CN114532993A - 一种癫痫患者脑电高频振荡信号的自动检测方法 - Google Patents

一种癫痫患者脑电高频振荡信号的自动检测方法 Download PDF

Info

Publication number
CN114532993A
CN114532993A CN202210290296.XA CN202210290296A CN114532993A CN 114532993 A CN114532993 A CN 114532993A CN 202210290296 A CN202210290296 A CN 202210290296A CN 114532993 A CN114532993 A CN 114532993A
Authority
CN
China
Prior art keywords
data set
electroencephalogram
domain
signal
domain data
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.)
Granted
Application number
CN202210290296.XA
Other languages
English (en)
Other versions
CN114532993B (zh
Inventor
赖大坤
康同舟
李恩
高勇
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210290296.XA priority Critical patent/CN114532993B/zh
Publication of CN114532993A publication Critical patent/CN114532993A/zh
Application granted granted Critical
Publication of CN114532993B publication Critical patent/CN114532993B/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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Neurology (AREA)
  • General Engineering & Computer Science (AREA)
  • Neurosurgery (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提出了一种癫痫患者脑电高频振荡信号的自动检测方法，可技术转化后用于癫痫患者脑电信号的自动诊断，并用于指示癫痫致痫灶的起始部位。本方法包括原始数据集采集模块S1、源域数据集生成模块S2、目标域数据集生成模块S3、源域/目标域数据特征提取模块S4、域对抗训练模块S5、分类结果输出模块S6。其中，S1用于采集心律失常患者心电信号与癫痫患者脑电信号；S2用于将心律失常患者心电信号处理成带标签的源域数据集；S3用于将癫痫患者脑电信号处理成不带标签的目标域数据集；S4用于提取源域/目标域数据集的数据特征；S5用于域对抗模型训练，通过对抗学习源域/目标域数据特征消除域差异；S6用于输出域对抗模型最终的分类结果。本方法有助于解决脑电高频振荡信号获取难以及临床人工标签标记困难的问题。

