CN113499083B - 一种头皮脑电高频振荡自动检测方法 - Google Patents
一种头皮脑电高频振荡自动检测方法 Download PDFInfo
- Publication number
- CN113499083B CN113499083B CN202110539870.6A CN202110539870A CN113499083B CN 113499083 B CN113499083 B CN 113499083B CN 202110539870 A CN202110539870 A CN 202110539870A CN 113499083 B CN113499083 B CN 113499083B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- scalp
- data
- ripple
- scalp electroencephalogram
- 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
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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Abstract
本发明公开了一种头皮脑电高频振荡自动检测方法,包括:获取包含头皮脑电数据的视频脑电图;对所选取的头皮脑电数据预处理以去除工频噪声干扰;人工识别出头皮脑电数据的涟波并标记出HFO事件;计算动态基线;对头皮脑电数据进行参数优化;头皮脑电高频振荡的自动检测。与现有技术相比,本发明解决了大量HFO和HFO噪音引起的基线抬高问题,同时适用于信噪比相对较低的头皮脑电数据分析,具有高效性和较高的灵敏度和特异度;本发明的头皮脑电高频振荡自动检测方法可以作为一种非侵入性诊疗技术,可反映癫痫患者的治疗疗效,并对癫痫患者的预后具有指导性意义。
Description
技术领域
本发明涉及脑电信号检测技术领域,特别是一种头皮脑电高频振荡自动检测方法。
背景技术
婴儿痉挛(Infantile spasms,IS)是一种常见的由多种病因引起的灾难性婴儿癫痫性脑病,对传统的抗癫痫药物反应不佳。促肾上腺皮质激素(adrenocorticotropichormone,ACTH)作为IS治疗的一线药物,有效率较高,约有42-87%的患者能够终止痉挛。然而,在终止痉挛的这部分患者中,仍有高达41%的患者出现癫痫复发。癫痫复发不仅给患者带来更多的痛苦,影响身心发展,而且给患者的家庭和社会带来沉重的经济负担。癫痫的不可预测性,加上癫痫相关损伤或死亡的可能性,使患者生活方式的独立性受限,加重患者家庭的经济负担。癫痫日记,作为患者家属和医师评估癫痫发作的常用指标,已被证实是不可靠的,观察者评估的主观性和漏报事件,往往导致不适当的诊疗管理。因此,寻找一种准确评估患者癫痫发作风险的标记物,对指导癫痫的诊断和治疗具有重要的临床意义。
脑电图作为临床诊断癫痫的主要工具,可提供大量有关脑电活动的信息。对常规脑电信号进行80~500Hz滤波后,出现明显高于基线的4个连续振荡即为高频振荡(highfrequency oscillation,HFOs),根据频段不同分为涟波(ripple,80~200Hz)和快速涟波(fast ripple,200~500Hz)。近20年来,高频振荡作为一种可以反映脑内致痫组织潜在的检测指标,在术前致痫区定位、评估癫痫发作严重程度及治疗效果、监测癫痫易感性及预测癫痫发作等多个领域有着越来越多的临床意义。1992年,Fisher等首次报道了癫痫发作起始区(seizure onset zone,SOZ)脑电图中高频活动的变化。1999年,Bragin和Engel等人应用微电极在海人酸诱发的大鼠癫痫模型发作间期记录到了高达500Hz的快速振荡,并首次将高频脑电活动命名为高频振荡,将其按照频段的不同分为80~200Hz的涟波和200~500Hz的快速涟波。随后,一些应用微电极、栅状电极、盘状电极以及硬膜下电极等颅内高频振荡研究的相继报道,使得高频振荡的研究逐渐成为热点话题。最初,HFOs主要应用于癫痫手术的术前评估以划定致痫区。多项研究表明,手术切除高HFO发生率的组织可以获得较好的预后。一些研究也已经证实HFO可以提供独立于棘波的额外的痫性信息。此外,一些研究报道HFOs可以反映癫痫的活动,反映疗效,和预测痫性发作。但是以上研究大多基于颅内HFOs的记录。侵入性颅内脑电图记录作为HFOs研究的主要脑电图采集方法,具有高信噪比、高精度、干扰小等优点。但由于其侵袭性较强、成本较高、记录面积有限、颅内记录普及程度低,不适合用于癫痫筛查、治疗效果监测或癫痫易感性检测。然而,无创头皮脑电图监测可以弥补这些不足。
