CN113974653B - 基于约登指数优化棘波检测方法和装置、存储介质和终端 - Google Patents
基于约登指数优化棘波检测方法和装置、存储介质和终端 Download PDFInfo
- Publication number
- CN113974653B CN113974653B CN202111445591.XA CN202111445591A CN113974653B CN 113974653 B CN113974653 B CN 113974653B CN 202111445591 A CN202111445591 A CN 202111445591A CN 113974653 B CN113974653 B CN 113974653B
- Authority
- CN
- China
- Prior art keywords
- spike
- candidate
- preset
- threshold
- optimal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 230000000877 morphologic effect Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 23
- 230000000630 rising effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 210000004556 brain Anatomy 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 230000000717 retained effect Effects 0.000 abstract description 3
- 230000001037 epileptic effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 206010010904 Convulsion Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 206010015037 epilepsy Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000028329 epileptic seizure Diseases 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000036403 neuro physiology Effects 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 239000001961 anticonvulsive agent Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- A61B5/369—Electroencephalography [EEG]
-
- 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
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- A61B5/7235—Details of waveform analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Theoretical Computer Science (AREA)
- Neurosurgery (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于约登指数优化棘波检测方法及装置、存储介质和终端,其中方法包括:获取待检测脑电信号数据集;对脑电信号进行去噪处理;提取预设形态学特征,并通过阈值法获取假定棘波集;对假定棘波进行聚类处理,并计算每类棘波集群的质心以作为匹配模板,基于匹配模板对对应初始脑电信号进行模板匹配分析获取候选棘波,将所有候选棘波进行合并获取候选棘波集;提取候选棘波的预设特征参数,通过约登指数数据驱动方法计算最佳特征阈值,基于最佳特征阈值对所有候选棘波进行筛选,最终所有保留的候选棘波即为棘波检测结果。本发明灵敏较高,尽可能降低棘波形态漏检可能,具有足够的特异性。
Description
技术领域
本发明涉及棘波检测技术领域,尤其涉及一种基于形态特征提取的棘波检测方法和装置、存储介质和终端。
背景技术
癫痫是一种因大脑神经元电活动紊乱,对神经系统产生持久性损害的疾病,具有长期、反复和累积等特征。多种因素可影响癫痫患者的生活质量,例如疾病本身、癫痫活动、抗癫痫药物、医疗保健、遗传、心理、社会及家庭等,导致多数癫痫患者在认知、心理、精神、社会行为和睡眠等方面受到不同程度的影响,使得患者生活质量下降,进而给家庭带来严重的经济及精神负担。
