CN114159076B - 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 - Google Patents
用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 Download PDFInfo
- Publication number
- CN114159076B CN114159076B CN202111089923.5A CN202111089923A CN114159076B CN 114159076 B CN114159076 B CN 114159076B CN 202111089923 A CN202111089923 A CN 202111089923A CN 114159076 B CN114159076 B CN 114159076B
- Authority
- CN
- China
- Prior art keywords
- hfos
- signal
- electroencephalogram
- frequency
- time
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000010355 oscillation Effects 0.000 title claims abstract description 41
- 230000001037 epileptic effect Effects 0.000 title claims abstract description 34
- 239000012634 fragment Substances 0.000 claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 63
- 238000010586 diagram Methods 0.000 claims description 49
- 238000001914 filtration Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 238000013136 deep learning model Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 2
- 230000003321 amplification Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 206010010904 Convulsion Diseases 0.000 description 7
- 206010015037 epilepsy Diseases 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012274 Preoperative evaluation Methods 0.000 description 3
- 230000002397 epileptogenic effect Effects 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000001961 anticonvulsive agent Substances 0.000 description 1
- 229960003965 antiepileptics Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 210000002105 tongue Anatomy 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
- A61B5/40—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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/31—Programming languages or programming paradigms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Neurology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Neurosurgery (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Psychology (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明为用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统,该检测系统包括脑电信号采集部分和用于癫痫灶定位的SEEG高频振荡信号自动检测平台;所述脑电信号采集部分用于采集脑电信号并将数据导入SEEG高频振荡信号自动检测平台;SEEG高频振荡信号自动检测平台能够通过深度学习算法判定片段是否含HFOs,输入深度学习算法前要对片段位置进行记录,深度学习算法输出后能记录判定为HFOs片段的片段位置,并将该位置进行突出显示。可以帮助医护人员快速寻找出癫痫患者的SEEG中高频振荡信号出现的位置,将枯燥、耗时、主观性强的工作交于计算机去完成,为下一阶段癫痫灶的定位做准备。