研究表明,头皮脑电图可见的棘波至少可反映6~15cm2的皮层电活动。动物实验表明,产生HFOs的脑组织限制在毫米级范围内。由于颅骨具有高阻抗性,对15Hz以上的快波成分具有明显的衰减作用,因此,头皮脑电记录具有低信噪比和易受肌电(electromyogram,EMG)、工频等干扰影响。过去普遍认为头皮脑电图很难记录到高频脑电活动。随着脑电图记录和检测技术的优化和升级,头皮脑电图上高频活动的检测成为现实。早在2004年起,就有学者在癫痫性痉挛发作及Lennox-Gastaut综合征患者强直发作头皮脑电图中记录到发作期快波活动(50~100Hz)。2010年,日本冈山大学Kobayashi团队首次报道采用头皮脑电这种非侵袭性方法在慢波睡眠期持续棘波放电(continuous spikewavesduring slow-wave sleep,CSWS)患儿的头皮脑电图记录到了涟波活动。随后,Gotman等在成人局灶性癫痫患者的头皮脑电信号中也记录到了HFOs。随着学者对头皮高频脑电信号研究的深入,使头皮脑电HFOs应用于临床癫痫的诊疗成为可能。目前已有的头皮脑电HFOs相关研究,主要关注于定位致痫区,反映疾病活动和治疗效果,和不同病因的鉴别。然而,很少有研究报道头皮脑电HFOs在预测癫痫长期预后和监测易感性方面的价值。开发一种能够精准地预测癫痫患者疗效及预后的生物标记物,对癫痫患者指导用药、评估疗效、择优治疗具有重要的临床意义。在既往的研究中,头皮HFOs主要通过人工判读来检测。虽然人工判读仍然是HFOs检测的金标准,但是仍然无法解决耗时和主观性强的问题。因此,有必要研发一种头皮脑电高频振荡自动检测方法。
发明内容
本发明的目的是要解决现有技术中存在的不足,提供一种头皮脑电高频振荡自动检测方法。
为达到上述目的,本发明是按照以下技术方案实施的:
一种头皮脑电高频振荡自动检测方法,包括以下步骤:
步骤一、获取包含头皮脑电数据的视频脑电图;
步骤二、在头皮脑电信号中随机选取5分钟慢波睡眠期干扰较少的头皮脑电数据,然后对所选取的头皮脑电数据预处理以去除工频噪声干扰;其中5分钟慢波睡眠期为:视频脑电图中30秒时间窗内25%以上的数据Detla波能量增高时,则时段被认为是慢波睡眠期;
步骤三、人工识别出头皮脑电数据的涟波并标记出HFO事件;
步骤四、设立了一个三十秒的时间窗,将时间窗内三十秒钟的头皮脑电数据按照最大分布波峰点的方法找到基线点,然后计算出所有基线波峰点的波幅平均幅值,随着时间窗的移动,计算出的基线波幅平均幅值也会发生变化,最终形成动态基线应用最大分布波峰点计算动态基线;
步骤五、对头皮脑电数据进行参数优化:随机选取若干个通道的头皮脑电数据,将低阈值设置为基线振幅平均值的3-7倍标准差SD,高阈值设置为基线振幅平均值7-11倍SD,满足低阈值的波峰点个数为8个,满足高阈值波峰点的个数为3-8个,并分别设置固定的步长0.1SD、0.1SD、1,在若干个通道上遍历低阈值、高阈值以及满足高阈值波峰点的个数;最后,计算在不同参数组合下的灵敏度和特异度,并计算Youden指数即灵敏度+特异度-1;将Youden指数进行降序排列,在Youden指数最大时的参数,即为最佳参数;当Youden指数最大值对应有多个不同的参数组合时,选择特异度最大的参数组合作为最佳参数;
步骤六、头皮脑电高频振荡的自动检测:
检测头皮脑电数据的涟波,涟波的定义是八个连续的波峰点的波幅绝对值大于低阈值,其中固定个数的波峰点的波幅大于高阈值;如果相邻两个涟波之间的时间间隔小于25ms,则被视为一个高频事件。
进一步地,所述步骤一具体包括:
采用国际10-20系统头皮视频脑电图监测系统USA采集头皮脑电数据,在头皮脑电数据采样之前使用1Hz的高通滤波器过滤掉1Hz以下的脑电信号,采集时间大于2小时/天,并包含慢波睡眠期的视频脑电图监测,同时监测患者眼动和肌电。
进一步地,所述步骤二具体包括:
首先将采集的头皮脑电数据,导出为MATLAB脑电处理软件可识别的EDF格式文件,然后将EDF数据导入MATLAB里的eeglab脑电处理软件,将数据转换为双极导联后,查看原始数据,对有明显工频干扰的脑电数据采用数字滤波来去除50Hz工频信号干扰;然后应用零阶有限脉冲反应滤波器对头皮脑电数据进行80-200Hz带通滤波。
进一步地,所述步骤三具体包括:
在人工识别涟波的过程中,首先由一名分析者标记出该通道的基线片段作为涟波阴性的金标准,没有高频信号和大波幅振荡活动的脑电图片段,至少持续200ms;然后由两名分析者采用常规的HFOs的定义即明显高于基线的4个连续振荡,对每个通道的五分钟数据进行独立分析,并标记HFO事件和基线的时间点;然后,对两名分析者的HFOs分析结果进行Cohen’s kappa一致性检验并计算kappa值,当出现kappa值小于0.5的时候,要求两名分析者一起重新分析五分钟的脑电数据,直到达成共识即kappa值大于0.5。
与现有技术相比,本发明解决了大量HFO和HFO噪音引起的基线抬高问题,同时适用于信噪比相对较低的头皮脑电数据分析,具有高效性和较高的灵敏度和特异度;本发明的头皮脑电高频振荡自动检测方法可以作为一种非侵入性诊疗技术,可反映癫痫患者的治疗疗效,并对癫痫患者的预后具有指导性意义。
附图说明
图1为本发明的流程图。
图2为国际10-20系统头皮脑电图电极分布.
