CN114903442A - 基于门控循环网络的脑电信号间效应连通性检测方法 - Google Patents
基于门控循环网络的脑电信号间效应连通性检测方法 Download PDFInfo
- Publication number
- CN114903442A CN114903442A CN202210623580.4A CN202210623580A CN114903442A CN 114903442 A CN114903442 A CN 114903442A CN 202210623580 A CN202210623580 A CN 202210623580A CN 114903442 A CN114903442 A CN 114903442A
- Authority
- CN
- China
- Prior art keywords
- connectivity
- effect
- classification
- channel
- signal
- 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
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
- A61B5/24—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
- A61B5/72—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)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于门控循环网络的脑电信号间效应连通性检测方法,包括以下步骤:(1)对获取的患者iEEG信号进行相应预处理;(2)将步骤(1)预处理好的信号使用GRU‑GC算法估计效应连通性;(3)使用步骤(2)中得到的连通性矩阵,进行二值化,从而建立有向大脑网络连接,并提取相应特征;(4)使用Gauss核函数的支持向量机将步骤(3)中提取的特征建立分类模型,通过大量实验来获得iEEG通道的分类概率统计结果;(5)利用分类准确率、特异性和敏感性对算法分类结果进行评估。本发明通过对大量实验结果进行统计分析得到每个通道的分类概率,可以判断该通道为问题通道,为癫痫外科手术的术前评估打下基础。
Description
技术领域
本发明涉及一种基于效应连通性构建癫痫发作的有向大脑网络连接图并提取相应局部特征来实现癫痫病灶定位的技术,具体涉及基于门控循环网络的脑电信号间效应连通性检测方法,属于计算机应用技术领域。
背景技术
癫痫是由于脑神经元异常放电引起反复痫性发作的一种慢性的、反复发作的短暂性脑功能失调综合症,由于发作的高频率和随机性导致患者心理备受折磨,并且有意外受伤、溺水、自杀等风险。大部分患者可以通过抗癫痫药物抑制癫痫发作,但仍有20%~30%的患者对药物产生了耐受性,最终发展为耐药性癫痫。这类患者只能通过外科手术切除癫痫病灶区域来进行治疗,而在术前评估环节准确的区分癫痫病灶区域与正常区域是外科手术成功与否的关键。颅内脑电图(intracerebral ElectroEncephaloGraphy,iEEG)由于其高时间分辨率、信噪比高的特点,能更精确捕获大脑的快速动态,被认为是临床诊断癫痫的“金标准”。
效应连通性(Effective Connectivity)表征了不同大脑区域之间神经活动的因果效应,描述了一个神经元区域对另一个神经元区域施加的因果影响,遵从因果原则,它是一种基于模型的连接,需要特定化参数的因果模型来进行描绘。效应连通性检测算法主要分为两大类:频域算法和时域算法,频域算法主要是偏定向相干(Partial DirectedCoherence,PDC)和非线性偏定向相干(Nonlinear Directed Coherence,NPDC),PDC是以线性自回归模型为基础,在检测信号间线性的因果关系时性能良好,可以检测多个信号之间的因果关系,但是无法检测非线性关系;NPDC是以非线性自回归模型为基础,在信号间非线性因果关系检测上也有很好的性能,但是只能检测两两信号之间的关系,对于多信号的检测无能为力。频域算法有各自的局限性,而时域算法恰好能补足这些局限性,本发明使用了改良的基于门控循环网络的格兰杰因果算法(Gated Recurrent Unit-based GrangerCausality,GRU-GC)算法。
发明内容
为了寻找癫痫发作时的病灶区域脑电和正常区域脑电的差异性的问题,本发明提供一种基于效应连通性的有向大脑网络连接构建与图论局部特征相结合的分类方法。该方法以患者癫痫发作时的iEEG信号为基础,通过估计通道间的效应连通性来构建大脑网络的邻接矩阵,并以此构建出有向图,通过提取有向图上通道节点的局部特征来找出癫痫病灶区域脑电与正常区域脑电的异同,从而区分癫痫病灶脑电和正常脑电,为癫痫外科手术的术前评估打下基础。
