CN114631780A - 一种基于多级分类的低功耗可穿戴癫痫发作检测系统 - Google Patents

一种基于多级分类的低功耗可穿戴癫痫发作检测系统 Download PDF

Info

Publication number
CN114631780A
CN114631780A CN202210187014.3A CN202210187014A CN114631780A CN 114631780 A CN114631780 A CN 114631780A CN 202210187014 A CN202210187014 A CN 202210187014A CN 114631780 A CN114631780 A CN 114631780A
Authority
CN
China
Prior art keywords
data
seizure
epileptic seizure
module
classification
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
Application number
CN202210187014.3A
Other languages
English (en)
Inventor
王群
周治国
赵昊
李双燕
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Publication of CN114631780A publication Critical patent/CN114631780A/zh
Pending legal-status Critical Current

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
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0531—Measuring skin impedance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • 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)
  • Surgery (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Dermatology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于多级分类的低功耗可穿戴癫痫发作检测系统，根据生理信号数据特征进行一级预分类，得到的正样本数据输入到检测模型进行精细的二级分类，再结合一级预分类和二级分类结果得到最终检测结果，可以提高检测的精度；同步采集多种模态的生理信号，对多种模态的融合构造稳定的癫痫发作检测模型；在用于分类模型构造的数据集合中加入健康人日常活动的数据作为负样本，使得构造的分类模型更加适合实际生活场景，符合癫痫患者的真实需求；针对数据不平衡问题，基于人体活动的先验知识进行数据不平衡处理的方案，通过提取合加速度标准差、合加速度频域主频、合加速度峰峰值并设定经验阈值的方式进行数据不平衡处理。

