CN116584900A - 信号稳定状态的检测方法、检测模型、癫痫检测装置 - Google Patents

信号稳定状态的检测方法、检测模型、癫痫检测装置 Download PDF

Info

Publication number
CN116584900A
CN116584900A CN202310871463.4A CN202310871463A CN116584900A CN 116584900 A CN116584900 A CN 116584900A CN 202310871463 A CN202310871463 A CN 202310871463A CN 116584900 A CN116584900 A CN 116584900A
Authority
CN
China
Prior art keywords
signal
template
standard
abnormal discharge
templates
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
Application number
CN202310871463.4A
Other languages
English (en)
Other versions
CN116584900B (zh
Inventor
黄肖山
胥红来
李含磊
章希睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boruikang Medical Technology Shanghai Co ltd
Original Assignee
Boruikang Medical Technology Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Boruikang Medical Technology Shanghai Co ltd filed Critical Boruikang Medical Technology Shanghai Co ltd
Priority to CN202310871463.4A priority Critical patent/CN116584900B/zh
Priority to CN202311280248.3A priority patent/CN117338244A/zh
Publication of CN116584900A publication Critical patent/CN116584900A/zh
Application granted granted Critical
Publication of CN116584900B publication Critical patent/CN116584900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种信号稳定状态的检测方法、检测模型、癫痫检测装置，检测方法包括：获取离线信号在不同时刻的多通道信号集合；获取多通道信号子集合，即根据多通道信号集合的稳定状态的演化趋势进行聚类；获取信号模板集合，即基于聚类结果分别获取多通道信号子集合对应的信号模板；获取标准模板，即利用信号模板集合对离线信号进行匹配检测，以筛选出标准模板；基于标准模板检测信号的稳定状态。本发明通过联合多通道信号的时域信息、空域信息，能够更准确地检测信号的放电状态。

