CN114027854A - 基于最优模板匹配和形态特征提取的bect棘波检测方法 - Google Patents
基于最优模板匹配和形态特征提取的bect棘波检测方法 Download PDFInfo
- Publication number
- CN114027854A CN114027854A CN202111452771.0A CN202111452771A CN114027854A CN 114027854 A CN114027854 A CN 114027854A CN 202111452771 A CN202111452771 A CN 202111452771A CN 114027854 A CN114027854 A CN 114027854A
- Authority
- CN
- China
- Prior art keywords
- spike
- template
- channel
- spikes
- detection
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 206010015037 epilepsy Diseases 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000001037 epileptic effect Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010001497 Agitation Diseases 0.000 description 1
- 206010070530 Benign rolandic epilepsy Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 206010061334 Partial seizures Diseases 0.000 description 1
- 208000004974 Rolandic Epilepsy Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 201000008916 benign epilepsy with centrotemporal spikes Diseases 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- 208000033205 childhood epilepsy with centrotemporal spikes Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 230000001787 epileptiform Effects 0.000 description 1
- 230000036749 excitatory postsynaptic potential Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 201000007186 focal epilepsy Diseases 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种基于最优模板匹配和形态特征提取的BECT棘波检测方法,主要分为以下步骤:(1)采集脑电信号(EEG),建立数据库;(2)EEG信号预处理:(3)通用模板匹配:使用一个固定的模板进行模板匹配;(4)棘波聚类检测:用K‑means聚类对通用模板匹配的结果进行聚类,然后把每个类的质心作为新的模板进行自适应模板匹配;(5)最优模板检测:采用PSO算法对通用模板的幅值和宽度进行联合优化,寻找最适合当前EEG数据的模板;(6)假阳性棘波消除:首先根据两个相关BP通道的“针锋相对”现象消除部分棘波,然后计算AV通道和BP通道棘波周围曲率值,基于曲率阈值和多通道的方法提取棘波形态特征进一步消除误检棘波,得到BECT棘波检测结果。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种基于最优模板匹配和形态特征提取的BECT棘波检测方法。
背景技术
儿童良性癫痫伴中央颞区棘波(Benign epilepsy with centro-temporalspikes,BECT)又称儿童良性Rolandic癫痫,是儿童最常见的局灶性癫痫,5-8岁是高峰发病期。在学龄儿童的癫痫中,本病约占15%~25%。越来越多的研究表明患有BECT的儿童在智力和心理等方面的表现比同龄人差。
脑电图(Electroencephalogram,EEG)是癫痫诊断和治疗效果评估过程中最重要的一项检查工具,蕴含了丰富的脑部电生理信息,对癫痫的临床诊断、病例分析和预后诊疗有重大意义。BECT患者脑电图放电波形及特点具有特征性。癫痫样放电多为棘波或棘慢波,放电主要分布于双侧中央-中颞区,同步或不同步出现,有时只出现于一侧。放电在清醒期相对较少,睡眠期放电明显增多。临床上,主要通过对棘波的检测与定量分析来确诊BECT患者。