Description

一种癫痫患者脑电高频振荡信号的自动检测方法
技术领域
本发明设计一种癫痫患者脑电高频振荡信号的自动检测方法，属于医学信号处理领域。
背景技术
癫痫是一种常见的神经系统疾病，严重影响着全世界7000多万人，服用抗癫痫药物是控制癫痫发作的主要途径。然而，大约有30％的患者癫痫发作难以通过药物控制，这些患者被诊断为反复发作性癫痫。目前，通过手术切除致痫区是这些难治性癫痫最有效的治疗方法。临床癫痫发作发生的皮层区域可以表示为癫痫发作区(seizure onset zone,SOZ)，因此准确定位癫痫SOZ对于术前评估至关重要。
癫痫棘波(低于40Hz)通常用于检测癫痫发作。然而，这种尖峰很容易受到其它信号的影响，导致错误结果。最近，高频振荡(high frequency oscillation,HFOs)引起了越来越多的关注，高频振荡被定义为短时小幅度的脑电信号片段，它有不少于四个连续的振荡，可以区别于背景噪声。这些HFO可用于癫痫定位，因为它们在定位癫痫SOZ时比棘波具有更高的特异性。根据其频率范围，这些HFO分为涟波(ripple,R,80–250Hz)和快涟波(fastripple,FR，250–500Hz)。据报道，SOZ中HFOs出现的频率较高，移除SOZ内HFOs的高发域后，患者可能不会癫痫发作。因此，人们认为HFOs是癫痫SOZ的新生物标记物。
检测HFOs的传统方法是视觉标记，然而，视觉标记会消耗大量的人力和时间，并且检测效果会因人而异，因此开发HFOs的自动检测技术具有重要意义，近几十年来吸引了研究者广泛的兴趣。
近年来随着机器学习的蓬勃发展，许多基于有监督学习的HFOs检测方法被提出，比如基于近似熵和人工神经网络的检测方法(Lópezcuevas A,Castillotoledo B,Medinaceja L,et al.Computer Methods&Programs in Biomedicine,2013,110(3):354-360)、基于短时能量和卷积神经网络的检测方法(Lai D,Zhang X,Ma K,et al.IEEEAccess,2019,7:82501-82511)等等。然而，高频振荡数据标记的困难造成了有监督机器学习模型训练的障碍。而迁移学习中的领域自适应方法就是从有标注的源域数据中学习分类模型，并且在无标注目标域数据上进行调整，最终适用于目标域上的分类任务。可以有效的解决高频振荡数据少，标记困难的问题。
发明内容
本发明的目的在于针对目前HFOs检测方法中目标域数据集少且标记困难的情况，提出一种癫痫患者脑电高频振荡信号的自动检测方法，其特征在于，结合迁移学习中的领域自适应方法，从有标注的心律失常源域数据中学习分类模型，并在无标注的高频振荡目标域数据上进行调整，使其最终适用于目标域上的分类任务。
为实现上述目的，本发明采用以下技术方案：
S1：原始数据集采集，设置心电与颅内脑电导联方式、采样位点以及采样频率，采样完成后导出数据；
S2：源域数据集生成，结合心电数据预处理方法，对信号进行降采样、滤波以及分割，完成分割后的信号进行小波变化生成时频图作为源域数据；
S3：目标域数据集生成，结合脑电数据预处理方法，对信号进行分段、降采样以及滤波，设置滑动窗口对高频振荡信号进行预筛选，对筛选后的信号进行小波变化生成时频图作为目标域数据；
S4：源域数据集/目标域数据集特征提取，将目标域数据集划分为训练数据集T和测试数据集Q并采用一个特征提取网络提取源域和目标域的相似特征；
S5：域对抗训练，将特征输入标签分类器计算损失，将源域特征和目标域特征输入到域分类器得到预测标签，并结合预测域标签和真实域标签计算损失，重复上述步骤使损失不再变化，最后将测试集送入分类模块得到结果。
S6：分类结果输出，通过混淆矩阵得出灵敏度、特异度和准确率指标，对分类的性能进行评估。其中检测出的高频振荡信号所在的脑电通道用于指示癫痫致痫灶的起始部位。
所述步骤S1，包括如下步骤：
S11，将颅内脑电导联方式设置为双极导联，采样点位置、数量以及采样时间根据临床诊断情况设置；
S12，采用单导联电极采集心电信号；
S13，导出心电和脑电信号；
所述步骤S2，包括如下步骤：
S21，将从临床获得的心率失常心电信号进行降采样处理；
S22，使用巴特沃兹带通滤波器对心电信号进行滤波处理，消除高频噪声、低频肌电信号和运动伪迹，设置通带频率；
S23，使用中值滤波器去除信号中的基线漂移，中值滤波器选用的窗口长度设置为信号采样率的80％；
S24，利用平滑滤波器去除信号中的锯齿波形和细小的毛刺使信号更加光滑；
