CN116507270A - 用于利用统计学分析和人工智能分析进行癫痫发作检测的系统和方法 - Google Patents
用于利用统计学分析和人工智能分析进行癫痫发作检测的系统和方法 Download PDFInfo
- Publication number
- CN116507270A CN116507270A CN202180073298.7A CN202180073298A CN116507270A CN 116507270 A CN116507270 A CN 116507270A CN 202180073298 A CN202180073298 A CN 202180073298A CN 116507270 A CN116507270 A CN 116507270A
- Authority
- CN
- China
- Prior art keywords
- seizure
- candidate
- statistical analysis
- artificial intelligence
- eeg
- 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
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]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Neurosurgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种癫痫发作检测系统,该癫痫发作检测系统包括一个或多个电路,该一个或多个电路被配置成接收基于患者的脑电活动生成的脑电图(EEG)信号。该一个或多个电路被配置成:利用统计学分析来识别候选癫痫发作,该统计学分析基于该EEG信号的非线性特征的变化来识别这些候选癫痫发作;确定从利用该统计学分析来识别这些候选癫痫发作切换到人工智能模型;以及从利用该统计学分析来识别这些候选癫痫发作切换到利用该EEG信号基于该人工智能模型来识别这些候选癫痫发作。
Description
相关专利申请的交叉引用
本申请要求2020年9月8日提交的美国临时专利申请号63/075,621的权益和优先权。该申请的全部内容通过引用并入本文。
背景技术
本公开总体上涉及脑电图(EEG)分析。更具体地,本公开涉及用于患者中癫痫发作(seizure)检测的EEG分析。
癫痫发作通常发生在具有各类医学问题的患者中。全世界有超五千万人受到癫痫发作的折磨。在一些情况下,癫痫发作可以是良性的,但在极端形式下,癫痫发作可以危及生命。因此,检测并响应癫痫发作是重要的。癫痫发作的检测和治疗越早,患者的结果越好。然而,由于患者中发生癫痫发作时可能没有可见的征兆,检测癫痫发作可能非常困难。特别地,可能难以从视觉上检测到重症监护患者或年轻患者(儿童或婴儿)正在经历癫痫发作。
因此,通常可收集此类患者的EEG数据记录以供癫痫学家分析,在一些情况下,可能需要长达二十四小时的连续EEG数据记录以用于癫痫学家的人工分析。对如此大量的数据进行人工分析可能繁琐、耗时且价格昂贵。存在一些用于癫痫发作检测的EEG分析算法,但是这些算法对幼儿的检测能力很低。例如,一些癫痫发作检测算法在成人中可达到80%的检测率,但在幼儿中仅达到50%-60%的检测率。此外,此类算法还可能具有大量假阳性率,在一些情况下,当患者是幼儿时,此类算法对于单个患者具有每天超过100个假阳性结果。这个数量的假阳性结果需要对儿童的所有记录进行人工复查,并且分析算法无法适当地减少需要进行人工EEG数据复查的数据量。此类EEG检测算法在儿童中的失败部分是由于针对儿童记录的异常EEG波形的性质具有高度可变性。
发明内容
一种包括一个或多个电路的癫痫发作检测系统。该一个或多个电路被配置成:接收基于患者的脑电活动生成的脑电图(EEG)信号;以及利用统计学分析来识别候选癫痫发作,该统计学分析基于该EEG信号的非线性特征的变化来识别这些候选癫痫发作。该一个或多个电路被配置成:确定从利用该统计学分析来识别这些候选癫痫发作切换到人工智能模型;以及从利用该统计学分析来识别这些候选癫痫发作切换到利用该EEG信号基于该人工智能模型来识别这些候选癫痫发作。
在一些实施方案中,该一个或多个电路被配置成:确定统计学分析的第一性能水平并且确定人工智能模型的第二性能水平。在一些实施方案中,该一个或多个电路被配置成:响应于确定第二性能水平大于第一性能水平而确定从利用统计学分析来识别候选癫痫发作切换到人工智能模型。
在一些实施方案中,该一个或多个电路被配置成:通过确定通过统计学分析进行的候选癫痫发作的至少预定义量的检测也被人工智能模型检测到,来确定从利用统计学分析来识别候选癫痫发作切换到人工智能模型。
在一些实施方案中,该一个或多个电路被配置成通过以下步骤利用统计学分析来识别候选癫痫发作:基于EEG信号确定多个度量,该多个度量指示EEG信号的非线性特征;以及通过至少部分基于该多个度量确定所述EEG信号的非线性特征随时间的变化,来确定EEG信号指示候选癫痫发作,其中这些非线性特征的变化指示引起候选癫痫发作的生理诱因。
在一些实施方案中,至少部分基于该多个度量确定EEG信号的非线性特征的变化包括确定非线性特征随时间的增加。
在一些实施方案中,该多个度量包括维数、同步性、李雅普诺夫指数、一种或多种形式的熵、一种或多种形式的特征值、全局非线性、递归轨迹之间的距离差、高阶谱、复杂度损失、替代测试或自相似性中的至少一者。
在一些实施方案中,该一个或多个电路被配置成通过以下步骤确定EEG信号指示候选癫痫发作:至少部分基于该多个度量确定EEG信号的非线性特征随时间的变化,方式是:利用该多个度量中的一个度量执行初级分析,其中该初级分析指示EEG信号指示候选癫痫发作或指示EEG信号包括噪声;以及利用该多个度量中的一个或多个度量执行次级分析,以确定是EEG信号指示候选癫痫发作,还是EEG信号包括噪声。
在一些实施方案中,该一个或多个电路被配置成:确定该多个度量中的每个度量在多个时间点的轨迹的概率;以及基于这些概率确定多个度量中的每个度量的轨迹是否显著。在一些实施方案中,至少部分基于该多个度量确定EEG信号的非线性特征的变化包括将该多个度量中的显著度量映射到类别候选癫痫发作。
在一些实施方案中,该一个或多个电路被配置成:在第一操作阶段中操作,在该第一操作阶段中,该一个或多个电路利用统计学分析来识别候选癫痫发作;以及在第二操作阶段中操作,在该第二操作阶段中,该一个或多个电路利用人工智能模型来识别候选癫痫发作。
在一些实施方案中,该一个或多个电路被配置成通过以下步骤在第一操作阶段中操作:生成癫痫发作警报,这些癫痫发作警报指示EEG信号指示通过统计学分析识别的候选癫痫发作;以及使得用户界面显示这些癫痫发作警报。
在一些实施方案中,该一个或多个电路被配置成通过以下步骤在第一操作阶段中操作:在通过统计学分析识别候选癫痫发作时基于训练数据来训练人工智能模型。
在一些实施方案中,该一个或多个电路被配置成通过以下步骤在第一操作阶段中操作:基于EEG信号和通过统计学分析识别的候选癫痫发作来训练人工智能模型。
在一些实施方案中,该一个或多个电路被配置成通过以下步骤在第一操作阶段中操作:生成癫痫发作警报,该癫痫发作警报指示EEG信号指示通过统计学分析识别的候选癫痫发作;使得用户界面显示癫痫发作警报;经由用户界面从用户接收候选癫痫发作的标记或EEG信号;以及基于这些标记和EEG信号来训练人工智能模型。
本公开的另一具体实施是一种方法,该方法包括由处理电路接收基于患者的脑电活动生成的脑电图(EEG)信号。该方法包括:由该处理电路利用统计学分析来识别候选癫痫发作,该统计学分析基于该EEG信号的非线性特征的变化来识别这些候选癫痫发作;由该处理电路确定从利用该统计学分析来识别这些候选癫痫发作切换到人工智能模型;以及由该处理电路从利用该统计学分析来识别这些候选癫痫发作切换到利用该EEG信号基于该人工智能模型来识别这些候选癫痫发作。
在一些实施方案中,该方法包括:由处理电路确定统计学分析的第一性能水平,以及由处理电路确定人工智能模型的第二性能水平。在一些实施方案中,该方法包括:由处理电路响应于确定第二性能水平大于第一性能水平而确定从利用统计学分析来识别候选癫痫发作切换到人工智能模型。
在一些实施方案中,该方法包括:由处理电路通过确定通过统计学分析进行的候选癫痫发作的至少预定义量的检测也被人工智能模型检测到,来确定从利用统计学分析来识别候选癫痫发作切换到人工智能模型。
在一些实施方案中,由处理电路通过以下步骤利用统计学分析来识别候选癫痫发作:基于EEG信号确定多个度量,该多个度量指示EEG信号的非线性特征;以及通过至少部分基于该多个度量确定所述EEG信号的非线性特征随时间的变化,来确定EEG信号指示候选癫痫发作,其中这些非线性特征的变化指示引起候选癫痫发作的生理诱因。
在一些实施方案中,该方法包括:由处理电路通过利用统计学分析来识别候选癫痫发作而在第一操作阶段中操作;以及由处理电路通过利用人工智能模型来识别候选癫痫发作而在第二操作阶段中操作。
在一些实施方案中,该方法包括由处理电路通过以下步骤在第一操作阶段中操作:生成癫痫发作警报,这些癫痫发作警报指示EEG信号指示通过统计学分析识别的候选癫痫发作;以及使得用户界面显示这些癫痫发作警报。
在一些实施方案中,该方法包括由处理电路在第一操作阶段中操作,所述由处理电路在第一操作阶段中操作包括在通过统计学分析识别候选癫痫发作时基于训练数据来训练人工智能模型。
在一些实施方案中,该方法包括由处理电路在第一操作阶段中操作,所述由处理电路在第一操作阶段中操作包括基于EEG信号和通过统计学分析识别的候选癫痫发作来训练人工智能模型。
在一些实施方案中,该方法包括由处理电路通过以下步骤在第一操作阶段中操作:生成癫痫发作警报,该癫痫发作警报指示EEG信号指示通过统计学分析识别的候选癫痫发作;使得用户界面显示癫痫发作警报;经由用户界面从用户接收候选癫痫发作的标记或EEG信号;以及基于这些标记和EEG信号来训练人工智能模型。
本公开的另一具体实施是一种癫痫发作检测系统,该癫痫发作检测系统包括连接到患者的一个或多个电极,该一个或多个电极被配置成基于患者的脑电活动生成脑电图(EEG)信号。该系统包括处理电路,该处理电路被配置成:从该一个或多个电极接收EEG信号;利用统计学分析来识别候选癫痫发作,该统计学分析基于该EEG信号的非线性特征的变化来识别这些候选癫痫发作;确定从利用该统计学分析来识别这些候选癫痫发作切换到人工智能模型;以及从利用该统计学分析来识别这些候选癫痫发作切换到利用该EEG信号基于该人工智能模型来识别这些候选癫痫发作。
在一些实施方案中,人工智能模型从统计学分析接收输出,并且至少部分地基于从统计学分析接收到的输出来识别候选癫痫发作。
在一些实施方案中,人工智能模型包括输入和施加到该输入的权重。在一些实施方案中,处理电路被配置成:将通过统计学分析做出的候选癫痫发作确定提供给人工智能模型的输入;以及提供通过统计学分析做出的候选癫痫发作确定的置信度水平作为人工智能模型的权重。
在一些实施方案中,人工智能模型的一个或多个隐藏层包括非线性函数。
在一些实施方案中,处理电路被配置成:接收对指示通过统计学分析或人工智能模型中的至少一者不正确地做出的候选癫痫发作识别的假阳性的一个或多个指示;以及基于对假阳性的该一个或多个指示来训练人工智能模型。
