CN116304558B - 癫痫脑磁图棘波检测方法及装置 - Google Patents
癫痫脑磁图棘波检测方法及装置 Download PDFInfo
- Publication number
- CN116304558B CN116304558B CN202310061212.XA CN202310061212A CN116304558B CN 116304558 B CN116304558 B CN 116304558B CN 202310061212 A CN202310061212 A CN 202310061212A CN 116304558 B CN116304558 B CN 116304558B
- Authority
- CN
- China
- Prior art keywords
- model
- brain magnetic
- dimensional
- epileptic
- dimensional space
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 119
- 230000001037 epileptic effect Effects 0.000 title claims abstract description 94
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000002582 magnetoencephalography Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000005070 sampling Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 206010010904 Convulsion Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 206010015037 epilepsy Diseases 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000028329 epileptic seizure Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了癫痫脑磁图棘波检测方法及装置，包括：构建棘波检测模型：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，得棘波检测模型；将待检测的脑磁数据进行数据分割后，输入棘波检测模型，得该脑磁数据的棘波检测结果。本发明具有可以更加高效、准确地进行棘波自动检测，为医生提供更加有效的辅助诊断信息等优点。
Description
技术领域
本发明涉及脑磁图数据智能分析领域。更具体地说，本发明涉及一种癫痫脑磁图棘波检测方法及装置。
背景技术
脑磁图(Magnetoencephalography，MEG)数据采集以及棘波信号检测是医学诊断癫痫疾患的重要辅助手段。临床上，将视觉检测和手动注释看作是棘波检测的“金标准”，然而，由于MEG数据量大，采用医生人工分辨棘波，耗时长、工作量大、受医生的主观判断影响、且不能做到癫痫疾病的实时诊断。因此，设计实现用于MEG信号棘波检测的自动化系统意义重大。
目前，已有的棘波自动检测和评估的常用算法有阀值法、海岸线法、模板匹配、信号增强、形态学分析、分类聚类，深度学习方法等，这些方法大部分利用了棘波信号的时频域等特征，虽然实现了多通道的棘波信号检测，但只是针对单频率一维的棘波MEG信号进行分析，而无法提取MEG中更深度的时空特征，检测准确度还有待提高。
发明内容
本发明的一个目的是提供一种癫痫脑磁图棘波检测方法及装置，以更加高效、准确地进行棘波自动检测，为医生提供更加有效的辅助诊断信息。
为了实现本发明的目的和其它优点，提供了一种癫痫脑磁图棘波检测方法，包括：
构建棘波检测模型：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用所述癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将所述癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用所述癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，得棘波检测模型；
将待检测的脑磁数据进行数据分割后，输入所述棘波检测模型，得该脑磁数据的棘波检测结果。
优选的是，所述的癫痫脑磁图棘波检测方法，还包括，在数据分割前，对所述原始癫痫脑磁数据和所述待检测的脑磁数据进行伪迹去除。
优选的是，所述的癫痫脑磁图棘波检测方法，所述癫痫脑磁信号包含多个脑磁图数据片段，每个脑磁图数据片段为一个大小为M*N的二维矩阵形式的数据集，M为对应原始癫痫脑磁数据的通道数；N为对应原始癫痫脑磁数据的通道时间长度。