Description

一种基于多级分类的低功耗可穿戴癫痫发作检测系统
技术领域
本发明属于生物医学信号处理技术领域，具体涉及一种基于多级分类的低功耗可穿戴癫痫发作检测系统。
背景技术
癫痫是一种由多种病因导致的常见的大脑功能障碍疾病，其特点是持续易发性地自主癫痫发作。70％-80％的癫痫患者可以通过恰当的药物辅助来抑制发作，而剩下的20％-30％的慢性或顽固性癫痫无法通过药物来控制，被称为难治性癫痫。难治性癫痫患者往往面临着更大的安全风险和心理压力。全面性强直阵挛癫痫发作(GTCS)是最危险的癫痫类型之一，常被称为“癫痫大发作”。癫痫发作会同时给患者及其家人带来一系列身体和心理上的影响。癫痫发作时患者常常出现失神、躯体不受控制、呼吸停止等症状表现，往往会直接或间接导致患者受到意外伤害甚至是死亡。与癫痫相关的死亡原因主要有癫痫猝死(Sudden Unexpected Death in Epilepsy,SUDEP)。
癫痫的突然发作给癫痫患者带来了极大的安全风险。特别是当患者独处时，癫痫发作极易引起患者的意外受伤甚至是死亡。倘若患者在癫痫发作时能够及时获得救治，患者的生命安全可以得到很大的保障。根据国际抗癫痫联盟(International LeagueAgainst Epilepsy,ILEA)临床指南，给患者佩戴癫痫发作监测设备，出现发作时能够及时报警通知相关人员，减少因癫痫发作导致的呼吸功能障碍和低氧血症的发生，是目前唯一确定有效的降低癫痫猝死发生的重要方法。此外，目前临床上医生对患者进行诊断大多通过患者或其看护者口述病情来对患者的病情进行评估以及后续的治疗。但是依靠患者及其家人回忆进行病情描述往往存在很多的主观因素，导致诊断结果出现偏差。基于可穿戴设备进行癫痫发作的检测不仅可以保障患者的安全，还可以详细记录患者发作时的各种信息，为医生进行诊断治疗提供更多维度的信息，全方位保障患者的健康安全。
由于癫痫患者在非发作时与健康人无异且大多数癫痫患者发作持续时长仅占患者生活的很小一部分时间，患者及其家属更希望癫痫发作检测设备能够在准确检测到发作事件的同时尽可能地不影响其正常生活。因此，可穿戴式的癫痫发作检测设备更加满足患者的需求。近年来，出现了越来越多的轻量级的可穿戴设备。基于可穿戴设备对癫痫发作进行检测可以降低患者受伤的风险，保障患者的安全。同时还可以保护患者的隐私，减轻患者的病耻感，使患者可以像健康人一样生活。
现有的癫痫发作检测方法主要分为两类。一类是基于音频信号对患者进行监护，通过对视频和声音信号进行分析来检测检测患者的发作。另一类是基于各种人体生理信号采集设备采集患者的生理参数并加以分析，进而检测癫痫患者的发作。常见的采集的生理参数包括脑电信号、心电信号、三轴加速度、三轴陀螺仪、皮肤电导信号、肌电信号、体温、光电容积脉搏波等。
现有的实施方案中，基于音频分析的方法限制了病人必须处于音频监测环境下，干扰了患者的正常生活。同时在音频监测环境下对患者进行发作检测还存在计算量大，患者隐私泄露等问题。脑电信号虽然在临床上被视为判断患者癫痫发作的金标准，但是设备不够便携隐蔽，数据采集过程影响了患者的正常生活。其余生理参数的采集相对方便，均可以通过可穿戴设备在人体的腕部进行采集。但是，仅仅基于运动信号进行，容易受日常行为的干扰而引起误报。心电信号容易受到其他剧烈活动的干扰，稳定性差。癫痫的类型有很多，不同患者之间的发作表现存在较大的差异，同一患者的不同发作时段身体的变化也有所不同。采集单一的生理模态信号不能够很全面地反映癫痫患者发作与非发作时的生理状态差异，导致检测模型准确率不高，误报较多。
现有的癫痫发作检测方法大多在医院内视频脑电(vEEG)监测环境下。虽然能够保证数据集标定准确，但是数据采集时也限制了患者的活动范围即采集场景过于理想。医院内采集的数据不能真实反映患者的日常生活，基于院内数据设计的检测模型放到实际生活场景中往往会效果变差。患者更希望癫痫发作检测设备在日常生活中保证较高的准确率和较低的误报率。
现有的一些多生理模态信号的癫痫发作检测模型虽然融合了多种生理信号，但信号采集需要将多个信号采集设备佩戴在患者身体的多个位置，给患者带来了极大的不便。此外，增加信号模态的同时也会增加模型的计算复杂度以及设备的功耗。现有的多级分类的方法主要是按照层级关系构造多个分类模型，虽然能在一定程度上通过降低计算量来降低设备功耗，但需要训练多个分类模型，增加了模型构造和调整的复杂度。