Description
技术领域
本发明涉及癫痫灶定位技术与深度学习技术,特别是一种用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统。
背景技术
癫痫是由大脑神经元异常放电而导致的大脑功能障碍,是一种全世界范围内影响广泛的神经系统疾病。癫痫发作的症状为:四肢抽搐、身体僵直、口吐白沫、神智昏迷等,较为严重时也会有咬伤唇舌的可能,部分重症患者还会表现出认知障碍和智力下降的症状。癫痫发作不受时间、地点与自我控制,因此癫痫患者为了保障生命安全必须远离某些活动,如驾驶、游泳等。癫痫患者在工作与生活中也容易受到歧视,给患者造成精神上的伤害。根据癫痫的病因及分类,合理规范的抗癫痫药物治疗可以使70%的患者癫痫发作得以控制,然而仍有30%的癫痫患者药物治疗效果不佳,成为药物难治性癫痫,需进行致痫灶切除手术,因此,致痫灶的准确定位对患者来说十分重要。
脑电信号中的高频振荡信号(high frequency oscillations,HFOs)是指频率在80~500Hz的所有生理性和病理性振荡活动。近年来,研究发现脑电信号中的HFOs可以作为致痫灶的可靠标志物,病理性HFOs通常起源于致痫灶附近,在发作前期、发作间期与发作期均有很高的出现率,可指导手术切除致痫灶范围。然而,现阶段HFOs的寻找大多靠人工来完成,这需要经验丰富的医生逐帧观察记录患者多天的脑电数据,这是一项耗时、枯燥且主观性较强的工作,使用计算机代替人工去完成这项工作已经成为临床医生的迫切需求。
虽然目前已经有很多算法用于癫痫灶的定位,但准确率仍然较低,同时无法单纯地依靠HFOs的数量判断癫痫灶的位置。因为可信度低,所以无法用于临床指导医生进行癫痫灶切除手术,临床中仍然需要经验丰富的医生综合多种手段确定癫痫灶,而医生迫切需要的,其实是一个能够快速帮助医生找到HFOs位置的系统,方便医生对该信号片段进行查看和分析,辅助医生进行癫痫灶定位,而不是完全代替医生做出决策。
发明内容
针对以上需求和科技发展现状,本发明拟解决的技术问题是,提供一种用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统。该系统能实现对用于癫痫灶定位的SEEG(立体定向脑电图(stereo electroencephalography))高频振荡信号的自动检测,其目的是代替医生进行SEEG中HFOs的查找,辅助进行癫痫灶的定位。
本发明解决所述技术问题采用的技术方案是:
一种用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统,该检测系统包括脑电信号采集部分和用于癫痫灶定位的SEEG高频振荡信号自动检测平台;所述脑电信号采集部分任务是采集脑电信号并将数据导入SEEG高频振荡信号自动检测平台;
SEEG高频振荡信号自动检测平台能够通过深度学习算法判定片段是否含HFOs,输入深度学习算法前要对片段位置进行记录,深度学习算法输出后能记录判定为HFOs片段的片段位置,并将该位置进行突出显示。
SEEG高频振荡信号自动检测平台还能够对整个输入数据中各通道信号片段中属于HFOs片段的数量进行统计,并根据统计的数量大小和相应的颜色阈值进行比较,使其显示不同的颜色。
为防止界面卡顿,提高用户体验,SEEG高频振荡信号自动检测平台将用户界面和后台处理程序分为两个线程。所述用户界面提供用户交互,方便用户下达指令和查看处理结果,包括原始信号与滤波信号的显示、HFOs片段位置与各通道HFOs片段数量的显示、功率谱显示、时频图显示;所述后台处理程序接收用户指令,将计算结果返回用户界面进行显示,包括EDF文件读取程序、FIR滤波程序、功率谱计算程序、小波变换程序、HFOs检测程序;其中EDF文件读取程序用以提取EDF文件中的脑电信号时间-幅值数据、采样频率、通道数、事件等有用信息;FIR滤波程序使用带通滤波器去除脑电信号中指定频率范围之外的频率分量影响;功率谱计算程序将信号幅度随时间变化的时域特征转化为功率随频率变化的频域特征,方便用户分析脑电信号的频域信息;小波变换程序可以计算出在脑电信号的每个时间点包含哪些频率成分,方便用户分析脑电信号的时频信息;HFOs检测程序调用已经训练完成的深度学习模型进行HFOs片段与普通信号片段的判断。
主线程负责与用户的交互,进行高频振荡信号检测结果的呈现、脑电分析方法的选择和分析结果的呈现;子线程负责调用深度学习模型对SEEG中的高频振荡信号进行检测、接收主线程指令和调用数据分析算法对SEEG数据进行处理并将结果返回到主线程。
与现有技术相比,本发明的有益效果是:
本发明SEEG高频振荡信号自动检测平台会标记出所有HFOs片段,代替医生完成HFOs查找的工作,帮助医生快速锁定HFOs出现的位置,并辅助医生对这些信号进行进一步分析,解决了人工进行HFOs查找时面临的耗时、主观性强、经验导向的问题,可以使医护人员脱离枯燥、重复的工作,实现脑电图高效、客观、自动化的HFOs检测。
本发明SEEG高频振荡信号自动检测平台会显示出所有通道信号的时序图,并用红色背景标记出HFOs片段出现的位置,用户可以通过右键拖拽选择框方便快捷地对任意位置、任意大小的信号片段进行时频分析或功率谱密度计算。此外,该平台还提供滤波、各通道HFOs片段数量统计等功能,方便与用户对信号进行分析和对可能是癫痫灶的通道进行提示。