附图说明
通过参考结合附图的详细描述,本公开的各种目的、方面、特征和优点将变得更加明显且更易理解。在附图中,相似的参考标记始终标识对应的元件。在附图中,相似的参考标号通常表示相同的、功能上类似的和/或结构上类似的元件。
图1是根据示例性实施方案的包括癫痫发作检测器的本地EEG系统的框图,该癫痫发作检测器用于基于EEG信号中的非线性特征的趋势进行候选癫痫发作检测。
图2是根据示例性实施方案的用于收集EEG数据的EEG采集系统和包括癫痫发作检测器的分析系统的框图,该分析系统用于分析EEG数据以检测候选癫痫发作。
图3是根据示例性实施方案的包括用于候选癫痫发作检测的癫痫发作检测器的基于云的远程系统的框图。
图4是根据示例性实施方案的更详细示出的图1至图3的癫痫发作检测器的框图。
图5是根据示例性实施方案的通过确定EEG信号的非线性特征的改变来检测候选癫痫发作的过程的流程图,其中确定EEG信号的非线性特征的改变可由图4的癫痫发作检测器来执行。
图6是根据示例性实施方案的通过用特征值、Renyi排列熵和样本熵确定EEG信号的非线性特征的改变来检测候选癫痫发作的过程的流程图,其中确定EEG信号的非线性特征的改变可由图4的癫痫发作检测器来执行。
图7是根据示例性实施方案的实现统计分析器和人工智能(AI)分析器的图1至图3的癫痫发作检测器的框图。
图8是根据示例性实施方案的在图7的统计分析器和AI分析器之间切换的多阶段过程的流程图。
图9是根据示例性实施方案的包括模型的更详细AI分析器的框图。
图10是根据示例性实施方案的图9的不同类型的模型的框图。
具体实施方式
概述
总体上参考图,示出了根据各种示例性实施方案的用于基于统计学分析和人工智能(AI)分析进行癫痫发作检测的系统和方法。在一些实施方案中,该系统可接收脑电图(EEG)信号并且基于EEG数据来识别候选癫痫发作。该系统可应用分析EEG数据以通过识别EEG数据中的非线性变化来识别候选癫痫发作的统计学分析。此外,该系统可应用AI分析,该AI分析将一个或多个模型应用于EEG数据以将EEG数据分类为候选癫痫发作。
在一些情况下,AI分析可优于统计学分析。然而,AI分析可能仅在AI已收集了显著量数据和/或已训练了显著量时间之后才优于统计学分析。虽然AI在已经过显著量时间之后可表现良好,并且可实时操作,但是患者在AI训练时经受未检测到的和未解决的癫痫发作可能是不可接受的。
在一些实施方案中,该系统可将统计学分析应用于EEG数据以检测候选癫痫发作。候选癫痫发作可由系统经由用户界面提供给用户。用户可具有复查和标记每个候选癫痫发作的能力。例如,用户可以是可向EEG数据提供指示候选癫痫发作是真癫痫发作还是假阳性的标记的医生、护士或医疗技术人员。基于用户提供的标记,该系统可训练AI模型基于EEG数据进行癫痫发作检测,例如,将EEG数据的片段分类为候选癫痫发作。
该系统可被配置成继续执行统计学分析以检测展示给用户的癫痫发作候选,并且用于训练进行未展示给用户的附加候选癫痫发作检测的AI模型。该系统可将AI分析的性能与统计学分析的性能进行比较。
例如,该系统可识别通过统计学分析识别的候选癫痫发作的百分比,AI分析也检测该百分比。如果该百分比大于特定量,则该系统可从展示通过统计学分析检测到的候选癫痫发作切换到AI分析。在一些实施方案中,该系统通过比较AI分析的检测和/或候选癫痫发作与用户标记来确定AI分析的性能得分和/或统计学分析的性能得分。如果AI分析的得分大于统计学分析的得分,则该系统可从展示来自统计学分析的候选癫痫发作切换到AI分析。本申请涉及2019年8月22日提交的美国临时专利申请号62/890,497、2020年7月24日提交的美国专利申请号16/938,501和2020年7月24日提交的美国专利申请号16/938,541,这些专利申请中的每个专利申请的全部内容通过引用并入本文。
在一些实施方案中,其他技术领域可使用本文所讨论的技术来从统计学分析转换到AI分析。例如,系统可实现统计学分析,该统计学分析转换到AI分析以用于制造和/或供应链管理,例如,以用于预测要制造和/或要订购的零件的数量。类似地,系统可实现统计学分析,该统计学分析转换到AI分析以用于金融交易预测。这些各种技术领域可受益于通过统计学分析提供的实时性能和AI分析的高性能。
癫痫发作检测
现在参考图1,示出了根据示例性实施方案的包括EEG系统104的系统100,该EEG系统包括用于基于非线性特征的趋势进行候选癫痫发作检测的癫痫发作检测器108。在系统100中,信号处理固件和/或软件被集成到具有和/或不具有额外信号处理板的EEG数据采集系统中以形成EEG系统104。在一些实施方案中,EEG系统104被配置成从患者102收集EEG数据,以及基于EEG数据使用癫痫发作检测器108进一步检测候选癫痫发作(例如,检测潜在的候选癫痫发作以供用户复查)。在一些实施方案中,癫痫发作检测器108是完全集成的并行处理器。
患者102在图1中示出,其中多个电极被施加到患者102的头部。电极感测患者102中的脑电活动。患者102可以是人,例如,成人、青少年、儿童、婴儿等。此外,患者102可以是动物,例如,猫、狗、马、牛等。施加到患者102以收集EEG数据供癫痫发作检测器108分析的电极的数量可以由期望的定位精度(当目标是检测时,则定位的准确性不太关键)、由癫痫发作检测器108确定的驱动函数的维度、颅骨尺寸的物理限制、电极的空间分布、源的空间范围和电极之间的相关结构等确定。
在一些实施方案中,电极连接到EEG系统104所包括的电极接口106。电极接口106可包括用于产生EEG数据以供癫痫发作检测器108分析的一个或多个初步硬件电路。硬件电路可包括放大器电路(例如,差分放大器电路)、滤波器(例如,高通、低通、带通)、模数转换器(ADC)等。
在一些实施方案中,癫痫发作检测器108可被配置成分析由施加到患者102的全套电极所产生的信号和/或分析施加到患者102的电极的子集。在一些实施方案中,因为癫痫发作的维数通常不超过四的值,所以癫痫发作检测器108可分析约十个或更少的电极以检测癫痫发作。在这点上,即使技术人员应用了全套电极,癫痫发作检测器108也可以选择所需的适当数量的电极(例如,选择十个电极)。
在一些实施方案中,癫痫发作检测器108被配置成确定通常从约二至九变化的李雅普诺夫谱,其中大多数癫痫发作随着癫痫发作的发生表现出减小的维度。在癫痫发作期间,很少看到超过四的维度。使用多信道EEG方法,轨迹可用2d+1个电极表征,其中d是用李雅普诺夫谱估计的潜在函数的维数。癫痫发作检测器108可在操作期间确定潜在函数的维数,并使用户界面设备110为患者102建议特定数量的电极。在这点上,患者102可从预定义数量的电极开始,但是根据癫痫发作检测器108的分析,技术人员可基于所确定的维数向患者102添加额外的电极。
EEG数据可表示用于患者102的脑活动的一个或多个EEG信号。癫痫发作检测器108可接收EEG数据并执行EEG数据的非线性分析以检测EEG数据是否指示患者102中已经、将要或正在发生的候选癫痫发作。可将由癫痫发作检测器108检测到的候选癫痫发作检测提供给用户界面设备110,以用于对用户(例如医生、护士、患者102的家庭成员、癫痫学家、技术人员等)的视觉和/或听觉通知。此外,经由用户界面设备110,用户可提供配置数据。配置数据可以指示患者102的年龄、患者102的体重、患者102的历史EEG数据、患者的医学病症等。癫痫发作检测器108被配置成执行的非线性分析可至少部分基于配置数据。
用户界面设备110可以是被配置成从用户接收输入和/或向用户提供输出的系统或设备。用户界面设备110可以是监视器,例如显示屏。显示屏可以是发光二极管(LED)屏幕、阴极射线管显示器(CRT)、液晶显示器(LCD)和/或任何其他类型的显示屏。用户界面设备110还可包括输入设备、鼠标、键盘、触摸屏等。此外,用户界面设备110可包括用于音频输出的扬声器、用于音频输入的麦克风等。在一些实施方案中,用户界面设备110是与EEG系统104和/或癫痫发作检测器108通信的计算机、智能电话、平板电脑等。
原则上,在一些实施方案中,如果导致癫痫发作出现的特定事件链是已知的,则系统被配置成搜索特定事件链。例如,关于引发癫痫发作的解剖区域中的单个神经元的异常电行为,已所知较多。例如,尤其是可在成人中识别到颞叶癫痫发作。然而,癫痫发作是由脑细胞的网络或组件的功能障碍引起的。因此,癫痫发作检测器108可分析行为群体以寻找患者102中癫痫发作的发生背后的驱动诱因,而不是寻找已知的形态模式(例如,大脑特定区域中的活动、活动的尖棘波等)。癫痫发作的生理背后的诱因并非随机。实际上,诱因是确定的,并且可由癫痫发作检测器108通过应用非线性动态系统工具来检测。
在一些实施方案中,癫痫发作检测器108被配置成将癫痫发作检测应用于任何年龄范围,并且可实时执行。此外,24小时期间内,癫痫发作检测器108的准确度可大于90%并且针对患者102收集的EEG数据中的假阳性率小于两位数。癫痫发作检测器108可在本地实现(如图1和2中所示)以及/或者可远程实现(如图3中所示)。
在一些实施方案中,癫痫发作检测器108被配置成基于用户输入(作为使用编程到癫痫发作检测器108中的默认值的替代或补充)选择用于检测癫痫发作和/或对由癫痫发作检测器108执行的事件进行分类的参数值。在一些实施方案中,参数值可由用户手动选择,其中用户经由与癫痫发作检测器108相关联的用户界面设备110提供用户输入。参数值可以是轨迹统计学显著性水平和/或当多个度量同时应用于数据集时的组成度量之间的度量参数值。通过基于用户输入选择参数值,可减少癫痫发作检测器108生成的误报,或者可增加癫痫发作检测器108的命中率。此外,通过允许用户选择参数值,可通过癫痫发作检测器108实现假阳性和真阳性之间的适当权衡。
用户输入可指示减少假阳性和增加命中率之间的平衡水平(例如,权重)。这可通过使用建议的默认值或通过调整这些值来实现,其中可以基于个人偏好或为了最好地适合特定患者情况来进行调整。平衡水平可以是范围中的值,并且可以对应于较低或较高的统计学显著性水平(例如,有利于减少假阳性的平衡水平可与在特定方向上改变(增加或减少)的度量的轨迹的较低概率值相关联,而有利于增加命中率的平衡水平可以与改变的度量的轨迹的较高概率值相关联)。
在一些实施方案中,癫痫发作检测器108被配置成检测产生从非癫痫发作到癫痫发作的状态转变的诱因的偏移模式,而不试图检测目标波形形态。在一些实施方案中,这些异常生理诱因产生癫痫发作检测器108被配置成量化其的波形轨迹。癫痫发作检测器108可利用这些轨迹来检测多个状态变化,包括癫痫发作状态变化,即从患者102的正常状态到癫痫发作状态的变化。更具体地,在一些实施方案中,癫痫发作检测器108被配置成基于反映这些轨迹出现的EEG数据确定一个或多个非线性度量。在一些实施方案中,癫痫发作检测器108被配置成应用非线性动态系统工具来检测这些异常轨迹的出现。
在一些实施方案中,癫痫发作检测器108被配置成通过搜索特定类别的状态改变来在EEG时间序列中搜索癫痫发作。更具体地,在一些实施方案中,癫痫发作检测器108被配置成搜索变化,即EEG数据中的结构性非线性的改变。癫痫发作检测器108被配置成应用非线性方法来检测数学状态空间中的状态变化,即用于系统动态(患者102的脑活动的动态)的重建的起始点。
