CN112674782B - 癫痫患者发作间期痫样电活动检测装置和方法 - Google Patents
癫痫患者发作间期痫样电活动检测装置和方法 Download PDFInfo
- Publication number
- CN112674782B CN112674782B CN202011529814.6A CN202011529814A CN112674782B CN 112674782 B CN112674782 B CN 112674782B CN 202011529814 A CN202011529814 A CN 202011529814A CN 112674782 B CN112674782 B CN 112674782B
- Authority
- CN
- China
- Prior art keywords
- signal
- electrical activity
- electroencephalogram
- sensor
- epileptic
- 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
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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
Abstract
提供了一种癫痫患者发作间期痫样电活动检测装置和方法,该检测装置包括:脑电信号传感器,用于采集患者的脑电信号;脑电信号预处理单元,用于对所述脑电信号滤波和归一化处理;脑电信号分割单元,用于对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m);以及端到端的痫样电活动信号与背景信号二分类单元,用于根据输入的m个w*256的输入样本矩阵S(m)输出痫样电活动检测结果。利用痫样电活动在同时刻各传感器空间的第一关联性以及伪差在同时刻各传感器空间的偶发性和不同于第一关联性的第二关联性识别痫样电活动相关的特征,能够过滤无法通过滤波手段滤除的伪差,无需人工设计伪差滤除单元及特征工程即可完成自动检测。
Description
技术领域
本发明涉及生物医学检测领域,具体涉及一种癫痫患者发作间期痫样电活动检测装置和方法,尤其是一种基于同时刻传感器空间脑电信号的特征分析的癫痫患者发作间期痫样电活动检测装置和方法。
背景技术
头皮脑电图(sEEG)是一种用于临床记录脑相关活动的无创信号采集方法。它具有较高的时间分辨率,在癫痫的检测、诊断、治疗、疗效评价和病理学研究中具有重要作用。目前基于头皮脑电图的癫痫诊断主要是癫痫发作的检测,然而癫痫发作并不常见。相比之下,近80%的癫痫患者在发作间期有神经元异常放电,这些在sEEG中可观测到的异常放电被称为发作间期痫样放电(Interictal Epileptiform Discharges,IEDs)。IED是癫痫诊断或癫痫发作风险评估的有力支持,也是确定癫痫起源潜在病灶的关键因素。因此,基于sEEG的IEDs检测对癫痫的诊断意义重大。
与癫痫发作不同,IEDs更为频繁并以各种形式出现在头皮脑电信号中,如棘波、尖波、棘慢复合波、多棘波复合波等,它们在sEEG中存在的时长不一(短的仅有20-70ms,长的持续1s以上)、极易与sEEG中无法通过滤波手段滤除的伪差(由咀嚼、传感器滑动、心跳等因素造成)混淆,使得sEEG中IEDs的检出具有极大的挑战性。
目前,临床上长程sEEG中IEDs的检测仍然需要由具备丰富经验的技师、医生进行人工标注。从长达数小时甚至超过一天的庞大信号中找寻毫秒级的异常片段,对于临床工作者而言耗时巨大,且其准确性难免会因为个人的主观经验及疲惫程度而产生较大的偏差。
在过去的几十年里,通过测量sEEG中感兴趣特征的相似性来自动描述和检测IED的方法被提出,如字典学习、模板匹配、子带分解等。此外,也有研究者根据sEEG的时域、频域或非线性特征建立特征工程,用具有一个或多个特征的分类器实现IEDs的自动检测,如决策树、人工神经网络、梯度提升机等。虽然上述的IEDs自动检测方法取得了一定的效果,但在临床应用中还存在一些障碍。主要挑战如下:
(1)复杂的预处理。sEEG中含有大量无法被滤波算法滤除的伪差,利用上述传统方法很难准确地区分伪差与IEDs,因此传统方法中大多配有单独设计的伪差去除算法或人工伪差去除准则,工程量大且易损伤信号中包含的病理信息。
(2)不同患者中表现不佳。不同类型、不同年龄、不同性别的癫痫患者,IEDs的形态、时长等外在表现存在较大差异,不同医院之间,由于设备、参考电极、环境等因素的不同,临床记录可能存在较大差异。此外,某些患者的sEEG中可能存在一个或多个不良通道。这些原因导致传统方法中依靠信号处理经验设置的特征工程无法全面深入的挖掘sEEG特征,使得IEDs与背景信号的区分缺乏稳健性、难以应对实际临床应用中复杂多变的患者情况。
鉴于上述,本发明旨在提供一种痫患者发作间期痫样电活动检测装置和方法,来解决上述的一个或多个技术问题。
发明内容
为了解决现有技术中的一个或多个技术问题,根据本发明一方面,提供一种基于同时刻传感器空间脑电信号的特征分析的癫痫患者发作间期痫样电活动检测装置,其特征在于包括:
脑电信号传感器,用于采集患者的脑电信号,所述脑电信号为多导联头皮脑电信号;
脑电信号预处理单元,用于对所述脑电信号滤波和归一化处理;
脑电信号分割单元,用于对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m)=[S1,S2,…,Sw]T,其中w为所述脑电信号的传感器通道数,Sw为时长1s的单通道脑电信号片段构成的向量;以及
