CN113907707B - 一种基于多模态信息的癫痫发作时间段检测系统及方法 - Google Patents

一种基于多模态信息的癫痫发作时间段检测系统及方法 Download PDF

Info

Publication number
CN113907707B
CN113907707B CN202111017158.6A CN202111017158A CN113907707B CN 113907707 B CN113907707 B CN 113907707B CN 202111017158 A CN202111017158 A CN 202111017158A CN 113907707 B CN113907707 B CN 113907707B
Authority
CN
China
Prior art keywords
signal
seizure
steps
method comprises
following
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
Application number
CN202111017158.6A
Other languages
English (en)
Other versions
CN113907707A (zh
Inventor
王刚
李雯
盛多铮
王光明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Ruier Weikang Technology Co.,Ltd.
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111017158.6A priority Critical patent/CN113907707B/zh
Publication of CN113907707A publication Critical patent/CN113907707A/zh
Application granted granted Critical
Publication of CN113907707B publication Critical patent/CN113907707B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/103—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/296—Bioelectric electrodes therefor specially adapted for particular uses for electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • 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
    • A61B5/7242—Details of waveform analysis using integration
    • 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
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Neurosurgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于多模态信息的癫痫发作时间段检测系统及方法，检测系统包括生理信号采集模块A、预处理模块B、特征提取模块C、分类识别模块D四个模块；基于这四个模块，先采集癫痫患者的发作期和非发作期的多模态生理信号；再对多模态生理信号按时间长度划分移动窗并进行质量筛选，根据加速度计信号初步识别癫痫发作期和非发作期时间段，进行信号处理去除噪声干扰；然后提取移动窗各模态信号的时域和频域特征；最后结合交叉验证使用代价敏感支持向量机进行识别分类；本发明使用的多模态生理信号能够很好地表征癫痫发作时间段的生理变化情况，具有明确的临床解释，以其时域和频域特性为特征值，结合CSVM分类，检测癫痫发作时间段，具有较高的灵敏度和较低的误报率。