棘波是由兴奋性突触后电位形成,是由一组神经元快速超同步去极化引起,反映了神经元的兴奋性异常增高。目前,医护人员对患者进行诊疗时,常需要了解癫痫患者的病史,这需要花费大量时间去询问患者情况并找到历史癫痫发作的脑电信号记录,从而对患者进行确诊。因此,对BECT患者的长程EEG信号中的棘波进行自动检测可以提高医生的诊断效率,减轻患者负担,在临床应用和理论研究领域都有广阔的发展前景。
到目前为止,已经有许多研究人员提出了不同的棘波自动检测算法,包括形态学滤波,聚类,时频分析,小波变换等。然而,不同患者或同一患者在不同时间的棘波形态差异很大,再加上EEG信号容易受到眼动,咀嚼,肌肉运动等的影响,形成较大的伪迹,对棘波自动检测的造成较大的干扰,检测结果还不够理想。其次,由于不同患者或同一患者在不同时间棘波形态特征的差异,使得上述棘波检测方法不能适应不同的EEG信号,进一步增加了自动检测的难度。
发明内容
针对现有技术中存在的问题,本发明提供了一种基于最优模板匹配和形态特征提取的BECT棘波检测方法,以提高BECT棘波的识别率。
为实现上述目的,本发明通过以下方案实现:
一种基于最优模板匹配和形态特征提取的BECT棘波检测方法,至少包括以下步骤:
步骤S1:采集EEG脑电信号;选取实验对象,采用国际10-20标准给患者佩戴脑电采集设备采集BECT患者的多通道脑电数据,建立实验数据库;
步骤S2:数据预处理;对采集到的原始EEG数据进行FIR带通滤波得到标准EEG信号;
步骤S3:通用模板匹配,先用一个固定参数的模板来进行模板匹配,模板宽度为300ms,幅值为300μV,通过计算模板与尖峰波形的相似度来从EEG信号中提取候选棘波;
步骤S4:棘波聚类检测;分为K-means聚类和自适应模板匹配两部分;首先采用K-means聚类方法对通用模板匹配的结果进行聚类,可以得到若干个类;然后统计每个类里候选棘波的数量,若该类里候选棘波数小于总候选棘波数的2%,则剔除这个类;最后把每个类的质心作为新的模板进行自适应模板匹配,将所有的匹配结果相加,可以进一步的从EEG信号中提取尖峰波形;然而,在这个过程中容易出现尖峰距离较近的候选棘波,当尖峰距离小于55ms时,则把这两个棘波合并为一个棘波;
步骤S5:最优模板匹配:分为优化通用模板和棘波聚类检测两部分;由于通用模板的不合适,可能导致模板并不能最优的从当前EEG信号中提取候选棘波,所以采用PSO算法来优化通用模板,动态寻找通用模板最优宽度和幅值;然后再进行聚类模板检测,尽可能的从EEG信号中提取棘波;
步骤S6:假阳性棘波消除,分为“针锋相对”和棘波形态特征提取两部分,首先根据AV通道脑电信号的候选棘波来确定每个候选棘波的两个相关BP通道,然后根据BP通道上的“针锋相对”现象消除部分误检棘波;然后计算AV通道和BP通道候选棘波周围的曲率,当超过某个曲率阈值时就判定为开始点或结束点,棘波左边第一个超过曲率阈值的点是棘波开始点,右边第一个超过曲率阈值的点是棘波结束点,进一步消除棘波宽度和幅值不符的假阳性棘波;在消除完假阳性棘波后,就得到了最终的BECT棘波检测结果。
作为进一步的改进方案,步骤S2中,使用1-40Hz的FIR带通滤波器来滤除噪声,减少伪迹。
作为进一步的改进方案,所述步骤S5进一步包括:
步骤S51,初始化模板参数和模板速度,以模板的宽度和幅值表示为模板参数,模板参数和模板速度都是二维的,用一批在范围内的随机数来初始化模板参数和速度;
步骤S52,将初始化完的模板应用到棘波聚类检测,基于检测结果计算Rse矩阵,Rse用来评估模板性能;
步骤S53,基于Rse矩阵计算pr*,gr*和gc*,pr*是Rse矩阵的第j列的最大元素值所在的行,gr*和gc*分别是Rse矩阵整体最大值所在的行和列;
作为进一步的改进方案,步骤S6中,在提取棘波形态特征时,先计算AV通道和BP通道候选棘波周围的曲率值,当超过曲率阈值时则认为是棘波放电开始点或结束点;在抓取到棘波开始点和结束点之后就可以提取棘波形态特征,计算其宽度和幅值就可以进一步消除误检棘波。
作为进一步的改进方案,步骤S6中,计算出AV通道和BP通道棘波开始点和结束点之后,由于AV通道棘波放电时,BP通道棘波也在放电,当两个BP通道棘波开始点或结束点与AV通道棘波开始点或结束点不一致时,考虑到多通道,调整AV通道棘波开始点或结束点与BP通道一致,提升AV通道棘波开始结束点判定准确度。
根据本发明的一实施例,步骤S1中的采样频率为1000Hz,并需要采集大量的脑电数据作为实验样本,实验体包括不同性别、不同年龄段的儿童患者。
根据本发明的一实施例,在进行自适应模板匹配的候选检测过程中,统计人工标记的棘波的上升沿斜率、下降沿斜率、幅值和持续时间等形态特征,建立模板。
与现有技术相比,本发明具有如下技术效果:
(1)本发明实时采集脑电信号,能及时检测到患者的棘波,且处理简单,成本低,易于普及,具有广泛的应用前景;