端到端的痫样电活动信号与背景信号二分类单元,用于根据输入的m个w*256的输入样本矩阵S(m)输出痫样电活动检测结果;
其中,所述端到端的痫样电活动信号与背景信号二分类单元包括:
U型语义分割结构单元,包括4个叠加的最大池化层和4个叠加的反卷积结构,每个最大池化层前叠加有两层1*3卷积层,每个反卷积结构后叠加有两层1*3卷积层,最上层的反卷积结构对应的两层1*3的卷积层之后叠加有1*1卷积层,该U型语义分割结构单元根据输入的m个w*256的输入样本矩阵S(m)输出特征向量F(m)=[F1,F2,…,Fw]T;其中,Fw是第w个传感器通道的脑电信号经过U型语义分割结构映射后得到的特征;和
基于同时刻传感器空间脑电信号的特征分析单元,用于根据所述特征向量F(m)=[F1,F2,…,Fw]T分析同时刻各传感器空间脑电信号的特征,利用痫样电活动在同时刻各传感器空间的第一关联性以及伪差在同时刻各传感器空间的偶发性和不同于第一关联性的第二关联性识别痫样电活动相关的特征,进而判定1s时间窗的S(m)片段中是否含有痫样电活动,汇总m个片段的结果,实现整段脑电信号中痫样电活动的检测。
根据本发明又一方面,所述基于同时刻传感器空间脑电信号的特征分析单元包括:
门控循环单元,用于根据输入的w个传感器空间的同时刻的脑电信号的特征,以重复网络模块的链式形式对输入进行决策,输出各个时刻相应的决策结果;
sigmod全连接网络,用于根据输入的所述各个时刻相应的决策结果,判定1s时间窗的S(m)片段中是否含有痫样电活动,汇总m个片段的结果,实现整段脑电信号中痫样电活动的检测。
根据本发明又一方面,所述脑电信号预处理单元包括:截止频率为0.5-45Hz的带通滤波器,用于对输入的所述脑电信号进行滤波;参考电极,设置于患者双侧耳垂处;归一化单元,用于对重参考后的脑电信号进行归一化处理。
根据本发明又一方面,所述脑电信号传感器的采样频率为256Hz。
根据本发明又一方面,所述脑电信号分割单元选择窗宽为1s且重叠度为50%的时间窗,对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m)。
根据本发明又一方面,还提供了一种基于同时刻传感器空间脑电信号的特征分析的癫痫患者发作间期痫样电活动检测方法,其特征在于包括以下步骤:
采集患者的脑电信号,所述脑电信号为多导联头皮脑电信号;
通过脑电信号预处理单元对所述脑电信号滤波和归一化处理;
对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m)=[S1,S2,…,Sw]T,其中w为所述脑电信号的传感器通道数,Sw为时长1s的单通道脑电信号片段构成的向量;
通过端到端的痫样电活动信号与背景信号二分类单元将输入的m个w*256的输入样本矩阵S(m)进行分类并输出痫样电活动检测结果;
其中,所述通过端到端的痫样电活动信号与背景信号二分类单元将输入的m个w*256的输入样本矩阵S(m)进行分类并输出痫样电活动检测结果包括:
通过U型语义分割结构单元将输入的m个w*256的输入样本矩阵S(m)映射和输出为特征向量F(m)=[F1,F2,…,Fw]T;其中,Fw是第w个传感器通道的脑电信号经过U型语义分割结构映射后得到的特征,所述U型语义分割结构单元包括4个叠加的最大池化层和4个叠加的反卷积结构,每个最大池化层前叠加有两层1*3卷积层,每个反卷积结构后叠加有两层1*3卷积层,最上层的反卷积结构对应的两层1*3的卷积层之后叠加有1*1卷积层;
根据所述特征向量F(m)=[F1,F2,…,Fw]T分析同时刻各传感器空间脑电信号的特征,利用痫样电活动在同时刻各传感器空间的第一关联性以及伪差在同时刻各传感器空间的偶发性和不同于第一关联性的第二关联性识别痫样电活动相关的特征,进而判定1s时间窗的S(m)片段中是否含有痫样电活动,汇总m个片段的结果,实现整段脑电信号中痫样电活动的检测。
根据本发明又一方面,通过门控循环单元将输入的w个传感器空间的同时刻的脑电信号的特征,以重复网络模块的链式形式对输入进行决策,输出各个时刻相应的决策结果;
利用sigmod全连接网络根据所述各个时刻相应的决策结果,判定1s时间窗的S(m)片段中是否含有痫样电活动,汇总m个片段的结果,实现整段脑电信号中痫样电活动的检测。
根据本发明又一方面,所述脑电信号预处理单元包括:截止频率为0.5-45Hz的带通滤波器,用于对输入的所述脑电信号进行滤波;参考电极,设置于患者双侧耳垂处;归一化单元,用于对重参考后的脑电信号进行归一化处理。
根据本发明又一方面,通过采样频率为256Hz的脑电信号传感器采集患者的脑电信号。
根据本发明又一方面,选择窗宽为1s且重叠度为50%的时间窗,对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m)。
与现有技术相比,本发明具有以下一个或多个技术效果:
(1)利用痫样电活动在同时刻各传感器空间的第一关联性以及伪差在同时刻各传感器空间的偶发性和不同于第一关联性的第二关联性识别痫样电活动相关的特征,能够过滤无法通过滤波手段滤除的伪差,无需人工设计伪差滤除单元及特征工程即可完成自动检测。
