癫痫外科的发展，药物难治性癫痫可以接受手术治疗，而术前评估中准确的致痫灶定位是手术成功的关键所在。临床上有典型癫痫发作的患者中，约80％可以在脑磁波数据检查中发现致痫灶。由于脑磁波数据存在的复杂性和不确定性的特点，目前还难以依靠仪器自动识别和分类，导致长时间持续监测脑磁波数据，仅能依靠专业人员人工目测阅图，不仅工作量极大，识别效率低下，而且专业人员长时间的人工目测阅图，容易产生疲劳而导致容易出错，无法保证较高的识别准确率，同时，还难以实时判断并反馈给临床做及时地干预。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种癫痫病理数据分类方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下：一种癫痫病理数据分类方法，包括如下步骤：
从预设电磁波采集设备中获取多个原始脑磁波数据，对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据，并集合多个所述目标脑磁波数据得到目标脑磁波数据集；
构建训练模型，并根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型；
根据所述目标脑磁波数据集对所述分类模型进行优化处理，得到分类优化模型；
根据所述分类优化模型对待分类脑磁波数据进行分类处理，得到癫痫病理数据的分类结果。
本发明解决上述技术问题的另一技术方案如下：一种癫痫病理数据分类装置，包括：
数据处理模块，用于从预设电磁波采集设备中获取多个原始脑磁波数据，对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据，并集合多个所述目标脑磁波数据得到目标脑磁波数据集；
模型训练模块，用于构建训练模型，并根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型；
优化处理模块，用于根据所述目标脑磁波数据集对所述分类模型进行优化处理，得到分类优化模型；
分类结果获得模块，用于根据所述分类优化模型对待分类脑磁波数据进行分类处理，得到癫痫病理数据的分类结果。
本发明解决上述技术问题的另一技术方案如下：一种癫痫病理数据分类装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的癫痫病理数据分类方法。
本发明解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的癫痫病理数据分类方法。
本发明的有益效果是：通过对多个原始脑磁波数据的预处理得到多个目标脑磁波数据，并集合多个目标脑磁波数据得到目标脑磁波数据集，可以筛除含缺失值的数据，还可以分析出更多有用信息的数据以及对识别和分类影响更大的信息，便于获得识别和分类准确率更高的分类模型；根据目标脑磁波数据集对训练模型的训练得到分类模型，能有效地提高了对癫痫放电分类的可靠性和稳定性；根据目标脑磁波数据集对分类模型的优化处理得到分类优化模型；根据分类优化模型对待分类脑磁波数据的分类处理得到癫痫病理数据的分类结果，能进一步提高癫痫放电的识别准确率，克服了传统人工目测阅图识别癫痫放电的工作量大、效率低下和准确率不够的缺陷，能代替人工目测阅图，自动对大量的脑磁波数据进行智能检测和识别，从而能够更快、更准确的确定病人致痫灶，为之后的治疗做好准备，实时检测出癫痫样放电的脑磁波数据，为临床做及时地干预，效率高，稳定性强，准确率高。
附图说明
图1为本发明实施例提供的癫痫病理数据分类方法的流程示意图；
图2为本发明实施例提供的癫痫病理数据分类装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的癫痫病理数据分类方法的流程示意图。
如图1所示，一种癫痫病理数据分类方法，包括如下步骤：
从预设电磁波采集设备中获取多个原始脑磁波数据，对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据，并集合多个所述目标脑磁波数据得到目标脑磁波数据集；
构建训练模型，并根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型；
根据所述目标脑磁波数据集对所述分类模型进行优化处理，得到分类优化模型；
根据所述分类优化模型对待分类脑磁波数据进行分类处理，得到癫痫病理数据的分类结果。
上述实施例中，通过对多个原始脑磁波数据的预处理得到多个目标脑磁波数据，并集合多个目标脑磁波数据得到目标脑磁波数据集，可以筛除含缺失值的数据，还可以分析出更多有用信息的数据以及对识别和分类影响更大的信息，便于获得识别和分类准确率更高的分类模型；根据目标脑磁波数据集对训练模型的训练得到分类模型，能有效地提高了对癫痫放电分类的可靠性和稳定性；根据目标脑磁波数据集对分类模型的优化处理得到分类优化模型；根据分类优化模型对待分类脑磁波数据的分类处理得到癫痫病理数据的分类结果，能进一步提高癫痫放电的识别准确率，克服了传统人工目测阅图识别癫痫放电的工作量大、效率低下和准确率不够的缺陷，能代替人工目测阅图，自动对大量的脑磁波数据进行智能检测和识别，从而能够更快、更准确的确定病人致痫灶，为之后的治疗做好准备，实时检测出癫痫样放电的脑磁波数据，为临床做及时地干预，效率高，稳定性强，准确率高。
可选地，作为本发明的一个实施例，所述对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据的过程包括：
分别对多个所述原始脑磁波数据进行数据清洗，得到多个中间脑磁波数据；
利用局部线性嵌入算法分别对多个所述中间脑磁波数据进行数据降维，得到多个目标脑磁波数据。
应理解地，数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。
