CN114677379A - 基于人工智能的头皮脑电图致痫区的定位方法 - Google Patents
基于人工智能的头皮脑电图致痫区的定位方法 Download PDFInfo
- Publication number
- CN114677379A CN114677379A CN202210603967.3A CN202210603967A CN114677379A CN 114677379 A CN114677379 A CN 114677379A CN 202210603967 A CN202210603967 A CN 202210603967A CN 114677379 A CN114677379 A CN 114677379A
- Authority
- CN
- China
- Prior art keywords
- sparse coding
- image
- sparse
- images
- loss function
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- A61B5/7235—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurosurgery (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Psychology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域,具体涉及一种基于人工智能的头皮脑电图致痫区的定位方法。包括:采集历史脑电图波形图像进行压缩,获取每张历史波形图像的稀疏编码图像;利用神经网络进行训练,获取每个稀疏编码图像的LOSS函数历史值;计算稀疏编码图像LOSS函数历史值均值,获取震荡稀疏编码图像;计算震荡稀疏编码图像与每个稀疏编码图像的相似性,获取关联稀疏编码图像;重新构建所述神经网络的LOSS函数,输出标注图像。根据本发明提出的技术手段,通过对神经网络的LOSS函数重新进行构建,能够有效提升神经网络的识别精确度,有效避免了因为人工标注不准确导致神经网络训练结果较差的影响。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于人工智能的头皮脑电图致痫区的定位方法。
背景技术
癫痫是由于大脑神经元异常放电而导致的短暂大脑功能障碍,是一种十分常见的慢性神经系统疾病,临床症状为意识丧失、抽搐、甚至晕倒,有时会反复发作。患者寄希望于手术治疗以摆脱疾病对工作和生活的影响,然而对于致痫灶的手术切除还存在一个重要的问题——如何保留相应的脑功能区而不被破坏。在众多局限性因素影响下,医生只能进行姑息性切除,这将导致疾病的复发或脑功能损坏等情况的出现,因此精准定位癫痫灶对患者来说十分重要。目前对致痫灶的定位临床上已经有多种应用较为广泛的术前评估方法:详细询问病史、长程视频脑电图监测、结构性和功能性磁共振(MRI)等。作为定位致痫灶金标准的颅内电极脑电图,例如立体定向脑电图是一种颅内多触点深部电极植入及监测技术。临床经验发现,电极信号中的高频振荡(HFOs)信号与癫痫的发作有密切的联系。临床医生在手术前定位致痫切除区域主要就是通过观察脑电采集软件的通道信号,寻找存在HFO信号的通道作为可疑致痫区。
脑电信号是通过大量神经元同步发生的突触后电位经总和后形成的,它记录了大脑活动时的电波变化。借助脑电信号所具有的时空特性,我们能充分发掘其潜在的活动特征。癫痫的发作过程可视为病变神经元状态转变的过程,从脑电信号层面上可视为由爆发式间断性异常放电(HFO)转变为持续性异常放电。一般情况下,癫痫的发作间期和发作期之间存在一个过渡期,称为癫痫发作前期。识别癫痫发作前期作为癫痫发作预测的标志已成为主流的研究方法,通过提取癫痫发作前期的脑电特征,借助机器学习等手段可实现癫痫发作前期的检测。
对于不同经验的医师,对癫痫信号的标注不同,同时不同医院存在不同要求,对脑电图中由癫痫引起的异常放电的波形标注也不相同,不同的标签对神经网络的训练影响程度较大,会导致放电异常的识别失误(即同一个波形由于标注习惯不同,可能将同一个波形标记为两个标签,两个标签中有较大的重叠部分),引起致痫区域的定位失误,导致严重的手术风险。对于对猫、狗之类的图像进行训练,标签的标注差异对结果影响不大,但对于脑电图的波形差异,轻微的差异就会导致重要特征丢失,造成识别结果不好。
发明内容
本发明提供一种基于人工智能的头皮脑电图致痫区的定位方法,以解决现有的问题,包括:采集历史波形图像进行压缩,获取每张历史波形图像的稀疏编码图像;利用神经网络进行训练,获取每个稀疏编码图像的LOSS函数历史值;计算稀疏编码图像LOSS函数历史值均值,获取震荡稀疏编码图像;计算震荡稀疏编码图像与每个稀疏编码图像的相似性,获取关联稀疏编码图像;重新构建所述神经网络的LOSS函数,输出标注图像。