(2)对于本发明使用的U型语义分割结构:首先,多层池化层的叠加为模型的特征映射提供了多尺度的观测视角,使得对于1s时间窗内无论是小到20ms的单个棘波还是大到充满整个时间窗的棘慢复合波,模型都能在sEEG中获取对应的形态学特征;其次,模型使用的跳跃式跨层连接使得模型能够保证足够深度挖掘sEEG中IED的特征信息的同时,不会被梯度爆炸等因素所影响,在这之中浅层与深层特征的连接方式使用拼接的方式,网络能够根据IED与背景sEEG的差异性特征自适应地选择浅层与深层特征的比重,使得模型对单通道中不同形态、模式下的异常放电波形均有较好的识别能力;最后模型使用自适应的卷积填充方式完成对sEEG编码到解码的自动特征提取方式,在获取原始信号形态学特征的同时保留了信号中完好的时序及通道关联性,为进一步决策提供充足的信息。
(3)对于本发明使用的门控循环单元:模型创造性的将同一时刻不同传感器处在U型语义分割结构中获取的特征视作表征通道间关联关系的序列信息,使用门控循环单元获取所有传感器空间在1s时间窗内每个时刻(对应256个采样点中的每一个采样点)的脑电信号,从而分析决策检测到的形态学异常来自神经系统的异常放电还是仅为随机扰动造成的伪差。本发明更新门与重置门对序列中每个元素信息的动态决策,使得sEEG中的不良通道为整体决策造成的影响大幅度降低;同时,由于输出结果为门控循环单元对整体序列的综合决策,因此序列中元素的排布顺序不会对最终的决策造成重大影响,使得模型对不同环境下采集的sEEG具有更高的适用性。
附图说明
为了能够理解本发明的上述特征的细节,可以参照实施例,得到对于简要概括于上的发明更详细的描述。附图涉及本发明的优选实施例,并描述如下:
图1是根据本发明一种优选实施例的癫痫患者发作间期痫样电活动检测装置采用的端到端的痫样电活动信号与背景信号二分类单元结构示意图;
图2是本发明中1s时间窗截取痫样电活动(IEDs)的示意图。
具体实施方式
现在将对于各种实施例进行详细说明,这些实施例的一个或更多个实例分别绘示于图中。各个实例以解释的方式来提供,而非意味作为限制。例如,作为一个实施例的一部分而被绘示或描述的特征,能够被使用于或结合任一其他实施例,以产生再一实施例。本发明意在包含这类修改和变化。
在以下对于附图的描述中,相同的参考标记指示相同或类似的结构。一般来说,只会对于个别实施例的不同之处进行描述。除非另有明确指明,否则对于一个实施例中的部分或方面的描述也能够应用到另一实施例中的对应部分或方面。
实施例1
参见图1-2,其中,图1是根据本发明一种优选实施例的癫痫患者发作间期痫样电活动检测装置采用的端到端的痫样电活动信号与背景信号二分类单元结构示意图;图2是本发明中1s时间窗截取痫样电活动(IEDs)的示意图。
根据本发明一种优选实施方式,提供一种基于同时刻传感器空间脑电信号的特征分析的癫痫患者发作间期痫样电活动检测装置,其特征在于包括:
脑电信号传感器,用于采集患者的脑电信号,所述脑电信号为多导联头皮脑电信号;
脑电信号预处理单元,用于对所述脑电信号滤波和归一化处理;
脑电信号分割单元(输入信号分割单元),用于对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m)=[S1,S2,…,Sw]T,其中w为所述脑电信号的传感器通道数,Sw为时长1s的单通道脑电信号片段构成的向量;以及
端到端的痫样电活动信号与背景信号二分类单元,用于根据输入的m个w*256的输入样本矩阵S(m)输出痫样电活动检测结果。
优选地,参见图1,所述端到端的痫样电活动信号与背景信号二分类单元包括:
U型语义分割结构单元,包括4个叠加的最大池化层和4个叠加的反卷积结构,每个最大池化层前叠加有两层1*3卷积层,每个反卷积结构后叠加有两层1*3卷积层,最上层的反卷积结构对应的两层1*3的卷积层之后叠加有1*1卷积层,该U型语义分割结构单元根据输入的m个w*256的输入样本矩阵S(m)输出特征向量F(m)=[F1,F2,…,Fw]T;其中,Fw是第w个传感器通道的脑电信号经过U型语义分割结构映射后得到的特征;和
基于同时刻传感器空间脑电信号的特征分析单元(基于同时刻传感器空间信息的特征分析单元),用于根据所述特征向量F(m)=[F1,F2,…,Fw]T分析同时刻各传感器空间脑电信号的特征,利用痫样电活动在同时刻各传感器空间的第一关联性以及伪差在同时刻各传感器空间的偶发性和不同于第一关联性的第二关联性识别痫样电活动相关的特征,进而判定1s时间窗的S(m)片段中是否含有痫样电活动,汇总m个片段的结果,实现整段脑电信号中痫样电活动的检测。
有利地,本发明无需人工设计伪差滤除单元及特征工程即可完成IEDs的自动检测,并在在符合临床应用环境的跨人群、多中心背景下实现高准确率、低假阳性率的IED检出,为临床工作者长程sEEG的判读减轻负担。
可以理解的是,易与痫样电活动混淆的这些滤波单元难以滤除的伪差种类很多,除了仅仅发生在某个或某几个传感器空间的偶发性伪差,还有一部分是发生在大多、甚至全部传感器空间上的。例如心电导致的伪差,这种伪差会在所有传感器空间上产生一个同样大小的、与痫样电活动中的棘波形状类似的瞬态变化。经过研究发现,它与真正痫样电活动在同时刻传感器空间上体现出的关联性不同。也就是说,伪差在传感器空间上的关联性是不符合癫痫的疾病特性的,例如,真正痫样电活动在同时刻传感器空间上体现出第一关联性,而心电导致的伪差在同时刻传感器空间上体现出异于第一关联性的第二关联性。
需要说明的是,本发明能够区分脑电信号中易与痫样电活动混淆的伪差只是目的之一,还有一个目的是使用的这种链式结构,可以获取不同传感器之间的关联性信息,并降低脑电中不良通道以及元素排布的影响,使得系统拥有应用于不同场景及人群的潜力,即系统在不同医疗中心中具有较高的稳健性。
根据本发明又一优选实施方式,所述基于同时刻传感器空间脑电信号的特征分析单元包括:
门控循环单元,用于根据输入的w个传感器空间的同时刻的脑电信号的特征,以重复网络模块的链式形式对输入进行决策,输出各个时刻相应的决策结果;