本发明系统用深度学习技术判断信号片段是否是HFOs片段,进而记录HFOs片段出现的位置,标记HFOs片段,能快速锁定HFOs出现的位置,辅助医生对该信号片段进行查看和进一步分析,并最终根据医生自己的判断定位癫痫灶的位置。SEEG是一种微创性检测技术,常用于癫痫灶定位检查技术,通过置于脑实质表面和深部的电极,对癫痫放电的起源、传播形式进行记录,从时间上与空间上对癫痫灶进行定位评估,具有微创、精确、可检测范围广、减少功能区损伤、减小病人痛苦等优点。
附图说明
图1为本发明用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统结构示意图;
图2为脑电采集手术流程图;
图3为本发明的主要功能模块;
图4为本发明主线程流程图;
图5为本发明主线程中其他指令程序功能图;
图6为本发明子线程流程图;
图7为本发明一种实施例的深度学习模型的网络结构图;
图8为本发明脑电图绘制界面展示图;
图9为本发明数据分析结果展示图;
图10为本发明各通道HFOs片段数量统计界面展示图;
图中:
1、脑电信号采集部分;2、SEEG高频振荡信号自动检测平台;3、主线程;4、子线程;5、术前评估;6、制定电极计划;7、植入电极;8、脑电信号记录;9、信号预处理;10、导出EDF文件;11、EDF文件读取;12、HFOs检测;13、数据分析;14、可视化;15、EDF文件读取程序;16、功率谱计算和时频图分析程序;17、滤波程序;18、其他指令程序;19、删除信号片段选择框、功率谱、时频图;20、控制脑电图沿X/Y轴放大或缩小;21、改变功率谱/时频图位置;22、控制功率谱/时频图放大或缩小;23、显示HFOs片段位置;24、控制各通道曲线在Y轴方向的伸缩;25、脑电图左/右翻一页;26、脑电图向左/右翻1/10页;27、初始化任务;28、EDF文件读取任务;29、HFOs检测任务;30、功率谱计算任务;31、时频分析任务;32、滤波任务;33、脑电图绘制界面;34、界面切换选项卡;35、功率谱密度按钮;36、时频图按钮;37、功率谱绘制界面;38、时频图绘制界面;39、信号片段选择框。
具体实施方式
下面结合附图及实施例对本发明的用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统及其内部的深度学习算法加以说明。
本发明用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统的设计思想是:如图1所示,首先进行脑电信号采集,获取脑电数据,然后将数据导入用于癫痫灶定位的SEEG高频振荡信号自动检测平台2,平台内部调用深度学习模型进行HFOs自动检测,调用MNE-Python工具库中的函数进行滤波、小波变换等算法,用来对脑电信号进行辅助分析。为防止软件卡顿,提高用户体验,本系统由主线程与子线程两个线程组成,由主线程3控制用户界面的显示,负责与用户的交互,获取用户指令和显示数据处理结果,由子线程4运行后台处理程序,根据主程序发送的任务进行相应计算,并把计算结果发送到主线程。本平台代码主要由C++语言编写,以提高代码运行速度,部分代码则是由Python语言编写,以调用优秀的库函数进行数据处理,提高开发速度。
所述脑电信号采集部分1:如图2所示,首先需要对癫痫患者进行头皮长程视频脑电监测、头颅磁共振等检查进行详尽的术前评估5,然后根据患者的术前评估结果制定SEEG电极的植入方案,即制定电极计划6,由医生在医疗器械辅助下给患者植入电极7,由视频监测发作临床表现,电极同步记录脑电信号8,由脑电信号采集装置附带的软件对信号进行信号预处理9以去除眼电与噪声的影响,最后导出EDF文件10。该部分内容可参照现有技术实现。
所述SEEG高频振荡信号自动检测平台2的主要功能是:如图3所示,包括EDF读取11、HFOs检测12、数据分析13及可视化14。其中EDF读取11包括信号频率提取、脑电图通道数量提取、原信号数据提取;
HFOs检测12包括信号片段分类、HFOs片段位置记录、HFOs片段数量统计,信号片段分类通过智能算法将信号片段分为普通信号片段与HFOs片段;HFOs片段位置记录的作用是记录下被判断为HFOs片段的信号片段起始时间与所在通道信息,用于之后HFOs片段标记;HFOs片段数量统计的作用是统计各通道中HFOs片段的总数量;
数据分析13用于后期医生对某个片段进行回看分析,包括滤波、时频分析、功率谱计算;可视化6包括脑电图显示、HFOs片段标记、HFOs片段数量显示、功率谱密度显示、时频图显示、任务进度显示,其中HFOs片段标记效果为在脑电图中标记出HFOs片段的位置,使用户可以快速找到这些片段,进而对其中信号进行分析,HFOs片段数量显示作用为显示出各通道中HFOs片段的总数量,HFOs片段数量较多的通道有很大概率为癫痫灶,应为用户重点关注的对象。
