CN113080999A - 一种基于脑电信号的儿童谵妄预测方法及系统 - Google Patents

Abstract

本发明提供了一种基于脑电信号的儿童谵妄预测方法及系统，该方法的具体处理步骤如下：步骤一：采集麻醉手术后处于苏醒期的儿童的多通道脑电数据；步骤二：对采集的多通道脑电数据进行预处理；步骤三：提取预处理后的多通道脑电数据的多域特征；步骤四：将所述多域特征输入SVM分类器，得到谵妄预测结果。该系统包括脑电数据获取模块、预处理模块、特征提取模块和分类模块。本发明提出了一种儿童谵妄预测方法及系统，该方法及系统客观、准确率高，有助于临床儿童谵妄的预警以及及时治疗。

Description

一种基于脑电信号的儿童谵妄预测方法及系统

技术领域

本发明涉及儿科和麻醉检测领域，具体涉及一种基于脑电信号的儿童谵妄预测方法及系统。

背景技术

术后谵妄是一种急性、可逆的脑功能障碍综合征，表现为意识和认知功能的非特异性、急性、波动性紊乱。研究表明儿童对谵妄发生的易感性较高，发生率为4％～47％。儿童谵妄可能导致诸多问题的出现，比如不利于原发疾病的恢复，增加了儿童的住院时间及治疗费，提高了院内6个月病死率，导致非计划拔管、坠床等不良事件的发生，出院后出现妄想和幻觉干扰等。因此，准确、有效检测儿童谵妄尤为重要，这不仅有助于临床医生及时治疗儿童谵妄、降低儿童谵妄的发生率，还能降低不良安全事件的发生，逆转住院患儿的上述负性结局。

目前，检测儿童谵妄的方法主要依赖于“金标准”和儿童谵妄检测量表。《精神障碍诊断与统计手册》》(The Diagnostic and Statistical Manual of Mental Disorders，DSM)是谵妄检测的“金标准”，但诊断过程复杂、耗时较长、专业性强，不适用于临床广泛应用。目前常用的儿童谵妄检测量表主要有：儿童ICU谵妄评估量表(pediatric ConfusionAssessment Method for the ICU，pCAM-ICU)，学龄前儿童ICU谵妄评估量表(PreschoolConfusion Assessment Method for the ICU，psCAM-ICU)，儿童麻醉苏醒期谵妄评估量表(Pediatric Anesthesia Emergence Delirium Scale，PAED)，康奈尔儿童谵妄评估量表(Cornell Assessment of Pediatric Delirium，CAPD)和谵妄分级量表(the DeliriumRating Scale，DRS)。相比于“金标准”，这些量表评估内容简单、诊断所需时间短，但依旧属于主观打分，依赖专业性和熟练度，无法客观。此外，这些量表依赖受试者意识或者行为进行评估，均无法用于镇静或昏迷儿童，即无法用于术后苏醒期。

众多研究表明谵妄与非谵妄人群的脑电信号存在显著的差异，这为脑电信号用于谵妄的检测与预测提供了可能。然而，现有基于脑电信号的谵妄检测研究存在的问题有：受试者集中于老年谵妄患者而无儿童谵妄患者；检测准确率低，而且仅检测谵妄，而无法预测谵妄。因此，研发具有自主知识产权的儿童谵妄预测方法及系统非常有必要。

发明内容

本发明的目的是针对现有技术中存在的技术缺陷与空白，提出了一种基于脑电信号的儿童谵妄预测方法及系统，能够自动地对谵妄进行预测。

为达到上述目的，本发明提供了以下技术方案：

一种基于脑电信号的儿童谵妄预测方法，具体处理步骤如下：

步骤一：采集麻醉手术后处于苏醒期的儿童的多通道脑电数据；

步骤二：对采集的多通道脑电数据进行预处理；

步骤三：提取预处理后的多通道脑电数据的多域特征；

步骤四：将所述多域特征输入SVM分类器，并根据SVM分类器的输出结果得到谵妄预测结果。

优选地，所述步骤二中的预处理具体包括如下步骤：

步骤21：对所述多通道脑电数据进行降采样处理，降采样至1000Hz；

步骤22：通过0.5～45Hz带通滤波消除步骤21中得到的多通道脑电数据中的干扰数据，提高信噪比；

步骤23：通过插值的方式校正异常的消除干扰后的多通道脑电数据，具体是用相邻通道的数值取平均来替代异常的脑电通道数据；

步骤24：基于固定窗长的滑动窗将步骤23中得到的多通道脑电数据分割成数据片段，窗长为10s，重叠率为50％，设定300uV的阈值，一旦某个数据片段的最大值超过阈值，则剔除该片段。