应理解地，局部线性嵌入方法(Locally Linear Embedding，简称LLE)是一种非线性降维算法，它能够使降维后的数据较好地保持原有流行结构；LLE试图保留原始高维数据的局部性质，通过假设原始数据近似位于一张超平面上，从而使得该局部的某一个数据可以由其邻域数据线性表示，LLE认为每一个数据点都可以由其近邻点的线性加权组合构造得到。
应理解地，在机器学习和统计学领域，降维是指在某些限定条件下，降低随机变量个数，得到一组“不相关”主变量的过程。对数据进行降维一方面可以节省计算机的储存空间，另一方面可以剔除数据中的噪声并提高机器学习算法的性能；数据降维的根本：降低数据维度、降维后的数据能尽可能的代表原始数据。
具体地，获取了150例正常人和癫痫患者的原始脑磁波的MEG数据，150个所述原始脑磁波数据中包括50个正常、50个纹波和50个快速纹波；该150个所述原始脑磁波数据用数据格式(150,500)描述，其中150代表有150个所述原始脑磁波数据，500代表每个所述原始脑磁波数据的维度，即每个所述原始脑磁波数据的大小为500×1，其中1代表单通道采样，500为单通道采样总点数，对于任一个所述原始脑磁波的MEG数据，其有些维度上的特征值在列方向上会出现多列缺失值，因此在数据清洗的过程中，删除特征值中所有缺失值的列，可得到对应的中间脑磁波数据。
上述实施例中，分别对多个所述原始脑磁波数据的数据清洗得到多个中间脑磁波数据，可以筛除掉质量差、含缺失值的数据，得到质量更好的中间脑磁波数据；利用局部线性嵌入算法分别对多个所述中间脑磁波数据进行数据降维，得到多个目标脑磁波数据，便于得到对癫痫病理数据分类影响更大的主要特征，减小了后续步骤的运算量。
可选地，作为本发明的一个实施例，所述根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型的过程包括：
S1：将所述目标脑磁波数据集随机划分成目标脑磁波训练集、目标脑磁波测试集和目标脑磁波验证集；
S2：基于随机森林算法构建模型，得到随机森林结构；
S3：将所述目标脑磁波训练集和所述目标脑磁波测试集一并输入所述随机森林结构中进行分类处理，得到训练模型；
S4：根据所述目标脑磁波训练集和所述目标脑磁波测试集对所述训练模型进行模型筛选处理，得到分类模型。
应理解地，由于数据集每次随机分成训练集、测试集和验证集均是随机划分的，因此每次的随机比例均不相同，可以调用train_test_split函数进行随机划分。
应理解地，利用所述随机森林结构中的每棵决策树对所述目标脑磁波训练集和所述目标脑磁波测试集进行分类，得到所述训练模型。
应理解地，将150个所述目标脑磁波数据集合成数据集的过程中，由于150个所述目标脑磁波数据中包括50个正常、50个纹波和50个快速纹波，在选取样本时随机抽样，获得随机的所述目标脑磁波训练集、所述目标脑磁波测试集和所述目标脑磁波验证集进行实验。
具体地，随机森林(Random Forest，简称RF)是一种集成学习算法，它利用随机重采样技术bootstrap和节点随机分裂技术构建多棵决策树，通过投票得到最终分类结果。RF具有分析复杂相互作用分类特征的能力，对于噪声数据和存在缺失值的数据具有很好的鲁棒性，并且具有较快的学习深度，综合了多种机器分类算法的优势，性能高、稳定性强。
上述实施例中，将所述目标脑磁波数据集随机划分成目标脑磁波训练集、目标脑磁波测试集和目标脑磁波验证集，能保证数据的客观性，减少人为因素，有效地提高后续分类模型的准确率；将所述目标脑磁波训练集和所述目标脑磁波测试集一并输入所述随机森林结构中的分类处理得到训练模型，能保证较高的分类准确率，得到符合预期的分类模型；根据所述目标脑磁波训练集和所述目标脑磁波测试集对所述训练模型的模型筛选处理得到分类模型，能使得识别及分类的准确率一直保持在较高水平，提高了癫痫放电识别的稳定性和可靠性。
可选地，作为本发明的一个实施例，所述步骤S4的过程包括：
S41：根据预设的迭代训练次数将所述目标脑磁波训练集输入至所述训练模型进行训练，得到第一检测模型；
S42：将所述目标脑磁波测试集输入所述第一检测模型中进行检测，得到第一准确率，并判断所述第一准确率是否达到预设预期值，若是，则将所述第一检测模型作为分类模型，若否，则执行步骤S43；
S43：根据所述预设的迭代训练次数将所述目标脑磁波测试集输入至所述训练模型进行训练，得到第二检测模型；
S44：将所述目标脑磁波训练集输入所述第二检测模型中进行检测，得到第二准确率；
S45：判断所述第二准确率是否达到所述预设预期值，若是，则将所述第二检测模型确定作为所述分类模型，若否，则返回所述步骤S1，直至所述第一准确率或所述第二准确率达到所述预设预期值，并将达到所述预设预期值的第一准确率对应的所述第一检测模型作为所述分类模型，或者，将达到所述预设预期值的第二准确率对应的所述第二检测模型作为所述分类模型。
上述实施例中，根据所述目标脑磁波训练集和所述目标脑磁波测试集对所述训练模型的判断得到分类模型，能使得识别及分类的准确率一直保持在较高水平，提高了癫痫放电识别的稳定性和可靠性。
可选地，作为本发明的一个实施例，所述根据所述目标脑磁波数据集对所述分类模型进行优化处理，得到分类优化模型的过程包括：
根据预设的参数范围将所述目标脑磁波训练集和所述目标脑磁波测试集一并输入所述分类模型进行参数优化处理，得到待验证分类模型；
根据所述目标脑磁波验证集对所述待验证分类模型进行验证，若验证通过，则将所述待验证分类模型作为分类优化模型，若验证不通过，则返回步骤S2。
应理解地，将所述目标脑磁波训练集和所述目标脑磁波测试集均输入对应的所述分类模型中，并输入所述分类模型的参数范围，利用人工手动调参方法，对所述分类模型进行参数调优，得到待验证分类模型。
上述实施例中，根据预设的参数范围将所述目标脑磁波训练集和所述目标脑磁波测试集一并输入所述分类模型的参数优化处理得到待验证分类模型，能保证得到最优的参数；根据所述目标脑磁波验证集对所述待验证分类模型的验证得到最终分类模型，能进一步确保最终分类模型对癫痫放电的分类准确率，实时地检测出癫痫样放电的脑磁波数据，为临床做及时地干预。