癫痫日常诊治困难,其发作不可预知且难以被发现,甚至部分患者终身都难以彻底控制发作,并且部分“假性发作”患者也可能出现运动性发作的症状,因此导致临床上存在真假难辨的问题。脑电图(Electroencephalogram,EEG)是诊断和治疗癫痫的重要手段,它提供了高时间分辨率的连续的脑功能监测。而棘波是由癫痫病灶产生并传播到头皮的皮层放电引起的最基本的阵发性脑电图活动。棘波的存在与癫痫发作的发生有着重要的关系,为癫痫发作的检测提供了重要的标志物。
棘波检测算法已受到神经生理学领域的广泛关注。目前主要的检测算法有模板匹配分析、小波分析、功率谱分析和独立成分分析。近年来,机器学习技术如卷积神经网络(CNN)和循环神经网络(RNN)以及统计框架在癫痫棘波和非棘波分类方面表现良好。目前有许多棘波检测算法结合了多种方法,以提高检测性能。然而,患者之间甚至患者本身的棘波形态和背景都有很大差异,目前基于以往研究的棘波检测方法灵敏度较低,一些常见的棘波形态类型存在漏检测的可能。此外,目前的检测方法缺乏足够的特异性。
发明内容
本发明所要解决的技术问题是现有棘波检测算法灵敏较低,对一些常见的棘波形态存在漏检可能,且缺乏足够的特异性。
为了解决上述技术问题,本发明提供了一种基于约登指数优化的棘波检测方法,包括:
获取待检测脑电信号数据集;
对所述待检测脑电信号数据集中的脑电信号进行去噪处理,得到初始脑电信号数据集;
分别提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征,并将所述初步脑电信号数据集中所述预设形态学特征大于预设特征阈值的初始脑电信号作为假定棘波,得到假定棘波集;
对所述假定棘波集进行聚类处理获取多类棘波集群,获取每类棘波集群的质心并将所述质心作为对应类棘波集群的匹配模板,分别基于所述匹配模板对对应所述初始脑电信号进行模板匹配分析获取候选棘波,并将所有候选棘波进行合并获取候选棘波集;
分别提取所述候选棘波集中所述候选棘波的预设特征参数,基于所有所述候选棘波的预设特征参数,通过约登指数数据驱动方法计算所述预设特征参数的最佳特征阈值,基于所述最佳特征阈值对所述候选棘波集中的候选棘波进行筛选,保留所述预设特征参数大于所述最佳特征阈值的候选棘波,最终所有保留的候选棘波即为棘波检测结果。
优选地,所述待检测脑电信号数据集中的待检测脑电信号是通过国际10-20电极放置系统采集的数据。
优选地,对所述待检测脑电信号数据集中的脑电信号进行去噪处理包括:
通过小波去噪技术滤除所述待检测脑电信号中的高斯白噪声、肌电信号和眼电信号,得到基础脑电信号;
通过集成经验模态分解法滤除所述基础脑电信号中的电源工频干扰和基线漂移噪声,得到初始脑电信号。
优选地,提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征时,以预设持续时间为提取片段提取所述初始脑电信号的预设形态学特征;其中所述预设持续时间设置范围为140-150ms。
优选地,所述预设形态学特征包括最大电压值、最小电压值、上升支斜率和下降支斜率;所述预设形态学特征大于预设特征阈值即为:所述最大电压值大于预设最大电压阈值,所述最小电压值大于预设最小电压阈值,所述上升支斜率大于预设上升支斜率阈值,所述下降支斜率大于预设下降支斜率阈值。
优选地,对所述假定棘波集进行聚类处理的聚类方法为K-means聚类算法,所述质心计算方式为:取该类别中所有假定棘波各自维度的算术平均数。
优选地,所述预设特征参数包括非线性能量算子、峰度、偏度、持续时间和振幅;所述最佳特征阈值包括最佳非线性能量算子阈值、最佳峰度阈值、最佳偏度阈值、最佳持续时间阈值和最佳振幅阈值;所述预设特征参数大于所述最佳特征阈值即为:所述非线性能量算子大于最佳非线性能量算子阈值,所述峰度大于最佳峰度阈值,所述偏度大于最佳偏度阈值,所述持续时间大于最佳持续时间阈值,所述振幅大于最佳振幅阈值。
为了解决上述技术问题,本发明还提供了一种基于约登指数优化的棘波检测装置,包括数据获取模块、去噪模块、假定棘波获取模块、候选棘波获取模块和棘波检测结果获取模块;
所述数据获取模块,用于获取待检测脑电信号数据集;
所述去噪模块,用于对所述待检测脑电信号数据集中的脑电信号进行去噪处理,得到初始脑电信号数据集;
所述假定棘波获取模块,用于分别提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征,并将所述初步脑电信号数据集中所述预设形态学特征大于预设特征阈值的初始脑电信号作为假定棘波,得到假定棘波集;
所述候选棘波获取模块,对所述假定棘波集进行聚类处理获取多类棘波集群,获取每类棘波集群的质心并将所述质心作为对应类棘波集群的匹配模板,分别基于所述匹配模板对对应所述初始脑电信号进行模板匹配分析获取候选棘波,并将所有候选棘波进行合并获取候选棘波集;
所述棘波检测结果获取模块,用于分别提取所述候选棘波集中所述候选棘波的预设特征参数,基于所有所述候选棘波的预设特征参数,通过约登指数数据驱动方法计算所述预设特征参数的最佳特征阈值,基于所述最佳特征阈值对所述候选棘波集中的候选棘波进行筛选,保留所述预设特征参数大于所述最佳特征阈值的候选棘波,最终所有保留的候选棘波即为棘波检测结果
为了解决上述技术问题,本发明还提供了一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现基于约登指数优化的棘波检测方法。