优选的是，所述的癫痫脑磁图棘波检测方法，所述信号分类网络包括二维空间子模型A、一维空间子模型B和二维空间子模型C；其中，所述二维空间子模型A为二维卷积神经网络模型，所述一维空间子模型B为一维卷积神经网络模型，所述二维空间子模型C为二维深度可分离卷积神经网络模型，且所述二维空间子模型A和所述二维空间子模型C的输入为所述癫痫脑磁信号，所述一维空间子模型B的输入为二维空间子模型A输出所得。
优选的是，所述的癫痫脑磁图棘波检测方法，所述视频分类网络包括三维空间子模型D和四维时序子模型E，其中，所述三维空间子模型D为三维卷积神经网络模型，所述四维时序子模型E为基于TimeSformer的无卷积时序视频分类网络模型，且所述三维空间子模型D的输入为所述癫痫脑磁视频经降维后的三维矩阵，所述四维时序子模型E的输入为脑磁视频片段，所述脑磁视频片段由多个从所述癫痫脑磁视频中采样的大小为W*H的图片帧组成，W为图像宽，H为图像高。
优选的是，所述的癫痫脑磁图棘波检测方法，所述降维包括：采用公式1，使用对数增强颜色极值，并使用常系数增强红色值和蓝色值，得三维矩阵A；再采用公式2对所述三维矩阵A进行归一化处理，得三维矩阵B；将所述三维矩阵B作为所述三维空间子模型D的输入，其中，公式1为output＝logR*n+logG+logB*(-n)，式中，R，G，B分别是红色、绿色和蓝色三个颜色通道上的0-255的数值，n为常系数；公式2为式中，x为公式1中的output值。
优选的是，所述的癫痫脑磁图棘波检测方法，所述模型融合包括：对所述一维空间子模型B、所述二维空间子模型C、所述三维空间子模型D和所述四维时序子模型E四个维度训练得到的模型权重进行加载，使用Flatten层连接卷积层和全连接层把多维的输入一维化，再使用全局平均池化层Global Average Pooling和非线性激活函数Leaky Relu函数加深各个特征之间的关联，经过非线性变化，映射到输出空间中，最后经过Sigmoid函数得到最终的棘波检测结果。
本发明还提供了一种癫痫脑磁图棘波检测装置，包括：
伪迹去除模块，用于对脑磁数据进行伪迹去除；
数据分割模块，用于对伪迹去除后的脑磁数据进行数据分割，得多通道多频率融合的脑磁信号；
棘波检测模块，其内含棘波检测模型，用于对输入的所述脑磁信号进行检测，得对应脑磁数据的棘波检测结果；其中，
所述棘波检测模型的构建方法为：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用所述癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将所述癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用所述癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，即得。
本发明还提供了一种存储介质，其中存储有计算机程序，所述计算机程序被处理器加载执行时，实现上述的方法。
本发明还提供了一种电子设备，包括：处理器、及存储器；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述电子设备执行上述的方法。
本发明至少包括以下有益效果：
第一、本发明提供一种同时基于一维、二维、三维、四维的多维度融合卷积神经网络癫痫脑磁信号的棘波快速定位检测方法，使模型充分挖掘不同维度的时空特征信息，具备了实时性好、便于实现、精确度更高等特点。
第二、本发明提出了使用对信号空间重建后的癫痫脑磁拓扑图构成的四维脑磁视频数据来进行癫痫的棘波分类检测，解决了单一使用一维脑磁信号的数据的可提取特征有限，以及缺失高维度空间语义信息的问题。
第三、本发明提出了针对癫痫脑磁拓扑图视频数据的有效的数据增强方法，因脑磁视频数据的特殊性，对拓扑图数据进行了对数增强，其后进行了红蓝色增强的降维处理，可以更好的提取到脑磁视频数据的特征，加强了对图像极值的关注度，方便后续模型的学习。
第四、本发明构建分类网络模型是考虑到多个通道信号的相似性和相关性，针对多个通道构建二维深度学习神经网络模型进行预测，摆脱了仅仅依靠单通道脑磁信号构建一维神经网络的单一性和信息缺失的问题。
第五、本发明数据处理过程中通过降采样得到多个频率的数据，将多频率融合的数据送入模型进行分类学习，极大提高了模型对不同频率脑磁癫痫数据的泛化性和鲁棒性。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1是本发明一个实施例的癫痫脑磁图棘波检测方法的流程简图；
图2是本发明一个实施例的癫痫脑磁图棘波检测方法的流程框图；
图3是本发明一个实施例的棘波检测模型的网络框图；
图4是本发明一个实施例的脑磁视频降维处理过程示意图。
具体实施方式
