CN114677379B - 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 PDF

Info

Publication number
CN114677379B
CN114677379B CN202210603967.3A CN202210603967A CN114677379B CN 114677379 B CN114677379 B CN 114677379B CN 202210603967 A CN202210603967 A CN 202210603967A CN 114677379 B CN114677379 B CN 114677379B
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.)
Active
Application number
CN202210603967.3A
Other languages
English (en)
Other versions
CN114677379A (zh
Inventor
韩雄
韩久琰
郑美琼
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.)
Hengtai Likang Xi'an Biotechnology Co ltd
Henan Provincial Peoples Hospital
Original Assignee
Hengtai Likang Xi'an Biotechnology Co ltd
Henan Provincial Peoples Hospital
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 Hengtai Likang Xi'an Biotechnology Co ltd, Henan Provincial Peoples Hospital filed Critical Hengtai Likang Xi'an Biotechnology Co ltd
Priority to CN202210603967.3A priority Critical patent/CN114677379B/zh
Publication of CN114677379A publication Critical patent/CN114677379A/zh
Application granted granted Critical
Publication of CN114677379B publication Critical patent/CN114677379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于人工智能的头皮脑电图致痫区的定位方法
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：
采集同一批次的脑电图历史波形图像，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，将所述脑电图历史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，获取所有脑电图历史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：
Figure 647731DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示所述相似性值，
Figure 491053DEST_PATH_IMAGE004
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，
Figure DEST_PATH_IMAGE005
表示震荡稀疏编码图像的稀疏解中最大稀疏系数的位置，
Figure 512753DEST_PATH_IMAGE006
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，
Figure DEST_PATH_IMAGE007
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，
Figure 834144DEST_PATH_IMAGE008
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：
Figure 433752DEST_PATH_IMAGE010
其中，x为神经网络的网络预测值，
Figure DEST_PATH_IMAGE011
表示第i个关联稀疏编码图像的特征值，
Figure 477670DEST_PATH_IMAGE012
表示震荡稀疏编码图像的特征值，
Figure DEST_PATH_IMAGE013
表示第i个关联稀疏编码图像与震荡稀疏编码图像的相似性值，q表示稀疏编码图像的个数。
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，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. 采集同一批次的脑电图历史波形图像，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。
将所述脑电图历史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，获取所有脑电图历史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
Figure 670885DEST_PATH_IMAGE014
,
Figure DEST_PATH_IMAGE015
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。
本发明中，即当
Figure 717338DEST_PATH_IMAGE016
时，获取
Figure DEST_PATH_IMAGE017
值大于等于0.3所对应的震荡稀疏编码图像
Figure 610601DEST_PATH_IMAGE018
。
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
Figure 467830DEST_PATH_IMAGE018
，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
Figure 272975DEST_PATH_IMAGE018
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
Figure 388698DEST_PATH_IMAGE018
的约束条件相较于之前的约束较为松弛。
计算
Figure 274484DEST_PATH_IMAGE018
图像与数据集中图像的相似程度，
Figure 348619DEST_PATH_IMAGE018
图像与数据集中某图像的相似性越高，即越有可能代表其所标注的标签为同一波形图像，即神经网络在对
Figure 375481DEST_PATH_IMAGE018
进行约束时，不仅要考虑其自身的情况，还应当考虑与其相关的图像情况。
Figure 780048DEST_PATH_IMAGE018
图像为测试图像，将其与训练集中稀疏编码图像进行相似性匹配，对于稀疏编码图像，两稀疏编码图像中稀疏解的距离越近，稀疏解中最大系数所在位置越相近，则代表两图像的相似性越高。
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：
Figure 333389DEST_PATH_IMAGE002
其中，
Figure 453792DEST_PATH_IMAGE003
表示所述相似性值，
Figure 807763DEST_PATH_IMAGE004
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，
Figure 999710DEST_PATH_IMAGE005
表示震荡稀疏编码图像的稀疏解中最大稀疏系数的位置，
Figure 158290DEST_PATH_IMAGE006
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，
Figure 43070DEST_PATH_IMAGE007
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，
Figure 44524DEST_PATH_IMAGE008
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
Figure 555008DEST_PATH_IMAGE018
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
Figure 755046DEST_PATH_IMAGE018
与训练集中某图像的边权值越大，说明测试图像
Figure 623776DEST_PATH_IMAGE018
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。
即在对测试图像
Figure 440422DEST_PATH_IMAGE018
进行约束时，不仅得考虑测试图像
Figure 741215DEST_PATH_IMAGE018
自身情况，还得考虑与他边权值大的图像的情况，期望预测值在尽可能趋近测试图像
Figure 936705DEST_PATH_IMAGE018
的值时也尽可能趋近与测试图像
Figure 100970DEST_PATH_IMAGE018
边权值大的图像，松弛对测试图像
Figure 120091DEST_PATH_IMAGE018
的约束条件。
重新构建的LOSS函数表达式为：
Figure 519849DEST_PATH_IMAGE010
其中，x为神经网络的网络预测值，
Figure 976369DEST_PATH_IMAGE011
表示第i个关联稀疏编码图像的特征值，
Figure 108273DEST_PATH_IMAGE012
表示震荡稀疏编码图像的特征值，
Figure 571616DEST_PATH_IMAGE013
表示第i个关联稀疏编码图像与震荡稀疏编码图像的相似性值，q表示稀疏编码图像的个数。
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 (5)