Description

信号稳定状态的检测方法、检测模型、癫痫检测装置
技术领域
本发明涉及信号检测技术领域，具体涉及一种信号稳定状态的检测方法、检测模型、癫痫检测装置。
背景技术
癫痫的发病率约为的1%，其中大约25%的癫痫患者无法通过药物治疗改善病情。而癫痫病的特点之一是发作的随机性，如果癫痫发作时患者正处于复杂的环境中，就可能会威胁到生命。现有研究显示，在癫痫发作前或发作过程中施加电刺激能够有效终止癫痫发作。如果存在某种系统，能够预测癫痫发作，将允许及时采取干预措施，减少发病率和死亡率，改善癫痫患者的生活质量。
识别脑电所处的状态或时相虽然不能直接治疗或诊断癫痫，但会影响电刺激的调参，现在主流的脑电信号识别算法主要包括以下步骤：1）信号预处理滤波，减少噪声；2）特征提取，提炼脑电信号中包含的信息；3）特征选择或降维，以减少特征数量；4）分类，区分发作间期与发作前期，识别到发作前期则触发预警或干预措施。但癫痫发作前的一次异常放电就分为多个不同的空间分布模式，这些分布模式的维持时间短、模式之间差异大、不同模式对异常放电的指示能力也不同，导致现有的信号识别算法很难准确识别脑电所处的稳定状态，从而精确调整电刺激的参数。
发明内容
本发明旨在解决现有技术存在的技术问题之一。为此，本发明提供一种信号稳定状态的检测方法、检测模型、癫痫检测装置。
本发明解决其技术问题所采用的技术方案是：一种信号稳定状态的检测方法，包括：获取离线信号在不同时刻的多通道信号集合；获取多通道信号子集合，即根据多通道信号集合的稳定状态的演化趋势进行聚类；获取信号模板集合，即基于聚类结果分别获取多通道信号子集合对应的信号模板；获取标准模板，即利用所述信号模板集合对所述离线信号进行匹配检测，以筛选出标准模板；基于所述标准模板检测信号的稳定状态。
本发明的有益效果是，本发明通过联合多通道信号的时域信息、空域信息，能够更准确地检测信号的放电状态；通过检测异常放电来进行癫痫的提前预警，能够尽早干预，更容易终止癫痫的发作，或者能够尽早提示，以避免在危险环境中（例如马路上、驾驶时）因癫痫发作而造成严重伤害。
进一步的，获取离线信号在不同时刻的多通道信号集合包括：计算不同通道的离线信号的能量特征；记录所述能量特征大于特征阈值且持续时间大于时间阈值的时间，将这些时间对应的离线信号组成多通道信号集合。
进一步的，获取多通道信号子集合包括：以不同时刻对应的多通道信号的原值或处理值为向量，组成向量集合；计算每个向量与向量集合中所有向量之间的相关系数，组成n*n的关系矩阵；按照稳定过程的演化趋势聚类多通道信号集合，形成多个所述多通道信号子集合；其中，基于每个多通道信号子集合获取的信号模板即为空时域模板，进而形成空时域模板集合。
进一步的，按照稳定过程的演化趋势聚类多通道信号集合包括：当关系矩阵中相关系数的值及其对应的持续时间超过相应的设定阈值，判断为处于同一个稳定过程，以此形成所述聚类结果。
进一步的，所述获取标准模板包括：将离线信号中的多通道信号与所述空时域模板集合中的空时域模板逐一进行匹配检测，以筛选出标准空时域模板。
进一步的，所述获取标准模板包括：将所述空时域模板集合中的空时域模板按照时间顺序排列在一起形成视频模板；将离线信号中时长相同的多通道信号与所述视频模板进行匹配检测，以筛选出标准视频模板。
进一步的，所述检测方法还包括：对所述空时域模板集合中的空时域模板做时间平均处理得到空域模板集合。
进一步的，所述获取标准模板包括：将离线信号中的多通道信号与所述空域模板集合的空域模板逐一进行匹配检测，以筛选出标准空域模板。
进一步的，所述获取标准模板包括：将所述空域模板集合中的空域模板分别转换为对应的地形图模板；将离线信号转换为地形图后与所述地形图模板逐一进行匹配检测，以筛选出标准地形图模板。
进一步的，所述获取标准模板包括：从所述信号模板集合中筛选出通道索引模板；将所述离线信号与所述通道索引模板进行匹配检测，以筛选出标准通道索引模板。