图2为本发明实施例提供的癫痫病理数据分类装置的模块框图。
可选地，作为本发明的另一个实施例，如图2所示，一种癫痫病理数据分类装置，包括：
数据处理模块，用于从预设电磁波采集设备中获取多个原始脑磁波数据，对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据，并集合多个所述目标脑磁波数据得到目标脑磁波数据集；
模型训练模块，用于构建训练模型，并根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型；
优化处理模块，用于根据所述目标脑磁波数据集对所述分类模型进行优化处理，得到分类优化模型；
分类结果获得模块，用于根据所述分类优化模型对待分类脑磁波数据进行分类处理，得到癫痫病理数据的分类结果。
可选地，作为本发明的一个实施例，所述数据处理模块具体用于：
分别对多个所述原始脑磁波数据进行数据清洗，得到多个中间脑磁波数据；
利用局部线性嵌入算法分别对多个所述中间脑磁波数据进行数据降维，得到多个目标脑磁波数据。
可选地，作为本发明的一个实施例，所述模型训练模块具体用于：
将所述目标脑磁波数据集随机划分成目标脑磁波训练集、目标脑磁波测试集和目标脑磁波验证集；
基于随机森林算法构建模型，得到随机森林结构；
将所述目标脑磁波训练集和所述目标脑磁波测试集一并输入所述随机森林结构中进行分类处理，得到训练模型；
根据所述目标脑磁波训练集和所述目标脑磁波测试集对所述训练模型进行模型筛选处理，得到分类模型。
可选地，本发明的另一个实施例提供一种癫痫病理数据分类装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的癫痫病理数据分类方法。该装置可为计算机等装置。
可选地，本发明的另一个实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的癫痫病理数据分类方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。用于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种癫痫病理数据分类方法，其特征在于，包括如下步骤：
从预设电磁波采集设备中获取多个原始脑磁波数据，对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据，并集合多个所述目标脑磁波数据得到目标脑磁波数据集；
构建训练模型，并根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型；
根据所述目标脑磁波数据集对所述分类模型进行优化处理，得到分类优化模型；
根据所述分类优化模型对待分类脑磁波数据进行分类处理，得到癫痫病理数据的分类结果。
2.根据权利要求1所述的癫痫病理数据分类方法，其特征在于，所述对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据的过程包括：
分别对多个所述原始脑磁波数据进行数据清洗，得到多个中间脑磁波数据；
利用局部线性嵌入算法分别对多个所述中间脑磁波数据进行数据降维，得到多个目标脑磁波数据。
3.根据权利要求1所述的癫痫病理数据分类方法，其特征在于，所述根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型的过程包括：
S1：将所述目标脑磁波数据集随机划分成目标脑磁波训练集、目标脑磁波测试集和目标脑磁波验证集；
S2：基于随机森林算法构建模型，得到随机森林结构；
S3：将所述目标脑磁波训练集和所述目标脑磁波测试集一并输入所述随机森林结构中进行分类处理，得到训练模型；
S4：根据所述目标脑磁波训练集和所述目标脑磁波测试集对所述训练模型进行模型筛选处理，得到分类模型。
4.根据权利要求3所述的癫痫病理数据分类方法，其特征在于，所述步骤S4的过程包括：
S41：根据预设的迭代训练次数将所述目标脑磁波训练集输入至所述训练模型进行训练，得到第一检测模型；
S42：将所述目标脑磁波测试集输入所述第一检测模型中进行检测，得到第一准确率，并判断所述第一准确率是否达到预设预期值，若是，则将所述第一检测模型作为分类模型，若否，则执行步骤S43；
S43：根据所述预设的迭代训练次数将所述目标脑磁波测试集输入至所述训练模型进行训练，得到第二检测模型；
S44：将所述目标脑磁波训练集输入所述第二检测模型中进行检测，得到第二准确率；
S45：判断所述第二准确率是否达到所述预设预期值，若是，则将所述第二检测模型确定作为所述分类模型，若否，则返回所述步骤S1，直至所述第一准确率或所述第二准确率达到所述预设预期值，并将达到所述预设预期值的第一准确率对应的所述第一检测模型作为所述分类模型，或者，将达到所述预设预期值的第二准确率对应的所述第二检测模型作为所述分类模型。
5.根据权利要求3所述的癫痫病理数据分类方法，其特征在于，所述根据所述目标脑磁波数据集对所述分类模型进行优化处理，得到分类优化模型的过程包括：
根据预设的参数范围将所述目标脑磁波训练集和所述目标脑磁波测试集一并输入所述分类模型进行参数优化处理，得到待验证分类模型；
根据所述目标脑磁波验证集对所述待验证分类模型进行验证，若验证通过，则将所述待验证分类模型作为分类优化模型，若验证不通过，则返回步骤S2。
6.一种癫痫病理数据分类装置，其特征在于，包括：
数据处理模块，用于从预设电磁波采集设备中获取多个原始脑磁波数据，对多个所述原始脑磁波数据进行预处理，得到多个目标脑磁波数据，并集合多个所述目标脑磁波数据得到目标脑磁波数据集；
模型训练模块，用于构建训练模型，并根据所述目标脑磁波数据集对所述训练模型进行训练，得到分类模型；