优选地，步骤三中所述预处理后的所述多通道脑电数据为步骤24中得到的数据片段。

优选地，步骤三中的多域特征为θ、α、β、γ4个频带的相对功率谱和样本熵，其中四个频带分别为4～8Hz，8～13Hz，13～30Hz，30～45Hz。

优选地，步骤四中的SVM分类器为二分类模型，核函数为立方核函数。

本发明还提供了一种基于脑电信号的儿童谵妄预测系统，包括：

脑电数据获取模块，用于采集麻醉手术后处于苏醒期的儿童的多通道脑电数据；

预处理模块，用于对脑电数据获取模块获取的脑电数据进行预处理；

特征提取模块，用于提取预处理后的脑电数据的多域特征；

分类模块，用于将提取的多域特征输入到SVM分类器中，并根据SVM分类器的输出结果得到预测结果。

优选地，所述预处理模块具体又包括：

降采样模块，用于对所述多通道脑电数据进行降采样处理，降采样至1000Hz；

滤波模块，用于通过0.5～45Hz带通滤波消除步骤21中得到的多通道脑电数据中的干扰数据，提高信噪比；

校正模块，用于通过插值的方式校正异常的消除干扰后的多通道脑电数据，具体是用相邻通道的数值取平均来替代异常的脑电通道数据；

数据分割模块，基于固定窗长的滑动窗将步骤23中得到的多通道脑电数据分割成数据片段，窗长为10s，重叠率为50％，设定300uV的阈值，一旦某个数据片段最大值超过阈值，则剔除该片段。

优选地，所述特征提取模块提取的是所述数据片段的特征，并且所述特征包括θ、α、β、γ4个频带的相对功率谱和样本熵，其中四个频带分别为4～8Hz，8～13Hz，13～30Hz，30～45Hz。

本发明还提供了一种SVM分类器的核函数的选取方法，所述SVM分类器为上述预测方法中的SVM分类器，其特征在于，包括如下步骤：

步骤a：采集麻醉手术后处于苏醒期受试者的n通道脑电数据,n为整数且大于1；

步骤b：受试者清醒后工作人员依据谵妄评估量表判断受试者是否发生谵妄，谵妄受试者标签记为1，非谵妄受试者标签记为0；

步骤c：对所述脑电数据进行预处理，得到多个电脑数据片段；

步骤d：对预处理后的多个脑电数据片段提取多域特征，所述多域特征包括变异系数、4阶AR模型系数，共计5个时域特征；δ、θ、α、β、γ5个频带的相对功率谱、同步快慢比、峰值频率、95％边缘频率，共计8个频域特征；基于3层db3小波包分解提取小波包能量，共计8个时频域特征；样本熵；

步骤e：将提取后的多域特征采用基于不同核函数的SVM分类器进行二分类，根据分类结果选出准确率、灵敏度和特异性最好的核函数作为SVM分类器的核函数。

本发明还提供了一种多域特征的选取方法，所述多域特征为上述预测方法中的多域特征，其特征在于，包括如下步骤：

步骤Ⅰ：选取SVM分类器的核函数，采用权利要求9中的选取方法；

步骤Ⅱ：对提取的多域特征进行排序并寻优，具体包括如下步骤：

步骤ⅰ：依次提取n个脑电通道的单个特征，分别构成1*n的特征向量，将对应的特征集输入到SVM分类器中得出分类结果，并根据分类结果得出该单个特征的灵敏度和准确率；

步骤ⅱ：将22个特征分别执行步骤ⅰ，基于灵敏度和准确率按照从大到小的顺序将特征进行排序；

步骤ⅲ：将特征集分为谵妄特征集和非谵妄特征集，对n个通道中的每个通道进行差异性分析，计算差异性分析得到的p值不大于0.05的通道数量，然后除以n获得显著差异通道比并按照从大到小的顺序排序对特征进行排序；

