CN115691794A - 一种神经诊断的辅助分析方法及系统 - Google Patents
一种神经诊断的辅助分析方法及系统 Download PDFInfo
- Publication number
- CN115691794A CN115691794A CN202211712517.4A CN202211712517A CN115691794A CN 115691794 A CN115691794 A CN 115691794A CN 202211712517 A CN202211712517 A CN 202211712517A CN 115691794 A CN115691794 A CN 115691794A
- Authority
- CN
- China
- Prior art keywords
- analysis
- patient
- brain
- signal
- analysis result
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 175
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 230000001537 neural effect Effects 0.000 title claims abstract description 18
- 210000004556 brain Anatomy 0.000 claims abstract description 46
- 230000000287 tissue oxygenation Effects 0.000 claims abstract description 40
- 208000015122 neurodegenerative disease Diseases 0.000 claims abstract description 37
- 230000006378 damage Effects 0.000 claims abstract description 35
- 230000004770 neurodegeneration Effects 0.000 claims abstract description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 30
- 201000010099 disease Diseases 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 14
- 208000014674 injury Diseases 0.000 claims abstract description 14
- 208000029028 brain injury Diseases 0.000 claims abstract description 9
- 230000005477 standard model Effects 0.000 claims abstract description 4
- 230000006931 brain damage Effects 0.000 claims abstract description 3
- 231100000874 brain damage Toxicity 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000006213 oxygenation reaction Methods 0.000 claims description 9
- 230000001149 cognitive effect Effects 0.000 claims description 8
- 210000005013 brain tissue Anatomy 0.000 claims description 6
- 230000008449 language Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000001766 physiological effect Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000013016 learning Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 208000011597 CGF1 Diseases 0.000 claims description 3
- 230000036626 alertness Effects 0.000 claims description 3
- 230000003935 attention Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010197 meta-analysis Methods 0.000 claims description 3
- 230000004039 social cognition Effects 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 230000031836 visual learning Effects 0.000 claims description 3
- 230000003936 working memory Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 230000001272 neurogenic effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 6
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 210000001320 hippocampus Anatomy 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 5