在一些实施方案中,癫痫发作检测器108被配置成检测患者102中存在向癫痫发作状态的逐渐和/或突然转变的候选癫痫发作。更具体地,癫痫发作检测器108可应用动态系统分析来检测突然变化(例如,分叉)以及多种形式的逐渐变化。对癫痫发作的搜索不是对特定孤立事件的搜索,也不是对特征的特定单个值的搜索,相反,癫痫发作检测器108可确定多个非线性度量并随时间跟踪这些非线性度量以检测EEG数据的非线性特征的诊断偏移和变化模式。例如,癫痫发作检测器108可确定是否出现了非线性特征的具有统计学显著性的增加或减少的轨迹。例如,对于指示非线性度的度量,该度量的七个连续增加值可具有指示轨迹正在增加的统计学显著性。然而,度量值的五次连续增加可能不具有指示增加的轨迹的统计学显著性。类似地,连续减少的值的数目可与发生的概率相关联,例如,度量的五个连续减少的值可能不具有显著性,而度量的七个连续减少的值可能具有统计学显著性。
例如,度量的五个连续增加的值的概率可以是0.032(可由癫痫发作检测器108从五个连续增加的值和/或历史轨迹数据确定)。度量的七个连续增加值的概率可以是0.01。因为七个连续增加值的概率小于五个连续增加值的概率,所以七个连续增加值可以比五个连续增加值具有更高的统计学显著性(更低的概率水平)。癫痫发作检测器108可应用概率阈值以确定度量的增加或减少是否具有统计学显著性,例如,发生的概率是否小于概率阈值。此外,癫痫发作检测器108可应用变化数量阈值,即连续增加或连续减少值的数量是否大于或等于变化数量阈值,即如果阈值为七,则度量的七个连续增加值具有统计学显著性,而度量的五个连续增加值不具有统计学显著性。
用于确定统计学显著性的阈值可定义假阳性和遗漏的癫痫发作检测的量。例如,需要较高数量的连续增加或连续减少值的阈值可能具有较少的假阳性,但是遗漏了大量癫痫发作。然而,阈值的较低值可导致更多的假阳性,但遗漏较少的癫痫发作。可由癫痫发作检测器108执行优化以适当地设置用于确定统计学显著性的阈值。优化可尝试最大限度地减少遗漏的癫痫发作并最大限度地减少假阳性。优化可基于用户输入,例如,将历史EEG信号的某些时段识别为对应于癫痫发作或将EEG信号的其他时段识别为与假阳性有关的用户反馈。
在一些实施方案中,因为变化模式是癫痫发作状态转换的常态方面,癫痫发作检测器108被配置成检测EEG数据的非线性动态模式的变化。通常,在电图或临床癫痫发作的EEG数据中,非线性度的状态变化在时间上先于棘波、尖锐波或其他视觉迹象的出现。因此,在一些实施方案中,癫痫发作检测器108被配置成首先确定来自EEG的非线性变化(即特征值)的非特定检测器。如果非特定检测器指示候选癫痫发作,则癫痫发作检测器108可应用后续的度量计算和/或分析。这允许癫痫发作检测器108通过应用低计算要求的计算,例如特征值,然后应用较高计算要求的计算,例如维数,来节省计算资源。
在一些实施方案中,由于多个非线性测度的潜在不稳定性,在样本大小较小时,癫痫发作检测器108被配置成应用移动窗口来进行度量的计算。移动窗口持续时间和窗口内重叠百分比的特定值可基于特定度量来预定义,即每个度量可以与其自己的窗口持续时间和重叠百分比相关联。在一些实施方案中,特定度量对样本大小的依赖性越大,为了确保估计的稳定性,癫痫发作检测器108被配置成确定具有越长窗口持续时间的度量。
在一些实施方案中,癫痫发作检测器108被配置成分析特征值的变化以检测癫痫发作。然而,特征值的变化可能是由于EEG数据的线性活动与非线性活动的比率的定量变化,或EEG数据中噪声的存在引起的。因此,癫痫发作检测器108可同时确定和分析多个非线性度量以检测候选癫痫发作。例如,在一些实施方案中,癫痫发作检测器108被配置成确定熵(例如,排列熵、小波熵等)以及特征值(例如,特定特征值、时间特征值、费德勒(Fiedler)特征值等),以有助于区分癫痫发作和噪声。当噪声不是节律性的时,噪声通常使熵增加,而大多数癫痫发作使熵降低。
在一些实施方案中,癫痫发作检测器108被配置成确定和分析许多其他非线性度量。癫痫发作检测器108被配置成分析其的度量可基于配置数据,即患者102的临床图像或综合征(例如,跌倒发作、婴儿痉挛、Lennox-Gastaut综合征、缺氧后脑病、年龄、体重等)以及与患者102相关联的基线EEG模式。在一些实施方案中,癫痫发作检测器108被配置成分析特定的配置数据,以及确定和/或分析适合于患者102的度量。
临床综合征和基线EEG模式(例如,正常脑活动的EEG模式、癫痫发作模式等)、患者的年龄、患者的体重等可包括在配置数据中,并且可由癫痫发作检测器108用于在第二阶段(和/或初始阶段)中选择非线性度量的混合体的组成(或混合体的加权)。候选度量包括但不限于维数、同步性、李雅普诺夫指数、各种形式的熵、全局非线性度(经由替代测试)、相空间中的递归轨迹之间的距离差、自相似性等。
由癫痫发作检测器108执行的分析的输出可以是一组随时间变化的非线性值。这些模式中的一些模式可指示候选癫痫发作,而一些其他模式反映睡眠发生,再一些其他模式反映伪像。因此,癫痫发作检测器108可将该组非线性值映射到特定类别,例如癫痫发作、噪声、睡眠等。该组非线性值中的度量的数量可由癫痫发作检测器108基于EEG系统的硬件和/或固件架构的信号处理能力来设置。度量的选择可基于癫痫发作检测器108是在实时模式下操作还是在历史分析模式下操作而改变;在实时模式下,EEG数据被实时分析;在历史分析模式下,先前记录的EEG数据被分析。
现在参考图2,示出了根据示例性实施方案的包括用于收集EEG数据的EEG采集系统206和包括癫痫发作检测器108的分析系统204的系统200,该分析系统204用于分析EEG数据以检测候选癫痫发作。在系统200中,癫痫发作检测器108的信号处理硬件、固件和/或软件被完全集成到与EEG采集系统206分离的独立本地计算机中,即在分析系统204中。
在一些实施方案中,分析系统204被配置成使用EEG采集系统的输出,即由EEG采集系统206采集的EEG数据,与EEG采集系统206一起操作。系统200可在多个实施方案中实现,例如,分析系统204可以是具有用于EEG采集系统206的简化的机顶盒和有限的信号处理能力的筛查设备。该机顶盒可被构造成位于EEG采集系统206的外壳的顶部。系统200可适于在医院或在患者家中进行警告和/或筛查。在一些实施方案中,分析系统204是插入式卡(例如,配置有可连接到EEG采集系统206的连接端口的电路板)。用户可将插入式卡插入到EEG采集系统206中,以向EEG采集系统206提供分析系统204的所有操作能力。例如,插入式卡可包括图形或数字信号处理电路和包括用于实现本文所述的操作的指令的存储器。
EEG采集系统206可包括采集管理器202。采集管理器202被配置成收集EEG数据并维护EEG数据的历史记录。此外,采集管理器202可将EEG数据提供给分析系统204以用于分析和癫痫发作检测。在从分析系统204接收到请求时,采集管理器202可向分析系统204提供采集管理器202存储的所请求的历史EEG数据。
现在参考图3,示出了根据示例性实施方案的癫痫发作检测器108的基于云的实现的系统300。在系统300中,在远程站点处执行(即由云平台306执行)癫痫发作检测和相关联的信号处理。云平台306可以是医院内的一个或多个远程服务器和/或本地服务器,可以是云分析系统诸如MICROSOFT AZURE、AMAZON WEB SERVICES等。
系统100包括网络接口302,该网络接口经由网络304将EEG数据和/或配置数据传送到云平台306以供癫痫发作检测器108分析。网络304可充当系统100和云平台306之间的管线,其中特征提取和/或分析由癫痫发作检测器108执行。由分析系统204执行的分析的结果可被传输回系统100,以经由用户界面设备110显示并由用户做出决定。
网络304可包括一个或多个不同的有线和/或无线网络。网络可以是局域网(LAN)或广域网(WAN)。网络可以是有线的并且包括以太网线路、电缆和/或光纤连接,并且/或者可以是无线的并且是基于Wi-Fi和/或蜂窝的网络。在一些实施方案中,网络接口302可包括一个或多个网络接口302被配置成操作其的接收器、发射器、收发器、无线电装置、信号处理电路等,以经由网络304进行通信。
现在参考图4,示出了根据示例性实施方案的包括癫痫发作检测器108的系统400。癫痫发作检测器108被示出为接收配置数据和EEG数据。此外,癫痫发作检测器108被示出为输出用户界面,使得用户界面设备110显示该用户界面。用户界面可包括对候选癫痫发作的存在的指示和/或癫痫发作检测器108根据EEG数据确定的计算的度量。
癫痫发作检测器108包括分析电路428。分析电路428可包括用于数字信号处理的一个或多个处理电路。分析电路428可包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、一个或多个中央处理单元(CPU)、一个或多个数字信号处理(DSP)单元、一个或多个图形处理单元(GPU)等。癫痫发作检测器108可存在高处理要求,并且癫痫发作检测器108可跨多个处理单元(例如,单独的处理卡、图形卡、远程服务器、基于云的系统等)应用共享计算。
此外,分析电路428可包括一个或多个存储器设备。存储器设备可存储用于在一个或多个处理器上执行的指令和/或计算的数据。存储器设备可包括随机存取存储器(RAM)、固态驱动器(SSD)、硬盘驱动器(HDD)、闪速存储器、电可擦可编程只读存储器(EEPROM)和/或任何其他类型的存储器,无论是暂态的还是非暂态的。
在一些实施方案中,癫痫发作检测器108被配置成使用历史数据分析以及/或者在实时分析中来检测候选癫痫发作。在一些实施方案中,癫痫发作检测器108被配置成检测在癫痫发作的发生和检测之间具有少于十五秒的延迟的候选癫痫发作。在一些实施方案中,癫痫发作检测器108被配置成检测大量的电记录模式(即癫痫发作类型和由癫痫发作检测器108对该癫痫发作类型执行的最佳检测算法之间的映射)。此外,在一些实施方案中,癫痫发作检测器108被配置成将癫痫发作状态转变与伪像和噪声分离。此外,在一些实施方案中,癫痫发作检测器108被配置成检测在同一患者内的由若干位置(多灶性)引起的同样在同一患者内的若干癫痫发作类型。癫痫发作检测器108对于单个患者可具有大于90%的真阳性率和每天小于8个误检的假阳性率。
从非癫痫发作状态到癫痫发作状态的转变的恒定定量特征是非线性度对信号能量水平的贡献的变化。在大多数成人中,许多向癫痫发作状态的转变导致节律性增加或细胞群之间的同步性增加。这反映在如替代测试所揭示的减少的特征值(减少的线性度贡献)、减少的熵、减少的维数以及增加的全局非线性中。然而,这种模式不是通用的。这种模式的例外在现有算法失效的儿童和婴儿中尤其显著。例如,在许多患有跌倒发作的患者中,电图相关现象为高能量减慢的初始短暂突发,随后是低电压去同步活动。定量度量的时间模式将更复杂,并且显示出一段具有增加的熵、增加的特征值和降低的全局非线性度的时期。为此,癫痫发作检测器108关注度量的变化而不是绝对值,并利用多种形式的变化来检测候选癫痫发作。这捕获了大量的发作电图形态。