为了实现上述目的,本发明的技术方案如下,一种基于门控循环网络的脑电信号间效应连通性检测方法,所述方法包括以下步骤:
(1)对获取的患者iEEG信号进行相应预处理;
(2)将步骤(1)预处理好的信号使用基于门控循环网络的格兰杰因果算法(GatedRecurrent Unit-based Granger Causality,GRU-GC)计算通道间的效应连通性;
(3)使用步骤(2)中得到的二值化邻接矩阵建立有向大脑网络连接,并提取相应特征;
(4)使用Gauss核函数的支持向量机将步骤(3)中提取的特征建立分类模型,通过大量实验来获得iEEG通道的分类概率统计结果。
(5)利用分类准确率、特异性和敏感性对算法分类结果进行评估。
作为本发明的进一步技术方案,步骤(1)中使用基线校正,并通过z-score标准化iEEG信号,并将原始信号划分为发作前期、发作期和发作后期三个阶段。
作为本发明的进一步技术方案,步骤(2)中的GRU-GC算法时间序列预测部分采用SmoothL1Loss损失函数,时间窗口为4秒,二值化阈值为0.30。
步骤(3)中的提取的节点局部特征为出度、入度、局部聚类系数、出接近中心度和入接近中心度。
作为本发明的进一步技术方案,为了使得通道数目较少的数据也能得到稳定可靠的实验结果,通过大量实验构建大量的分类模型,并对结果进行统计分析。
步骤(1)包括以下步骤:
(1-1)使用带通滤波器选取了0.5~64Hz的信号作为研究对象,滤除高频的干扰,并滤去50Hz的工频干扰,
(1-2)进行基线校正,防止数据漂移以及放大癫痫发作时期信号的变化,
(1-3)使用z-score将数据标准化(方差为1,均值为0),减少数据间的量纲差异对实验的影响,
(1-4)将所有数据按照表4-1分为三段不同的时期,发作前期(Pre-ictal)、发作期(Ictal)和发作后期(Post-ictal),用于癫痫发作不同阶段的实验对比分析。
步骤(2)包括以下步骤:将步骤(1)预处理好的iEEG信号使用GRU-GC算法估计效应连通性,设有P个信号,分别为X1,X2,X3,…,XP,具体步骤为:
(2-3)条件格兰杰因果计算如下所示,根据公式计算条件格兰杰因果影响,得到维度为
P×P的WGCI矩阵G={vij},vij表示时间序列i对时间序列j的因果影响,不考虑自身的影响,因此vij的值都为0,即矩阵对角线为0,
(2-4)为了使得时间序列间的因果影响可比较,需要对矩阵进行归一化处理:
(2-5)最后对归一化的WGCI矩阵进行二值化处理,去除弱连通,保留强连通,如下式所示,其中τG∈(0,1)表示阈值,该阈值可以手动设置或者通过设定相应步长,选择最好的阈值,
步骤(3)包括以下步骤:
(3-1)出度和入度,为了便于比较或者进行其他计算,需要将中心度进行标准化:
(3-2)局部聚类系数,表示了每个节点的相邻节点形成一个团的紧密程度,计算如下:
其中j,k表示节点vi相邻节点构成的集合中的节点vj和vk,
(3-3)入接近中心度,衡量了其他节点到达这个节点的容易程度,计算如下:
(3-4)出接近中心度,衡量了一个点到达其他点的容易程度,计算如下:
步骤(5)包括以下步骤:
(5-1)本发明是一个二分类模型,采用准确率、特异性和敏感性作为评估指标;
(5-2)分析对比不同参数条件下的准确率、特异性和敏感性的效果。
相对于现有技术,本发明的优点如下:与传统的只针对时间序列本身的分类方法不同,本发明考虑到癫痫发作的脑网络传播过程,癫痫的发作会导致区域之间会产生因果影响,效应连通性是这种因果影响的一种衡量,因此本发明通过估计iEEG通道间的效应连通性来构建癫痫发作的有向大脑网络连接拓扑图,从而捕获通道间的因果关系,病灶区与不相关区域的通道具有不同的节点局部特征,因此本发明提取了相应的节点局部特征作为通道特征来构建分类模型,为癫痫病灶定位的术前评估提供了新思路,并且为了确认医生给的通道分组是否有误诊,本发明通过对大量实验结果进行统计分析得到每个通道的分类概率,假如某一类中某个通道具有相对很低的分类概率,可以判断该通道为问题通道,需要医生进一步去研究分析。
附图说明
图1为本发明公开的方法流程图;
图2为不同长度的时间窗对比;其中(a)和(b)分别表示seizure1数据的不同时间窗的训练损失和验证损失;(c)和(d)表示patient1数据的不同时间窗的训练损失和验证损失;
图3为不同量化比例下的实验结果,其中(a)准确率;(b)敏感性;(c)特异性;
图4为patient1 O组通道概率统计结果;
图5为patient1 N组通道概率统计结果;