根据本发明提出的技术手段,将采集的波形图压缩后输入神经网络进行训练,并根据拟合的理想神经网络中的LOSS函数值对训练得到的实际LOSS函数值进行分析,通过筛选出现震荡现象的稀疏编码图像并计算与其相似性较高的关联稀疏编码图像,通过关联稀疏编码图像对其进行约束,根据约束后的图像对神经网络的LOSS函数进行重构,进而根据对重构LOSS函数的神经网络输出标注图像,提升了识别精度的同时,有效避免了因人工标注不准确导致的神经网络训练效果较差的影响。
本发明采用如下技术方案,一种基于人工智能的头皮脑电图致痫区的定位方法,包括:
采集同一批次的历史脑电图波形图像,对该批次脑电图历史波形图像进行压缩,获取每张脑电图历史波形图像的稀疏编码图像;
将所述稀疏编码图像输入神经网络进行训练,获取每个稀疏编码图像在神经网络中的LOSS函数历史值;
计算所有稀疏编码图像LOSS函数历史值的均值,获取LOSS函数历史值与LOSS函数历史值均值差别大于第一阈值的稀疏编码图像,作为震荡稀疏编码图像;
任选取一个震荡稀疏编码图像,根据该震荡稀疏编码图像与每个稀疏编码图像的稀疏解和稀疏系数的位置,计算该震荡稀疏编码图像与每个稀疏编码图像的相似性,获取与该震荡稀疏编码图像相似性值大于第二阈值的关联稀疏编码图像;
根据该震荡稀疏编码图像与每个关联稀疏编码图像的相似性值,以及该震荡稀疏编码图像的关联稀疏编码图像数量重新构建所述神经网络的LOSS函数;
将待检测脑电图波形图像输入到重新构建LOSS函数的神经网络中,输出标注图像,根据标注图像定位致痫区域。
进一步的,一种基于人工智能的头皮脑电图致痫区的定位方法,将所述历史脑电图波形图像分为训练集和验证集,采用K-SVD字典学习获取训练集字典,验证集采用训练集字典,获取所有历史脑电图波形图像对应的稀疏编码图像。
进一步的,一种基于人工智能的头皮脑电图致痫区的定位方法,获取所述震荡稀疏编码图像的方法为:
计算所有稀疏编码图像LOSS函数历史值的均值,计算每个偏差值大于第一阈值的稀疏编码图像的LOSS函数历史值与所有稀疏编码图像LOSS函数历史值均值之差,将差值大于第一阈值的稀疏编码图像作为震荡稀疏编码图像。
进一步的,一种基于人工智能的头皮脑电图致痫区的定位方法,所述偏差值大于第一阈值的稀疏编码图像为:
对神经网络每次训练中所有稀疏编码图像的LOSS函数历史值进行拟合,得到拟合的平滑曲线,计算每个稀疏编码图像的LOSS函数历史值与拟合值的偏差值,获取所有偏差值大于预设阈值的稀疏编码图像。
进一步的,一种基于人工智能的头皮脑电图致痫区的定位方法,计算所述震荡稀疏编码图像与每个稀疏编码图像的相似性的表达式为:
其中,表示所述相似性值,表示震荡稀疏编码图像对应的稀疏解中第t个位置上的稀疏系数,表示震荡稀疏编码图像的稀疏解中最大稀疏系数的位置,表示第u个稀疏编码图像对应的稀疏解中第t个位置上的稀疏系数,表示第u个稀疏编码图像对应的稀疏解中最大稀疏系数的位置,表示稀疏解的位置个数。
进一步的,一种基于人工智能的头皮脑电图致痫区的定位方法,重新构建的LOSS函数表达式为:
进一步的,一种基于人工智能的头皮脑电图致痫区的定位方法,将训练集稀疏编码图像输入重新构建LOSS函数的神经网络中进行训练,得到LOSS收敛的神经网络模型,将验证集稀疏编码图像输入神经网络,输出每个稀疏编码图像的标注图像,根据标注图像中标注的位置定位待检测波形图中的致痫区域。
本发明的有益效果是:根据本发明提出的技术手段,将采集的波形图压缩后输入神经网络进行训练,并根据拟合的理想神经网络中的LOSS函数值对训练得到的实际LOSS函数值进行分析,通过筛选出现震荡现象的稀疏编码图像并计算与其相似性较高的关联稀疏编码图像,通过关联稀疏编码图像对其进行约束,根据约束后的图像对神经网络的LOSS函数进行重构,进而根据对重构LOSS函数的神经网络输出标注图像,提升了识别精度的同时,有效避免了因人工标注不准确导致的神经网络训练效果较差的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于人工智能的头皮脑电图致痫区的定位方法结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,给出了本发明实施例的一种基于人工智能的头皮脑电图致痫区的定位方法结构示意图,包括:
101. 采集同一批次的历史脑电图波形图像,对该批次脑电图历史波形图像进行压缩,获取每张脑电图历史波形图像的稀疏编码图像。
本发明所针对的情景为:采集癫痫患者头皮脑电图波形图像,将采集到的图像输入神经网络,根据输出结果判断异常,达到对颅内致痫区域定位的目的。
由于脑电图中存在的有用信息为波形图,即图像中存在大量的空白区域为冗余,对原始图像进行训练会导致计算量大,故对波形图像进行压缩。
获取训练数据集,数据集为历史癫痫患者脑电图标注图像,将数据集分为两部分,一部分为训练集,一部分为验证集,例如数据集为10000张历史癫痫患者脑电图标注图像,5000张历史癫痫患者脑电图标注图像作为训练集,采用K-SVD字典学习获取训练集字典,训练集训练完成固定字典,每一张图像对应一个稀疏编码,所有的训练集对应同一个字典。
将所述历史脑电图波形图像分为训练集和验证集,采用K-SVD字典学习获取训练集字典,验证集采用训练集字典,获取所有历史脑电图波形图像对应的稀疏编码图像。