当基线EEG活动组织不良、具有过度的慢波活动并且被高压尖锐波或棘波打断(例如Lennox-Gastaut综合征)时,出现挑战。在这种情况下,癫痫发作检测器108被配置成检测其的基线特征值可以很低,使得癫痫发作的出现可能不反映在特征值的下降中(例如,下限效应)。在这种情况下,由癫痫发作检测器108执行的使用多个度量的分析增加了避免下限和/或上限效应的可能性。所有这些变化都可与增加的噪声或伪像的侵入区分开来(噪声通常使特征值减小并且使熵增加)。
在一些实施方案中,癫痫发作检测器108被配置成将定量时间变化分析应用于识别跨度量的变化模式的多个度量,这使得将事件分类为候选癫痫发作(例如,复查警报)、信号噪声(无警报)或不确定的分类(潜在癫痫发作警报发生)。通过调整需要被识别为显著变化的概率的显著性水平,可调整癫痫发作检测器108以改变真实检测、误报和遗漏之间的权衡。在一些实施方案中,度量轨迹的时间模式可经受后处理(例如,平滑处理以移除瞬态)以降低统计标准的应用中的可变性。
分析电路428可应用分析级的管线,并且可包括被配置成应用每一级的组件。这些组件可以是软件模块、电路等。分析电路428包括信道选择器402、滤波级404、初级分析器406、次级分析器408和界面生成器410。由癫痫发作检测器108接收的EEG数据可首先通过信道选择器402。信道选择器402可控制癫痫发作检测器108对EEG数据的哪些信道执行分析。例如,在存在多个电极的情况下,一组或多组电极可适合于由分析电路428进行分析。因此,信道选择器402可选择适当的EEG信号信道,并且将所选择的信道的EEG信号提供给滤波级404。
滤波级404可使用一个或多个低通、高通和/或带通滤波器对EEG数据进行滤波。滤波器可以是数字和/或硬件滤波器,例如无限脉冲响应(IIR)和/或有限脉冲响应(FIR)滤波器。适合于由分析电路428分析的信号的带宽可以是患者102的年龄所特有的。因此,在一些实施方案中,滤波级404可接收指示患者的特征(例如,年龄)的配置数据,并且被配置成基于配置数据执行滤波。
滤波级404通过的带宽可以不仅取决于患者的年龄,而且取决于由癫痫发作检测器108确定的用于检测候选癫痫发作的度量。在一些实施方案中,滤波级404使100Hz至200Hz的频率通过。在一些实施方案中,滤波级404通过的频带可以是2Hz至400Hz的范围。
在一些实施方案中,分析电路428被配置成确定多个非线性度量,并将多个非线性度量的演变模式组合在一起,以经由初级分析器406和次级分析器408检测候选癫痫发作。在一些实施方案中,初级分析器406和次级分析器408被配置成将若干非线性度量算法的应用依序和/或并行地连接。癫痫发作检测器108可通过对非特定全局非线性变换(即可以是特征值的度量430)的第一筛查来检测候选癫痫发作的存在。此外,在一些实施方案中,次级分析器408被配置成经由次级分析器408处理集中于更具体类型的非线性度的更计算密集的度量。
在一些实施方案中,初级分析器406被配置成通过确定特征值的移动窗口实现,例如度量430,来执行筛查阶段。特征值随着非线性相互作用(例如癫痫发作)的出现或噪声的出现而减小。当EEG数据的节律性或周期性减弱时,特征值增加。此外,在一些实施方案中,初级分析器406被配置成通过确定度量430的趋势的统计学显著性432来确定特征值的改变是否具有统计学显著性(例如,具有大于预定义量的显著性值或小于预定义量的误差概率),使得初级分析器406仅分析特征值的具有统计学显著性的改变来确定候选癫痫发作。
在一些实施方案中,初级分析器406利用移动窗口确定统计学显著性,即利用与参考次级分析器408描述的基于移动窗口的趋势分析类似或相同的移动窗口确定度量430的趋势。在度量430的样本的特定窗口上,初级分析器406可确定度量430是增加还是减少。利用多个窗口,初级分析器406可确定度量430的趋势,并基于先前窗口确定该趋势在未来窗口上增加或减少的概率水平(统计学显著性432)。
响应于初级分析器406确定度量430减少了具有统计学显著性的量(例如,增加或减少的概率小于特定概率),次级分析器408可计算并分析其他度量,即度量416至420。例如,度量416至420可包括Renyi排列熵。次级分析器408可仅对初级分析器406在特征值中检测到具有统计学显著性的减小的EEG数据样本确定Renyi排列。置换熵在计算上可能是最简单的,并且对于噪声和伪像是可靠的。在一些实施方案中,次级分析器408被配置成进一步确定度量416至420的统计学显著性,即确定度量416至420的统计学显著性422至426。度量416至420可包括排列熵、小波熵、特定特征值、时间特征值、费德勒特征值、高阶谱、复杂度损失和/或替代测试。
更具体地,由次级分析器408计算的度量416至420(Mi)中的每个度量可以是数据的时间序列。在一些实施方案中,基于度量416至420的时间序列,次级分析器408被配置成确定统计学显著性422至426(P(Mi)),其指示在零假设下度量轨迹的偏移模式的概率。类似地,统计学显著性422至426可以是时间序列。在一些实施方案中,趋势分析器414被配置成基于统计学显著性422至426跨时间分析度量416至420的显著和非显著值的模式。当前一组显著度量可作为一组结果由趋势分析器414分析。每组结果可被映射到特定类别,例如临床类别,诸如候选癫痫发作事件、无癫痫发作、不确定状态等。此外,各组可映射到其他类型的虚假事件(非癫痫发作)。
度量416至420可有许多并且可变化,例如,可以有多于十二种非线性度量类型,这些非线性度量类型利用这些度量类型中的每种度量类型的许多变体来描述。例如,存在至少十四种不同形式的熵或用于熵的计算方法。度量416至420可包括复杂度损失度量。每个熵度量在特定设置中可具有性能优点和缺点(例如,样本熵在检测电压抑制方面比大多数表现更好,柯尔莫哥洛夫熵比同样具有低计算复杂度的多种形式的排列熵更脆弱等)。模糊熵因对类别成员进行分级而具有吸引力,使得用户具有对类别边界的更好控制。目标事件(癫痫发作)的频率可包括在一些形式的熵(例如Tsallis熵)的参数值中。在状态变化频繁或深刻的情况下(例如麻醉),Renyi熵可能是更好的选择。关于癫痫发作的频率、是否存在麻醉等的信息可包括在配置数据中,并且因此次级分析器408可确定和分析非线性度量的适当混合体。用于计算熵的方法的示例可在Liang,Zhenhu等人的“麻醉中的EEG熵度量”(EEG Entropy Measures in Anesthesia),《计算神经科学前沿》(Frontiers inComputational Neuroscience),第9卷,2015年,doi:10.3389/fncom.2015.00016中找到,其全部内容以引用方式并入本文。
如所述的那样,度量416至420可基于EEG信号并因而由此衍生。度量416至420的一个重要方面可以是度量416至420中的每个度量的随时间的轨迹。度量416至420的绝对值可作为患者年龄、状态、综合征、伴随药物等的函数而产生明显变化。因此,趋势分析器414被配置成分析度量416至420的轨迹,而不一定是度量416至420的绝对值,以检测和/或分类候选癫痫发作。由候选癫痫发作(增加对减少)引起的度量416至420随时间变化的方向可基于患者年龄和/或候选癫痫发作的类型而变化。为此,次级分析器408被配置成确定度量416至420的轨迹,使得趋势分析器414可基于轨迹来确定EEG信号的任何片段是否指示候选癫痫发作和/或是否应当被展示以供脑电图技师进行视觉评估。
根据样本大小,度量416至420本身也在稳定性和可靠性方面变化。可通过增加采样持续时间来增加样本大小。然而,如果癫痫发作事件短于必需的采样持续时间,则增加的采样持续时间可能冒着遗漏癫痫发作事件的风险。在一些实施方案中,次级分析器408被配置成通过使用移动窗口来确定度量416至420的改变方向。
例如,在400Hz的采样率下,次级分析器408可被配置成应用其的五秒窗口包含2000个样本。由次级分析器408应用于度量416至420的每个窗口的步长和重叠可以是用户经由用户界面设备110定义的和/或预定义的。典型值可以是一秒步长,其中五个样本中的四个样本在窗口之间重叠(即五个样本中的四个样本在窗口移动时在窗口的两个窗口位置之间相同)。
当由次级分析器408分析时,每个窗口可指示度量416至420中的一个度量的值的减少,并且构成度量随时间的轨迹。趋势分析器414可具有统计标准,用于复查和/或分析由度量416至420中的一个度量的窗口的窗口位置中的一个窗口位置定义的段。例如,假设每个样本独立且行为随机,则在相同方向上的n个连续变化的概率将是1/2的nth次幂。在一些实施方案中,次级分析器408被配置成确定度量416至420的模式(增大或减小)的概率。概率可以是度量416至420中的一个度量将在特定方向上发生预定义量的改变的概率(例如,未来的预定义量的窗口将指示基于先前窗口的轨迹的度量值的增加或减少)。如果概率上升到阈值之上或下降到阈值之下,则该阈值指示度量416至420中的一个特定度量正在以统计学上显著的水平增加或减少,趋势分析器414可应用该阈值。趋势分析器414可应用一个或多个用户定义的和/或预定义的阈值来确定具有统计学显著性的度量416至420,以及/或者将具有统计学显著性的度量416至420映射到类型,例如癫痫发作、噪声等。
由次级分析器408执行的计算度量的特定方法的选择可取决于事件的频率、它们的空间范围、样本大小、尺寸、患者102的状态、患者102的癫痫发作综合征、时期的信噪比,所有这些可以通过配置数据指示或由次级分析器408从EEG信号(例如,信噪比)提取。由次级分析器408执行的度量的计算和映射可考虑信号和对象因素以及固有计算复杂度,以确定哪些特征应当接收优先化。相同的过程适用于维数、复杂度(或复杂度损失)、李雅普诺夫指数等的计算。
度量416至420和它们的统计学显著性422至426可被传递到趋势分析器414,该趋势分析器可检测具有统计学显著性的度量中的哪些趋势指示候选癫痫发作、噪声等。例如,当趋势分析器414检测到由次级分析器408确定的Renyi排列熵增加以及特征值降低时,EEG数据指示噪声或癫痫发作的突发抑制模式,在这种情况下应当分析附加度量。例如,度量416至420中的一个度量可以是次级分析器408经由相空间分析器412在相空间中确定的样本熵。样本熵可在计算和分析Renyi排列熵之后由次级分析器408计算,并且/或者可与特征值和/或Renyi排列熵并行计算。样本熵的计算可小于第二延迟。
样本熵可能比排列熵对突发抑制更敏感。趋势分析器414可确定样本熵是正还是负,并且如果样本熵为正,则可将与减小的特征值相关联的EEG数据分类为噪声。度量416至420的这些结果可由趋势分析器414组合以对事件进行分类。当Renyi排列熵和特征值都减小时,趋势分析器414可确定EEG数据指示候选癫痫发作,并且次级分析器408可不确定样本熵。
在一些实施方案中,相空间分析器412被配置成执行相空间分析以确定诸如维数的度量。在一些实施方案中,相空间分析器412被配置成生成EEG信号的相空间图。动态系统可由一系列微分方程表示,这些微分方程的解可能不以封闭形式存在。然而,相空间分析器412可通过在相空间中生成轨迹来识别候选癫痫发作行为。在一些实施方案中,在EEG信号的时间序列中的每个实例处,相空间分析器412被配置成在相空间中生成单个点,并且这些点的顺序形成轨迹,该轨迹的模式提供关于驱动函数的性质的信息,即关于癫痫发作的存在或不存在的信息。轨迹可占据整个相空间,或者可收敛至较低维的区域,称为吸引子。噪声的相空间轨迹从不收敛。当相邻点开始彼此靠近然后发散时,据说存在奇异吸引子,并且暗示存在混沌行为。