Description

一种基于多模态信息的癫痫发作时间段检测系统及方法
技术领域
本发明涉及生物医学信号处理技术领域，特别涉及一种基于多模态信息的癫痫发作时间段检测系统及方法。
背景技术
癫痫是一种常见的脑功能障碍性神经疾病，癫痫发作具有反复性和突然性，常导致二次伤害，如摔伤、烫伤等，严重者甚至危及生命。癫痫发作是由于大脑神经元突发性异常和过度放电，导致短暂的大脑功能障碍。除此之外，癫痫发作还与多种非脑电信号存在相关性。研究发现癫痫发作时皮肤电导信号的幅度将会升高且高频带功率增大、加速度信号的频率升高、表面肌电信号的幅度和频率也会升高。
脑电图是癫痫监测的金标准，但脑电帽的使用将给患者的日常生活带来诸多不便。因此，基于非脑电信号的自动检测技术一直是癫痫监测工作中的迫切需求。要使癫痫发作时间段的自动检测技术能够应用到日常生活中，需要该技术能够很好的判断出癫痫发作期和非发作期的信号，并在分类时能保证较高的灵敏度和较低的误报率。目前用到的一些癫痫信号检测方法如下：Johansson等人提出了一种利用加速度计信号的时域和频域特性为特征值的算法；Halford等人通过对表面肌电信号进行Hotelling’s T2功率分析得到检测结果；Beniczky等人基于过零点次数对表面肌电数据进行分类；而Onorati等人根据加速度和皮肤电导的三种特征集分别进行支持向量机分类，降低误报率。同时研究指出癫痫发作检测算法对某些癫痫发作事件的不敏感导致了大量误报和漏报现象。Judith等人发现设备无法检测到持续时间短且没有明显运动的发作事件。MIT团队发现由于某次发作运动不剧烈且皮肤电导无明显变化，设备产生了漏报。Heldberg等人发现某些日常活动也会引起皮肤电导幅度突增，继而产生大量误报。
目前所采用的癫痫信号检测方法多使用一种或两种非脑电生理信号，并没有考虑到癫痫发作是一个复杂的过程，多种生理参数都会发生变化，部分生理参数组合在一定程度上丢失了患者发作时的信息，限制了检测算法的性能。
发明内容
为了克服上述现有技术的缺陷，本发明的目的在于提供一种基于多模态信息的癫痫发作时间段检测系统及方法，融合加速度计、表面肌电和皮肤电导信号的时域和频域特性，使用代价敏感支持向量机以区分癫痫发作期和非发作期信号。
癫痫发作时，加速度信号的频率一般在2Hz以上，而日常活动的频率在0.3～3.5Hz范围内，因此，我们可以通过对移动窗的加速度信号进行分析，初步识别出有明显特征的癫痫非发作期样本。然后对其余时间段以所有生理信号时域和频域特性作为特征值输入到代价敏感支持向量机中进行识别分类。该方法使用的ACM、sEMG和EDA信号在癫痫发作时的特征与正常行为具有显著差异，能够较为完备地反映癫痫发作时间段的生理变化情况，具有明确的临床解释，结合三种信号进行癫痫发作时间段检测具有较高的灵敏度和较低的误报率。
为了达到上述目的，本发明的技术方案为：
一种基于多模态信息的癫痫发作时间段检测系统，包括生理信号采集模块A、预处理模块B、特征提取模块C和分类识别模块D：
所述的生理信号采集模块A：用于采集癫痫患者的发作期和非发作期的多模态生理信号，多模态生理信号包括六轴加速度计信号ACM、表面肌电信号sEMG、皮肤电导信号EDA；
所述的预处理模块B：用于对生理信号采集模块A中的多模态生理信号划分移动窗并进行质量筛选、癫痫发作时间段的初步识别以及信号去噪：对所采集的多模态生理信号按时间长度划分移动窗；对每个移动窗，根据EDA信号均值评估信号质量，排除不满足质量要求的移动窗；然后根据ACM信号计算线加速度并进行高通滤波，计算标准差和峰值频率，初步识别癫痫发作期和非发作期时间段；对保留的发作期移动窗的sEMG信号进行滤波，去除激励响应和工频干扰；
所述的特征提取模块C：用于提取预处理模块B中的移动窗各模态信号的时域和频域特征；
所述的分类识别模块D：用于结合交叉验证使用代价敏感支持向量机CSVM进行识别分类，将特征提取模块C处理好的各个模态生理信号的时域和频域特征输入到CSVM进行模式识别分类，使用留一次发作交叉验证和k重交叉验证，同时进行样本内优化和样本外测试，CSVM输出经均值滤波后的二分类结果即为癫痫发作时间段的检测结果；当检测到癫痫发作片段且连续2min内无其他发作片段时，认为捕获到一次癫痫发作事件，将外层交叉验证的结果进行平均，作为最终测试结果。
基于上述一种基于多模态信息的癫痫发作时间段检测系统的检测方法，包括以下步骤：
