CN112353368B - 一种基于反馈调节的多输入信号癫痫发作检测系统 - Google Patents
一种基于反馈调节的多输入信号癫痫发作检测系统 Download PDFInfo
- Publication number
- CN112353368B CN112353368B CN202011240677.4A CN202011240677A CN112353368B CN 112353368 B CN112353368 B CN 112353368B CN 202011240677 A CN202011240677 A CN 202011240677A CN 112353368 B CN112353368 B CN 112353368B
- Authority
- CN
- China
- Prior art keywords
- signal
- detection
- combination
- epilepsy
- result
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 76
- 206010010904 Convulsion Diseases 0.000 title claims abstract description 65
- 208000028329 epileptic seizure Diseases 0.000 title claims abstract description 30
- 230000001037 epileptic effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 29
- 230000001133 acceleration Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 8
- 230000036760 body temperature Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003183 myoelectrical effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 210000003414 extremity Anatomy 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000001766 physiological effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010009346 Clonus Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000001738 Nervous System Trauma Diseases 0.000 description 1
- 206010038669 Respiratory arrest Diseases 0.000 description 1
- 208000003217 Tetany Diseases 0.000 description 1
- 206010043994 Tonic convulsion Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 208000028316 focal seizure Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 208000013403 hyperactivity Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 231100000225 lethality Toxicity 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 208000028412 nervous system injury Diseases 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000028500 tonic seizure 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
- A61B5/40—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
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供的一种基于反馈调节的多输入信号癫痫发作检测系统，通过传感器获得人体生理信号，并把信号进行组合，再基于每种信号组合的检测结果得到最终检测结果，可以克服单一信号检测癫痫准确度较低的问题；根据患者的反馈更新各生理信号组合的权重，根据检测前期权重更新结果，选择最适合患者的生理信号组合，最后在检测后期仅使用最佳的信号组合进行癫痫检测，可以达到准确检测癫痫发作的同时降低功耗的目的；可以根据患者的发作类型进行人体生理信号选择性采集，从而进行可涵盖多种发作类型的较为准确的癫痫检测。
Description
技术领域
本发明属于医疗设备技术领域，具体涉及一种基于反馈调节的多输入信号癫痫发作检测系统。
背景技术