下面结合实施例和附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，因此不能理解为对本发明的限制。
如图1、图2、图3所示，本发明提供了一种癫痫脑磁图棘波检测方法，其是基于癫痫棘波的病理特征，针对多通道多频率融合的一维脑磁序列数据，即脑磁信号，构建一维和二维两个维度的空间网络模型用于提取脑磁信号两个维度的深度特征。另外本发明专门提出了使用多通道二维脑磁图像序列，即由一维脑磁信号空间重建生成的二维脑磁拓扑图组成的癫痫脑磁视频数据，使用脑磁癫痫视频数据进行癫痫棘波的算法诊断优化。针对脑磁拓扑图的图像序列的特性构建适合的三维网络模型及四维时序模型补充优化癫痫的诊断检测，对生成的脑磁视频的深度时空特征的进一步挖掘。特别考虑癫痫信号在发作期和发作间期不同时期的时序信息所包含的重要病理信息。基于已有数据及临床标注结果，详细评估分割后的时间段内的数据特征以及不同时间段内数据之间的联系，提取适用的分类特征，针对一维脑磁序列数据、二维脑磁图像序列两种数据格式采用不同的方式来进行模型的分类性能评估。研究适用于脑磁信号特点的数据预处理方法，使用已建立的癫痫棘波脑磁数据库，针对不同维度数据建立适合的模型进行模型训练，通过调整超参数以及优化器等方法训练多次不断提升模型性能，并对多次训练得到的各个维度的多个模型进行模型融合，在测试数据集上开展验证，最终得到最优的模型结果。
具体地，本发明的癫痫脑磁图棘波检测方法，包括如下步骤：
(1)采用原子磁力计脑磁图仪产品，采集患者在癫痫发作期和发作间期的脑磁信号波形数据。对原始波形数据进行预处理操作，包括滤波去噪、通过独立成分分析(ICA)去除伪迹、通过标准化方法进行归一化等。
(2)对预处理后的脑磁数据，本发明实施例中采用多频率融合的方法来进行数据分割，也就是采取了三种采样频率(512Hz，256Hz，128Hz)对数据进行采样，采样点的数量分别为512，256，128三种。以低频率信号的本实例中128个采样点设置为固定长度大小(window size)时间段长度，裁剪高频率信号为n等份的固定长度(window size)，实现对多个采样频率的融合以及信号分段，即最终每个采样片段都含有128个采样点。该方法可以极大的提升模型对不同频率的泛化能力和鲁棒性。脑磁图设备通常包含多个通道Channels，信号通过数据分割以后，可以得到n*Channels*128大小的矩阵形式的数据集，即是指定采样点数量的多通道的脑磁图信号的数据集，多个数据集组合形成多通道多频率融合的一维癫痫脑磁信号。值得注意的是，在对测试数据进行数据分割时，需要将数据分割成128采样区间的数据片段，分割过程中可以设置固定的交叠区域，一般可以设置为32到64区间内，交叠区域主要是防止造成脑磁数据信息的缺失和遗漏。不同的交叠区间大小也会在小范围程度上影响最终结果的好坏。
(3)针对多通道多频率融合的一维癫痫脑磁信号的第一条路线，模型首先经过30*1大卷积核的一维卷积网络模型，采用单个大卷积核以更高效地提升有效感受野。考虑多个通道之间的相似性和相关性，将第一层大卷积核卷积得到的非线性特征送入二维空间子模型A，二维空间子模型A包括15*15的大卷机核和多尺度的二维卷积神经网络，第一层大卷积核卷积得到的非线性特征先经15*15的大卷机核处理，生成的特征再送入多尺度的二维卷积神经网络，多尺度的二维卷积神经网络的卷积核分别为3*3，5*5，7*7。多尺度的二维卷积神经网络使用了批归一化(BN)，Relu非线性激活函数，二维卷积，再叠加了SEnet模型自注意力机制网络模型。然后将多尺度融合提取得到的二维非线性特征经过Reshape转换成一维后送入一维空间子模型B，一维空间子模型B为一维卷积神经网络模型，其模块中也使用了批归一化(BN)，Relu非线性激活函数，一维卷积叠加SEnet的模块搭建，同时还借鉴了Resnet的残差模块的思想，使用跳跃连接实现跨层传播。二维空间子模型A和一维空间子模型B中嵌入的SEnet自注意力机制网络模型可以帮助模型有针对的学习更有效的特征。
(4)针对多通道多频率融合的一维癫痫脑磁信号的第二条路线，使用二维空间子模型C，二维空间子模型C为二维深度可分离卷积神经网络模型，其包含有输入部分，中间部分，结尾部分三个主要模块。该模型的主要思想沿用了Xception中深度可分离卷积的思想替换原来的卷积操作，深度可分离卷积是由Depthwise(DW)卷积与Pointwise(PW)卷积组成。该结构和常规卷积类似，可用来提取特征，相比常规卷积，极大的降低了参数量和减小了运算成本。其中所有卷积层和可分离卷积后面都是用批量归一化(BatchNormalization)处理，所有的可分离卷积层使用一个深度乘数1(深度方向并不进行扩充)。
(5)一维癫痫脑磁信号经过空间重建等算法得到二维脑磁分布图，也称为脑磁拓扑图。脑磁拓扑图可以直观的显示出多个通道的空间位置信息以及癫痫棘波过程中磁场的变化趋势。连续时间段的脑磁拓扑图图像也就构成了二维脑磁图图像序列，同时也称为四维脑磁视频数据。