(A)：采集癫痫患者的发作期和非发作期的多模态生理信号，多模态生理信号包括六轴加速度计信号ACM、表面肌电信号sEMG、皮肤电导信号EDA；
(B)：对多模态生理信号按时间长度划分移动窗并进行质量筛选、癫痫发作时间段的初步识别以及信号去噪；
所述步骤B具体包括：
(B1)：对所采集的多模态生理信号按时间长度划分移动窗；
(B2)：对每个移动窗，根据皮肤电导信号EDA信号均值评估数据质量，排除低质量移动窗即空采数据：空采数据定义为电极片未与皮肤接触时采集到的生理信号，此时皮肤电导信号EDA信号幅度为零，根据皮肤电导信号EDA均值及其预设预设阈值可排除空采数据；
(B3)：根据加速度计信号计算线加速度，
Figure BDA0003240298450000041
其中ax、ay、az分别表示x、y、z轴加速度，对线加速度a进行高通滤波去除低频趋势项，计算其标准差和峰值频率，峰值频率定义为最大功率谱密度对应的频率，功率谱密度表示为
Figure BDA0003240298450000042
进行癫痫发作时间段的初步识别：若标准差低于0.1g，其中g表示重力加速度，或峰值频率低于2Hz，则判定该移动窗为非发作期片段，否则认为移动窗可能为癫痫发作期片段，继续进行CSVM分类；
(B4)：对待分类移动窗进行信号去噪：对表面肌电信号sEMG进行模板滤波去除混入的肌肉对皮肤电导信号EDA激励信号的响应，然后利用高通滤波与陷波去除工频干扰；
(C)：提取移动窗各模态信号的时域和频域特征；
所述步骤C具体包括：
(C1)：提取加速度计信号特征，其中加速度信号和角速度信号的特征相同，以加速度信号为例，其时域特征包括：加速度a的均值、均方根、标准差以及力的大小
Figure BDA0003240298450000051
即各个维度加速度信号幅度之和；其频域特征包括：最大功率谱密度、峰值频率，将0～25Hz等分为8个频带计算各频带功率谱密度的积分作为另外8个频域特征。
(C2)：提取表面肌电信号特征，其时域特征包括：积分肌电值
Figure BDA0003240298450000052
均方根、标准差、能量
Figure BDA0003240298450000053
以及过零点次数，过零点定义为信号幅度为0的点；其频域特征包括：中值频率MNF:
Figure BDA0003240298450000054
平均频率
Figure BDA0003240298450000055
将0～200Hz等分为4个频带计算各频带相对功率
Figure BDA0003240298450000056
作为特征值；
(C3)：提取皮肤电导信号特征，时域特征包括：均值、均方根、标准差；对皮肤电导信号EDA信号进行最小二乘拟合，以斜率k作为一个特征；上升点数目，满足x(n)＞x(n-1)的点(n,x(n))称为上升点，其中x(n)表示皮肤电导信号EDA序列；首尾差：x(N)-x(1)，其中N表示皮肤电导信号EDA序列的长度；
(D)：结合交叉验证，使用代价敏感支持向量机CSVM进行识别分类；
所述步骤D具体包括：
(D1)：将各个模态生理信号特征输入到代价敏感支持向量机CSVM进行模式识别分类：以计算得到的45个特征作为特征值，将其输入到代价敏感支持向量机CSVM中进行训练和测试，代价敏感支持向量机CSVM的优化目标为：
Figure BDA0003240298450000061
其中ω、b表示超平面参数，yi∈{-1,1}表示样本标签，x表示样本特征向量，C表示惩罚因子，即分类错误的代价，惩罚因子越大表示该类别越重要，l0/1表示0-1损失函数，
Figure BDA0003240298450000063
其中z表示yi(ω·xi+b)-1，z＜0代表分类错误，代价敏感支持向量机CSVM通过调整不同类别的惩罚因子C设置类别的重要性，以提高分类准确率。
(D2)：使用留一次发作交叉验证和k重交叉验证，同时进行样本内优化和样本外测试：以内层k重交叉验证平均
Figure BDA0003240298450000064
评估和选择最优模型，对代价敏感支持向量机CSVM输出进行均值滤波，选择合适的阈值，得到的二分类结果即为癫痫发作时间段的检测结果，当检测到癫痫发作片段且连续2min内无其他发作片段时，认为捕获到一次癫痫发作事件，将外层交叉验证的结果进行平均，作为最终测试结果。
本发明的优势在于：