癫痫是由大脑神经元突发性异常放电所引起一类慢性神经系统疾病，会导致短暂的大脑功能障碍，产生肢体僵直、四肢异常抽搐、意识丧失等症状。癫痫发作时常常由于失神、躯体不受控制、呼吸停止等原因导致患者受到意外伤害，且发作时如果得不到及时治疗可能会因脑部炎症反应而加重神经系统损伤，造成更加严重的后果。癫痫发作具有突发性和随机性，影响患者的正常工作与生活，使患者产生焦虑情绪。癫痫发作时伴有几乎无法察觉的短暂失神或长时间的剧烈阵挛，其情况复杂多样，没有明显规律。若患者发病时不在公众场合或无人看护，就很难被发现，事后也很难回忆自己的发作史。抽搐发作是癫痫相关的损伤和癫痫致死情况的主要因素。除此之外，癫痫发作与病耻感、头痛以及诸如注意力缺陷、多动障碍等精神疾病有很大的关系。如果不正常的神经活动限制在大脑的一个特定区域，称为局灶性癫痫发作；当传播到大脑的其他区域时，则称为全身性发作。对癫痫患者和他们的看护者来说，对发作的恐惧是一直存在的。他们的生活也会被癫痫可能发作的恐惧一直支配着，严重降低了他们的生活质量。基于上述癫痫发作检测中的困难与癫痫发作对患者造成的严重影响，癫痫发作自动检测方法是当今医学界与医疗电子领域的重要研究课题之一。
可穿戴设备是一种可以直接穿在身上，或者集成到患者的衣服或配件中的一种便携装置，基于硬件设备可以通过软件支持、数据交互、云端交互来实现强大的功能。基于可穿戴设备实现癫痫的报警，能在很大程度上减小癫痫发作对患者的伤害，改善患者的生活质量。一方面可以满足癫痫监测与报警的需求，减少病人损伤的同时提升生活质量。另一方面由于设备的常见性和隐蔽性，完全消除了患者的病耻感。
目前的癫痫自动检测系统主要基于癫痫发作时的异常生理活动与正常生理活动在脑电、心电、肢体运动等方面的一些特征的差异来区分癫痫发作与正常状态，多以脑电信号、加速度信号、心电信号、肌电信号等作为输入，主要有以下几种实现方式：
(1)基于脑电信号实现癫痫自动检测：龚光红等于2019年申请的专利《基于监督梯度提升器的多级癫痫脑电信号自动识别方法》(专利号CN109934089A)通过梯度提升分类器进行癫痫信号的检查。周卫东等于2018年申请的专利《一种利用小波神经网络的脑电检测方法及装置》(专利号CN107616780A)将提取的特征向量送入由小波神经网络获得的分类器中，从而得到对异常脑电信号的标记。梅贞等于2019年申请的专利《一种脑电信号处理方法及癫痫检测系统》(专利号CN109431497A)通过对脑电信号进行数据预处理、剔除频带、提取时域和基于熵的特征，最后利用改进的基于相关性特征选择方法选出最优特征子集的效果。贾克斌等于2018年申请的专利《一种基于深度通道注意力感知的脑电癫痫发作检测方法》(专利号：CN108549875A)通过结合深度特征提取和注意力机制(attention mechanism)动态选择最相关脑电通道并协同表达癫痫特征，使其融合特征具有通道感知能力。
(2)基于心电信号实现癫痫自动检测：宋晓宇等于2015年申请的《癫痫病人心跳异常智能预警癫痫发作系统》(专利号CN 104997499 A)通过患者胸部周围的数个电极采集信号并通过心率变化检测心跳信号的异常；Wangcai Liao等于2016年申请的专利《IDENTIFYING SEIZURES USING HEART DATA FROM TWO OR MORE WINDOWS》(专利号US9498162 B2)也通过统计心率变化来检测异常。
(3)基于人体躯干或头部的加速度信号实现癫痫自动检测：陈蕾等于2016年申请的《癫痫检测装置及癫痫检测方法》(专利号CN105232000A)在含有三轴无线加速度传感器的手环中使用癫痫检测方法进行癫痫发作的检测。张贯京等于2015年申请的《用于癫痫病看护的可穿戴设备》(专利号CN204863147U)采集了患者头部加速度信息、身躯加速度信息以及四肢加速度信息，能够满足癫痫患者实时看护、报警、处理的多方面的需求。鲁艺等于2019年申请的《穿戴式的癫痫监测装置和系统》(专利号CN103462611A)通过测量患者肢体的运动变化，可实现24小时癫痫发作的监测和记录。贾鹏飞等于2019年申请的《癫痫患者的及时救治及远程报警系统》(专利号CN205665840U)通过对采集的胸部加速度设置阈值，实现对癫痫患者发病的自动识别判断。
(4)基于多种生理信号实现癫痫自动监测：刘俊飙等于2019年申请的《基于多数据采集的癫痫发作检测设备及预警系统》(专利号CN109497997A)，通过采集多通道脑电信号、多通道皮肤电信号以及加速度信号，训练随机森林分类器在内的多个决策树，经过随机森林模型预测后得到生理信号的发病阶段。オソリオ等于2015年申请的《Seizure detectionusing multimodal data,quantification and/or classification》(专利号JP5680208B2)使用多模态的数据(脑电、呼吸、眼球活动等)进行癫痫发作的量化与分类。
(1)单一有限的生理信号不具备描述癫痫发作的完备性。现有采用单一输入信号的便携可穿戴癫痫检测系统，由于癫痫发作的种类繁多，表现形式各异，且使用者的癫痫发作类型可能会随着时间、治疗措施等发生变化，仅依靠单一信号如加速度信号、心电信号等难以较准确地判断癫痫发作。癫痫发作时多种生理指标都会出现异常情况，针对少量的生理信号进行发作情况检测，很容易丢失真实发作情况的全局信息，因此这也是限制检测准确率的一大原因所在。例如，当发作类型为强直发作，该发作以肌肉持续而强力的收缩为特征，使患者躯干或肢体固定维持在某种姿势，因此难以仅通过加速度信号进行判断，但肌肉收缩的状态可以被表面肌电信号记录，进而通过表面肌电信号进行强直性癫痫发作的检测。