图3为常见的脑电信号干扰图:(A)5秒钟未去除工频干扰的脑电数据。(B)与A相对应的经数字滤波消除工频干扰后的脑电数据;(C)5秒钟的含有肌电干扰的脑电数据。
图4为人工识别和自动检测涟波的示意图:(A)慢波睡眠期的原始脑电图,红色方框代表一秒钟的原始脑电数据;(B)与图A相对应的经80~200Hz带通滤波后的脑电数据,红色横线所标记为人工识别的涟波;(C)与图A中红色方框所对应的Fp1-F7通道中一秒钟的原始脑电数据;(D)将图C中的数据经80~200Hz带通滤波后人工识别的涟波;(E)我们自动检测方法所检测到的与图D相对应的涟波,蓝色竖线表示的是涟波的起止点,红线和绿线分别代表高阈值和低阈值;(F)为应用小波分析计算出的时频谱验证检测到的涟波的真实性;(G)为应用快速傅立叶变换计算出的功率谱密度曲线图验证检测到的涟波的真实性。
图5为ACTH治疗前后无发作和无发作患者的涟波变化:(A)ACTH治疗前有癫痫发作和无癫痫发作患者的涟波数;(B)ACTH治疗后有癫痫发作和无癫痫发作患者的涟波数;(C)ACTH治疗后有癫痫发作和无癫痫发作患者的涟波变化;(D)ACTH治疗前有癫痫发作和无癫痫发作患者的涟波频谱功率;(E)ACTH治疗后有癫痫发作和无癫痫发作患者的涟波频谱功率;(F)ACTH治疗后有癫痫发作和无癫痫发作患者的涟波频谱功率变化;(G)ACTH治疗前复发和无复发患者涟波的通道数;(H)ACTH治疗后复发和无复发患者涟波的通道数;(I)ACTH治疗后涟波的通道数改变;(*P<0.05,**P<0.01,***P<0.001;Mann-Whitney检验。
图6为ACTH治疗前后复发和无复发患者的涟波变化:(A)ACTH治疗前有复发和无复发患者的涟波数;(B)ACTH治疗后有癫痫发作和无癫痫发作患者的涟波数;(C)ACTH治疗后复发和无复发患者的涟波变化;(D)ACTH治疗前复发和无复发患者的涟波频谱功率;(E)ACTH治疗后复发和无复发患者的涟波频谱功率;(F)ACTH治疗后复发和无复发患者的涟波频谱功率变化;(G)ACTH治疗前复发和无复发患者涟波的通道数;(H)ACTH治疗后复发和无复发患者涟波的通道数;(I)ACTH治疗后复发和无复发患者涟波的通道数改变;(*P<0.05,**P<0.01,***P<0.001;Mann-Whitney检验)。
图7为复发和无复发患者示例图:(A)复发患者示例图;(B)无复发患者示例图;(A-a,B-a)ACTH治疗前后涟波的数量和通道分布;色标代表涟波的数量多少,红色方框代表F4-C4通道;(A-b,B-b)ACTH治疗前后涟波的频谱功率和通道分布;色标代表涟波的频谱功率大小;(A-c,B-c)F4-C4通道80~200Hz带通滤波后的8秒钟脑电图数据;(A-d,B-d)与F4-C4通道相对应的时频分析;虚线箭头的左右分别代表ACTH治疗前及ACTH治疗后。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明,并不用于限定发明。
如图1所示,本实施例提供了一种头皮脑电高频振荡自动检测方法,包括以下步骤:
步骤一、获取包含头皮脑电数据的视频脑电图:
采用国际10-20系统头皮视频脑电图监测系统USA采集头皮脑电数据,在头皮脑电数据采样之前使用1Hz的高通滤波器过滤掉1Hz以下的脑电信号,采集时间大于2小时/天,并包含慢波睡眠期的视频脑电图监测,同时监测患者眼动和肌电;
如图2所示,图中Nasion:鼻根;Inion:枕骨隆突;电极由直径8毫米的银质衬垫电极构成,电极的安置方法如图1所示,从鼻根向后10%处为额极(frontal pole,FP)中线,从FPz向后每20%为一个电极的位置,依次为额(frontal,F)中线、中央(central,C)中线、顶(parietal,P)中线及枕(occipital,O)中线。枕中线与枕外粗隆的间距为10%。双耳前凹连线距左耳前凹10%处为左中颞(temporal,T)电极位置,以后向右每20%放置一个电极,依次为C3(左中央)、中央中线(Central zero,Cz)、C4(右中央)和T4(右中颞)。T4距右耳前凹间距为10%。从FPz通过T3至Oz的连线为左颞连线,从额极中线向左10%为FP1(左额极),从FP1沿左外侧向后每20%放置一个电极,依次为F7(左前颞)、T3(左中颞)、T5(左后颞)及O1(左枕),其中T3为此线与双耳前凹连线的交点,O1距Oz为10%。FP2沿右外侧向后连线与此相对应,从前向后依次为FP2(右额极)、F8(右前颞)、T4(右中颞)、T6(右后颞)及O2(右枕)。从FP1至O1和从FP2至O2各作一连线,为左、右矢状旁连线,从FP1和FP2直线向后每20%为一个电极位点,左侧依次为F3(左额)、C3(左中央)、P3(左顶)和O1(左枕),右侧依次为F4(右额)、C4(右中央)、P4(右顶)和O2(右枕)。A为耳垂电极,作为共同参考电极。在10-20系统中,FPz和Oz不包括在19个记录位点内。上述电极的序号,通常用基数代表左侧,偶数代表右侧。国际10-20系统头皮脑电图的特点是头部电极位置与大脑皮质的解剖学分区较为明确,电极的排列与头颅大小及形状成比例,在大脑皮质凸面相对应的颅部各主要脑区,均有电极放置。
