CN112200221B - 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法 - Google Patents

基于电阻抗成像和脑电图信号的癫痫预测系统及其方法 Download PDF

Info

Publication number
CN112200221B
CN112200221B CN202011000706.XA CN202011000706A CN112200221B CN 112200221 B CN112200221 B CN 112200221B CN 202011000706 A CN202011000706 A CN 202011000706A CN 112200221 B CN112200221 B CN 112200221B
Authority
CN
China
Prior art keywords
features
electroencephalogram
frequency domain
feature
dimensional image
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
CN202011000706.XA
Other languages
English (en)
Other versions
CN112200221A (zh
Inventor
陈世雄
黄为民
朱明星
黄保发
方贤权
黄�俊
李永秀
王程
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.)
Shenzhen Fengsheng Biotechnology Co ltd
Original Assignee
Shenzhen Fengsheng Biotechnology Co ltd
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 Shenzhen Fengsheng Biotechnology Co ltd filed Critical Shenzhen Fengsheng Biotechnology Co ltd
Priority to CN202011000706.XA priority Critical patent/CN112200221B/zh
Publication of CN112200221A publication Critical patent/CN112200221A/zh
Application granted granted Critical
Publication of CN112200221B publication Critical patent/CN112200221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Computational Mathematics (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Neurosurgery (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)

Abstract

本发明公开了基于电阻抗成像和脑电图信号的癫痫预测系统及其方法，包括：采集模块、深层特征生成模块、浅层特征生成模块、分类模块、预测模块。该系统可以实时采集脑功能三维图像以及脑电信号时频特征，实现对脑电信号变化的高时空分辨率监测，并且融合脑电信号特征以及三维功能成像特征，通过对浅层特征与深层特征的分类训练，实时、快速、便携的输出时间周期类别和时域波形类别，可以更加准确地对癫痫进行预测。