sigmod全连接网络,用于根据输入的所述各个时刻相应的决策结果,判定1s时间窗的S(m)片段中是否含有痫样电活动,汇总m个片段的结果,实现整段脑电信号中痫样电活动的检测。
根据本发明又一优选实施方式,所述脑电信号预处理单元包括:截止频率为0.5-45Hz的带通滤波器,用于对输入的所述脑电信号进行滤波;参考电极,设置于患者双侧耳垂处;归一化单元,用于对重参考后的脑电信号进行归一化处理。
根据本发明又一优选实施方式,所述脑电信号传感器的采样频率为256Hz。
根据本发明又一优选实施方式,所述脑电信号分割单元选择窗宽为1s且重叠度为50%的时间窗,对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m)。
根据本发明又一优选实施方式,还提供了一种基于同时刻传感器空间脑电信号的特征分析的癫痫患者发作间期痫样电活动检测方法,其特征在于包括以下步骤:
采集患者的脑电信号,所述脑电信号为多导联头皮脑电信号;
通过脑电信号预处理单元对所述脑电信号滤波和归一化处理;
对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m)=[S1,S2,…,Sw]T,其中w为所述脑电信号的传感器通道数,Sw为时长1s的单通道脑电信号片段构成的向量;
通过端到端的痫样电活动信号与背景信号二分类单元将输入的m个w*256的输入样本矩阵S(m)进行分类并输出痫样电活动检测结果;
其中,所述通过端到端的痫样电活动信号与背景信号二分类单元将输入的m个w*256的输入样本矩阵S(m)进行分类并输出痫样电活动检测结果包括:
通过U型语义分割结构单元将输入的m个w*256的输入样本矩阵S(m)映射和输出为特征向量F(m)=[F1,F2,…,Fw]T;其中,Fw是第w个传感器通道的脑电信号经过U型语义分割结构映射后得到的特征,所述U型语义分割结构单元包括4个叠加的最大池化层和4个叠加的反卷积结构,每个最大池化层前叠加有两层1*3卷积层,每个反卷积结构后叠加有两层1*3卷积层,最上层的反卷积结构对应的两层1*3的卷积层之后叠加有1*1卷积层;
根据所述特征向量F(m)=[F1,F2,…,Fw]T分析同时刻各传感器空间脑电信号的特征,利用痫样电活动在同时刻各传感器空间的第一关联性以及伪差在同时刻各传感器空间的偶发性和不同于第一关联性的第二关联性识别痫样电活动相关的特征,进而判定1s时间窗的S(m)片段中是否含有痫样电活动,汇总m个片段的结果,实现整段脑电信号中痫样电活动的检测。
根据本发明又一优选实施方式,通过门控循环单元将输入的w个传感器空间的同时刻的脑电信号的特征,以重复网络模块的链式形式对输入进行决策,输出各个时刻相应的决策结果;
利用sigmod全连接网络根据所述各个时刻相应的决策结果,判定1s时间窗的S(m)片段中是否含有痫样电活动,汇总m个片段的结果,实现整段脑电信号中痫样电活动的检测。
根据本发明又一优选实施方式,所述脑电信号预处理单元包括:截止频率为0.5-45Hz的带通滤波器,用于对输入的所述脑电信号进行滤波;参考电极,设置于患者双侧耳垂处;归一化单元,用于对重参考后的脑电信号进行归一化处理。
根据本发明又一优选实施方式,通过采样频率为256Hz的脑电信号传感器采集患者的脑电信号。
根据本发明又一优选实施方式,选择窗宽为1s且重叠度为50%的时间窗,对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m)。
根据本发明又一优选实施方式,还提供了一种头皮脑电中融合多尺度时域信息与传感器信息的癫痫患者发作间期痫样电活动检测方法,主要包含如下步骤:
步骤1.选择截止频率为0.5-45Hz的带通滤波器,对输入的原始多导联头皮脑电信号进行滤波,然后将患者双侧耳垂处电极(“A1”、“A2”)设为参考电极,计算重参考后的sEEG,并利用最大最小值法对其进行归一化处理;
步骤2.通过计算,调整sEEG采样频率至256Hz,然后选择窗宽为1s重叠度为50%的时间窗,对预处理后的sEEG信号进行分割,生成m个w*256的输入样本矩阵S(m)=[S1,S2,…,Sw]T,其中w为重参考后的sEEG信号的通道数。Sw为时长1s的单通道脑电信号片段构成的向量;
步骤3.利用U型语义分割网络同步提取S(m)中单通道信号中IED的形态学特征,输出与之同尺寸的特征向量F(m)=[F1,F2,…,Fw]T,然后利用门控循环单元分析F(m)中单通道sEEG在时间尺度上的IED特征并输出每个通道的决策结果,接着对相连的脑电通道使用门控循环单元挖掘传感器层面与IED相关的空间信息,以此最终判定1s时长的S(m)片段中是否含有IED事件,最后汇总m个片段的结果,即可实现整段长程sEEG中IED事件的标注,从而减轻临床工作者的工作负担。
优选地,本发明的癫痫患者发作间期痫样电活动检测模型是一种端到端的实现sEEG中IEDs与背景信号二分类的模型,其结构图如图1所示。令输入模型的m个sEEG信号为S(m)=[S1,S2,…,Sw]T,w∈[1,19],U型语义分割结构的左侧,模型依靠4个叠加的最大池化层获得了逐级递增的4个不同尺度下的视野,并依靠每次池化前叠加的两层卷积核为1*3的卷积层提取当前视野下sEEG单个通道Sw的局部特征,并最终在U型语义结构的底端完成时域上不同尺度下sEEG的编码过程;U型语义分割结构的右侧,模型依靠与池化层数量相同的4个反卷积结构进行上采样,以此解码被模型编码后的sEEG单通道上的形态学特征,并恢复每个特征与原始信号在时域上的对应位置关系,实现1s时间窗内每个通道中的异常波形与背景的差异化表达F(m)=[F1,F2,…,Fw]T,w∈[1,19];U型语义分割结构获取的精细到采样点(即每一时刻)的特征表达会被送入之后的门控循环单元之中,门控循环单元以一种重复网络模块的链式形式对输入进行决策,此处来自19个传感器的信号依次输入门控循环单元,其中链式结构中的每一个模块的输出yt由当前模块的输入xt和之前模块的状态ht-1经由重置门rt与更新门zt计算后共同决策,具体计算如下:
rt=σ(Wr·[ht-1,xt]) (2)
zt=σ(Wz·[ht-1,xt]) (3)
yt=σ(Wy·ht) (6)
其中[]为向量相接,*为矩阵的乘积,σ(·)为激活函数,Wr,Wz,Wy分别为对应门在训练中学习到的权值矩阵。即门控循环单元最终的输出是19个传感器处获取的语义级形态特征动态加权后的综合决策结果。最终,时间域上19个传感器的综合决策结果构成的特征向量输入以sigmod为激活函数的全连接网络,得到当前1s时间窗内的样本是否含有发作间期痫样异常电活动的判别结果。
优选地,通过将本发明的检测方法与现有比较模型效果进行了量化评估,其中,一方面是利用平衡训练集进行跨人群的5折交叉验证,对比分析本发明与已有端到端检测模型的性能,另一方面是利用独立测试集,评估临床背景下本发明的可用性及稳健性。其中,量化评估结果如下。
表1不同模型在平衡训练集中5折交叉验证的平均检测结果
表1中所展示的为本发明方法在跨人群的5折交叉验证中的模型评估结果,并列举了同样条件下典型卷积神经网络模型VGGNet,和本发明方法的IEDs检测效果进行对比。不难看出,本发明所使用的方法各项指标均取得最好的效果。对比VGGNet与UNet可得U型语义网络相较于经典卷积神经网络能够更好的获取时域中IEDs的多尺度形态学信息;同理,对比UNet与本发明方法可得,通过门控循环单元引入同时刻传感器信息进行分析决策,大幅提高了sEEG中区分IEDs与背景信号的能力。
表2本发明方法在独立测试集中的IEDs检测效果
表2所示为本发明方法用于独立测试集的IEDs检测效果。以1s时间窗及50%的重叠度将每例患者长达1小时的长程sEEG完整输入模型进行性能评估。与平衡训练集不同,独立测试集的每例样本中IEDs与背景信号的比例均出现严重失衡,差距最小的一例样本二者的比例也达到1:23,因此使得测试得到的精度和与精度密切相关的F1-Score效果低于5折交叉验证的结果。然而,模型高敏感度(即查全率)的优势能够保证尽可能完整的获取患者sEEG中IEDs,极大程度的避免了长程sEEG中大量的背景尤其是易与IEDs混淆的伪差给临床诊断带来的巨大工作量,为医生判读sEEG节省了大量时间及精力,也为没有优质医疗资源的偏远地区提供了优质的癫痫患者sEEG判读手段。
与现有技术相比,本发明具有以下一个或多个技术效果:
(1)利用痫样电活动在同时刻各传感器空间的第一关联性以及伪差在同时刻各传感器空间的偶发性和不同于第一关联性的第二关联性识别痫样电活动相关的特征,能够过滤无法通过滤波手段滤除的伪差,无需人工设计伪差滤除单元及特征工程即可完成自动检测。
(2)对于本发明使用的U型语义分割结构:首先,多层池化层的叠加为模型的特征映射提供了多尺度的观测视角,使得对于1s时间窗内无论是小到20ms的单个棘波还是大到充满整个时间窗的棘慢复合波,模型都能在sEEG中获取对应的形态学特征;其次,模型使用的跳跃式跨层连接使得模型能够保证足够深度挖掘sEEG中IED的特征信息的同时,不会被梯度爆炸等因素所影响,在这之中浅层与深层特征的连接方式使用拼接的方式,网络能够根据IED与背景sEEG的差异性特征自适应地选择浅层与深层特征的比重,使得模型对单通道中不同形态、模式下的异常放电波形均有较好的识别能力;最后模型使用自适应的卷积填充方式完成对sEEG编码到解码的自动特征提取方式,在获取原始信号形态学特征的同时保留了信号中完好的时序及通道关联性,为进一步决策提供充足的信息。
(3)对于本发明使用的门控循环单元:模型创造性的将同一时刻不同传感器处在U型语义分割结构中获取的特征视作表征通道间关联关系的序列信息,使用门控循环单元获取所有传感器空间在1s时间窗内每个时刻(对应256个采样点中的每一个采样点)的脑电信号,从而分析决策检测到的形态学异常来自神经系统的异常放电还是仅为随机扰动造成的伪差。本发明更新门与重置门对序列中每个元素信息的动态决策,使得sEEG中的不良通道为整体决策造成的影响大幅度降低;同时,由于输出结果为门控循环单元对整体序列的综合决策,因此序列中元素的排布顺序不会对最终的决策造成重大影响,使得模型对不同环境下采集的sEEG具有更高的适用性。
虽然前述内容是关于本发明的实施例,但可在不背离本发明的基本范围的情况下,设计出本发明其他和更进一步的实施例,本发明的范围由权利要求书确定。
上述实施例仅为本发明的较佳实施例而已,并不用以限制本发明,这些实施例中不互相违背的技术特征可彼此结合。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于同时刻传感器空间脑电信号的特征分析的癫痫患者发作间期痫样电活动检测装置,其特征在于包括:
脑电信号传感器,用于采集患者的脑电信号,所述脑电信号为多导联头皮脑电信号;
脑电信号预处理单元,用于对所述脑电信号滤波和归一化处理;
脑电信号分割单元,用于对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m)=[S1,S2,…,Sw]T,其中w为所述脑电信号的传感器通道数,Sw为时长1s的单通道脑电信号片段构成的向量;以及