- 210000004727 amygdala Anatomy 0.000 description 5
- 210000001638 cerebellum Anatomy 0.000 description 5
- 230000002490 cerebral effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 108010002255 deoxyhemoglobin Proteins 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 4
- 108010064719 Oxyhemoglobins Proteins 0.000 description 3
- 239000000090 biomarker Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 208000028389 Nerve injury Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000001520 comb Anatomy 0.000 description 2
- 238000000537 electroencephalography Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008764 nerve damage Effects 0.000 description 2
- 230000000626 neurodegenerative effect Effects 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 230000011514 reflex Effects 0.000 description 2
- 201000000980 schizophrenia Diseases 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010013496 Disturbance in attention Diseases 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000009226 cognitive therapy Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008080 stochastic effect Effects 0.000 description 1
- 238000012030 stroop test Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种神经诊断的辅助分析方法及系统。该辅助分析方法包括如下步骤：利用fNIRS设备采集患者脑部的组织氧合可量化值；针对组织氧合可量化值，以时间为基准构建时域分析结果，并以频率为基准构建频域分析结果；通过执行第一指令，对时域数据进行分析，以获取第一分析结果；并通过执行第二指令，对频域数据进行分析，以获取第二分析结果；将第一分析结果和第二分析结果整合后输入先验损伤模型内，以预测患者的病症类型；其中，先验损伤模型为依据先验经验构建的脑损伤检出标准模型。该辅助分析方法是在时域、频域综合分析的基础上得到，经过有监督机器学习，形成多模态数据融合的分析诊断模型，对神经退行性疾病进行有效预测。
Description
技术领域
本发明涉及一种神经诊断的辅助分析方法，同时也涉及相应的辅助分析系统，属于神经诊断技术领域。
背景技术
老年人群的疾病特征具有极强的异质性。虽然年龄增长与慢性疾病（例如糖尿病、癌症、心脏病和认知障碍）的风险增加有关，但实际年龄并不总是功能能力的良好预测指标。同样是80岁，一些老年人出现语言障碍，而另一些则出现注意力、记忆力的严重损伤。在开发认知疗法时，老年人群的这种异质性往往被忽视，从而限制了干预措施在某些人群中的潜在有效性。因此，有必要针对个人特定需求提供个性化治疗方案。开发个性化治疗方案的关键步骤是识别预测特定个体干预成功的生物标志物。
功能性近红外光谱技术（functional Near-infrared spectroscopy, fNIRS）是一种非侵入无创的脑成像技术，它利用血液的主要成分对600～900nm近红外光良好的散射性，从而测量大脑活动时氧合血红蛋白（HbO2）和脱氧血红蛋白（Hb）的变化情况。相比于fMRI/PET等脑成像技术，fNIRS的时间分辨率可达10Hz，能够有效避免高频噪声（呼吸、心跳、血压）造成的频谱混叠问题；它的空间分辨率通常优于EEG/ERPs（DOT成像技术使得fNIRS的空间分辨率几乎可以媲美fMRI），并且不受脑电测量时的容积导体效应影响。最重要的是fNIRS技术造价低、便携性好、运动容忍度高，具有极好的生态效度。因此，它不仅可以在严苛的实验室环境下使用，更可以运用于自然情境下的高级认知、发展教育、异常心理、精神病学和神经病学研究及特殊群体的诊断与术后监测中，因而在性神经退行性疾病辅助检测中具有较高的适用价值。
在申请号为202210321111.7的中国专利申请中，公开了一种脑损伤状况的辅助分析方法，用于对新生儿脑损伤状况进行辅助分析。该方法包括如下步骤：获取新生儿受检者在静息态的脑部的目标区域的近红外数据；基于所获取的近红外数据，在显示界面的第一区域内显示平铺模式的中枢节点图谱， 包括第一脑图像以及中枢节点的标识，至少部分中枢节点能够平铺到第一脑图像中脑边缘以外的背景区域中，使得第一脑图像上的各个中枢节点不被遮挡。该技术方案将中枢节点、区域连接、功能连接以及与脑损伤状况相关联的特征指标等以图文结合的形式在界面上显示，使医生通过多角度查看、多图谱比对和多指标解读，提高新生儿脑损伤状况分析的准确性、可靠度和临床诊断效率。
发明内容
本发明所要解决的首要技术问题在于提供一种神经诊断的辅助分析方法。