本发明从与癫痫发作相关的非脑电信号出发，融合多种生理信号(ACM、sEMG和EDA)，利用CSVM分类提出了一种用于自动检测癫痫发作时间段的新的方法。该方法不仅能够有效、准确地检测出癫痫发作的时间段，而且能够很好的符合癫痫的病理学特性，其生理学解释能够为临床上所接受。本发明对癫痫发作时间段的检测更加准确，可应用于日常生活中帮助更好地辅助判断癫痫发作的时间段，可以为患者日常生活提供一种安全保障。通过与其他单模态生理信号(ACM、sEMG、EDA)的分类结果的比较，结果表明基于多模态生理信号的方法具有更高的灵敏性以及更低的误报率。
附图说明
图1为本发明所述的一种基于多模态信息的癫痫发作时间段检测系统图。
图2为本发明所述的一种基于多模态信息的癫痫发作时间段检测方法流程图。
图3为某患者癫痫发作前后的多模态生理信号。以t＝0s为界，左侧表示癫痫非发作期信号，右侧表示癫痫发作期信号。
图4为某次交叉验证CSVM输出结果；曲线表示滤波后的CSVM输出结果，以0为癫痫发作时间段的分类阈值，高于阈值为发作期，否则为非发作期，图中字体标注某次癫痫发作事件的起止时间点。
图5为某患者CSVM分类的ROC曲线，横坐标表示误报率FDR(/24h)，纵坐标表示灵敏性。
具体实施方式
下面将结合附图和实施例对本发明做进一步详细的描述。以下实施例用来说明本发明，但不用来限制本发明的范围。
参照图1，一种基于多模态信息的癫痫发作时间段检测系统，包括四个模块：
生理信号采集模块A：用于采集癫痫患者的发作期和非发作期的多模态生理信号，包括六轴加速度计信号(ACM)、表面肌电信号(sEMG)、皮肤电导信号(EDA)；
预处理模块B：用于对多模态生理信号划分移动窗并进行质量筛选、癫痫发作时间段的初步识别以及信号去噪：对所采集的多模态生理信号按时间长度划分移动窗；对每个移动窗，根据EDA信号均值评估信号质量，排除不满足质量要求的移动窗；然后根据ACM信号计算线加速度并进行高通滤波，计算标准差和峰值频率，初步识别癫痫发作期和非发作期时间段；对保留的发作期移动窗的sEMG信号进行滤波，去除激励响应和工频干扰；
特征提取模块C：用于提取移动窗各模态信号的时域和频域特征；
分类识别模块D：用于结合交叉验证使用代价敏感支持向量机(CSVM)进行识别分类：将各个模态生理信号的时域和频域特征输入到CSVM进行模式识别分类，使用留一次发作交叉验证和k重交叉验证，同时进行样本内优化和样本外测试，CSVM输出经均值滤波后的二分类结果即为癫痫发作时间段的检测结果；当检测到癫痫发作片段且连续2min内无其他发作片段时，认为捕获到一次癫痫发作事件，将外层交叉验证的结果进行平均，作为最终测试结果。
参照图2，本实施例基于系统的自动检测方法，包括以下步骤：
(A)：采集癫痫患者的发作期和非发作期的多模态生理信号，包括六轴加速度计信号(ACM)、表面肌电信号(sEMG)、皮肤电导信号(EDA)：本实施例使用腕表采集癫痫患者手腕处的ACM、sEMG和EDA信号，采样率分别为50Hz、200Hz、4Hz，其中ACM信号包含三轴加速度信号与三轴角速度信号。如图3所示，绘制了癫痫发作期与非发作期各20s信号，t＝0s左侧为非发作期信号，右侧为发作期信号；
(B)：对多模态生理信号按时间长度划分移动窗并进行质量筛选、癫痫发作时间段的初步识别以及信号去噪；
所述步骤B具体包括：
(B1)：对所采集的多模态生理信号按时间长度划分移动窗：将发作期和非发作期的生理信号划分为重叠率为90％的10s移动窗片段；
(B2)：对每个移动窗，根据EDA信号均值评估数据质量，排除低质量移动窗即空采数据：空采数据定义为电极片未与皮肤接触时采集到的生理信号，此时EDA信号幅度为零，根据EDA均值及其预设预设阈值可排除空采数据；在本实施例中，以0.1μS为阈值，若EDA均值低于0.1μS，则认为当前移动窗为空采信号，不进行发作期与非发作期的识别分类；
(B3)：根据加速度计信号计算线加速度，
Figure BDA0003240298450000101
其中ax、ay、az分别表示x、y、z轴线加速度。
对线加速度a进行高通滤波去除低频趋势项：选择切比雪夫高通滤波器，通带频率为0.3Hz。
计算线加速度a的标准差和峰值频率，峰值频率定义为最大功率谱密度对应的频率值，功率谱密度表示为，
Figure BDA0003240298450000102
进行癫痫发作时间段的初步识别：若标准差低于0.1g(其中g表示重力加速度的值)或峰值频率低于2Hz，则初步判断该移动窗片段为非发作期信号，否则认为移动窗可能为癫痫发作期片段，继续进行CSVM分类。