脑电采集时,首先使用磨砂膏祛除患者头皮油脂,降低阻抗。涂抹导电膏后,用棉花或纱布包被,用网帽固定在头皮上进行数据监测。我们采用国际10-20系统头皮视频脑电图监测系统(Natus Medical Incorporated,USA)进行信号的采集。阻抗保持在10KΩ以下。在信号采样之前使用了1Hz的高通滤波器过滤掉1Hz以下的脑电信号。采集时间大于2小时/天,并包含慢波睡眠期的视频脑电图监测。同时监测患者眼动和肌电。
步骤二、在慢波睡眠期,肌电干扰较小、脑电高频振荡HFOs活动增强,且不同时间长度的脑电信号可反映基本相同的脑电高频振荡HFOs信号和棘波的信息。所以我们在分析数据时,随机选取5分钟慢波睡眠期(30秒时间窗内25%以上的数据Detla波能量增高时,则时段被认为是慢波睡眠期)干扰较少的头皮脑电数据。若脑电数据有严重的伪迹或者噪音干扰,比如存在高尖、瞬时的信号或者混乱不规则的信号、基线过粗则被排除不分析。我们首先将尼高力脑电图机记录的原始脑电数据,导出为MATLAB脑电处理软件可识别的EDF格式文件。然后将EDF数据导入MATLAB里的eeglab脑电处理软件,将数据转换为双极导联后,查看原始数据,对有明显工频干扰的脑电数据采用FIR数字滤波(阻带设置为45-55Hz)来去除50Hz工频信号干扰。然后应用零阶有限脉冲反应滤波器对数据进行80~200Hz带通滤波(衰减系数:-6dB),最后对滤波后的数据进行人工识别或自动检测。
步骤三、人工识别出头皮脑电数据的涟波并标记出HFO事件:
首先选取我们要分析的头皮脑电数据,将数据进行预处理,并将走纸速度调整为1秒/屏。在人工识别涟波的过程中,首先由一名分析者标记出该通道的基线片段作为涟波阴性的金标准(没有高频信号和大波幅振荡活动的脑电图片段,至少持续200ms)。然后由两名经验丰富的分析者(WW,WJY)采用目前最常用的HFOs的定义(即明显高于基线的4个连续振荡),对每个通道的五分钟数据进行独立分析,并标记HFO事件和基线的时间点。然后,对两名分析者的HFOs分析结果进行Cohen’s kappa一致性检验并计算kappa值。当出现kappa值小于0.5的时候,要求两名分析者一起重新分析五分钟的脑电数据,直到达成共识(kappa值大于0.5);
步骤四、首先我们对原始脑电数据进行80~200Hz的带通滤波,提取出最大的正负波峰作为峰值点。然后计算每段数据中所有峰值点的绝对振幅,这些峰值点按照绝对振幅的大小做升序排列,横坐标代表波峰点的百分比排序(如第1%点、第2%点等)。利用最大分布峰点的关键是在波峰点分布曲线(peak point distribution curve,PPDC)中找到转折点。如果没有HFO和HFO噪声,则头皮脑电图中的PDDC可以拟合成线性模型。因此,我们在最大分布波峰点区域内将拟合线延伸至100%,以模拟无HFO和高频噪声的分布。在PPDC上,当第一个出现波峰点的幅值大于对应拟合直线上点的波幅的5%的时候,这个点即为拐点。因此,拐点后的幅值点,即为非基线点。拐点前的幅值点,即为基线点,这些幅值点不会受到HFOs或者高频噪声的影响。由于脑电图记录信号振幅的不稳定性,根据脑电图信号的变化建立动态基线对于精准地识别HFOs十分重要。根据前期我们头皮脑电数据的分析结果,我们设立了一个三十秒的时间窗,用来克服大量HFOs及高频噪声引起的基线抬高问题。我们将时间窗内三十秒钟的数据按照最大分布波峰点的方法找到基线点,然后计算出所有基线波峰点的波幅平均幅值。随着时间窗的移动,计算出的基线波幅平均幅值也会发生变化,最终形成动态基线。形成的动态基线,相较固定基线更能反映头皮脑电数据的真实特性,也使在此基础之上检测到的头皮脑电高频信号的阈值更为准确。
步骤五、对头皮脑电数据进行参数优化:在优化头皮脑电HFOs自动检测方法的参数时,我们采用了“遍历”的方法。遍历是指当我们将自动检测方法里的重要参数设定为以固定的步长(即变化值),然后计算出在不同的参数组合下自动检测方法的灵敏度和特异度,最后找到最佳的参数组合。我们从第一组纳入的5例患者中,随机选取70个通道脑电数据进行参数优化。在本研究的自动检测方法中,包含三个重要的参数,即低阈值、高阈值以及满足高阈值波峰点的个数。根据我们先前的研究[37]和头皮脑电涟波的预实验结果,我们将低阈值设置为基线振幅平均值的3-7倍标准差(standard deviation,SD),高阈值设置为基线振幅平均值7-11倍SD。满足低阈值的波峰点个数为8个,满足高阈值波峰点的个数为3-8个。并设置固定的步长(0.1SD、0.1SD、1),在70个通道上遍历以上三个数据。人工识别到的涟波和基线,用于执行遍历分析。最后,我们计算在不同参数组合下我们自动检测方法的灵敏度和特异度,并计算Youden指数(灵敏度+特异度-1)。将Youden指数进行降序排列,在Youden指数最大时的参数,即为最佳参数。当Youden指数最大值对应有多个不同的参数组合时,应选择特异度最大的参数组合作为最佳参数。
步骤六、头皮脑电高频振荡的自动检测:
检测头皮脑电数据的涟波,涟波的定义是八个连续的波峰点的波幅绝对值大于低阈值,其中固定个数的波峰点的波幅大于高阈值;如果相邻两个涟波之间的时间间隔小于25ms,则被视为一个高频事件。