Description

基于电阻抗成像和脑电图信号的癫痫预测系统及其方法
技术领域
本发明涉及医疗技术领域，具体是基于电阻抗成像和脑电图信号的癫痫预测系统及其方法。
背景技术
癫痫是一种常见的脑神经系统疾病，源于大脑神经元异常放电，并导致短暂的大脑功能障碍，目前临床上的癫痫预测主要靠医生对脑电图的视觉观察来完成，其检测效率低，判断依据信息不够丰富。非入侵式头皮脑电图技术(EEG)的电极阵列位于头皮表面，可以采集大脑高时间分辨率的电信号信息，实时采集高空间分辨率信号的效果较差，未能对异常电信号的生理部位或大脑深部病灶进行精准定位，生物电阻抗断层成像技术(EIT)是一种无创无放射损伤的功能成像技术，有着无辐射、成像速度快的优点。
目前对癫痫进行检测的方法多基于脑电时域特征，观察时域上的波形变化，未注重异常放电位的脑结构空间图像，有着测量效率低，实时监测数据单一等缺点，现有的融合多信号生理信息的测量系统，融合了脑电与其他生理部位的特征信息，未对脑部的生理结构或功能信息进行深度挖掘，并且三维脑部电阻抗成像技术多结合于核磁共振技术，有结合EEG技术的电路设计，但未应用于癫痫预测方向。
因此，如何利用电阻抗成像与脑电图信号对癫痫发作的几率以及发病部位的可能分布进行预测是本领域技术人员亟待解决的问题。
发明内容
鉴于上述问题，本发明的目的是解决目前癫痫进行检测的方法测量效率低，实时监测数据单一，并且脑部电阻抗成像与脑电信号缺乏应用于癫痫预测方面的技术手段问题，实现利用电阻抗成像与脑电图信号对癫痫发作的几率以及发病部位的可能分布。
本发明实施例提供基于电阻抗成像和脑电图信号的癫痫预测系统，包括：采集模块、深层特征生成模块、浅层特征生成模块、分类模块、预测模块；
所述采集模块用于采集脑电波形信号与脑功能三维图像，并根据所述脑电波形信号提取脑电频域特征，根据所述脑功能三维图像提取脑功能三维图像特征，将所述脑电频域特征与所述脑功能三维图像特征传输给所述深层特征生成模块，将所述脑电波形信号和所述脑电频域特征传输给所述浅层特征生成模块；
所述深层特征生成模块用于分别将所述脑电频域特征与所述脑功能三维图像特征输入至卷积神经网络，生成深层特征，并将所述深层特征传输给所述分类模块；
所述浅层特征生成模块用于从所述脑电波形信号提取出波幅、持续时间和动态脑电图波峰端点值作为浅层特征，从所述频域特征提取出功率谱熵值作为所述浅层特征，将所述浅层特征传输给所述分类模块；
所述分类模块用于将所述深层特征与所述浅层特征进行拼接并输入分类器进行分类，输出时间周期类别和时域波形类别；
所述预测模块连接所述分类模块，用于根据所述时间周期类别与所述时域波形类别预测癫痫发作的几率以及发病部位的可能分布。
在一个实施例中，所述深层特征生成模块，包括：脑电频域特征训练单元、脑功能三维图像特征训练单元、深层特征生成单元；
所述脑电频域特征训练单元用于将所述脑电频域特征输入至卷积神经网络进行训练，生成脑电频域特征全连接层；
所述脑功能三维图像特征训练单元用于将所述脑功能三维图像特征输入至所述卷积神经网络进行训练，生成脑功能三维图像特征全连接层；
所述深层特征生成单元连接所述脑电频域特征训练单元和所述脑功能三维图像特征训练单元，用于将所述电频域特征全连接层与所述脑功能三维图像特征全连接层进行拼接，生成深层特征。
在一个实施例中，所述分类模块，包括：拼接单元、融合特征训练单元和分类单元；
所述拼接单元用于将所述浅层特征与所述深层特征进行拼接，生成融合特征；
所述融合特征训练单元连接所述拼接单元与所述分类单元，用于选取多个融合特征作为样本输入至分类器进行训练，生成时间周期类别和时域波形类别，根据交叉熵损失函数计算交叉熵，当所述交叉熵大于预设阈值时，根据交叉熵反向调节权值，直至所述交叉熵小于预设阈值，此时停止训练并生成分类模型；
所述分类单元用于将融合特征输入至所述分类模型，输出时间周期类别和时域波形类别。
在一个实施例中，所述时间周期类别，包括：长期、中期和短期。
在一个实施例中，所述时域波形类别，包括：棘波、尖波、慢复合波、高度节律失调波和正常脑电波。
基于上述目的，在本申请的第二个方面，还提出了基于电阻抗成像和脑电图信号的癫痫预测方法，包括：
采集模块采集脑电波形信号与脑功能三维图像，并根据所述脑电波形信号提取脑电频域特征，根据所述脑功能三维图像提取脑功能三维图像特征；
将所述脑电频域特征与所述脑功能三维图像特征传输给深层特征生成模块，将所述脑电波形信号和所述脑电频域特征传输给浅层特征生成模块；
所述深层特征生成模块分别将所述脑电频域特征与所述脑功能三维图像特征输入至卷积神经网络，生成深层特征；
所述浅层特征生成模块从所述脑电波形信号提取出波幅、持续时间和动态脑电图波峰端点值作为浅层特征，从所述频域特征提取出功率谱熵值作为浅层特征，将所述浅层特征传输给分类模块；