(6)针对四维脑磁视频数据第一条路线，基于脑磁拓扑图形的特殊性，通过融合颜色RGB通道赋值红色通道和蓝色通道，考虑脑磁图像呈现上的红色和蓝色的正负极的特殊含义进行了特征增强，同时进一步对颜色的极值使用对数函数进行了增强，最后进行了系数归一化的标准化处理，得到了标准化视频三维数组输出(视频长度，图像高，图像宽)，也可以认为是转化成了二维的灰度图像组成的视频。脑磁图视频降维处理过程如图4所示。降维公式如公式(1)所示，其中R，G，B分别是三个颜色通道上的0-255的数值，n为一任意常系数。此方法针对脑磁视频数据仅有有限的颜色显示，强化红色和蓝色的正负级，从而在降维的过程中不丢失脑磁数据的位置信息以及自身的电流正负极的指向信息。
output ＝ logR * n + logG + logB * (-n) 公式(1)
降维后使用sigmoid对三维矩阵数据进行归一化，公式如下，式中，x为公式(1)中的output值。
针对二维脑磁图图像序列降维后生成的三维矩阵，使用三维空间子模型D。三维空间子模型D采用基于3D卷积深度学习算法的棘波检测方法，将二维的灰度脑磁图像数据转化为128*128的尺寸进行处理，构建了三维的卷积神经网络用于提取深度时间和空间特征，3D卷积神经网络包括了3D卷积层、3D池化层，配合组归一化(Group Normalization)的归一化方法提升训练效果和收敛速度。训练得到最佳的三维特征权重。
(7)针对四维脑磁视频数据第二条路线，采用四维时序子模型E。四维时序子模型E直接对脑磁视频数据使用针对视频的无卷积视频分类方法，该方法基于TimeSformer使用ViT网络结构作为模型主干网络(backbone)，提出时空自注意力机制代替传统的卷积网络，对一系列帧极图像块进行时空特征提取，适配视频任务。TimeSformer的输入为脑磁视频片段，该片段由F个从视频中采样的大小为W*H的图片帧组成，W为图像宽，H为图像高。将每一帧的图像分割成N个不重叠的图像块，每个图像块的大小为P*P。因为要确保每一帧被划分为N个不重叠的图像块，因此N的计算方式为：N＝W*H/P2。将每一个图像块通过一个线性嵌入层转化为向量，对每个图像块的位置信息进行编码。以两个图像块的步长对整个视频片段沿时间维度和空间维度计算稀疏全局注意力。最终经过多层感知机层(MLP)处理后得到视频数据分类模块的预测结果。
(8)对一维空间子模型B、二维空间子模型C、三维空间子模型D和四维时序子模型E四个维度训练的模型权重进行加载，使用Flatten层连接卷积层和全连接层把多维的输入一维化，再使用全局平均池化层(Global Average Pooling)和非线性激活函数Leaky Relu函数加深各个特征之间的关联，经过非线性变化，映射到输出空间中，最后经过Sigmoid函数得到最终的二分类棘波检测结果。其全局池化层用于对整个特征图求取平均值，常常应用于卷积层的最后，用于替换全连接层，其中每次经过最大池化后的1D的Dropout操作，用于防止模型的过拟合。
(9)将经过预处理和数据分割步骤的棘波/无棘波数据集用于棘波检测模型训练，训练完成之后保存最佳模型权重，后续在预测时直接加载已训练完成的模型权重，即可完成棘波预测工作。
本发明还提供了一种癫痫脑磁图棘波检测装置，包括：伪迹去除模块，用于对脑磁数据进行伪迹去除；数据分割模块，用于对伪迹去除后的脑磁数据进行数据分割，得多通道多频率融合的脑磁信号；棘波检测模块，其内含棘波检测模型，用于对输入的脑磁信号进行检测，得对应脑磁数据的棘波检测结果；其中，棘波检测模型的构建方法为：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用所述癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将所述癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用所述癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，即得。
具体的，棘波检测模型是基于如上述步骤(1)-(9)的方法构建得到，这里不再赘述。
本发明还提供了一种存储介质，所述存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质，其中存储有计算机程序，该计算机程序在被处理器加载执行时，实现上述癫痫脑磁图棘波检测方法的全部或部分步骤。
本发明还提供了一种电子设备，所述电子设备为包括处理器(CPU/MCU/SOC)、存储器(ROM/RAM)的设备，例如：台式机、便携式电脑、智能手机等。特别的，该存储器中存储有计算机程序，该处理器在加载执行所述计算机程序时，实现上述癫痫脑磁图棘波检测方法的全部或部分步骤。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (7)
1.癫痫脑磁图棘波检测方法，其特征在于，包括：