(B4)：对待分类移动窗进行信号去噪：肌电信号在采集时混入了肌肉对EDA电极片发射的周期性激励信号的响应，对患者手腕放松时的肌电信号按激励信号周期进行平均，得到激励响应的模板信号，再用原始信号减去模板信号实现模板滤波，去除激励响应；
对sEMG信号进行10Hz高通滤波、49～51Hz陷波，去除工频干扰。
(C)：提取移动窗各模态信号的时域和频域特征；
所述步骤C具体包括：
(C1)：提取加速度计信号特征，其中加速度信号和角速度信号的特征相同，以加速度信号为例，时域特征包括：加速度a的均值、均方根、标准差以及力的大小
Figure BDA0003240298450000111
即各个维度加速度信号幅度之和；频域特征包括：最大功率谱密度、峰值频率，将0～25Hz等分为8个频带计算各频带功率谱密度的积分作为另外8个频域特征。
(C2)：提取表面肌电信号特征，时域特征包括：积分肌电值
Figure BDA0003240298450000112
均方根、标准差、能量
Figure BDA0003240298450000113
以及过零点次数，过零点定义为信号幅度为0的点；频域特征包括：中值频率(MNF:
Figure BDA0003240298450000114
)、平均频率
Figure BDA0003240298450000115
将0～200Hz等分为4个频带计算各频带相对功率
Figure BDA0003240298450000116
作为特征值；
(C3)：提取皮肤电导信号特征，时域特征包括：均值、均方根、标准差；对EDA信号进行最小二乘拟合，以斜率k作为一个特征；上升点数目，满足x(n)＞x(n-1)的点(n,x(n))称为上升点，其中x(n)表示EDA序列；首尾差：x(N)-x(1)，其中N表示EDA序列的长度。
(D)：结合交叉验证，使用代价敏感支持向量机(CSVM)进行识别分类；
所述步骤D具体包括：
(D1)：将各个模态生理信号特征输入到CSVM进行模式识别分类：以计算得到的45个特征作为特征值，将其输入到CSVM中进行训练和测试，CSVM的优化目标为：z＝yi(ω·xi+b)-1
Figure BDA0003240298450000121
其中ω、b表示超平面参数，yi∈{-1,1}表示样本标签，x表示样本特征向量，C表示惩罚因子，即分类错误的代价，惩罚因子越大表示该类别越重要，l0/1表示0-1损失函数，
Figure BDA0003240298450000123
其中z表示yi(ω·xi+b)-1，z＜0代表分类错误。CSVM通过调整不同类别的惩罚因子C设置类别的重要性，以提高分类准确率。
(D2)：使用留一次发作交叉验证和k重交叉验证，同时进行样本内优化和样本外测试：为了保证CSVM对数据的分类正确率确实代表实际中的真实正确率，本实施例采取了留一次发作交叉验证，同时进行双重交叉验证以做到样本内优化和样本外检测。在外层交叉验证中，将包含N次发作的数据集分为N组，每一组都包含相同比例的待分类样本集。选择其中N-1组作为CSVM的训练集，剩余一组作为测试集，在内层交叉验证中，随机选择训练集的80％，建立CSVM模型，并利用该模型在其余20％的训练集上的验证结果计算F2，以此来评估和选择最优模型。
对CSVM估计值进行均值滤波，如图4所示，绘制了某一癫痫发作时间段的CSVM输出。选择合适的阈值，得到的二分类结果即为癫痫发作时间段的检测结果。如图5所示，绘制了不同阈值下的FDR-Sens曲线，即ROC曲线。
当检测到癫痫发作片段且连续2min内无其他发作片段时，认为捕获到一次癫痫发作事件，将外层交叉验证的结果进行平均，作为最终测试结果。分类结果可用如下指标进行评价，其中，真阳性(TP)的是算法的判断正确的癫痫发作事件，假阳性(FP)是算法判断错误的癫痫发作事件，假阴性(FN)是算法判断错误的非癫痫发作事件。
灵敏性(Sensitivity)
Figure BDA0003240298450000131
误报率(False Detection Rate)
Figure BDA0003240298450000132
F2值
Figure BDA0003240298450000133
CSVM对本实施例中癫痫发作时间段的分类结果如表1所示，表1为某患者交叉验证分类结果，可见基于多模态生理信号分类的灵敏性较高且误报率较低，具有较高的操作性和应用价值。
表1
Figure BDA0003240298450000134