(2)采用自适应模板匹配的方法进行棘波聚类检测,可以检测到形态特征相近的多种棘波,尽可能的检测到棘波;
(3)采用PSO算法来优化模板,达到优化后的模板可以最佳的检测当前EEG信号棘波的效果。
(4)根据候选棘波在两个相关BP通道上的“针锋相对”现象,消除部分误检棘波;
(5)利用曲率阈值来计算AV通道和BP通道棘波的开始点和结束点,然后基于多通道进一步确定AV通道棘波,提取棘波形态,进一步消除误检棘波。
附图说明
图1为本发明基于最优模板匹配和形态特征提取的BECT棘波检测方法的总流程图。
图2为本发明脑部电极分布图。
图3为本发明利用PSO算法优化模板流程图。
图4为AV通道和BP通道棘波开始结束点提取图。
具体实施方式
脑电图是癫痫诊断、鉴别诊断和治疗效果评估过程中最重要的一项检查工具,其主要作用是识别记录过程中的癫痫样异常放电,包括棘波、尖波、棘慢波等波形。棘波是BECT的典型波形,为更好的分析癫痫疾病,需要对脑电信号进行棘波自动检测。由于不同患者或者同一患者在不同时间的棘波形态各异,导致现有的棘波检测方法运用到不同EEG信号上的效果不同,难以应用到临床上,从而影响医院脑电图师的工作效率,影响对癫痫疾病的研究。有鉴于此,本实施例提供一种基于最优模板匹配和形态特征提取的BECT棘波智能检测方法。
为了使本发明的目的、实现方案和创新点更加突出,以下参照附图并结合实施例对本发明做进一步的详细说明。
图1是本发明基于最优模板匹配和形态特征提取的BECT棘波智能检测方法总流程图,包括:
步骤S1:采集脑电信号:选取实验对象,使用国际10-20标准来给BECT患者佩戴脑电采集19通道AV导联脑电数据,建立实验数据库。
步骤S2:数据预处理:用FIR带通滤波器来对原始EEG信号进行滤波,去除基线漂移和高频噪声。
步骤S3:通用模板匹配:先用一个固定参数的模板来进行模板匹配,模板宽度为300ms,幅值为300μV,通过计算模板与尖峰波形的相似度来确定是否为候选棘波。
步骤S4:棘波聚类检测:分为K-means聚类和自适应模板匹配两部分。首先应用K-means聚类方法对通用模板匹配的结果进行聚类,可以得到若干个类;然后统计每个类里候选棘波的数量,若该类里候选棘波数小于总候选棘波数的2%,则剔除这个类;最后把每个类的质心作为新的模板进行自适应模板匹配,将所有的匹配结果相加,可以进一步的从EEG信号中提取尖峰波形。然而,在这个过程中容易出现尖峰距离较近的候选棘波,当尖峰距离小于55ms时,则把这两个棘波合并为一个棘波。
步骤S5:最优模板匹配:分为优化通用模板和棘波聚类检测两部分。由于通用模板的不合适,可能导致模板并不能最优的从当前EEG信号中提取候选棘波,所以利用PSO算法来优化通用模板,动态寻找通用模板最优宽度和幅值。然后再进行聚类模板检测,尽可能的提取候选棘波。
步骤S6:假阳性棘波消除,分为“针锋相对”和棘波形态特征提取两部分,首先根据AV通道脑电信号的候选棘波来确定每个候选棘波的两个相关BP通道,然后根据BP通道上的“针锋相对”现象消除部分误检棘波;然后计算AV通道和BP通道候选棘波周围的曲率,当超过某个曲率阈值时就判定为开始点或结束点,棘波左边第一个超过曲率阈值的点是棘波开始点,右边第一个超过曲率阈值的点是棘波结束点,进一步消除棘波宽度和幅值不符的假阳性棘波。
根据本发明的一实施例,在采用PSO算法优化模板进行最优模板检测的过程中,包括:
步骤S51,初始化模板参数和模板速度,以模板的宽度和幅值表示为模板参数,模板参数和模板速度都是二维的;第i次迭代的第j个模板的参数可表示为
Pi j=[W(i,j),H(i,j)] (1)
这里W(i,j)和H(i,j)(i∈{1,2,...,Imax},j∈{1,2,...,Nmax})分别是在第i次迭代的第j个模板的宽度和幅值,其中Imax和Nmax分别是最大迭代次数和最大模板数。第i次迭代的第j个模板的速度可表示为
这里的VW(i,j)和VH(i,j)分别是模板宽度和幅值变化的速度。首先,用四组随机数来初始化W(1,j),H(1,j),VW(1,j)和VH(1,j)的,其范围分别为[10,50],[50,800],[-2,2]和[-20,20];
步骤S52,将初始化完的模板应用到棘波聚类检测,计算Rse矩阵,Rse是用来评估模板性能的,其可以由下式获得
其中Ns表示真实棘波放电时刻的的数量,a(Pi j,k)可以通过比较真实棘波和以Pi j为模板参数进行棘波聚类检测的结果来获得。在第k次放电时,棘波可能出现在单通道或相邻多通道中,当在单通道或相邻多通道中检测到真实棘波时,a(Pi j,k)为1,否则为0;
步骤S53,基于Rse矩阵计算pr*,gr*和gc*,直到第i次迭代,pr是1到i之间的任意行,pr*是Rse矩阵的第j列的最大元素值所在的行,其可以由下式获得
其中S被定为S={1,2,...i}。gr和gc分别是S和Q范围内的任意行和任意列,其中Q被定为Q={1,2,...,Nmax},gr*和gc*可以由下式获得