S25，对处理完成后的每条导联信号进行连续分割，将信号截成不重叠片段；
S26，对信号进行小波变化，生成小波时频图作为源域数据S。
小波变换定义为：
Figure BDA0003559718180000031
其中a是比例参数，b是平移参数，φ为窗口函数。信号的时间和频率的窗口大小由比例参数a确定，时域窗口的相位由变量b确定。将a，b离散化，可以得到：
Figure BDA0003559718180000032
小波系数C即为小波变换的结果，它是缩放因子(scale)及位置参数(position)的函数。当前选用的小波函数为Morlet小波。
所述步骤S3，包括如下步骤：
S31，编辑好导联的数据切割成固定长度的片段并将数据进行降采样；
S32，使用陷波滤波器去除脑电信号中的工频干扰；
S33，分别在80-250Hz和250-500Hz两个频带使用巴特沃兹带通滤波器使通带内的频率响应曲线较为平坦；
S34，对数据进行去均值处理，并设置阈值为均方根的n倍；
S35，将脑电信号片段划分为许多连续的帧。然后分别计算每一帧的短时能量值，若连续三帧短时能量都超过了阈值，进而检测附近连续超过阈值的帧，若少于固定帧数则认为此处存在一个疑似高频振荡信号。因为两个高频振荡信号时间间隔需大于固定长度，因此若两个高频振荡信号间隔过小且总时长不超过100ms，则认为两个疑似信号属于同一个高频振荡信号；
S36，采用与S26中所述相同的小波变换方法生成小波时频图作为目标域数据T。
所述步骤S4，包括如下步骤：
S41，按比例将目标域数据集划分为训练数据集T和测试数据集Q；
S42，使用一个卷积特征提取网络Gf，并将数据集S和数据集T输入Gf进行源域/目标域数据集的数据特征提取。
所述S5，包括如下步骤：
S51，将提取的源域特征与真实标签输入到标签分类器Gy并计算交叉损失Ls；
交叉损失函数Ls具体定义为：
Figure BDA0003559718180000041
式中ns表示预测标签数量，
Figure BDA0003559718180000042
是源域图像数据第i个有标签数据的真实标签，
Figure BDA0003559718180000043
是样本源域样本的预测标签。
S52，使用一个域分类器Ga，将域特征和目标特征输入得到预测域标签；
S53，使用真实域标签与预测域标签计算域对抗损失La；
域对抗损失函数La，具体定义如下：
Figure BDA0003559718180000044
其中，
Figure BDA0003559718180000045
和
Figure BDA0003559718180000046
是真实域标签，
Figure BDA0003559718180000047
和
Figure BDA0003559718180000048
是预测域标签。
S54.不断执行以上步骤，直至两个损失函数不再变化；
S55.将测试集Q通过特征提取器Gf和标签分类器Gy得到图像分类的结果。
所述S6，包括如下步骤：
S61.通过混淆矩阵得出准确率(Acc)、灵敏度(Sen)和特异度指标(Sp)，对分类的性能进行评估。三个性能参数的计算公式如下：
Figure BDA0003559718180000049
Figure BDA00035597181800000410
Figure BDA00035597181800000411
其中TP是正确检测到的正样本数量，FP是负样本被误检测成正样本的数量，FN是正样本被误检测成负样本的数量，TN是正确检测到的负样本数。
附图说明
图1为本发明实施例中脑电高频振荡信号自动检测方法的基本框图。
图2为各模块实施流程图。
图3为心电信号变换示意图。
图4为脑电信号变换示意图。
图5为域对抗训练网络结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
本实施例基于MATLAB和Python实现，其中脑电数据集预处理、预检测采用MATLAB实现，域对抗网络模块采用Python和Tensorflow框架实现。其系统框图如图1所示，包括：原始数据集采集模块、源域数据集划分模块、目标域数据集划分模块、源域/目标域数据特征提取模块、域对抗训练模块。
如图2所示为各模块实施流程图，原始数据集采集模块具体包括源域以及目标域数据的采集，其中源域数据为临床获取的带标签心率失常患者心电数据，目标域数据为临床获取的癫痫患者发作间期颅内脑电数据。