本发明所要解决的另一技术问题在于提供一种神经诊断的辅助分析系统。
为实现上述技术目的，本发明采用以下的技术方案：
根据本发明实施例的第一方面，提供一种神经诊断的辅助分析方法，包括以下步骤：
利用fNIRS设备采集患者脑部的组织氧合可量化值；
针对所述组织氧合可量化值，以时间为基准构建时域分析结果，并以频率为基准构建频域分析结果；
通过执行第一指令，对所述时域数据进行分析，以获取第一分析结果；并通过执行第二指令，对所述频域数据进行分析，以获取第二分析结果；
将所述第一分析结果和所述第二分析结果整合后输入先验损伤模型内，以预测所述患者的病症类型；其中，所述先验损伤模型为依据先验经验构建的多种常见疾病的脑损伤检出标准模型。
其中较优地，所述辅助分析方法还包括：
获取所述患者的医疗诊断结果；
将所述医疗诊断结果输入所述先验损伤模型内，以对所述先验损伤模型进行迭代更新。
其中较优地，所述利用fNIRS设备采集患者脑部的组织氧合可量化值，具体包括：
通过信号发射器向所述患者的头部发射预设强度的近红外线；
通过信号检测器检测存在于所述患者头部组织内的近红外线强度；
通过放大单元接收所述信号检测器的检测信号，并对所述检测信号进行放大；
通过滤波器接收所述放大后的检测信号，并对所述放大后的检测信号进行滤波；
通过信号处理器接收所述经过滤波后的检测信号，并对所述经过滤波后的检测信号进行处理，以获取所述患者脑部的组织氧合可量化值。
其中较优地，所述时域分析结果通过以下方式构建：
以时间为坐标轴，在所述患者处于预设状态下，依次采集所述患者脑部在不同时间段的组织氧合可量化值；
将所述不同时间段的组织氧合可量化值进行数据整合，以形成所述时域分析结果；
其中，所述预设状态至少包括静息状态和任务状态。
其中较优地，所述执行第一指令，具体包括：
对所述患者在预设状态下的组织氧合可量化值进行预处理，以减少噪音；
采用漂移扩散模型对所述氧合可量化值进行校正，以根据所述患者的生理数据进行病症特征的提取；
采用方差检验法对所提取的病症特征进行向量映射，并采用数据驱动方法对所述病症特征进行统计分析；
对经过统计分析后的病症特征进行特征拟合，以对患者大脑组织的光学特性参数进行仿真分析，从而根据仿真分析结果进行神经性病症的预估。
其中较优地，所述频域分析结果通过以下方式构建：
在时域分析的基础上，将所述患者在不同时间段的组织氧合可量化值均转变为频率值；
将转变后的多个频率值进行数据整合，以形成所述频域分析结果。
其中较优地，所述执行第二指令，具体包括：
基于傅里叶变换对频率幅度和频率成分进行分析，以进行结构频域信号的变换，形成第一信号；
对所述第一信号进行希尔伯特-黄变换，以形成第二信号，从而定位脑区分布；
采用信号频域分析法对所述第二信号进行分段处理，以通过判断不同频率段信号对生理活动的指向进行信号分析，并输出脑结构兴趣区的分析结果。
其中较优地，所述先验损伤模型通过以下方式构建：
使用CMA软件对每个认知领域和所有大脑结构之间的相关性进行元分析；
结合时域分析的任务范式大脑组织氧合可量化值，形成多个矩阵域；所述多个矩阵域包括：加工速度、注意和警觉、工作记忆、语言学习和记忆、视觉学习和记忆、推理和问题解决和社会认知、语言流畅性；
结合不同神经退行性疾病的核心脑区频域，分析所述多个矩阵域与核心脑区的关联关系，以形成不同神经退行性疾病的先验损伤模型。
根据本发明实施例的第二方面，提供一种神经诊断的辅助分析系统，包括：
数据采集单元，用于采集患者脑部的组织氧合可量化值；
数据分析单元，与所述数据采集单元连接，以接收所述组织氧合可量化值，并进行时域和频域分析；
数据输出单元，与所述数据分析单元连接，以接收所述数据分析单元对所述组织氧合可量化值的时域和频域分析结果，并基于先验损伤模型输出所述患者的病症类型。
其中较优地，所述辅助分析系统还包括：
模型优化单元，所述模型优化单元与所述数据输出单元连接，以根据所述患者的医疗诊断结果对所述先验损伤模型进行迭代更新。
与现有技术相比较，本发明具有以下的技术特点：
1. 脑影像指标多维度分析：本发明所实现的神经退行性疾病诊断，是在时域分析、频域分析多维度综合分析的基础上得到，经过有监督机器学习，形成多模态数据融合的预测诊断模型，对神经退行性疾病进行有效诊断。
2. 多种脑神经损伤疾病分类建模：本发明对多种神经退行性疾病进行分类建模，即，本发明是针对不同疾病分别建立先验损伤模型的，分类建模能够最大程度的突出每种神经退行性疾病的特异性，为精准诊断提供有效前提。
3. fNIRS技术与神经退行性病症诊断创新性融合：本发明以fNIRS技术为生物标记物，对神经退行性疾病进行辅助性诊断，这种融合性应用思路提高了诊断精度。
4. 神经退行性疾病模型更新迭代：本发明辅助诊断神经退行性疾病是在逐步更新迭代中，不断变得越来越精准。开始使用的模型为先验模型，发明引入外部校标数据，对神经退行性疾病模型进行有监督的机器学习，训练模型更新迭代，使得模型不断的本土化、精准化。
5. 神经退行性疾病的映射关系：本发明融合认知神经科学、生物解剖学、生物信息工程领域的研究结果，即人的神经退行性疾病分类、认知域矩阵、核心脑区，是存在关联关系的，整合梳理相关的逻辑关系思路；本发明通过分类、映射关系，形成针对不同神经退行性疾病的疾病-脑区映射方案。
附图说明
图1为本发明第一实施例提供的一种神经诊断的辅助分析方法的流程图；
图2为本发明第一实施例中，fNIRS设备的结构示意图；
图3为本发明第一实施例中，fNIRS设备的使用状态图；
图4为本发明第一实施例中，针对不同病症的频域分析映射表；
图5为本发明第一实施例中的脑电位波形图；
图6为本发明第一实施例中，无噪OD信号的单边功率谱密度、空间地形图；
图7为本发明第一实施例中，以精神分裂症疾病为例形成的先验损伤模型；
图8为本发明第二实施例提供的一种神经诊断的辅助分析系统的结构示意图；
图9为本发明第三实施例提供的一种神经诊断的辅助分析装置的结构示意图。
具体实施方式
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
<第一实施例>
图1所示为本发明第一实施例提供的一种神经诊断的辅助分析方法，具体包括步骤S1～S5：