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：
采集同一批次的脑电图历史波形图像，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；
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：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示所述相似性值，
Figure DEST_PATH_IMAGE006
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，
Figure DEST_PATH_IMAGE008
表示震荡稀疏编码图像的稀疏解中最大稀疏系数的位置，
Figure DEST_PATH_IMAGE010
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，
Figure DEST_PATH_IMAGE012
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，
Figure DEST_PATH_IMAGE014
表示稀疏解的位置个数；
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，将所述脑电图历史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，获取所有脑电图历史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：
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，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，重新构建的LOSS函数表达式为：
Figure DEST_PATH_IMAGE016
其中，x为神经网络的网络预测值，
Figure DEST_PATH_IMAGE018
表示第i个关联稀疏编码图像的特征值，
Figure DEST_PATH_IMAGE020
表示震荡稀疏编码图像的特征值，
Figure DEST_PATH_IMAGE022
表示第i个关联稀疏编码图像与震荡稀疏编码图像的相似性值，q表示稀疏编码图像的个数。
5.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。
CN202210603967.3A 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 Active CN114677379B (zh)

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 CN114677379A (zh) 2022-06-28
CN114677379B true 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 (6)

* Cited by examiner, † Cited by third party
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
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
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711278B (zh) * 2018-12-07 2020-06-23 浙江大学 一种低复杂度的脑电波信号压缩和分类方法
US20200229730A1 (en) * 2019-01-17 2020-07-23 Mitsubishi Electric Research Laboratories, Inc. Methods and Systems for Source Connectivity Estimation With Hierarchical Structural Vector Autoregressive Models
US20210282701A1 (en) * 2020-03-16 2021-09-16 nCefalon Corporation Method of early detection of epileptic seizures through scalp eeg monitoring

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
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
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)

* Cited by examiner, † Cited by third party
Title
SparseDGCNN: Recognizing Emotion from Multichannel EEG Signals;Guanhua Z.等;《IEEE Transactions on Affective Computing》;20210113;第1-12页 *
基于结构相似度的稀疏编码模型;李志清 等;《软件学报》;20101031;第21卷(第10期);第2410-2419页 *

Also Published As

Publication number Publication date
CN114677379A (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
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
De Lucia et al. A novel method for automated classification of epileptiform activity in the human electroencephalogram-based on independent component analysis
Yuan et al. Kernel collaborative representation-based automatic seizure detection in intracranial EEG
Li et al. An improved sparse representation over learned dictionary method for seizure detection
Khosropanah et al. A hybrid unsupervised approach toward EEG epileptic spikes detection
Qin et al. Deep multi-scale feature fusion convolutional neural network for automatic epilepsy detection using EEG signals
Jibon et al. Epileptic seizure detection from electroencephalogram (EEG) signals using linear graph convolutional network and DenseNet based hybrid framework
Kaur et al. Multi-class support vector machine classifier in EMG diagnosis
Tripathi et al. Automatic seizure detection and classification using super-resolution superlet transform and deep neural network-A preprocessing-less method
Mohammad et al. Epileptic Seizures Diagnosis Using Amalgamated Extremely Focused EEG Signals and Brain MRI.
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
CN114677379B (zh) 基于人工智能的头皮脑电图致痫区的定位方法
Rajendran et al. An overview of EEG seizure detection units and identifying their complexity-A review
CN113598792B (zh) 基于有监督特征融合算法的癫痫脑电分类方法
Ansari et al. A review on automated detection of non-convulsive seizures using eeg
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
Lai et al. Channel-wise characterization of high frequency oscillations for automated identification of the seizure onset zone
Tiwary et al. Deep learning with spatial and channel attention for epileptic seizure type classification using frequency characterization
Hussein Scalp and intracranial EEG quantitative analysis: robust detection and prediction of epileptic seizures
Sharma et al. An Efficient Approach for Recognition of Motor Imagery EEG Signals Using the Fourier Decomposition Method
Mohammed et al. Graph neural networks in EEG spike detection
Cherifi et al. Automated Diagnosis of Neuromuscular Disorders using EMG Signals

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