CN114010207A - 基于过零点系数的时域数据分类方法、植入式刺激系统 - Google Patents

Abstract

本发明公开了一种基于过零点系数的时域数据分类方法、植入式刺激系统。本基于过零点系数的时域数据分类方法包括：获取时域数据的分类标准；根据所述分类标准对时域数据进行分类；以及根据分类结果选择刺激策略，能够降低植入式神经刺激器的功耗，延长其续航时间，且能够提高闭环刺激的准确率。

Description

基于过零点系数的时域数据分类方法、植入式刺激系统

技术领域

本发明涉及时域数据分类技术领域，尤其涉及一种基于过零点系数的时域数据分类方法、植入式刺激系统。

背景技术

时域（Time domain）是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。运用时域分析方法提取脑电数据的波形特征，使神经刺激系统在医疗领域中应用成为可能。在这种系统中，植入式神经刺激器被植入到患者体内，可以监测患者目标部位的脑电信号并进行分析运算，然后将分析结果传递给体外设备，体外设备再根据植入式神经刺激器的监测结果发出预警信号或者刺激指令，以实现对病患部位的刺激。因此，如何优化算法用于提高监测结果的准确度是闭环刺激的关键环节。一般来说，复杂算法的准确度高但功耗大，电池工作时间短且易发热，甚至出现过热受损或爆炸等极端情况，存在安全隐患，不适于植入式刺激系统。

发明内容

本发明要解决的技术问题是：提供一种基于过零点系数的时域数据分类方法、植入式刺激系统。

本发明解决其技术问题所采用的技术方案是：

第一方面，本发明提供了一种时域数据的分类方法，包括：获取时域数据的分类标准；根据所述分类标准对时域数据进行分类。

进一步地，所述分类标准的信号特征包括过零点系数或其与幅度均值、线长中的一种或几种结合。优选的，所述分类标准的信号特征由过零点系数、幅度均值、线长组成。

进一步地，所述过零点系数为过零率的映射或过零数的映射；所述映射为具有正相关或负相关的映射函数；以及所述映射函数为线性或非线性的。

进一步地，所述时域数据为对原始数据进行处理后的数据；所述原始数据包括脑电的EEG数据；所述处理包括：预处理，即对原始数据进行预处理；多窗口划分，即将预处理后的数据划分成多个任务窗口；其中所述分类标准适于对各个任务窗口的数据进行独立分类。

进一步地，所述多窗口划分包括窗口部分重叠或窗口不重叠。

进一步地，所述原始数据为至少一个通道采集的数据；所述分类结果包括：正常和病发前。

进一步地，所述获取时域数据的分类标准包括训练分类器、阈值判断、人工打标中的一种或几种。

第二方面，本发明提供了一种采用如前所述的时域数据的分类方法进行神经刺激的植入式刺激系统，即所述植入式刺激系统，包括：植入体；体外机，用于执行所述时域数据的分类方法；通讯模块，用于植入体与体外机之间信号传输；其中所述植入体包括：采集模块，用于采集时域数据，并通过通讯模块传输至体外机；刺激模块，用于启动刺激。在本案中，根据体外机的功能，植入式刺激系统可以为开环和闭环；例如通过体外机根据时域数据的分类结果选择刺激策略并通过通讯模块控制刺激模块启动刺激，这种是闭环的，该刺激策略根据至少一个通道采集的数据的分类结果进行选择。再如人工打标判断，医生根据过零点系数的变化趋势，在体外机上手动地选择启动刺激，这种是开环的。可选的，所述体外机可以为PC机；所述通讯模块可以为无线通信模块，如蓝牙模块；所述刺激模块可以为电脉冲发生器。

进一步地，所述采集模块包括至少一个电极，用于采集原始数据，分别形成相应通道的时域数据。

所述植入式刺激系统的落地实现与最终生效，须依托于相应的界面工作流。以如前所述的闭环方案为例，其典型的工作流主要包括两个操作、执行步骤：

（1）用户在体外机对历史时域数据进行操作。所述操作具体包括对所述时域数据进行打标分类、选定用于训练分类标准的数据集、启动训练、对训练好的分类标准进行验证、将验证达标的分类标准生效并保存至体外机或同步至前述植入体。