所述分类模块将所述深层特征与所述浅层特征进行拼接并输入分类器进行分类，输出时间周期类别和时域波形类别；
根据所述时间周期类别与所述时域波形类别，预测模块对癫痫发作的几率以及发病部位的可能分布进行预测。
在一个实施例中，所述深层特征生成模块分别将所述脑电频域特征与所述脑功能三维图像特征输入至卷积神经网络，生成深层特征，包括：
脑电频域特征训练单元将所述脑电频域特征输入至卷积神经网络进行训练，生成脑电频域特征全连接层；
脑功能三维图像特征训练单元将所述脑功能三维图像特征输入至所述卷积神经网络进行训练，生成脑功能三维图像特征全连接层；
深层特征生成单元将所述电频域特征全连接层与所述脑功能三维图像特征全连接层进行拼接，生成深层特征。
在一个实施例中，所述分类模块将所述深层特征与所述浅层特征进行拼接并输入分类器进行分类，输出时间周期类别和时域波形类别，包括：
拼接单元将所述浅层特征与所述深层特征进行拼接，生成融合特征；
融合特征训练单元选取多个融合特征作为样本输入至分类器进行训练，生成时间周期类别和时域波形类别；
根据交叉熵损失函数计算交叉熵，当所述交叉熵大于预设阈值时，根据交叉熵反向调节权值，直至所述交叉熵小于预设阈值，此时停止训练并生成分类模型；
分类单元将融合特征输入至所述分类模型，输出时间周期类别和时域波形类别。
在一个实施例中，所述时间周期类别，包括：长期、中期和短期。
在一个实施例中，所述时域波形类别，包括：棘波、尖波、慢复合波、高度节律失调波和正常脑电波。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的基于电阻抗成像和脑电图信号的癫痫预测系统及其方法，本系统可以实时采集脑功能三维图像以及脑电信号时频特征，实现对脑电信号变化的高时空分辨率监测，并且融合脑电信号特征以及三维功能成像特征，通过对浅层特征与深层特征的分类训练，实时、快速、便携的输出时间周期类别和时域波形类别，可以更加准确地对癫痫进行预测。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于电阻抗成像和脑电图信号的癫痫预测系统的框图；
图2a为本发明实施例提供的棘波示意图；
图2b为本发明实施例提供的尖波示意图；
图2c为本发明实施例提供的棘-慢波示意图；
图2d为本发明实施例提供的多棘-慢波示意图；
图2e为本发明实施例提供的尖-慢波波示意图；
图2f为本发明实施例提供的高峰戒律紊乱示意图；
图2g为本发明实施例提供的发作性节律波示意图；
图3为本发明实施例提供的基于电阻抗成像和脑电图信号的癫痫预测方法流程图；
图4为本发明实施例提供的步骤S303的流程图；
图5为本发明实施例提供的步骤S305的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示，本发明实施例提供的基于电阻抗成像和脑电图信号的癫痫预测系统，包括：采集模块1、深层特征生成模块2、浅层特征生成模块3、分类模块4、预测模块5；
所述采集模块1用于采集脑电波形信号与脑功能三维图像，并根据所述脑电波形信号提取脑电频域特征，根据所述脑功能三维图像提取脑功能三维图像特征，将所述脑电频域特征与所述脑功能三维图像特征传输给所述深层特征生成模块2，将所述脑电波形信号和所述脑电频域特征传输给所述浅层特征生成模块3。
具体的，所述采集模块1将EIT电阻抗测量电极使用的是环状电极阵列应用于EEG-EIT电极阵列，进而采集脑电波形信号与电阻抗成像，通过控制电路对两种模态的采集进行控制，在需要进行EIT测量时，开启对应相邻电极的安全电流激励，并测量电场特定部位的导电率分布变化。
进一步地，利用小波变换提取所述脑电图频域特征，所述小波变换的计算公式如下：
Figure BDA0002694204290000061
其中，α表示小波尺度，τ表示平移量，f(t)表示时间信号函数，t表示时间，
Figure BDA0002694204290000062
表示小波变换的尺度函数，WT(α，τ)表示脑电图频域特征。
进一步地，脑功能三维图像的采集过程为：采集电压变化量与阻抗变化量，并根据所述电压变化量与所述阻抗变化量计算阻抗分布函数，基于所述阻抗分布函数生成有限元剖分图像，并根据所述有限元剖分图像构建脑部三维图像。
所述深层特征生成模块2用于分别将所述脑电频域特征与所述脑功能三维图像特征输入至卷积神经网络，生成深层特征，并将所述深层特征传输给所述分类模块4。
所述浅层特征生成模块3用于从所述脑电波形信号提取出波幅、持续时间和动态脑电图波峰端点值作为浅层特征，从所述频域特征提取出功率谱熵值作为所述浅层特征，将所述浅层特征传输给所述分类模块4。