其中ωmin和ωmax分别的值分别设置为0.4和0.8;
根据本发明的一实施例,在假阳性棘波消除的“针锋相对”部分,首先根据最优模板检测结果的平均参考(Average reference,AV)通道脑电信号来确定每个候选棘波的两个相关双极(Bipolar,BP)通道,然后根据BP通道上的“针锋相对”现象消除部分误检棘波。
根据本发明的一实施例,在假阳性棘波消除的形态特征选择部分,通过准确计算候选棘波的开始结束点,精确提取棘波形态特征,对棘波宽度和幅值不符的棘波进一步消除。在提取候选棘波的开始结束点时,计算AV通道和相关BP通道候选棘波周围200ms距离内的曲率值,先用曲率阈值的方法来确定AV通道和BP通道棘波的开始点和结束点,然后基于多通道的方法进一步确定AV通道棘波开始结束点。
以下结合图1至图4详细介绍本实施例提出的基于最优模板匹配和形态特征提取的BECT棘波智能检测方法。
本实施例提供的基于最优模板匹配和形态特征提取的BECT棘波智能检测方法始于步骤S1,在该步骤中使用多导脑电图仪采集患者长程监测脑电信号,采样频率为1000Hz,电极分布采用国际10-20脑电采集标准,共采集19通道脑电数据,电极分布如图2所示。由专业的脑电图师将脑电信号每个通道中的棘波波形标记出来。
之后执行步骤S2,对脑电进行预处理操作。采用FIR带通滤波器滤除40Hz以上、1Hz以下的频率分量,减少噪声和伪迹的干扰。
步骤S3将经过预处理操作后的EEG信号进行通用模板匹配得到初步的尖峰检测结果。
步骤S4先把通用模板匹配得到的结果聚类,剔除候选棘波数少于总候选棘波数2%的类,然后把剩余类的质心作为新的模板分别进行模板匹配,最后把所有的检测结果相加,得到棘波聚类检测的结果。
步骤S5将采用PSO算法对通用模板幅值和宽度进行联合优化,以下将结合图3和具体示例详细介绍通用模板优化方法。
步骤S51:首先用一组在范围内的随机数初始化一批模板参数和速度,模板参数为宽度和幅值二维参数;
步骤S52:用生成的模板进行模板匹配,用敏感度值来计算Rse矩阵;
步骤S53:基于Rse矩阵计算pr*,gr*和gc*,pr*代表模板的局部最优值所在的行,gr*表示所有模板的全局最优值所在的行,gc*表示模板全局最优值所在的列;
步骤S54:更新模板参数和速度,用局部最优值位置和全局最优值位置来更新模板参数,使得模板参数更适合当前EEG信号;
步骤S55:处理边界条件,判断新生成的模板参数和速度是否超出范围,若超出范围则在范围内随机生成一个模板;
步骤S56:判断是否达到最大迭代次数,若达到则输出全局最优值,为最优模板参数,否则重复步骤S52到步骤S55;
步骤S6进行假阳性棘波消除,分为“针锋相对”和形态特征提取两部分;出现在AV通道的真实棘波,在同一时刻BP通道棘波呈现“针锋相对”现象,将不满足此规则的棘波去除。以下将结合图4和具体示例详细介绍候选棘波形态特征提取方法。
当相邻AV通道C3-AV和P3-AV同时放电时,首先计算单通道棘波点周围200ms范围内的曲率,当超过曲率阈值时,在棘波点左边的则为棘波开始点,右边则为棘波结束点;如图4所示,直线为基于单通道判定的C3-AV棘波开始点,虚线为基于单通道判定的P3-AV棘波开始点,点线为基于单通道判定的棘波结束点;然后按曲率阈值的方法判定相关BP通道棘波开始结束点;两个BP通道棘波开始点都判定在虚线处,由于C3-AV和P3-AV是同时放电,考虑到多通道,则把C3-AV棘波开始点改为短线-点线处;准确判定棘波开始结束点之后,可以精确提取其宽度和幅值参数,对不满足条件的候选棘波剔除,得到最终的BECT棘波检测结果。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,因此,本发明将不会被限制于-本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于最优模板匹配和形态特征提取的BECT棘波检测方法,其特征在于,至少包括以下步骤:
步骤S1:采集EEG脑电信号;选取实验对象,采用国际10-20标准给患者佩戴脑电采集设备采集BECT患者的多通道脑电数据,建立实验数据库;
步骤S2:数据预处理;对采集到的原始EEG数据进行FIR带通滤波得到标准EEG信号;
步骤S3:通用模板匹配,先用一个固定参数的模板来进行模板匹配,模板宽度为300ms,幅值为300μV,通过计算模板与尖峰波形的相似度来从EEG信号中提取候选棘波;
步骤S4:棘波聚类检测;分为K-means聚类和自适应模板匹配两部分;首先采用K-means聚类方法对通用模板匹配的结果进行聚类,可以得到若干个类;然后统计每个类里候选棘波的数量,若该类里候选棘波数小于总候选棘波数的2%,则剔除这个类;最后把每个类的质心作为新的模板进行自适应模板匹配,将所有的匹配结果相加,可以进一步的从EEG信号中提取尖峰波形;然而,在这个过程中容易出现尖峰距离较近的候选棘波,当尖峰距离小于55ms时,则把这两个棘波合并为一个棘波;