S1：利用fNIRS设备采集患者脑部的组织氧合可量化值。
本实施例中，组织氧合可量化值包括血红蛋白和脱氧血红蛋白的可量化值。如图2所示，fNIRS设备共由五部分组成，包括：信号发射器11、信号检测器12、放大单元13、滤波器14和信号处理器15。通过五个部件的相互配合，共同实现对患者脑部的组织氧合可量化值的采集，具体包括步骤S11～S15：
S11：信号发射。
具体的，通过信号发射器11向患者的头部发射预设强度的近红外线。本实施例中，fNIRS设备整体呈帽子形状，具体使用时，如图3所示，通过罩设在患者的头部，使得信号发射器11能够向患者的头部发射预设强度的近红外线。
S12：信号采集。
具体的，通过信号检测器12检测存在于患者头部组织内的近红外线强度。本实施例中，信号检测器12通常采用一个光电二极管（PD），放置在离信号发射器11几厘米（例如：2～6cm）的地方，对近红外光比较敏感，能够探测到存在于组织中的减弱的光强度。
S13：信号放大。
具体的，通过放大单元13接收信号检测器的检测信号，并对检测信号进行放大。该放大单元通常使用跨阻抗放大器，以将光电二极管内的电流转换为相应的强度。
S14：信号滤波。
具体的，通过滤波器14接收放大后的检测信号，并对放大后的检测信号进行滤波。通常采用抗混叠滤波器对检测信号进行滤波，具体可根据需要进行适应性调整。
S15：信号转化。
具体的，通过信号处理器15接收经过滤波后的检测信号，并对经过滤波后的检测信号进行处理，以将将传输和检测到的信号强度的变化转化为组织氧合的可量化值。其中，可以理解的是，该组织氧合的可量化值通常指的是：大脑活动时氧合血红蛋白（HbO2）和脱氧血红蛋白（HbR）的变化情况。
由此，通过步骤S11～S15能够基于fNIRS设备实现对患者脑部的组织氧合可量化值的采集。
S2：针对组织氧合可量化值，以时间为基准构建时域分析结果，并以频率为基准构建频域分析结果。
该步骤中既包括时域分析结果的构建（参见步骤S21），又包括频域分析结果的构建（参见步骤S22），下面对时域分析结果和频域分析结果的构建过程进行详细说明。
S21：时域分析结果的构建
具体包括步骤S211～S212：
S211：以时间为坐标轴，在患者处于预设状态下，依次采集患者脑部在不同时间段的组织氧合可量化值；
S212：将不同时间段的组织氧合可量化值进行数据整合，以形成时域分析结果；其中，预设状态至少包括静息状态和任务状态。
可以理解的是，本实施例中，时域分析是以时间为坐标轴表示动态信号的关系，主要是指在一定的输入情况下，根据系统的输出在时间序列（时域）的表达情况，分析系统性能特点的过程。这样的时域分析过程，因所有的检测信号最终是在时域下获得，而形象、直观和易于理解。根据神经退行性疾病诊断的应用需求，发明构建时域分析结果内容包含不限于：静息状态下的大脑氧合状态、GO/NO-GO任务范式下的大脑氧合状态、Stroop 任务范式下的大脑氧合状态、N-back 任务范式下的大脑氧合状态、WCST 任务范式下的大脑氧合状态等。
S22：频域分析结果的构建
具体包括步骤S221～S222：
S221：在时域分析的基础上，将患者在不同时间段的组织氧合可量化值均转变为频率值；
S222：将转变后的多个频率值进行数据整合，以形成频域分析结果。
可以理解的是，本实施例中，频域分析是在对函数或者信号进行分析时，分析其与频率有关的部分，需要在一个特定规则下的数学建构范畴内进行。fNIRS信号的频域分析，在时域分析的基础上，把fNIRS信号转变为以频率为横坐标轴表示出来。由此，根据各神经退行性系统疾病的主要损伤特征，本实施例中能够形成针对不同病症的频域分析映射表，映射关系部分举例展示如图4所示。
S3：通过执行第一指令，对时域分析结果进行分析，以获取第一分析结果；并通过执行第二指令，对频域分析结果进行分析，以获取第二分析结果。
该步骤中既包括对时域分析结果的分析（参见步骤S31），又包括对频域分析结果的分析（参见步骤S32），下面对时域分析结果和频域分析结果的分析过程进行详细说明。
S31：对时域分析结果的分析
具体包括步骤S311～S313：
S311：特征提取。
具体的，本实施例中，通过对原始近红外数据进行静息态与任务范式下的氧合反应信号进行预处理，将光信号处理为噪音较小、伪迹较少的信号；并采用漂移扩散模型对氧合可量化值进行校正，以根据患者的生理数据进行病症特征的提取；
S312：信号分析。
具体的，通过采用t检验、方差检验等方法对比静息态与任务态的氧合血红蛋白（HbO2）和脱氧血红蛋白（Hb）强度差异，定位显著变化的时序特征。然后，采用一般线性模型（GLM）框架、数据驱动方法（如主成分分析和独立成分分析）和动态状态空间模型（DSSM）进一步建模，以进行信号分析。
S313：结果输出。
具体的，在fNIRS 时域分析中采用拟合方法，以用于对人体组织尤其是人体大脑组织的光学特性参数的仿真和分析，从而对复杂组织的光学特性有较准确的预估，为脑功能机制的探索提供计算基础，进而根据仿真分析结果进行神经性病症的预估。
S32：对频域分析结果的分析
具体包括步骤S321～S323：
S321：特征提取。
具体的，本实施例中，基于快速傅里叶变换（Fast Fourier Transform, FFT）的频谱分析，包括对频率幅度和频率成分的分析；基于其他变换的信号成分分析；还有关注不同信号段的频域分析。基于FFT的fNIRS信号分析，主要依靠FFT对信号进行时域到频域的变换，从频域的角度分析信号构成成分，再与生理活动联系分析，以进行结构频域信号的变换，形成第一信号。
S322：信号分析。
具体的，本实施例中，基于其他变换的信号成分分析，如希尔伯特-黄变换，利用固有模态函数对 fNIRS 信号进行分解，能更加直接的反应原始信号数据，清晰地刻画信号随时间和频率的分布，以形成第二信号，从而定位脑区分布。
S323：结果输出。
关注不同范围信号段的 fNIRS 信号频域分析法，对第二信号进行分段处理，通过判断不同频率段信号对生理活动的指向进行信号分析，或者从不同频率段信号派生出的其他指标进行信号与生理反应研究，从而输出脑结构兴趣区的分析结果。
其中，可以理解的是，如图5所示，对时域分析的分析结果为脑电位波形图；类似的，如图6所示，对频域分析的分析结果为无噪OD信号的单边功率谱密度、空间地形图，从而可将上述分析结果整合后输入先验损伤模型内，以预测患者的病症类型。
S4：将第一分析结果和第二分析结果整合后输入先验损伤模型内，以预测患者的病症类型。
具体的，本实施例中，先验损伤模型为依据先验经验构建的多种常见疾病的脑损伤检出标准模型。可通过以下方式进行构建：
首先，使用CMA软件对每个认知领域和所有大脑结构之间的相关性进行元分析。通过采用随机效应模型进行meta分析，计算多篇国内外研究的Fisher's Z，根据样本量对研究进行加权。
其次，结合时域分析的任务范式大脑组织氧合可量化值，形成多个矩阵域。本实施例中为8个矩阵域，8个矩阵域共包括：加工速度、注意和警觉、工作记忆、语言学习和记忆、视觉学习和记忆、执行功能、推理和问题解决和社会认知、语言流畅性。
最后，结合不同神经退行性疾病的核心脑区频域，分析多个矩阵域与核心脑区的关联关系，以形成不同神经退行性疾病的先验损伤模型。如图7所示，以精神分裂症疾病为例，根据图4所示的《不同病症的频域分析映射表》，其核心的功能脑区为杏仁核、海马、小脑。选择杏仁核、小脑、海马区域进行分析。分析发现SP与海马和杏仁核的相关性显著；ATT只与小脑的相关性显著；WM与这三个结构体均呈显著相关；VM与海马显著相关；VisM与小脑和海马显著相关；R&EF与海马和杏仁核显著相关；SC与海马和杏仁核显著相关；VF与小脑显著相关。
基于上述构建的先验损伤模型，当通过步骤S3获取第一分析结果和第二分析结果后，通过将第一分析结果和第二分析结果整合后输入先验损伤模型内，从而能够形成客观可行的认知功能评估检测回路，以预测患者的病症类型。
S5：先验损伤模型的迭代更新。
由于初始的神经退行性疾病的先验损伤模型是根据多国的研究结果分析计算而来，本实施例中，借助迭代模型的构建实现对先验损伤模型的本土化迭代更新。
具体的，通过构建有监督式机器学习模型，针对系统积累的多脑损伤检测数据，以患者来自核心医疗机构的权威诊断结果为校标数据，进行系统先验损伤模型的更新校正，旨在让辅助诊断结果越加精准。
本实施例中，采用已有成熟框架的GBDT决策树模型，以不同患者的8个任务范式矩阵域数据、不同神经退行性疾病的核心脑区数据为输入，输出其出现特定神经退行性疾病的预测概率，积累的多权威诊断结果为训练数据，通过多次自适应性学习、不断优化调整拟合参数，形成AUC>0.9的决策模型，对已有神经退行性损伤模型进行迭代更新。其中AUC是衡量二分类模型优劣的一种评价指标，表示预测的正例排在负例前面的概率。
由此，通过对先验损伤模型的不断迭代更新，从而能够提高该先验损伤模型预测的精准度，从而辅助神经性衰退疾病的早发现、早诊断，为后续有针对的认知治疗提供必要的基础。
<第二实施例>
如图8所示，在第一实施例的基础上，本发明第二实施例提供一种神经诊断的辅助分析系统，包括数据采集单元10、数据分析单元20、数据输出单元30和模型优化单元40。
其中，数据采集单元10用于采集患者脑部的组织氧合可量化值（对应于第一实施例中的步骤S1）。
数据分析单元20与数据采集单元10连接，以接收组织氧合可量化值，并进行时域和频域分析（对应于第一实施例中的步骤S2～S3）。
数据输出单元30与数据分析单元20连接，以接收数据分析单元20对组织氧合可量化值的时域和频域分析结果，并基于先验损伤模型输出患者的病症类型。（对应于第一实施例中的步骤S4）。
模型优化单元40与数据输出单元30连接，以根据患者的医疗诊断结果对先验损伤模型进行迭代更新。（对应于第一实施例中的步骤S5）。
<第三实施例>
在上述第一实施例的基础上，本发明进一步提供一种神经诊断的辅助分析装置。如图9所示，该辅助分析装置包括一个或多个处理器21和存储器22。其中，存储器22与处理器21耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器21执行，使得所述一个或多个处理器21实现如上述实施例中的神经诊断的辅助分析方法。
其中，处理器21用于控制该辅助分析装置的整体操作，以完成上述神经诊断的辅助分析方法的全部或部分步骤。该处理器21可以是中央处理器（CPU）、图形处理器（GPU）、现场可编程逻辑门阵列（FPGA）、专用集成电路（ASIC）、数字信号处理（DSP）芯片等。存储器22用于存储各种类型的数据以支持在该辅助分析装置的操作，这些数据例如可以包括用于在该辅助分析装置上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器22可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器（SRAM）、电可擦除可编程只读存储器（EEPROM）、可擦除可编程只读存储器（EPROM）、可编程只读存储器（PROM）、只读存储器（ROM）、磁存储器、快闪存储器等。
在一个示例性实施例中，辅助分析装置具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现，用于执行上述的神经诊断的辅助分析方法，并达到如上述方法一致的技术效果。一种典型的实施例为计算机。具体地说，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在另一个示例性实施例中，本发明还提供一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的神经诊断的辅助分析方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由辅助分析装置的处理器执行以完成上述的神经诊断的辅助分析方法，并达到如上述方法一致的技术效果。
综上所述，本发明实施例所提供的一种神经诊断的辅助分析方法及系统，具有以下的有益效果：
1. 脑影像指标多维度分析：本发明所实现的神经退行性疾病诊断，是在时域分析、频域分析多维度综合分析的基础上得到，经过有监督机器学习，形成多模态数据融合的预测诊断模型，对神经退行性疾病进行有效诊断。