Claims (1)

1.一种基于多模态信息的癫痫发作时间段检测系统的检测方法，其特征在于，包括以下步骤：
(A)：采集癫痫患者的发作期和非发作期的多模态生理信号，多模态生理信号包括六轴加速度计信号ACM、表面肌电信号sEMG、皮肤电导信号EDA；
(B)：对多模态生理信号按时间长度划分移动窗并进行质量筛选、癫痫发作时间段的初步识别以及信号去噪；
(B1)：对所采集的多模态生理信号按时间长度划分移动窗；
(B2)：对每个移动窗，根据皮肤电导信号EDA信号均值评估数据质量，排除低质量移动窗即空采数据：空采数据定义为电极片未与皮肤接触时采集到的生理信号，此时皮肤电导信号EDA信号幅度为零，根据皮肤电导信号EDA均值及其预设阈值可排除空采数据；
(B3)：根据加速度计信号计算线加速度，
Figure FDA0003902695890000011
其中ax、ay、az分别表示x、y、z轴加速度，对线加速度a进行高通滤波去除低频趋势项，计算其标准差和峰值频率，峰值频率定义为最大功率谱密度对应的频率，进行癫痫发作时间段的初步识别：若标准差低于0.1g，其中g表示重力加速度，或峰值频率低于2Hz，则判定该移动窗为非发作期片段，否则认为移动窗可能为癫痫发作期片段；
(B4)：对待分类移动窗进行信号去噪：对表面肌电信号sEMG进行模板滤波去除混入的肌肉对皮肤电导信号EDA激励信号的响应，然后利用高通滤波与陷波去除工频干扰；
(C)：提取移动窗各模态信号的时域和频域特征；
(C1)：提取加速度计信号特征，其中加速度信号和角速度信号的特征相同，以加速度信号为例，其时域特征包括：加速度a的均值、均方根、标准差以及力的大小；其频域特征包括：最大功率谱密度、峰值频率，将0～25Hz等分为8个频带计算各频带功率谱密度的积分作为另外8个频域特征；
(C2)：提取表面肌电信号特征，其时域特征包括：积分肌电值、均方根、标准差、能量以及过零点次数，过零点定义为信号幅度为0的点；其频域特征包括：中值频率、平均频率，将0～200Hz等分为4个频带计算各频带相对功率作为特征值；
(C3)：提取皮肤电导信号特征，时域特征包括：均值、均方根、标准差；对皮肤电导信号EDA信号进行最小二乘拟合，以斜率k作为一个特征；上升点数目，满足x(n)＞x(n-1)的点(n,x(n))称为上升点，其中x(n)表示皮肤电导信号EDA序列；首尾差：x(N)-x(1)，其中N表示皮肤电导信号EDA序列的长度；
(D)：结合交叉验证，使用代价敏感支持向量机CSVM进行识别分类；
(D1)：将各个模态生理信号特征输入到代价敏感支持向量机CSVM进行模式识别分类：以计算得到的45个特征作为特征值，将其输入到代价敏感支持向量机CSVM中进行训练和测试，代价敏感支持向量机CSVM的优化目标为：
Figure FDA0003902695890000031
其中ω、b表示超平面参数，yi∈{-1,1}表示样本标签，xi表示样本特征向量，C表示惩罚因子，即分类错误的代价，惩罚因子越大表示该标签类别越重要，l0/1表示0-1损失函数，
Figure FDA0003902695890000032
其中z表示yi(ω·xi+b)-1，z＜0代表分类错误，代价敏感支持向量机CSVM通过调整不同类别的惩罚因子C设置类别的重要性，以提高分类准确率；
(D2)：使用留一次发作交叉验证和k重交叉验证，同时进行样本内优化和样本外测试：以内层k重交叉验证评估和选择最优模型，对代价敏感支持向量机CSVM输出进行均值滤波，选择合适的阈值，得到的二分类结果即为癫痫发作时间段的检测结果，当检测到癫痫发作片段且连续2min内无其他发作片段时，认为捕获到一次癫痫发作事件，将外层交叉验证的结果进行平均，作为最终测试结果。
CN202111017158.6A 2021-08-31 2021-08-31 一种基于多模态信息的癫痫发作时间段检测系统及方法 Active CN113907707B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111017158.6A CN113907707B (zh) 2021-08-31 2021-08-31 一种基于多模态信息的癫痫发作时间段检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111017158.6A CN113907707B (zh) 2021-08-31 2021-08-31 一种基于多模态信息的癫痫发作时间段检测系统及方法