本发明还提供一种信号稳定状态的检测模型，包括：存储模块，用于存储所述的标准模板；采集模块，用于采集信号；检测模块，利用标准模板检测信号的稳定状态。
进一步的，所述标准模板包括：标准空时域模板、标准视频模板、标准空域模板、标准地形图模板、标准通道索引模板中的至少一种。
本发明还提供一种信号的异常放电检测方法，包括：获取异常放电时刻对应的多通道信号集合；获取多通道信号子集合，即根据多通道信号集合的稳定状态的演化趋势进行聚类；获取信号模板集合，即基于聚类结果分别获取多通道信号子集合对应的信号模板；基于所述信号模板集合对所述离线信号进行检测以筛选出标准模板；基于所述标准模板检测信号的异常放电。
进一步的，所述异常放电检测方法还包括检测信号中的同一次异常放电时刻；所述检测信号中的同一次异常放电时刻包括：计算信号中不同时刻对应的能量特征；将所述能量特征大于特征阈值，且能量特征大于特征阈值的持续时间大于时间阈值的时刻标记为异常放电；特征阈值=能量特征的均值+n*能量特征的方差，n为当前正态分布的界限值；检出异常放电后，将时间间隔小于时间间隔阈值的异常放电标记为同一次异常放电。
本发明还提供一种癫痫检测装置，包括：采集模块，用于采集信号；统计模块，统计一段时间内信号的异常放电的次数；处理器，用于存储标准模板和预警阈值；其中，所述处理器根据标准模板检测信号，以获取信号的异常放电次数；当处理器判断异常放电次数大于设定预警阈值，则判定为癫痫即将发作。
本发明还提供一种基于空时域模板的异常放电增强方法，包括：根据标准模板检测信号的异常放电，标记异常放电处对应的脑电数据；对所述脑电数据进行主成分分析，选取能量大于阈值的主成分构成投影矩阵；利用所述投影矩阵对原始脑电信号进行空间降维处理，获取处理后的脑电数据；对所述处理后的脑电数据进行共空间模式算法处理，获得异常放电增强数据。
本发明还提供一种计算机存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现信号稳定状态的检测方法、异常放电检测方法、异常放电增强方法中任一项所述的方法的步骤。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的信号稳定状态的检测方法的流程图。
图2是本发明的信号稳定状态的检测方法的一具体流程图。
图3是本发明的根据能量特征确定放电位置的示意图。
图4是本发明的关系矩阵的示意图。
图5是本发明的视频模板的示意图。
图6是本发明的空域模板的示意图。
图7是本发明的地形图模板的示意图。
图8是本发明的正确模板和错误模板的示意图。
图9是本发明采用正确模板、错误模板检测结果示意图。
图10是本发明的通道索引模板的示意图。
图11是本发明的癫痫检测装置对在线信号的异常放电检出结果示意图。
图12是本发明以连续20s为单位对图11统计异常放电的检出数量。
图13是本发明的异常放电增强的示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明的信号稳定状态的检测方法，包括：S1、获取离线信号在不同时刻的多通道信号集合；S2、获取多通道信号子集合，即根据多通道信号集合的稳定状态的演化趋势进行聚类；S3、获取信号模板集合，即基于聚类结果分别获取多通道信号子集合对应的信号模板；S4、获取标准模板，即利用信号模板集合对离线信号进行匹配检测，以筛选出标准模板；S5、基于标准模板检测信号的稳定状态。需要说明的是，信号在放电时，包括正常放电状态和异常放电状态，一段信号的放电由多个放电过程组成。放电过程可以分为：稳定过程（状态稳定，某些放电重复出现）和不稳定过程（状态不稳定，放电随机性强）。因此，本发明获取多通道信号集合后，根据多通道信号集合的稳定状态的演化趋势聚类后可以获得多个多通道信号子集合。每个多通道信号子集合可以得到一个对应的信号模板。然后将离线信号与所有的信号模板进行一一匹配检测，匹配度符合要求的信号模板记为标准模板。最后用标准模板对在线信号进行检测。由此，通过检测信号中的稳定状态能够反映出信号中的异常放电情况。并且，本发明的信号模板是基于多通道信号集合的稳定状态的演化趋势的聚类结果获得的，即将相似的稳定状态归类为一组，这些稳定状态虽然都有极明显的相似特征，但并不是完全相同的，聚类后再形成信号模板，可以进一步提取共有的状态，弱化随机干扰。如果不进行聚类直接提取信号模板，得到的信号模板会保留很多的随机性，用于检测时，可能会发生漏检的情况。