图6为patient1电极通道在大脑中的分布图。其中灰色节点代表病灶区域O组;黑色节点代表不相关区域N组;白色节点代表在N组分类概率极低的4个通道。
具体实施方式
为了加深对本发明的认识和理解,下面结合附图以及实施例进一步该发明。
实施例1:如图1所示,一种基于门控循环网络的脑电信号间效应连通性检测方法,所述方法包括以下步骤:
(1)对患者原始iEEG信号进行预处理,具体如下:
(1-1)使用带通滤波器选取了0.5~64Hz的信号作为研究对象,滤除高频的干扰,并滤去50Hz的工频干扰,
(1-2)进行基线校正,防止数据漂移以及放大癫痫发作时期信号的变化,
(1-3)使用z-score将数据标准化(方差为1,均值为0),减少数据间的量纲差异对实验的影响,
(1-4)由于癫痫发作的不同阶段具有不同的特征,所有数据按照表4-1分为三段不同的时期,发作前期(Pre-ictal)、发作期(Ictal)和发作后期(Post-ictal),用于癫痫发作不同阶段的实验对比分析。
(2)将步骤(1)预处理好的iEEG信号使用GRU-GC算法估计效应连通性,假设有P个信号,分别为X1,X2,X3,…,XP,具体步骤为:
(2-3)条件格兰杰因果计算如下所示,根据公式计算条件格兰杰因果影响,得到维度为
P×P的WGCI矩阵G={vij},vij表示时间序列i对时间序列j的因果影响。不考虑自身的影响,因此vij的值都为0,即矩阵对角线为0,
(2-4)为了使得时间序列间的因果影响可比较,需要对矩阵进行归一化处理:
其中v′ij表示归一化之后的时间序列i对时间序列j的因果影响。
(2-5)最后对归一化的WGCI矩阵进行二值化处理,去除弱连通,保留强连通,如下式所示,该阈值可以手动设置或者通过设定相应步长,选择最好的阈值,去除无效连接和弱连接的影响,保留有效连接进行大脑网络连接的构建。
(3)使用步骤(2)中得到的二值化邻接矩阵建立有向大脑网络连接,并提取以下特征:
(3-1)出度和入度,为了便于比较或者进行其他计算,需要将度中心度进行标准化:
其中degree表示出度或者入度,N表示节点的数量。
(3-2)局部聚类系数,表示了每个节点的相邻节点形成一个团的紧密程度,计算如下:
其中ejk表示节点vj到节点vk的边;j,k表示节点vi相邻节点构成的集合中的节点vj和vk。
(3-3)入接近中心度,衡量了其他节点到达这个节点的容易程度,计算如下:
(3-4)出接近中心度,衡量了一个点到达其他点的容易程度,计算如下:
(4)使用Gauss核函数的支持向量机将(3)中提取的特征建立分类模型,通过大量实验来获得iEEG通道的分类概率统计结果。
(5)利用分类准确率、特异性和敏感性对算法分类结果进行评估,包括如下步骤:
(5-1)本发明是一个二分类模型,采用准确率、特异性和敏感性作为评估指标;
(5-2)分析对比不同参数条件下的准确率、特异性和敏感性的效果。
实施例2:一种基于门控循环网络的脑电信号间效应连通性检测方法,所述方法包括以下步骤:
步骤(1),对患者原始iEEG信号进行预处理,划分为三个阶段。
其中,本发明使用的数据有两部分共四组数据,第一部分是源自法国医院的同一位患者的9次癫痫发作的记录,并按发作顺序命名进行标识,采用的是条形针状电极进行采集,本发明选取seizure1、seizure2和seizure6这三组数据,对应患者三次癫痫的发作过程,临床专家的初步分析表明这三组数据所记录的发作过程相对完整,具有一致的通道分组。这三组数据的采样频率都为256Hz,总共有20个电极通道(原始数据有128通道,但是部分电极被血液和细胞附着之后影响了信号的采集,最终临床专家选择了这20个关键的通道),其中seizure1的采样时长为72秒,seizure2和seizure6的采样时长为64秒;另一组数据是来自澳大利亚的patient1数据,采用的是硬膜下网格电极进行数据采集,采样频率为1000Hz,通道数为76个,其中病灶通道为21个,非病灶通道为55个,采样总时长为77秒。表1列出每组数据的发作阶段时间区间。表2和表3为四组数据的通道分组情况,其中O组表示病灶区,P组表示传播区,N组表示不相关的正常区域。
表1四组数据的癫痫发作阶段的时间区间
表2临床专家的通道分组结果
组别 | 通道名 | 总数 |
O组 | Cp1,Cp4,Pp1,Pp4,Ap2,Ap6,Bp1 | 7 |
P组 | Pp8,Dp1,Tp1,Fp2,Dp5 | 5 |
N组 | Cp9,Ap11,Bp6,Bp11,Tp8,Hp2,Ip2,Fp8 | 8 |
表3patient1通道分组
组别 | 通道名 | 总数 |
O组 | 4~6,12~16,19,22~24,30~32,71~76 | 21 |
N组 | 1~3,7~11,17~18,20~21,25~29,33~70 | 55 |