步骤S5:最优模板匹配:分为优化通用模板和棘波聚类检测两部分;由于通用模板的不合适,可能导致模板并不能最优的从当前EEG信号中提取候选棘波,所以采用PSO算法来优化通用模板,动态寻找通用模板最优宽度和幅值;然后再进行聚类模板检测,尽可能的从EEG信号中提取棘波;
步骤S6:假阳性棘波消除,分为“针锋相对”和棘波形态特征提取两部分,首先根据AV通道脑电信号的候选棘波来确定每个候选棘波的两个相关BP通道,然后根据BP通道上的“针锋相对”现象消除部分误检棘波;然后计算AV通道和BP通道候选棘波周围的曲率,当超过某个曲率阈值时就判定为开始点或结束点,棘波左边第一个超过曲率阈值的点是棘波开始点,右边第一个超过曲率阈值的点是棘波结束点,进一步消除棘波宽度和幅值不符的假阳性棘波;在消除完假阳性棘波后,就得到了最终的BECT棘波检测结果。
2.根据权利要求1所述的基于最优模板匹配和形态特征提取的BECT棘波智能检测方法,其特征在于,步骤S2中,使用1-40Hz的FIR带通滤波器来滤除噪声,减少伪迹。
3.根据权利要求1所述的基于最优模板匹配和形态特征提取的BECT棘波智能检测方法,其特征在于,所述步骤S5进一步包括:
步骤S51,初始化模板参数和模板速度,以模板的宽度和幅值表示为模板参数,模板参数和模板速度都是二维的,用一批在范围内的随机数来初始化模板参数和速度;
步骤S52,将初始化完的模板应用到棘波聚类检测,基于检测结果计算Rse矩阵,Rse用来评估模板性能;
步骤S53,基于Rse矩阵计算pr*,gr*和gc*,pr*是Rse矩阵的第j列的最大元素值所在的行,gr*和gc*分别是Rse矩阵整体最大值所在的行和列;
4.根据权利要求1所述的基于最优模板匹配和形态特征提取的BECT棘波智能检测方法,其特征在于,步骤S6中,在提取棘波形态特征时,先计算AV通道和BP通道候选棘波周围的曲率值,当超过曲率阈值时则认为是棘波放电开始点或结束点;在抓取到棘波开始点和结束点之后就可以提取棘波形态特征,计算其宽度和幅值就可以进一步消除误检棘波。
5.根据权利要求1所述的基于最优模板匹配和形态特征提取的BECT棘波智能检测方法,其特征在于,步骤S6中,计算出AV通道和BP通道棘波开始点和结束点之后,由于AV通道棘波放电时,BP通道棘波也在放电,当两个BP通道棘波开始点或结束点与AV通道棘波开始点或结束点不一致时,考虑到多通道,调整AV通道棘波开始点或结束点与BP通道一致,提升AV通道棘波开始结束点判定准确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111452771.0A CN114027854A (zh) | 2021-12-01 | 2021-12-01 | 基于最优模板匹配和形态特征提取的bect棘波检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111452771.0A CN114027854A (zh) | 2021-12-01 | 2021-12-01 | 基于最优模板匹配和形态特征提取的bect棘波检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114027854A true CN114027854A (zh) | 2022-02-11 |
Family
ID=80139433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111452771.0A Pending CN114027854A (zh) | 2021-12-01 | 2021-12-01 | 基于最优模板匹配和形态特征提取的bect棘波检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114027854A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361135A (zh) * | 2014-12-11 | 2015-02-18 | 浪潮电子信息产业股份有限公司 | 一种图像检索方法 |
CN104915969A (zh) * | 2015-05-21 | 2015-09-16 | 云南大学 | 一种基于粒子群优化的模版匹配跟踪方法 |
CN105067641A (zh) * | 2015-07-16 | 2015-11-18 | 东华大学 | 基于模板粒子群寻优的复杂体异物的微波检测系统 |
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 |
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 |
-
2021