如图2所示，获取离线信号在不同时刻的多通道信号集合包括：计算不同通道的离线信号的能量特征；记录能量特征大于特征阈值且持续时间大于时间阈值的时间，将这些时间对应的离线信号组成多通道信号集合。例如，能量特征可以选用全局放电系数（GFP），信号的每一时刻均有对应的全局放电系数，其计算公式为：，其中，M表示通道总数量，/>表示t时刻所有通道的脑电信号的幅值的均值，/>表示t时刻第n通道的脑电信号的幅值。例如，特征阈值=能量特征的均值+3*能量特征的方差，时间阈值例如是0.07s。如图3所示，横坐标为时间，纵坐标为全局放电系数，从图中可以看出某些时刻的全局放电系数是超过全局放电系数阈值的，并且持续了一定的时间。由此，可以将符合阈值要求的时间筛选出来，将这些时间对应的信号点组成多通道信号集合，其中，将筛选出的信号点之间的时间间隔小于0.1s的信号点标记为同一次放电。当然，能量特征还可以选用线长、均方根（RMS）等特征参数。
具体的，获取多通道信号子集合包括：以不同时刻对应的多通道信号的原值或处理值为向量，组成向量集合；计算每个向量与向量集合中所有向量之间的相关系数，组成n*n的关系矩阵；按照稳定过程的演化趋势聚类多通道信号集合，形成多个多通道信号子集合；其中，基于每个多通道信号子集合获取的信号模板即为空时域模板，进而形成空时域模板集合。按照稳定过程的演化趋势聚类多通道信号集合包括：当关系矩阵中相关系数的值及其对应的持续时间超过相应的设定阈值，判断为处于同一个稳定过程，以此形成聚类结果。其中，相关系数也可替换为闵可夫斯基距离、马氏距离、余弦相似度等参数。
以相关系数为例，选取一段脑电数据的背景信号，背景信号中的每个向量与其前后各0.025s的所有向量求相关系数，对所有相关系数求均值，即得到所述相关系数的设定阈值。例如，取多通道信号中的t1-tn信号段，则t1时刻对应的所有通道的幅值组成第一列向量，t2时刻对应的所有通道的幅值组成第二列向量，以此类推，tn时刻对应的所有通道的幅值组成第n列向量，共n列向量组成向量集合。然后，计算第一列向量与n列向量之间的n个相关系数，组成1*n的向量，计算第二列向量与n列向量之间的n个相关系数，组成1*n的向量，以此类推，共可以得到n组1*n的向量，将n组1*n的向量按照时刻顺序排列组成n*n的关系矩阵。图4即为关系矩阵的示意图。从图中可以看出，对角线方向显示成多个凸起，对应了不同时间段的信号处于各自的稳定状态，即稳定过程的演化趋势。一个稳定过程在图中表现为对角线上的方格，包含了稳定过程的产生、发展、结束等阶段的演化趋势。方格还可以提示稳定过程对应的持续时间和演化趋势形成的演化周期，根据这些时间可以从原始信号中提取相应的数据。由此，当关系矩阵中相关系数的值及其对应的持续时间超过相应的设定阈值，判断为处于同一个稳定过程，以此形成聚类结果。通过聚类，可以获得多个稳定过程（即多个多通道信号子集合），处于同一个稳定过程中的信号彼此之间的相关程度较高，可以针对这些信号组成的多通道信号子集合提取对应的信号模板，即提取对同一个稳定过程具有一定代表性的信号模板。基于每个多通道信号子集合获取的信号模板即为空时域模板，进而形成空时域模板集合。
由于空时域模板集合是基于信号的稳定过程的演化趋势或演化过程聚类得到的，因此空时域模板集合一般包含多个信号模板，如何选取与离线信号的实际稳定状态最匹配的信号模板作为标准模板，以用于检测在线信号，可以根据信号模板的种类有多种实现方式。