（2）在体外机或植入体执行已生效的分类标准，对植入体实时采集到的时域数据进行逐个任务窗口的独立分类，分类结果若满足刺激策略的预设条件，则通过通讯模块控制刺激模块启动刺激，否则不启动刺激，继续执行分类标准及刺激策略，直至闭环工作模式被终止。

第三方面，本发明提供了一种采用如前所述的时域数据的分类方法在植入式神经刺激中的应用。具体的，可以通过所述植入式刺激系统根据时域数据的分类结果闭环或开环选择相应的刺激策略，并通过刺激模块启动刺激。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的时域数据的分类方法的步骤。实际应用中，所述的计算机可读介质可以是上述所描述的系统中所包含的，也可以是单独存在的。计算机可读存储介质承载有一个或者多个程序，当一个或多个程序被执行时，实现所描述的分类方法。计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CDROM)、光存储器件、磁存储器件，或者上述的任意合适的组合，但不用于限制本申请保护的范围。

本发明的有益效果如下：

本发明的基于过零点系数的时域数据分类方法、植入式刺激系统，通过采用分类标准来区分脑电信号中的正常数据和癫痫发作前数据，运算分析过程计算量小，从而能够降低功耗，且癫痫预警准确率更高，能够提高闭环刺激的准确率，同时确保植入式神经刺激器的续航，减少对患者的二次伤害。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的植入式刺激系统的工作流程图。

图2a是正常脑电信号图。

图2b是癫痫发作前脑电信号图。

图3a是本发明ID03患者第一次癫痫发作采用幅度均值作为信号特征的脑电信号特征分布图。

图3b是本发明ID03患者第一次癫痫发作采用线长作为信号特征的脑电信号特征分布图。

图3c是本发明ID03患者第一次癫痫发作采用过零点系数作为信号特征的脑电信号特征分布图。

图4a是本发明ID03患者第二次癫痫发作采用幅度均值作为信号特征的脑电信号特征分布图。

图4b是本发明ID03患者第二次癫痫发作采用线长作为信号特征的脑电信号特征分布图。

图4c是本发明ID03患者第二次癫痫发作采用过零点系数作为信号特征的脑电信号特征分布图。

图5a是本发明ID01患者的实时脑电信号图。

图5b是本发明ID01患者的实时脑电信号的分类结果图。

图6a是本发明图5a中的第580-600个窗口的放大图。

图6b是本发明图6a中脑电信号的分类结果图。

图6c是本发明图6a中的刺激起效的结果图。

图7a是多通道采集脑电数据且采用幅度均值、线长、方差三者组合作为获取分类标准的信号特征的预警率统计图；

图7b是图7a中预警率的直方图；

图7c是多通道采集脑电数据且采用幅度均值、线长、方差三者组合作为获取分类标准的信号特征的误报率统计图；

图7d是图7c中误报率的直方图；

图8a是多通道采集脑电数据且采用幅度均值、线长、过零点系数三者组合作为获取分类标准的信号特征的预警率统计图；

图8b是图8a中预警率的直方图；

图8c是多通道采集脑电数据且采用幅度均值、线长、过零点系数三者组合作为获取分类标准的信号特征的误报率统计图；

图8d是图8c中误报率的直方图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

现以脑电数据为例，对时域数据的分类方法进行具体说明。

植入式闭环神经刺激是指植入式神经刺激器根据实时采集到的脑电数据，自适应地输出癫痫预警并启动电刺激的一种运算方法。也就是说，可以利用脑电数据的分类方法能够自动识别出患者目前所处的状态，判断出是癫痫发作前还是正常状态，从而自动采取相应的措施。在支持植入式闭环神经刺激的功耗、发热、算力等参数的基础上，研发一种脑电分类方法，以取得功耗和癫痫预警准确度之间的最佳匹配，对癫痫的预警和刺激尤为重要。

如图1所示，本案的脑电数据的分类方法包括以下步骤：步骤S1，对脑电的EEG原始数据进行处理；步骤S2，获取脑电数据的分类标准；步骤S3，根据所述分类标准对脑电数据进行分类。其中各步骤的具体操作可以但不限于通过以下方式实施。