为了解决上述技术问题,本发明还提供了一种终端,其特征在于,包括:处理器以及存储器,所述存储器与所述处理器之间通信连接;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行基于约登指数优化的棘波检测方法。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
应用本发明实施例提供的基于约登指数优化的棘波检测方法,可以处理分析多通道癫痫患者脑电信号,具有广泛的应用前景;且采用聚类法获得特定棘波形态对应的特定模板,保证了多种形态的棘波可被检出;以棘波峰值位置为中心、持续时间为150ms左右的持续时间作为提取片段来提取棘波的波形序列的信号特征,尽可能多的包含了棘波及其附近电信号的特征,同时也减少了相邻棘波信号信息的交叉提取;最后使用约登指数的数据驱动方法计算特征的最佳筛选阈值,能够在保证高检出率的同时获得低的误识别率,使棘波检测方法获得最佳检测性能。
本发明的其它特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1示出了本发明实施例一基于约登指数优化的棘波检测方法流程示意图;
图2示出了本发明实施例一中初始脑电信号/候选棘波的片段示意图;
图3示出了本发明实施例二基于约登指数优化的棘波检测装置结构示意图;
图4示出了本发明实施例四终端。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
棘波检测算法已受到神经生理学领域的广泛关注。目前主要的检测算法有模板匹配分析、小波分析、功率谱分析和独立成分分析。近年来,机器学习技术如卷积神经网络(CNN)和循环神经网络(RNN)以及统计框架在癫痫棘波和非棘波分类方面表现良好。目前有许多棘波检测算法结合了多种方法,以提高检测性能。然而,患者之间甚至患者本身的棘波形态和背景都有很大差异,目前基于以往研究的棘波检测方法灵敏度较低,一些常见的棘波形态类型存在漏检测的可能。此外,目前的检测方法缺乏足够的特异性。
实施例一
为解决现有技术中存在的技术问题,本发明实施例提供了一种基于约登指数优化的棘波检测方法。
图1示出了本发明实施例一基于约登指数优化的棘波检测方法流程示意图;参考图1所述,本发明实施例基于约登指数优化的棘波检测方法包括如下步骤。
步骤S101,获取待检测脑电信号数据集。
具体地,通过国际10-20电极放置系统对待检测患者的脑电信号进行采集,以获取待检测脑电信号数据集。其中国际10-20电极放置系统需对癫痫患者的19个通道的头皮脑电进行采集,采样频率为1000Hz,且需采集大量待检测患者的脑电数据作为待检测脑电信号数据集。通常待检测患者为癫痫患者,癫痫患者的脑电信号中包含有棘波异常放电情况。且需要说明的是,本发明方法的待检测脑电信号数据集仅包含一个患者的脑电信号数据,当存在多个患者的脑电信号数据需要进行棘波检测时,则需使用该方法分别对每个患者的脑电信号数据进行棘波检测。一般棘波检测工作通常会存在二十多个患者的脑电信号数据待进行棘波检测。
步骤S102,对待检测脑电信号数据集中的脑电信号进行去噪处理,得到初始脑电信号数据集。
该过程需分别对待检测脑电信号数据集中脑电信号进行去噪处理得到初始脑电信号,再将得到的所有初始脑电信号集合为初始脑电信号数据集。具体地,对待检测脑电信号进行去噪处理过程包括:采用小波去噪技术滤除待检测脑电信号中的高斯白噪声、肌电信号和眼电信号得到基础脑电信号;即小波变换通过将待检测脑电信号进行特定母波的时间变换和尺度变换,得到若干组对应不同频段的小波成分,为了消除噪声和干扰信号,可以在不损失任何重要信息的情况下排除小的信号细节;而后再采用集成经验模态分解法滤除基础脑电信号中的电源工频干扰和基线漂移噪声得到初始脑电信号;其中集成经验模态分解法是一种噪声辅助的方法,通过向基础脑电信号中添加正态分布及一定幅度的白噪声,利用白噪声均匀的频谱特性,使得原始信号均匀地填充整个时频空间,且在不同尺度上具有连续性,从而降低了模态混叠问题。
步骤S103,分别提取初始脑电信号数据集中初始脑电信号的预设形态学特征,并将初步脑电信号数据集中预设形态学特征大于预设特征阈值的初始脑电信号作为假定棘波,得到假定棘波集。
具体地,分别提取初始脑电信号数据集中初始脑电信号的预设形态学特征。优选地,预设形态学特征包括最大电压值、最小电压值、上升支斜率和下降支斜率。且由于棘波的持续时间为20-70ms,为了包含所有假定棘波及其附近电信号的特征,且减少相邻棘波信号信息的交叉提取,选择以预设持续时间为提取片段提取初始脑电信号的预设形态学特征。其中预设持续时间设置范围为140-150ms。进一步优选地,预设持续时间可设置为150ms;即我们可选取持续时间为150ms的片段来提取波形序列的形态学特征。
而后再基于初始脑电信号的预设形态学特征对初始脑电信号进行筛选,即从初始脑电信号中选取出预设形态学特征大于预设特征阈值的初始脑电信号作为假定棘波,并在筛选完成后将所有的假定棘波集合为假定棘波集。其中,在预设特征阈值的设置过程中,需选择较低的特征阈值,以使得尽可能多的棘波形态类型可以被保留。由于形态学特征包括四个形态特征,因此预设特征阈值也设置有四个对应的阈值,即初始脑电信号的预设形态学特征大于预设阈值的过程为:初始脑电信号的最大电压值大于预设最大电压阈值,初始脑电信号最小电压值大于预设最小电压阈值,初始脑电信号上升支斜率大于预设上升支斜率阈值,初始脑电信号下降支斜率大于预设下降支斜率阈值。