步骤ⅳ：综合显著差异通道比、灵敏度和准确率排序结果，取综合排序的前若干名的特征作为最优特征组合。

与现有技术比较，本发明具有如下优点和技术效果：

本发明提出了一种基于脑电信号的儿童谵妄预测方法及系统，并取得了优异的预测性能；首次将脑电信号用于儿童谵妄的预测，弥补了儿童谵妄预测领域的空白，有助于临床实现无人工监督的谵妄评估。

附图说明

图1为本发明实施例所述方法流程图。

图2为本发明实施例中的基于单个特征的儿童谵妄预测性能图。

附图中的标号说明：图2横坐标1-22对应表格中的22个特征。

具体实施方式

下面将结合附图和实例对本发明的具体实施作进一步说明，但本发明的实施和保护不限于此。

实施例一

如图1所示，一种基于脑电信号的儿童谵妄预测方法，具体处理步骤如下：

步骤一：采集麻醉手术后处于苏醒期的儿童的多通道脑电数据；

步骤二：对采集的多通道脑电数据进行预处理；

步骤三：提取预处理后的多通道脑电数据的多域特征；

步骤四：将所述多域特征输入SVM分类器，得到谵妄预测结果，即是否谵妄。

所述步骤二中的预处理具体包括如下步骤：

步骤21：对所述多通道脑电数据进行降采样处理，降采样至1000Hz；

步骤22：通过0.5～45Hz带通滤波消除步骤21中得到的多通道脑电数据中的干扰数据，提高信噪比；

步骤23：通过插值的方式校正异常的消除干扰后的多通道脑电数据，具体是用相邻通道的数值取平均来替代异常的脑电通道数据；

步骤24：基于固定窗长的滑动窗将步骤23中得到的多通道脑电数据分割成数据片段，窗长为10s，重叠率为50％，设定300uV的阈值，一旦某个数据片段的最大值超过阈值，则剔除该片段。

步骤三中所述预处理后的所述多通道脑电数据为步骤24中得到的数据片段。

步骤三中的多域特征为θ、α、β、γ4个频带的相对功率谱和样本熵，其中四个频带分别为4～8Hz，8～13Hz，13～30Hz，30～45Hz。

步骤四中的SVM分类器为二分类模型，核函数为立方核函数。

实施例二

该实施例为一种基于脑电信号的儿童谵妄预测系统，包括：

脑电数据获取模块，用于采集麻醉手术后处于苏醒期的儿童的多通道脑电数据；

预处理模块，用于对脑电数据获取模块获取的脑电数据进行预处理；

特征提取模块，用于提取预处理后的脑电数据的多域特征；

分类模块，用于将提取的多域特征输入到SVM分类器中得到预测结果。

所述预处理模块具体又包括：

降采样模块，用于对所述多通道脑电数据进行降采样处理，降采样至1000Hz；

滤波模块，用于通过0.5～45Hz带通滤波消除步骤21中得到的多通道脑电数据中的干扰数据，提高信噪比；

校正模块，用于通过插值的方式校正异常的消除干扰后的多通道脑电数据，具体是用相邻通道的数值取平均来替代异常的脑电通道数据；

数据分割模块，基于固定窗长的滑动窗将步骤23中得到的多通道脑电数据分割成数据片段，窗长为10s，重叠率为50％，设定300uV的阈值，一旦某个数据片段最大值超过阈值，则剔除该片段。

所述特征提取模块提取的是所述数据片段的特征，并且所述特征包括θ、α、β、γ4个频带的相对功率谱和样本熵，其中四个频带分别为4～8Hz，8～13Hz，13～30Hz，30～45Hz。

实施例三

该实施例给出了多域特征和核函数的选取方法。

步骤一：在麻醉复苏室采集术后苏醒期受试者的64通道脑电数据，采样率为2048Hz；受试者清醒后两名专业医护人员依据PAED量表判断受试者是否发生谵妄，谵妄标签记为1，非谵妄标签记为0；最终，纳入了21名受试者，包括11位谵妄受试者和10位非谵妄受试者。

步骤二：对所述脑电数据进行预处理：对脑电数据进行降采样处理，降采样至1000Hz；通过0.5～45Hz带通滤波消除干扰，提高信噪比；通过插值的方式校正异常的脑电通道，具体是用相邻通道的数值取平均来替代异常的脑电通道；基于固定窗长的滑动窗分割脑电信号片段，窗长为10s，重叠率为50％；设定300uV的阈值，一旦某个片段最大值超过阈值，则剔除该片段。