具体的，截取1-2分钟的脑电波形信号信号，由控制电路检测算法生成脑电波形信号信号的波幅、持续时间，包括前期、间期、后期三个部分。
进一步地，所述频域特征包括(δ，0.5-3Hz)、(θ，4-7Hz),(α，8-13Hz)，(β，14-30Hz)4个频段的功率值和相位值。
进一步地，基于所述脑电波形信号，利用aEEG算法提取所述动态脑电图波峰端点值，aEEG算法的具体步骤如下：
1)采用异步滤波器进行信号滤波，其中，采用2-15Hz带通滤波，设置12dB的线性增益；
2)波幅绝对值修正，将脑电信号负值转化为正值；
3)使用5阶butterworth滤波器，提取EEG波幅包络；
4)将EEG包络分为持续时间10s的时间段，提取波幅上下波峰值作为边缘端点，生成脑电图时域波形。
进一步地，通过窗口平滑处理，平均化整合数据，将将所述波幅、持续时间、动态脑电图波峰端点值和功率谱熵值特征截取到半分钟内，采样率为256Hz，最终以7680x1的长度放入分类器。
进一步地，根据所述频域特征提取功率谱熵值，所述功率谱熵提取算法的具体步骤如下：
1)计算功率谱密度P(ωi)，计算公式如下：
Figure BDA0002694204290000071
其中，|X(ωi)表示快速傅里叶变换的得到的频谱信号函数，N表示频率点的个数；
2)归一化PSE((porto-systemic encephalopathy)值，提取功率谱密度分布Pi，计算公式如下：
Figure BDA0002694204290000081
3)计算功率谱熵值H，计算公式如下：
Figure BDA0002694204290000082
所述分类模块4用于将所述深层特征与所述浅层特征进行拼接并输入分类器进行分类，输出时间周期类别和时域波形类别；
所述预测模块5连接所述分类模块4，用于根据所述时间周期类别与所述时域波形类别预测癫痫发作的几率以及发病部位的可能分布。
本实施例中，可以实时采集脑功能三维图像以及脑电信号时频特征，实现对脑电信号变化的高时空分辨率监测，并且融合脑电信号特征以及三维功能成像特征，通过对浅层特征与深层特征的分类训练，实时、快速、便携的输出时间周期类别和时域波形类别，可以更加准确地对癫痫进行预测。
在一个实施例中，所述深层特征生成模块2，包括：脑电频域特征训练单元6、脑功能三维图像特征训练单元7、深层特征生成单元8；
所述脑电频域特征训练单元6用于将所述脑电频域特征输入至卷积神经网络进行训练，生成脑电频域特征全连接层；
所述脑功能三维图像特征训练单元7用于将所述脑功能三维图像特征输入至所述卷积神经网络进行训练，生成脑功能三维图像特征全连接层；
所述深层特征生成单元8连接所述脑电频域特征训练单元6和所述脑功能三维图像特征训练单元7，用于将所述电频域特征全连接层与所述脑功能三维图像特征全连接层进行拼接，生成深层特征。
下面通过具体的实施例来说明所述深层特征生成模块2的工作过程的。
实施例1：
A、所述脑电频域特征训练单元6将所述脑电频域特征输入至卷积神经网络进行训练，生成脑电频域特征全连接层，具体过程如下：
第一次卷积，输入大小为4097×1，用5个大小为8×1的卷积核对输入层进行卷积运算，移动步长为1，输出大小为4090×1；
第一次池化，采用尺寸大小为2×2的最大池化，输出大小为2045×1；
第二次卷积，输入大小为2045×1，用5个大小为6×1的卷积核对输入层进行卷积运算，移动步长为1，输出大小为2040×1；
第二次池化，采用尺寸大小为2×2的最大池化，输出大小为1020×1；
第三次卷积，输入大小为1020×1，用10个大小为7×1的卷积核对输入层进行卷积运算，移动步长为1，输出大小为1014×1；
第三次池化，采用尺寸大小为2×2的最大池化，输出大小为507×1；
第四次卷积，输入大小为507×1，用10个大小为6×1的卷积核对输入层进行卷积运算，移动步长为1，输出大小为502×1；
第四次池化，采用尺寸大小为2×2的最大池化，输出大小为251×1；
展开成为2510个单元的全连接层；
B、所述脑功能三维图像特征训练单元7将所述脑功能三维图像特征输入至所述卷积神经网络进行训练，生成脑功能三维图像特征全连接层，具体过程如下：
第一次卷积，输入大小为128×128，用5个大小为5×5的卷积核对输入层进行卷积运算，移动步长为1，输出大小为5@124×124；
第一次池化，采用尺寸大小为2×2的最大池化，输出大小为5@62×62。
第二次卷积，输入大小为5@62×62，用10个大小为5×5的卷积核对输入层进行卷积运算，移动步长为1，输出大小为10@58×58；
第二次池化，采用尺寸大小为2×2的最大池化，输出大小为10@29×29；
第三次卷积，输入大小为10@29×29，用20个大小为4×4的卷积核对输入层进行卷积运算，移动步长为1，输出大小为20@26×26；