心电信号中的干扰信号包括噪声、基线漂移、肌电噪声、运动伪迹和工频干扰。针对这些干扰信号，首先使用4阶巴特沃兹带通滤波器(1-30Hz)对ECG信号进行滤波处理，消除高频噪声，低频的肌电干扰和运动伪迹。然后利用一个中值滤波器去除信号的基线漂移，中值滤波器选用的窗口长度设置为信号采样率的80％。接着利用一个滑动窗口的平滑滤波器去除信号的一些锯齿波形和细小的毛刺使信号更加光滑，窗口的长度为4个采样点。最后对于处理好的每条导联信号，进行连续信号分割，将信号截成不重叠的3s片段。分别对每个3s片段心电信号进行小波分析生成时频图作为源域数据S，心电信号变换过程如图3所示。
小波变换定义为：
Figure BDA0003559718180000051
其中a是比例参数，b是平移参数，φ为窗口函数。信号的时间和频率的窗口大小由比例参数a确定，时域窗口的相位由变量b确定。将a，b离散化，可以得到：
Figure BDA0003559718180000052
小波系数C即为小波变换的结果，它是缩放因子(scale)及位置参数(position)的函数。本研究选用的小波函数为Morlet小波。
从临床中获得癫痫患者颅内脑电信号后，首先将信号分为10-20分钟片段再进行后续处理。脑电信号中包含的噪声与心电信号中的噪声类似，采用通带频率为80-500Hz的四阶巴特沃斯滤波器进行数据预处理，最后采用50Hz陷波滤波去除工频干扰。
疑似高频振荡信号的筛选首先需要将脑电信号进行连续切分，每一个片段时长10ms，使用一个滑动窗口计算每一段的短时能量。计算三秒内信号短时能量的平均值并计算标准差，将阈值设定为5倍的标准差。检测150毫秒内幅度超过阈值的峰值的个数，若150毫秒内存在3个幅度超过阈值的峰值，则认为该片段存在HFOs，检测下一个150毫秒片段直至3秒信号全部检测完毕。将所有的片段进行小波变换生成时频图作为目标域数据，小波变化步骤与心电信号的变化步骤相同，脑电信号变换过程如图4所示。将目标域数据按照1:1划分为训练集T和测试集Q。
如图5为域对抗训练网络结构图，域对抗训练网络中包含特征提取模块Gf、心率失常分类器Gy、领域分类器Gd三个模块。用于完成对源域数据和目标域数据特征的提取、源域标签的分类以及领域分类。通过域对抗以及反向传播的方式缩小心率失常分类器和领域分类器中的损失。
Gf由多层卷积层组成，用于提取信号的特征。Gy由全连接层和Softmax分类器组成，用于预测信号的状态标签。Gd包含梯度翻转层、全连接层和Softmax分类器，用于预测信号的领域标签。
以Gf为特征提取器，标签预测器的损失为:
Figure BDA0003559718180000061
式中ns表示预测标签数量，
Figure BDA0003559718180000062
是源域图像数据第i个有标签数据的真实标签，
Figure BDA0003559718180000063
是样本源域样本的预测标签。
域对抗模块通过添加梯度翻转层和数个标准层来构建领域分类器，实现领域自适应功能。Gf提取的特征经领域分类器Gd，可得预测的领域输出，则领域分类器的损失为:
Figure BDA0003559718180000064
其中，
Figure BDA0003559718180000065
和
Figure BDA0003559718180000066
是真实域标签，
Figure BDA0003559718180000067
和
Figure BDA0003559718180000068
是预测域标签。
域对抗模块的优化目标要求Gf尽可能提取可用于区分源域和目标域的特征，同时要使领域分类器Gd无法区分不同领域的差异。根据图5的网络结构，域对抗模块的损失由标签预测器损失Ls和领域分类器损失La两部分组成
在网络训练时，训练目标为最小化标签预测器损失和最大化领域分类器损失。在此过程中，模型自动提取出适于不同领域间迁移的特征。
网络模型对抗训练完成后，将需要进行分类的高频振荡数据集通过特征提取器Gf和标签分类器Gy进行分类，计算准确率(Acc)、灵敏度(Sen)和特异度(Sp)指标，对分类的性能进行评估。三个性能参数的计算公式如下：
Figure BDA0003559718180000071
Figure BDA0003559718180000072
Figure BDA0003559718180000073
其中TP是正确检测到的正样本数量，FP是负样本被误检测成正样本的数量，FN是正样本被误检测成负样本的数量，TN是正确检测到的负样本数，测试结果表现形式如表1，表2所示。
表1.
Figure BDA0003559718180000074
表2.
Figure BDA0003559718180000075