(2)现有的多信号输入的癫痫检测系统，能耗较大且计算速度较慢。具体表现在以下三个方面：①由于需要全天候同时同量采取多种生理信号，会有较大的能耗与计算速度要求，且如脑电信号等并不方便全天候采集，影响使用者的使用舒适度。②发作数据的长期采集对患者而言不方便，临床外的癫痫发作数据难以采集，为了得到特定病人有效的发作数据，患者需要住院进行临床看护几周甚至数月。③现存数据库中癫痫发作数据质量不高且所包含信息较少，癫痫研究长程观测数据匮乏，导致长期的癫痫跟踪研究进展缓慢。使用多生理信号进行癫痫检测还处于探索阶段，在预测癫痫发作中具有良好的应用前景，但目前因受外界因素干扰较大(如正常运动干扰传感器数据采集的客观因素、患者操作不当等人为因素等)，可靠性有待进一步提高。开发一套标准化、准确率高、不断升级完善的癫痫发作检测算法对提高癫痫患者生活质量具有重要意义。
(3)现有技术信号处理时采用固定分窗技术，容易丢失癫痫发作信息。将传感器采集到的连续信号序列进行分窗处理时候，传统的方法往往使用固定的窗长进行分割，并在得到的信号窗口的基础上进行后续数据的处理。当癫痫发作时刻恰好处于两窗交界处时，这种分窗方法则丢失了癫痫发作的信息。
发明内容
有鉴于此，本发明的目的是提供一种基于反馈调节的多输入信号癫痫发作检测系统，可以进行多种发作类型癫痫检测，并提高检测准确率，并可降低设备能耗。
一种癫痫检测系统，包括信号采集模块和信号处理与分析模块；
所述信号采集模块用于采集指定的人体生理信号；
所述信号处理与分析模块从所述信号采集模块获得采集的人体生理信号，并将其按照指定的方式进行组合，得到至少一个信号组合；对每个信号组合中信号进行预处理，根据预处理后每个信号组合对人体是否癫痫发作进行检测，得到每一个信号组合对应的检测结果；然后再结合每一个信号组合的权重值，得到癫痫发作的最终识别结果。
进一步的，还包括权重更新模块，用于：根据每一个信号组合对应的识别结果与最终识别结果之间的关系，调整每组信号组合对应的权重，发给信号处理与分析模块，用于下一次确定最终识别结果。
较佳的，所述信号采集模块采集指定的人体生理信号时，根据用户选择的发作类型，所述信号处理与分析模块根据发作类型匹配出相对应的信号组合列表，然后再根据信号组合列表计算出该信号组合列表所包含的信号类型，由此驱动信号采集模块采集所需的人体生理信号；若用户不选择发作类型时，所述信号处理与分析模块根据内部设定的信号组合，驱动信号采集模块采集该设定的信号组合中包含的所人体生理信号。
较佳的，所述内部设定的信号组合包括：加速度与角速度组合；加速度、角速度与肌电的组合；加速度、角速度与皮肤电的组合；肌电与皮肤电的组合；加速度与体温的组合。
较佳的，所述信号处理与分析模块得到癫痫发作的最终识别结果的过程包括：
将各信号组合输出的检测结果转换为二进制，其中癫痫发作记作1，不发作记为0；将各信号组合输出的检测结果按权重由大到小排列,则最终的输出结果为：
式中，ri为排序后第i个信号组合输出的检测结果，β为预设阈值。
较佳的，所述信号处理与分析模块对每个信号组合中信号进行预处理包括：先进行滤波，然后对信号序列进行自适应分窗处理以分成数据段，对每个数据段进行特征提取，再进行检测；其中，自适应分窗处理包括：
将输入信号先按固定长度进行分窗处理，如果窗内信号的平均幅度超出设定的阈值，则通过下面的过程确定下一个自适应窗口长度：
a.首先确定一个能够检测出有用信号的第一门限St；
b.然后确定一个能够去除背景噪声的第二门限Sb；
c.从信号局部最大值开始，往后搜索，将遇到的第一个值小于或等于St的位置记为A1，第一个值小于等于Sb的位置记为A2；从局部最大值开始，向前搜索，将第一个值小于或等于St的位置记为A3，第一个值小于或等于Sb的位置记为A4，将数据段A4A2的长度记为Ntotal；
d.计算A4A2段的短时平均过零率，计算公式如下：
式中，sgn()为符号函数，ω(n)为一窗函数，x(n)为当前的信号序列；则计算最终的自适应滑动窗口的长度为：
式中，α为人工设置的加权参数；
采用自适应窗口长度对数据进行分窗后，对窗口内数据进行欠采样或过采样操作，以使得窗口内数据长度与固定分窗的数据长度保持一致。
较佳的，所述权重更新的过程为：
接收到用户对每次癫痫检测的反馈结果，将用户的反馈结果转换成布尔向量，其长度为本次检测对应的信号组合数目；如果反馈结果为正常，则布尔向量的值全部填充为1；如果反馈结果异常，则布尔向量的值全部填充为0；
则第i次检测的布尔向量记为Ki中第j个元素记为
设第i次检测的第j个信号组合对应的预测结果为
则第j个信号组合的权重更新公式为：
式中，αj为检测结果正常的权重加权参数，βj为检测结果异常的权重加权参数，
为异或运算，⊙为同或运算；其中αj和βj的值为预设值。
较佳的，设备状态默认处于前期，此时利用多种信号组合共同输出结果并更新各组合的权重；当检测到患者发作次数累计到设定数值时，设置设备当前状态为后期，此后权重更新模块不再更新权重值；所述信号处理与分析模块采用权重值最大的一个信号组合对人体是否癫痫发作进行识别。
进一步的，还包括分类模型参数更新模块；用于根据设备检测到的新样本，重新训练出分类参数，将其下发至信号处理与分析模块，完成分类参数更新。
较佳的，所述穿戴设备为手环、脚环、臂环或者颈环。
本发明具有如下有益效果：
本发明提供的一种基于反馈调节的多输入信号癫痫发作检测系统，通过传感器获得人体生理信号，并把信号进行组合，再基于每种信号组合的检测结果得到最终检测结果，可以克服单一信号检测癫痫准确度较低的问题；根据患者的反馈更新各生理信号组合的权重，根据检测前期权重更新结果，选择最适合患者的生理信号组合，最后在检测后期仅使用最佳的信号组合进行癫痫检测，可以达到准确检测癫痫发作的同时降低功耗的目的。