第三次池化，采用尺寸大小为2×2的最大池化，输出大小为20@13×13。
第四次卷积，输入大小为20@13×13，用30个大小为4×4的卷积核对输入层进行卷积运算，移动步长为1，输出大小为30@10×10；
第四次池化，采用尺寸大小为2×2的最大池化，输出大小为30@5×5；
展开成为750个单元的全连接层；
C、将EEG部分2510个单元的全连接层与EIT部分750个单元的全连接层拼接在一起，生成一个3260个单元的全连接层，继续经过两层全连接层，得到一个10个单元的输出层，达到融合分类的目的。
在一个实施例中，所述分类模块4，包括：拼接单元9、融合特征训练单元10和分类单元11；
所述拼接单元9用于将所述浅层特征(7680x12个单元)与所述深层特征(3260个单元)进行拼接，生成融合特征。
所述融合特征训练单元10连接所述拼接单元9与所述分类单元11，用于选取多个融合特征作为样本输入至分类器进行训练，生成时间周期类别和时域波形类别，根据交叉熵损失函数计算交叉熵，当所述交叉熵大于预设阈值时，根据交叉熵反向调节权值，直至所述交叉熵小于预设阈值，此时停止训练并生成分类模型。
具体的，将所述时间周期类别的类别标签设置为1，将所述时域波形类别的类别标签设置为2。
所述分类单元11用于将融合特征输入至所述分类模型，输出时间周期类别和时域波形类别。
具体的，所述时间周期类别，包括：长期(1天发作次数为1次或0次，属于程度较轻)、中期(1天发作次数为2次至3次，属于程度明显)和短期(1天发作次数大于3次，属于程度比较严重)。
进一步地，所述时域波形类别，包括：棘波(如图2a所示，振幅多在100μv以上，持续时间20ms-70ms，波形垂直上升或下降)、尖波(如图2b所示，振幅多在100μv-200μv，持续时间100ms-200ms，波形下降较平缓)、慢复合波(200ms-500ms，100-300μv，是尖波或棘波与慢波的复合波形)、高度节律失调波(多种波形复合，常见于癫痫发作间期，被认为是背景活动波形)和正常脑电波。
进一步地，所述慢性复合波包括：棘-慢波(如图2c所示)、多棘-慢波(如图2d所示)和尖-慢波(如图2e所示)。
进一步地，所述高度节律失调波包括：高峰戒律紊乱(如图2f所示)和发作性节律波(如图2g所示)。
参照图3所示，基于电阻抗成像和脑电图信号的癫痫预测方法，包括：
S301、采集模块采集脑电波形信号与脑功能三维图像，并根据所述脑电波形信号提取脑电频域特征，根据所述脑功能三维图像提取脑功能三维图像特征。
具体的，所述采集模块将EIT电阻抗测量电极使用的是环状电极阵列应用于EEG-EIT电极阵列，进而采集脑电波形信号与电阻抗成像，通过控制电路对两种模态的采集进行控制，在需要进行EIT测量时，开启对应相邻电极的安全电流激励，并测量电场特定部位的导电率分布变化。
进一步地，利用小波变换提取所述脑电图频域特征，所述小波变换的计算公式如下：
Figure BDA0002694204290000111
其中，α表示小波尺度，τ表示平移量，f(t)表示时间信号函数，t表示时间，
Figure BDA0002694204290000112
表示小波变换的尺度函数，WT(α，τ)表示脑电图频域特征。
进一步地，脑功能三维图像的采集过程为：采集电压变化量与阻抗变化量，并根据所述电压变化量与所述阻抗变化量计算阻抗分布函数，基于所述阻抗分布函数生成有限元剖分图像，并根据所述有限元剖分图像构建脑部三维图像。
S302、将所述脑电频域特征与所述脑功能三维图像特征传输给深层特征生成模块，将所述脑电波形信号和所述脑电频域特征传输给浅层特征生成模块。
S303、所述深层特征生成模块分别将所述脑电频域特征与所述脑功能三维图像特征输入至卷积神经网络，生成深层特征。
S304、所述浅层特征生成模块从所述脑电波形信号提取出波幅、持续时间和动态脑电图波峰端点值作为浅层特征，从所述频域特征提取出功率谱熵值作为浅层特征，将所述浅层特征传输给分类模块。
具体的，截取1-2分钟的脑电波形信号信号，由控制电路检测算法生成脑电波形信号信号的波幅、持续时间，包括前期、间期、后期三个部分。
进一步地，所述频域特征包括(δ，0.5-3Hz)、(θ，4-7Hz),(α，8-13Hz)，(β，14-30Hz)4个频段的功率值和相位值。
进一步地，基于所述脑电波形信号，利用aEEG算法提取所述动态脑电图波峰端点值，aEEG算法的具体步骤如下：
1)采用异步滤波器进行信号滤波，其中，采用2-15Hz带通滤波，设置12dB的线性增益；
2)波幅绝对值修正，将脑电信号负值转化为正值；
3)使用5阶butterworth滤波器，提取EEG波幅包络；