2. 多种脑神经损伤疾病分类建模：本发明对多种神经退行性疾病进行分类建模，即，本发明是针对不同疾病分别建立先验损伤模型的，分类建模能够最大程度的突出每种神经退行性疾病的特异性，为精准诊断提供有效前提。
3. fNIRS技术与神经退行性病症诊断创新性融合：本发明以fNIRS技术为生物标记物，对神经退行性疾病进行辅助性诊断，这种融合性应用思路提高了诊断精度。
4. 神经退行性疾病模型更新迭代：本发明辅助诊断神经退行性疾病是在逐步更新迭代中，不断变得越来越精准。开始使用的模型为先验模型，发明引入外部校标数据，对神经退行性疾病模型进行有监督的机器学习，训练模型更新迭代，使得模型不断的本土化、精准化。
5. 神经退行性疾病的映射关系：本发明融合认知神经科学、生物解剖学、生物信息工程领域的研究结果，即人的神经退行性疾病分类、认知域矩阵、核心脑区，是存在关联关系的，整合梳理相关的逻辑关系思路；本发明通过分类、映射关系，形成针对不同神经退行性疾病的疾病-脑区映射方案。
6. 时域和频域分析：本发明将时域分析的分析步骤形成标准化指令集，形成从预处理到统计分析的全过程处理指令，包括不限于伪迹校正、漂移校正、特征提取、信号分析、动态状态空间模型（DSSM）建模的处理思路。并且，本发明将频域分析的分析步骤形成标准化指令集，形成对不同病症、不同脑区的频率幅度和频率成分的分析，通过判断不同频率段信号对生理活动的指向进行信号分析，或者从不同频率段信号派生出的其他指标进行信号与生理反应研究，实现对频域分析的综合分析。
7. 神经退行性疾病的辅助分析系统：本发明将神经诊断的数据采集、分析与诊断，形成自动化融合系统，软硬件结合的辅助系统分析方式，形成可推广、普适性的辅助诊断系统。
上面对本发明所提供的神经诊断的辅助分析方法及系统进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。
Claims (10)
1.一种神经诊断的辅助分析方法，其特征在于包括以下步骤：
利用fNIRS设备采集患者脑部的组织氧合可量化值；
针对所述组织氧合可量化值，以时间为基准构建时域分析结果，并以频率为基准构建频域分析结果；
通过执行第一指令，对所述时域分析结果进行分析，以获取第一分析结果；并通过执行第二指令，对所述频域分析结果进行分析，以获取第二分析结果；
将所述第一分析结果和所述第二分析结果整合后输入先验损伤模型内，以预测所述患者的病症类型；其中，所述先验损伤模型为依据先验经验构建的多种常见疾病的脑损伤检出标准模型。
2.如权利要求1所述的辅助分析方法，其特征在于还包括：
获取所述患者的医疗诊断结果；
将所述医疗诊断结果输入所述先验损伤模型内，以对所述先验损伤模型进行迭代更新。
3.如权利要求1所述的辅助分析方法，其特征在于所述利用fNIRS设备采集患者脑部的组织氧合可量化值，具体包括：
通过信号发射器向所述患者的头部发射预设强度的近红外线；
通过信号检测器检测存在于所述患者头部组织内的近红外线强度；
通过放大单元接收所述信号检测器的检测信号，并对所述检测信号进行放大；
通过滤波器接收所述放大后的检测信号，并对所述放大后的检测信号进行滤波；
通过信号处理器接收所述经过滤波后的检测信号，并对所述经过滤波后的检测信号进行处理，以获取所述患者脑部的组织氧合可量化值。
4.如权利要求1所述的辅助分析方法，其特征在于所述时域分析结果通过以下方式构建：
以时间为坐标轴，在所述患者处于预设状态下，依次采集所述患者脑部在不同时间段的组织氧合可量化值；
将所述不同时间段的组织氧合可量化值进行数据整合，以形成所述时域分析结果；
其中，所述预设状态至少包括静息状态和任务状态。
5.如权利要求4所述的辅助分析方法，其特征在于所述执行第一指令，具体包括：
对所述患者在预设状态下的组织氧合可量化值进行预处理，以减少噪音；
采用漂移扩散模型对所述氧合可量化值进行校正，以根据所述患者的生理数据进行病症特征的提取；
采用方差检验法对所提取的病症特征进行向量映射，并采用数据驱动方法对所述病症特征进行统计分析；
对经过统计分析后的病症特征进行特征拟合，以对患者大脑组织的光学特性参数进行仿真分析，从而根据仿真分析结果进行神经性病症的预估。
6.如权利要求4所述的辅助分析方法，其特征在于所述频域分析通过以下方式构建：
在时域分析的基础上，将所述患者在不同时间段的组织氧合可量化值均转变为频率值；
将转变后的多个频率值进行数据整合，以形成所述频域分析结果。
7.如权利要求6所述的辅助分析方法，其特征在于所述执行第二指令，具体包括：
基于傅里叶变换对频率幅度和频率成分进行分析，以进行结构频域信号的变换，形成第一信号；
对所述第一信号进行希尔伯特-黄变换，以形成第二信号，从而定位脑区分布；
采用信号频域分析法对所述第二信号进行分段处理，以通过判断不同频率段信号对生理活动的指向进行信号分析，并输出脑结构兴趣区的分析结果。
8.如权利要求1所述的辅助分析方法，其特征在于所述先验损伤模型通过以下方式构建：
使用CMA软件对每个认知领域和所有大脑结构之间的相关性进行元分析；
结合时域分析的任务范式大脑组织氧合可量化值，形成多个矩阵域；所述多个矩阵域包括：加工速度、注意和警觉、工作记忆、语言学习和记忆、视觉学习和记忆、推理和问题解决和社会认知、语言流畅性；
结合不同神经退行性疾病的核心脑区频域，分析所述多个矩阵域与核心脑区的关联关系，以形成不同神经退行性疾病的先验损伤模型。
9.一种神经诊断的辅助分析系统，其特征在于包括：
数据采集单元，用于采集患者脑部的组织氧合可量化值；
数据分析单元，与所述数据采集单元连接，以接收所述组织氧合可量化值，并进行时域和频域分析；
数据输出单元，与所述数据分析单元连接，以接收所述数据分析单元对所述组织氧合可量化值的时域和频域分析结果，并基于先验损伤模型输出所述患者的病症类型。
10.如权利要求9所述的辅助分析系统，其特征在于还包括：