（1）以空时域模板为例。获取标准模板包括：将离线信号中的多通道信号与空时域模板集合进行匹配检测，以筛选出标准空时域模板。或者，获取标准模板包括：将空时域模板集合中的空时域模板按照时间顺序排列在一起形成视频模板；将离线信号中时长相同的多通道信号与视频模板进行匹配检测，以筛选出标准视频模板。
换言之，在匹配检测时，可以直接将空时域模板与离线信号进行匹配，也可以将空时域模板连成视频模板，一个空时域模板可以看成一帧。例如，视频模板的时长为T，那么进行匹配检测时，进行检测的离线信号的多通道信号的时长也需要为T。如果匹配系数达到要求，则将符合要求的视频模板作为标准视频模板。需要说明的是，视频模板既包含了时间信息，又具有更高的空间分辨率，在使用视频模板进行检测时，可以显著提高特异性，避免误报警，同时，采用视频模板也更加直观。图5即为一个视频模板的示意图。
（2）例如，以空域模板为例。检测方法还包括：对空时域模板集合中的空时域模板做时间平均处理得到空域模板集合。获取标准模板包括：将离线信号中的多通道信号与空域模板集合进行匹配检测，以筛选出标准空域模板。
（3）例如，以地形图模板为例。获取标准模板包括：将空域模板集合转换为地形图模板；将离线信号转换为地形图后与地形图模板进行匹配检测，以筛选出标准地形图模板。
需要说明的是，对空时域模板做时间平均处理后得到的空域模板可以更加清楚的反映出信号的空间信息。可以理解的是，在对脑电信号进行采集时，会在脑部不同的位置点设置采集电极，采集电极可以通过导联连接到信号采集设备，一个位置点可以看成是一个采集通道，不同的位置点即表示不同的空间位置，一次异常放电中可以包含多个不同的空间分布模式，这些空间分布模式的维持时间短、模式时间差异性也较大。因此，采用空域模板对多通道信号进行检测，能够进一步提升检测的准确性。另外，还可以把空域模板集合转换为地形图模板，即，将所有通道映射在电极所在的空间位置，用颜色代表幅值大小，电极之间的空白处用三次养条插值进行补全。转换成地形图模板后，使得模板具有更高的空间分辨率，空间信息的分布也更加直观。例如，图6是空域模板的示意图，图7是地形图模板的示意图，图7中的小黑点表示通道所在的位置，颜色越深表示幅值越大没通过地形图模板，可以一目了然地看到多通道信号的空间分布以及幅值强弱。
需要说明的是，对于标注模板的确定对于信号检测的准确性来说是很关键的，标准模板选择的不好，会直接影响在线信号的稳定状态的检测结果。例如，以空域模板为例，不同的标准模板得到的识别结果不同，如图8和图9所示，正确模板，在距离癫痫发作位置较近时，检出密集的放电，较远时，检出数量极少；而错误模板，在距离癫痫发作位置较远时，检出数量极多。以发作前120s作为癫痫发作前期，在前期之前的作为发作间期，统计发作间期和阀座前期的癫痫检出数量，求间期与前期的检出数量之间的商值，选择处于商值最小的模板作为标准模板。
（3）例如，以通道索引模板为例。获取标准模板包括：从信号模板集合中筛选出通道索引模板；将离线信号与通道索引模板进行匹配检测，以筛选出标准通道索引模板。需要说明的是，通道索引模板是指信号模板集合中，某几个固定的通道的幅值变异严重，而其他通道的幅值变化在正常范围内，那么就将这几个变异严重的通道作为通道索引模板。例如图10所示，通道5、9、10的幅值小于阈值A，且其他通道的幅值均大于阈值A且小于阈值B，则可以将通道5、9、10作为通道索引模板。其中，阈值A=所有通道的幅值的均值-3*所有通道的幅值的方差，阈值B=所有通道的幅值的均值+3*所有通道的幅值的方差。通过通道索引模板只需要在线检测感兴趣的通道的即可，不需要对所有通道进行检测，计算量小、检测速度快。
本发明还提供一种信号稳定状态的检测模型，包括：存储模块，用于存储的标准模板；采集模块，用于采集信号；检测模块，利用标准模板检测信号的稳定状态。标准模板包括：标准空时域模板、标准视频模板、标准空域模板、标准地形图模板、标准通道索引模板中的至少一种。具体阐述请见信号稳定状态的检测方法的相关部分，此处不再赘述。