图2示出了本发明实施例一中初始脑电信号/候选棘波的片段示意图;参考图2所示,从图2中可直接提取出初始脑电信号的最大电压值和最小电压值,而上升支斜率和下降支斜率的计算方式如下。更进一步地,斜率表示一条直线相对于横坐标轴的倾斜程度,波形上升支斜率可体现波形的变化情况,以判断是否满足棘波的波形特征。初始脑电信号的上升支斜率的计算公式如下:
其中,LS表示上升支斜率,表示初始脑电信号中上升棘波高度,/>表示初始脑电信号中上升棘波宽度。
同理,初始脑电信号的下降支斜率的计算公式如下,以判断该波形是否满足棘波的波形特征。
其中,RS表示下降支斜率,表示初始脑电信号中下降棘波高度,/>表示初始脑电信号中下降棘波宽度。
步骤S104,对假定棘波集进行聚类处理获取多类棘波集群,获取每类棘波集群的质心并将质心作为对应类棘波集群的匹配模板,分别基于匹配模板对对应初始脑电信号进行模板匹配分析获取候选棘波,并将所有候选棘波进行合并获取候选棘波集。
具体地,对假定棘波集进行聚类处理获取多类棘波集群,最终棘波集群的类别数量是自动确定的。其中若其中一类棘波集群所包含假定棘波小于5%的假定棘波集时,则需停止该类棘波集群聚类过程,并去除包含小于5%的假定棘波的棘波集群,剩下的类别组成最后的类别集群。优选地,聚类方法可选取K-means聚类算法。
而后获取每类棘波集群的质心并将质心作为对应类棘波集群的匹配模板。进一步地,质心的计算方式为取该类别中所有假定棘波各自维度的算术平均数。最终保留的棘波集群的质心被用作对应棘波集群的匹配模板。而后分别基于匹配模板对对应初始脑电信号进行模板匹配分析。即假设某质心所对应的棘波集群为目标棘波集群,目标棘波集群中的假定棘波为目标假定棘波,目标假定棘波所对应的初始脑电信号为目标初始脑电信号;即以该质心作为匹配模板,依次对目标初始脑电信号进行模板匹配分析,并将匹配结果作为候选棘波。其中,模板匹配法是基于脑电图波形与模板波形之间的余弦相似度来检测棘波的,即当余弦相似度超过一定阈值时,脑电图信号帧被认为是一个可能的棘波。此处阈值设置得很低,以确保由神经学家标记的棘波均可被保留。
最后,将所有候选棘波进行合并获取候选棘波集。其中在将所有候选棘波合并在一起时,由于单个初始脑电信号可以被不同的匹配模板检测到,因此设置了一个间隔阈值来解决这种情况,即如果两个候选棘波峰值之间的间隔小于该间隔阈值,则将这两个候选棘波作为一个候选棘波。
步骤S105,分别提取候选棘波集中候选棘波的预设特征参数,基于所有候选棘波的预设特征参数,通过约登指数数据驱动方法计算预设特征参数的最佳特征阈值,基于最佳特征阈值对候选棘波集中的候选棘波进行筛选,保留预设特征参数大于最佳特征阈值的候选棘波,最终所有保留的候选棘波即为棘波检测结果。
具体地,分别提取候选棘波集中候选棘波的预设特征参数。优选地,候选棘波的预设特征参数包括非线性能量算子、峰度、偏度、持续时间和振幅。其中候选棘波的非线性能量算子、峰度、偏度、持续时间以及振幅的提取过程如下。
图2示出了本发明实施例一中初始脑电信号/候选棘波的片段示意图;参考图2所示,候选棘波持续时间表示信号脉冲从开始到结束所经历的时间,其计算方式如下:
其中,Dur表示候选棘波持续时间,表示候选棘波上升信号持续时间,/>表示候选棘波下降信号持续时间。
如图2所示,候选棘波的振幅为波峰点到两个波谷点连线的垂直于水平线的线段的长度,计算方式如下:
其中,Amp表示候选棘波的振幅,表示候选棘波波峰点到两个波谷点连线的垂直于水平线的线段的长度。
非线性能量算子能够跟踪信号的瞬时能量,在动作电位检测中,非线性能量算子探测器非常适合捕捉由急剧瞬变引起的瞬态能量爆发。因此,非线性能量算子检波器对振幅和频率均有突然增加的棘波具有良好的检测性能。
候选棘波的非线性能量算子定义为ψ[x(n)],其计算公式为:
ψ[x(n)]=x(n)2-x(n+k)x(n-k) (5)
其中,x(n)为输入的脑电图信号,k为与检测到的候选棘波宽度相关的分辨率参数,其取值范围是1到40。
峰度是信号尖峰度的一种度量,候选棘波的峰度的计算公式为‘’:
式中,K(x)表示峰度(无量纲);xi表示第i个x信号;表示x信号的平均值;L为滑动窗口的长度,此处L取值为150ms内信号的长度。
偏度则为信号不对称的一种度量,候选棘波的偏度的计算公式为:
式中,S(x)表示偏度(无量纲);表示x信号的平均值;σ表示x信号的标准差;L为滑动窗口的长度,此处取值为150ms内信号的长度。
在获取所有候选棘波的预设特征参数后,而后需基于所有候选棘波的预设特征参数,通过约登指数数据驱动方法计算预设特征参数的最佳特征阈值。由于预设特征参数包含五个特征参数,因此所计算出来的最佳特征阈值也包含五个最佳预设阈值。在获取最佳特征阈值之后,需基于最佳特征阈值对候选棘波集中的候选棘波进行筛选,保留预设特征参数大于最佳特征阈值的候选棘波,最终所有保留的候选棘波即为棘波检测结果。进一步预设特征参数大于最佳特征阈值也即为:非线性能量算子大于最佳非线性能量算子阈值,峰度大于最佳峰度阈值,偏度大于最佳偏度阈值,持续时间大于最佳持续时间阈值,振幅大于最佳振幅阈值。
