CN112244871A - 一种基于机器学习的振幅整合脑电图分类识读系统 - Google Patents
一种基于机器学习的振幅整合脑电图分类识读系统 Download PDFInfo
- Publication number
- CN112244871A CN112244871A CN202011020143.0A CN202011020143A CN112244871A CN 112244871 A CN112244871 A CN 112244871A CN 202011020143 A CN202011020143 A CN 202011020143A CN 112244871 A CN112244871 A CN 112244871A
- Authority
- CN
- China
- Prior art keywords
- amplitude
- electroencephalogram
- data
- classification
- module
- 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
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
- A61B5/7264—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
Abstract
本发明属于机器学习技术领域,具体涉及一种基于机器学习的振幅整合脑电图分类识读系统,包括数据采集处理模块、特征提取模块和分类模块,其中数据采集处理模块用于采集并处理脑功能监护仪输出的振幅整合脑电图文本数据,特征提取模块用于提取振幅整合脑电图的幅度特征和非线性特征;分类模块采用随机森林分类模型对特征提取模块中提取出的幅度特征和非线性特征进行正异常判定,对随机森林分类模型中决策树的分类结果进行投票,投票次数最多的类型为最终判断结果;本系统对整合脑电图进行分析,辅助临床医生准确高效完成aEEG判定,尽早检查出患有癫痫的新生儿并及时治疗,提高准确率及判断精度。
Description
技术领域
本发明属于机器学习技术领域,具体涉及一种基于机器学习的振幅整合脑电图分类识读系统。
背景技术
近年来,重症监护病房中危重新生儿及早产儿神经系统的残障率居高,新生儿神经系统监测和保护的临床医学进展迅速,主要通过临床、生化测量和神经影像学等预测手段。脑电图(EEG)被认为是评价脑功能的一种有价值的工具,通过安置相应电极,快速获取脑电信号,从而对脑功能作出判断。持续常规脑电监测通过动态的脑电分析,在提高癫痫检出率、动态评估脑电背景活动等方面均有重要意义。然而,对婴儿基于脑电图床边监测很难长期进行,即使是经验丰富的新生儿医学专家也可能会在分析脑电图时出错。振幅整合脑电图(aEEG)是一种能够长期监测脑功能的脑电图简化形式,为异常检测提供了方便。这是一种连续监测脑功能的有效方法,在新生儿重症监护病房中使用越来越多,aEEG也已越来越多地用于新生儿癫痫的检测,监测和管理。
aEEG评估可以在床旁进行连续、多次动态评估脑功能,但aEEG检查临床需求大,需经过培训的专业医生对图像进行解读,临床工作量大,结果回报延迟,并且受人工识读能力的影响,且可能存在很大误判,对于生存能力差且病情变化快的新生儿会延误治疗。目前国际上无aEEG自动判读系统,针对大量患儿,如何高效准确预测其是否患病面临重大挑战。
发明内容
为了克服上述问题,本发明提供一种基于机器学习的振幅整合脑电图分类识读系统,结合机器学习建立模型,对整合脑电图进行分析,辅助临床医生准确高效完成aEEG判定,尽早检查出患有癫痫的新生儿并及时治疗,提高准确率及判断精度。
一种基于机器学习的振幅整合脑电图分类识读系统,包括数据采集处理模块、特征提取模块和分类模块,其中数据采集处理模块用于采集脑功能监护仪输出的振幅整合脑电图文本数据,然后将采集到的振幅整合脑电图文本数据放大10的幂次方倍,再将放大后的振幅整合脑电图文本数据中大于100uV的数据值统一设置为100uV;特征提取模块用于在数据采集处理模块处理后的数据中提取振幅整合脑电图的幅度特征和非线性特征;分类模块采用具有1000棵决策树构成的随机森林分类模型对特征提取模块中提取出的幅度特征和非线性特征进行正异常判定,每棵树均输出正常振幅整合脑电图或癫痫患者振幅整合脑电图的分类结果,对随机森林分类模型中1000棵决策树得到的分类结果进行投票,投票次数最多的类型指定为最终判断结果。
所述特征提取模块在数据采集处理模块处理后的数据中提取振幅整合脑电图的幅度特征包括平均值、标准偏差和上下边界,其中平均值、标准偏差分别指将数据采集处理模块采集并处理后的振幅整合脑电图文本数据分段后各段数值的平均值之和、标准偏差之和,非线性特征包括排列熵(PermEn)、近似熵(ApEn)和样本熵;
上下边界为:
将数据采集处理模块采集并处理后的振幅整合脑电图文本数据平均分割为216段,将每段内的数据按升序排序,将每段排序数据中最小值的连线定义为下边界,相应地将每段排序数据中最大值的连线定义为上边界。