端到端的痫样电活动信号与背景信号二分类单元,用于根据输入的m个w*256的输入样本矩阵S(m)输出痫样电活动检测结果;
其中,所述端到端的痫样电活动信号与背景信号二分类单元包括:
U型语义分割结构单元,包括4个叠加的最大池化层和4个叠加的反卷积结构,每个最大池化层前叠加有两层1*3卷积层,每个反卷积结构后叠加有两层1*3卷积层,最上层的反卷积结构对应的两层1*3的卷积层之后叠加有1*1卷积层,该U型语义分割结构单元根据输入的m个w*256的输入样本矩阵S(m) 输出特征向量F(m)=[F1,F2,…,Fw]T;其中,Fw是第w个传感器通道的脑电信号经过U型语义分割结构映射后得到的特征;和
基于同时刻传感器空间脑电信号的特征分析单元,用于根据所述特征向量F(m)=[F1,F2,…,Fw]T分析同时刻各传感器空间脑电信号的特征,利用痫样电活动在同时刻各传感器空间的第一关联性以及伪差在同时刻各传感器空间的偶发性和不同于第一关联性的第二关联性识别痫样电活动相关的特征,进而判定1s时间窗的S(m)片段中是否含有痫样电活动,汇总m个片段的结果,实现整段脑电信号中痫样电活动的检测。
2.根据权利要求1所述的检测装置,其特征在于所述基于同时刻传感器空间脑电信号的特征分析单元包括:
门控循环单元,用于根据输入的w个传感器空间的同时刻的脑电信号的特征,以重复网络模块的链式形式对输入进行决策,输出各个时刻相应的决策结果;
sigmod全连接网络,用于根据输入的所述各个时刻相应的决策结果,判定1s时间窗的S(m)片段中是否含有痫样电活动,汇总m个片段的结果,实现整段脑电信号中痫样电活动的检测。
3.根据权利要求2所述的检测装置,其特征在于所述脑电信号预处理单元包括:截止频率为0.5-45Hz的带通滤波器,用于对输入的所述脑电信号进行滤波;参考电极,设置于患者双侧耳垂处;归一化单元,用于对重参考后的脑电信号进行归一化处理。
4.根据权利要求1-3任一项所述的检测装置,其特征在于:所述脑电信号传感器的采样频率为256Hz。
5.根据权利要求4所述的检测装置,其特征在于:所述脑电信号分割单元选择窗宽为1s且重叠度为50%的时间窗,对预处理后的所述脑电信号进行分割,生成m个w*256的输入样本矩阵S(m)。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011529814.6A CN112674782B (zh) | 2020-12-22 | 2020-12-22 | 癫痫患者发作间期痫样电活动检测装置和方法 |
CN202110545041.9A CN113662560B (zh) | 2020-12-22 | 2020-12-22 | 发作间期痫样放电的检测方法、存储介质和设备 |
PCT/CN2021/140341 WO2022135449A1 (zh) | 2020-12-22 | 2021-12-22 | 癫痫患者发作间期痫样电活动检测装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011529814.6A CN112674782B (zh) | 2020-12-22 | 2020-12-22 | 癫痫患者发作间期痫样电活动检测装置和方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110545041.9A Division CN113662560B (zh) | 2020-12-22 | 2020-12-22 | 发作间期痫样放电的检测方法、存储介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112674782A CN112674782A (zh) | 2021-04-20 |
CN112674782B true CN112674782B (zh) | 2021-11-26 |
Family
ID=75450670
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011529814.6A Active CN112674782B (zh) | 2020-12-22 | 2020-12-22 | 癫痫患者发作间期痫样电活动检测装置和方法 |
CN202110545041.9A Active CN113662560B (zh) | 2020-12-22 | 2020-12-22 | 发作间期痫样放电的检测方法、存储介质和设备 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110545041.9A Active CN113662560B (zh) | 2020-12-22 | 2020-12-22 | 发作间期痫样放电的检测方法、存储介质和设备 |
Country Status (2)
Country | Link |
---|---|
CN (2) | CN112674782B (zh) |
WO (1) | WO2022135449A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112674782B (zh) * | 2020-12-22 | 2021-11-26 | 北京航空航天大学 | 癫痫患者发作间期痫样电活动检测装置和方法 |