进一步地,本实施例中约登指数数据驱动方法是结合ROC来实施的,ROC的全称即为受试者工作特征曲线(Receiver Operating Characteristic Curve),该曲线的横坐标为假阳性率(False Positive Rate),纵坐标为真阳性率(True Positive Rate)。ROC用以判断分类模型好坏是否足以区分两类对象,ROC曲线下的面积,介于0.1和1之间,作为数值可以直观的评价分类器的好坏,值越大则分类效果越好。
本发明实施例需要基于ROC和约登指数的数据驱动方法获取五个特征参数对应的最佳特征阈值。以下以非线性能量算子的最佳阈值计算为例:
首先提取所有候选棘波的非线性能量算子组成候选特征集,该特征集包含的参数个数为候选棘波集中候选棘波的个数N,其中包含神经学家标记的真正的棘波特征个数Ntp和误识别的棘波特征个数Nfp,且N=Ntp+Nfp。以候选特征集中的第j个特征值作为划分阈值,计算真阳性率Rtp(j)与假阳性率Rfp(j)为:
Rtp(j)=Stp(j)/Ntp,j=1,2,...,N (8)
Rfp(j)=Sfp(j)/Nfp,j=1,2,...,N (9)
其中,Stp(j)与Sfp(j)分别为Ntp个真实棘波与Nfp个误识别棘波中被第j个特征值分类为棘波的个数。
将候选特征集中的特征依次作为划分阈值,我们可以得到一系列的真阳性率和假阳性率。本发明实施例的目的是寻找最优阈值,在真阳性率与假阳性率之间做折中,使分类效果达到最优,符合实际应用要求。因此我们采用约登指数(Youden index)来进行最优阈值的选择,以使得ROC曲线下的面积达到最大值,获得分类器的最佳分类效果。
约登指数也称为正确指数,是评价筛检方法发现真正的阳性与非阳性的总能力。指数越大说明筛查实验的效果越好,真实性越大。本发明中约登指数取最大值时即可获得非线性能量算子特征的最佳阈值。第j个特征值作为划分阈值时的约登指数Y(j)计算公式为:
Y(j)=Rtp(j)-Rfp(j),j=1,2,...,N (10)
那么对于非线性能量算子的最佳特征阈值T的计算公式为:
依据同样的计算过程获取棘波其他特征的最佳特征阈值。
依据同样的分析过程,我们可以获取非线性能量算子、峰度、偏度、持续时间和振幅五个特征集组合的最佳组合特征阈值。w(i)为五个特征集值的第i个组合,以w(i)为划分阈值,相应的约登指数计算公式为:
Y(w(i))=Rtp(w(i))-Rfp(w(i)),i=1,2,...,N5 (12)
那么对于五个特征的最佳特征阈组合值T的计算公式为:
候选棘波的这五个特征值超过其相应的最佳特征阈值组合时,保留该候选棘波。最终所有保留的候选棘波即为最终棘波检测结果。
本发明实施例提供的基于约登指数优化的棘波检测方法,可以处理分析多通道癫痫患者脑电信号,具有广泛的应用前景;且采用聚类法获得特定棘波形态对应的特定模板,保证了多种形态的棘波可被检出;以棘波峰值位置为中心、持续时间为150ms左右的持续时间作为提取片段来提取棘波的波形序列的信号特征,尽可能多的包含了棘波及其附近电信号的特征,同时也减少了相邻棘波信号信息的交叉提取;最后使用约登指数的数据驱动方法计算特征的最佳筛选阈值,能够在保证高检出率的同时获得低的误识别率,使棘波检测方法获得最佳检测性能。
实施例二
为解决现有技术中存在的上述技术问题,本发明实施例还提供了一种基于约登指数优化的棘波检测装置。
图3示出了本发明实施例二基于约登指数优化的棘波检测装置结构示意图;参考图3所示,本发明实施例基于约登指数优化的棘波检测装置包括数据获取模块、去噪模块、假定棘波获取模块、候选棘波获取模块和棘波检测结果获取模块。
其中,数据获取模块用于获取待检测脑电信号数据集。
去噪模块用于对待检测脑电信号数据集中的脑电信号进行去噪处理,得到初始脑电信号数据集;
假定棘波获取模块用于分别提取初始脑电信号数据集中初始脑电信号的预设形态学特征,并将初步脑电信号数据集中预设形态学特征大于预设阈值的初始脑电信号作为假定棘波,得到假定棘波集;
候选棘波获取模块对假定棘波集进行聚类处理获取多类棘波集群,获取每类棘波集群的质心并将质心作为对应类棘波集群的匹配模板,分别基于匹配模板对对应初始脑电信号进行模板匹配分析获取候选棘波,并将所有匹配结果进行合并获取候选棘波集;
棘波检测结果获取模块用于分别提取候选棘波集中候选棘波的预设特征参数,基于所有候选棘波的预设特征参数,通过约登指数数据驱动方法计算预设特征参数的最佳特征阈值,基于最佳特征阈值对候选棘波集中的候选棘波进行筛选,保留预设特征参数大于最佳特征阈值的候选棘波,最终所有保留的候选棘波即为棘波检测结果。
本发明实施例提供的基于约登指数优化的棘波检测装置,可以处理分析多通道癫痫患者脑电信号,具有广泛的应用前景;且采用聚类法获得特定棘波形态对应的特定模板,保证了多种形态的棘波可被检出;以棘波峰值位置为中心、持续时间为150ms左右的持续时间作为提取片段来提取棘波的波形序列的信号特征,尽可能多的包含了棘波及其附近电信号的特征,同时也减少了相邻棘波信号信息的交叉提取;最后使用约登指数的数据驱动方法计算特征的最佳筛选阈值,能够在保证高检出率的同时获得低的误识别率,使棘波检测方法获得最佳检测性能。