102.将所述稀疏编码图像输入神经网络进行训练,获取神经网络中每个稀疏编码图像的LOSS函数历史值。
验证集采用训练集的字典,即验证集中每一张图像均对应一个稀疏编码图像。将稀疏编码图像输入到神经网络中进行神经网络模型的训练,得到LOSS函数历史值。
在神经网络训练的过程中,随着训练次数的增加,神经网络的LOSS会逐渐收敛,但由于标签标注的人员不同,导致同一个波峰图像存在不同的标签,神经网络在学习此类标签时,不知道以哪类为主,故当神经网络训练到百分之八九十时,同一个波峰图像不同的标签会导致神经网络的LOSS出现振荡,导致LOSS无法收敛,此时需要对LOSS函数进行修改,重新训练导致振荡的标签图像。
103.计算所有稀疏编码图像LOSS函数历史值的均值,获取LOSS函数历史值与LOSS函数历史值均值差别大于第一阈值的稀疏编码图像,作为震荡稀疏编码图像。
获取振荡时刻批次的图像,神经网络进行训练时,通过梯度下降法对神经网络参数进行调整,LOSS的值会根据训练次数的增加而下降,最终趋近于0,但由于标签噪声的影响(即同一图像由于标注人员的标注方法不同造成同一图像对应多个标签),导致loss出现震荡,同时增加训练次数也难以使得LOSS收敛,故获取出现震荡较大的图像,其方法为:采用最小二乘法对神经网络每次训练的loss函数的历史值进行拟合,获取拟合的平滑曲线,获取离群的,为loss函数偏差值,a为拟合历史值得到的loss函数拟合值,a’为loss函数历史值。
所述偏差值大于第一阈值的稀疏编码图像为:
对神经网络每次训练中所有稀疏编码图像的LOSS函数历史值进行拟合,得到拟合的平滑曲线,计算每个稀疏编码图像的LOSS函数历史值与拟合值的偏差值,获取所有偏差值大于预设阈值的稀疏编码图像。
获取所述震荡稀疏编码图像的方法为:
计算所有稀疏编码图像LOSS函数历史值的均值,计算每个偏差值大于第一阈值的稀疏编码图像的LOSS函数历史值与所有稀疏编码图像LOSS函数历史值均值之差,将差值大于第一阈值的稀疏编码图像作为震荡稀疏编码图像。
由于大于阈值的震荡稀疏编码图像可能为多个,本发明中任意选取其中一个作为后续分析的对象,即根据任意一个震荡稀疏编码图像对LOSS函数进行重构。
104.根据震荡稀疏编码图像与所有稀疏编码图像的稀疏解和稀疏系数计算所述震荡稀疏编码图像与每个稀疏编码图像的相似性,将所有相似性值大于第二阈值的稀疏编码图像作为关联稀疏编码图像。
对于图像,在原loss函数的约束下,loss值大说明神经网络越没有学习到该图像的特征,即loss函数对该类型的图像约束太严苛,图像可能为与某一标签的图像相似性很大,即所代表的脑电波波形为同一波形。但由于标签错误,网络必须在这多幅相似的图像中做出选择,导致loss出现震荡,难以收敛,故此时需要对loss函数进行调整,使其对的约束条件相较于之前的约束较为松弛。
计算所述震荡稀疏编码图像与每个稀疏编码图像的相似性的表达式为:
其中,表示所述相似性值,表示震荡稀疏编码图像对应的稀疏解中第t个位置上的稀疏系数,表示震荡稀疏编码图像的稀疏解中最大稀疏系数的位置,表示第u个稀疏编码图像对应的稀疏解中第t个位置上的稀疏系数,表示第u个稀疏编码图像对应的稀疏解中最大稀疏系数的位置,表示稀疏解的位置个数。
本发明中,当R的值大于0.8时,认为该稀疏编码图像与所述震荡稀疏编码图像存在关联,则获取所有关联稀疏编码图像。
105.根据震荡稀疏编码图像与每个关联稀疏编码图像的相似性值重新构建所述神经网络的LOSS函数。
根据测试图像与训练集中图像的关系构建图结构数据,以图像作为节点,测试图像与训练集中图像的相似性为边权值构建图结构,测试图像与训练集中某图像的边权值越大,说明测试图像与该训练集中的图像互斥性越大,神经网络在学习这两种图像的特征时,越不容易学习到统一的特征。
重新构建的LOSS函数表达式为:
106.将待检测波形图像的稀疏编码图像输入重新构建LOSS函数的神经网络,输出标注图像。
由于本发明选取筛选出的任意一个震荡稀疏编码图像对LOSS函数进行重新构建,可能存在构建不完整的情况,因此,当重新构建LOSS函数后,将筛选得到的所有震荡稀疏编码图像重新输入神经网络中进行训练,根据训练的结果判断当前神经网络的LOSS函数是否符合要求。
当训练后得到的LOSS函数值依然存在震荡现象,则重复本发明102-105的步骤,对LOSS函数继续进行优化重构,直到完全消除震荡现象。
将训练集稀疏编码图像输出重新构建LOSS函数的神经网络中进行训练,得到LOSS收敛的神经网络模型,将验证集稀疏编码图像输入神经网络,输出每个稀疏编码图像的标注图像,根据标注图像中标注的位置定位待检测波形图中的致痫区域。
根据本发明提出的技术手段,将采集的波形图压缩后输入神经网络进行训练,并根据拟合的理想神经网络中的LOSS函数值对训练得到的实际LOSS函数值进行分析,通过筛选出现震荡现象的稀疏编码图像并计算与其相似性较高的关联稀疏编码图像,通过关联稀疏编码图像对其进行约束,根据约束后的图像对神经网络的LOSS函数进行重构,进而根据对重构LOSS函数的神经网络输出标注图像,提升了识别精度的同时,有效避免了因人工标注不准确导致的神经网络训练效果较差的影响。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (7)