本实施例的可以用于评估婴儿痉挛症患者ACTH治疗的疗效和预后,收集了69例具有头皮脑电监测的儿童癫痫患者脑电数据,用于探讨头皮HFOs对婴儿痉挛症经ACTH冲击治疗的疗效评估及长期预后判断的可行性。根据ACTH治疗后(≤3天)是否出现癫痫发作,我们将患者分为“有癫痫发作”组和“无癫痫发作”组。根据6个月后随访结果,将“无癫痫发作”组进一步分为“复发”和“无复发”亚组。通过比较有癫痫发作组和无癫痫发作组ACTH治疗前后的涟波(80-200Hz)特征及变化,来评价头皮HFO在反映癫痫疗效中的临床应用价值。通过比较复发组与无复发组患者ACTH治疗前后头皮脑电涟波的特点及变化,探讨头皮涟波在预测癫痫预后中的临床应用价值具体过程如下:
将第一组数据纳入了5例患者,排除了9例患者(6例患者检测不到HFOs或仅有少量的HFOs,3例患者脑电数据有严重的干扰伪迹)。在第二组数据集中,我们纳入了39例患者(有癫痫发作患者22例、无癫痫发作患者17例、复发患者5例、无复发患者12例),排除了23例患者(15例患者脑电数据有严重的干扰伪迹或缺失必要的病历资料、2例患者因治疗前非每日发作至少1次、3例ACTH冲击前记录的脑电时间距离冲击治疗>一周、1例患者ACTH治疗后随访时间不足6月、2例患者患有婴儿痉挛症转型期及早发性癫痫性脑病,影响激素冲击治疗效果或敏感性评估而排除)。测试组纳入患者包括男性18例,女性21例。发病起始年龄分布为10天至21个月(4.74±3.54个月),病程分布为10天至18个月(3.62±3.79个月)。各组间在性别、病因、癫痫发病年龄、病程、抗癫痫药物使用数量、癫痫发作基线频率等均无显著性差异(P>0.05)。详细患者信息见表1和表2。
表1
表2
为保证HFO事件识别的准确性,我们在数据的预处理时,进行了眼动、肌电和工频干扰的识别(见图3)。工频干扰是由电力系统引起的一种干扰。频率通常为50Hz左右,具体由不同国家或地区交流电工频频率决定。主要表现为在信号测量时出现的正弦波,或其他信号与正弦波的叠加,并严重影响纯净脑电信号的提取与分析。如图3(A)所示,我们展示了一个含有大量工频干扰的脑电数据(T3-T5、T5-O1、T4-T6、T6-O2、Fp1-F3、F3-C3、C3-P3、P3-O1、F4-C4、C4-P4、P4-O2、Fz-Pz、Cz-Pz通道)。由于工频干扰,我们无法清楚地观察到通道上清晰的脑电轨迹。这使得我们在处理信号时,很难将原始脑电轨迹上的波幅振荡提取处理。经数字滤波消除工频干扰后,我们可以清晰地还原脑电信号中的轨迹特征(图3,B)。在人工判读出具有眼动、肌电等机械干扰信号后(图3,C,Fp1-F7、T5-O1、T4-T6、T6-O2、Fp1-F3通道),我们将此干扰片段或将干扰较多的通道排除在外。筛选出背景活动干净的脑电数据进行信号处理。
在第一组患者70个通道中共人工分析出1571个涟波。其中有42个通道能够检测到涟波,28个通道上涟波的个数小于1个/分钟。在每个检测到涟波的通道上,5分钟涟波的平均出现个数为36.0±27.8个。两名分析者分析结果的一致性较好,仅在5个通道上出现kappa值小于0.5,并需要两名分析者重新分析。此外,我们共标记了2455个基线片段作为涟波阴性的金标准。根据遍历参数优化后的结果,我们将涟波定义为,8个连续的波峰波幅绝对值大于基线均值6.7倍标准差。其中6个波峰点波幅绝对值大于基线均值8.6倍标准差。通过人工识别与自动检测的涟波想比较,我们自动检测系统的灵敏度和特异度分别为82.666±5.428%和63.352±10.424%(见表3)。在最佳参数组合下,检测涟波的Youden指数为0.46。我们还观察到,当降低低阈值数值时,则可提高自动检测方法的灵敏度;当升高高阈值的数值或增加满足高阈值波峰点个数时,则可提高自动检测方法的特异度。应用优化参数后的头皮涟波自动检测系统,我们共检测到2044个涟波。平均每个通道涟波的出现个数为42.6±35.9。检测到的涟波示意图见图4。在小波分析计算出的时频谱中,观察到80~200Hz之间有一个孤立的水滴状高能频谱;在应用快速傅立叶变换计算出的功率谱密度曲线(power spectral density,PSD)图中观察到在80~200Hz之间有一个明显上升的波峰,以上结论均说明我们自动检测方法所检测到的的HFOs为真HFOs。
表3
结果显示,在ACTH治疗前,有癫痫发作和无癫痫发作的患者涟波的数量(P=0.337)、频谱功率(P=0.347)和通道数(P=0.878)均无显著性差异(图5,A,D,G)。ACTH治疗后,无癫痫发作组的涟波(P=0.031)和涟波通道数(P=0.011)明显低于有癫痫发作组(图5,B,H)。然而,在有癫痫发作和无癫痫发作组患者之间,涟波的频谱功率没有显著性差异(P=0.210,图5,E)。我们进一步比较了ACTH治疗前后涟波数量、频谱功率和分布通道的变化百分比。结果表明,在无癫痫发作组患者中,涟波数量(P=0.017)、频谱功率(P=0.027)以及所在的通道数(P=0.025)下降的百分比要明显高于有癫痫发作组(图5,C,F,I)。
在复发组和无复发组患者ACTH治疗前,涟波的数量(P=0.104)、频谱功率(P=0.646)和涟波通道的数量(P=0.104)均没有显著差异(图6,A,D,G)。ACTH治疗后,无复发组的涟波数(P=0.002)、频谱功率(P=0.048)和有涟波的通道数(P=0.019)均显著低于复发组(图6,B,E,H)。通过比较ACTH治疗前后涟波变化的百分比,我们发现无复发组的涟波数下降百分比(P<0.001)、频谱功率下降百分比(P=0.048)和涟波通道数下降百分比(P=0.001)显著高于复发组(图6,C,F,I)。