可以根据患者的发作类型进行人体生理信号选择性采集，从而进行可涵盖多种发作类型的较为准确的癫痫检测。
附图说明
图1为本发明的检测系统总体框图；
图2为本发明的系统检测总体流程图；
图3为信号采集模块工作流程图；
图4为信号处理与分析模块工作流程图；
图5为报警模块的框图；
图6为权重更新模块的工作流程图；
图7为分类模型参数更新模块工作流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明的目的是提供一种基于多种生理信号组合的癫痫检测系统，具有如下功能：
1、病人可以选择自己的发作类型，算法会自动匹配出相应的生理信号组合，若患者不选择发作类型，则默认初始化为全部的组合。
2、前期算法根据不同信号组合的检测结果，结合患者的反馈，更新各信号组合的权重。
3、后期算法根据各信号组合的权重，选择最适合患者的一种信号组合，以后检测则根据该最佳组合进行检测。
通过如上三种措施，以准确进行癫痫发作检测的同时，降低设备功耗。
本发明所设计的多信号癫痫检测系统总体框图如图1所示，包括信号采集模块、信号处理与分析模块、报警模块、权重更新模块和分类模型参数更新模块。其中信号采集模块位于穿戴设备(例如手环、脚环、臂环、颈环等)上，可以采集手机所指定类型的信号数据，并将采集后的数据通过蓝牙发送至手机；信号处理与分析模块位于手机上，可以对手环发送来的信号数据进行相关处理与分析检测，手机将检测结果发送给其他设备。报警模块位于手环上，可以根据手机发来的检测结果做出相应的反应，如果异常就进行声、光、震动报警。权重更新模块位于手机上，可以根据检测结果以及患者的反馈对各信号组合的权重进行更新，手机将更新后的权重发送至其他设备。分类模型参数更新模块位于服务器上，可以根据手机发送的样本及其打标、信号组合权重，重新训练新的模型，并将新模型参数下发至手机，完成分类模型参数更新。
本发明所设计的多信号癫痫检测系统总体流程图如图2所示。患者首次启用设备后，手机上提示患者选择自己的发作类型。算法根据患者选择的发作类型，匹配初始的信号组合列表，并设置设备状态处于前期。开始信号采集时，首先判断当前所处的状态。设备状态为前期时，计算需要采集的信号类型，采集信号后经过信号处理与分析模块、报警模块、分类模型参数更新模块，并继续采集信号。当累计次数达到阈值后(如5次)，设置设备状态为后期，否则保持状态为前期；设备状态为后期时，采集权重最大的组合信号，并经过信号处理与分析模块、报警模块、分类模型参数更新模块后，继续采集信号。
各个模块具体阐述如下：
(1)信号采集模块
①传感器
手环固定在手腕处，配有加速度传感器、角速度传感器、皮肤电传感器、表面肌电传感器和体温传感器，可分别采集手腕处的五种生理信号。
②输入信号选择方案
如图3所示，信号输入的选择分为前期和后期，前期系统初始化时会要求患者选择自己的发作类型，系统根据发作类型匹配出相对应的信号组合列表，然后再根据信号组合列表计算出该信号组合列表一共包含了哪些信号类型，根据所需的信号类型选通相对应的信号输入。若患者不选择发作类型，系统会将信号组合设定为内置的5种组合，默认采集所有的信号(加速度、角速度、肌电、皮肤电、体温)。根据患者的反馈，结合算法的预测结果来动态更新前期选定的各信号组合的权重，当累计发作次数到了一定数量(如5次)，后期系统会只采集权重最大的信号组合内的信号输入，不再考虑其他信号组合，以降低功耗。
内置的5种组合为：组合1(加速度、角速度)、组合2(加速度、角速度、肌电)、组合3(加速度、角速度、皮肤电)、组合4(肌电、皮肤电)、组合5(加速度、体温)。
③信号采集方案
根据输入信号采集方案确定的信号采集列表，通过手环上的处理器分别控制选通手环上相应的信号采集通路，实时采集各传感器数据。数据采集方式为多路信号并行采集，在一个采集周期内处理器读取芯片外部接口上的高低电平(1或0)并将读取到的二进制数据存入缓存区。当缓存了一定时间的数据后，处理器将数据打包发送给手机。当手环所选输入信号传感器开启后，该模块的处理器实时读取加速度信号传感器、角速度信号传感器、肌电信号传感器、皮肤电信号传感器和体温信号传感器的数据，存入存储器中。
多路数据采集方式为单片机并行数据采集。具体表现为，在一个采集周期内，采集程序对每个传感器对象使用单一的定时器进行采集，并将采集到的数据加入各自的缓冲队列，实现并发采集多传感器数据。当所有的信号均采集到一个窗口时，合并数据并存入存储器中。
(2)信号处理与分析模块
如图4所示，信号处理与分析模块包括信号预处理和信号分析两部分。
①信号处理
信号处理包括信号滤波、自适应分窗两部分。
A.信号滤波
信号滤波包括去除工频干扰和改进的滑动平均滤波两部分。去除工频干扰使用的是50Hz的陷波滤波器，可以去除由电力系统引起的干扰。改进的滑动平均滤波在原有滑动平均滤波的基础上，去除最大值、最小值后再取平均值。具体为：首先选定滤波器深度N，取前N个数据作为滤波输入；其次去除这N个数据中的最大值与最小值，将剩余数据的平均值，作为滤波输出的第一个点；最后将数据整体向后移动1位，进行下一次滤波。
B.自适应分窗
信号处理中，不采用传统的固定分窗方式，而是采取了固定分窗与自适应窗口相结合的分窗方式。输入信号经过预分窗之后，如果某段信号的平均幅度超出设定的阈值(例如加速度设定为15m2/s，角加速度设定为0.5rad/s，体温设定为37.2℃，皮肤电设定为300uS,肌电设定为1.2mV)，则通过下面的方法确定下一个窗口：
自适应窗口的确定方法为双门限定位法。在输入信号的包络中，寻找能量在一定幅度以上的片段，并以该片段的长度作为自适应滑动窗口的窗长。具体的做法如下：