所述主线程3的流程为:如图4所示,进入程序后会先创建一个子线程,并向子线程发送初始化任务,进入开机界面等待初始化任务完成,之后等待用户指令。用户指令主要包括EDF文件读取、功率谱计算和时频分析、滤波和其他指令等程序。其中:EDF文件读取程序15需要用户选择EDF文件位置,之后主线程向子线程发送EDF文件读取任务,任务进度显示区显示文件读取进度,文件读取完成后根据提取到的原信号数据绘制脑电图的时序图;功率谱计算和时频分析程序16(包括功率谱计算程序和小波变换程序,分别对应功率谱密度按钮35和时频图按钮36,通过判断哪个按钮按下确定执行哪个程序)需要用户右键拖动鼠标选择信号片段,若之前未读入EDF文件,则不进行任何操作,若EDF文件已读入即文件读取任务已完成,则根据所拖动的信号片段数据重绘选择框使其完美包围该信号片段(重绘会调整选择框的上底和下底,使上底刚好为信号最高峰值,下底为最低峰值),然后再判断用户界面的功率谱密度按钮35是否按下,若已按下,则向子线程发送功率谱密度计算任务后再判断用户界面的时频图按钮是否按下,否则直接继续判断用户界面的时频图按钮36是否按下,如果按下则主程序向子程序发送时频分析任务,相应任务完成后根据子线程传递的数据绘制功率谱或/和时频图;滤波程序17需要用户输入滤波频率范围,之后主程序向子线程发送滤波任务,待滤波完成后根据滤波后的数据重绘脑电图的时序图。
所述主线程流程图中其他指令程序18为:如图5所示,在当前界面显示功率谱或时频图时,接收到鼠标左键信号后,判断鼠标位置是否在功率谱与时频图外部,当鼠标位置在功率谱与时频图外部时,隐藏信号片段选择框对象、功率谱画布与时频图画布,达到删除信号片段选择框、功率谱与时频图19的效果;当脑电图画布接收到鼠标滚轮滚动事件后,判断鼠标位置是否在坐标轴附近(鼠标需要指在坐标轴上,或偏上或偏下一点均可),当鼠标在X轴或Y轴附近时,对X轴或Y轴坐标进行拉伸或收缩20;当在功率谱或时频图中按下鼠标左键时,记录当前鼠标位置与功率谱或时频图坐标的距离,按住鼠标左键拖动时,实时改变功率谱或时频图的坐标以保持其与鼠标位置的距离不变,改变功率谱/时频图位置21,以实现功率谱或时频图位置的改变;当在功率谱或时频图中滚动鼠标滑轮时,控制功率谱或时频图画布的宽度与高度成比例增加或缩小,进而控制功率谱/时频图放大或缩小22,以实现功率谱或时频图的放大或缩小;选中“显示标签”按钮后,从存放HFOs片段位置的HFOs位置容器中依次取出HFOs片段出现的时间点,在该时间点与对应通道处绘制长度为200ms,宽度为100ms,背景色为红色的矩形,以标注HFOs片段位置,显示HFOs片段位置23;在修改比例输入框中输入完成后,控制各通道曲线在Y轴方向的伸缩24,按比例修改保存脑电信号的脑电幅值容器中每个采样点的幅值,以修改各通道曲线在Y轴方向的伸缩;为减少占用的内存空间,本平台中采用动态加载的方式绘制脑电图,即脑电图中所显示的曲线只加载当前页与前后两页的数据,当点击“《”、“》”、“<”或“>”按钮时,控制脑电图X轴坐标移动1页的距离或1/10页的距离,即分别实现脑电图左/右翻一页25和脑电图向左/右翻1/10页26,同时更新脑电图所显示的曲线数据。
所述子线程4的流程为:如图6所示,当子线程被创建后,不断检测是否出现新任务。当从主线程接收到初始化任务27后,该子线程会加载指定的Python脚本文件,并加载文件中指定函数的地址,加载过程中导入已经训练完成的深度学习模型,加载完成后向主线程发送初始化完成信号;当从主线程接收到EDF文件读取任务28后,子线程将EDF文件位置发送给Python脚本中负责加载文件的函数,调用MNE-Python工具库对EDF文件进行解析,提取其中的频率、通道数量与脑电图原信号,并传送到C++语言创建的变量与脑电幅值容器中,之后向主线程发送文件读取完成信号,并向自己发布HFOs检测任务;当接收到由自己发送的HFOs检测任务29后,对各通道信号使用滑窗进行分段,由于脑电中HFOs持续时间通常为30~100ms,故设窗口大小为200ms,步进距离为100ms,然后调用已经加载的深度学习模型对每个信号片段进行二分类,分别对应HFOs片段与普通信号片段,记录每个HFOs片段所在的时间点,并统计HFOs片段数量,分类完成后向主线程发送HFOs检测完成信号;
当从主线程接收到功率谱计算任务30后,调用MNE-Python工具库中的psd_welch函数计算所选片段的功率谱,该函数利用welch方法提取功率谱密度,将计算后得到的频率点数组与对应的信号功率数组存入C++语言创建的频率-功率容器中,之后向主线程发送功率谱计算完成信号;
当从主线程接收到时频分析任务31后,调用PyWavelets工具库对所选片段进行连续小波变换,将计算得到的时间点数组、频率点数组与对应的小波系数数组存入C++语言创建的时间频率-小波系数容器中,之后向主线程发送时频分析完成信号;
当从主线程接收到滤波任务32后,调用MNE-Python工具库根据输入的滤波范围对原始信号进行FIR滤波,存储脑电信号的脑电幅值容器中的数据更新为滤波后的数据,之后向主线程发送滤波完成信号。
容器可以看作是一个数组,根据存的内容不同分为了HFOs位置容器、脑电幅值容器、频率-功率容器、时间频率-小波变换容器。
在主线程和子线程设置好后,分析某个数据鼠标拖动一下就可以,内部找到那个片段的数据,再调库,完成相应的任务。