构建棘波检测模型：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用所述癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将所述癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用所述癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，得棘波检测模型；
将待检测的脑磁数据进行数据分割后，输入所述棘波检测模型，得该脑磁数据的棘波检测结果；其中，
所述信号分类网络包括二维空间子模型A、一维空间子模型B和二维空间子模型C；其中，所述二维空间子模型A为二维卷积神经网络模型，所述一维空间子模型B为一维卷积神经网络模型，所述二维空间子模型C为二维深度可分离卷积神经网络模型，且所述二维空间子模型A和所述二维空间子模型C的输入为所述癫痫脑磁信号，所述一维空间子模型B的输入为二维空间子模型A输出所得；
所述视频分类网络包括三维空间子模型D和四维时序子模型E，其中，所述三维空间子模型D为三维卷积神经网络模型，所述四维时序子模型E为基于TimeSformer的无卷积时序视频分类网络模型，且所述三维空间子模型D的输入为所述癫痫脑磁视频经降维后的三维矩阵，所述四维时序子模型E的输入为脑磁视频片段，所述脑磁视频片段由多个从所述癫痫脑磁视频中采样的大小为W*H的图片帧组成，W为图像宽，H为图像高；
所述模型融合包括：对所述一维空间子模型B、所述二维空间子模型C、所述三维空间子模型D和所述四维时序子模型E四个维度训练得到的模型权重进行加载，使用Flatten层连接卷积层和全连接层把多维的输入一维化，再使用全局平均池化层Global AveragePooling和非线性激活函数Leaky Relu函数加深各个特征之间的关联，经过非线性变化，映射到输出空间中，最后经过Sigmoid函数得到最终的棘波检测结果。
2.如权利要求1所述的癫痫脑磁图棘波检测方法，其特征在于，还包括，在数据分割前，对所述原始癫痫脑磁数据和所述待检测的脑磁数据进行伪迹去除。
3.如权利要求1所述的癫痫脑磁图棘波检测方法，其特征在于，所述癫痫脑磁信号为包含多个脑磁图数据片段，每个脑磁图数据片段为一个大小为M*N的二维矩阵形式的数据集，M为对应原始癫痫脑磁数据的通道数；N为对应原始癫痫脑磁数据的通道时间长度。
4.如权利要求1所述的癫痫脑磁图棘波检测方法，其特征在于，所述降维包括：采用公式1，使用对数增强颜色极值，并使用常系数增强红色值和蓝色值，得三维矩阵A；再采用公式2对所述三维矩阵A进行归一化处理，得三维矩阵B；将所述三维矩阵B作为所述三维空间子模型D的输入，其中，公式1为output＝logR*n+logG+logB*(-n)，式中，R，G，B分别是红色、绿色和蓝色三个颜色通道上的0-255的数值，n为常系数；公式2为式中，x为公式1中的output值。
5.癫痫脑磁图棘波检测装置，其特征在于，包括：
伪迹去除模块，用于对脑磁数据进行伪迹去除；
数据分割模块，用于对伪迹去除后的脑磁数据进行数据分割，得多通道多频率融合的脑磁信号；
棘波检测模块，其内含棘波检测模型，用于对输入的所述脑磁信号进行检测，得对应脑磁数据的棘波检测结果；其中，
所述棘波检测模型的构建方法为：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用所述癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将所述癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用所述癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，即得；其中，
所述信号分类网络包括二维空间子模型A、一维空间子模型B和二维空间子模型C；其中，所述二维空间子模型A为二维卷积神经网络模型，所述一维空间子模型B为一维卷积神经网络模型，所述二维空间子模型C为二维深度可分离卷积神经网络模型，且所述二维空间子模型A和所述二维空间子模型C的输入为所述癫痫脑磁信号，所述一维空间子模型B的输入为二维空间子模型A输出所得；
所述视频分类网络包括三维空间子模型D和四维时序子模型E，其中，所述三维空间子模型D为三维卷积神经网络模型，所述四维时序子模型E为基于TimeSformer的无卷积时序视频分类网络模型，且所述三维空间子模型D的输入为所述癫痫脑磁视频经降维后的三维矩阵，所述四维时序子模型E的输入为脑磁视频片段，所述脑磁视频片段由多个从所述癫痫脑磁视频中采样的大小为W*H的图片帧组成，W为图像宽，H为图像高；