步骤三：提取多域特征：提取变异系数、4阶AR模型系数等时域特征，共计5个特征；提取δ、θ、α、β、γ5个频带的相对功率谱、同步快慢比、峰值频率、95％边缘频率等频域特征，共计8个特征；其中，5个频带对应的频率依次为：0.5～4Hz，4～8Hz，8～13Hz，13～30Hz，30～45Hz；时频域特征选小波包能量，基于3层db3小波基分解，共计8个特征；非线性动力学特征为样本熵；因此，共提取22个特征。

步骤四：基于不同核函数的SVM分类器进行二分类：有64个脑电通道，每个通道提取22个特征，因此构成1*1408的特征向量；步骤二中21个受试者总共获得2489个脑电信号片段，也就是有2489个样本，因此构成了2489*1408的特征集；将特征集输入具有不同核函数的SVM分类器，采用10折交叉验证的方式进行评估，评价参数为准确率、灵敏度和特异性，并且以95％置信区间(confidence interval,CI)的形式给出，具体结果见下表：

核函数	准确率(95％CI)	灵敏度(95％CI)	特异性(95％CI)
				线性核	85.6％(83.2-88.0％)	77.1％(72.7-81.5％)	94.1％(92.9-95.3％)
二项式核	93.3％(92.2-94.4％)	91.4％(90.0-92.7％)	95.3％(94.3-96.3％)
				立方核	93.8％(92.5-95.1％)	91.7％(89.1-94.3％)	95.9(94.5％-97.2％)
高斯核	89.7％(88.3-91.1％)	83.7％(80.6-86.8％)	95.7(95.2％-96.3％)

由上表可知，立方核函数为最优核函数，选用立方核函数作为SVM分类器的核函数用于后续分类。

步骤五：对提取的多域特征进行排序并寻优：首先，依次提取64个脑电通道的单个特征，分别构成1*64的特征向量，将对应的2489*64特征集输入立方核SVM得出分类结果，因此会得到22个分类结果(如图2所示)并基于灵敏度和准确率按照从大到小的顺序进行排序；其次，将上述每个2489*64特征集分别分为879*64谵妄特征集和1610*64非谵妄特征集，然后基于Kruskal-Wallis test对64个通道中的每个通道进行差异性分析，计算差异性分析得到的p值不大于0.05的通道数量，然后除以64以获得显著差异通道比并按照从大到小的顺序排序；最后，得到的结果如下表所示：

综合显著差异通道比、灵敏度和准确率排序结果，取三者前10名特征的并集作为最优特征组合，即θ、α、β、γ等4个频带的相对功率谱和样本熵。

步骤六：基于步骤五所选的五个特征组合构成1*320维特征向量，进而得到2489*320特征集并输入立方核SVM，得到的预测结果为：准确率95.5％(95％CI，94.5-96.5％)，灵敏度93.6％(95％CI，91.3-95.9％)，特异性97.4％(95％CI，96.6-98.3％)。

根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。

Claims (10)

1.一种基于脑电信号的儿童谵妄预测方法，具体处理步骤如下：

步骤一：采集麻醉手术后处于苏醒期的儿童的多通道脑电数据；

步骤二：对采集的多通道脑电数据进行预处理；

步骤三：提取预处理后的多通道脑电数据的多域特征；

步骤四：将所述多域特征输入SVM分类器，根据SVM分类器的输出结果得到谵妄预测结果。

2.根据权利要求1所述的儿童谵妄预测方法，其特征在于，所述步骤二中的预处理具体包括如下步骤：

步骤21：对所述多通道脑电数据进行降采样处理，降采样至1000Hz；

步骤22：通过0.5～45Hz带通滤波消除步骤21中得到的多通道脑电数据中的干扰数据，提高信噪比；

步骤23：通过插值的方式校正异常的消除干扰后的多通道脑电数据，具体是用相邻通道的数值取平均来替代异常的脑电通道数据；

步骤24：基于固定窗长的滑动窗将步骤23中得到的多通道脑电数据分割成数据片段，窗长为10s，重叠率为50％，设定300uV的阈值，一旦某个数据片段的最大值超过阈值，则剔除该片段。