本发明优选地深度学习模型的网络结构为:如图7所示,输入信号为400x2的二维脑电信号,其中第一维为使用滤波范围为80-500Hz的带通滤波器滤波后的脑电信号,第二维为使用滤波范围为0-80Hz的低通滤波器滤波后的脑电信号,根据两种信号的特点,采用不同的特征提取方式。其中第一维的脑电信号先使用1x1卷积核进行卷积,卷积核数量为8个,对数据进行升维,接着采用1x3与1x5的空洞卷积扩大感受野,之后经过池化层、卷积层、池化层完成第一维脑电信号中特征的初步提取;第二维的脑电信号经过两次卷积与池化完成其特征的初步提取;之后,将两个维度提取的特征融合到全连接层,之后再经过两个全连接层,最后由输出层输出该脑电信号片段是普通信号片段还是HFOs片段。其中使用LeakyReLU函数作为神经元的激活函数,其负方向的斜率可以防止神经元节点死亡,在全连接层中都使用dropout规则,在训练过程中使神经元节点随机失活,以提高网络的泛化能力,防止过拟合,最后一层输出层是Softmax层。由于信号片段的分拣是一种主观性较强的工作,所以本深度学习网络制作数据集时,由两人通过滤波、时频分析等数据分析手段对同一组信号进行分类(分为HFOs片段与普通信号片段),并将意见不同的信号片段剔除,尽量减少判断错误导致数据集中错误的标签过多,影响深度学习模型实际的准确率。之后将分类结果相同的信号片段分别使用80-500Hz与0-80Hz的滤波器进行滤波后制作为数据集,当数据集足够庞大后,将其放入图7所示的深度学习网络进行网络训练,训练完成后导出深度学习模型,供SEEG高频振荡信号平台使用。本发明深度学习模型输入信号是对原信号分别进行80-500Hz与0-80Hz滤波后产生的拼接信号。这是因为HFOs信号频率范围为80-500Hz,对原信号进行80-500Hz滤波可以消除低频脑电信号和高频噪声的影响;而80Hz一下的低频脑电信号中也会携带HFOs的部分信息,所以对原信号进行0-80Hz滤波,单独分析其内部特征,提高了模型的可靠性。
图8、图9、图10为该系统的部分功能展示,其中:图8中,脑电图绘制界面33绘制原始脑电信号或滤波后的脑电信号,X轴为时间轴,Y轴显示每个信号通道的名称,红色标记部分为检测到的HFOs片段,界面切换选项卡34可以切换脑电图绘制界面33与各通道HFOs片段数量统计界面。
图9中,功率谱绘制界面37用于绘制功率谱密度,时频图绘制界面38用于绘制小波时频图,信号片段选择框39用于表示用户正在分析的信号片段。
图10为各通道HFOs片段数量统计界面,在计算过程中,统计所有通道中HFOs片段数量的最大值,对于HFOs片段数量高于2/3最大值的通道,在HFOs片段数量显示框处设置红色背景,对于HFOs片段数量在1/3~2/3最大值的通道,在HFOs片段数量显示框处设置黄色背景,方便用户迅速查找有用通道。这里以HFOs片段数量(HFOs片段更强调这是一个片段,HFOs更强调信号中是否含有高频振荡信号成分)的最大值的2/3作为标记红色的颜色阈值,以HFOs片段数量的最大值的1/3作为标记黄色的颜色阈值,当HFOs片段数量超过标记红色的颜色阈值,则在HFOs片段数量显示框处设置为红色背景,当HFOs片段数量介于标记红色的颜色阈值和标记黄色的颜色阈值之间,则在HFOs片段数量显示框处设置为黄色背景。
本申请的核心创新点是帮助医生快速锁定HFOs出现的位置,同时给出了一种集滤波、时频分析和功率谱计算功能于一体的自动检测系统,操作方便,更能满足目前的临床需求,本申请平台中只需要右键拖拽一个方框,即可对其中的信号片段进行时频分析与功率谱密度进行计算,简化了医生的操作难度。
以上所述仅为本发明的实施例,并非对本发明的技术范围做任何限制,固凡是利用本发明说明书及附图所做的任何细微修改、等效转换,均包括在本发明的保护范围内。
本发明未述及之处适用于现有技术。
Claims (2)
1.一种用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统,该检测系统包括脑电信号采集部分和用于癫痫灶定位的SEEG高频振荡信号自动检测平台;所述脑电信号采集部分用于采集脑电信号并将数据导入SEEG高频振荡信号自动检测平台;
SEEG高频振荡信号自动检测平台能够通过深度学习算法判定片段是否含HFOs,输入深度学习算法前要对片段位置进行记录,深度学习算法输出后能记录判定为HFOs片段的片段位置,并将该位置进行突出显示;
SEEG高频振荡信号自动检测平台还能够对整个输入数据中各通道信号片段中属于HFOs片段的数量进行统计,并根据统计的数量大小和相应的颜色阈值进行比较,使其显示不同的颜色;
统计所有通道中HFOs片段数量的最大值,对于HFOs片段数量高于2/3最大值的通道,在HFOs片段数量显示框处设置红色背景,对于HFOs片段数量在1/3~2/3最大值的通道,在HFOs片段数量显示框处设置黄色背景,方便用户迅速查找有用通道;
深度学习模型的网络结构为:输入信号为400x2的二维脑电信号,其中第一维为使用滤波范围为80-500Hz的带通滤波器滤波后的脑电信号,第二维为使用滤波范围为0-80Hz的低通滤波器滤波后的脑电信号,根据两种信号的特点,采用不同的特征提取方式;其中第一维的脑电信号先使用1x1卷积核进行卷积,卷积核数量为8个,对数据进行升维,接着采用1x3与1x5的空洞卷积扩大感受野,之后经过池化层、卷积层、池化层完成第一维脑电信号中特征的初步提取;第二维的脑电信号经过两次卷积与池化完成其特征的初步提取;之后,将两个维度提取的特征融合到全连接层,之后再经过两个全连接层,最后由输出层输出该脑电信号片段是普通信号片段还是HFOs片段;
其中使用Leaky ReLU函数作为神经元的激活函数,在全连接层中都使用dropout规则,最后一层输出层是Softmax层;