在一些实施方案中,相空间分析器412被配置成执行时移的Takens方法以基于EEG时间序列的经验数据生成相空间图。Takens方法更详细地描述于Erol等人,“奇异吸引子EEG作为认知功能的标志”(Strange Attractor EEG as Sign of CognitiveFunction),《思维机制》(Machinery of the Mind),1990年,第91-114页,doi:10.1007/978-1-4757-1083-0_5中。EEG信号可表示为时间序列,
x(ti),i=1,…,N,
在一些实施方案中,根据该时间序列,相空间分析器412被配置成确定具有时间延迟td和嵌入维度m的EEG信号的相空间表示。
X(ti)=[x(ti),x(ti+td),x(ti+2td),…,x(ti+(m-1)td)
相空间中的轨迹的形状可受到相空间分析器412用来生成相空间图的时间滞后的选择的强烈影响。在一些实施方案中,时间滞后是自相关函数中的第一个零,并且由相空间分析器412确定然后用于将信号嵌入相空间中。相空间分析器412被配置成应用一种或多种不同的方法来估计时间滞后。在一些实施方案中,相空间分析器412可基于相空间分析器412试图确定的非线性度量来确定滞后。在一些实施方案中,由相空间分析器412用来确定滞后的估计函数是线性的和/或非线性的。
由相空间分析器412选择的第二值是嵌入维度。如果吸引子的维度是k,那么惠特尼(Witney)嵌入定理表明嵌入维度必须是2k+1。因此,在一些实施方案中,相空间分析器412被配置成基于吸引子的已知或确定的维度来选择嵌入维度。
在一些实施方案中,相空间分析器412被配置成利用Cao方法来估计相空间的维度。由相空间分析器412估计的维度可以是相空间内吸引子的维度。在一些实施方案中,相空间分析器412被配置成从低维开始连续地增加该维度,直到假近邻数达到零。相空间分析器412达到的维度可与候选癫痫发作的存在或不存在相关联。例如,趋势分析器414可基于度量416至420以及/或者基于由相空间分析器412确定的维数来确定是否存在候选癫痫发作。
在一些情况下,维度的值可低至在癫痫发作期间的值。此外,发作间期的维度通常低于八。从实践的角度来看,利用由相空间分析器412执行的这种递增方法,即从低维开始增加维度值,可存在基于递增方法的计算负担的性能的实时折衷。为了克服这种计算负担,相空间分析器412可接收指示患者年龄的配置数据。在一些实施方案中,相空间分析器412被配置成基于患者的年龄选择起始维度值以减少相空间分析器412递增维度值并确定假近邻数何时达到零的步骤数。
递增方法中由相空间分析器412使用的起始维度值对于幼儿可较低,而对于更年长的儿童可更高。这可能是因为年龄越低,无论是发作期还是发作间期的维数都越低。例如,当配置数据指示患者102小于十岁时,起始维度的选择可仅针对幼儿应用。在新生儿中,清醒与睡眠之间可能没有明显的维数差异,并且维数年龄调整在更年长的儿童和成人中可能是不显著的。趋势分析器414可分析维数的趋势,而不必是维数的绝对值。例如,如果维数随着时间下降,则趋势分析器414可将EEG信号分类为指示候选癫痫发作。在这点上,维数的绝对值的估计中的微小误差的结果被部分地减少,因为事件的分类是基于度量的改变而不是绝对值。
在一些实施方案中,界面生成器410被配置成基于由初级分析器406和/或次级分析器408确定的度量生成用于在用户界面设备110上显示的界面。此外,在一些实施方案中,界面生成器410被配置成基于如由趋势分析器414确定的候选癫痫发作的存在来生成界面。此外,由界面生成器410生成的用户界面可基于用户输入,例如,显示特定度量、显示历史EEG数据等的请求。
在一些实施方案中,界面包括EEG数据的实时趋势。在一些实施方案中,持续显示EEG数据的趋势。此外,由界面生成器410生成的界面可包括由初级分析器406确定的特征值的趋势与EEG的趋势的叠加图。在特征值和EEG波形之间可有750毫秒的延迟。在一些实施方案中,次级分析器408被配置成每750毫秒确定度量416至420中的每个度量的新值。这些值一起形成了度量416至420中的每个度量的轨迹。在一些实施方案中,假设每个值与前一个值相比只能上升或下降,次级分析器408被配置成计算在相同方向上的n个连续变化的概率。如果次级分析器408检测到相同方向上的八个连续变化,则这可指示特定方向上的变化的足够概率。由于在750毫秒的时间段上确定每个度量,并且可确定总共八个值来检测增加或减少,所以次级分析器408可使用六秒的时间来确定度量416至420的增加或减少的概率。初级分析器406可被配置成执行针对度量430的相同处理。
在一些实施方案中,当特征值的变化变得显著时,界面生成器410被配置成使叠加的特征值波形改变颜色。在一些实施方案中,界面生成器410被配置成存储与特征值趋势相关联的EEG趋势时间。这允许用户经由用户界面设备110请求历史EEG数据的特定部分。响应于该请求,界面生成器410可使界面显示EEG数据的所请求的部分以及所请求部分的对应特征值趋势。在一些实施方案中,在由界面生成器410生成的用户界面中突出显示被分类为候选癫痫发作的EEG数据的任何部分以及针对EEG数据的该部分确定的对应度量。这可允许受过训练的临床医生复查可能是候选癫痫发作的EEG数据的特定部分,并且做出关于该数据部分是否指示癫痫发作的最终确定。
在一些实施方案中,界面生成器410使得界面包括由次级分析器408确定的具有统计学显著性的一组非线性度量。界面生成器410可经由用户界面设备110接收用户指定的显著性水平,并且响应于特定非线性度量的统计学显著性大于该度量的用户指定的显著性水平而使得界面包括该特定非线性度量。
在一些实施方案中,当度量基于阈值显著性水平和每个度量的统计学显著性从非显著转变为显著时,界面生成器410使得界面中显示的度量从第一颜色改变为第二颜色,例如从黑白改变为黄色。当度量的模式在较高的显著性水平(其可基于用户设置或预定义的参数来定义)下改变时,界面生成器410可使得度量变为第三颜色,例如变为蓝色。在一些实施方案中,界面生成器410显示EEG数据的分屏,使得EEG数据实时地显示在第一窗口中,并且还显示已经被分类为候选癫痫发作的一段时期的历史EEG数据。
当EEG轨迹中没有显著变化时,可能没有用于复查的显著性EEG数据,并且界面生成器410可使界面包括没有癫痫发作的指示。在一些实施方案中,度量的模式和显著性水平可以是用户定义的。在一些实施方案中,模式和/或显著性水平可以是预定义的。
现在参考图5,示出了根据示例性实施方案的通过确定EEG信号的非线性特征的变化来检测候选癫痫发作的过程500。在一些实施方案中,癫痫发作检测器108被配置成执行过程500。具体地,在一些实施方案中,癫痫发作检测器108的信道选择器402、滤波级404、初级分析器406和/或次级分析器408被配置成执行过程500的一些和/或全部。此外,如本文所述的任何计算系统或设备可被配置成执行过程500。
在步骤502中,信道选择器402从被配置成感测患者102的脑活动的EEG电极阵列接收EEG数据。在一些实施方案中,信道选择器402实时地(即在收集数据时)从电极直接接收EEG数据。在一些实施方案中,在收集了数据之后,信道选择器402接收数据,即从数据库或存储EEG数据的其他存储器设备接收数据。
在步骤504中,信道选择器402可选择特定信道的EEG信号,或从在步骤502中接收的EEG数据的多个信道中选择EEG信号。此外,滤波级404可对EEG信号执行滤波。在一些实施方案中,信道的选择包括从其他电极的其他EEG信号中选择特定电极或电极组的EEG信号。在一些实施方案中,由信道选择器402执行的选择是预定义的,即总是选择相同的信道。在一些实施方案中,基于配置数据,即指示患者102的特征(例如年龄、身高、医学综合征等)的数据,来选择信道选择。滤波可允许特定范围的频率通过。在一些实施方案中,通过的频率范围是预定的。在一些实施方案中,通过的频率范围也基于配置数据。
在步骤506中,初级分析器406利用适合于检测移动窗口的非线性部分对线性部分的比率的偏移的一般化度量来执行初级分析。初级分析器406可检测度量的趋势。例如,初级分析器406可利用移动窗口来确定特征值,以及确定特征值的轨迹是增加还是减少。初级分析器406可基于特征值的值计算轨迹的概率值。如果概率值变小,即小于预定义量,则初级分析器406可识别特征值增加或减小的统计学显著性(例如,因增加或减小发生的概率低,增加或减小具有统计学显著性)。
特征值的减小可指示非线性和线性促成因素的比率的偏移,即EEG信号的非线性特征的增加。响应于在步骤506中检测到EEG信号的非线性特征的增加,可执行过程500的步骤508。如果EEG信号的非线性特征未在增加,则可跳过步骤508,使得计算资源不被低效利用。
在步骤508中,次级分析器408执行第二分析,包括确定将更精确地对非线性变化的形式进行分类的度量(例如,正在改变的维数、熵、相空间中的递归循环的分离度、李雅普诺夫指数等)。初级分析(步骤506)所分析的度量可以是计算高效的,而在第二阶段(步骤508)所分析的度量可能需要更多的计算资源,因此,在单独的阶段中处理度量允许仅在必要时(即仅在初级分析指示癫痫发作的可能性之后)才使用计算资源。在步骤508中,次级分析器408可识别第二度量中的趋势,以及基于第二度量中的特定变化模式来确定EEG数据指示候选癫痫发作还是无癫痫发作。
现在参考图6,示出了根据示例性实施方案的通过用特征值、Renyi排列熵和样本熵确定EEG信号的非线性特征的变化来检测候选癫痫发作的过程600。在一些实施方案中,过程600提供癫痫发作检测器108被配置成执行其的示例性度量分析。过程600的决定是示例性的,可存在可由癫痫发作检测器108应用以检测候选癫痫发作的度量和/或分析规则的许多组合。在一些实施方案中,癫痫发作检测器108被配置成分析具有各种不同的非线性度量的各种不同的模式,这些非线性度量作为对特征值、Renyi排列熵和/或样本熵的补充或替代。在一些实施方案中,癫痫发作检测器108被配置成执行过程600。具体地,在一些实施方案中,癫痫发作检测器108的初级分析器406和/或次级分析器408被配置成执行过程600的一些和/或全部。此外,如本文所述的任何计算系统或设备可被配置成执行过程600。
在步骤602中,初级分析器406可接收EEG信号。EEG信号可以是基于患者102的脑电活动而生成的信号。此外,EEG信号在被初级分析器406接收之前可由信道选择器402和/或滤波级404处理。EEG信号可以是数据样本的时间序列。
在步骤604中,初级分析器406可基于EEG信号确定特征值。在一些实施方案中,初级分析器406利用特征值的移动窗口来确定特征值。例如,初级分析器460可应用具有预定义长度和具有与窗口的先前位置的预定义重叠的窗口,以基于落在该窗口内的EEG信号的样本来生成特征值。