优化处理模块，用于根据所述目标脑磁波数据集对所述分类模型进行优化处理，得到分类优化模型；
分类结果获得模块，用于根据所述分类优化模型对待分类脑磁波数据进行分类处理，得到癫痫病理数据的分类结果。
7.根据权利要求6所述的癫痫病理数据分类装置，其特征在于，所述数据处理模块具体用于：
分别对多个所述原始脑磁波数据进行数据清洗，得到多个中间脑磁波数据；
利用局部线性嵌入算法分别对多个所述中间脑磁波数据进行数据降维，得到多个目标脑磁波数据。
8.根据权利要求6所述的癫痫病理数据分类装置，其特征在于，所述模型训练模块具体用于：
将所述目标脑磁波数据集随机划分成目标脑磁波训练集、目标脑磁波测试集和目标脑磁波验证集；
基于随机森林算法构建模型，得到随机森林结构；
将所述目标脑磁波训练集和所述目标脑磁波测试集一并输入所述随机森林结构中进行分类处理，得到训练模型；
根据所述目标脑磁波训练集和所述目标脑磁波测试集对所述训练模型进行模型筛选处理，得到分类模型。
9.一种癫痫病理数据分类装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，实现如权利要求1至5任一项所述的癫痫病理数据分类方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至5任一项所述的癫痫病理数据分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010877100.8A CN112057068A (zh) | 2020-08-27 | 2020-08-27 | 一种癫痫病理数据分类方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010877100.8A CN112057068A (zh) | 2020-08-27 | 2020-08-27 | 一种癫痫病理数据分类方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112057068A true CN112057068A (zh) | 2020-12-11 |
Family
ID=73660416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010877100.8A Pending CN112057068A (zh) | 2020-08-27 | 2020-08-27 | 一种癫痫病理数据分类方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112057068A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819045A (zh) * | 2021-01-20 | 2021-05-18 | 国家卫生健康委科学技术研究所 | 用于用户生理状态分类的方法、装置、电子设备及介质 |
| CN112905581A (zh) * | 2021-03-22 | 2021-06-04 | 杭州联众医疗科技股份有限公司 | 一种机器学习数据存储系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109480833A (zh) * | 2018-08-30 | 2019-03-19 | 北京航空航天大学 | 基于人工智能的癫痫患者脑电信号的预处理和识别方法 |
| CN109549644A (zh) * | 2019-01-14 | 2019-04-02 | 陕西师范大学 | 一种基于脑电采集的人格特征匹配系统 |
| CN110141226A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
| 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 |
| CN111134664A (zh) * | 2019-12-18 | 2020-05-12 | 武汉工程大学 | 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质 |
-
2020
- 2020-08-27 CN CN202010877100.8A patent/CN112057068A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109480833A (zh) * | 2018-08-30 | 2019-03-19 | 北京航空航天大学 | 基于人工智能的癫痫患者脑电信号的预处理和识别方法 |
| CN109549644A (zh) * | 2019-01-14 | 2019-04-02 | 陕西师范大学 | 一种基于脑电采集的人格特征匹配系统 |
| CN110141226A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 自动睡眠分期方法、装置、计算机设备及计算机存储介质 |
| 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 |
| CN111134664A (zh) * | 2019-12-18 | 2020-05-12 | 武汉工程大学 | 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819045A (zh) * | 2021-01-20 | 2021-05-18 | 国家卫生健康委科学技术研究所 | 用于用户生理状态分类的方法、装置、电子设备及介质 |