所述SEEG高频振荡信号自动检测平台内部调用深度学习模型进行HFOs自动检测,调用MNE-Python工具库中的函数进行滤波、小波变换处理,由主线程控制用户界面的显示,负责与用户的交互,进行高频振荡信号检测结果的呈现、脑电分析方法的选择和分析结果的呈现,由子线程运行后台处理程序,根据主程序发送的任务进行相应计算,并把计算结果发送到主线程;
HFOs检测包括信号片段分类、HFOs片段位置记录、HFOs片段数量统计,信号片段分类为通过智能算法将信号片段分为普通信号片段与HFOs片段;HFOs片段位置记录的作用是记录下被判断为HFOs片段的信号片段起始时间与所在通道信息,用于之后HFOs片段标记;HFOs片段数量统计的作用是统计各通道中HFOs片段的总数量;
SEEG高频振荡信号自动检测平台的用户界面实现可视化,包括脑电图显示、HFOs片段标记、HFOs片段数量显示、功率谱密度显示、时频图显示、任务进度显示,其中HFOs片段标记效果为在脑电图中标记出HFOs片段的位置,使用户能快速找到这些片段,进而对其中信号进行分析;HFOs片段数量显示作用为显示出各通道中HFOs片段的总数量,HFOs片段数量较多的通道与癫痫灶密切相关,应为用户重点关注的对象;
所述主线程还包括的指令程序是:
在当前界面显示功率谱或时频图时,接收到鼠标左键信号后,判断鼠标位置是否在功率谱与时频图外部,当鼠标位置在功率谱与时频图外部时,隐藏信号片段选择框对象、功率谱画布与时频图画布,达到删除信号片段选择框、功率谱与时频图的效果;当脑电图画布接收到鼠标滚轮滚动事件后,判断鼠标位置是否在坐标轴附近,当鼠标在X轴或Y轴附近时,对X轴或Y轴坐标进行拉伸或收缩;当在功率谱或时频图中按下鼠标左键时,记录当前鼠标位置与功率谱或时频图坐标的距离,按住鼠标左键拖动时,实时改变功率谱或时频图的坐标以保持其与鼠标位置的距离不变,以实现功率谱或时频图位置的改变;当在功率谱或时频图中滚动鼠标滑轮时,控制功率谱或时频图画布的宽度与高度成比例增加或缩小,以实现功率谱或时频图的放大或缩小;用户界面中设有显示标签按钮,选中显示标签按钮后,从存放HFOs片段位置的HFOs位置容器中依次取出HFOs片段出现的时间点,在该时间点与对应通道处绘制长度为200ms,宽度为100ms,背景色为红色的矩形,以标注HFOs片段位置,在用户界面中显示HFOs片段位置;在修改比例输入框中输入完成后,控制各通道曲线在Y轴方向的伸缩,按比例修改保存脑电信号的脑电幅值容器中每个采样点的幅值,以修改各通道曲线在Y轴方向的伸缩;采用动态加载的方式绘制脑电图,即脑电图中所显示的曲线只加载当前页与前后两页的数据,当点击“《”、“》”、“<”或“>”按钮时,控制脑电图X轴坐标移动1页的距离或1/10页的距离,同时更新脑电图所显示的曲线数据;
当从主线程接收到功率谱计算任务后,调用MNE-Python工具库中的psd_welch函数计算所选片段的功率谱,该函数利用welch方法提取功率谱密度,将计算后得到的频率点数组与对应的信号功率数组存入C++语言创建的频率-功率容器中,之后向主线程发送功率谱计算完成信号;
当从主线程接收到时频分析任务后,调用PyWavelets工具库对所选片段进行连续小波变换,将计算得到的时间点数组、频率点数组与对应的小波系数数组存入C++语言创建的时间频率-小波系数容器中,之后向主线程发送时频分析完成信号;
当从主线程接收到滤波任务后,调用MNE-Python工具库根据输入的滤波范围对原始信号进行FIR滤波,存储脑电信号的脑电幅值容器中的数据更新为滤波后的数据,之后向主线程发送滤波完成信号;
在主线程和子线程设置好后,分析某个数据鼠标拖动一下就可以,内部找到那个片段的数据,再调库,完成相应的任务。
2.根据权利要求1所述的检测系统,其特征在于,SEEG高频振荡信号自动检测平台将用户界面和后台处理程序分为两个线程,所述用户界面提供用户交互,方便用户下达指令和查看处理结果,包括原始信号与滤波信号的显示、HFOs片段位置与各通道HFOs片段数量的显示、功率谱显示、时频图显示;所述后台处理程序接收用户指令,将计算结果返回用户界面进行显示,包括EDF文件读取程序、FIR滤波程序、功率谱计算程序、小波变换程序、HFOs检测程序;其中EDF文件读取程序用以提取脑电信号采集部分传来的EDF文件中关于脑电的有用信息,有用信息包括:脑电信号时间-幅值数据、采样频率、通道数、原始信号数据;FIR滤波程序使用带通滤波器去除脑电信号中指定频率范围之外的频率分量影响;功率谱计算程序将信号幅度随时间变化的时域特征转化为功率随频率变化的频域特征,方便用户分析脑电信号的频域信息;小波变换程序用于计算出在脑电信号的每个时间点包含哪些频率成分,方便用户分析脑电信号的时频信息;HFOs检测程序调用已经训练完成的深度学习模型进行HFOs片段与普通信号片段的判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089923.5A CN114159076B (zh) | 2021-09-17 | 2021-09-17 | 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089923.5A CN114159076B (zh) | 2021-09-17 | 2021-09-17 | 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114159076A CN114159076A (zh) | 2022-03-11 |