步骤(2),将(1)中每个阶段代入GRU中建立时间序列预测模型,在此基础上计算条件格兰杰因果关系得到效应连通性矩阵,并通过设立阈值将矩阵二值化,得到通道的邻接矩阵。
其中本发明采用单层的GRU结构对iEEG信号进行时序建模,对于法国数据,GRU的输入、输出维度为20,对于澳大利亚数据,GRU的输入、输出维度为76,隐藏单元统一设置的30。在模型的训练阶段,使用了AdBound优化器对选取的损失函数进行优化,其中学习率设置为0.01,动量设置为0.9,权重衰减设置为0.001,每一组数据训练10次。Dropout参数设置为0.5,并将GRU隐藏层设置较小,以此来防止模型的过拟合。
在使用GRU预测时间序列时,不同时间窗的长度对于预测部分的结果也有不同影响,由于法国数据的采样频率为256Hz,澳大利亚数据采样频率为1000Hz,因此本文分别对seizure1和patient1数据分开进行不同时间窗的模型训练和验证的损失对比实验,以1秒为步长,时间窗范围在1至6秒,进行时序预测实验。
为了量化后的矩阵连接能充分表现不同区域的效应连接,尽可能忽视微弱的无效连接的影响,需要确定效应连通性矩阵二值化的最佳阈值,本发明将阈值取值区间为0至0.5之间,步长为0.01进行相关实验得到最佳性能的阈值,以此得到通道间的邻接矩阵。
步骤(3),使用(2)中的邻接矩阵构建有向大脑网络连接,并提取每一个节点的5个局部特征作为通道特征。
步骤(4),将(3)中特征代入Gauss核函数的支持向量机中建立分类模型。本发明采用大量实验的方式来获取通道的分类概率统计结果用于进一步分析。
在法国数据中,O组7个通道随机选取5个作为训练集,剩余2个作为测试集;N组8个通道随机选取5个作为训练集,剩余3个作为测试集,建立基于Gause核的支持向量机分类模型,可以得到测试集5个通道的分类结果。本发明进行2000次同样的实验,然后统计所有通道作为测试集的次数和分类正确的次数,最后计算三个评价指标。在澳大利亚数据中,O组有21个通道,而N组有55个通道,N组通道数太多,不能全部用于训练,因此本发明选择从N组55个通道先随机选取出21个通道与O组构成平衡,然后分别从21个通道中随机选取16个通道作为训练集,5个作为测试集,进行与法国数据同样的实验。
步骤(5),利用准确率、特异性和敏感性对算法统计结果进行评估。
本发明中,癫痫病灶区域O组对应为阳性,标签为1;不相关区域N组对应为阴性,标签为0。在用定位算法进行通道分类时,会出现以下四种情况:
a)真阳性(TruePositive,TP):分类结果和实际标签都为阳性,即癫痫病灶通道被正确分类;
b)假阳性(FalsePositive,FP):分类结果为阳性,而实际标签是阴性,即癫痫病灶通道被错误分类;
c)真阴性(TrueNegative,TN):分类结果和实际标签都为阴性,即不相关区域通道被正确分类;
d)假阴性(FalseNegative,FN):分类结果为阴性,而实际标签是阳性,即不相关区域通道被错误分类;
准确率表示的是在所有的样本(包括阴性与阳性)中被正确分类的样本所占的比例,本实验中则是所有通道(包括病灶通道和不相关通道)被正确分类的比例:
特异性表示的是在所有实际类别为阴性的样本中被正确分类的样本所占的比例,在本实验中为不相关区域通道被正确分类的比例:
敏感性表示的是在所有实际类别为阳性的样本中被正确的样本所占分类的比例,在本实验中为癫痫病灶通道被正确分类的比例:
图2表示在GRU-GC参数实验中,不同时间窗口对GRU时间序列预测模型损失的影响,其中(a)和(b)分别表示seizure1数据的不同时间窗的训练损失和验证损失;(c)和(d)表示patient1数据的不同时间窗的训练损失和验证损失。在训练损失部分无法分辨出最佳窗口,但当时间窗口为4秒时(图中最下方正方形标记曲线),可以同时在seizure1数据和patient1数据上得到最好的效果,此时的验证损失都是最小,验证损失并没有随着时间窗口的增大而保持减少,呈现先减小后增加的趋势。因此本发明在后续实验中全部以4秒为标准选取时间窗。
图3表示了不同的阈值情况下对三个评价指标的影响,结果表明当阈值在0.30时,在四组数据中构建出的大脑网络有向连接中提取的局部特征能够得到最好的分类效果。随着阈值在逐渐增大的过程中,分类准确率先呈现波动上升趋势,随后再波动下降。在阈值比较小的时候,微弱的无效的效应连接很多,因此整体的准确率较低;随着阈值逐渐增大,一些无效连接被过滤,有效的连接比例增加,准确率逐步提升;当阈值过大时,一些有效的连接也被过滤,剩下的强连接越来越少,能够传达的信息和特征也就逐步减小,因此导致了准确率的逐步下降。而在敏感性和特异性这两个指标上可以看到,随着阈值的增大,这两个指标存在波动较大的情况,这是由于随着过滤的无效连接越来越多,病灶区域的效应连接占比更大,表现出的特征会逐步明显,根据实验结果,选择阈值为0.30。
表4中列出了在四组不同数据集中,每组数据集在三个不同阶段使用本发明得到的评价指标结果。表5和表6是法国三组数据的O组和N组通道概率统计结果,patient1通道较多,以图4和图5作为补充。
表4四个数据集的癫痫发作三个阶段的评估指标
表5 O组通道分类结果
表6 N组通道分类结果
由表4可以看出,每一组数据都是ictal阶段分类效果是最好的,说明了在发作阶段大脑的效应连通图刻画的很好,因此提取到的局部节点通道的特征更有表现力,能够更好的区分出病灶通道和不相关通道。其中seizure1的准确率最高有92.07%,seizure2的准确率有88.67%,seizure3的准确率有91.00%,patient1的准确率有88.39%,四组数据的准确率都比较高,可见本发明对不同得到数据具有相对稳定的分类结果,具有较高的泛用性和稳定性。
由表5和表6可见,3个seizure的通道统计结果具有相似性:O组的通道概率统计差别不大,几乎所有的通道测试为正确的概率都在80%~90%之间,最低的结果也在80%以上;而N组除了Bp6通道以外的其他通道也有相似的结果,唯独Bp6通道概率显得极低,最低的seizure6阶段只有55.13%,因此对于Bp6通道我们可以合理怀疑医生是否将他分错类别,这对外科手术非常重要,需要医生进一步的去研究确定。
由图4和图5可见,在patient1数据中,O组的21个通道的概率统计较为均衡,在84%上下波动,而在N组的55个通道结果中,可以很明显的看到通道11、21、39和40分类预测为N的概率极低,甚至通道40的概率为0%,因此这四个通道的特征和其他N组通道特征的差异非常大,很有可能是发生了误判。在进一步分析中,根据网状电极的在硬膜下的位置信息建立大脑了网络模型,并将76个通道在脑模型中标出,找到了这四个通道在大脑中的具体位置,如图6所示。白色节点代表四个问题通道所在的位置,灰色节点代表O组通道,黑色节点代表N组通道,可以清晰的看到这四个通道都在O组与N组节点之间,属于边界范围,因此这四个通道类别判断错误的可能性很高,实验结果表明这四个通道特征与O组更接近,说明他们很可能是病灶区域通道,而这需要医生进一步去综合分析研究做出判断。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (8)
1.基于门控循环网络的脑电信号间效应连通性检测方法,其特征在于,所述方法包括以下步骤:
(1)对获取的患者iEEG信号进行相应预处理;
(2)将步骤(1)预处理好的信号使用GRU-GC算法估计效应连通性;
(3)使用步骤(2)中得到的连通性矩阵,进行二值化,从而建立有向大脑网络连接,并提取相应特征;
(4)使用Gauss核函数的支持向量机将步骤(3)中提取的特征建立分类模型,通过大量实验来获得iEEG通道的分类概率统计结果;
(5)利用分类准确率、特异性和敏感性对算法分类结果进行评估。
2.根据权利要求1所述的基于门控循环网络的脑电信号间效应连通性检测方法,其特征在于,步骤(1)中使用基线校正和z-score标准化iEEG信号,并将原始信号划分为发作前期、发作期和发作后期三个阶段。
3.根据权利要求1所述的基于门控循环网络的脑电信号间效应连通性检测方法,其特征在于,步骤(2)中GRU-GC算法时间序列预测部分采用SmoothL1Loss损失函数,时间窗口为4秒,二值化阈值为0.30。
4.根据权利要求1所述的基于门控循环网络的脑电信号间效应连通性检测方法,其特征在于,步骤(3)提取的节点局部特征为出度、入度、局部聚类系数、出接近中心度和入接近中心度。
5.根据权利要求1所述的基于门控循环网络的脑电信号间效应连通性检测方法,其特征在于,步骤(1)包括以下步骤:
(1-1)使用带通滤波器选取了0.5~64Hz的信号作为研究对象,滤除高频的干扰,并滤去50Hz的工频干扰,
(1-2)进行基线校正,防止数据漂移以及放大癫痫发作时期信号的变化,
(1-3)使用z-score将数据标准化(方差为1,均值为0),减少数据间的量纲差异对实验的影响,
(1-4)将所有数据按照表4-1分为三段不同的时期,发作前期(Pre-ictal)、发作期(Ictal)和发作后期(Post-ictal),用于癫痫发作不同阶段的实验对比分析。
6.根据权利要求1所述的基于门控循环网络的脑电信号间效应连通性检测方法,其特征在于,步骤(2)包括以下步骤:将步骤(1)预处理好的iEEG信号使用GRU-GC算法估计效应连通性,设有P个信号,分别为X1,X2,X3,…,XP,具体步骤为:
(2-3)条件格兰杰因果计算如下所示,根据公式计算条件格兰杰因果影响,得到维度为