1.一种基于人工智能的头皮脑电图致痫区的定位方法,其特征在于,包括:
采集同一批次的历史脑电图波形图像,对该批次脑电图历史波形图像进行压缩,获取每张脑电图历史波形图像的稀疏编码图像;
将所述稀疏编码图像输入神经网络进行训练,获取每个稀疏编码图像在神经网络中的LOSS函数历史值;
计算所有稀疏编码图像LOSS函数历史值的均值,获取LOSS函数历史值与LOSS函数历史值均值差别大于第一阈值的稀疏编码图像,作为震荡稀疏编码图像;
任选取一个震荡稀疏编码图像,根据该震荡稀疏编码图像与每个稀疏编码图像的稀疏解和稀疏系数的位置,计算该震荡稀疏编码图像与每个稀疏编码图像的相似性,获取与该震荡稀疏编码图像相似性值大于第二阈值的关联稀疏编码图像;
根据该震荡稀疏编码图像与每个关联稀疏编码图像的相似性值,以及该震荡稀疏编码图像的关联稀疏编码图像数量重新构建所述神经网络的LOSS函数;
将待检测脑电图波形图像输入到重新构建LOSS函数的神经网络中,输出标注图像,根据标注图像定位致痫区域。
2.根据权利要求1所述的一种基于人工智能的头皮脑电图致痫区的定位方法,其特征在于,将所述历史脑电图波形图像分为训练集和验证集,采用K-SVD字典学习获取训练集字典,验证集采用训练集字典,获取所有历史脑电图波形图像对应的稀疏编码图像。
3.根据权利要求1所述的一种基于人工智能的头皮脑电图致痫区的定位方法,其特征在于,获取所述震荡稀疏编码图像的方法为:
计算所有稀疏编码图像LOSS函数历史值的均值,计算每个偏差值大于第一阈值的稀疏编码图像的LOSS函数历史值与所有稀疏编码图像LOSS函数历史值均值之差,将差值大于第一阈值的稀疏编码图像作为震荡稀疏编码图像。
4.根据权利要求3所述的一种基于人工智能的头皮脑电图致痫区的定位方法,其特征在于,所述偏差值大于第一阈值的稀疏编码图像为:
对神经网络每次训练中所有稀疏编码图像的LOSS函数历史值进行拟合,得到拟合的平滑曲线,计算每个稀疏编码图像的LOSS函数历史值与拟合值的偏差值,获取所有偏差值大于预设阈值的稀疏编码图像。
7.根据权利要求2所述的一种基于人工智能的头皮脑电图致痫区的定位方法,其特征在于,定位致痫区域的方法为:将训练集稀疏编码图像输入重新构建LOSS函数的神经网络中进行训练,得到LOSS收敛的神经网络模型,将验证集稀疏编码图像输入神经网络,输出每个稀疏编码图像的标注图像,根据标注图像中标注的位置定位待检测波形图中的致痫区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603967.3A CN114677379B (zh) | 2022-05-31 | 2022-05-31 | 基于人工智能的头皮脑电图致痫区的定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603967.3A CN114677379B (zh) | 2022-05-31 | 2022-05-31 | 基于人工智能的头皮脑电图致痫区的定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114677379A true CN114677379A (zh) | 2022-06-28 |
CN114677379B CN114677379B (zh) | 2022-08-16 |
Family
ID=82081182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210603967.3A Active CN114677379B (zh) | 2022-05-31 | 2022-05-31 | 基于人工智能的头皮脑电图致痫区的定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114677379B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968635A (zh) * | 2012-11-23 | 2013-03-13 | 清华大学 | 一种基于稀疏编码的图像视觉特征提取方法 |
EP3187110A1 (en) * | 2015-12-30 | 2017-07-05 | squipe GmbH | Apparatus for detecting and providing brain signals by use of electroencephalography |
CN108852350A (zh) * | 2018-05-18 | 2018-11-23 | 中山大学 | 一种基于深度学习算法的头皮脑电图致痫区的识别与定位方法 |
CN109711278A (zh) * | 2018-12-07 | 2019-05-03 | 浙江大学 | 一种低复杂度的脑电波信号压缩和分类方法 |
CN111460892A (zh) * | 2020-03-02 | 2020-07-28 | 五邑大学 | 一种脑电图模式分类模型的训练方法、分类方法及系统 |