另外,本实施例还展示了复发组和无复发组患者各一个患者示例(图7)。图7A图所示为复发组患者示例,我们可观察到,复发患者在ACTH治疗前,涟波的数量(1992个涟波)、频谱功率(278.114μV/s)以及涟波分布的通道数(18个通道)均较多(图7,A)。在经2周的ACTH治疗后,涟波的数量(969个涟波,-51.36%)、频谱功率(137.379μV/s,-50.60%)以及涟波分布的通道数(18个通道)仍残留较多(图6,A)。图7B所示为无复发组患者示例。结果显示,无复发组患者在ACTH治疗前,涟波数量(1564个涟波)、频谱功率(183.027μV/s)及涟波分布的通道数(17个导联)均较多(图7,B)。在ACTH治疗后,涟波的数量(48个涟波,-96.93%)、频谱功率(43.566μV/s,-76.20%)以及涟波分布的通道数(3个通道,-82.35%)明显下降(图7,B)。
经上述验证,头皮脑电图HFOs的精准自动检测是可行的。头皮脑电HFOs变化可以反映患者对治疗的反应,并对预后具有一定的预测作用。头皮脑电HFOs作为一种非侵袭性的生物标志物,在癫痫的诊疗中具有广阔的临床应用价值。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (3)
1.一种头皮脑电高频振荡自动检测方法,其特征在于,包括以下步骤:
步骤一、获取包含头皮脑电数据的视频脑电图;
步骤二、在头皮脑电信号中随机选取5分钟慢波睡眠期干扰较少的头皮脑电数据,然后对所选取的头皮脑电数据预处理以去除工频噪声干扰;其中5分钟慢波睡眠期为:视频脑电图中30秒时间窗内25%以上的数据Detla波能量增高时,则时段被认为是慢波睡眠期;
步骤三、人工识别出头皮脑电数据的涟波并标记出HFO事件:
在人工识别涟波的过程中,首先由一名分析者标记出脑电数据通道的基线片段作为涟波阴性的金标准,没有高频信号和大波幅振荡活动的脑电图片段,至少持续200ms;然后由两名分析者采用常规的HFOs的定义即明显高于基线的4个连续振荡,对每个通道的五分钟数据进行独立分析,并标记HFO事件和基线的时间点;然后,对两名分析者的HFOs分析结果进行Cohen’s kappa一致性检验并计算kappa值,当出现kappa值小于0.5的时候,要求两名分析者一起重新分析五分钟的脑电数据,直到达成共识即kappa值大于0.5;
步骤四、设立了一个三十秒的时间窗,将时间窗内三十秒钟的头皮脑电数据按照最大分布波峰点的方法找到基线点,然后计算出所有基线波峰点的波幅平均幅值,随着时间窗的移动,计算出的基线波幅平均幅值也会发生变化,最终形成动态基线应用最大分布波峰点计算动态基线;
步骤五、对头皮脑电数据进行参数优化:随机选取若干个通道的头皮脑电数据,将低阈值设置为基线振幅平均值的3-7倍标准差SD,高阈值设置为基线振幅平均值7-11倍SD,满足低阈值的波峰点个数为8个,满足高阈值波峰点的个数为3-8个,并分别设置固定的步长0.1SD、0.1SD、1,在若干个通道上遍历低阈值、高阈值以及满足高阈值波峰点的个数;最后,计算在不同参数组合下的灵敏度和特异度,并计算Youden指数即灵敏度+特异度-1;将Youden指数进行降序排列,在Youden指数最大时的参数,即为最佳参数;当Youden指数最大值对应有多个不同的参数组合时,选择特异度最大的参数组合作为最佳参数;
步骤六、头皮脑电高频振荡的自动检测:
检测头皮脑电数据的涟波,涟波的定义是八个连续的波峰点的波幅绝对值大于低阈值,其中固定个数的波峰点的波幅大于高阈值;如果相邻两个涟波之间的时间间隔小于25ms,则被视为一个高频事件。
2.根据权利要求1所述的头皮脑电高频振荡自动检测方法,其特征在于,所述步骤一具体包括:
采用国际10-20系统头皮视频脑电图监测系统USA采集头皮脑电数据,在头皮脑电数据采样之前使用1 Hz的高通滤波器过滤掉1Hz以下的脑电信号,采集时间大于2小时/天,并包含慢波睡眠期的视频脑电图监测,同时监测患者眼动和肌电。
3.根据权利要求1所述的头皮脑电高频振荡自动检测方法,其特征在于,所述步骤二具体包括:
首先将采集的头皮脑电数据,导出为MATLAB脑电处理软件可识别的EDF格式文件,然后将EDF数据导入MATLAB里的eeglab脑电处理软件,将数据转换为双极导联后,查看原始数据,对有明显工频干扰的脑电数据采用数字滤波来去除50Hz工频信号干扰;然后应用零阶有限脉冲反应滤波器对头皮脑电数据进行80-200Hz带通滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539870.6A CN113499083B (zh) | 2021-05-18 | 2021-05-18 | 一种头皮脑电高频振荡自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539870.6A CN113499083B (zh) | 2021-05-18 | 2021-05-18 | 一种头皮脑电高频振荡自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113499083A CN113499083A (zh) | 2021-10-15 |