大多癫痫患者的癫痫发作频次不高，癫痫发作累计时长仅占日常生活很小的一部分即数据正负样本存在严重的不平衡。样本不平衡会严重影响检测模型在实际应用中的性能。人体的日常行为中存在大量明显的非癫痫发作行为，而一些与癫痫发作相似的人体正常行为是引起较多误报的主要原因。传统的样本不平衡处理方法如少量样本随机上采样、多数样本随机下采样等没有利用人体的日常行为的先验信息，进行不平衡处理后并没有改变原始样本集合的分布。检测模型并没有更着重区分与癫痫发作非常相似的正常行为，导致模型误报较多。
现有的技术并没有将数据不平衡的解决和多级分类的方法进行有效的统一。常规的不平衡处理方法仅能用于分类模型建造阶段，在模型实际应用阶段并不能使用。而多级分类方法主要用于模型实际应用阶段，在模型建造阶段并不能帮助缓解数据不平衡问题。同时，多级分类会增加建造模型的复杂度。
发明内容
有鉴于此，本发明的目的是提供一种基于多级分类的低功耗可穿戴癫痫发作检测系统，以提高检测的精度。
一种基于多级分类的低功耗可穿戴癫痫发作检测系统，包括可穿戴设备和移动终端；
所述可穿戴设备包括实时数据采集模块、在线原始数据预处理模块、癫痫发作预分类模块和数据实时无线传输模块；
所述实时数据采集模块用于采集用户腕部的生理信号参数数据，包括:三轴加速度、三轴陀螺仪、表皮肌电、皮肤电导以及体温；
所述在线原始数据预处理模块用于对各生理信号参数数据进行预处理；
所述癫痫发作预分类模块对预处理后的各生理信号参数数据进行初步判断，判别出癫痫发作样本数据和非发作样本数据，并得到癫痫发作的一级检测结果；
所述数据实时无线传输模块将被癫痫发作预分类模块检测为发作样本数据以及所述初步判断结果发送给移动终端；
所述移动终端包括第二级癫痫发作检测模块、癫痫发作检测结果判决模块和癫痫发作状态告警模块；
所述第二级癫痫发作检测模块包括利用癫痫发作数据和非发作时的生理信号参数数据组成的训练样本训练得到的癫痫检测模型；该癫痫检测模型用于对数据实时无线传输模块发送的发作样本数据进行识别，判断是否为癫痫发作或者非发作，得到癫痫发作的二级检测结果；
所述癫痫发作检测结果判决模块用于根据数据实时无线传输模块发送的一级判断结果和第二级癫痫发作检测模块得到的二级检测结果进行联合判断，得到是否为癫痫发作的最终结果。
较佳的，所述癫痫发作预分类模块对预处理后的各生理信号参数数据进行初步判断的方法为：
根据三轴加速度数据获得合加速度标准差、合加速度频域主频以及合加速度峰峰值，并判断三者是否均大于设定的阈值，如果均大于则判定为癫痫发作样本数据，否则判定为非发作样本数据。
较佳的，所述在线原始数据预处理模块对生理信号参数数据进行滑动截窗获得每条数据，采用10s窗长截取，步进长度为2.5s。
进一步的，所述在线原始数据预处理模块对滑动截窗处理后的数据还进行滤波处理。
较佳的，所述第二级癫痫发作检测模块中的癫痫检测模型的构建方法为：
采集癫痫患者的发作数据作为训练集正样本数据，健康人的数据作为训练集的负样本数据，得到训练样本数据；
对训练样本数据顺次进行特征提取和特征降维，再利用特征提取后的训练数据构建和优化随机森林分类模型，得到癫痫检测模型。
较佳的，对所述训练样本数据进行数据不均衡处理后，再利用其构建和优化随机森林分类模型，其中，数据不均衡处理方法为：根据三轴加速度数据获得合加速度标准差、合加速度频域主频以及合加速度峰峰值，并判断三者是否均大于设定的阈值，如果均大于则保留，作为训练样本数据，否则剔除。
较佳的，在对训练样本数据进行数据不均衡处理前，先获得原始训练数据，具体为：
对原始的生理信号参数数据进行滑动截窗，得到原始训练数据，其中正样本的步进长度小于负样本的步进长度，正样本的滑窗重叠率大于负样本的滑窗重叠率。
进一步的，在对训练样本数据进行数据不均衡处理前，还包括对所述原始训练数据的滤波处理。
较佳的，所述数据实时无线传输模块，对于检测为非发作数据，将则分类结果标识发送给移动终端；当连续多个样本被预分类为发作数据时，第一个样本的完整数据发送给移动终端，后续的样本发送该数据从后面截取的部分数据。
较佳的，所述癫痫发作检测结果判决模块进行联合判断的方法为：
当一条数据在预分类模块检测的检测结果为未发作时，该条数据的最终检测结果为未发作，将检测结果数值标记为0；当一条数据在预分类模块检测的检测结果为发作时，送入移动终端的癫痫发作检测结果判决模块进行二级检测，则该模块的检测结果作为该条数据的最终检测结果；
累计当前数据与之前的n-1条数据的最终检测结果的和值Sn，同时累计当前数据与之前m-1条数据的最终检测结果的和值Sm，并进行判断：
当Sn大于第一设定阈值Thn或Sm大于第二设定阈值Thm时，则认为检测到一次发作；
其中n<m，n最小取1,m最小取5。
本发明具有如下有益效果：
本发明首先根据生理信号数据特征进行一级预分类，得到的正样本数据输入到检测模型进行精细的二级分类，再结合一级预分类和二级分类结果得到最终检测结果，可以提高检测的精度；
同步采集腕部的多种模态的生理信号，可通过对多种模态的融合构造稳定的癫痫发作检测模型；本发明在用于分类模型构造的数据集合中加入健康人日常活动的数据作为负样本并进行分类模型的构造，使得构造的分类模型更加适合实际生活场景，符合癫痫患者的真实需求；
针对数据不平衡问题，本发明提出基于人体活动的先验知识进行数据不平衡处理的方案。通过提取合加速度标准差、合加速度频域主频、合加速度峰峰值并设定经验阈值的方式进行数据不平衡处理。
本发明基于累计后验概率设置结果判决策略，设定两种不同的连续样本窗范围并计算对应的累计后验概率，较短的样本窗从短时间视野判断癫痫患者的状态，较长的样本窗从较长的时间视野判断患者的状态，通过两个不同的累计后验概率的判决策略来避免突变的异常行为干扰。
将第一级预分类部署在可穿戴腕表端，将第二级癫痫检测模型部署在手机端。可穿戴腕表通过第一级预分类结果来进行数据的无线传输，进而减少数据的无线传输量达到降低功耗的目的。
附图说明
图1为可穿戴设备的组成框图；
图2为数据不平衡处理阈值判断流程图；
图3为在线数据滑动截窗流程图；
图4为移动终端组成框图；
图5为第二级癫痫发作检测模型的构建流程；
图6结果判决流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明基于单个可穿戴腕表同步采集受试者腕部的多种生理模态信号进行分析并构造多模态的癫痫发作检测模型。在单个腕表上同步采集的生理模态信号包括三轴加速度信号(ACC)、三轴陀螺仪信号(GYR)、表皮肌电信号(sEMG)，皮肤电导值(EDA)以及体温信号(Temp)。此外，基于采集到的三轴加速度信号和三轴陀螺仪信号进行姿态解算，同步解算出腕表的俯仰角(pitch)和横滚角(roll)。依次对各个维度的信号进行滑动截窗、滤波去噪、特征提取、特征融合，然后基于训练集构造癫痫发作检测模型。
本发明分别基于癫痫患者的发作数据和健康人日常生活中的数据构造癫痫发作检测模型。其中癫痫患者的发作数据作为正样本，由于健康人的日常行为肯定不包含癫痫发作行为故作为负样本。癫痫患者的发作数据由医生进行标定，确保正样本数据的准确。健康人的数据是在受试者日常生活中采集，不对受试者的行为进行任何约束确保数据能够更全面地反映真实日常活动。利用健康人的多模态数据代替癫痫患者的非癫痫发作数据，为负样本中增加了大量日常生活中的复杂行为，使得癫痫检测模型更加贴近实际应用场景。
针对癫痫数据的不平衡，本发明结合人体日常行为的统计先验知识来提取特征指标并设定判断阈值来实现对训练数据集的不平衡处理。对训练集提取少量特征指标并设定经验阈值进行阈值判断，剔除大量明显的非癫痫发作行为的同时保留癫痫发作数据，进而达到平衡训练集数据的目的。
针对多模态信号计算复杂度较大的问题，本发明提取与数据不平衡处理相同的特征进行多级分类模型的建造。将第一级预分类模型部署在可穿戴腕表端，提取与特征不平衡处理相同的特征指标并设置阈值，若数据样本不满足特征阈值指标则不传输至手机端，只有当数据满足特征阈值指标时才将数据无线传输至手机端。将第二级癫痫发作检测模型部署在手机端，对接收到的可穿戴腕表传输过来的数据进行更加精细的判别。通过第一级的小计算量的预分类过程先排除大量非癫痫发作行为，降低了模型的计算量以及设备无线传输的功耗。通过第二级检测模型实现对患者癫痫发作状态的准确检测。
本发明在数据不平衡处理阶段和多级分类的第一级采用相同的特征指标和特征阈值，使得癫痫发作检测模型的构造与模型的部署保持高度一致，既减轻了数据不平衡性又降低了整体模型的计算复杂度。
(1)可穿戴腕表端
如图1所示，可穿戴设备主要包括用户数据的实时采集模块、原始数据的在线预处理模块、癫痫发作预分类模块、用户数据实时无线传输模块。
(1.1)实时数据采集模块
数据采集模块同步采集多种用户腕部的多种生理信号参数包括:三轴加速度(ACC，50Hz)、三轴陀螺仪(GYR，50Hz)、表皮肌电(sEMG，200Hz)、皮肤电导(EDA，4Hz)、体温(Temp，0.5Hz)。实时采集的原始数据将送入到后续数据预处理模块实时进行处理。
(1.2)在线原始数据预处理模块
可穿戴腕表端的数据预处理包括在线数据滑动截窗和原始数据滤波两部分。
(a)对连续采集的数据进行滑动截窗处理，对连续数据进行分割，得到各条样数据；
如图3所示为在线数据滑动截窗流程，可穿戴腕表每采集2.5s数据就将当前的2.5s数据与之前采集的7.5s数据组成一个10s的样本窗进行后续处理。
(b)运动信号滤波
实际采集的原始运动信号包括三轴加速度信号和三轴陀螺仪信号。对采集到的运动信号进行姿态解算得到同步的横滚角和俯仰角信息。人体腕部的运动频率相对较低，而实际采集到的运动信号存在高频噪声的干扰，需要对运动信号进行去噪。采用滑动均值滤波来去除高频噪声的干扰，滑动均值滤波选取的窗长为0.1s。
(c)皮肤电导信号滤波
皮肤电导值变化缓慢，主要能量分布在0.2Hz以下的频带。而实际采样得到的皮肤电导信号含有高频抖动，因此也需要去噪。采用滑动均值滤波来去除皮肤电导的高频噪声，滑动均值滤波选取的滑动窗长为1s。
(d)表皮肌电信号滤波
表皮肌电信号容易受到移动伪迹噪声和工频噪声干扰。对采集到的表皮肌电(sEMG)数据进行高通滤波(滤波截至频率为10Hz)去除移动伪迹噪声，利用50Hz工频陷波器去除工频噪声干扰。
(1.3)癫痫发作预分类模块
可穿戴腕表端的癫痫发作预分类模块提取合加速度标准差、合加速度频域主频以及合加速度峰峰值并进行阈值判断，对数据进行预分类。阈值判断流程如图2所示。
(a)合加速度标准差
基于滤波去噪处理后的三轴加速度信号计算合加速度信号，合加速度能反映运动的幅度。提取每个样本窗的合加速度标准差作为特征指标，单位为重力加速度g(9.8m/s2)。该特征基于人体行为的先验知识为:癫痫患者发作时表示为腕部的剧烈抖动，而一些人体日常行为腕部接近静止，因此可以设置合加速度标准差阈值对活动幅度不大的行为进行剔除。设定的合加速度标准差阈值为0.2g，当大于0.2g则认为满足阈值条件。
(b)合加速度频域主频率
对计算得到的合加速度去趋势滤波后作离散傅里叶变换(DFT)得到信号的频域信息。去趋势滤波主要是为了去除基线进而获取主要的变化信息。计算频域最大幅度的频率值作为预判断指标，单位为Hz。该特征指标基于的人体先验知识为:癫痫患者发作时腕部抽搐进而表现为较高频率的抖动，而一些日常运动的频率相对较低。设定的合加速度频域主频阈值为2Hz，当频域主频率大于2Hz则视为满足阈值条件。
(c)合加速度峰峰值
对计算得到的合加速度提取峰峰值作为特征指标，峰峰值能反映一个样本窗合加速度波动的最大范围，单位为重力加速度g(9.8/m/s2)。该特征基于的人体先验知识为：全面性强直阵挛型癫痫患者发作时会发生较大范围的腕部动作，而一些人体的日常行为腕部活动范围较小。设置合加速度峰峰值阈值对活动范围较小的行为进行剔除。设定的合加速度峰峰值阈值为0.8g，当大于0.8g则认为满足阈值条件。
当实时采集的数据不满足任何一个特征指标时则判定该条数据为非发作样本。当一条数据中三个指标均满足特征指标阈值条件，则将该条数据送入到后续癫痫发作检测模型进行分类判断。
(1.4)数据实时无线传输模块
数据实时无线传输模块根据预分类模块的分类结果进行数据的传输。预分类模块将实时采集到的多模态生理数据预先分类为发作和非发作。其中被分类为发作的数据中还包含大量与癫痫发作类似的非发作数据，还需要经过后续手机端的第二级分类模型进行更加精细的判别。而被分类为非发作的数据为与癫痫发作差异很大的行为不需要再进行后续判别。当数据被预分类模块检测为发作时，数据被实时无线传输至手机端进行后续判断。
当数据样本窗被预分类模块检测为非发作时，则不再传输原始数据而只是传输预分类结果标识。当连续多条数据被预分类为发作时，为了避免数据的重复传输，第一条数据传输完整的10s数据，后续的数据只传输最后2.5s的数据。如图3所示，当第n-1条数据和第n条数据连续被预分类为发作时(第n-2个被预分类为非发作，不传输)，第n-1数据窗传输完整的10s数据,第n个只传输其最后2.5s数据。根据预分类模块结果进行数据的传输，避免了大量明显非癫痫发作行为数据的传输，降低了腕表整体的数据传输量，进而降低了设备的功耗。
(2)移动终端
手机端接收腕表传输的预处理后的多模态生理参数数据或腕表预分类结果标识。如图4所示，手机终端包括第二级癫痫发作检测模块(用来对腕表预分类保留下来的数据进行第二级检测)、癫痫发作检测结果判决模块、癫痫发作状态告警模块。各个模块具体分别如下。
(2.1)第二级癫痫发作检测模块
手机端对用户利用癫痫发作检测模型进行第二级癫痫发作检测，获得第二级的检测结果。第二级癫痫发作检测模块对用户的行为进行更加精细的判别，保证准确率的同时降低误报率。
其中，如图5所示，构建癫痫发作检测模型的过程为：
(2.1.1)原始数据预处理：
利用癫痫患者的发作数据作为训练集正样本，健康人的数据作为训练集的负样本。由于健康人数据采集时可以不限制其数据采集场景和活动类型，故采集的负样本中包含了大量日常行为。通过增加大量真实生活场景下的日常行为，使得癫痫发作检测模型在日常生活中更加适用。原始数据预处理模块主要是对汇集的多模态数据进行离线预处理，主要包括数据的滑动截窗和原始信号滤波。其中原始信号滤波包括运动信号滤波、皮肤电导信号滤波、表皮肌电信号滤波。通过原始数据预处理模块得到了去噪后的多模态数据样本集合。
原始数据预处理包括：
分别对原始训练集中的正、负样本进行滑动截窗得到正、负样本集合，其中正样本采用10s窗长截取，步进长度为1s(滑窗重叠率为90％)，负样本采用10s窗长截取，步进长度为10s(滑窗重叠率为0％)。
然后对数据样本进行滤波，依次进行运动信号滑动均值滤波、皮肤电导信号滑动均值滤波、表皮肌电信号滤波去噪。各个生理模态数据滤波处理使用的方法和参数均和腕表端的在线原始数据预处理模块中滤波所用参数保持一致。
(2.1.2)进一步进行数据不平衡处理：
癫痫发作数据持续时间远小于非癫痫发作行为的时间，虽然数据预处理时滑动截窗阶段已经有效降低了数据不平衡程度，但训练集数据仍然比例悬殊，因此需要进一步解决数据不平衡问题。采用的方法与癫痫发作预分类模块采用的方法一致。
本发明基于人体先验知识提取三轴加速度数据的三个特征指标，通过阈值判断来剔除大量明显的非癫痫发作负样本，实现进一步的数据不平衡处理。预处理模块保留下来的数据包含癫痫发作数据和与癫痫发作行为相似的非发作数据，这些数据构成训练集进行后续癫痫发作检测模型的构造。
(2.1.3)构造和优化检测模型
通过对数据进行不平衡处理将训练集中的大量明显的非癫痫发作行为数据剔除，剩下的数据为癫痫发作数据以及癫痫发作相似的日常行为数据。利用数据不平衡处理后保留下的训练集来构造癫痫发作检测模型。如图5中的癫痫发作检测模型构造模块框图所示，分别对每一个数据样本窗进行特征提取、特征降维、随机森林分类模型的构造及优化。分别提取每一个样本窗各个模态数据的时域、频域、时频域以及非线性特征，采用最大相关最小冗余(mRMR)算法进行特征挑选得到训练集数据的特征集合。基于随机森林(RF)模型构建癫痫发作检测模型并对参数进行网格搜索优化检测模型。通过癫痫发作检测模型构造模块得到更加精细的癫痫发作检测模型，用来判别用户的一些与癫痫发作行为类似的正常行为。
(2.2)癫痫发作检测结果判决模块
预分类和癫痫发作检测模型分类步骤会连续输出每条数据的后验概率值(被预分类直接剔除的样本的后验概率视为0)，通过与阈值进行比较可以获得单条数据的检测结果。但是癫痫患者的发作是一个事件，发作事件持续的时间不固定，单个样本的检测结果并不能完整地反映人体的活动状态，需要设计判决策略来综合多个样本进而获得最终的癫痫发作事件判断结果。癫痫发作检测结果判决模块基于双累计后验概率来进行阈值判断，输出患者的状态判断结果。设定两种连续个数的累计后验概率进行判断，图6为结果判决流程。当一条数据在预分类模块检测的检测结果为未发作时，该数据不送入移动终端，该条数据的最终检测结果为未发作，将检测结果数值标记为0；当一条数据在预分类模块检测的检测结果为发作时，送入移动终端的癫痫发作检测结果判决模块进行二级检测，则该模块的检测结果(为检测模型输出的一个概率值)作为该条数据的最终检测结果；累计当前数据的前n-1条数据的检测结果的和值Sn，当Sn大于设定阈值Thn时，则认为检测到一次发作。为了从更长的时间尺度检测发作，设置一个比n大一些的数值m，累计当前数据的前m-1条数据的检测结果的和值Sm，当Sm大于设定阈值Thm时，认为检测到一次发作，如果Sn大于设定阈值Thn同时Sm大于设定阈值Thm，则认为是同一次发作。本发明设置n最小取1,m最小取5，n<m,n＝3,m＝12。连续n个样本窗旨在从短时间片段内判断患者的状态，连续m个样本窗旨在从长时间片段判断患者的状态。
考虑到癫痫患者发作时同一次发作过程中可能存在“剧烈发作-停止发作-剧烈发作”的现象以及一些癫痫持续状态(发作持续时间较长)，当检测到的两次癫痫发作事件距离小于5分钟时将检测到的两次发作事件视为同一次发作。
(2.3)癫痫发作状态告警模块
当癫痫发作检测结果判决模块输出结果为检测到发作事件时，癫痫发作状态告警模块会被触发。癫痫发作状态告警模块通过声光报警来提醒周围人及时给予患者帮助，保障患者的安全。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多级分类的低功耗可穿戴癫痫发作检测系统，其特征在于，包括可穿戴设备和移动终端；
所述可穿戴设备包括实时数据采集模块、在线原始数据预处理模块、癫痫发作预分类模块和数据实时无线传输模块；
所述实时数据采集模块用于采集用户腕部的生理信号参数数据，包括:三轴加速度、三轴陀螺仪、表皮肌电、皮肤电导以及体温；
所述在线原始数据预处理模块用于对各生理信号参数数据进行预处理；
所述癫痫发作预分类模块对预处理后的各生理信号参数数据进行初步判断，判别出癫痫发作样本数据和非发作样本数据，并得到癫痫发作的一级检测结果；
所述数据实时无线传输模块将被癫痫发作预分类模块检测为发作样本数据以及所述初步判断结果发送给移动终端；
所述移动终端包括第二级癫痫发作检测模块、癫痫发作检测结果判决模块和癫痫发作状态告警模块；
所述第二级癫痫发作检测模块包括利用癫痫发作数据和非发作时的生理信号参数数据组成的训练样本训练得到的癫痫检测模型；该癫痫检测模型用于对数据实时无线传输模块发送的发作样本数据进行识别，判断是否为癫痫发作或者非发作，得到癫痫发作的二级检测结果；
所述癫痫发作检测结果判决模块用于根据数据实时无线传输模块发送的一级判断结果和第二级癫痫发作检测模块得到的二级检测结果进行联合判断，得到是否为癫痫发作的最终结果。
2.如权利要求1所述的一种基于多级分类的低功耗可穿戴癫痫发作检测系统，其特征在于，所述癫痫发作预分类模块对预处理后的各生理信号参数数据进行初步判断的过程包括：
根据三轴加速度数据获得合加速度标准差、合加速度频域主频以及合加速度峰峰值，并判断三者是否均大于设定的阈值，如果均大于则判定为癫痫发作样本数据，否则判定为非发作样本数据。
3.如权利要求2所述的一种基于多级分类的低功耗可穿戴癫痫发作检测系统，其特征在于，所述在线原始数据预处理模块对生理信号参数数据进行滑动截窗获得每条数据，采用10s窗长截取，步进长度为2.5s。
4.如权利要求6所述的一种基于多级分类的低功耗可穿戴癫痫发作检测系统，其特征在于，所述在线原始数据预处理模块对滑动截窗处理后的数据还进行滤波处理。
5.如权利要求1所述的一种基于多级分类的低功耗可穿戴癫痫发作检测系统，其特征在于，所述第二级癫痫发作检测模块中的癫痫检测模型的构建过程为：
采集癫痫患者的发作数据作为训练集正样本数据，健康人的数据作为训练集的负样本数据，得到训练样本数据；
对训练样本数据顺次进行特征提取和特征降维，再利用特征提取后的训练数据构建和优化随机森林分类模型，得到癫痫检测模型。
6.如权利要求5所述的一种基于多级分类的低功耗可穿戴癫痫发作检测系统，其特征在于，对所述训练样本数据进行数据不均衡处理后，再利用其构建和优化随机森林分类模型，其中，数据不均衡处理方法为：根据三轴加速度数据获得合加速度标准差、合加速度频域主频以及合加速度峰峰值，并判断三者是否均大于设定的阈值，如果均大于则保留，作为训练样本数据，否则剔除。
7.如权利要求5或6所述的一种基于多级分类的低功耗可穿戴癫痫发作检测系统，其特征在于，在对训练样本数据进行数据不均衡处理前，先获得原始训练数据，具体为：
对原始的生理信号参数数据进行滑动截窗，得到原始训练数据，其中正样本的步进长度小于负样本的步进长度，正样本的滑窗重叠率大于负样本的滑窗重叠率。
8.如权利要求7所述的一种基于多级分类的低功耗可穿戴癫痫发作检测系统，其特征在于，在对训练样本数据进行数据不均衡处理前，还包括对所述原始训练数据的滤波处理。
9.如权利要求1所述的一种基于多级分类的低功耗可穿戴癫痫发作检测系统，其特征在于，所述数据实时无线传输模块，对于检测为非发作数据，将则分类结果标识发送给移动终端；当连续多个样本被预分类为发作数据时，第一个样本的完整数据发送给移动终端，后续的样本发送该数据从后面截取的部分数据。
10.如权利要求1所述的一种基于多级分类的低功耗可穿戴癫痫发作检测系统，其特征在于，所述癫痫发作检测结果判决模块进行联合判断的方法为：
当一条数据在预分类模块检测的检测结果为未发作时，该条数据的最终检测结果为未发作，将检测结果数值标记为0；当一条数据在预分类模块检测的检测结果为发作时，送入移动终端的癫痫发作检测结果判决模块进行二级检测，则该模块的检测结果作为该条数据的最终检测结果；
累计当前数据与之前的n-1条数据的最终检测结果的和值Sn，同时累计当前数据与之前m-1条数据的最终检测结果的和值Sm，并进行判断：
当Sn大于第一设定阈值Thn或Sm大于第二设定阈值Thm时，则认为检测到一次发作；
其中n<m，n最小取1,m最小取5。
CN202210187014.3A 2021-12-02 2022-02-28 一种基于多级分类的低功耗可穿戴癫痫发作检测系统 Pending CN114631780A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111457925 2021-12-02
CN2021114579255 2021-12-02