| CN112905581A (zh) * | 2021-03-22 | 2021-06-04 | 杭州联众医疗科技股份有限公司 | 一种机器学习数据存储系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Ossadtchi et al. | Automated interictal spike detection and source localization in magnetoencephalography using independent components analysis and spatio-temporal clustering | |
| Aarabi et al. | A multistage knowledge-based system for EEG seizure detection in newborn infants | |
| Rutishauser et al. | Online detection and sorting of extracellularly recorded action potentials in human medial temporal lobe recordings, in vivo | |
| Wilson et al. | Spike detection: a review and comparison of algorithms | |
| US9072482B2 (en) | Method and apparatus for automatic seizure monitoring | |
| US20220093215A1 (en) | Discovering genomes to use in machine learning techniques | |
| US20170065229A1 (en) | Neural oscillation monitoring system | |
| CN117503057B (zh) | 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质 | |
| Cuesta–Frau et al. | Noisy EEG signals classification based on entropy metrics. Performance assessment using first and second generation statistics | |
| Al-Salman et al. | Extracting epileptic features in EEGs using a dual-tree complex wavelet transform coupled with a classification algorithm | |
| CN114366124A (zh) | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 | |
| CN112057068A (zh) | 一种癫痫病理数据分类方法、装置及存储介质 | |
| Toulni et al. | Electrocardiogram signals classification using discrete wavelet transform and support vector machine classifier | |
| CN113974653B (zh) | 基于约登指数优化棘波检测方法和装置、存储介质和终端 | |
| Klempíř et al. | Identification of microrecording artifacts with wavelet analysis and convolutional neural network: an image recognition approach | |
| CN115281685A (zh) | 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质 | |
| CN113197545B (zh) | 基于图注意力残差网络与焦点损失的癫痫检测系统 | |
| CN115429284A (zh) | 心电信号分类方法、系统、计算机设备以及可读存储介质 | |
| Singh et al. | Automated atrial fibrillation classification based on denoising stacked autoencoder and optimized deep network | |
| CN112842354A (zh) | 一种心电数据危急值分析方法、装置及系统 | |
| Lopez et al. | HAPPILEE: the Harvard automated processing pipeline in low electrode electroencephalography, a standardized software for low density EEG and ERP data | |
| Traitruengsakul et al. | Automatic localization of epileptic spikes in eegs of children with infantile spasms | |
| Kaur et al. | An Intelligent Diagnosis System for Electrocardiogram (ECG) Images Using Artificial Neural Network (ANN) | |
| CN112270314B (zh) | 棘波识别方法、装置、电子设备及计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201211 |