所述模型融合包括：对所述一维空间子模型B、所述二维空间子模型C、所述三维空间子模型D和所述四维时序子模型E四个维度训练得到的模型权重进行加载，使用Flatten层连接卷积层和全连接层把多维的输入一维化，再使用全局平均池化层Global AveragePooling和非线性激活函数Leaky Relu函数加深各个特征之间的关联，经过非线性变化，映射到输出空间中，最后经过Sigmoid函数得到最终的棘波检测结果。
6.存储介质，其中存储有计算机程序，其特征在于，所述计算机程序被处理器加载执行时，实现如权利要求1-4任一所述的方法。
7.电子设备，其特征在于，包括：处理器、及存储器；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如权利要求1-4任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310061212.XA CN116304558B (zh) | 2023-01-19 | 2023-01-19 | 癫痫脑磁图棘波检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310061212.XA CN116304558B (zh) | 2023-01-19 | 2023-01-19 | 癫痫脑磁图棘波检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116304558A CN116304558A (zh) | 2023-06-23 |
| CN116304558B true CN116304558B (zh) | 2024-04-02 |
Family
ID=86793225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310061212.XA Active CN116304558B (zh) | 2023-01-19 | 2023-01-19 | 癫痫脑磁图棘波检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304558B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109700463A (zh) * | 2019-03-12 | 2019-05-03 | 四川大学 | 一种脑磁图癫痫棘波识别方法和系统 |
| CN111340142A (zh) * | 2020-05-14 | 2020-06-26 | 南京慧脑云计算有限公司 | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 |
| CN112220485A (zh) * | 2020-09-03 | 2021-01-15 | 北京慧脑云计算有限公司 | 一种癫痫脑电图/脑磁图异常波自动检测方法与定位系统 |
| CN112826512A (zh) * | 2021-02-05 | 2021-05-25 | 南京慧脑云计算有限公司 | 一种癫痫棘波自动检测与峰值定位方法 |
| CN115363531A (zh) * | 2022-08-22 | 2022-11-22 | 山东师范大学 | 基于双模态脑电信号信息瓶颈的癫痫检测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689902B (zh) * | 2019-12-11 | 2020-07-14 | 北京影谱科技股份有限公司 | 基于神经网络的音频信号时序处理方法、装置及系统及计算机可读存储介质 |
-
2023
- 2023-01-19 CN CN202310061212.XA patent/CN116304558B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109700463A (zh) * | 2019-03-12 | 2019-05-03 | 四川大学 | 一种脑磁图癫痫棘波识别方法和系统 |
| CN111340142A (zh) * | 2020-05-14 | 2020-06-26 | 南京慧脑云计算有限公司 | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 |
| CN112220485A (zh) * | 2020-09-03 | 2021-01-15 | 北京慧脑云计算有限公司 | 一种癫痫脑电图/脑磁图异常波自动检测方法与定位系统 |
| CN112826512A (zh) * | 2021-02-05 | 2021-05-25 | 南京慧脑云计算有限公司 | 一种癫痫棘波自动检测与峰值定位方法 |