CN114159076B true CN114159076B (zh) | 2024-02-27 |
Family
ID=80476781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111089923.5A Active CN114159076B (zh) | 2021-09-17 | 2021-09-17 | 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114159076B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114532994B (zh) * | 2022-03-23 | 2023-07-28 | 电子科技大学 | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 |
CN114532993B (zh) * | 2022-03-23 | 2023-08-01 | 电子科技大学 | 一种癫痫患者脑电高频振荡信号的自动检测方法 |
CN115804572B (zh) * | 2023-02-07 | 2023-05-26 | 之江实验室 | 一种癫痫发作自动监护系统及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106901726A (zh) * | 2017-01-10 | 2017-06-30 | 广东工业大学 | 一种基于脑电高频脑电振荡节律信息熵的癫痫灶定位系统 |
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 |
CN108606781A (zh) * | 2018-05-23 | 2018-10-02 | 广东工业大学 | 一种基于脑电高频振荡节律的癫痫灶定位系统 |
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 |
CN110477908A (zh) * | 2019-07-16 | 2019-11-22 | 华南师范大学 | 一种智能识别癫痫灶的方法 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6341236B1 (en) * | 1999-04-30 | 2002-01-22 | Ivan Osorio | Vagal nerve stimulation techniques for treatment of epileptic seizures |
US9326698B2 (en) * | 2011-02-18 | 2016-05-03 | The Trustees Of The University Of Pennsylvania | Method for automatic, unsupervised classification of high-frequency oscillations in physiological recordings |
WO2016025724A1 (en) * | 2014-08-15 | 2016-02-18 | The Regents Of The University Of Michigan | Automated detector and classifier of high frequency oscillations and indicator seizure onset |
US10602941B2 (en) * | 2016-07-01 | 2020-03-31 | Ascension Texas | Prediction of preictal state and seizure onset zones based on high frequency oscillations |
-
2021
- 2021-09-17 CN CN202111089923.5A patent/CN114159076B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106901726A (zh) * | 2017-01-10 | 2017-06-30 | 广东工业大学 | 一种基于脑电高频脑电振荡节律信息熵的癫痫灶定位系统 |
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 |
CN108606781A (zh) * | 2018-05-23 | 2018-10-02 | 广东工业大学 | 一种基于脑电高频振荡节律的癫痫灶定位系统 |
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 |