异常放电作为信号稳定状态的一种特殊形式，可以参照本案所述的信号稳定状态的检测方法的相关描述，此处不再赘述。本发明还提供一种信号的异常放电检测方法，包括：获取异常放电时刻对应的多通道信号集合；获取多通道信号子集合，即根据多通道信号集合的稳定状态的演化趋势进行聚类；获取信号模板集合，即基于聚类结果分别获取多通道信号子集合对应的信号模板；基于信号模板集合对离线信号进行检测以筛选出标准模板；基于标准模板检测信号的异常放电。但异常放电相较于其他信号稳定状态具有特殊性，即当信号中的出现多次异常放电时，是否能认定为同一次异常放电（由于根据检测出的异常放电的次数可以进行癫痫预警，将信号中的多次异常放电认定为同一次异常放电，能够避免实际是属于同一次异常放电的，却被误判成是多次的情况，防止影响异常放电次数的准确性），因此信号的异常放电检测方法还包括：检测信号中的同一次异常放电时刻。所述检测信号中的同一次异常放电时刻包括：计算信号中不同时刻对应的能量特征；将能量特征大于特征阈值，且能量特征大于特征阈值的持续时间大于时间阈值的时刻标记为异常放电；特征阈值=能量特征的均值+n*能量特征的方差，n为当前正态分布的界限值；检出异常放电后，将时间间隔小于时间间隔阈值的异常放电标记为同一次异常放电。将放电系数高于第一放电阈值且持续时间高于第二放电阈值的时间被标记为异常放电。例如设定第一放电阈值为全局放电系数（GFP）的均值加GFP的3倍方差，第二放电阈值为0.07s；检出后，可以将间隔小于0.1s的异常放电被标记为同一次放电。异常放电的持续时间最少要一个稳定状态的状态时间。
本发明还提供一种癫痫检测装置，包括：采集模块，用于采集信号；统计模块，统计一段时间内信号的异常放电的次数；处理器，用于存储标准模板和预警阈值；其中，处理器根据标准模板检测信号，以获取信号的异常放电次数；当处理器判断异常放电次数大于设定预警阈值，则判定为癫痫即将发作。具体阐述请见信号稳定状态的检测方法的相关部分，此处不再赘述。
例如，图11是一段在线信号的异常放电检出结果，图12是以连续20s为单位统计的检出数量。例如，将预警阈值设定为5（即20s内异常放电出现5次则认为是癫痫发作前期，即识别信号所处的时相）。由此可以发现，采用本发明的癫痫检测装置，可以提前4分钟左右发出癫痫预警，及时发现目标状态，从而及时采取电刺激治疗。
本发明还提供一种基于空时域模板的异常放电增强方法，包括：根据标准模板检测信号的异常放电，标记异常放电处对应的脑电数据；对脑电数据进行主成分分析，选取能量大于阈值的主成分构成投影矩阵；利用投影矩阵对原始脑电信号进行空间降维处理，获取处理后的脑电数据；对处理后的脑电数据进行共空间模式算法处理，获得异常放电增强数据。
需要说明的是，将具有异常放电的脑电数据作为类别一，将未检出异常放电的脑电数据作为类别二（背景信号），将两类数据用于共空间模式算法训练，可以得到共空间模式空间滤波器，共空间模式空间滤波器能够对异常放电和癫痫发作波形的幅值进行增强。这样，能够更容易识别出异常放电和发作波形。图13是共空间模式算法处理前后的脑电波形图，从图13中可以看出，借助共空间模式空间滤波器，对背景信号的幅值影响较小，对异常放电和发作波形的幅值进行了显著增强。
本发明还提供一种计算机存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现信号稳定状态的检测方法、异常放电检测方法、异常放电增强方法中任一项所述的方法的步骤。计算机可读存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。上述存储介质可以包括但不限于：U盘、只读存储器(ROM)、随机存取存储器(RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明通过联合多通道信号的时域信息、空域信息，能够更准确地检测信号的放电状态，从而更准确地进行癫痫预警。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要如权利要求范围来确定其技术性范围。