所述分类模块采用的具有1000棵决策树构成的随机森林分类模型的训练过程如下:
步骤一,将选取的新生儿6小时振幅整合脑电图文本数据输入数据采集处理模块,将经数据采集处理模块处理后的新生儿6小时振幅整合脑电图文本数据作为训练集;
步骤二,人工标注出训练集中每个文本数据属于正常振幅整合脑电图文本数据或者是癫痫患者振幅整合脑电图文本数据,得到人工标注正异常振幅整合脑电图的标注训练集;
步骤三,在标注训练集中有放回的采集42510个数据,并将该42510个数据作为一棵决策树的根节点样本训练该棵决策树,形成训练后的决策树;
步骤四:重复1000次步骤三,形成由1000棵训练后的决策树构成的随机森林分类模型,1000棵训练后的决策树会有1000个分类结果,对1000个分类结果进行投票,将投票次数最多的类别指定为最终的输出;
当随机森林分类模型对标注训练集中采集的数据分类准确率达到99%时,得到训练好的随机森林分类模型;其中该模型对标注训练集中采集的数据分类准确率是指该模型分类出标注训练集中全部正常振幅整合脑电图文本数据的数量/人工标注的标注训练集中全部全部正常振幅整合脑电图文本数据的数量*100%。
本发明的有益效果:
本发明结合机器学习对脑电数据特征进行建模,实现在床旁进行、连续、多次动态评估脑功能,提升识别准确率、判断精度以及易用性。
本发明研究在临床病例获得的数据集上进行了验证,这些方法的泛化能力和推广能力可靠性较强。人工评估存在主观性强、耗时的缺陷,基于机器学习的方法可以通过对aEEG进行分类来帮助检测新生儿重症监护病房中的新生儿是否有癫痫发作,具有良好的应用前景。
附图说明
图1为本发明的随机森林分类模型结构。
具体实施方式
下面结合附图对本发明作进一步描述。以下实例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明基于机器学习的振幅整合脑电图分类识读系统,在临床病例获得的数据集上进行训练验证。
一种基于机器学习的振幅整合脑电图分类识读系统,包括数据采集处理模块、特征提取模块和分类模块,其中数据采集处理模块用于采集脑功能监护仪输出的振幅整合脑电图文本数据,然后将采集到的振幅整合脑电图文本数据放大10的幂次方倍,再将放大后的振幅整合脑电图文本数据中大于100uV的数据值统一设置为100uV;特征提取模块用于在数据采集处理模块处理后的数据中提取振幅整合脑电图的幅度特征和非线性特征;分类模块采用具有1000棵决策树构成的随机森林分类模型对特征提取模块中提取出的幅度特征和非线性特征进行正异常判定,每棵树均输出正常振幅整合脑电图或癫痫患者振幅整合脑电图的分类结果,对随机森林分类模型中1000棵决策树得到的分类结果进行投票,投票次数最多的类型指定为最终判断结果。对随机森林分类模型中1000棵决策树得到的分类结果进行投票指的就是看1000棵决策树输出的正常振幅整合脑电图或癫痫患者振幅整合脑电图这两种结果哪个数量多,数量多的为最终判断结果。
所述特征提取模块在数据采集处理模块处理后的数据中提取振幅整合脑电图的幅度特征包括平均值、标准偏差和上下边界,其中平均值、标准偏差分别指将数据采集处理模块采集并处理后的振幅整合脑电图文本数据分段后各段数值的平均值之和、标准偏差之和,非线性特征包括排列熵(PermEn)、近似熵(ApEn)和样本熵,主要用于脑电信号的分析;
上下边界为:
将数据采集处理模块采集并处理后的振幅整合脑电图文本数据平均分割为216段,每个段具有10000个点,将每段内的数据按升序排序,将每段排序数据中最小值的连线定义为下边界,相应地将每段排序数据中最大值的连线定义为上边界。
如图1所示,所述分类模块采用的具有1000棵决策树构成的随机森林分类模型的训练过程如下:
步骤一,从脑功能监护仪中选取新生儿6小时的振幅整合脑电图文本数据,将选取的新生儿6小时振幅整合脑电图文本数据输入数据采集处理模块,将经数据采集处理模块处理后的新生儿6小时振幅整合脑电图文本数据作为训练集;
步骤二,人工标注出训练集中每个文本数据属于正常振幅整合脑电图文本数据或者是癫痫患者振幅整合脑电图文本数据,得到人工标注正异常振幅整合脑电图的标注训练集;
步骤三,在步骤二的标注训练集中有放回的采集42510个数据,并将该42510个数据作为一棵决策树的根节点样本训练该棵决策树,形成训练后的决策树;
步骤四:重复1000次步骤三,形成由1000棵训练后的决策树构成的随机森林,1000棵训练后的决策树会有1000个分类结果,对1000个分类结果进行投票,将投票次数最多的类别(是否有癫痫两种类别)指定为最终的输出;
当随机森林分类模型对标注训练集中采集的数据分类准确率达到99%时,得到训练好的随机森林分类模型;其中该模型对标注训练集中采集的数据分类准确率是指该模型分类出标注训练集中全部的没有患癫痫病新生儿样本数据的数量/标准化人工判断的标注训练集中全部没有患癫痫病新生儿样本数据的数量*100%。即该模型对标注训练集中采集的数据分类准确率是指该模型分类出标注训练集中全部正常振幅整合脑电图文本数据的数量/人工标注的标注训练集中全部全部正常振幅整合脑电图文本数据的数量*100%。