在步骤606中,初级分析器406可分析在步骤604中确定的特征值的趋势,以确定特征值是随时间增加还是减少。在一些实施方案中,初级分析器406确定轨迹(即特征值的总体增加或减少)的概率。如果轨迹增加的概率大于预定义量,则初级分析器406执行步骤608。类似地,如果轨迹减小的概率大于预定义量,则初级分析器406执行步骤610。如果特征值没有表现出显著的增加或减少,则初级分析器406可将EEG数据分类为不显著。
如果特征值正在增加,则初级分析器406可在步骤608中将指示该增加的EEG数据(EEG信号的特定样本)分类为不显著。然而,如果初级分析器406确定特征值正在减小,则在步骤610中,EEG信号的数据可由初级分析器406分类为显著并且潜在地指示候选癫痫发作。
在步骤612中,次级分析器408可基于EEG信号确定Renyi排列熵值。在一些实施方案中,次级分析器408仅为已由初级分析器406分类为显著的EEG数据片段确定Renyi排列熵值。这可允许次级分析器408仅高效地执行计算以及利用计算资源。
在步骤614中,次级分析器408可分析在步骤612中确定的Renyi排列熵的趋势,以确定Renyi排列熵是随时间增加还是减少。在一些实施方案中,次级分析器408确定轨迹(即,Renyi排列熵的总体增加或减少)的概率。如果轨迹增加的概率大于预定义量,则次级分析器408执行步骤618。类似地,如果轨迹减小的概率大于预定义量,则次级分析器408执行步骤616。如果Renyi排列熵未表现出显著的增加或减少,则次级分析器408可执行步骤618。
在步骤618中,次级分析器408可基于EEG信号确定样本熵值。在一些实施方案中,次级分析器408仅为已由初级分析器406分类为显著的EEG数据片段确定样本排列熵值。这可允许次级分析器408仅在必要时执行计算以及利用计算资源。在一些实施方案中,样本排列熵可由次级分析器408使用移动窗口确定。
在步骤620中,次级分析器408确定样本熵是正还是负。基于样本熵的极性,当样本熵为负时,在步骤624中,次级分析器408将数据分类为候选癫痫发作,或当样本熵为正时,在步骤622中,分类为噪声。
现在参考图7,示出了根据示例性实施方案的实现统计分析器702和人工智能(AI)分析器706的癫痫发作检测器108。癫痫发作检测器108包括分析电路428,该分析电路包括统计分析器702和AI分析器706。此外,分析电路428包括切换管理器704和界面生成器410。
界面生成器410可被配置成经由用户界面设备110经由用户界面向用户展示候选癫痫发作。界面生成器410可被配置成展示候选癫痫发作检测,例如,生成并显示由统计分析器702进行的通知,直到切换管理器704指示癫痫发作检测正由AI分析器706进行。一旦已切换到AI分析器706,界面生成器410就可经由用户界面设备110向用户展示由AI分析器706进行的候选癫痫发作检测。
统计分析器702可被配置成执行统计学分析以识别从电极接口106接收到的EEG信号中的非线性变化。统计学分析可以是参考图1至图6描述的分析。统计分析器702可被配置成生成指示EEG信号中的非线性度的一个或多个度量。统计分析器702可执行轨迹分析以将一个或多个度量的变化映射到候选癫痫发作或无候选癫痫发作。
AI分析器706可被配置成基于EEG信号、由统计分析器702确定的候选癫痫发作和/或用户标记的癫痫发作来训练一个或多个模型。在一些实施方案中,AI分析器706可被配置成实现机器学习算法。利用经训练的一个或多个模型,AI分析器706可将EEG信号的部分识别为候选癫痫发作或正常活动。AI分析器706可实现支持向量机、人工神经网络、卷积神经网络、贝叶斯模型、决策树、朴素贝叶斯、k最近邻算法、随机森林和/或任何其他类型的有监督和无监督机器学习模型。AI分析器706可学习基于EEG信号以无监督的方式来识别候选癫痫发作。在一些实施方案中,AI分析器706被配置成执行监督学习算法,其中基于从界面生成器410接收到的用户标记的癫痫发作来训练模型。
切换管理器704可被配置成在使用统计分析器702来确定用于经由用户界面设备110展示给用户的候选癫痫发作和使用AI分析器706来确定用于经由用户界面设备110展示给用户的候选癫痫发作之间进行切换。切换管理器704可被配置成识别从统计分析器702切换到AI分析器706的时间。
切换管理器704可被配置成检测指示AI分析器706已经执行了显著量训练和/或已经收集了显著量数据,使得AI分析器706可从统计分析器702接管确定候选癫痫发作的条件。切换管理器704可接收对统计分析器702的性能的指示和对AI分析器706的性能的指示。如果AI分析器706的性能大于AI分析器706的性能(或大于特定量),则切换管理器704可被配置成从统计分析器702切换到AI分析器706。
在一些实施方案中,统计分析器702和AI分析器706的性能是数值得分,例如,正确的候选癫痫发作识别的百分比、遗漏的候选癫痫发作识别的百分比等。在一些实施方案中,基于由统计分析器702和/或AI分析器706进行的候选癫痫发作检测与从界面生成器410接收到的用户标记的癫痫发作的比较来确定得分。
在一些实施方案中,切换管理器704将由AI分析器706进行的检测与由统计分析器702进行的检测进行比较。如果AI分析器706至少确定了由统计分析器702做出的确定的数量或百分比,则切换管理器704可确定从统计分析器702切换到AI分析器706。
在一些实施方案中,响应于切换管理器704检测到从使用统计分析器702切换到AI分析器706,界面生成器410可经由用户界面设备110向用户显示切换请求。用户可批准切换管理器704从统计分析器702切换到AI分析器706。另选地,用户可拒绝该切换,并且切换管理器704可继续使用统计分析器702。
在一些实施方案中,在一段时间已经过去之后和/或一旦AI分析器706的性能得到提高,切换管理器704就可再次经由界面生成器410向用户推荐切换到AI分析器706。在一些实施方案中,AI分析器706的性能得分和/或训练信息连同切换推荐一起经由界面生成器410展示给用户。
现在参考图8,示出了根据示例性实施方案的在统计分析器702和AI分析器706之间切换的过程800。在一些实施方案中,癫痫发作检测器108被配置成执行过程800。具体地,在一些实施方案中,统计分析器702、切换管理器704和/或AI分析器706被配置成执行过程800中的一些和/或全部。此外,如本文所述的任何计算系统或设备可被配置成执行过程800。
该过程可包括第一阶段和第二阶段。在第一阶段中,统计分析器702可操作来识别候选癫痫发作并训练AI分析器706。在第二阶段中,AI分析器706可从统计分析器702接管确定候选癫痫发作。步骤804至812可以是第一阶段的步骤。步骤814至818可以是第二阶段的步骤。
在步骤802中,癫痫发作检测器108可从电极接口106接收EEG信号。在步骤804中,统计分析器702基于由统计分析器702对EEG信号执行的统计学分析来识别候选癫痫发作。统计分析器702可通过识别EEG信号的非线性变化来识别候选癫痫发作。统计分析器702可识别度量的变化并将度量的变化映射到候选癫痫发作。在步骤806中,界面生成器410可经由用户界面设备110向用户显示一个或多个候选癫痫发作。
在步骤808中,癫痫发作检测器108可从用户界面设备110接收标记。标记可指示EEG信号的一个或多个部分。这些部分可被标记为癫痫发作或非癫痫发作。
在步骤810中,AI分析器706可训练一个或多个模型来将EEG信号分类为癫痫发作或非癫痫发作。在一些实施方案中,AI分析器706可基于EEG信号、由统计分析器702确定的候选癫痫发作检测和/或从界面生成器410接收到的用户标记的癫痫发作来训练模型。
在步骤812中,切换管理器704可确定是否从统计分析器702切换到AI分析器706。切换管理器704可确定AI分析器706比统计分析器702表现得更好并且/或者AI分析器706准备好从统计分析器702接管。切换管理器704在一些实施方案中可识别出已经过特定时间量并且AI分析器706准备好从统计分析器702接管。在步骤812中,如果AI分析器706没有准备好从统计分析器702接管,则该过程可返回到步骤804。
在一些实施方案中,界面生成器410经由用户界面设备110向用户显示AI分析器706准备好接管的通知。用户可与用户界面设备110交互以使切换管理器704切换到AI分析器706。在一些情况下,用户可拒绝转变到AI分析器706,并且过程800可返回到步骤804。
在步骤814中,AI分析器706可利用EEG信号基于AI模型来识别候选癫痫发作。AI分析器706可将模型应用于EEG信号以将EEG信号和/或EEG信号的片段分类为候选癫痫发作或非候选癫痫发作。在步骤816中,响应于AI分析器706检测到候选癫痫发作,界面生成器410可向用户界面设备110显示候选癫痫发作。在步骤818中,用户可经由用户界面设备110向EEG信号提供标记,并且基于AI分析器706对AI模型的训练进行更新。
现在参考图9,示出了根据示例性实施方案的AI分析器706的框图。AI分析器706包括训练管理器904、推断管理器906和模型908。训练管理器904可基于训练数据集900来训练模型908。训练数据集900可包括用户标记的癫痫发作、EEG信号和/或通过由统计分析器702执行的统计学分析检测到的候选癫痫发作。训练管理器904可基于推断数据集902执行各种训练算法来训练模型908检测候选癫痫发作。该模型可以是图10或本文其他地方描述的任何模型。模型908可以是任何形式的人工智能和/或机器学习。在一些实施方案中,模型908包括隐藏层。在一些实施方案中,隐藏层形成非线性函数和/或特征。推断管理器906可被配置成将推断数据集902(例如EEG信号)应用于模型908。结果可能是将EEG信号的片段分类为候选癫痫发作或非癫痫发作片段。
在一些实施方案中,模型908包括一个或多个输入。这些输入中的一个输入可以是由统计分析器702确定的癫痫发作候选。在这点上,训练管理器904可基于统计分析器702的性能来训练模型908,并且/或者由统计分析器702做出的确定可由推断管理器906用来通过模型908识别候选癫痫发作。
在一些实施方案中,模型908包括到模型908中的输入中的一个或全部输入的权重。在一些实施方案中,权重是由统计分析器702做出的候选癫痫发作确定的准确性的置信度。置信度可基于统计分析器702来确定。置信度可以是由统计分析器702用于识别候选癫痫发作的度量的轨迹中的统计学显著性。在一些实施方案中,由统计分析器702确定的候选癫痫发作的置信度越大,对由统计分析器确定的候选癫痫发作进行加权的模型908的权重越大。
在一些实施方案中,训练管理器904接收假阳性指示。假阳性指示可以是由AI分析器706和/或统计分析器702识别的候选癫痫发作的假阳性。在一些实施方案中,用户经由用户界面设备110来识别和提供假阳性。在一些实施方案中,训练管理器904可被配置成基于假阳性来训练模型908。通过基于假阳性来训练,模型908可得以改进而减少由AI分析器706识别的假阳性的数量。
现在参考图10,示出了根据示例性实施方案的不同类型的模型908的框图。模型908可包括模型1000至1014中的一个或多个模型。此外,任何类型的人工智能模型都可以是模型908。模型908可以是神经网络1000、卷积神经网络1002、递归神经网络1004、深度神经网络1006、决策树1008、支持向量机1010、回归1012和/或贝叶斯网络1014。