Claims (8)

1.一种癫痫患者脑电高频振荡信号的自动检测方法，其特征在于包括原始数据集采集模块S1、源域数据集生成模块S2、目标域数据集生成模块S3、源域数据集/目标域数据集的数据特征提取模块S4、域对抗训练模块S5、分类结果输出模块S6；具体步骤为：
S1：原始数据集采集模块采集心律失常患者心电信号与癫痫患者脑电信号，其中，癫痫患者脑电信号包括头皮脑电信号，颅内皮层脑电信号或者颅内立体脑电信号；
S2：源域数据集生成模块将心律失常患者心电信号处理成带标签的源域数据集；
S3：目标域数据集生成模块将癫痫患者脑电高频振荡信号处理成不带标签的目标域数据集，其中脑电高频振荡信号是指脑电信号中频率为80～500Hz、具有至少4个连续波峰的高频振荡波形；
S4：源域数据集/目标域数据集的数据特征提取模块提取源域和目标域数据集的数据特征；
S5：域对抗训练模块通过无监督方式对抗学习源域/目标域数据集特征并消除域差异；
S6：分类结果输出模块输出最终的高频振荡信号或非高频振荡信号的分类结果，其中检测出的高频振荡信号所在的脑电通道用于指示癫痫致痫灶的起始部位。
2.如权利要求1所述的一种癫痫患者脑电高频振荡信号的自动检测方法，其特征在于，所述步骤S1中的原始数据集采集具体包括如下步骤：
S11.设置颅内脑电信号采集参数；
S12.设置心电信号采集参数；
S13.导出心电信号和脑电信号数据集。
3.如权利要求1所述的一种癫痫患者脑电高频振荡信号的自动检测方法，其特征在于，所述步骤S2中的源域数据集生成具体包括如下步骤：
S21.对临床获得的心律失常心电信号进行降采样；
S22.使用一个带通滤波器，去除信号中的高频噪声；
S23.使用一个中值滤波器，去除信号中的基线漂移；
S24.使用一个平滑滤波器，去除信号中的锯齿波形和毛刺；
S25.对信号进行连续分割，将信号截成不重叠片段；
S26.对信号片段进行小波变化，生成小波时频图作为源域数据S。
4.如权利要求1所述的一种癫痫患者脑电高频振荡信号的自动检测方法，其特征在于，所述步骤S3中的目标域数据集生成具体包括如下步骤：
S31.对采集的癫痫患者发作间期脑电数据进行分段；
S32.使用一个陷波滤波器，去除信号中的工频干扰；
S33.使用一个带通滤波器，去除信号中的高频噪声；
S34.设置滑动窗口对数据进行去均值处理并计算均方根，设置阈值为均方根的n倍；
S35.检测片段中超过阈值的峰值个数，若个数大于等于a、则认为该片段为高频振荡片段，同理检测下一片段直至信号完全及检测完毕；
S36.将所有疑似高频振荡片段分别进行小波变换得到信号时频图作为目标域数据。
5.如权利要求1所述的一种癫痫患者脑电高频振荡信号的自动检测方法，其特征在于，所述步骤S4中的源域数据集/目标域数据集的数据特征提取具体包括如下步骤：
S41.将目标域数据划分为训练数据集T和测试数据集Q；
S42.将S和T输入到一个参数共享的特征提取器Gf获取源域和目标域的相似特征。
6.如权利要求1所述的一种癫痫患者脑电高频振荡信号自动检测方法，其特征在于，所述步骤S5中的域对抗训练具体包括如下步骤：
S51.使用一个卷积神经网络Gy，将源域特征与真实标签输入Gy并计算损失Ls；
S52.将源域特征和目标域特征输入到域分类器Ga，得到预测域标签；
S53.使用预测域标签和真实域标签计算域对抗损失La；
S54.不断执行以上步骤，直至两个损失函数不再变化；
S55.将测试集数据通过特征提取器Gf和标签分类器Gy得到图像分类的结果。
7.如权利要求1所述的一种癫痫患者脑电高频振荡信号的自动检测方法，其特征在于，所述步骤S6中的分类结果输出具体包括如下步骤：
S61.通过混淆矩阵得出灵敏度、特异度和准确率指标，对分类的性能进行评估。
8.如权利要求1所述的一种癫痫患者脑电高频振荡信号的自动检测方法，其特征在于，对心电信号和脑电信号进行降采样、滤波以及分段处理，对脑电信号采用短时能量法进行预筛选。对分段后的心电信号与筛选后的脑电信号采用小波变换得到小波时频图。设计域对抗网络并将小波时频图作为网络的输入对网络进行训练，训练完成后将脑电小波时频图作为输入进行特征提取与分类，采用准确率、灵敏度以及特异性指标对性能进行评估。
CN202210290296.XA 2022-03-23 2022-03-23 一种癫痫患者脑电高频振荡信号的自动检测方法 Active CN114532993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210290296.XA CN114532993B (zh) 2022-03-23 2022-03-23 一种癫痫患者脑电高频振荡信号的自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210290296.XA CN114532993B (zh) 2022-03-23 2022-03-23 一种癫痫患者脑电高频振荡信号的自动检测方法

Publications (2)

Publication Number Publication Date
CN114532993A true CN114532993A (zh) 2022-05-27
CN114532993B CN114532993B (zh) 2023-08-01

Family

ID=81665185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210290296.XA Active CN114532993B (zh) 2022-03-23 2022-03-23 一种癫痫患者脑电高频振荡信号的自动检测方法

Country Status (1)

Country Link
CN (1) CN114532993B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115299946A (zh) * 2022-08-25 2022-11-08 电子科技大学 一种引入检测结果反馈的自适应输入信号通道筛选电路
CN116616800A (zh) * 2023-07-21 2023-08-22 厦门大学 基于元迁移学习的头皮脑电高频振荡信号识别方法及装置
CN116807435A (zh) * 2023-08-28 2023-09-29 嘉兴学院G60科创走廊产业与创新研究院 一种便携式心音传感装置及心率监测系统
CN115299946B (zh) * 2022-08-25 2024-05-28 电子科技大学 一种引入检测结果反馈的自适应输入信号通道筛选电路