所述步骤三中训练一棵决策树的过程为:有放回采集的42510个数据构成的根节点样本的特征维度为m,特征维度是指特征提取模块中提取的振幅整合脑电图幅度特征和非线性特征,特征维度为这些特征的总数量,随机地从m个特征中选取n个特征子集(m>n),从这n个特征中选择最优的特征,该特征作为节点的分裂特征,每次进行分裂时,使用基尼系数确定最优特征分裂点,寻找基尼系数最小的特征作为分割点,将数据集分成两个子集;然后每个子集再作为一个节点,再按照这样的方法来分裂,该棵树尽最大程度的生长,一直到不能够再分裂为止,形成训练后的决策树。
所述随机森林模型的基尼系数公式如下:
Pk表示选中的样本属于k类别的概率,则这个样本被分错的概率是(1-Pk)。
当为二分类时基尼系数公式如下:
Gini(p)=2P(1-P)
P表示选中的样本属于正常的样本概率。
本发明研究在临床病例获得的数据集上进行了验证,这些方法的泛化能力和推广能力可靠性较强。基于机器学习的方法可以通过对aEEG进行分类来帮助检测新生儿重症监护病房中的新生儿是否有癫痫发作。
Claims (3)
1.一种基于机器学习的振幅整合脑电图分类识读系统,其特征在于包括数据采集处理模块、特征提取模块和分类模块,其中数据采集处理模块用于采集脑功能监护仪输出的振幅整合脑电图文本数据,然后将采集到的振幅整合脑电图文本数据放大10的幂次方倍,再将放大后的振幅整合脑电图文本数据中大于100uV的数据值统一设置为100uV;特征提取模块用于在数据采集处理模块处理后的数据中提取振幅整合脑电图的幅度特征和非线性特征;分类模块采用具有1000棵决策树构成的随机森林分类模型对特征提取模块中提取出的幅度特征和非线性特征进行正异常判定,每棵树均输出正常振幅整合脑电图或癫痫患者振幅整合脑电图的分类结果,对随机森林分类模型中1000棵决策树得到的分类结果进行投票,投票次数最多的类型指定为最终判断结果。
2.根据权利要求1所述的一种基于机器学习的振幅整合脑电图分类识读系统,其特征在于所述特征提取模块在数据采集处理模块处理后的数据中提取振幅整合脑电图的幅度特征包括平均值、标准偏差和上下边界,其中平均值、标准偏差分别指将数据采集处理模块采集并处理后的振幅整合脑电图文本数据分段后各段数值的平均值之和、标准偏差之和,非线性特征包括排列熵(PermEn)、近似熵(ApEn)和样本熵;
上下边界为:
将数据采集处理模块采集并处理后的振幅整合脑电图文本数据平均分割为216段,将每段内的数据按升序排序,将每段排序数据中最小值的连线定义为下边界,相应地将每段排序数据中最大值的连线定义为上边界。
3.根据权利要求2所述的一种基于机器学习的振幅整合脑电图分类识读系统,其特征在于所述分类模块采用的具有1000棵决策树构成的随机森林分类模型的训练过程如下:
步骤一,将选取的新生儿6小时振幅整合脑电图文本数据输入数据采集处理模块,将经数据采集处理模块处理后的新生儿6小时振幅整合脑电图文本数据作为训练集;
步骤二,人工标注出训练集中每个文本数据属于正常振幅整合脑电图数据或者是癫痫患者振幅整合脑电图数据,得到人工标注正异常振幅整合脑电图的标注训练集;
步骤三,在标注训练集中有放回的采集42510个数据,并将该42510个数据作为一棵决策树的根节点样本训练该棵决策树,形成训练后的决策树;
步骤四:重复1000次步骤三,形成由1000棵训练后的决策树构成的随机森林,1000棵训练后的决策树会有1000个分类结果,对1000个分类结果进行投票,将投票次数最多的类别指定为最终的输出;
当随机森林分类模型对标注训练集中采集的数据分类准确率达到99%时,得到训练好的随机森林分类模型;其中该模型对标注训练集中采集的数据分类准确率是指该模型分类出标注训练集中全部的没有患癫痫病新生儿样本数据的数量/标准化人工判断的标注训练集中全部没有患癫痫病新生儿样本数据的数量*100%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011020143.0A CN112244871A (zh) | 2020-09-25 | 2020-09-25 | 一种基于机器学习的振幅整合脑电图分类识读系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011020143.0A CN112244871A (zh) | 2020-09-25 | 2020-09-25 | 一种基于机器学习的振幅整合脑电图分类识读系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112244871A true CN112244871A (zh) | 2021-01-22 |
Family