4)将EEG包络分为持续时间10s的时间段，提取波幅上下波峰值作为边缘端点，生成脑电图时域波形。
进一步地，通过窗口平滑处理，平均化整合数据，将将所述波幅、持续时间、动态脑电图波峰端点值和功率谱熵值特征截取到半分钟内，采样率为256Hz，最终以7680x1的长度放入分类器。
进一步地，根据所述频域特征提取功率谱熵值，所述功率谱熵提取算法的具体步骤如下：
1)计算功率谱密度P(ωi)，计算公式如下：
Figure BDA0002694204290000121
其中，|X(ωi)表示快速傅里叶变换的得到的频谱信号函数，N表示频率点的个数；
2)归一化PSE((porto-systemic encephalopathy)值，提取功率谱密度分布Pi，计算公式如下：
Figure BDA0002694204290000131
3)计算功率谱熵值H，计算公式如下：
Figure BDA0002694204290000132
S305、所述分类模块将所述深层特征与所述浅层特征进行拼接并输入分类器进行分类，输出时间周期类别和时域波形类别。
S306、根据所述时间周期类别与所述时域波形类别，预测模块对癫痫发作的几率以及发病部位的可能分布进行预测。
在一个实施例中，如图4所示，步骤S203，即所述深层特征生成模块分别将所述脑电频域特征与所述脑功能三维图像特征输入至卷积神经网络，生成深层特征，包括：
S3031、脑电频域特征训练单元将所述脑电频域特征输入至卷积神经网络进行训练，生成脑电频域特征全连接层；
S3032、脑功能三维图像特征训练单元将所述脑功能三维图像特征输入至所述卷积神经网络进行训练，生成脑功能三维图像特征全连接层；
S3033、深层特征生成单元将所述电频域特征全连接层与所述脑功能三维图像特征全连接层进行拼接，生成深层特征。
在一个实施例中，如图5所示，步骤S305，即所述分类模块将所述深层特征与所述浅层特征进行拼接并输入分类器进行分类，输出时间周期类别和时域波形类别，包括：
S3051、拼接单元将所述浅层特征与所述深层特征进行拼接，生成融合特征。
S3052、融合特征训练单元选取多个融合特征作为样本输入至分类器进行训练，生成时间周期类别和时域波形类别。
具体的，将所述时间周期类别的类别标签设置为1，将所述时域波形类别的类别标签设置为2。
S3053、根据交叉熵损失函数计算交叉熵，当所述交叉熵大于预设阈值时，根据交叉熵反向调节权值，直至所述交叉熵小于预设阈值，此时停止训练并生成分类模型。
S3054、分类单元将融合特征输入至所述分类模型，输出时间周期类别和时域波形类别。
具体的，所述时间周期类别，包括：长期(1天发作次数为1次或0次，属于程度较轻)、中期(1天发作次数为2次至3次，属于程度明显)和短期(1天发作次数大于3次，属于程度比较严重)。
进一步地，所述时域波形类别，包括：棘波(振幅多在100μv以上，持续时间20ms-70ms，波形垂直上升或下降)、尖波(振幅多在100μv-200μv，持续时间100ms-200ms，波形下降较平缓)、慢复合波(200ms-500ms，100-300μv，是尖波或棘波与慢波的复合波形)、高度节律失调波(多种波形复合，常见于癫痫发作间期，被认为是背景活动波形)和正常脑电波。
进一步地，所述慢性复合波包括：棘-慢波、多棘-慢波(如图2d所示)和尖-慢波。
进一步地，所述高度节律失调波包括：高峰戒律紊乱和发作性节律波。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.基于电阻抗成像和脑电图信号的癫痫预测系统，其特征在于，包括：采集模块、深层特征生成模块、浅层特征生成模块、分类模块、预测模块；
所述采集模块用于采集脑电波形信号与脑功能三维图像，并根据所述脑电波形信号提取脑电频域特征，根据所述脑功能三维图像提取脑功能三维图像特征，将所述脑电频域特征与所述脑功能三维图像特征传输给所述深层特征生成模块，将所述脑电波形信号和所述脑电频域特征传输给所述浅层特征生成模块；
所述深层特征生成模块用于分别将所述脑电频域特征与所述脑功能三维图像特征输入至卷积神经网络，生成深层特征，并将所述深层特征传输给所述分类模块；
所述浅层特征生成模块用于从所述脑电波形信号提取出波幅、持续时间和动态脑电图波峰端点值作为浅层特征，从所述频域特征提取出功率谱熵值作为所述浅层特征，将所述浅层特征传输给所述分类模块；
所述分类模块用于将所述深层特征与所述浅层特征进行拼接并输入分类器进行分类，输出时间周期类别和时域波形类别；
所述预测模块连接所述分类模块，用于根据所述时间周期类别与所述时域波形类别预测癫痫发作的几率以及发病部位的可能分布；
所述深层特征生成模块，包括：脑电频域特征训练单元、脑功能三维图像特征训练单元、深层特征生成单元；