实施例三
为解决现有技术中存在的上述技术问题,本发明实施例还提供了一种存储介质,其存储有计算机程序,该计算机程序被处理器执行时可实现实施例一中基于约登指数优化的棘波检测方法中的所有步骤。
基于约登指数优化的棘波检测方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同,在此不在对其进行赘述。
需要说明的是:存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例四
为解决现有技术中存在的上述技术问题,本发明实施例还提供了一种终端。
图4示出了本发明实施例四终端结构示意图,参照图4,本实施例终端包括相互连接的处理器及存储器;存储器用于存储计算机程序,处理器用于执行存储器存储的计算机程序,以使终端执行时可实现实施例一基于约登指数优化的棘波检测方法中的所有步骤。
基于约登指数优化的棘波检测方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同,在此不在对其进行赘述。
需要说明的是,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。同理处理器也可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种基于约登指数优化的棘波检测方法,包括:
获取待检测脑电信号数据集;
对所述待检测脑电信号数据集中的脑电信号进行去噪处理,得到初始脑电信号数据集;
分别提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征,并将所述初始脑电信号数据集中所述预设形态学特征大于预设特征阈值的初始脑电信号作为假定棘波,得到假定棘波集;
对所述假定棘波集进行聚类处理获取多类棘波集群,获取每类棘波集群的质心并将所述质心作为对应类棘波集群的匹配模板,分别基于所述匹配模板对对应所述初始脑电信号进行模板匹配分析获取候选棘波,并将所有候选棘波进行合并获取候选棘波集;
分别提取所述候选棘波集中所述候选棘波的预设特征参数,基于所有所述候选棘波的预设特征参数,通过约登指数数据驱动方法计算所述预设特征参数的最佳特征阈值,基于所述最佳特征阈值对所述候选棘波集中的候选棘波进行筛选,保留所述预设特征参数大于所述最佳特征阈值的候选棘波,最终所有保留的候选棘波即为棘波检测结果。
2.根据权利要求1所述的方法,其特征在于,所述待检测脑电信号数据集中的待检测脑电信号是通过国际10-20电极放置系统采集的数据。
3.根据权利要求1所述的方法,其特征在于,对所述待检测脑电信号数据集中的脑电信号进行去噪处理包括:
通过小波去噪技术滤除所述待检测脑电信号中的高斯白噪声、肌电信号和眼电信号,得到基础脑电信号;
通过集成经验模态分解法滤除所述基础脑电信号中的电源工频干扰和基线漂移噪声,得到初始脑电信号。
4.根据权利要求1所述的方法,其特征在于,提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征时,以预设持续时间为提取片段提取所述初始脑电信号的预设形态学特征;其中所述预设持续时间设置范围为140-150ms。
5.根据权利要求4所述的方法,其特征在于,所述预设形态学特征包括最大电压值、最小电压值、上升支斜率和下降支斜率;所述预设形态学特征大于预设特征阈值即为:所述最大电压值大于预设最大电压阈值,所述最小电压值大于预设最小电压阈值,所述上升支斜率大于预设上升支斜率阈值,所述下降支斜率大于预设下降支斜率阈值。
6.根据权利要求1所述的方法,其特征在于,对所述假定棘波集进行聚类处理的聚类方法为K-means聚类算法,所述质心计算方式为:取该类别中所有假定棘波各自维度的算术平均数。
7.根据权利要求1所述的方法,其特征在于,所述预设特征参数包括非线性能量算子、峰度、偏度、持续时间和振幅;所述最佳特征阈值包括最佳非线性能量算子阈值、最佳峰度阈值、最佳偏度阈值、最佳持续时间阈值和最佳振幅阈值;所述预设特征参数大于所述最佳特征阈值即为:所述非线性能量算子大于最佳非线性能量算子阈值,所述峰度大于最佳峰度阈值,所述偏度大于最佳偏度阈值,所述持续时间大于最佳持续时间阈值,所述振幅大于最佳振幅阈值。
8.一种基于约登指数优化的棘波检测装置,其特征在于,包括数据获取模块、去噪模块、假定棘波获取模块、候选棘波获取模块和棘波检测结果获取模块;
所述数据获取模块,用于获取待检测脑电信号数据集;
所述去噪模块,用于对所述待检测脑电信号数据集中的脑电信号进行去噪处理,得到初始脑电信号数据集;
所述假定棘波获取模块,用于分别提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征,并将所述初始脑电信号数据集中所述预设形态学特征大于预设特征阈值的初始脑电信号作为假定棘波,得到假定棘波集;
所述候选棘波获取模块,对所述假定棘波集进行聚类处理获取多类棘波集群,获取每类棘波集群的质心并将所述质心作为对应类棘波集群的匹配模板,分别基于所述匹配模板对对应所述初始脑电信号进行模板匹配分析获取候选棘波,并将所有候选棘波进行合并获取候选棘波集;