a.首先确定一个高门限St，并取值确保能够检测处幅度较大的有用信号，同时又能够去除幅度较小的噪声和杂音。
b.确定低门限Sb，其值为背景噪声平均幅度的加权值。
c.从信号局部最大值开始，往后搜索，将遇到的第一个值小于等于St的位置记为A1，第一个值小于等于Sb的位置记为A2。从局部最大值开始，向前搜索，将遇到的第一个值小于等于St的位置记为A3，第一个值小于等于Sb的位置记为A4，则当前位置的有效数据段可看作是A1A2和A4A3，窗长则为A4A2的长度，记为Ntotal，则A4A2为确定的自适应窗口。
计算A4A2段的短时平均过零率，计算公式如下：
式中，sgn()为符号函数，ω(n)为一窗函数，x(n)为当前的信号序列。则计算最终的自适应滑动窗口的长度为：
式中，α为人工设置的加权参数，取0.8到1。
得到自适应窗口的窗长后，对自适应窗口进行欠采样或过采样操作(由实际计算得到的窗长确定)，以保证其与固定分窗的数据长度保持一致。
②信号分析
信号分析包括特征提取、特征组合、特征降维和分类检测四个部分。
A.特征提取
对信号处理部分输出的信号窗口，针对不同信号类型，分别进行特征提取。特征包括时域特征(短时平均幅度、最大值、最小值、极差、均值、中位数、众数、标准差、均方根值、均方值、2阶中心/原点矩、偏度、峰度、峰度因子、波形因子、脉冲因子、裕度因子)、频域特征(主频段、主频能量、功率谱密度、频域最大值、频域最小值、频域极差、频域均值、频域中位数、频域众数、频域标准差、频域均方根值、频域均方值)、非线性特征(Lyapunov指数、样本熵、近似熵、排列熵)。
B.特征组合
根据不同的信号组合，将提取到的特征合并成一维行向量。如组合4为肌电和皮肤电。肌电信号提取的特征为X＝[x1,x2,…,xN]，皮肤电信号提取的特征为Y＝[y1,y2,…,yN]，则组合4的特征合并为Z＝[x1,x2,…,xN,y1,y2,…,yN]，其中N为各信号提取到的特征数目。
C.特征降维
特征降维的方法可以选择主成分分析法(Principal Component Analysis,PCA)、Relief方法、最小冗余最大相关性方法(Min-Redundancy and Max-Relevance,mRMR)。特征降维的主要目的是去除不相关特征和冗余特征，精简模型。如组合4特征降维前特征向量为Z＝[x1,x2,…,xN,y1,y2,…,yN]，经过特征降维后特征向量变为Z′＝[x1,x2,…,xN′,y1,y2,…,yN″]，其中N,N′,N″分别为单一信号提取的特征数目、肌电特征降维后的特征数目、皮肤电特征降维后的特征数目，且满足N′,N″≤N。
a.PCA的主要思想是将m维特征映射到p维上，这p维是全新的正交特征也被称为主成分，是在原有m维特征的基础上重新构造出来的p维特征。
b.Relief方法的主要思想是通过相关统计量来度量特征的重要性。相关统计量是一个向量，其中每一个分量分别对应一个初始特征。最终可以通过指定阈值，然后选择比该阈值大的相关统计量分量所对应的特征即可，或则指定要选择的特征的个数k，选择相关统计量最大的k个分量所对应的特征即可。
c.mRMR方法的核心思想是使选择的特征子集中的特征和类别的相关性尽可能大，而特征与特征之间的冗余性尽可能小。使用互信息、T统计量等来判断特征与特征、特征与数据类别的相关性。
D.分类检测
分类检测部分包括前期和后期两个部分。
a.前期和后期的切换
设备默认处于前期状态，此时利用多种信号组合共同输出结果并更新各组合的权重。当检测到患者发作次数累计到一定数值时(例如检测发作次数为5)，设置设备当前状态为后期，此后将只选择权重最高的信号组合进行检测，无需再进行权重的更新。
b.前期和后期的不同
前期有多个信号组合同时判断，每种组合都会输出一个检测结果，各检测结果根据是否与患者反馈保持一致，增加或减少该组合的权重。前期根据权重对各组合的检测结果排序，再根据排序结果进行二进制加权输出最终检测结果；后期仅选择权重最高的一个信号组合进行分类检测，以保证准确率的同时，降低设备功耗。
c.分类方法的选择
算法支持的分类方法包括支持向量机、随机森林、决策树、adaboost、卷积神经网络。不同的分类方法在可靠性、适用性、计算量方面各有优点。在实际过程中，需要根据患者的反馈进行分类模型参数更新。
d.前期二进制加权输出最终检测结果的方法
各组合输出的检测结果视为二进制，发作记作1，正常记为0。将各组合输出的检测结果按权重由大到小排列为r4,r3,r2,r1,r0，其中ri∈{0,1}。则最终的输出结果按照下式确定：
式中，R∈{0,1}为最终输出结果(R＝1时判断为发作，R＝0时判断为正常)，ri为排序后的各组合输出的检测结果，β＝17为预设阈值。
(3)报警模块
如图5所示，手机将信号处理与分析模块的最终检测结果传递给手环，手环根据检测结果执行相应的报警程序，如果检测结果为发作则进行声、光、震动报警。报警模块设定的声、光、震动三种报警类型，能够及时且有效地提醒患者癫痫发作的情况。此外患者还可以对报警类型进行选择，如仅选择较为隐蔽的震动报警方式，可以在一定程度上减轻患者的病耻感。
(4)权重更新模块
①仅在前期进行权重更新
设备状态默认为前期，在前期阶段根据患者反馈和各组合的检测结果更新权重。当对同一患者检测癫痫发作的次数达到一定次数后(如5次)，设备状态设置为后期。在患者之后的检测中仅采用权重高的信号组合进行检测，以减少硬件采集与计算压力。
②权重更新的方法