P×P的WGCI矩阵G={vij},vij表示时间序列i对时间序列j的因果影响,不考虑自身的影响,因此vij的值都为0,即矩阵对角线为0,
(2-4)为了使得时间序列间的因果影响可比较,需要对矩阵进行归一化处理:
(2-5)最后对归一化的WGCI矩阵进行二值化处理,去除弱连通,保留强连通,如下式所示,其中τG∈(0,1)表示阈值,该阈值可以手动设置或者通过设定相应步长,选择最好的阈值,
8.根据权利要求1所述的基于门控循环网络的脑电信号间效应连通性检测方法,其特征在于,步骤(5)包括以下步骤:
(5-1)本发明是一个二分类模型,采用准确率、特异性和敏感性作为评估指标;
(5-2)分析对比不同参数条件下的准确率、特异性和敏感性的效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210623580.4A CN114903442A (zh) | 2022-06-02 | 2022-06-02 | 基于门控循环网络的脑电信号间效应连通性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210623580.4A CN114903442A (zh) | 2022-06-02 | 2022-06-02 | 基于门控循环网络的脑电信号间效应连通性检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114903442A true CN114903442A (zh) | 2022-08-16 |
Family
ID=82770865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210623580.4A Pending CN114903442A (zh) | 2022-06-02 | 2022-06-02 | 基于门控循环网络的脑电信号间效应连通性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114903442A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116250837A (zh) * | 2023-02-14 | 2023-06-13 | 天津大学 | 一种基于动态因效性脑网络的抑郁症检测装置 |
-
2022
- 2022-06-02 CN CN202210623580.4A patent/CN114903442A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116250837A (zh) * | 2023-02-14 | 2023-06-13 | 天津大学 | 一种基于动态因效性脑网络的抑郁症检测装置 |
CN116250837B (zh) * | 2023-02-14 | 2024-02-13 | 天津大学 | 一种基于动态因效性脑网络的抑郁症检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Seizure prediction using directed transfer function and convolution neural network on intracranial EEG | |
Hu et al. | Morphological clustering and analysis of continuous intracranial pressure | |
Sun et al. | ECG analysis using multiple instance learning for myocardial infarction detection | |
Acharya et al. | Use of principal component analysis for automatic classification of epileptic EEG activities in wavelet framework | |
Inan et al. | A study on fuzzy C-means clustering-based systems in automatic spike detection | |
Bose et al. | Detection of epileptic seizure employing a novel set of features extracted from multifractal spectrum of electroencephalogram signals | |