步骤S1，对脑电的EEG原始数据进行处理。

所述对脑电的EEG原始数据进行处理包括：步骤S11，预处理，即对脑电的EEG原始数据进行预处理；步骤S12，多窗口划分，即将预处理后的数据划分成多个任务窗口；其中所述分类标准适于对各个任务窗口的数据进行独立分类。具体的，先采集目标对象在T时间内的脑电信号，对脑电信号进行预处理，得到脑电信号训练数据集P；将脑电信号训练数据集P分成正常脑电信号训练数据组A和发作前脑电信号训练数据组B。然后对正常脑电信号训练数据组A和发作前脑电信号训练数据组B分别进行多窗口划分，得到多个正常脑电信号训练数据片段A_i和多个发作前脑电信号训练数据片段B_i。

（1）步骤S11，预处理的具体过程如下：

在T时间内采集到的脑电信号是目标对象的原始脑电信号（即脑电的EEG原始数据，例如是脑电波）。原始脑电信号一般是时域数据，例如是电压值与时间的序列，电压值随时间的变化而变化。在本实施例中，T时间例如可以是10-40分钟。对原始的脑电信号进行预处理可以包括降噪处理和降采样处理等等，主要目的是为了提高脑电信号训练数据集P的信噪比及降低样本数量，可以降低后续运算处理的功耗。在本实施例中，将脑电信号训练数据集P分成正常脑电信号训练数据组A和发作前脑电信号训练数据组B可以由专家来进行标记分组，正常脑电信号训练数据组A内可以包括连续的或者不连续的正常的脑电信号，发作前脑电信号训练数据组B内可以包括连续的或者不连续的癫痫发作前的脑电信号。这里对脑电信号进行标记是为了后续训练分类器，能够提高训练的准确性。

（2）步骤S12，多窗口划分的具体过程如下：

脑电信号训练数据集P是一段时间序列，电压值按照时间顺序进行排列。对正常脑电信号训练数据组A和发作前脑电信号训练数据组B分别进行多窗口划分可以采用在时间序列上加滑动窗口的方式。例如，正常脑电信号训练数据组A内的时间参数范围为t₀-t_i，每一个时间参数均有其对应的电压值，假设正常脑电信号训练数据组A内的数据是从左往右排列的（当然也可以是从上往下排列，本实施例以从左往右排列为例来进行说明），滑动窗口可以是一个方框，滑动窗口的宽度可以根据实际需求进行设置，例如将滑动窗口宽度设置为1秒。进行多窗口划分时，首先将滑动窗口的左边对准正常脑电信号训练数据组A的t₀处，截取出t₀+（1秒）范围的时间序列，记为正常脑电信号训练数据片段A₁；然后将滑动窗口往右边移动，将滑动窗口的左边对准正常脑电信号训练数据组A₁的t₀+（1秒）处，截取出t₀+（1秒）至t₀+（2秒）范围的时间序列，记为正常脑电信号训练数据片段A₂，以此类推，直到滑动窗口的右边对准正常脑电信号训练数据组A的t_i处，截取出t_i-(1秒)范围的时间序列，记为正常脑电信号训练数据片段A_i，以此得到多个正常脑电信号训练数据片段。这种多窗口划分的方式为窗口不重叠的方式，也就是说，每一次滑动窗口内取出的数据是不重复的。

当然，多窗口划分也可以采用窗口部分重叠的方式，例如，首先将滑动窗口的左边对准正常脑电信号训练数据组A的t₀处，截取出t₀+（1秒）范围的时间序列，记为正常脑电信号训练数据片段A₁；然后将滑动窗口往右边移动，将滑动窗口的左边对准正常脑电信号训练数据组A的t₀+(0.5秒)处，截取出t0+（0.5秒）至t₀+(1.5秒)范围的时间序列，记为正常脑电信号训练数据片段A₂，也就是说，此时正常脑电信号训练数据片段A₂和正常脑电信号训练数据片段A₁之间有0.5秒范围的数据是重叠的，以此类推，最后一个正常脑电信号训练数据片段A_i和倒数第二个脑电信号训练数据片段A_i-1之间也是有0.5秒范围数据是重叠的，采用窗口部分重叠的方式可以进一步加快运算处理速度。对发作前脑电信号训练数据组B进行多窗口划分的过程和正常脑电信号训练数据组A相同，此处不再赘述。在本实施例中，滑动窗口的宽度例如可以设置为1-5秒，如果滑动窗口的宽度过大，每一次截取的数据量就过多，会导致处理灵敏度下降，如果滑动窗口的宽度过小，每一次截取的数据量就过少，无法反映出数据的特征，因此，需要合理地设置滑动窗口的宽度，保证既能够保留数据特征，又可以加快处理速度。