Publications (2)

Publication Number Publication Date
CN113907707A CN113907707A (zh) 2022-01-11
CN113907707B true CN113907707B (zh) 2022-12-23

Family

ID=79233760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111017158.6A Active CN113907707B (zh) 2021-08-31 2021-08-31 一种基于多模态信息的癫痫发作时间段检测系统及方法

Country Status (1)

Country Link
CN (1) CN113907707B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104720796A (zh) * 2015-02-12 2015-06-24 西安交通大学 一种用于癫痫发作时间段的自动检测系统及方法
CN111643092A (zh) * 2020-06-02 2020-09-11 四川大学华西医院 一种癫痫报警装置及癫痫检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10631760B2 (en) * 2011-09-02 2020-04-28 Jeffrey Albert Dracup Method for prediction, detection, monitoring, analysis and alerting of seizures and other potentially injurious or life-threatening states
WO2016160675A1 (en) * 2015-03-27 2016-10-06 University Of Massachusetts Medical School The application of the extrema distortion method to optimize control signals
US10485471B2 (en) * 2016-01-07 2019-11-26 The Trustees Of Dartmouth College System and method for identifying ictal states in a patient
WO2019212934A1 (en) * 2018-04-30 2019-11-07 Children's Medical Center Corporation Seizure detection using multiple biomedical signals
CN112353368B (zh) * 2020-05-08 2022-03-22 北京理工大学 一种基于反馈调节的多输入信号癫痫发作检测系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104720796A (zh) * 2015-02-12 2015-06-24 西安交通大学 一种用于癫痫发作时间段的自动检测系统及方法
CN111643092A (zh) * 2020-06-02 2020-09-11 四川大学华西医院 一种癫痫报警装置及癫痫检测方法

Also Published As

Publication number Publication date
CN113907707A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN110432898A (zh) 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
Lasefr et al. Epilepsy seizure detection using EEG signals
AlSharabi et al. EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches
CN110960191A (zh) 一种基于频谱能量图的癫痫脑电信号分类方法
Singh et al. A review of EMG techniques for detection of gait disorders
CN114010171B (zh) 一种基于心跳数据的分类器设置方法
CN114532993B (zh) 一种癫痫患者脑电高频振荡信号的自动检测方法
CN112971795B (zh) 心电信号质量评估方法
Subramanian et al. Machine Learning based Cardiac Arrhythmia detection from ECG signal
Ma et al. Using dictionary pair learning for seizure detection
Anh-Dao et al. A multistage system for automatic detection of epileptic spikes
Brari et al. A novel Machine Learning approach for epilepsy diagnosis using EEG signals based on Correlation Dimension
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
Murugappan et al. Emotion classification in Parkinson's disease EEG using RQA and ELM
CN111513675A (zh) 一种基于振幅整合脑电图的新生儿睡眠觉醒周期检测方法
Saminu et al. Hybrid feature extraction technique for multi-classification of ictal and non-ictal EEG epilepsy signals
CN111671419B (zh) 一种基于脑电信号的癫痫早期检测与识别方法及系统
CN113609975A (zh) 一种用于震颤检测的建模方法、手部震颤检测装置及方法
Sriraam et al. Multichannel EEG based inter-ictal seizures detection using Teager energy with backpropagation neural network classifier
CN113907707B (zh) 一种基于多模态信息的癫痫发作时间段检测系统及方法
Chaibi et al. Detection of epileptic high frequency oscillations using support vector machines
CN106333675B (zh) 清醒状态下的脑电信号数据类型的标注方法和系统
Varsavsky et al. Patient un-specific detection of epileptic seizures through changes in variance
Yu et al. Epileptic seizure detection based on local mean decomposition and dictionary pair learning
Shankar et al. Epilepsy Detection Using Embedded Machine Learning

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: 20230117

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.

Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28

Patentee before: XI'AN JIAOTONG University

TR01 Transfer of patent right