Claims (17)

1.一种信号稳定状态的检测方法，其特征在于，包括：
获取离线信号在不同时刻的多通道信号集合；
获取多通道信号子集合，即根据多通道信号集合的稳定状态的演化趋势进行聚类；
获取信号模板集合，即基于聚类结果分别获取多通道信号子集合对应的信号模板；
获取标准模板，即利用所述信号模板集合对所述离线信号进行匹配检测，以筛选出标准模板；
基于所述标准模板检测信号的稳定状态。
2.如权利要求1所述的检测方法，其特征在于，
获取离线信号在不同时刻的多通道信号集合包括：
计算不同通道的离线信号的能量特征；
记录所述能量特征大于特征阈值且持续时间大于时间阈值的时间，将这些时间对应的离线信号组成多通道信号集合。
3.如权利要求1所述的检测方法，其特征在于，
获取多通道信号子集合包括：
以不同时刻对应的多通道信号的原值或处理值为向量，组成向量集合；
计算每个向量与向量集合中所有向量之间的相关系数，组成n*n的关系矩阵；
按照稳定过程的演化趋势聚类多通道信号集合，形成多个所述多通道信号子集合；其中
基于每个多通道信号子集合获取的信号模板即为空时域模板，进而形成空时域模板集合。
4.如权利要求3所述的检测方法，其特征在于，
按照稳定过程的演化趋势聚类多通道信号集合包括：
当关系矩阵中相关系数的值及其对应的持续时间超过相应的设定阈值，判断为处于同一个稳定过程，以此形成所述聚类结果。
5.如权利要求3所述的检测方法，其特征在于，
所述获取标准模板包括：
将离线信号中的多通道信号与所述空时域模板集合中的空时域模板逐一进行匹配检测，以筛选出标准空时域模板。
6.如权利要求3所述的检测方法，其特征在于，
所述获取标准模板包括：
将所述空时域模板集合中的空时域模板按照时间顺序排列在一起形成视频模板；
将离线信号中时长相同的多通道信号与所述视频模板进行匹配检测，以筛选出标准视频模板。
7.如权利要求3所述的检测方法，其特征在于，
所述检测方法还包括：
对所述空时域模板集合中的空时域模板做时间平均处理得到空域模板集合。
8.如权利要求7所述的检测方法，其特征在于，
所述获取标准模板包括：
将离线信号中的多通道信号与所述空域模板集合中的空域模板逐一进行匹配检测，以筛选出标准空域模板。
9.如权利要求7所述的检测方法，其特征在于，
所述获取标准模板包括：
将所述空域模板集合中的空域模板分别转换为对应的地形图模板；
将离线信号转换为地形图后与所述地形图模板逐一进行匹配检测，以筛选出标准地形图模板。
10.如权利要求3或7所述的检测方法，其特征在于，
所述获取标准模板包括：
从所述信号模板集合中筛选出通道索引模板；
将所述离线信号与所述通道索引模板进行匹配检测，以筛选出标准通道索引模板。
11.一种信号稳定状态的检测模型，其特征在于，包括：
存储模块，用于存储权利要求1所述的标准模板；
采集模块，用于采集信号；
检测模块，利用标准模板检测信号的稳定状态。
12.如权利要求11所述的检测模型，其特征在于，
所述标准模板包括：标准空时域模板、标准视频模板、标准空域模板、标准地形图模板、标准通道索引模板中的至少一种。
13.一种信号的异常放电检测方法，其特征在于，包括：
获取异常放电时刻对应的多通道信号集合；
异常放电检测模型，运行如权利要求1所述的信号稳定状态的检测方法，以筛选出标注模板；
基于所述标准模板检测信号的异常放电。
14.如权利要求13所述的异常放电检测方法，其特征在于，
所述异常放电检测方法还包括检测信号中的同一次异常放电时刻；
所述检测信号中的同一次异常放电时刻包括：
计算信号中不同时刻对应的能量特征；
将所述能量特征大于特征阈值，且能量特征大于特征阈值的持续时间大于时间阈值的时刻标记为异常放电；
特征阈值=能量特征的均值+n*能量特征的方差，n为当前正态分布的界限值；
检出异常放电后，将时间间隔小于时间间隔阈值的异常放电标记为同一次异常放电。
15.一种癫痫检测装置，其特征在于，包括：
采集模块，用于采集信号；
统计模块，统计一段时间内信号的异常放电的次数；
处理器，用于存储标准模板和预警阈值；其中
所述处理器根据如权利要求1所述的信号稳定状态的检测方法获得的标准模板检测信号，以获取信号的异常放电次数；
当处理器判断异常放电次数大于设定预警阈值，则判定为癫痫即将发作。
16.一种基于空时域模板的异常放电增强方法，其特征在于，包括：
根据如权利要求1所述的信号稳定状态的检测方法获得的标准模板检测信号的异常放电，标记异常放电处对应的脑电数据；
对所述脑电数据进行主成分分析，选取能量大于阈值的主成分构成投影矩阵；
利用所述投影矩阵对原始脑电信号进行空间降维处理，获取处理后的脑电数据；
对所述处理后的脑电数据进行共空间模式算法处理，获得异常放电增强数据。
17.一种计算机存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-10、13-14、16中任一项所述的方法的步骤。
CN202310871463.4A 2023-07-17 2023-07-17 信号稳定状态的检测方法、检测模型、癫痫检测装置 Active CN116584900B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310871463.4A CN116584900B (zh) 2023-07-17 2023-07-17 信号稳定状态的检测方法、检测模型、癫痫检测装置
CN202311280248.3A CN117338244A (zh) 2023-07-17 2023-07-17 基于空时域模板的异常放电增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310871463.4A CN116584900B (zh) 2023-07-17 2023-07-17 信号稳定状态的检测方法、检测模型、癫痫检测装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311280248.3A Division CN117338244A (zh) 2023-07-17 2023-07-17 基于空时域模板的异常放电增强方法