Publications (1)

Publication Number Publication Date
CN114631780A true CN114631780A (zh) 2022-06-17

Family

ID=81947107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210187014.3A Pending CN114631780A (zh) 2021-12-02 2022-02-28 一种基于多级分类的低功耗可穿戴癫痫发作检测系统

Country Status (1)

Country Link
CN (1) CN114631780A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115770050A (zh) * 2022-12-02 2023-03-10 重庆医科大学附属第二医院 癫痫检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115770050A (zh) * 2022-12-02 2023-03-10 重庆医科大学附属第二医院 癫痫检测方法及系统
CN115770050B (zh) * 2022-12-02 2023-09-08 重庆医科大学附属第二医院 癫痫检测方法及系统

Similar Documents

Publication Publication Date Title
Tzimourta et al. EEG-based automatic sleep stage classification
CN106821376B (zh) 一种基于深度学习算法的癫痫发作预警系统
CA2820653C (en) Analysis of eeg signals to detect hypoglycaemia
US9801553B2 (en) System, method, and computer program product for the real-time mobile evaluation of physiological stress
Zhang et al. Sleep stage classification using bidirectional lstm in wearable multi-sensor systems
CN112353368B (zh) 一种基于反馈调节的多输入信号癫痫发作检测系统
EP3737283B1 (en) System and method for classifying and modulating brain behavioral states
WO2007149553A2 (en) Alertness/drowsiness and cognitive capacity index
CN101340846A (zh) 医学状况的检测和报警装置
CN105167785A (zh) 基于数字化头盔的疲劳监测及预警系统和方法
WO2015168151A1 (en) System and method for tracking sleep dynamics using behavioral and physiological information
El Halabi et al. Monitoring system for prediction and detection of epilepsy seizure
CN114631780A (zh) 一种基于多级分类的低功耗可穿戴癫痫发作检测系统
Sloboda et al. A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices
Hamlin et al. Assessing the feasibility of detecting epileptic seizures using non-cerebral sensor data
CN113812933A (zh) 基于可穿戴式设备的急性心肌梗死实时预警系统
CN117272112A (zh) 基于多生理参数的癫痫检测方法、系统、设备及存储介质
Sugumar et al. Seizure Detection using Machine Learning and Monitoring through IoT Devices
Patrick et al. An algorithm for automatic detection of drowsiness for use in wearable EEG systems
Ye et al. Automatic sleep and wake classifier with heart rate and pulse oximetry: derived dynamic time warping features and logistic model
Lachtar et al. Drowsiness detection with a limited number of EEG physiological signals
CN113261924A (zh) 一种脑卒中智能预警系统及方法
Wang et al. Daily Epileptic Seizure Detection Algorithm Based on Multi-modal Physiological Signals
Misirlis et al. Pediatric epilepsy assessment based on EEG analysis
CN117582219B (zh) 基于六分钟步行试验的连续生理数据的运动性低血氧预测方法及其装置

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