3.根据权利要求2所述的儿童谵妄预测方法，其特征在于，步骤三中所述预处理后的所述多通道脑电数据为步骤24中得到的数据片段。

4.根据权利要求1所述的儿童谵妄预测方法，其特征在于，步骤三中的多域特征为θ、α、β、γ4个频带的相对功率谱和样本熵，其中四个频带分别为4～8Hz，8～13Hz，13～30Hz，30～45Hz。

5.根据权利要求1所述的儿童谵妄预测方法，其特征在于，步骤四中的SVM分类器为二分类模型，核函数为立方核函数。

6.一种基于脑电信号的儿童谵妄预测系统，包括：

脑电数据获取模块，用于采集麻醉手术后处于苏醒期的儿童的多通道脑电数据；

预处理模块，用于对脑电数据获取模块获取的脑电数据进行预处理；

特征提取模块，用于提取预处理后的脑电数据的多域特征；

分类模块，用于将提取的多域特征输入到SVM分类器中，并根据SVM分类器的输出结果得到预测结果。

7.根据权利要求6所述的儿童谵妄预测系统，其特征在于，所述预处理模块具体又包括：

降采样模块，用于对所述多通道脑电数据进行降采样处理，降采样至1000Hz；

滤波模块，用于通过0.5～45Hz带通滤波消除步骤21中得到的多通道脑电数据中的干扰数据，提高信噪比；

校正模块，用于通过插值的方式校正异常的消除干扰后的多通道脑电数据，具体是用相邻通道的数值取平均来替代异常的脑电通道数据；

数据分割模块，基于固定窗长的滑动窗将步骤23中得到的多通道脑电数据分割成数据片段，窗长为10s，重叠率为50％，设定300uV的阈值，一旦某个数据片段最大值超过阈值，则剔除该片段。

8.根据权利要求7所述的儿童谵妄预测系统，其特征在于，所述特征提取模块提取的是所述数据片段的特征，并且所述特征包括θ、α、β、γ4个频带的相对功率谱和样本熵，其中四个频带分别为4～8Hz，8～13Hz，13～30Hz，30～45Hz。

9.一种SVM分类器的核函数的选取方法，所述SVM分类器为权利要求1中的预测方法中的SVM分类器，其特征在于，包括如下步骤：

步骤a：采集麻醉手术后处于苏醒期受试者的n通道脑电数据,n为整数且大于1；

步骤b：受试者清醒后工作人员依据谵妄评估量表判断受试者是否发生谵妄，谵妄受试者标签记为1，非谵妄受试者标签记为0；

步骤c：对所述脑电数据进行预处理，得到多个电脑数据片段；

步骤d：对预处理后的多个脑电数据片段提取多域特征，所述多域特征包括变异系数、4阶AR模型系数，共计5个时域特征；δ、θ、α、β、γ5个频带的相对功率谱、同步快慢比、峰值频率、95％边缘频率，共计8个频域特征；基于3层db3小波包分解提取小波包能量，共计8个时频域特征；样本熵；

步骤e：将提取后的多域特征采用基于不同核函数的SVM分类器进行二分类，根据分类结果选出准确率、灵敏度和特异性最好的核函数作为SVM分类器的核函数。

10.一种多域特征的选取方法，所述多域特征为权利要求1中的预测方法中的多域特征，其特征在于，包括如下步骤：

步骤Ⅰ：选取SVM分类器的核函数，采用权利要求9中的选取方法；

步骤Ⅱ：对提取的多域特征进行排序并寻优，具体包括如下步骤：

步骤ⅰ：依次提取n个脑电通道的单个特征，分别构成1*n的特征向量，将对应的特征集输入到SVM分类器中得出分类结果，并根据分类结果得出该单个特征的灵敏度和准确率；

步骤ⅱ：将22个特征分别执行步骤ⅰ，基于灵敏度和准确率按照从大到小的顺序将特征进行排序；

步骤ⅲ：将特征集分为谵妄特征集和非谵妄特征集，对n个通道中的每个通道进行差异性分析，计算差异性分析得到的p值不大于0.05的通道数量，然后除以n获得显著差异通道比并按照从大到小的顺序排序对特征进行排序；

步骤ⅳ：综合显著差异通道比、灵敏度和准确率排序结果，取综合排序的前若干名的特征作为最优特征组合。

Images