CN110477908A (zh) * | 2019-07-16 | 2019-11-22 | 华南师范大学 | 一种智能识别癫痫灶的方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114159076A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114159076B (zh) | 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 | |
Zuo et al. | Automated detection of high-frequency oscillations in epilepsy based on a convolutional neural network | |
Exarchos et al. | EEG transient event detection and classification using association rules | |
CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、系统 | |
US20220139543A1 (en) | Method and system for seizure detection | |
Lai et al. | Automated detection of high frequency oscillations in intracranial EEG using the combination of short-time energy and convolutional neural networks | |
KR102563044B1 (ko) | 심전도 데이터를 컴퓨터로 구현하여 다루는 방법 | |
Carey et al. | Epileptic spike detection with EEG using artificial neural networks | |
Zhang et al. | Automatic detection of interictal epileptiform discharges based on time-series sequence merging method | |
Li et al. | An improved refined composite multivariate multiscale fuzzy entropy method for MI-EEG feature extraction | |
CN114521903A (zh) | 一种基于特征选择的脑电注意力识别系统及方法 | |
JP2020151082A (ja) | 情報処理装置、情報処理方法、プログラムおよび生体信号計測システム | |
US11138779B2 (en) | Information processing apparatus, information processing method, computer-readable medium, and biological signal measurement system | |
CN111613321A (zh) | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 | |
US8606740B2 (en) | Classification of subcortical structures | |
JP2020146206A (ja) | 情報処理装置、情報処理方法、プログラムおよび生体信号計測システム | |
US11694117B2 (en) | Waveform generation identification method and computer-readable medium | |
Lai et al. | Channel-wise characterization of high frequency oscillations for automated identification of the seizure onset zone | |
JP7135845B2 (ja) | 情報処理装置、情報処理方法、プログラムおよび生体信号計測システム | |
Liu et al. | Facial expression awareness based on multi-scale permutation entropy of EEG | |
CN116340735B (zh) | 一种基于长视野特征融合的棘波检测方法及系统 | |
Xiao et al. | Amplitude-frequency-aware deep fusion network for optimal contact selection on STN-DBS electrodes | |
CN110269610A (zh) | 一种脑电异常信号的预警装置 | |
Shariat et al. | Sparse dictionary methods for EEG signal classification in face perception | |
CN112270314B (zh) | 棘波识别方法、装置、电子设备及计算机可读存储介质 |
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 |