所述棘波检测结果获取模块,用于分别提取所述候选棘波集中所述候选棘波的预设特征参数,基于所有所述候选棘波的预设特征参数,通过约登指数数据驱动方法计算所述预设特征参数的最佳特征阈值,基于所述最佳特征阈值对所述候选棘波集中的候选棘波进行筛选,保留所述预设特征参数大于所述最佳特征阈值的候选棘波,最终所有保留的候选棘波即为棘波检测结果。
9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7中任一项基于约登指数优化的棘波检测方法。
10.一种终端,其特征在于,包括:处理器以及存储器,所述存储器与所述处理器之间通信连接;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至7中任一项基于约登指数优化的棘波检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111445591.XA CN113974653B (zh) | 2021-11-30 | 2021-11-30 | 基于约登指数优化棘波检测方法和装置、存储介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111445591.XA CN113974653B (zh) | 2021-11-30 | 2021-11-30 | 基于约登指数优化棘波检测方法和装置、存储介质和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113974653A CN113974653A (zh) | 2022-01-28 |
CN113974653B true CN113974653B (zh) | 2024-03-22 |
Family
ID=79732738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111445591.XA Active CN113974653B (zh) | 2021-11-30 | 2021-11-30 | 基于约登指数优化棘波检测方法和装置、存储介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113974653B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116584900B (zh) * | 2023-07-17 | 2023-10-31 | 博睿康医疗科技(上海)有限公司 | 信号稳定状态的检测方法、检测模型、癫痫检测装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110811609A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法 |
CN111150393A (zh) * | 2020-02-19 | 2020-05-15 | 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 |
CN111643076A (zh) * | 2020-05-13 | 2020-09-11 | 杭州电子科技大学 | 一种基于多通道脑电信号的bect棘波智能检测方法 |
CN111887811A (zh) * | 2020-08-07 | 2020-11-06 | 浙江环玛信息科技有限公司 | 基于脑电信号特征的大脑异常放电检测方法及系统 |
-
2021
- 2021-11-30 CN CN202111445591.XA patent/CN113974653B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110811609A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法 |
CN111150393A (zh) * | 2020-02-19 | 2020-05-15 | 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 |
CN111643076A (zh) * | 2020-05-13 | 2020-09-11 | 杭州电子科技大学 | 一种基于多通道脑电信号的bect棘波智能检测方法 |
CN111887811A (zh) * | 2020-08-07 | 2020-11-06 | 浙江环玛信息科技有限公司 | 基于脑电信号特征的大脑异常放电检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113974653A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alam et al. | Detection of seizure and epilepsy using higher order statistics in the EMD domain | |
Wilson et al. | Spike detection: a review and comparison of algorithms | |