如图6所示，当接收到患者对检测结果的第i次反馈结果后，将患者的输入转换成布尔向量，其长度为本次采集的信号组合数目。如果反馈结果为正常，则布尔向量的值全部填充为1；如果反馈结果异常，则布尔向量的值全部填充为0。该布尔向量记为Ki，即:
式中，N为第i次检测结果中所采集的信号组合的数目，其中N∈[1,5]。
存储设备中所存储的历史权重为W，为长度为5的向量，存储着五种生理信号组合对应的输入权重。设第i次各信号组合单独的预测结果为Hi＝[y1,y2,y3,y4,y5]，其中y1～y5分别代表组合1到组合5单独的预测结果，取值为0或1，则权重W的更新公式为：
式中，j为输入信号组合的序号，Wj为该信号组合的输入权重，αj为检测结果正常的权重加权参数，βj为检测结果异常的权重加权参数，
为异或运算，⊙为同或运算。其中αj和βj的值为预设值。
如图7所示，分类模型参数更新模块可根据设备检测到的新样本，重新训练出更加符合患者的分类方法的参数。具体流程为：
①信号处理与分析模块检测出结果后，将算法的检测结果与原始数据上传至服务器。
②患者进行反馈后，将患者的反馈作为当前样本的打标上传至服务器。
③权重更新模块更新权重后，将最新的信号组合权重上传至服务器。
④重复①到③，当累加的发作记录次数大于阈值后(如5次)，将原有数据和新的累加数据作为训练数据，重新训练出新的分类模型参数。
⑤将新的分类模型参数下发至手机上的信号处理与分析模块，完成分类方法的参数更新。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种癫痫检测系统，其特征在于，包括信号采集模块和信号处理与分析模块；
所述信号采集模块用于采集指定的人体生理信号；
所述信号处理与分析模块从所述信号采集模块获得采集的人体生理信号，并将其按照指定的方式进行组合，得到至少一个信号组合；对每个信号组合中信号进行预处理，根据预处理后每个信号组合对人体是否癫痫发作进行检测，得到每一个信号组合对应的检测结果；然后再结合每一个信号组合的权重值，得到癫痫发作的最终识别结果；
所述信号处理与分析模块对每个信号组合中信号进行预处理包括：先进行滤波，然后对信号序列进行自适应分窗处理以分成数据段，对每个数据段进行特征提取，再进行检测；其中，自适应分窗处理包括：
将输入信号先按固定长度进行分窗处理，如果窗内信号的平均幅度超出设定的阈值，则通过下面的过程确定下一个自适应窗口长度：
a.首先确定一个能够检测出有用信号的第一门限St；
b.然后确定一个能够去除背景噪声的第二门限Sb；
c.从信号局部最大值开始，往后搜索，将遇到的第一个值小于或等于St的位置记为A1，第一个值小于等于Sb的位置记为A2；从局部最大值开始，向前搜索，将第一个值小于或等于St的位置记为A3，第一个值小于或等于Sb的位置记为A4，将数据段A4A2的长度记为Ntotal；
d.计算A4A2段的短时平均过零率，计算公式如下：
式中，sgn()为符号函数，ω(n)为一窗函数，x(n)为当前的信号序列；则计算最终的自适应滑动窗口的长度为：
式中，α为人工设置的加权参数；
采用自适应窗口长度对数据进行分窗后，对窗口内数据进行欠采样或过采样操作，以使得窗口内数据长度与固定分窗的数据长度保持一致。
2.如权利要求1所述的一种癫痫检测系统，其特征在于，还包括权重更新模块，用于：根据每一个信号组合对应的识别结果与最终识别结果之间的关系，调整每组信号组合对应的权重，发给信号处理与分析模块，用于下一次确定最终识别结果。
3.如权利要求1或2所述的一种癫痫检测系统，其特征在于，所述信号采集模块采集指定的人体生理信号时，根据用户选择的发作类型，所述信号处理与分析模块根据发作类型匹配出相对应的信号组合列表，然后再根据信号组合列表计算出该信号组合列表所包含的信号类型，由此驱动信号采集模块采集所需的人体生理信号；若用户不选择发作类型时，所述信号处理与分析模块根据内部设定的信号组合，驱动信号采集模块采集该设定的信号组合中包含的所人体生理信号。
4.如权利要求3所述的一种癫痫检测系统，其特征在于，所述内部设定的信号组合包括：加速度与角速度组合；加速度、角速度与肌电的组合；加速度、角速度与皮肤电的组合；肌电与皮肤电的组合；加速度与体温的组合。
5.如权利要求1或2所述的一种癫痫检测系统，其特征在于，所述信号处理与分析模块得到癫痫发作的最终识别结果的过程包括：
将各信号组合输出的检测结果转换为二进制，其中癫痫发作记作1，不发作记为0；将各信号组合输出的检测结果按权重由大到小排列,则最终的输出结果为：
式中，ri为排序后第i个信号组合输出的检测结果，β为预设阈值。
6.如权利要求1或2所述的一种癫痫检测系统，其特征在于，所述权重更新的过程为：
接收到用户对每次癫痫检测的反馈结果，将用户的反馈结果转换成布尔向量，其长度为本次检测对应的信号组合数目；如果反馈结果为正常即检测结果与实际情况一致，则布尔向量的值全部填充为1；如果反馈结果异常即检测结果与实际情况不一致，则布尔向量的值全部填充为0；
则第i次检测的布尔向量记为Ki，第i次检测的第j个元素记为
设第i次检测的第j个信号组合对应的预测结果为
则第j个信号组合的权重更新公式为：
式中，αj为反馈结果正常的权重加权参数，βj为反馈结果异常的权重加权参数，
为异或运算，⊙为同或运算；其中αj和βj的值为预设值。
7.如权利要求1或2所述的一种癫痫检测系统，其特征在于，设备状态默认处于前期，此时利用多种信号组合共同输出结果并更新各组合的权重；当检测到患者发作次数累计到设定数值时，设置设备当前状态为后期，此后权重更新模块不再更新权重值；所述信号处理与分析模块采用权重值最大的一个信号组合对人体是否癫痫发作进行识别。