示例性实施方案的配置
在各种示例性实施方案中示出的系统和方法的构造和布置仅为说明性的。尽管在本公开中仅详细描述了几个实施方案,但是许多修改是可能的(例如,各种元件的大小、尺寸、结构、形状和比例、参数值、安装布置、材料的使用、颜色、取向等的变化)。例如,元件的位置可以颠倒或以其他方式改变,并且独立的元件的性质或数量或位置可以改变或变化。因此,所有此类修改都旨在包括在本公开的范围内。任何过程或方法步骤的顺序或次序可根据替代实施方案而变化或重新排序。可对示例性实施方案的设计、操作条件和布置做出其他替代、修改、改变和省略而不脱离本公开的范围。
本公开考虑了用于实现各种操作的方法、系统和任何机器可读介质上的程序产品。本公开的实施方案可以使用现有计算机处理器来实现,或者通过用于适当系统的出于该目的或其他目的而纳入的专用计算机处理器来实现,或者通过硬连线系统来实现。本公开范围内的实施方案包括程序产品,该程序产品包括用于承载或具有存储在其上的机器可执行指令或数据结构的机器可读介质。此类机器可读介质可以是可由通用或专用计算机或具有处理器的其他机器访问的任何可用介质。作为示例,此类机器可读介质可包括RAM、ROM、EPROM、EEPROM、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备或可以用来以机器可执行指令或数据结构的形式承载或存储期望的程序代码并且可以由通用或专用计算机或具有处理器的其他机器访问的任何其他介质。上述内容的组合也包括在机器可读介质的范围内。机器可执行指令包括例如使通用计算机、专用计算机或专用处理机器执行某个功能或某组功能的指令和数据。
尽管附图示出了方法步骤的特定顺序,但是步骤的顺序可与所描绘的不同。而且,可同时或部分同时执行两个或更多个步骤。此类变化将取决于所选择的软件和硬件系统以及设计者的选择。所有此类变化都在本公开的范围内。同样,软件实现可以利用标准编程技术来完成,该标准编程技术具有基于规则的逻辑和其他逻辑以完成各种连接步骤、处理步骤、比较步骤和决定步骤。
Claims (25)
1.一种癫痫发作检测系统,所述癫痫发作检测系统包括一个或多个电路,其中所述一个或多个电路被配置成:
接收基于患者的脑电活动生成的脑电图(EEG)信号;
利用统计学分析来识别候选癫痫发作,所述统计学分析基于所述EEG信号的非线性特征的变化来识别所述候选癫痫发作;
确定从利用所述统计学分析来识别所述候选癫痫发作切换到人工智能模型;以及
从利用所述统计学分析来识别所述候选癫痫发作切换到利用所述EEG信号基于所述人工智能模型来识别所述候选癫痫发作。
2.根据权利要求1所述的癫痫发作检测系统,其中所述一个或多个电路被配置成:
确定所述统计学分析的第一性能水平;以及
确定所述人工智能模型的第二性能水平;
其中所述一个或多个电路被配置成响应于确定所述第二性能水平大于所述第一性能水平而确定从利用所述统计学分析来识别所述候选癫痫发作切换到所述人工智能模型。
3.根据权利要求1所述的癫痫发作检测系统,其中所述一个或多个电路被配置成:通过确定通过所述统计学分析进行的所述候选癫痫发作的至少预定义量的检测也被所述人工智能模型检测到,来确定从利用所述统计学分析来识别所述候选癫痫发作切换到所述人工智能模型。
4.根据权利要求1所述的癫痫发作检测系统,其中所述一个或多个电路被配置成通过以下步骤利用所述统计学分析来识别所述候选癫痫发作:
基于所述EEG信号确定多个度量,所述多个度量指示所述EEG信号的所述非线性特征;以及
通过至少部分基于所述多个度量确定所述EEG信号的所述非线性特征随时间的变化,来确定所述EEG信号指示所述候选癫痫发作,其中所述非线性特征的所述变化指示引起所述候选癫痫发作的生理诱因。
5.根据权利要求4所述的癫痫发作检测系统,其中至少部分基于所述多个度量确定所述EEG信号的所述非线性特征的所述变化包括确定所述非线性特征随时间的增加。
6.根据权利要求4所述的癫痫发作检测系统,其中所述多个度量包括维数、同步性、李雅普诺夫指数、一种或多种形式的熵、一种或多种形式的特征值、全局非线性、递归轨迹之间的距离差、高阶谱、复杂度损失、替代测试或自相似性中的至少一者。
7.根据权利要求4所述的癫痫发作检测系统,其中所述一个或多个电路被配置成通过以下步骤确定所述EEG信号指示所述候选癫痫发作:
至少部分基于所述多个度量确定所述EEG信号的所述非线性特征随时间的所述变化,方式是:
利用所述多个度量中的一个度量执行初级分析,其中所述初级分析指示所述EEG信号指示候选癫痫发作或指示所述EEG信号包括噪声;以及
利用所述多个度量中的一个或多个度量执行次级分析,以确定是所述EEG信号指示所述候选癫痫发作,还是所述EEG信号包括所述噪声。
8.根据权利要求1所述的癫痫发作检测系统,其中所述一个或多个电路被配置成:
在第一操作阶段中操作,在所述第一操作阶段中,所述一个或多个电路利用所述统计学分析来识别所述候选癫痫发作;以及
在第二操作阶段中操作,在所述第二操作阶段中,所述一个或多个电路利用所述人工智能模型来识别所述候选癫痫发作。
9.根据权利要求8所述的癫痫发作检测系统,其中所述一个或多个电路被配置成通过以下步骤在所述第一操作阶段中操作:
生成癫痫发作警报,所述癫痫发作警报指示所述EEG信号指示通过所述统计学分析识别的所述候选癫痫发作;以及
使得用户界面显示所述癫痫发作警报。
10.根据权利要求8所述的癫痫发作检测系统,其中所述一个或多个电路被配置成通过以下步骤在所述第一操作阶段中操作:
在通过所述统计学分析识别所述候选癫痫发作时基于训练数据来训练所述人工智能模型。
11.根据权利要求10所述的癫痫发作检测系统,其中所述一个或多个电路被配置成通过以下步骤在所述第一操作阶段中操作:基于所述EEG信号和通过所述统计学分析识别的所述候选癫痫发作来训练所述人工智能模型。
12.根据权利要求10所述的癫痫发作检测系统,其中所述一个或多个电路被配置成通过以下步骤在所述第一操作阶段中操作:
生成癫痫发作警报,所述癫痫发作警报指示所述EEG信号指示通过所述统计学分析识别的所述候选癫痫发作;
使得用户界面显示所述癫痫发作警报;
经由所述用户界面从用户接收所述候选癫痫发作的标记或所述EEG信号;以及
基于所述标记和所述EEG信号来训练所述人工智能模型。
13.一种癫痫发作检测方法,所述癫痫发作检测方法包括:
由处理电路接收基于患者的脑电活动生成的脑电图(EEG)信号;
由所述处理电路利用统计学分析来识别候选癫痫发作,所述统计学分析基于所述EEG信号的非线性特征的变化来识别所述候选癫痫发作;
由所述处理电路确定从利用所述统计学分析来识别所述候选癫痫发作切换到人工智能模型;以及
由所述处理电路从利用所述统计学分析来识别所述候选癫痫发作切换到利用所述EEG信号基于所述人工智能模型来识别所述候选癫痫发作。
14.根据权利要求13所述的方法,所述方法还包括:
由所述处理电路确定所述统计学分析的第一性能水平;以及
由所述处理电路确定所述人工智能模型的第二性能水平;
其中由所述处理电路响应于确定所述第二性能水平大于所述第一性能水平而确定从利用所述统计学分析来识别所述候选癫痫发作切换到所述人工智能模型。
15.根据权利要求13所述的方法,其中由所述处理电路通过确定通过所述统计学分析进行的所述候选癫痫发作的至少预定义量的检测也被所述人工智能模型检测到,来确定从利用所述统计学分析来识别所述候选癫痫发作切换到所述人工智能模型。
16.根据权利要求13所述的方法,其中由所述处理电路利用所述统计学分析来识别所述候选癫痫发作包括:
基于所述EEG信号确定多个度量,所述多个度量指示所述EEG信号的所述非线性特征;以及
通过至少部分基于所述多个度量确定所述EEG信号的所述非线性特征随时间的变化,来确定所述EEG信号指示所述候选癫痫发作,其中所述非线性特征的所述变化指示引起所述候选癫痫发作的生理诱因。
17.根据权利要求13所述的方法,所述方法还包括:
由所述处理电路通过利用所述统计学分析来识别所述候选癫痫发作而在第一操作阶段中操作;以及
由所述处理电路通过利用所述人工智能模型来识别所述候选癫痫发作而在第二操作阶段中操作。
18.根据权利要求17所述的方法,其中由所述处理电路在所述第一操作阶段中操作包括:
生成癫痫发作警报,所述癫痫发作警报指示所述EEG信号指示通过所述统计学分析识别的所述候选癫痫发作;以及
使得用户界面显示所述癫痫发作警报。
19.根据权利要求17所述的方法,其中由所述处理电路在所述第一操作阶段中操作包括:
在通过所述统计学分析识别所述候选癫痫发作时基于训练数据来训练所述人工智能模型。
20.根据权利要求19所述的方法,其中由所述处理电路在所述第一操作阶段中操作包括:基于所述EEG信号和通过所述统计学分析识别的所述候选癫痫发作来训练所述人工智能模型。
21.根据权利要求19所述的方法,其中由所述处理电路在所述第一操作阶段中操作包括:
生成癫痫发作警报,所述癫痫发作警报指示所述EEG信号指示通过所述统计学分析识别的所述候选癫痫发作;
使得用户界面显示所述癫痫发作警报;
经由所述用户界面从用户接收所述候选癫痫发作的标记或所述EEG信号;以及
基于所述标记和所述EEG信号来训练所述人工智能模型。
22.一种癫痫发作检测系统,所述癫痫发作检测系统包括:
连接到患者的一个或多个电极,所述一个或多个电极被配置成基于患者的脑电活动生成脑电图(EEG)信号;和
处理电路,所述处理电路被配置成:
从所述一个或多个电极接收所述EEG信号;
利用统计学分析来识别候选癫痫发作,所述统计学分析基于所述EEG信号的非线性特征的变化来识别所述候选癫痫发作;
确定从利用所述统计学分析来识别所述候选癫痫发作切换到人工智能模型;以及
从利用所述统计学分析来识别所述候选癫痫发作切换到利用所述EEG信号基于所述人工智能模型来识别所述候选癫痫发作。
23.根据权利要求22所述的癫痫发作检测系统,其中所述人工智能模型从所述统计学分析接收输出,并且至少部分基于从所述统计学分析接收到的所述输出来识别所述候选癫痫发作。
24.根据权利要求22所述的癫痫发作检测系统,其中所述人工智能模型包括输入和施加到所述输入的权重;
其中所述处理电路被配置成:
将通过所述统计学分析做出的候选癫痫发作确定提供给所述人工智能模型的所述输入;以及
提供通过所述统计学分析做出的所述候选癫痫发作确定的置信度水平作为所述人工智能模型的所述权重。
25.根据权利要求22所述的癫痫发作检测系统,其中所述处理电路被配置成:
接收对指示通过所述统计学分析或所述人工智能模型中的至少一者不正确地进行的候选癫痫发作识别的假阳性的一个或多个指示;以及
基于对所述假阳性的所述一个或多个指示来训练所述人工智能模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063075621P | 2020-09-08 | 2020-09-08 | |
US63/075,621 | 2020-09-08 | ||