Thomas et al. | EEG classification via convolutional neural network-based interictal epileptiform event detection | |
Li et al. | Seizure onset detection using empirical mode decomposition and common spatial pattern | |
US8204583B2 (en) | System for seizure monitoring and detection | |
Sharmila | Epilepsy detection from EEG signals: A review | |
Shoka et al. | Literature review on EEG preprocessing, feature extraction, and classifications techniques | |
US11980473B2 (en) | Seizure onset zone localization | |
US11291413B2 (en) | Systems and methods for linear-time clustering for bounded, repeatable, rare events in physiological signals | |
KR102141185B1 (ko) | 확률모델 및 기계학습과 함께 특징추출을 이용한 뇌전도 신호의 멀티 주파수 대역 계수 기반 간질 발작파 검출 시스템 | |
Saini et al. | An extensive review on development of EEG-based computer-aided diagnosis systems for epilepsy detection | |
Rajaguru et al. | KNN classifier and K-means clustering for robust classification of epilepsy from EEG signals. A detailed analysis | |
JP2023099043A (ja) | 脳波(eeg)の非線形性の変化に基づく発作検出システム及び方法 | |
Zhu et al. | Automated epileptic seizure detection in scalp EEG based on spatial-temporal complexity | |
CN113974653B (zh) | 基于约登指数优化棘波检测方法和装置、存储介质和终端 | |
Yadav et al. | Variational mode decomposition-based seizure classification using Bayesian regularized shallow neural network | |
Bose et al. | Augmenting neuromuscular disease detection using optimally parameterized weighted visibility graph | |
Abbaszadeh et al. | Optimum window size and overlap for robust probabilistic prediction of seizures with ieeg | |
CN111870241B (zh) | 基于优化的多维样本熵的癫痫发作信号检测方法 | |
De Moraes et al. | Automated Detection of Interictal Spikes in EEG: A literature review | |
Park et al. | Detection of epileptiform activity using wavelet and neural network | |
Cheng et al. | Multilevel feature learning method for accurate interictal epileptiform spike detection | |
Ansari et al. | A review on automated detection of non-convulsive seizures using eeg | |
Babaeian et al. | Applying HRV based online clustering method to identify driver drowsiness | |
Sunderam | 10 How to Detect and Quantify Epileptic Seizures |
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 |