CN113647962B (zh) * | 2021-08-20 | 2023-09-22 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN114595731B (zh) * | 2022-05-09 | 2022-08-19 | 南京信息工程大学 | 基于持续学习的非线性医疗传感器数据的语义分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103932796A (zh) * | 2014-04-13 | 2014-07-23 | 北京师范大学 | 一种基于多模态医学影像数据融合的颅内电极个体化定位的方法 |
CN210228524U (zh) * | 2019-05-30 | 2020-04-03 | 首都医科大学宣武医院 | 一种癫痫患者专用床 |
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 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7502650B2 (en) * | 2003-09-22 | 2009-03-10 | Cvrx, Inc. | Baroreceptor activation for epilepsy control |
US8483816B1 (en) * | 2010-02-03 | 2013-07-09 | Hrl Laboratories, Llc | Systems, methods, and apparatus for neuro-robotic tracking point selection |
CN102488513B (zh) * | 2011-12-05 | 2013-08-28 | 中国人民解放军第四军医大学 | 基于偶极(电荷)源时空模型的脑电源定位装置 |
CN102613971B (zh) * | 2012-03-30 | 2013-10-30 | 北京品驰医疗设备有限公司 | 基于脑电的癫痫检测与干预装置 |
CN105708452B (zh) * | 2016-01-01 | 2018-12-04 | 孟艳林 | 头皮脑电的确定电极放置位置的装置及方法 |
US10589096B2 (en) * | 2016-04-25 | 2020-03-17 | The Board Of Regents Of The University Of Texas System | Systems and methods for network based neurostimulation of cognitive processes |
CN106821376B (zh) * | 2017-03-28 | 2019-12-06 | 南京医科大学 | 一种基于深度学习算法的癫痫发作预警系统 |
US10588561B1 (en) * | 2017-08-24 | 2020-03-17 | University Of South Florida | Noninvasive system and method for mapping epileptic networks and surgical planning |
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 |
CN109645990B (zh) * | 2018-08-30 | 2020-11-27 | 北京航空航天大学 | 一种癫痫患者脑电信号的计算机模式识别方法 |
SG11202108509VA (en) * | 2019-02-08 | 2021-09-29 | Univ Nanyang Tech | Method and system for seizure detection |
CN110338786B (zh) * | 2019-06-28 | 2020-10-02 | 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 |
CN111080575B (zh) * | 2019-11-22 | 2023-08-25 | 东南大学 | 一种基于残差密集u形网络模型的丘脑分割方法 |
CN111134666B (zh) * | 2020-01-09 | 2021-05-11 | 中国科学院软件研究所 | 一种多通道脑电数据的情绪识别方法及电子装置 |
CN111643075A (zh) * | 2020-01-17 | 2020-09-11 | 天津大学 | 基于微状态分析方法的eeg实时检测分析平台 |
CN111387974B (zh) * | 2020-02-19 | 2022-12-02 | 杭州电子科技大学 | 基于深度自编码的脑电特征优化与癫痫发作检测方法 |
CN111150393B (zh) * | 2020-02-19 | 2023-03-28 | 杭州电子科技大学 | 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 |
CN111557662B (zh) * | 2020-05-15 | 2023-04-18 | 灵犀医学科技(北京)有限公司 | 癫痫间期脑电信号的处理方法、装置、存储介质及设备 |
CN111568414B (zh) * | 2020-05-22 | 2022-05-10 | 中国人民解放军东部战区总医院 | 基于功能影像学的癫痫活动检测方法及系统 |
CN111772585B (zh) * | 2020-07-13 | 2021-06-04 | 清华大学 | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 |