ID=74233127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011020143.0A Pending CN112244871A (zh) | 2020-09-25 | 2020-09-25 | 一种基于机器学习的振幅整合脑电图分类识读系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112244871A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113180669A (zh) * | 2021-05-12 | 2021-07-30 | 中国人民解放军中部战区总医院 | 一种基于神经反馈技术的情绪调节训练系统与方法 |
CN113476059A (zh) * | 2021-06-02 | 2021-10-08 | 南京伟思医疗科技股份有限公司 | 一种基于振幅整合脑电图判断左右脑对称性的方法 |
WO2022135605A1 (zh) * | 2020-12-25 | 2022-06-30 | 深圳迈瑞生物医疗电子股份有限公司 | 监护信息的显示方法、脑电异常的报警方法及监护系统 |
CN113180669B (zh) * | 2021-05-12 | 2024-04-26 | 中国人民解放军中部战区总医院 | 一种基于神经反馈技术的情绪调节训练系统与方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200957081Y (zh) * | 2006-06-30 | 2007-10-10 | 复旦大学附属儿科医院 | 新生儿多参数脑功能监护分析仪 |
CN106618559A (zh) * | 2016-12-06 | 2017-05-10 | 华东师范大学 | 一种aEEG信号图像特征重构表示和提取方法 |
CN106618562A (zh) * | 2017-01-11 | 2017-05-10 | 南京航空航天大学 | 一种可穿戴的癫痫脑电发作脑区定位装置及定位方法 |
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 |
CN110432898A (zh) * | 2019-07-04 | 2019-11-12 | 北京大学 | 一种基于非线性动力学特征的癫痫发作脑电信号分类系统 |
CN110811609A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 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方法 |
-
2020
- 2020-09-25 CN CN202011020143.0A patent/CN112244871A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200957081Y (zh) * | 2006-06-30 | 2007-10-10 | 复旦大学附属儿科医院 | 新生儿多参数脑功能监护分析仪 |
CN106618559A (zh) * | 2016-12-06 | 2017-05-10 | 华东师范大学 | 一种aEEG信号图像特征重构表示和提取方法 |
CN106618562A (zh) * | 2017-01-11 | 2017-05-10 | 南京航空航天大学 | 一种可穿戴的癫痫脑电发作脑区定位装置及定位方法 |
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 |
CN110432898A (zh) * | 2019-07-04 | 2019-11-12 | 北京大学 | 一种基于非线性动力学特征的癫痫发作脑电信号分类系统 |
CN110811609A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 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方法 |
Non-Patent Citations (1)
Title |
---|
王愈: "新生儿振幅整合脑电自动识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022135605A1 (zh) * | 2020-12-25 | 2022-06-30 | 深圳迈瑞生物医疗电子股份有限公司 | 监护信息的显示方法、脑电异常的报警方法及监护系统 |
CN113180669A (zh) * | 2021-05-12 | 2021-07-30 | 中国人民解放军中部战区总医院 | 一种基于神经反馈技术的情绪调节训练系统与方法 |
CN113180669B (zh) * | 2021-05-12 | 2024-04-26 | 中国人民解放军中部战区总医院 | 一种基于神经反馈技术的情绪调节训练系统与方法 |
CN113476059A (zh) * | 2021-06-02 | 2021-10-08 | 南京伟思医疗科技股份有限公司 | 一种基于振幅整合脑电图判断左右脑对称性的方法 |