模型优化单元，所述模型优化单元与所述数据输出单元连接，以根据所述患者的医疗诊断结果对所述先验损伤模型进行迭代更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211712517.4A CN115691794B (zh) | 2022-12-29 | 2022-12-29 | 一种神经诊断的辅助分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211712517.4A CN115691794B (zh) | 2022-12-29 | 2022-12-29 | 一种神经诊断的辅助分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115691794A true CN115691794A (zh) | 2023-02-03 |
| CN115691794B CN115691794B (zh) | 2024-03-08 |
Family
ID=85055019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211712517.4A Active CN115691794B (zh) | 2022-12-29 | 2022-12-29 | 一种神经诊断的辅助分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115691794B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116250807A (zh) * | 2023-03-06 | 2023-06-13 | 国家康复辅具研究中心 | 基于fNIRS和MEP的神经通路评估方法及系统 |
| CN116344058A (zh) * | 2023-05-29 | 2023-06-27 | 之江实验室 | 一种基于图信号的阿尔兹海默风险标注方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160000354A1 (en) * | 2010-01-06 | 2016-01-07 | Evoke Neuroscience, Inc. | Electrophysiology measurement and training and remote databased and data analysis measurement method and system |
| CN114188013A (zh) * | 2021-09-01 | 2022-03-15 | 北京智精灵科技有限公司 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
| CN114983434A (zh) * | 2021-07-23 | 2022-09-02 | 燧人(上海)医疗科技有限公司 | 一种基于多模态脑功能信号识别的系统及方法 |
| CN115019970A (zh) * | 2021-07-23 | 2022-09-06 | 燧人(上海)医疗科技有限公司 | 一种基于fNIRS的阿尔兹海默症诊断方法 |
-
2022
- 2022-12-29 CN CN202211712517.4A patent/CN115691794B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160000354A1 (en) * | 2010-01-06 | 2016-01-07 | Evoke Neuroscience, Inc. | Electrophysiology measurement and training and remote databased and data analysis measurement method and system |
| CN114983434A (zh) * | 2021-07-23 | 2022-09-02 | 燧人(上海)医疗科技有限公司 | 一种基于多模态脑功能信号识别的系统及方法 |
| CN115019970A (zh) * | 2021-07-23 | 2022-09-06 | 燧人(上海)医疗科技有限公司 | 一种基于fNIRS的阿尔兹海默症诊断方法 |
| CN114188013A (zh) * | 2021-09-01 | 2022-03-15 | 北京智精灵科技有限公司 | 一种阿尔兹海默症的认知及脑影像数据整合评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李伟凯: "基于正则化框架的脑网络构建与应用研究", 《中国优秀硕士学位论文全文数据库》, pages 2 - 8 * |
| 马佩: "功能性近红外脑成像系统综述" * |
| 马佩: "功能性近红外脑成像系统综述", 《光学仪器》, pages 1 - 10 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116250807A (zh) * | 2023-03-06 | 2023-06-13 | 国家康复辅具研究中心 | 基于fNIRS和MEP的神经通路评估方法及系统 |
| CN116250807B (zh) * | 2023-03-06 | 2023-11-14 | 国家康复辅具研究中心 | 基于fNIRS和MEP的神经通路评估方法及系统 |
| CN116344058A (zh) * | 2023-05-29 | 2023-06-27 | 之江实验室 | 一种基于图信号的阿尔兹海默风险标注方法及装置 |
| CN116344058B (zh) * | 2023-05-29 | 2023-08-18 | 之江实验室 | 一种基于图信号的阿尔兹海默风险标注方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115691794B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mumtaz et al. | Review of challenges associated with the EEG artifact removal methods | |