8.如权利要求1或2所述的一种癫痫检测系统，其特征在于，还包括分类模型参数更新模块；用于根据设备检测到的新样本，重新训练出分类参数，将其下发至信号处理与分析模块，完成分类参数更新。
9.如权利要求1或2所述的一种癫痫检测系统，其特征在于，信号采集模块位于穿戴设备上，所述穿戴设备为手环、脚环、臂环或者颈环。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010381864 | 2020-05-08 | ||
| CN2020103818648 | 2020-05-08 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112353368A CN112353368A (zh) | 2021-02-12 |
| CN112353368B true CN112353368B (zh) | 2022-03-22 |
Family
ID=74508918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011240677.4A Active CN112353368B (zh) | 2020-05-08 | 2020-11-09 | 一种基于反馈调节的多输入信号癫痫发作检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112353368B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113907707B (zh) * | 2021-08-31 | 2022-12-23 | 西安交通大学 | 一种基于多模态信息的癫痫发作时间段检测系统及方法 |
| CN114176598B (zh) * | 2021-12-22 | 2023-09-29 | 昆明市儿童医院 | 基于多模态的癫痫发病预警方法及智能手环装置 |
| CN114010207B (zh) * | 2022-01-10 | 2022-04-29 | 博睿康科技（常州）股份有限公司 | 基于过零点系数的时域数据分类方法、植入式刺激系统 |
| CN115770050B (zh) * | 2022-12-02 | 2023-09-08 | 重庆医科大学附属第二医院 | 癫痫检测方法及系统 |
| CN117033988B (zh) * | 2023-09-27 | 2024-03-12 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
| CN117503153B (zh) * | 2024-01-05 | 2024-03-15 | 北华大学 | 基于人工智能的患者术后康复评价方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8190249B1 (en) * | 2005-08-01 | 2012-05-29 | Infinite Biomedical Technologies, Llc | Multi-parametric quantitative analysis of bioelectrical signals |
| CN101719222B (zh) * | 2009-11-27 | 2014-02-12 | 北京中星微电子有限公司 | 分类器训练方法和装置以及人脸认证方法和装置 |
| US11033220B2 (en) * | 2013-12-05 | 2021-06-15 | Livanova Usa, Inc. | Systems and methods of limb-based accelerometer assessments of neurological disorders |
| WO2015084563A1 (en) * | 2013-12-06 | 2015-06-11 | Cardiac Pacemakers, Inc. | Heart failure event prediction using classifier fusion |
| CN104799854B (zh) * | 2015-04-29 | 2017-10-24 | 深圳大学 | 一种表面肌电采集装置及其肌电信号处理方法 |
| US11202601B2 (en) * | 2016-12-01 | 2021-12-21 | Cardiac Pacemakers, Inc. | Methods and apparatus for monitoring epilepsy |
| US11123018B2 (en) * | 2017-05-28 | 2021-09-21 | Islamic Azad University, Najafabad Branch | Extracting a mother wavelet function for detecting epilleptic seizure |
| CN107480723B (zh) * | 2017-08-22 | 2019-11-08 | 武汉大学 | 基于局部二进制阈值学习网络的纹理识别方法 |
| US11219405B2 (en) * | 2018-05-01 | 2022-01-11 | International Business Machines Corporation | Epilepsy seizure detection and prediction using techniques such as deep learning methods |