CN113261980A (zh) * | 2021-05-14 | 2021-08-17 | 清华大学 | 一种基于脑电联合特征学习的大规模视觉分类方法及装置 |
CN113272763A (zh) * | 2019-01-17 | 2021-08-17 | 三菱电机株式会社 | 脑机接口系统、用于大脑活动分析的系统和分析方法 |
US20210282701A1 (en) * | 2020-03-16 | 2021-09-16 | nCefalon Corporation | Method of early detection of epileptic seizures through scalp eeg monitoring |
CN113647962A (zh) * | 2021-08-20 | 2021-11-16 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
-
2022
- 2022-05-31 CN CN202210603967.3A patent/CN114677379B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968635A (zh) * | 2012-11-23 | 2013-03-13 | 清华大学 | 一种基于稀疏编码的图像视觉特征提取方法 |
EP3187110A1 (en) * | 2015-12-30 | 2017-07-05 | squipe GmbH | Apparatus for detecting and providing brain signals by use of electroencephalography |
CN108852350A (zh) * | 2018-05-18 | 2018-11-23 | 中山大学 | 一种基于深度学习算法的头皮脑电图致痫区的识别与定位方法 |
CN109711278A (zh) * | 2018-12-07 | 2019-05-03 | 浙江大学 | 一种低复杂度的脑电波信号压缩和分类方法 |
CN113272763A (zh) * | 2019-01-17 | 2021-08-17 | 三菱电机株式会社 | 脑机接口系统、用于大脑活动分析的系统和分析方法 |
CN111460892A (zh) * | 2020-03-02 | 2020-07-28 | 五邑大学 | 一种脑电图模式分类模型的训练方法、分类方法及系统 |
US20210282701A1 (en) * | 2020-03-16 | 2021-09-16 | nCefalon Corporation | Method of early detection of epileptic seizures through scalp eeg monitoring |
CN113261980A (zh) * | 2021-05-14 | 2021-08-17 | 清华大学 | 一种基于脑电联合特征学习的大规模视觉分类方法及装置 |
CN113647962A (zh) * | 2021-08-20 | 2021-11-16 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
Non-Patent Citations (2)
Title |
---|
GUANHUA Z.等: "SparseDGCNN: Recognizing Emotion from Multichannel EEG Signals", 《IEEE TRANSACTIONS ON AFFECTIVE COMPUTING》 * |
李志清 等: "基于结构相似度的稀疏编码模型", 《软件学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114677379B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zarei et al. | Automatic seizure detection using orthogonal matching pursuit, discrete wavelet transform, and entropy based features of EEG signals | |
Alotaiby et al. | Epileptic seizure prediction using CSP and LDA for scalp EEG signals | |
Fan et al. | Detecting abnormal pattern of epileptic seizures via temporal synchronization of EEG signals | |
Hussein et al. | Focal and non-focal epilepsy localization: A review | |