Suganya et al. | A novel metaheuristic data mining algorithm for the detection and classification of Parkinson disease | |
US20110201961A1 (en) | Morphological clustering and analysis of intracranial pressure pulses (mocaip) | |
Uyttenhove et al. | Interpretable epilepsy detection in routine, interictal EEG data using deep learning | |
JP2020036633A (ja) | 異常判別プログラム、異常判別方法および異常判別装置 | |
Zeng et al. | Detecting seizures from EEG signals using the entropy of visibility heights of hierarchical neighbors | |
Theerthagiri | Predictive analysis of cardiovascular disease using gradient boosting based learning and recursive feature elimination technique | |
Sabor et al. | Robust arrhythmia classification based on QRS detection and a compact 1D-CNN for wearable ECG devices | |
CN114903442A (zh) | 基于门控循环网络的脑电信号间效应连通性检测方法 | |
Akbari et al. | A Novel Geometrical Method for Discrimination of Normal, Interictal and Ictal EEG Signals. | |
Bose et al. | Augmenting neuromuscular disease detection using optimally parameterized weighted visibility graph | |
Zheng et al. | Seizure prediction analysis of infantile spasms | |
Zhou et al. | A hybrid expert system for individualized quantification of electrical status epilepticus during sleep using biogeography-based optimization | |
US20210321956A1 (en) | Determination of health status of systems equipped with sensors | |
CN110584596A (zh) | 基于双输入卷积神经网络的睡眠阶段分类方法及应用 | |
Geng et al. | Personalized recognition of wake/sleep state based on the combined shapelets and K-means algorithm | |
Goshvarpour et al. | An innovative information-based strategy for epileptic EEG classification | |
Ranjan et al. | A machine learning framework for automatic diagnosis of schizophrenia using EEG signals | |
Zhao et al. | A knowledge-based approach for automatic quantification of epileptiform activity in children with electrical status epilepticus during sleep | |
Cheng et al. | Multilevel feature learning method for accurate interictal epileptiform spike detection |
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 |