| Mumtaz et al. | Electroencephalogram (EEG)-based computer-aided technique to diagnose major depressive disorder (MDD) | |
| Castellanos et al. | Clinical applications of the functional connectome | |
| Alberdi et al. | On the early diagnosis of Alzheimer's Disease from multimodal signals: A survey | |
| JP7221693B2 (ja) | ヒトの脳の皮質機能の目録を作るための方法および磁気画像化デバイス | |
| CN115691794B (zh) | 一种神经诊断的辅助分析方法及系统 | |
| CN109717833A (zh) | 一种基于人体运动姿态的神经疾病辅助诊断系统 | |
| Panganiban et al. | ECG diagnostic support system (EDSS): A deep learning neural network based classification system for detecting ECG abnormal rhythms from a low-powered wearable biosensors | |
| JP2020062369A (ja) | 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、および脳活動バイオマーカシステム | |
| Klug et al. | The BeMoBIL Pipeline for automated analyses of multimodal mobile brain and body imaging data | |
| Khayretdinova et al. | Predicting age from resting-state scalp EEG signals with deep convolutional neural networks on TD-brain dataset | |
| Wang et al. | SEEG-Net: An explainable and deep learning-based cross-subject pathological activity detection method for drug-resistant epilepsy | |
| Sugden et al. | Generalizable electroencephalographic classification of Parkinson's disease using deep learning | |
| Posada-Quintero et al. | Autism spectrum disorder detection using variable frequency complex demodulation of the electroretinogram | |
| Cannard et al. | BrainBeats: an open-source EEGLAB plugin to jointly analyze EEG and cardiovascular (ECG/PPG) signals | |
| CN113558640A (zh) | 基于脑电特征的最小意识状态程度的评估方法 | |
| CN116186502B (zh) | 一种多模态视觉神经功能检测方法及其系统 | |
| Haweel et al. | A review on autism spectrum disorder diagnosis using task-based functional mri | |
| Vanhatalo et al. | Advanced EEG and MRI measurements to study the functional development of the newborn brain | |
| CN113948180A (zh) | 实现精神疾病影像报告生成处理的方法、装置、处理器及其计算机可读存储介质 | |
| Ho et al. | Interpretable deep learning model for major depressive disorder assessment based on functional near-infrared spectroscopy | |
| Adetunji et al. | Classification of neurodegenerative disorders using machine learning techniques | |
| Cannard et al. | BrainBeats as an Open-Source EEGLAB Plugin to Jointly Analyze EEG and Cardiovascular Signals. | |
| Huang et al. | A portable household detection system based on the combination of bidirectional LSTM and residual block for automatical arrhythmia detection | |
| Ilias et al. | Overview of methods and available tools used in complex brain disorders |
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 |