CN113499083B true CN113499083B (zh) | 2023-10-20 |
Family
ID=78008554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110539870.6A Active CN113499083B (zh) | 2021-05-18 | 2021-05-18 | 一种头皮脑电高频振荡自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113499083B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105249962A (zh) * | 2015-11-03 | 2016-01-20 | 北京联合大学 | 头皮脑电信号回顾性癫痫发作点检测方法及系统 |
CN105405253A (zh) * | 2015-12-18 | 2016-03-16 | 中交第一公路勘察设计研究院有限公司 | 一种驾驶员疲劳状态的监测方法及监测装置 |
CN105615877A (zh) * | 2016-02-22 | 2016-06-01 | 广州视源电子科技股份有限公司 | 癫痫脑电信号特征的定位方法及其系统 |
CN107463908A (zh) * | 2017-08-09 | 2017-12-12 | 杨小枫 | 一种基于最大波峰点分布计算基线的高频振荡自动检测系统 |
CN110236536A (zh) * | 2019-06-04 | 2019-09-17 | 电子科技大学 | 一种基于卷积神经网络的脑电高频振荡信号检测系统 |
CN110584598A (zh) * | 2019-08-07 | 2019-12-20 | 中国地质大学(武汉) | 基于时频分析的自动分离高频振荡节律中尖峰活动方法 |
CN110584600A (zh) * | 2019-08-14 | 2019-12-20 | 中国地质大学(武汉) | 一种基于智能算法优化模糊聚类的高频振荡节律检测方法 |
CN110960191A (zh) * | 2019-11-29 | 2020-04-07 | 杭州电子科技大学 | 一种基于频谱能量图的癫痫脑电信号分类方法 |
CN111093471A (zh) * | 2017-03-31 | 2020-05-01 | 波尓瑟兰尼提公司 | 用于根据头皮脑电图识别病理性脑活动的方法 |
-
2021
- 2021-05-18 CN CN202110539870.6A patent/CN113499083B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105249962A (zh) * | 2015-11-03 | 2016-01-20 | 北京联合大学 | 头皮脑电信号回顾性癫痫发作点检测方法及系统 |
CN105405253A (zh) * | 2015-12-18 | 2016-03-16 | 中交第一公路勘察设计研究院有限公司 | 一种驾驶员疲劳状态的监测方法及监测装置 |
CN105615877A (zh) * | 2016-02-22 | 2016-06-01 | 广州视源电子科技股份有限公司 | 癫痫脑电信号特征的定位方法及其系统 |
CN111093471A (zh) * | 2017-03-31 | 2020-05-01 | 波尓瑟兰尼提公司 | 用于根据头皮脑电图识别病理性脑活动的方法 |
CN107463908A (zh) * | 2017-08-09 | 2017-12-12 | 杨小枫 | 一种基于最大波峰点分布计算基线的高频振荡自动检测系统 |
CN110236536A (zh) * | 2019-06-04 | 2019-09-17 | 电子科技大学 | 一种基于卷积神经网络的脑电高频振荡信号检测系统 |
CN110584598A (zh) * | 2019-08-07 | 2019-12-20 | 中国地质大学(武汉) | 基于时频分析的自动分离高频振荡节律中尖峰活动方法 |
CN110584600A (zh) * | 2019-08-14 | 2019-12-20 | 中国地质大学(武汉) | 一种基于智能算法优化模糊聚类的高频振荡节律检测方法 |
CN110960191A (zh) * | 2019-11-29 | 2020-04-07 | 杭州电子科技大学 | 一种基于频谱能量图的癫痫脑电信号分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113499083A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200170575A1 (en) | Systems and methods to infer brain state during burst suppression | |
Da Silva et al. | Automatic detection and localization of epileptic foci | |