步骤S2，获取脑电数据的分类标准。

所述分类标准的信号特征包括过零点系数、幅度均值、线长中的一种或几种。在本案中可以单独使用过零点系数作为获取分类标准的信号特征，获取过零点系数的具体操作如下：

（1）计算每个正常脑电信号训练数据片段A_i的过零点系数，得到正常的过零点系数组；计算每个发作前脑电信号训练数据片段B_i的过零点系数，得到发作前的过零点系数组，由正常的过零点系数组和发作前的过零点系数组组成第一过零点系数集K。

需要说明的是，过零点系数为过零率的映射或过零数的映射；所述映射为具有正相关或负相关的映射函数；以及所述映射函数为线性或非线性的。过零点系数能够反映脑电信号训练数据片段内的数据值过零点的频次。根据脑电数据的过零点系数，可以区分出正常脑电数据和癫痫发作前脑电数据。请参考附图，图2a为正常的脑电数据图，图2b是患者癫痫发作前的脑电数据，观察图中5-6秒的区间，正常脑电数据有3次跨过零点，而癫痫发作前脑电数据有9次跨过零点，后者的脑电数据振荡更加活跃。在本实施例中，过零点系数是关于过零率（过零数）的函数，过零点系数可以与过零率呈正相关、负相关、线性相关或者非线性相关的变化关系。例如，过零点计算公式可以为C=1-sqrt(num{x(1:N-1).*x(2:N)<0}/(N-1))，N表示待处理的数据片段内有N个点，x(1:N-1)表示数据片段内的前N-1个点的数组，x(2:N)表示数据片段内的后N-1个点的数组，x(1:N-1).*x(2:N)表示两个数组之间进行点对点相乘，num{x(1:N-1).*x(2:N)<0}/(N-1)表示点对点相乘后的结果小于0的概率，即过零率。然后，再通过1-sqrt(num{x(1:N-1).*x(2:N)<0}/(N-1))处理，将过零率映射为取值范围在0-1之间的过零点系数。在该计算公式下，过零点系数越大，表明脑电数据振荡活跃程度越低，过零点系数越小，表明脑电数据振荡活跃程度越高。在本实施例中，每个正常脑电信号训练数据片段A_i和每个发作前脑电信号训练数据片段B_i均可以计算出一个过零点系数，从而得到第一过零点系数集K。

除了上述计算过零点系数的方法，还可以采用更简单的方法，即直接把过零率或过零数作为过零点系数以便更快地获取第一过零点系数及K。当然，从过零率或过零数到过零点系数的映射函数，会影响最终闭环刺激的准确率。因此，在实际确定过零点系数的计算方案时，需要结合刺激准确率和计算量进行优选。

（2）利用第一过零点系数集K对分类器进行训练，得到第一分类模型。

需要说明的是，第一过零点系数集K内的过零点系数均已经进行了分类，分类器可以采用LDA（Linear Discriminant Analysis，线性判别分析）分类器，本实施例将第一过零点系数集K内所有过零点系数输入LDA分类器中对LDA分类器进行训练，可以得到第一分类模型。该第一分类模型能够根据输入的过零点系数对脑电信号片段进行分类，例如，第一分类模型输出“1”表示该脑电信号片段为癫痫发作前状态，输出“0”表示该脑电信号片段为正常状态。也就是说，步骤S1-S2是利用已知状态的脑电信号对分类器进行训练的过程，为了得到第一分类模型。当然，脑电数据的分类标准还可以通过阈值判断、人工打标等方式获得。

步骤S3，根据所述分类标准对脑电数据进行分类（本案中也叫二分类）。

采集目标对象的实时脑电信号，在分类之前需要重复步骤S1，对实时脑电信号进行处理，包括预处理，得到脑电信号实时数据集R，对脑电信号实时数据集R进行多窗口划分，得到多个脑电信号实时数据片段R_i，计算每个脑电信号实时数据片段R_i的过零点系数，得到第二过零点系数集E；将第二过零点系数集E内的过零点系数输入第一分类模型中，得到每个脑电信号实时数据片段R_i的分类结果。

需要说明的是，步骤S3中的预处理和多窗口划分过程、过零点系数计算过程中均与步骤S2中的过程相同，只是脑电数据为患者的实时脑电数据，这是为了使得实时脑电信号的状态分类更加准确。步骤S3中计算得到的第二过零点系数集E中包含了多个脑电信号实时数据片段R_i的过零点系数，将这些过零点系数输入（例如可以是依次输入）第一分类模型中，第一分类模型即可判断出哪些过零点系数属于正常状态，哪些过零点系数属于癫痫发作前状态（病发前），以此对所有的脑电信号实时数据片段R_i进行了分类。

在本案中，也可以使用过零点系数与其他信号特征结合作为获取分类标准的信号特征，例如所述分类标准的信号特征可以由过零点系数、幅度均值和线长组成，其癫痫发作的检测准确率更高。如图1所示，过零点系数与其他信号特征结合作为分类标准的具体操作过如下：

（1）计算每个脑电信号训练数据片段P_i内数据的多个信号特征，得到第一信号特征数据集。

需要说明的是，多个信号特征是包括过零点系数、幅度均值及线长等信号特征，幅度均值是指脑电信号电压的幅度均值，线长是指将脑电信号波形曲线拉直以后的长度，线长越大，表明波形振荡的活跃程度越高。

（2）利用第一信号特征数据集对分类器进行训练，得到第二分类模型。

需要说明的是，在本步骤中，是将过零点系数和其他信号特征（例如幅度均值和线长）结合起来对分类器进行训练，训练过程和输出结果与步骤S3中的相同，例如，第二分类模型输出“1”表示该脑电信号片段为癫痫发作前状态，输出“0”表示该脑电信号片段为正常状态。

（3）采集目标对象的实时脑电信号，对实时脑电信号进行预处理，得到脑电信号实时数据集R，对脑电信号实时数据集R进行多窗口划分，得到多个脑电信号实时数据片段R_i，计算每个脑电信号实时数据片段R_i的过零点系数，得到第二过零点系数集E；并提取每个脑电信号实时数据片段R_i内数据的多个信号特征，得到第二信号特征数据集；将第二过零点系数集E内的过零点系数和第二信号特征数据集内的信号特征依次输入第二分类模型中，得到每个脑电信号实时数据片段R_i的分类结果。

需要说明的是，第二信号特征数据集包含的信号特征种类与第一信号特征数据集相同，例如均是幅度均值和/或线长，这样能够保证在实时脑电信号分类检测时结果的准确性。与第一分类模型不同的是，第二分类模型是结合过零点系数和多个信号特征进行综合判断的，将属于同一脑电信号实时数据片段R_i的过零点系数和多个信号特征同时输入第二分类模型中，通过过零点系数和信号特征的结合评价得出该脑电信号实时数据片段R_i的分类结果，这样能够进一步提高状态检测的准确性。

此外，脑电数据的分类方法在植入式神经刺激中的应用过程包括：根据步骤S1-S3中脑电数据的分类结果选择刺激策略，即根据每个脑电信号实时数据片段R_i的分类结果，输出癫痫预警信号和刺激指令。

需要说明的是，每一个脑电信号实时数据片段R_i都有其对应的分类结果，当连续M个脑电信号实时数据片段R_i的分类结果都为癫痫发作前状态时，认为目标对象处于癫痫发作前，需要启动预警，输出预警信号并发送刺激指令，对目标对象进行刺激。如果没有发现连续M个脑电信号实时数据片段R_i的分类结果都为癫痫发作前状态时，则不需要启动预警，系统继续监测目标对象的脑电信号。在本实施例中，M例如可以取10，但不限于此，也可以是其他数值，可以根据实际需求进行调整。假设滑动窗口的宽度为1秒，且采用不重叠的方式，那么连续10个脑电信号实时数据片段R_i的分类结果都为癫痫发作前状态也就是连续10秒脑电信号分类结果都为癫痫发作前状态。