CN112674782B (zh) * | 2020-12-22 | 2021-11-26 | 北京航空航天大学 | 癫痫患者发作间期痫样电活动检测装置和方法 |
-
2020
- 2020-12-22 CN CN202011529814.6A patent/CN112674782B/zh active Active
- 2020-12-22 CN CN202110545041.9A patent/CN113662560B/zh active Active
-
2021
- 2021-12-22 WO PCT/CN2021/140341 patent/WO2022135449A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103932796A (zh) * | 2014-04-13 | 2014-07-23 | 北京师范大学 | 一种基于多模态医学影像数据融合的颅内电极个体化定位的方法 |
CN210228524U (zh) * | 2019-05-30 | 2020-04-03 | 首都医科大学宣武医院 | 一种癫痫患者专用床 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113662560A (zh) | 2021-11-19 |
WO2022135449A1 (zh) | 2022-06-30 |
CN112674782A (zh) | 2021-04-20 |
CN113662560B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN110876626B (zh) | 基于多导联脑电最优导联选择的抑郁检测系统 | |
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN111340142B (zh) | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 | |
CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、系统 | |
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
CN113786204B (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
CN110693493A (zh) | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法 | |
CN111053549A (zh) | 一种智能生物信号异常检测方法及系统 | |
CN108960182A (zh) | 一种基于深度学习的p300事件相关电位分类识别方法 | |
CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
CN112884063B (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
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 | |
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 | |
CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
CN110200624A (zh) | 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法 | |
CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
CN114861738A (zh) | 一种基于脑电溯源和偶极子选择的运动想象分类方法 | |
CN114532994A (zh) | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 | |
CN114764581B (zh) | 一种基于rr间期空间特征的房颤分类方法、装置及系统 | |
Neto et al. | Automatic detection of cardiac arrhythmias using wavelets, neural networks and particle swarm optimization | |
CN116386864A (zh) | 一种基于深度学习和静息态脑电数据的抑郁分析方法 | |
CN116035576A (zh) | 一种基于注意力机制的抑郁症脑电信号识别方法及系统 | |
Kassenov | NEURAL NETWORK-BASED ALGORITHM FOR ELECTROCARDIOSIGNAL PROCESSING: DEVELOPMENT AND ANALYSIS | |
Babu et al. | A supervised machine learning classification for epileptic seizure prognosis based on wavelet transformation |
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 |