| CN109620248B (zh) * | 2019-02-14 | 2021-12-14 | 北京瑞尔唯康科技有限公司 | 癫痫发作监测系统 |
-
2020
- 2020-11-09 CN CN202011240677.4A patent/CN112353368B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112353368A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112353368B (zh) | 一种基于反馈调节的多输入信号癫痫发作检测系统 | |
| CN109568760B (zh) | 一种睡眠环境调节方法及系统 | |
| JP3769023B2 (ja) | 脳の活動状態変化を予測、早期検出、警告、予防または制御するためのシステム | |
| TW201918222A (zh) | 事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質 | |
| CN107742534A (zh) | 患者存活性预测系统 | |
| CN114010171B (zh) | 一种基于心跳数据的分类器设置方法 | |
| CN108024754A (zh) | 脑电波声刺激的方法和系统 | |
| EP2765905A1 (en) | Seizure detection methods, apparatus, and systems using a wavelet transform maximum modulus or autoregression algorithm | |
| Samie et al. | Highly efficient and accurate seizure prediction on constrained IoT devices | |
| CN117137500B (zh) | 智能麻醉深度监测仪器与反馈控制系统 | |
| CN114648040A (zh) | 生命体征多生理信号提取、融合分析方法 | |
| Chen et al. | Seizure prediction using convolutional neural networks and sequence transformer networks | |
| CN114259651A (zh) | 一种针对帕金森疾病的主动式实时闭环电刺激系统 | |
| Pan et al. | Recognition of human inner emotion based on two-stage FCA-ReliefF feature optimization | |
| Kanna et al. | Smart Detection and Removal of Artifacts in Cognitive Signals Using Biomedical Signal Intelligence Applications | |
| CN116312951B (zh) | 一种基于多模态耦合分析的运动功能评估方法及其系统 | |
| CN114504333B (zh) | 一种基于肌电的穿戴式前庭监测系统及应用 | |
| Salem et al. | Nocturnal epileptic seizures detection using inertial and muscular sensors | |
| CN113616219B (zh) | 一种用于飞行员驾驶状态自适应调整的方法 | |
| CN114631780A (zh) | 一种基于多级分类的低功耗可穿戴癫痫发作检测系统 | |
| CN114903445A (zh) | 一种心脑血管疾病智能监测预警系统 | |
| CN210494064U (zh) | 一种动态心电、呼吸和运动监测设备 | |
| CN112656430A (zh) | 基于站立位失衡诱发脑电的卒中平衡康复评估方法 | |
| Elbohy et al. | Analysis of electroencephalography signals using particle swarm optimization | |
| Hallur et al. | Epilepsy detection by processing of EEG signals using LabVIEW simulation |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240509 Address after: Room 709, Building 18, Haichuangyuan, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province, 311121 Patentee after: Hangzhou Ruier Weikang Technology Co.,Ltd. Country or region after: China Address before: 100081 No. 5 South Main Street, Haidian District, Beijing, Zhongguancun Patentee before: BEIJING INSTITUTE OF TECHNOLOGY Country or region before: China |