PCT/US2021/049249 WO2022055858A1 (en) | 2020-09-08 | 2021-09-07 | Systems and methods for seizure detection with a statistical analysis and an artificial intelligence analysis |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116507270A true CN116507270A (zh) | 2023-07-28 |
Family
ID=78049809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180073298.7A Pending CN116507270A (zh) | 2020-09-08 | 2021-09-07 | 用于利用统计学分析和人工智能分析进行癫痫发作检测的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11779261B2 (zh) |
EP (1) | EP4210576A1 (zh) |
CN (1) | CN116507270A (zh) |
CA (1) | CA3191782A1 (zh) |
WO (1) | WO2022055858A1 (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5857978A (en) * | 1996-03-20 | 1999-01-12 | Lockheed Martin Energy Systems, Inc. | Epileptic seizure prediction by non-linear methods |
US6834120B1 (en) * | 2000-11-15 | 2004-12-21 | Sri International | Method and system for estimating the accuracy of inference algorithms using the self-consistency methodology |
WO2009025863A1 (en) * | 2007-08-23 | 2009-02-26 | Massachusetts Institute Of Technology | Method and apparatus for reducing the number of channels in an eeg-based epileptic seizure detector |
GB0906029D0 (en) * | 2009-04-07 | 2009-05-20 | Nat Univ Ireland Cork | A method of analysing an electroencephalogram (EEG) signal |
US8684921B2 (en) * | 2010-10-01 | 2014-04-01 | Flint Hills Scientific Llc | Detecting, assessing and managing epilepsy using a multi-variate, metric-based classification analysis |
US10595787B2 (en) * | 2011-10-14 | 2020-03-24 | Flint Hills Scientific, Llc | Apparatus and systems for event detection using probabilistic measures |
US11185264B2 (en) * | 2017-09-26 | 2021-11-30 | Senseonics, Incorporated | Methods and systems for weighting calibration points and updating lag parameters |
WO2019162850A1 (en) | 2018-02-20 | 2019-08-29 | Ecole Polytechnique Federale De Lausanne (Epfl) | A wearable system for real-time detection of epileptic seizures |
US20200388287A1 (en) * | 2018-11-13 | 2020-12-10 | CurieAI, Inc. | Intelligent health monitoring |
WO2020188328A1 (en) * | 2019-03-15 | 2020-09-24 | 3M Innovative Properties Company | Method of performing a process and optimizing control signals used in the process |
US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
-
2021
- 2021-09-07 US US17/468,109 patent/US11779261B2/en active Active
- 2021-09-07 CN CN202180073298.7A patent/CN116507270A/zh active Pending
- 2021-09-07 CA CA3191782A patent/CA3191782A1/en active Pending
- 2021-09-07 WO PCT/US2021/049249 patent/WO2022055858A1/en active Application Filing
- 2021-09-07 EP EP21786066.7A patent/EP4210576A1/en active Pending
-
2023
- 2023-09-06 US US18/242,800 patent/US20230404470A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4210576A1 (en) | 2023-07-19 |
US11779261B2 (en) | 2023-10-10 |
US20220071550A1 (en) | 2022-03-10 |
CA3191782A1 (en) | 2022-03-17 |
US20230404470A1 (en) | 2023-12-21 |
WO2022055858A1 (en) | 2022-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114615924B (zh) | 基于脑电图(eeg)非线性变化的用于癫痫发作检测的系统和方法 | |
Assi et al. | Towards accurate prediction of epileptic seizures: A review | |
US10506988B2 (en) | Methods and systems for forecasting seizures | |
US10265029B2 (en) | Methods and systems for calculating and using statistical models to predict medical events | |
KR20190105163A (ko) | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 | |
WO2005109334A2 (en) | Systems and methods for automatic and incremental learning of patient states from biomedical signals | |
Rasekhi et al. | Epileptic seizure prediction based on ratio and differential linear univariate features | |
KR102141185B1 (ko) | 확률모델 및 기계학습과 함께 특징추출을 이용한 뇌전도 신호의 멀티 주파수 대역 계수 기반 간질 발작파 검출 시스템 | |
WO2021034351A1 (en) | Systems and methods for seizure detection based on changes in electroencephalogram (eeg) non-linearities | |
CN102973266A (zh) | 用于自动痉挛监测的方法、设备和计算机程序产品 | |
EP3629910A1 (en) | Seizure onset zone localization | |
Mendonça et al. | Cyclic alternating pattern estimation based on a probabilistic model over an EEG signal | |
US20060069535A1 (en) | System and method for converting data, and system and method for providing warning signals | |
Gayatri et al. | Implementation of epileptic EEG using recurrent neural network | |
CN116507270A (zh) | 用于利用统计学分析和人工智能分析进行癫痫发作检测的系统和方法 | |
US20240156392A1 (en) | Systems and methods for seizure detection based on changes in electroencephalogram (eeg) non-linearities | |
US20230309855A1 (en) | Respiration rate monitoring system and method | |
US10426365B1 (en) | Method and apparatus for prediction and detection of seizure activity | |
Luckett | Nonlinear methods for detection and prediction of epileptic seizures | |
Anandaraj et al. | Modelling a Risk-based Network Model for Epileptic Seizure Prediction using Learning Approaches | |
CN115775627A (zh) | 糖尿病早期预警方法、设备及系统 |
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 |