下面结合具体的实施例来进行说明本案的脑电数据的分类方法及其效果。

实施例1

选择3个患者作为测试目标对象，分别记为ID01-ID03，每个患者各有两次癫痫发作，采集每个患者癫痫发作前至癫痫发作这段时间的任一通道的脑电的EEG原始数据进行处理，作为分类器的训练数据（共有6组数据）并获取各种不同的分类标准，单独选取过零点系数作为分类标准的信号特征对患者的实时脑电数据进行分类，并统计其分类的准确度。

实施例2

基于实施例1获取的分类标准，选取过零点系数、幅度均值和线长三者结合作为分类标准的信号特征对患者的实时脑电数据进行分类，并统计其分类的准确度。

对比例1

基于实施例1获取的分类标准，单独选取幅度均值作为分类标准的信号特征对患者的实时脑电数据进行分类，并统计其分类的准确度。

对比例2

基于实施例1获取的分类标准，单独选取线长作为分类标准的信号特征对患者的实时脑电数据进行分类，并统计其分类的准确度。

结果对比分析：

（1）单窗口的分类准确率对比

统计实施例1-2和对比例1-2的预测癫痫发作的脑电数据单窗口分类的准确度，其结果如下表1所示。

表1 单窗口的分类准确率

从表1中可知，采用过零点系数来分类脑电信号状态的准确率比单纯的采用幅度均值或者线长特征来分类脑电信号的准确率要高的多，例如，第一次发作中，采用过零点系数分类的准确率均值比采用幅度均值分类的准确率高22.7%，比采用线长分类的准确率高28.4%。并且，相比于单纯的采用过零点系数分类，将过零点系数、幅度均值及线长三种特征进行综合来分类的准确率可得到进一步提高，例如，第一次发作中，采用三者结合分类的准确率均值比仅采用过零点系数分类的准确率均值高7.8%，表明过零点系数在分类判断中提供了新的信息，例如患者ID03中，过零点系数可以区分出幅度均值和线长无法区分的数据，分类准确率达到100.0%，表明三个特征结合起来的冗余度较低，相比采用其中某一种特征进行分类，具有更高的准确度。然而，同时使用三个特征进行分类的计算复杂度也是最高的。在实际应用中，过零点系数结合其余二者之一的双特征方案，可兼顾分类准确度和计算复杂度。

图3a-图3c和图4a-图4c分别展示了患者ID03第一次发作和第二次发作时三种信号特征对应的脑电信号的特征曲线图；横坐标表示窗口索引，例如50表示第50个滑动窗口；纵坐标分别是不同的特征参数，实线表示正常状态（发作间期），虚线表示癫痫发作前的状态（发作前期）。可以发现，幅度均值特征曲线和线长特征曲线在正常状态和癫痫发作前的状态是有部分重叠的，有些部分更难以区分，而过零点系数特征曲线在正常状态和癫痫发作前的状态是完全分开的，两者很容易分辨，表明采用过零点系数能够更好地区分患者是否处于癫痫发作前状态。

采集患者ID01实时脑电信号（如图5a所示），从图5a中可以发现在虚线方框内的脑电信号活跃程度增加。对该实时脑电信号进行预处理、多窗口划分及多个信号特征计算，将多个信号特征（例如过零点系数、幅度均值及线长）输入第一分类模型中，可以得到患者ID01实时脑电信号的分类结果（如图5b所示），从图5b中可以发现，在第580-600个窗口之间有被连续标记为癫痫发作前状态“1”。图6a是图5a中的第580-600个窗口（虚线框内）的放大图，图6b（0-发作间期，1-发作前期）中在第590-600个窗口之间有连续10个片段被标记为“1”，也就是说在第590-600个窗口这个区间，被认为是患者ID01处于癫痫发作前状态，需要输出癫痫预警信号并实施刺激，请参考图6c（0-不刺激，1-启动刺激），在第600个窗口处，系统已经启动刺激，刺激结果为“1”。表明采用本方法，能够提高正常脑电数据和发作前脑电数据分类的准确性，从而提高癫痫预警及闭环刺激的准确率。