| CN115363531A (zh) * | 2022-08-22 | 2022-11-22 | 山东师范大学 | 基于双模态脑电信号信息瓶颈的癫痫检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的癫痫发作预测方法研究;闵腾飞 等;智能计算机与应用;20200101(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116304558A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109389585B (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
| CN112150476A (zh) | 基于时空判别性特征学习的冠状动脉序列血管分割方法 | |
| CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
| CN110782427B (zh) | 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法 | |
| CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
| CN115359066B (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
| CN114595725B (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
| CN114842238A (zh) | 一种嵌入式乳腺超声影像的识别方法 | |
| CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
| CN113344933B (zh) | 一种基于多层次特征融合网络的腺体细胞分割方法 | |
| Ziani | Contribution to Single-Channel Fetal Electrocardiogram Identification. | |
| Xu et al. | Application of artificial intelligence technology in medical imaging | |
| CN116189902B (zh) | 基于心磁图视频数据的心肌缺血预测模型及其构建方法 | |
| CN112634308A (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
| CN116304558B (zh) | 癫痫脑磁图棘波检测方法及装置 | |
| CN117150346A (zh) | 基于eeg的运动想象脑电分类方法、装置、设备及介质 | |
| CN115844424B (zh) | 一种睡眠纺锤波分级识别方法及系统 | |
| CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
| CN116228731A (zh) | 一种多对比学习冠状动脉高危斑块检测方法、系统及终端 | |
| CN115813409A (zh) | 一种超低延迟的运动图像脑电图解码方法 | |
| CN111915623B (zh) | 一种使用门控和自适应注意力的图像分割方法和装置 | |
| Singh et al. | Two-level combined classification technique using Ranklet transformation for the detection of MRI brain tumor | |
| Nejad et al. | A novel image categorization strategy based on salp swarm algorithm to enhance efficiency of MRI images | |
| CN112906539B (zh) | 一种基于eeg数据的物体识别方法 | |
| CN117100276B (zh) | 心功能检测系统、计算机存储介质及终端 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230623 Assignee: Beijing Weici Medical Technology Co.,Ltd. Assignor: Beijing Weici Technology Co.,Ltd. Contract record no.: X2023980037585 Denomination of invention: Method and device for detecting spike waves in epileptic magnetoencephalography License type: Common License Record date: 20230705 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |