CN114711790B - 新生儿电惊厥类型确定方法、装置、设备和存储介质 - Google Patents

Abstract

本申请涉及一种新生儿电惊厥类型确定方法、装置、计算机设备和存储介质。所述方法包括：获取待测新生儿的原始脑电信号数据；对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据；对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征；根据脑电信号特征，确定待测新生儿的电惊厥类型。采用本方法能够提升新生儿电惊厥类型确定准确性。

Description

新生儿电惊厥类型确定方法、装置、设备和存储介质

技术领域

本申请涉及医疗信息检测技术领域，特别是涉及一种新生儿电惊厥类型确定方法、装置、设备和存储介质。

背景技术

新生儿惊厥是临床中最常见且急需诊治的危重症之一。在新生儿期，惊厥往往是中枢神经系统疾病的首发且唯一的临床表型。

在传统方式中，通过使用matlab和python代码等提取脑电信号值，并按医生的经验进行分析。从而，新生儿电惊厥类型的确定不够智能化，且缺乏针对新生儿脑电图的一体化信号提取框架，从而使得对新生儿电惊厥确定不够准确。

发明内容

基于此，有必要针对上述技术问题，提供一种提升新生儿电惊厥类型确定准确性的新生儿电惊厥类型确定方法、装置、设备和存储介质。

一种新生儿电惊厥类型确定方法，所述方法包括：

获取待测新生儿的原始脑电信号数据；

对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据；

对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征；

根据脑电信号特征，确定待测新生儿的电惊厥类型。

在其中一个实施例中，根据脑电信号特征，确定新生儿的电惊厥类型，包括：

根据脑电信号特征，确定新生儿的电惊厥状态；

当电惊厥状态指示新生儿发生电惊厥时，基于脑电信号特征以及预先构建的电惊厥信号矩阵，确定新生儿的电惊厥类型。

在其中一个实施例中，电惊厥信号矩阵的构建方法包括：

获取新生儿的历史脑电信号数据；

根据历史脑电信号数据，确定新生儿发生电惊厥时的电惊厥时间区间以及非电惊厥时间区间；

基于历史脑电信号数据，确定对应各电惊厥时间区间以及非电惊厥时间区间的区间脑电信号特征；

根据电惊厥时间区间、非电惊厥时间区间以及各区间脑电信号特征，构建电惊厥信号矩阵。

在其中一个实施例中，根据脑电信号特征，确定新生儿的电惊厥状态为通过预先构建的电惊厥状态预测模型进行的，电惊厥状态预测模型包括第一预测模型和第二预测模型。

在其中一个实施例中，第一预测模型的训练方式包括；

获取训练数据集，训练数据集包括多个训练数据，各训练数据包括对应新生儿的脑电信号数据的脑电信号特征；

对各训练数据进行窗口分割，得到对应各训练数据的多个训练子数据；

基于各训练子数据对应的脑电信号特征，确定各训练子数据所对应的电惊厥状态；

根据各训练子数据的电惊厥状态以及各训练子数据所对应的脑电信号特征，训练第一预测模型。

在其中一个实施例中，第二预测模型的训练方式包括：

根据各训练子数据的电惊厥状态，对训练数据所对应的训练子数据进行整合，得到整合后的训练子数据；

根据各整合后的训练子数据，确定训练数据的电惊厥状态；

根据训练数据集以及各训练数据的电惊厥状态，对第二预测模型进行训练。

在其中一个实施例中，对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征，包括：

对脑电信号数据进行频段分解处理，得到多个频段的脑电信号数据；

对各频段的脑电信号数据进行信号通道的拆分，得到各频段中对应各信号通道的脑电信号数据；

对各信号通道的脑电信号数据进行振幅特征、频谱特征以及脑电信号宽度特征的提取，得到第一信号特征数据；

对各信号通道进行频谱相关特征的提取，得到第二信号特征数据；

对各频段进行连通性相关特征的提取，得到第三信号特征；

基于第一信号特征、第二信号特征以及第三信号特征，得到待测新生儿的脑电信号特征。

一种新生儿电惊厥类型确定装置，所述装置包括：

获取模块，用于获取待测新生儿的原始脑电信号数据；

预处理模块，用于对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据；

特征提取模块，用于对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征；

电惊厥类型确定模块，用于根据脑电信号特征，确定待测新生儿的电惊厥类型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

上述新生儿电惊厥类型确定方法、装置和设备中，通过获取待测新生儿的原始脑电信号数据；对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据；对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征；根据脑电信号特征，确定待测新生儿的电惊厥类型。从而，通过对获取到的原始脑电信号数据进行预处理，然后在进行后续处理，使得预处理可以剔除影响结果判定的数据，可以提升电惊厥类型确定的准确性。进一步，电惊厥类型的确定基于脑电信号数据进行特征提取后得到的脑电信号特征进行的，可以根据实际应用进行特征提取以及应用，可以进一步提升电惊厥类型确定的准确性。进一步，本方案中，电惊厥类型确定的过程无需人工参与，可以提升数据处理的智能化水平，且减少了人工个人主观因素的影响，可以进一步提升电惊厥类型确定的准确性。

附图说明

图1为一个实施例中新生儿电惊厥类型确定方法的应用场景图；

图2为一个实施例中新生儿电惊厥类型确定方法的流程示意图；

图3为一个实施例中脑电图采集的标准导联放置示意图；

图4为一个实施例中脑电信号特征提取的流程示意图；

图5为一个实施例中电惊厥信号矩阵建立的示意图；

图6为一个实施例中第一预测模型的训练流程图；

图7为一个实施例中第二预测模型的训练流程图；

图8为一个实施例中模型预测的流程图；

图9为一个实施例中预测模型的预测结果示意图；

图10为一个实施例中预测模型的准确性示意图；

图11为一个实施例中惊厥类型聚类分析结果示意图；

图12～图14为一个实施例中三类电惊厥类型的定量电惊厥形式以及对应相关参数的示意图；

图15为一个实施例中三类电惊厥类型与临床病因的相关性分析示意图；

图16～图18为一个实施例中新生儿惊厥智能诊断软件的可视化界面示意图；

图19为一个实施例中新生儿电惊厥类型确定装置的结构框图；

图20为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的新生儿电惊厥类型确定方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102可以采集待测新生儿的原始脑电信号数据，并发送至服务器104。服务器104在获取到获取待测新生儿的原始脑电信号数据之后，可以对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据，并对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征。进一步，服务器104可以根据脑电信号特征，确定待测新生儿的电惊厥类型。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种新生儿电惊厥类型确定方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，获取待测新生儿的原始脑电信号数据。