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5995868A (en) * 1996-01-23 1999-11-30 University Of Kansas System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject
CN107616793A (zh) * 2017-09-18 2018-01-23 电子科技大学 一种具有癫痫发作预测功能的脑电监测装置及方法
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
US20210106247A1 (en) * 2019-10-15 2021-04-15 Carnegie Mellon University Methods and Apparatus for Detection and Imaging of Epileptogenicity from Scalp High-Frequency Oscillations
CN113499086A (zh) * 2021-07-14 2021-10-15 北京邮电大学 一种基于深度学习的hfo自动检测系统
CN114093501A (zh) * 2021-10-19 2022-02-25 杭州电子科技大学 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法
CN114159076A (zh) * 2021-09-17 2022-03-11 天津大学 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5995868A (en) * 1996-01-23 1999-11-30 University Of Kansas System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject
CN107616793A (zh) * 2017-09-18 2018-01-23 电子科技大学 一种具有癫痫发作预测功能的脑电监测装置及方法
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
US20210106247A1 (en) * 2019-10-15 2021-04-15 Carnegie Mellon University Methods and Apparatus for Detection and Imaging of Epileptogenicity from Scalp High-Frequency Oscillations
CN113499086A (zh) * 2021-07-14 2021-10-15 北京邮电大学 一种基于深度学习的hfo自动检测系统
CN114159076A (zh) * 2021-09-17 2022-03-11 天津大学 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统
CN114093501A (zh) * 2021-10-19 2022-02-25 杭州电子科技大学 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
康同舟 等: "基于双密度双树复小波变换的癫痫发作期自动检测算法", vol. 38, no. 38 *
陈文静 等: "基于颅内脑电高频振荡信号自动检测的癫痫灶定位", vol. 32, no. 32 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115299946A (zh) * 2022-08-25 2022-11-08 电子科技大学 一种引入检测结果反馈的自适应输入信号通道筛选电路
CN115299946B (zh) * 2022-08-25 2024-05-28 电子科技大学 一种引入检测结果反馈的自适应输入信号通道筛选电路
CN116616800A (zh) * 2023-07-21 2023-08-22 厦门大学 基于元迁移学习的头皮脑电高频振荡信号识别方法及装置
CN116616800B (zh) * 2023-07-21 2023-10-03 厦门大学 基于元迁移学习的头皮脑电高频振荡信号识别方法及装置
CN116807435A (zh) * 2023-08-28 2023-09-29 嘉兴学院G60科创走廊产业与创新研究院 一种便携式心音传感装置及心率监测系统

Also Published As

Publication number Publication date
CN114532993B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
George et al. Classification of epileptic EEG signals using PSO based artificial neural network and tunable-Q wavelet transform
Liang et al. Scalp EEG epileptogenic zone recognition and localization based on long-term recurrent convolutional network
Usman et al. Epileptic seizures prediction using machine learning methods
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
CN111340142B (zh) 一种癫痫脑磁图棘波自动检测方法与溯源定位系统
Zidelmal et al. ECG beat classification using a cost sensitive classifier
CN109758145B (zh) 基于脑电信号因果关系的自动睡眠分期方法
CN108511055B (zh) 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN114532993B (zh) 一种癫痫患者脑电高频振荡信号的自动检测方法
CN113786204A (zh) 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法
Wang et al. A novel multi-scale dilated 3D CNN for epileptic seizure prediction
CN112971795B (zh) 心电信号质量评估方法
Uyttenhove et al. Interpretable epilepsy detection in routine, interictal eeg data using deep learning
WO2022135449A1 (zh) 癫痫患者发作间期痫样电活动检测装置和方法
Rangappa et al. Classification of cardiac arrhythmia stages using hybrid features extraction with k-nearest neighbour classifier of ecg signals
CN111643076A (zh) 一种基于多通道脑电信号的bect棘波智能检测方法
Sriraam et al. Multichannel EEG based inter-ictal seizures detection using Teager energy with backpropagation neural network classifier
Kaur et al. Multi-class support vector machine classifier in EMG diagnosis
Ebrahimpour et al. Epileptic seizure detection using a neural network ensemble method and wavelet transform
CN111887811B (zh) 基于脑电信号特征的大脑异常放电检测方法及系统
Fathima et al. Wavelet based features for classification of normal, ictal and interictal EEG signals
Kaur et al. Comparison of the techniques used for segmentation of EMG signals
CN114532994B (zh) 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
CN110507299A (zh) 一种心率信号检测装置及方法
CN113598792B (zh) 基于有监督特征融合算法的癫痫脑电分类方法

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