CN113476059B (zh) * | 2021-06-02 | 2023-06-27 | 南京伟思医疗科技股份有限公司 | 一种基于振幅整合脑电图判断左右脑对称性的方法 |
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 | |
Chapotot et al. | Automated sleep–wake staging combining robust feature extraction, artificial neural network classification, and flexible decision rules | |
CN109934089A (zh) | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 | |
KR20080025673A (ko) | 수면 상태 및 각성 상태의 자동 검출 방법 및 장치 | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN108392211A (zh) | 一种基于多信息融合的疲劳检测方法 | |
Zou et al. | Constructing multi-scale entropy based on the empirical mode decomposition (EMD) and its application in recognizing driving fatigue | |
CN110706786B (zh) | 非接触式心理参数智能分析与评测系统 | |
CN112244871A (zh) | 一种基于机器学习的振幅整合脑电图分类识读系统 | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN112869716B (zh) | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 | |
CN111540471A (zh) | 一种基于用户健康数据的健康状态跟踪及预警方法和系统 | |
Roy et al. | Photoplethysmogram signal quality evaluation by unsupervised learning approach | |
CN113069080A (zh) | 一种基于人工智能的困难气道评估方法及装置 | |
CN110289097A (zh) | 一种基于Xgboost神经网络堆叠模型的模式识别诊断系统 | |
Greene et al. | Classifier models and architectures for EEG-based neonatal seizure detection | |
CN111067513B (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 | |
Jia et al. | Exploiting interactivity and heterogeneity for sleep stage classification via heterogeneous graph neural network | |
Satapathy et al. | A deep neural model CNN-LSTM network for automated sleep staging based on a single-channel EEG signal | |
CN115736920A (zh) | 基于双模态融合的抑郁状态识别方法及系统 | |
Cheng et al. | Multilevel feature learning method for accurate interictal epileptiform spike detection | |
Giovanini et al. | Discriminating postural control behaviors from posturography with statistical tests and machine learning models: Does time series length matter? | |
CN113869382A (zh) | 基于领域嵌入概率的半监督学习癫痫脑电信号识别方法 | |
Rudas et al. | On activity identification pipelines for a low-accuracy EEG device | |
CN113425298A (zh) | 一种通过穿戴设备采集数据分析抑郁程度的方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210122 |
|
WD01 | Invention patent application deemed withdrawn after publication |