（2）验证通道适用性和可重复性

为了进一步说明本方案的优越性，本发明基于蒙特卡罗随机试验进行了对比验证。对比方案为采用幅度均值、线长及方差结合来进行分类，最终的预警准确率如图7a-图7d所示:对比方案中有20%以上的通道对癫痫发作的预警率≥95%，其中有15个通道的预警率=100%，97%以上通道的误报率≤0.0005％，有86个通道的误报率=0%。本技术方案采用幅度均值、线长及过零点系数结合来进行分类，最终的预警准确率如图8a-图8d所示：40%以上通道的预警率≥95％，有25个通道的预警率=100%，97%以上通道的误报率≤0.005％，有81个通道的误报率=0%。表明本案的脑电数据的分类方法对癫痫发作进行预警时，其预警率高的通道数量显著增加，即预警的准确度更高，其优越性得到验证。

（3）算法运算量对比

本发明提供的脑电数据的分类方法，算法简单，功耗低，发热量小，相比幅度均值或者线长，本方法的癫痫预警准确率更高。表2比较了其他特征与过零点系数计算复杂度的比较，N表示待处理的数据点数，从表2中可知过零点系数的复杂程度是更低的，计算量更低。

表2 算法运算量对比表

需要强调的是，以上实施例及其结果，均基于单通道EEG数据，以更简明地阐述本发明的技术方案。实际应用场景中，往往针对的是多通道的EEG数据，常见的处理方案有：（a）选用信号质量最优的通道，运行算法并输出预警结果；（b）求所有通道的平均，运行算法并输出预警结果；（c）各通道独立运行算法，综合各通道处理结果输出预警结果。

综上所述，本发明的基于过零点系数的时域数据分类方法、植入式刺激系统，通过采用过零点系数来区分脑电信号中的正常数据和癫痫发作前数据，计算量小，从而能够降低功耗，且癫痫预警准确率更高，确保植入式神经刺激器的续航，减少对患者的二次伤害。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要如权利要求范围来确定其技术性范围。

Claims (10)

1.一种时域数据的分类方法，其特征在于，包括：

获取时域数据的分类标准；

根据所述分类标准对时域数据进行分类。

2.如权利要求1所述的时域数据的分类方法，其特征在于，

所述分类标准的信号特征包括过零点系数或其与幅度均值、线长中的一种或几种结合。

3.如权利要求2所述的时域数据的分类方法，其特征在于，

所述分类标准的信号特征由过零点系数、幅度均值和线长组成。

4.如权利要求2或3所述的时域数据的分类方法，其特征在于，

所述过零点系数为过零率的映射或过零数的映射；

所述映射为具有正相关或负相关的映射函数；以及

所述映射函数为线性或非线性的。

5.如权利要求1所述的时域数据的分类方法，其特征在于，

所述时域数据为对原始数据进行处理后的数据；

所述处理包括：

预处理，即对原始数据进行预处理；

多窗口划分，即将预处理后的数据划分成多个任务窗口；其中

所述分类标准适于对各个任务窗口的数据进行独立分类；以及

所述多窗口划分包括窗口部分重叠或窗口不重叠。

6.如权利要求5所述的时域数据的分类方法，其特征在于，

所述原始数据为至少一个通道采集的数据；

分类结果包括：正常和病发前；

所述获取时域数据的分类标准包括训练分类器、阈值判断、人工打标中的一种或几种。

7.一种采用如权利要求1-6任一项所述的时域数据的分类方法进行神经刺激的植入式刺激系统，其特征在于，包括：

植入体；

体外机，用于执行所述时域数据的分类方法；

通讯模块，用于植入体与体外机之间信号传输；其中

所述植入体包括：

采集模块，用于采集时域数据，并通过通讯模块传输至体外机；

刺激模块，用于启动刺激。

8.如权利要求7所述的植入式刺激系统，其特征在于，

所述采集模块包括至少一个电极，用于采集原始数据。

9.一种如权利要求1-6任一项所述的时域数据的分类方法在植入式神经刺激中的应用。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的时域数据的分类方法的步骤。

Images