Melani et al. | Occurrence of scalp-fast oscillations among patients with different spiking rate and their role as epileptogenicity marker | |
US7570991B2 (en) | Method for real time attitude assessment | |
US8768447B2 (en) | Processing of physiological signal data in patient monitoring | |
Jacobs et al. | The identification of distinct high-frequency oscillations during spikes delineates the seizure onset zone better than high-frequency spectral power changes | |
US20110082381A1 (en) | Time Frequency Transformation Analysis for Detection and Quantification of Epileptiform Activity Load in Generalized Epilepsies | |
US20170065199A1 (en) | Monitoring human brain excitability using synchronization measures | |
WO2011112652A1 (en) | Method and device for removing eeg artifacts | |
JP2019536562A (ja) | 脳波記録電極から収集された筋信号を含む発作の症候学 | |
CN104755026A (zh) | 用于显示存在于eeg记录中的伪影量的方法和系统 | |
AU2014306458A1 (en) | Monitoring the effects of sleep deprivation using neuronal avalanches | |
US11154255B2 (en) | Method for analyzing heart rate variability, apparatus and use thereof | |
JP2020512860A (ja) | 頭皮脳波から病理学的脳活動を特定する方法 | |
Jiang et al. | Determining the quantitative threshold of high-frequency oscillation distribution to delineate the epileptogenic zone by automated detection | |
Oken et al. | Computerized EEG frequency analysis: sensitivity and specificity in patients with focal lesions | |
Nakamura et al. | Automatic EEG interpretation: a new computer-assisted system for the automatic integrative interpretation of awake background EEG | |
CN113143296B (zh) | 沟通障碍的智能评估方法及评估系统 | |
CN107616794B (zh) | 一种意识障碍大脑皮层状态检测系统和方法 | |
CN113499083B (zh) | 一种头皮脑电高频振荡自动检测方法 | |
Yazdanpour-Naeini | Automatic detection of high frequency oscillations of neural signals in epileptic patients | |
Aurlien et al. | Characteristics of generalised epileptiform activity | |
Bhat | Assessing Performance of Detectors of High Frequency Oscillations in EEG Signals | |
Betterton et al. | Determining State of Consciousness from the Intracranial Electroencephalogram (IEEG) for Seizure Prediction. | |
Wang et al. | Objective Neurophysiological Indices for the Assessment of Chronic Tinnitus Based on EEG Microstate Parameters |
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 |