Shoka et al. | Literature review on EEG preprocessing, feature extraction, and classifications techniques | |
Karthick et al. | Prediction of secondary generalization from a focal onset seizure in intracerebral EEG | |
Yuan et al. | Kernel collaborative representation-based automatic seizure detection in intracranial EEG | |
Soni et al. | Graphical representation learning-based approach for automatic classification of electroencephalogram signals in depression | |
CN115590529A (zh) | 基于时空注意力机制的癫痫脑电信号监测方法及系统 | |
Kumar et al. | Automated Schizophrenia detection using local descriptors with EEG signals | |
Belhadj et al. | Whole brain epileptic seizure detection using unsupervised classification | |
Affes et al. | Personalized attention-based EEG channel selection for epileptic seizure prediction | |
Khosropanah et al. | A hybrid unsupervised approach toward EEG epileptic spikes detection | |
Hasan et al. | Fine-grained emotion recognition from eeg signal using fast fourier transformation and cnn | |
Chavan et al. | Effective epileptic seizure detection by classifying focal and non-focal EEG signals using human learning optimization-based hidden Markov model | |
Wu et al. | Automatic detection of abnormal EEG signals using multiscale features with ensemble learning | |
Tripathi et al. | Automatic seizure detection and classification using super-resolution superlet transform and deep neural network-A preprocessing-less method | |
Zhao et al. | Epileptic focus localization based on iEEG by using positive unlabeled (PU) learning | |
Zuhair et al. | Classification of patient by analyzing EEG signal using DWT and least square support vector machine | |
Sharma et al. | A fractal based machine learning method for automatic detection of epileptic seizures using eeg | |
Neifar et al. | Deep Generative Models for Physiological Signals: A Systematic Literature Review | |
CN114677379B (zh) | 基于人工智能的头皮脑电图致痫区的定位方法 | |
CN114699093A (zh) | 一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法 | |
CN113598792B (zh) | 基于有监督特征融合算法的癫痫脑电分类方法 | |
Lai et al. | Channel-wise characterization of high frequency oscillations for automated identification of the seizure onset zone |
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 |