其中，原始脑电信号数据是指通过用于新生儿的电极放置系统所采集到的待测新生儿的脑电信号数据，如10-20cEEG等。

在本实施例中，参考图3，通过在新生儿脑部放置点击贴片，以采集新生儿的原始脑电信号数据。具体地，可以使用位于F3、F4、C3、C4、Cz、T3、T4、P3、P4的9个一次性电极。

在本实施例中，由于在O1和O2导联出现的伪迹较多，因此我们以P3和P4替代标准导联中的O1和O2。单独的电极用于心电图、眼电图和下颌肌电，并与cEEG(continueelectroencephalography，多通道连续脑电图)记录同步。同时采集患儿的视频图像，便于后续的判断惊厥。

在本实施例中，服务器可以将原始从Nicolet One机器上下机的.e文件格式数据转化为通用的edf格式，并基于github的Nicolet-Reader软件，对原始代码进行了修正，并在matlab和octave两个编程语言中进行了效果测试，以得到原始脑电信号数据。

步骤204，对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据。

在本实施例中，服务器所获取到的原始脑电信号数据包含脏数据，如包括相关性低、电压跳变异常、连续零点或常数值等数据。从而，服务器在获取到原始脑电信号数据之后，可以对原始脑电信号数据进行预处理，剔除脏数据，以得到预处理后的脑电信号数据，从而以提升后续数据处理的准确性。

在本实施例中，预处理过程可以包括但不限于伪差去除处理、滤波处理以及下采样降采样处理等。本领域技术人员可以理解的是，以上仅为举例说明，在实际应用中，也可以是其他的预处理方式，本申请对此不错限制。

步骤206，对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征。

其中，脑电信号特征是指表示脑电信号数据的特征数据。具体的，可以包括644个脑电信号特征。

在本实施例中，服务器可以通过对预处理后所获取到的脑电信号数据所反映的振幅、距离、频谱以及连通相关性等多方面进行特征数据的提取，以得到待测新生儿的脑电信号特征。

步骤208，根据脑电信号特征，确定待测新生儿的电惊厥类型。

在本实施例中，服务器在提取到待测新生儿的脑电信号特征之后，可以基于提取到的脑电信号特征，进行新生儿的电惊厥类型的预测。

具体地，服务器可以通过机器学习等方式进行电惊厥类型的预测，以确定待测待测新生儿的电惊厥类型或者不存在电惊厥。

上述新生儿电惊厥类型确定方法中，通过获取待测新生儿的原始脑电信号数据；对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据；对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征；根据脑电信号特征，确定待测新生儿的电惊厥类型。从而，通过对获取到的原始脑电信号数据进行预处理，然后在进行后续处理，使得预处理可以剔除影响结果判定的数据，可以提升电惊厥类型确定的准确性。进一步，电惊厥类型的确定基于脑电信号数据进行特征提取后得到的脑电信号特征进行的，可以根据实际应用进行特征提取以及应用，可以进一步提升电惊厥类型确定的准确性。进一步，本方案中，电惊厥类型确定的过程无需人工参与，可以提升数据处理的智能化水平，且减少了人工个人主观因素的影响，可以进一步提升电惊厥类型确定的准确性。

在其中一个实施例中，对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据，可以包括：根据原始脑电信号数据，确定对应各信号通道的通道信号数据；根据通道信号数据，对原始脑电信号数据进行去伪差处理，得到伪差去除后的原始脑电信号数据；对伪差去除后的原始脑电信号数据进行滤波以及下采样处理，得到脑电信号数据。

如前文所述，预处理过程可以包括但不限于伪差去除、滤波处理和下采样降采样处理等。

在其中一个实施例中，服务器可以预先对获取到的原始脑电信号数据进行伪差去除，具体可以包括：电极放置不当所引起的通道的相关系数低的处理、电极耦合所带来的通道功率的处理、连续零点或常数值的处理、高振幅检测处理、电压显著跳跃改变检测处理、以及独立成分分析等处理过程，以下将进行详细的说明。

具体地，当电极放置不当会导致一些通道与所有其他通道的相关系数低。服务器可以通过获取各通道的通道信号数据，并对各通道之间的相关系数进行计算与比较。当基于相关系数确定符合条件的通道，即去除相关通道的通道信号数据，如相关系数至大于预设数据，则确定符合条件，去除对应通道的通道信号数据。

同理，对于电极耦合，服务器可以将来自同一半球的所有通道的通道信号数据进行相比，如果发现一个通道的功率相比其他通道的功率显著的低，则将该通道对应的通道信号数据去除。

进一步，连续零点或常数值是由测试电极阻抗等原因产生，服务器在获取到原始脑电信号数据，可以对原始脑电信号数据进行连续点的数据的检测，如果确定数据存在连续相同的点，则将这些数据去除。

在本实施例中，对于高振幅检测，如果服务器确定一段信号的振幅超过一定阈值，则将该区段标记为“NA”。

进一步，对于电压显著跳跃改变检测，如果服务器确定一段信号在一个时间窗口中存在振幅的显著改变，则将该区段标记为“NA”。

进一步，服务器在进行数据标记之后，如果同一通道出现太多“NA”值，如超过预设数据量，则服务器可以将对应通道的数据去除。

在本实施例中，服务器还可以对获取到原始脑电信号数据进行独立成分分析，即首先将脑电的数据进行独立成分分析，然后检测每个独立成分和眼电图(EOG)之间的相关性，当相关性比较大的时候，就在原始脑电信号数据里面去除该独立成分。

在本实施例中，服务器对获取原始脑电信号数据进行去伪差处理之后，可以先进行滤波处理，然后在进行下采样或者降采样处理。

具体地，服务器可以在50Hz、100Hz、150Hz、200Hz和250Hz的频段下执行陷波滤波器滤波处理，并在0.3Hz～50Hz范围内采用有限冲激响应(FIR)滤波器进行滤波处理，以得到滤波后的数据。

进一步，服务器可以将滤波处理后的数据从500Hz降采样到100Hz。

本领域技术人员可以理解的是，以上处理过程仅为举例说明，在其他实施例中，也可以是按照其他的顺序进行处理，或者也可以包括更多的预处理过程，本申请对此不作限制。

在其中一个实施例中，对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征，包括：对脑电信号数据进行频段分解处理，得到多个频段的脑电信号数据；对各频段的脑电信号数据进行信号通道的拆分，得到各频段中对应各信号通道的脑电信号数据；对各信号通道的脑电信号数据进行振幅特征、频谱特征以及脑电信号宽度特征的提取，得到第一信号特征数据；对各信号通道进行频谱相关特征的提取，得到第二信号特征数据；对各频段进行连通性相关特征的提取，得到第三信号特征；基于第一信号特征、第二信号特征以及第三信号特征，得到待测新生儿的脑电信号特征。

在本实施例中，服务器对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据之后，可以进行特征提取。如前文所述，特征提取过程可以基于振幅、距离、频谱以及连通相关性等多方面进行特征数据的提取。以下将进行详细的说明。

在本实施例中，服务器可以先将脑电信号数据分解为0.5～4hz、4～8hz、8～13hz和13～30hz四个频段，信号通道数为8个。对于每个频带和每个信道，服务器可以采集多个振幅特征、频谱特征以及脑电信号宽度特征(距离EEG，rEEG)。例如，服务器可以提取六个振幅特征(amplitude_total_power，amplitude_SD,amplitude_skew，amplitude_kurtosis，amplitude_env_mean，amplitude_env_sd)、八个rEEG特征(rEEG_mean，rEEG_median，rEEG_lower_margin，rEEG_upper_margin，rEEG_width，rEEG_SD，rEEG_CV，rEEG_asymmetry)、五个频谱特征(spectral_power，spectral_relative_power，spectral_flatness，spectral_entropy，spectral_diff)。从而，服务器可以得到第一信号特征。第一信号特征的数量为608，即608＝(6+8+5)*4(频段)*8(信道)。

进一步，服务器可以在8个通道中的每个通道中提取两个频谱相关特征(spectral_edge_frequency，FD)，即可以得到第二信号特征。第二信号特征的数量为2*8＝16。

此外，服务器可以在4个频段中，分别提取了5个连通性相关特征(connectivity_BSI，connectivity_corr，connectivity_coh_mean，connectivity_coh_max，connectivitiy_coh_freqmax)，以得到第三信号特征。第三信号特征的数量为5*4＝20。

综上，服务器可以得到对应待测新生儿的脑电信号特征的数量为644＝608+16+20。具体可以参见图4所示。

在其中一个实施例中，根据脑电信号特征，确定新生儿的电惊厥类型，包括：根据脑电信号特征，确定新生儿的电惊厥状态；当电惊厥状态指示新生儿发生电惊厥时，基于脑电信号特征以及预先构建的电惊厥信号矩阵，确定新生儿的电惊厥类型。

其中，电惊厥状态是指用于指示新生儿是否存在电惊厥的指标，如可以包括电惊厥和非电惊厥。

在本实施例中，服务器可以根据获取到的脑电信号特征，即644个信号特征，对待测新生儿的电惊厥状态进行判定，以确定待测新生儿是否存在电惊厥。

在本实施例中，当服务器确定待测新生儿存在电惊厥时，基于脑电信号特征以及预先构建的电惊厥信号矩阵，确定新生儿的电惊厥类型。

在本实施例中，电惊厥信号矩阵是指由脑电信号特征以及多种电惊厥类型所构成的判定矩阵。

在其中一个实施例中，根据脑电信号特征，确定新生儿的电惊厥状态为通过预先构建的电惊厥状态预测模型进行的，电惊厥状态预测模型包括第一预测模型和第二预测模型。

其中，第一预测模型和第二预测模型均可以是基于深度学习的神经网络模型。第一预测模型和第二预测模型预先训练生成。

在本实施例中，服务器可以通过训练后得到的第一预测模型以及第二预测模型相结合，以对待测新生儿的电惊厥状态进行预测。

在其中一个实施例中，第一预测模型的训练方式包括；获取训练数据集，训练数据集包括多个训练数据，各训练数据包括对应新生儿的脑电信号数据的脑电信号特征；对各训练数据进行窗口分割，得到对应各训练数据的多个训练子数据；基于各训练子数据对应的脑电信号特征，确定各训练子数据所对应的电惊厥状态；根据各训练子数据的电惊厥状态以及各训练子数据所对应的脑电信号特征，训练第一预测模型。

在本实施例中，服务器可以基于已有的历史数据作为训练数据集，并用于进行模型的训练。

在本实施例中，参考图5，服务器在获取到训练数据集之后，对于每一例训练数据，服务器均可以进行窗口的分割，以得到各训练数据对应多个窗口的训练子数据。

具体的，服务器可以设置的窗口长度为预设长度，如20s，相邻窗口之间存在预设长度的重叠，如50％的重叠(比如第一个窗口为0～20s，第二个为10～30s)。如图5中A。

进一步，服务器可以接收人工标记，以得到电惊厥的发作开始和结束时间，如果和某一个窗口有交叉，则该窗口的惊厥状态标记为“Y”，反之标记为“N”。

在本实施例中，服务器可以根据各训练子数据的电惊厥状态以及各训练子数据所对应的脑电信号特征，训练第一预测模型。

在其中一个实施例中，参考图6，服务器在基于窗口的惊厥预测中，利用160例符合纳入标准电惊厥新生儿(239例脑电图)作为模型构建数据集。提取与惊厥模型预测相关644个参数，即644个信号特征，进行第一预测模型的训练，即预测模型I。

第一预测模型的目标为构建基于窗口的惊厥预测模型，预测是否为惊厥。具体包括如下步骤：首先进行数据集的拆分，按照7:3随机拆分数据集。模型构建集数据为113例(173例cEEG)，模型测试集为47例(66例cEEG)。每个窗口根据原始人工标注的时间，可以得到是否为惊厥发作的标签。在113例(173例cEEG)构建集中一共划分得到354,848个窗口(包含惊厥发作窗口40,483个)，测试集中一共划分得到128,579个窗口(惊厥发作窗口9741个)。

在本实施例中，第一预测模型是基于梯度提升模型(Gradient BoostingMachine,GBM)进行的，通过接受者操作特征曲线下面积(The area under the receiveroperating characteristic curve，AUC)进行二元分类任务的性能的评估，计算第一预测模型的灵敏度、特异性和准确性。

进一步，第一预测模型应用了后向选择(backward selection)的方法。对于每次迭代，生成GBM模型并删除重要性最小的特征。最后筛选出的特征为具有最佳交叉验证(cross validation，CV)结果性能模型的特征。

进一步，服务器通过应用10折CV策略来训练预测模型。所有预测均由GBM实现，并且在每次交叉验证中，将迭代每个参数的不同值组合，即interaction.depth、n.trees、shrinkage和n.minobsinnode。最终模型是交叉验证结果性能最佳(最高AUC值)的模型。对于最终模型，用有“重要性值”来显示信号特征的重要性，值越高表示在预测模型中的贡献越大。对于二元分类，通过“Youden”策略获得最优阈值，计算最优阈值下的真阳性(TP)、真阴性(TN)、假阳性(FP)、假阴性(FN)、灵敏度、特异度和准确度。将具有最佳阈值的最终模型应用于模型开发和独立验证数据集以估计模型的性能。

在其中一个实施例中，第二预测模型的训练方式包括：根据各训练子数据的电惊厥状态，对训练数据所对应的训练子数据进行整合，得到整合后的训练子数据；根据整合后的训练子数据，确定训练数据的电惊厥状态；根据训练数据集以及各训练数据的电惊厥状态，对第二预测模型进行训练。

具体地，参考图7，中欧冠的A，第二预测模型(预测模型2)是基于6327例脑电图进行训练的，除了第一预测模型中的239例作为阳性集，又重新加入了6088例作为阴性集，其中48例患儿包含有监测到惊厥和没有监测到惊厥的脑电图样本。第二预测模型的目的是预测每例脑电图是否包含电惊厥。

在本实施例中，由于按照第一预测模型的单个窗口预测是否有电惊厥会导致很高的假阳性，因此，在从窗口预测水平上升到样本预测水平的时候，需要重新构建一个预测模型，在此我们引入了“惊厥最佳阈值”，以可信度筛选。在此过程中，通过进行窗口到发作事件的合并，如果一个样本中包含至少一个可信度达标的电惊厥，那么可以认为该样本包含了电惊厥，从而进行第二预测模型的训练。

以下通过一具体案例对模型的应用进行详细说明。

具体地，参考图8，对于待测新生儿的脑电信号数据，服务器可以进行窗口划分后，利用第一预测模型可获得每个窗口的Ywindow值(第一预测模型输出的是否为惊厥发作的概率值，从0～1分布)。对于预测为惊厥的相邻窗口进行合并，该合并段的Yevent值取所有合并窗口的中位数。例如Window 1、Window 2、Window 3均预测为电惊厥，且均可获得相应Ywindow1、Ywindow2、Ywindow3，将Window 1、Window 2、Window3进行合并后，则整合段的Yevent值为Ywindow1、Ywindow2、Ywindow3的中位数。

在本实施例中，对于脑电信号数据，可能获得多个整合窗口的Yevent值，将多个Yevent值中的最大值作为该脑电信号数据的Yseizure值。如果不包含任何电惊厥，则该值定义为0。

在本实施例中，当服务器确定该脑电信号数据的Yseizure值大于预设数值时，确定待测新生儿存在电惊厥，并进行后续的处理。

在其中一个实施例中，在113例模型构建数据集中(354,848个窗口)，最终选择了116个信号特征构建第一预测模型(如图9中的A)，其中贡献度大的30个特征为展示在图9中的B，如rEEG的变异系数等。在所有模型构建数据集中得到的受试者工作曲线下面积为0.897(95％CI 0.895-0.899)(图9中的C)，在测试集47例中(128,579个窗口)，得到的受试者工作曲线下面积为0.899(95％CI 0.896-0.902)(图9中的D)。

进一步，预测一个样本是否包含电惊厥发作的第二预测模型，在模型生成数据集中(6,327次脑电图监测)的受试者工作曲线下面积为0.954(95％CI 0.943-0.966)(图10中的A)，外部独立验证数据集(38例脑电图监测)的受试者工作曲线下面积为0.837(95％CI0.703-0.970)(图10中的B)。

在本实施例中，当最佳的Yseizure值为0.803时，预测模型构建数据集的敏感性为93.3％、特异性84.6％、准确性为84.6％；在外部验证数据集的敏感性为91.7％、特异性61.5％、准确性为71.5％，如下表一所示。

表一

在其中一个实施例中，电惊厥信号矩阵的构建方法包括：获取新生儿的历史脑电信号数据；根据历史脑电信号数据，确定新生儿发生电惊厥时的电惊厥时间区间以及非电惊厥时间区间；基于历史脑电信号数据，确定对应各电惊厥时间区间以及非电惊厥时间区间的区间脑电信号特征；根据电惊厥时间区间、非电惊厥时间区间以及各区间脑电信号特征，构建电惊厥信号矩阵。

在本实施例中，参考图5，服务器可以基于新生儿的历史脑电信号数据进行电惊厥信号矩阵。本领域技术人员可以理解的是，此处所说的历史脑电信号数据可以与前文所述的脑电信号数据一致，只是所对应的主体不同。

具体地，服务器在获取到历史脑电信号数据自后，可以进行窗口分割，如前文所述的，设置的窗口长度为预设长度，如20s，相邻窗口之间存在预设长度的重叠，如50％的重叠(比如第一个窗口为0～20s，第二个为10～30s)。如图5中A。

进一步，服务器可以接收人工标记，以得到电惊厥的发作开始和结束时间，如果和某一个窗口有交叉，则该窗口的惊厥状态标记为“Y”，反之标记为“N”。如果在一个数据中两次惊厥发作之间的间隔小于三个窗口(即40s)，则认为两次惊厥发作为同一次发作，将第一次惊厥发作的开始时间记录为开始。将连续相邻的发作窗口记作一个发作事件。如果一个发作事件小于30s，则进行去除。

进一步，服务器可以采用采用自身前后对照的方法，即每例脑电信号数据发作事件(电惊厥时间区间)与前后非发作窗口(非电惊厥时间区间)相比较，最大程度的减少电惊厥发作时间区间与非电惊厥发作时间区间的混杂因素，从而以去除胎龄、环境因素和药物因素等的影响。

具体地，如图5中B，服务器可以定义每个电惊厥发作事件定义为i(1…N，N＝总共电惊厥发作事件数目)，也可称为“电惊厥时间区间”。“电惊厥时间区间”的前三个窗口标记为“电惊厥前期”，“电惊厥期”的后三个窗口标记为“电惊厥后期”，“电惊厥前期”与“电惊厥后期”构成“非电惊厥时间区间”。对于每个电惊厥发作事件i和脑电信号数据对应的脑电信号特征j(1…K,K＝644)，“电惊厥时间区间”分别与“电惊厥前期”和“电惊厥后期”进行特征数值差异分析，使用t检验进行计算，并将t检验的统计结果生成电惊厥事件到信号特征的变异矩阵，该矩阵的维度为N*K*2(每个特征比较进行了两次：分别和前期、后期)。

在其中一个实施例中，矩阵的内的每个数值计算按照如下公式：电惊厥事件i的j个特征值与前期的比较统计值Li,j＝-log10(P-value)*sign(“电惊厥期”平均值—“电惊厥前期”的平均值)；电惊厥事件i的j个特征与后期的比较统计值Ri,j＝-log10(P-value)*sign(“电惊厥期”平均值-“电惊厥后期”的平均值)。最后可获得电惊厥事件和电惊厥信号矩阵M，如图5中C。

在本实施例中，如前文所述，服务器确定待测新生儿存在电惊厥时，可以根据获取到的电惊厥信号矩阵，以及脑电信号特征，确定待测新生儿的电惊厥类型。

在本实施例中，电惊厥信号矩阵可预测的电惊厥类型包括三类电惊厥类型，即第一类电惊厥、第二类电惊厥以及第三类电惊厥。以下将对电惊厥类型的分类数量确定进行说明。

具体地，继续参考图5中的B，服务器在获取到信号特征的变异矩阵之后，首先可以进行特征变量筛选，得到筛选之后的矩阵M。

进一步，服务器可以利用1-Spearman相关系数计算电惊厥之间的距离，最后使用层级聚类(hierarchical clustering)的方式对所有发作事件进行聚类。由于电惊厥类型是无先验知识、无数据标签，是探索性的聚类分析，所以在分析过程中，需要对类型个数K进行设定。具体地，服务器可以将K设置为2～50，综合轮廓系数(Silhouette Coefficient)53、Dunn系数(Dunn index)54来评估每个K取值下的聚类效果，数值越大效果越好。

在本实施例中，通过综合两个系数的结果，确定K为3，如图11所示。从而确定电惊厥信号矩阵可预测的电惊厥类型包括三类电惊厥类型。以下将对三类电惊厥类型进行详细说明。

具体的，参考图12，示出了第一类电惊厥类型的定量电惊厥形式以及对应的cEEG(continuous electroencephalography，连续脑电图)和aEEG(amplitude-integratedelectroencephalography，振幅整合脑电图)。其中，aEEG中框选所示为惊厥发作。cEEG为aEEG框选的原始脑电图。cEEG参数为：70μV/cm；high-frequency filter；70Hz；走纸张速度15mm/s。Onset为惊厥起始，End为惊厥结束。aEEG参数：走纸张速度6cm/hour。

进一步，参考图13，示出了第二类电惊厥类型的定量电惊厥形式以及对应的cEEG(continuous electroencephalography，连续脑电图)和aEEG(amplitude-integratedelectroencephalography振幅整合脑电图)。aEEG中框选所示为惊厥发作。cEEG为aEEG框选的原始脑电图。cEEG参数：70μV/cm；high-frequency filter；70Hz；走纸张速度15mm/s。Onset为惊厥起始。End为惊厥结束。aEEG参数：走纸张速度6cm/hour。

进一步，参考图14，示出了第三类电惊厥类型的定量电惊厥形式以及对应的cEEGcontinuous electroencephalography，连续脑电图)和aEEG(amplitude-integratedelectroencephalography振幅整合脑电图)。aEEG中框选所示为惊厥发作。cEEG(为aEEG框选的原始脑电图。cEEG参数：70μV/cm；high-frequency filter；70Hz；走纸张速度15mm/s。Onset为惊厥起始。End为惊厥结束。aEEG参数：走纸张速度6cm/hour。

在其中一个实施例中，服务器还可以对新生儿的电惊厥与临床病因和预后进行相关性分析。

具体地，当新生儿有1次或多次cEEG记录时。在进行电惊厥判读时会存在一个患者多种电惊厥类型或者一个患者多次cEEG间不同电惊厥类型的可能。因此，在进行临床病因和预后的相关分析时，以患儿为单位，按照如下原则进行判定：如果该患儿仅有1次cEEG，则将绝对数量最多的电惊厥类型作为该患儿的电惊厥类型；如果该患者有多次cEEG，则将所有cEEG的电惊厥类型累加，将绝对数量最多的电惊厥类型作为该患儿的电惊厥类型。三类特征违临川参数，做关联，与临床看是否具有相关性，将临床与实例性挂钩

在其中一个实施例中，服务器还可以应用R Caret包中的createDataPartition函数，通过控制结果百分比(随机种子设置为1)将160个个体按照7：3随机分成113个模型生成样本组和47个独立验证样本组。cEEG测试前的临床变量(性别、胎龄、入院后首次电惊厥记录年龄、临床首次判断为惊厥的年龄)以及cEEG的电惊厥类型作为预测因子。将是否为离子通道相关惊厥作为结局变量。

进一步，服务器通过使用广义线性模型(generalize linear model，GLM)生成原始预测模型，并在逐步算法中使用赤池信息准则(Akaike information criterion，AIC)选择最终模型预测因子。AIC值越小，模型拟合越好。用列线图函数用于创建离子通道相关电惊厥的评分系统。计算训练和测试数据集的具有95％置信区间(CI)的接受者操作特征曲线(Area under curve，AUC)下面积以评估模型性能。通过“Youden”策略获得最优阈值，计算阈值下的真阳性(TP)、真阴性(TN)、假阳性(FP)、假阴性(FN)、灵敏度(Sensitivity)、特异度(Specificity)和准确度(Accuracy)。

进一步，服务器通过模型运用前期获取的3类电惊厥类型，通过相关性分析，确定第一类脑电信号与离子通道变异相关的电惊厥有关。参考图15，示出了三类电惊厥类型与临床病因的相关性。

在其中一个实施例中，如图16～18所示，示出了实现本申请方法的新生儿惊厥智能诊断软件的可视化界面实例。其中，图16示出了新生儿检测期间的电惊厥次数为7次，每次电惊厥持续时间，惊厥阈值(预测分值)，预测电惊厥类型。图17示出了对应图16中框选处的脑电信号波形。图18示出了判断为图16中框选处的电惊厥的脑电信号参数。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图19所示，提供了一种新生儿电惊厥类型确定装置，包括：获取模块100、预处理模块200、特征提取模块300以及电惊厥类型确定模块400，其中：

获取模块100，用于获取待测新生儿的原始脑电信号数据。

预处理模块200，用于对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据。

特征提取模块300，用于对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征。

电惊厥类型确定模块400，用于根据脑电信号特征，确定待测新生儿的电惊厥类型。

在其中一个实施例中，电惊厥类型确定模块400，可以包括：

电惊厥状态确定子模块，用于根据脑电信号特征，确定新生儿的电惊厥状态。

电惊厥类型确定子模块，用于当电惊厥状态指示新生儿发生电惊厥时，基于脑电信号特征以及预先构建的电惊厥信号矩阵，确定新生儿的电惊厥类型。

在其中一个实施例中，上述装置还可以包括：矩阵建立模块，用于建立电惊厥信号矩阵。

在本实施例中，矩阵建立模块，可以包括：

获取子模块，用于获取新生儿的历史脑电信号数据。

时间区间确定子模块，用于根据历史脑电信号数据，确定新生儿发生电惊厥时的电惊厥时间区间以及非电惊厥时间区间。

区间脑电信号特征确定子模块，用于基于历史脑电信号数据，确定对应各电惊厥时间区间以及非电惊厥时间区间的区间脑电信号特征。

矩阵建立子模块，用于根据电惊厥时间区间、非电惊厥时间区间以及各区间脑电信号特征，构建电惊厥信号矩阵。

在其中一个实施例中，根据脑电信号特征，确定新生儿的电惊厥状态为通过预先构建的电惊厥状态预测模型进行的，电惊厥状态预测模型包括第一预测模型和第二预测模型。

在其中一个实施例中，上述装置还可以包括：第一训练模块，用于训练第一预测模型。

在本实施例中，第一训练模块可以包括；

训练数据集获取子模块，用于获取训练数据集，训练数据集包括多个训练数据，各训练数据包括对应新生儿的脑电信号数据的脑电信号特征。

窗口分割子模块，用于对各训练数据进行窗口分割，得到对应各训练数据的多个训练子数据。

第一电惊厥状态确定子模块，用于基于各训练子数据对应的脑电信号特征，确定各训练子数据所对应的的电惊厥状态。

第一训练子模块，用于根据各训练子数据的电惊厥状态以及各训练子数据所对应的脑电信号特征，训练第一预测模型。

在其中一个实施例中，上述装置还可以包括：第二训练模块，用于训练第二预测模型。

在本实施例中，第二训练模块可以包括：

整合子模块，用于根据各训练子数据的电惊厥状态，对训练数据所对应的训练子数据进行整合，得到整合后的训练子数据。

第二电惊厥状态确定子模块，用于根据各整合后的训练子数据，确定训练数据的电惊厥状态。

第二训练子模块，用于根据训练数据集以及各训练数据的电惊厥状态，对第二预测模型进行训练。

在其中一个实施例中，预处理模块200，可以包括：

通道信号数据确定子模块，用于根据原始脑电信号数据，确定对应各信号通道的通道信号数据。

第一预处理子模块，用于根据通道信号数据，对原始脑电信号数据进行去伪差处理，得到伪差去除后的原始脑电信号数据。

第二预处理子模块，用于对伪差去除后的原始脑电信号数据进行滤波以及下采样处理，得到脑电信号数据。

在其中一个实施例中，特征提取模块300，可以包括：

频段分解处理子模块，用于对脑电信号数据进行频段分解处理，得到多个频段的脑电信号数据。

信号通道拆分子模块，用于对各频段的脑电信号数据进行信号通道的拆分，得到各频段中对应各信号通道的脑电信号数据。

第一信号特征数据确定子模块，用于对各信号通道的脑电信号数据进行振幅特征、频谱特征以及脑电信号宽度特征的提取，得到第一信号特征数据。

第二信号特征数据确定子模块，用于对各信号通道进行频谱相关特征的提取，得到第二信号特征数据。

第三信号特征数据确定子模块，用于对各频段进行连通性相关特征的提取，得到第三信号特征。

脑电信号特征生成子模块，用于基于第一信号特征、第二信号特征以及第三信号特征，得到待测新生儿的脑电信号特征。

关于新生儿电惊厥类型确定装置的具体限定可以参见上文中对于新生儿电惊厥类型确定方法的限定，在此不再赘述。上述新生儿电惊厥类型确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图20所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储原始脑电信号数据、脑电信号数据、脑电信号特征等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种新生儿电惊厥类型确定方法。

本领域技术人员可以理解，图20中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待测新生儿的原始脑电信号数据；对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据；对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征；根据脑电信号特征，确定待测新生儿的电惊厥类型。

在其中一个实施例中，处理器执行计算机程序时实现根据脑电信号特征，确定新生儿的电惊厥类型，可以包括：根据脑电信号特征，确定新生儿的电惊厥状态；当电惊厥状态指示新生儿发生电惊厥时，基于脑电信号特征以及预先构建的电惊厥信号矩阵，确定新生儿的电惊厥类型。

在其中一个实施例中，处理器执行计算机程序时实现电惊厥信号矩阵的构建方法可以包括：获取新生儿的历史脑电信号数据；根据历史脑电信号数据，确定新生儿发生电惊厥时的电惊厥时间区间以及非电惊厥时间区间；基于历史脑电信号数据，确定对应各电惊厥时间区间以及非电惊厥时间区间的区间脑电信号特征；根据电惊厥时间区间、非电惊厥时间区间以及各区间脑电信号特征，构建电惊厥信号矩阵。

在其中一个实施例中，处理器执行计算机程序时实现根据脑电信号特征，确定新生儿的电惊厥状态为通过预先构建的电惊厥状态预测模型进行的，电惊厥状态预测模型包括第一预测模型和第二预测模型。

在其中一个实施例中，处理器执行计算机程序时实现第一预测模型的训练方式可以包括；获取训练数据集，训练数据集包括多个训练数据，各训练数据包括对应新生儿的脑电信号数据的脑电信号特征；对各训练数据进行窗口分割，得到对应各训练数据的多个训练子数据；基于各训练子数据对应的脑电信号特征，确定各训练子数据所对应的电惊厥状态；根据各训练子数据的电惊厥状态以及各训练子数据所对应的脑电信号特征，训练第一预测模型。

在其中一个实施例中，处理器执行计算机程序时实现第二预测模型的训练方式可以包括：根据各训练子数据的电惊厥状态，对训练数据所对应的训练子数据进行整合，得到整合后的训练子数据；根据各整合后的训练子数据，确定训练数据的电惊厥状态；根据训练数据集以及各训练数据的电惊厥状态，对第二预测模型进行训练。

在其中一个实施例中，处理器执行计算机程序时实现对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据，可以包括：根据原始脑电信号数据，确定对应各信号通道的通道信号数据；根据通道信号数据，对原始脑电信号数据进行去伪差处理，得到伪差去除后的原始脑电信号数据；对伪差去除后的原始脑电信号数据进行滤波以及下采样处理，得到脑电信号数据。

在其中一个实施例中，处理器执行计算机程序时实现对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征，可以包括：对脑电信号数据进行频段分解处理，得到多个频段的脑电信号数据；对各频段的脑电信号数据进行信号通道的拆分，得到各频段中对应各信号通道的脑电信号数据；对各信号通道的脑电信号数据进行振幅特征、频谱特征以及脑电信号宽度特征的提取，得到第一信号特征数据；对各信号通道进行频谱相关特征的提取，得到第二信号特征数据；对各频段进行连通性相关特征的提取，得到第三信号特征；基于第一信号特征、第二信号特征以及第三信号特征，得到待测新生儿的脑电信号特征。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待测新生儿的原始脑电信号数据；对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据；对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征；根据脑电信号特征，确定待测新生儿的电惊厥类型。

在其中一个实施例中，计算机程序被处理器执行时实现根据脑电信号特征，确定新生儿的电惊厥类型，可以包括：根据脑电信号特征，确定新生儿的电惊厥状态；当电惊厥状态指示新生儿发生电惊厥时，基于脑电信号特征以及预先构建的电惊厥信号矩阵，确定新生儿的电惊厥类型。

在其中一个实施例中，计算机程序被处理器执行时实现电惊厥信号矩阵的构建方法可以包括：获取新生儿的历史脑电信号数据；根据历史脑电信号数据，确定新生儿发生电惊厥时的电惊厥时间区间以及非电惊厥时间区间；基于历史脑电信号数据，确定对应各电惊厥时间区间以及非电惊厥时间区间的区间脑电信号特征；根据电惊厥时间区间、非电惊厥时间区间以及各区间脑电信号特征，构建电惊厥信号矩阵。

在其中一个实施例中，计算机程序被处理器执行时实现根据脑电信号特征，确定新生儿的电惊厥状态为通过预先构建的电惊厥状态预测模型进行的，电惊厥状态预测模型包括第一预测模型和第二预测模型。

在其中一个实施例中，计算机程序被处理器执行时实现第一预测模型的训练方式可以包括；获取训练数据集，训练数据集包括多个训练数据，各训练数据包括对应新生儿的脑电信号数据的脑电信号特征；对各训练数据进行窗口分割，得到对应各训练数据的多个训练子数据；基于各训练子数据对应的脑电信号特征，确定各训练子数据所对应的电惊厥状态；根据各训练子数据的电惊厥状态以及各训练子数据所对应的脑电信号特征，训练第一预测模型。

在其中一个实施例中，计算机程序被处理器执行时实现第二预测模型的训练方式可以包括：根据各训练子数据的电惊厥状态，对训练数据所对应的训练子数据进行整合，得到整合后的训练子数据；根据各整合后的训练子数据，确定训练数据的电惊厥状态；根据训练数据集以及各训练数据的电惊厥状态，对第二预测模型进行训练。

在其中一个实施例中，计算机程序被处理器执行时实现对原始脑电信号数据进行预处理，得到预处理后的脑电信号数据，可以包括：根据原始脑电信号数据，确定对应各信号通道的通道信号数据；根据通道信号数据，对原始脑电信号数据进行去伪差处理，得到伪差去除后的原始脑电信号数据；对伪差去除后的原始脑电信号数据进行滤波以及下采样处理，得到脑电信号数据。

在其中一个实施例中，计算机程序被处理器执行时实现对脑电信号数据进行特征数据提取，得到待测新生儿的脑电信号特征，可以包括：对脑电信号数据进行频段分解处理，得到多个频段的脑电信号数据；对各频段的脑电信号数据进行信号通道的拆分，得到各频段中对应各信号通道的脑电信号数据；对各信号通道的脑电信号数据进行振幅特征、频谱特征以及脑电信号宽度特征的提取，得到第一信号特征数据；对各信号通道进行频谱相关特征的提取，得到第二信号特征数据；对各频段进行连通性相关特征的提取，得到第三信号特征；基于第一信号特征、第二信号特征以及第三信号特征，得到待测新生儿的脑电信号特征。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种新生儿电惊厥类型确定装置，其特征在于，所述装置包括：

获取模块，用于获取待测新生儿的原始脑电信号数据；

预处理模块，用于对所述原始脑电信号数据进行预处理，得到预处理后的脑电信号数据，包括：根据原始脑电信号数据，确定对应各信号通道的通道信号数据；根据通道信号数据，对原始脑电信号数据进行去伪差处理，得到伪差去除后的原始脑电信号数据；对伪差去除后的原始脑电信号数据进行滤波以及下采样处理，得到脑电信号数据；

特征提取模块，用于对所述脑电信号数据进行特征数据提取，得到所述待测新生儿的脑电信号特征；

电惊厥类型确定模块，用于根据所述脑电信号特征，确定所述待测新生儿的电惊厥类型；所述电惊厥类型确定模块包括：电惊厥状态确定子模块，用于根据所述脑电信号特征，确定所述新生儿的电惊厥状态；电惊厥类型确定子模块，用于当所述电惊厥状态指示所述新生儿发生电惊厥时，基于所述脑电信号特征以及预先构建的电惊厥信号矩阵，确定所述新生儿的电惊厥类型；

还包括：矩阵建立模块，用于建立所述电惊厥信号矩阵；

所述矩阵建立模块，包括：

获取子模块，用于获取新生儿的历史脑电信号数据；

时间区间确定子模块，用于根据所述历史脑电信号数据，确定新生儿发生电惊厥时的电惊厥时间区间以及非电惊厥时间区间；

区间脑电信号特征确定子模块，用于基于所述历史脑电信号数据，确定对应各电惊厥时间区间以及非电惊厥时间区间的区间脑电信号特征；

矩阵建立子模块，用于根据所述电惊厥时间区间、所述非电惊厥时间区间以及各所述区间脑电信号特征，构建电惊厥信号矩阵。

2.根据权利要求1所述的装置，其特征在于，所述时间区间确定子模块，用于根据所述历史脑电信号数据，确定新生儿发生电惊厥时的电惊厥时间区间以及非电惊厥时间区间，包括：对所述历史脑电信号数据进行窗口分割，相邻窗口之间存在预设长度的重叠；根据分割后得到的窗口，确定新生儿发生电惊厥时的电惊厥时间区间以及非电惊厥时间区间。

3.根据权利要求2所述的装置，其特征在于，所述窗口的长度为20s，所述预设长度的重叠为50％。

4.根据权利要求1所述的装置，其特征在于，所述根据所述脑电信号特征，确定所述新生儿的电惊厥状态为通过预先构建的电惊厥状态预测模型进行的，所述电惊厥状态预测模型包括第一预测模型和第二预测模型。

5.根据权利要求4所述的装置，其特征在于，所述装置还包括：

第一训练模块，用于训练所述第一预测模型；

第二训练模块，用于训练所述第二预测模型。

6.根据权利要求5所述的装置，其特征在于，所述第一训练模块包括；

训练数据集获取子模块，用于获取训练数据集，所述训练数据集包括多个训练数据，各所述训练数据包括对应新生儿的脑电信号数据的脑电信号特征；

窗口分割子模块，用于对各所述训练数据进行窗口分割，得到对应各训练数据的多个训练子数据；

第一电惊厥状态确定子模块，用于基于各所述训练子数据对应的脑电信号特征，确定各训练子数据所对应的电惊厥状态；

第一训练子模块，用于根据各所述训练子数据的电惊厥状态以及各所述训练子数据所对应的脑电信号特征，训练第一预测模型。

7.根据权利要求6所述的装置，其特征在于，所述第二训练模块包括：

整合子模块，用于根据各所述训练子数据的电惊厥状态，对所述训练数据所对应的训练子数据进行整合，得到整合后的训练子数据；

第二电惊厥状态确定子模块，用于根据各所述整合后的训练子数据，确定所述训练数据的电惊厥状态；

第二训练子模块，用于根据所述训练数据集以及各所述训练数据的电惊厥状态，对所述第二预测模型进行训练。

8.根据权利要求1所述的装置，其特征在于，所述特征提取模块，包括：

频段分解处理子模块，用于对所述脑电信号数据进行频段分解处理，得到多个频段的脑电信号数据；

信号通道拆分子模块，用于对各频段的脑电信号数据进行信号通道的拆分，得到各频段中对应各信号通道的脑电信号数据；

第一信号特征数据确定子模块，用于对各信号通道的脑电信号数据进行振幅特征、频谱特征以及脑电信号宽度特征的提取，得到第一信号特征；

第二信号特征数据确定子模块，用于对各信号通道进行频谱相关特征的提取，得到第二信号特征；

第三信号特征数据确定子模块，用于对各所述频段进行连通性相关特征的提取，得到第三信号特征；

脑电信号特征生成子模块，用于基于所述第一信号特征、所述第二信号特征以及所述第三信号特征，得到所述待测新生儿的脑电信号特征。

9.根据权利要求1所述的装置，其特征在于，所述伪差处理，包括：通道的相关系数的处理、通道功率的处理、连续零点或常数值的处理、高振幅检测处理、电压跳跃改变检测处理、独立成分分析。

Images