所述脑电频域特征训练单元用于将所述脑电频域特征输入至卷积神经网络进行训练，生成脑电频域特征全连接层；
所述脑功能三维图像特征训练单元用于将所述脑功能三维图像特征输入至所述卷积神经网络进行训练，生成脑功能三维图像特征全连接层；
所述深层特征生成单元连接所述脑电频域特征训练单元和所述脑功能三维图像特征训练单元，用于将所述电频域特征全连接层与所述脑功能三维图像特征全连接层进行拼接，生成深层特征。
2.如权利要求1所述的基于电阻抗成像和脑电图信号的癫痫预测系统，其特征在于，所述分类模块，包括：拼接单元、融合特征训练单元和分类单元；
所述拼接单元用于将所述浅层特征与所述深层特征进行拼接，生成融合特征；
所述融合特征训练单元连接所述拼接单元与所述分类单元，用于选取多个融合特征作为样本输入至分类器进行训练，生成时间周期类别和时域波形类别，根据交叉熵损失函数计算交叉熵，当所述交叉熵大于预设阈值时，根据交叉熵反向调节权值，直至所述交叉熵小于预设阈值，此时停止训练并生成分类模型；
所述分类单元用于将融合特征输入至所述分类模型，输出时间周期类别和时域波形类别。
3.如权利要求2所述基于电阻抗成像和脑电图信号的癫痫预测系统，其特征在于，所述时间周期类别，包括：长期、中期和短期。
4.如权利要求2所述的基于电阻抗成像和脑电图信号的癫痫预测系统，其特征在于，所述时域波形类别，包括：棘波、尖波、慢复合波、高度节律失调波和正常脑电波。
5.基于电阻抗成像和脑电图信号的癫痫预测方法，其特征在于，包括：
采集模块采集脑电波形信号与脑功能三维图像，并根据所述脑电波形信号提取脑电频域特征，根据所述脑功能三维图像提取脑功能三维图像特征；
将所述脑电频域特征与所述脑功能三维图像特征传输给深层特征生成模块，将所述脑电波形信号和所述脑电频域特征传输给浅层特征生成模块；
所述深层特征生成模块分别将所述脑电频域特征与所述脑功能三维图像特征输入至卷积神经网络，生成深层特征；
所述浅层特征生成模块从所述脑电波形信号提取出波幅、持续时间和动态脑电图波峰端点值作为浅层特征，从所述频域特征提取出功率谱熵值作为浅层特征，将所述浅层特征传输给分类模块；
所述分类模块将所述深层特征与所述浅层特征进行拼接并输入分类器进行分类，输出时间周期类别和时域波形类别；
根据所述时间周期类别与所述时域波形类别，预测模块对癫痫发作的几率以及发病部位的可能分布进行预测；
所述深层特征生成模块分别将所述脑电频域特征与所述脑功能三维图像特征输入至卷积神经网络，生成深层特征，包括：
脑电频域特征训练单元将所述脑电频域特征输入至卷积神经网络进行训练，生成脑电频域特征全连接层；
脑功能三维图像特征训练单元将所述脑功能三维图像特征输入至所述卷积神经网络进行训练，生成脑功能三维图像特征全连接层；
深层特征生成单元将所述电频域特征全连接层与所述脑功能三维图像特征全连接层进行拼接，生成深层特征。
6.如权利要求5所述的基于电阻抗成像和脑电图信号的癫痫预测方法，其特征在于，所述分类模块将所述深层特征与所述浅层特征进行拼接并输入分类器进行分类，输出时间周期类别和时域波形类别，包括：
拼接单元将所述浅层特征与所述深层特征进行拼接，生成融合特征；
融合特征训练单元选取多个融合特征作为样本输入至分类器进行训练，生成时间周期类别和时域波形类别；
根据交叉熵损失函数计算交叉熵，当所述交叉熵大于预设阈值时，根据交叉熵反向调节权值，直至所述交叉熵小于预设阈值，此时停止训练并生成分类模型；
分类单元将融合特征输入至所述分类模型，输出时间周期类别和时域波形类别。
7.如权利要求6所述的基于电阻抗成像和脑电图信号的癫痫预测方法，其特征在于，所述时间周期类别，包括：长期、中期和短期。
8.如权利要求6所述的基于电阻抗成像和脑电图信号的癫痫预测方法，其特征在于，所述时域波形类别，包括：棘波、尖波、慢复合波、高度节律失调波和正常脑电波。
CN202011000706.XA 2020-09-22 2020-09-22 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法 Active CN112200221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011000706.XA CN112200221B (zh) 2020-09-22 2020-09-22 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011000706.XA CN112200221B (zh) 2020-09-22 2020-09-22 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法