- 2021-12-01 CN CN202111452771.0A patent/CN114027854A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361135A (zh) * | 2014-12-11 | 2015-02-18 | 浪潮电子信息产业股份有限公司 | 一种图像检索方法 |
CN104915969A (zh) * | 2015-05-21 | 2015-09-16 | 云南大学 | 一种基于粒子群优化的模版匹配跟踪方法 |
CN105067641A (zh) * | 2015-07-16 | 2015-11-18 | 东华大学 | 基于模板粒子群寻优的复杂体异物的微波检测系统 |
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110811609B (zh) | 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装置 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
Fang et al. | Human identification by quantifying similarity and dissimilarity in electrocardiogram phase space | |
CN103714281B (zh) | 一种基于心电信号的身份识别方法 | |
US9326698B2 (en) | Method for automatic, unsupervised classification of high-frequency oscillations in physiological recordings | |
CN111772585B (zh) | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 | |
WO2013063053A1 (en) | Method of building classifiers for real-time classification of neurological states | |
CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
CN107595276B (zh) | 一种基于单导联心电信号时频特征的房颤检测方法 | |
CN115486855B (zh) | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 | |
CN111329455A (zh) | 一种非接触式的心血管健康评估方法 | |
CN112971795B (zh) | 心电信号质量评估方法 | |
CN114532993A (zh) | 一种癫痫患者脑电高频振荡信号的自动检测方法 | |
Yang et al. | Heartbeat classification using discrete wavelet transform and kernel principal component analysis | |
CN111643076A (zh) | 一种基于多通道脑电信号的bect棘波智能检测方法 | |
Slama et al. | Application of statistical features and multilayer neural network to automatic diagnosis of arrhythmia by ECG signals | |
CN111832537A (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
CN115486854A (zh) | 一种针对干电极采集的单导联心电图室性早搏识别方法 | |
CN113662558B (zh) | 一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法 | |
CN114587381A (zh) | 基于多通道脑电智能筛选与加权样本生成的棘波检测方法 | |
Senapati et al. | Cardiac arrhythmia classification of ECG signal using morphology and heart beat rate | |
CN111887811B (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
Wu et al. | BECT spike detection algorithm based on optimal template matching and morphological feature selection |
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 |