Publications (2)

Publication Number Publication Date
CN112200221A CN112200221A (zh) 2021-01-08
CN112200221B true CN112200221B (zh) 2021-06-15

Family

ID=74015822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011000706.XA Active CN112200221B (zh) 2020-09-22 2020-09-22 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法

Country Status (1)

Country Link
CN (1) CN112200221B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112992341A (zh) * 2021-02-26 2021-06-18 青岛大学附属医院 一种婴儿痉挛症的头皮脑电发作期高频振荡模型
CN115067921B (zh) * 2022-06-14 2023-06-13 杭州永川科技有限公司 基于脑电阻抗数据的体外循环术神经功能损伤预测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109106365A (zh) * 2018-09-04 2019-01-01 杭州航弈生物科技有限责任公司 基于脑电信号处理的癫痫发作预警设备
CN110292377A (zh) * 2019-06-10 2019-10-01 东南大学 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法
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
CN111657935A (zh) * 2020-05-11 2020-09-15 浙江大学 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7974671B2 (en) * 2003-09-19 2011-07-05 Hitachi Medical Corporation Living body information signal processing system combining living body optical measurement apparatus and brain wave measurement apparatus and probe device used for the same
FR2888743B1 (fr) * 2005-07-22 2007-10-12 Centre Nat Rech Scient Procede et dispositif de representation d'une image fonctionnelle dynamique du cerveau, par localisation et discrimination des generateurs neuroelectriques intracerebraux et leurs applications
US8374696B2 (en) * 2005-09-14 2013-02-12 University Of Florida Research Foundation, Inc. Closed-loop micro-control system for predicting and preventing epileptic seizures

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109106365A (zh) * 2018-09-04 2019-01-01 杭州航弈生物科技有限责任公司 基于脑电信号处理的癫痫发作预警设备
CN110292377A (zh) * 2019-06-10 2019-10-01 东南大学 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法
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
CN111657935A (zh) * 2020-05-11 2020-09-15 浙江大学 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
应用生物性电阻抗断层成像技术定位大鼠癫痫模型致癫灶的初步研究;孙杨;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20120115(第01期);E070-18 *

Also Published As

Publication number Publication date
CN112200221A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
Morabito et al. Enhanced compressibility of EEG signal in Alzheimer's disease patients
CN112200221B (zh) 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法
CN104809434A (zh) 一种基于单通道脑电信号眼电伪迹去除的睡眠分期方法
Sriraam et al. Automated epileptic seizures detection using multi-features and multilayer perceptron neural network
CN103845137A (zh) 基于稳态视觉诱发脑机接口的机器人控制方法
CN110969108A (zh) 一种基于自主运动想象脑电的肢体动作识别方法
CN102715903A (zh) 基于定量脑电图的脑电特征提取方法
CN104571504B (zh) 一种基于想象动作的在线脑‑机接口方法
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
CN108836319B (zh) 一种融合个体化脑节律比和前额肌电能量的神经反馈系统
CN108280414A (zh) 一种基于能量特征的运动想象脑电信号的识别方法
Sarma et al. Pre-processing and feature extraction techniques for EEGBCI applications-a review of recent research
CN105701973A (zh) 基于脑电波采集的疲劳检测及预警方法和系统
CN113598790A (zh) 基于听觉刺激的意识障碍脑功能网络的意识评估方法
CN113180704A (zh) 一种基于eeg脑波的睡眠纺锤波检测方法、系统
Islam et al. Optimal IMF selection of EMD for sleep disorder diagnosis using EEG signals
CN114404825A (zh) 一种睡眠闭环经颅脑刺激方法及系统
CN108814595A (zh) 基于vr系统的脑电信号恐惧度分级特征研究
CN112515680B (zh) 可穿戴脑电疲劳监测系统
Fuad et al. Three dimension 3D signal for electroencephalographic (EEG)
CN112200912B (zh) 基于电阻抗成像和脑电图信号的脑部成像系统及其方法
Wei et al. Automatic recognition of epileptic discharges based on shape similarity in time-domain
Eva et al. Amplitude Modulation Index as Feature in a Brain Computer Interface.
CN113558637A (zh) 一种基于相位传递熵的音乐感知下脑网络构建方法
CN113208633A (zh) 一种基于eeg脑波的情绪识别方法、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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Chen Shixiong

Inventor after: Huang Weimin

Inventor after: Zhu Mingxing

Inventor after: Huang Baofa

Inventor after: Fang Xianquan

Inventor after: Huang Jun

Inventor after: Li Shuixiu

Inventor after: Wang Cheng

Inventor before: Chen Shixiong

Inventor before: Huang Weimin

Inventor before: Zhu Mingxing

Inventor before: Huang Baofa

Inventor before: Fang Xianquan

Inventor before: Huang Jun

Inventor before: Li Yongxiu

Inventor before: Wang Cheng

CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 518107 d801-2, building A3, Guangming Science Park, China Merchants Group, sightseeing Road, Fenghuang community, Fenghuang street, Guangming District, Shenzhen, Guangdong

Patentee after: Shenzhen Fengsheng Biotechnology Co.,Ltd.

Address before: 518132 room 313, building A1A2, Guangming Science Park, China Merchants Group, sightseeing Road, Fenghuang community, Fenghuang street, Guangming District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen Fengsheng Biotechnology Co.,Ltd.