Publications (2)

Publication Number Publication Date
CN116584900A true CN116584900A (zh) 2023-08-15
CN116584900B CN116584900B (zh) 2023-10-31

Family

ID=87608376

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310871463.4A Active CN116584900B (zh) 2023-07-17 2023-07-17 信号稳定状态的检测方法、检测模型、癫痫检测装置
CN202311280248.3A Pending CN117338244A (zh) 2023-07-17 2023-07-17 基于空时域模板的异常放电增强方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202311280248.3A Pending CN117338244A (zh) 2023-07-17 2023-07-17 基于空时域模板的异常放电增强方法

Country Status (1)

Country Link
CN (2) CN116584900B (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6304775B1 (en) * 1999-09-22 2001-10-16 Leonidas D. Iasemidis Seizure warning and prediction
US6658287B1 (en) * 1998-08-24 2003-12-02 Georgia Tech Research Corporation Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity
US20040230105A1 (en) * 2003-05-15 2004-11-18 Widemed Ltd. Adaptive prediction of changes of physiological/pathological states using processing of biomedical signals
US20050197590A1 (en) * 1997-01-06 2005-09-08 Ivan Osorio System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject
US7461045B1 (en) * 2003-08-18 2008-12-02 University Of Florida Research Foundation, Inc. Optimization of spatio-temporal pattern processing for seizure warning and prediction
US20120245481A1 (en) * 2011-02-18 2012-09-27 The Trustees Of The University Of Pennsylvania Method for automatic, unsupervised classification of high-frequency oscillations in physiological recordings
US20140094710A1 (en) * 2012-10-03 2014-04-03 The Johns Hopkins University Computatonal tool for pre-surgical evaluation of patients with medically refractory epilepsy
US20140121554A1 (en) * 2012-10-29 2014-05-01 The Johns Hopkins University Seizure detection device and systems
US20170231519A1 (en) * 2014-08-19 2017-08-17 The General Hospital Corporation System and method for annotating and analyzing eeg waveforms
CN107184207A (zh) * 2017-05-12 2017-09-22 河海大学常州校区 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法
CN107438398A (zh) * 2015-01-06 2017-12-05 大卫·伯顿 移动式可穿戴的监控系统
US20190126033A1 (en) * 2017-10-31 2019-05-02 Stimscience Inc. Systems, methods, and devices for brain stimulation and monitoring
CN110811609A (zh) * 2019-10-28 2020-02-21 杭州电子科技大学 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法
US20200060566A1 (en) * 2018-08-24 2020-02-27 Newton Howard Automated detection of brain disorders
CN111712193A (zh) * 2018-02-14 2020-09-25 塞勒尼恩有限公司 用于脑电图测量的设备和方法
CN111772585A (zh) * 2020-07-13 2020-10-16 清华大学 间期颅内脑电信号中癫痫异常群体活动的数据提取方法
US20210052209A1 (en) * 2019-08-22 2021-02-25 Kurt E. Hecox Systems and methods for seizure detection based on changes in electroencephalogram (eeg) non-linearities
CN113974653A (zh) * 2021-11-30 2022-01-28 杭州妞诺霄云大数据科技有限公司 基于约登指数优化棘波检测方法和装置、存储介质和终端
CN114981900A (zh) * 2020-01-24 2022-08-30 艾克斯-马赛大学 优化一组脑电图电极的颅内植入方案的方法
CN115363523A (zh) * 2021-05-20 2022-11-22 中国科学院深圳先进技术研究院 一种癫痫发作区定位系统、设备及介质
WO2023043773A2 (en) * 2021-09-15 2023-03-23 Duke University Systems and methods for stereo-eeg implantation and resection surgeries
US20230087736A1 (en) * 2020-02-27 2023-03-23 Children's Hospital Medical Center Brain function mapping with intracranial electroencephalogram (eeg) using event-related spectral modulations

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197590A1 (en) * 1997-01-06 2005-09-08 Ivan Osorio System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject
US6658287B1 (en) * 1998-08-24 2003-12-02 Georgia Tech Research Corporation Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity
US6304775B1 (en) * 1999-09-22 2001-10-16 Leonidas D. Iasemidis Seizure warning and prediction
US20040230105A1 (en) * 2003-05-15 2004-11-18 Widemed Ltd. Adaptive prediction of changes of physiological/pathological states using processing of biomedical signals
US7461045B1 (en) * 2003-08-18 2008-12-02 University Of Florida Research Foundation, Inc. Optimization of spatio-temporal pattern processing for seizure warning and prediction
US20120245481A1 (en) * 2011-02-18 2012-09-27 The Trustees Of The University Of Pennsylvania Method for automatic, unsupervised classification of high-frequency oscillations in physiological recordings
US20140094710A1 (en) * 2012-10-03 2014-04-03 The Johns Hopkins University Computatonal tool for pre-surgical evaluation of patients with medically refractory epilepsy
US20140121554A1 (en) * 2012-10-29 2014-05-01 The Johns Hopkins University Seizure detection device and systems
US20170231519A1 (en) * 2014-08-19 2017-08-17 The General Hospital Corporation System and method for annotating and analyzing eeg waveforms
CN107438398A (zh) * 2015-01-06 2017-12-05 大卫·伯顿 移动式可穿戴的监控系统
CN107184207A (zh) * 2017-05-12 2017-09-22 河海大学常州校区 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法
US20190126033A1 (en) * 2017-10-31 2019-05-02 Stimscience Inc. Systems, methods, and devices for brain stimulation and monitoring
CN111712193A (zh) * 2018-02-14 2020-09-25 塞勒尼恩有限公司 用于脑电图测量的设备和方法
US20200060566A1 (en) * 2018-08-24 2020-02-27 Newton Howard Automated detection of brain disorders
US20210052209A1 (en) * 2019-08-22 2021-02-25 Kurt E. Hecox Systems and methods for seizure detection based on changes in electroencephalogram (eeg) non-linearities
CN114615924A (zh) * 2019-08-22 2022-06-10 全球先进临床解决方案有限公司 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
CN110811609A (zh) * 2019-10-28 2020-02-21 杭州电子科技大学 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法
CN114981900A (zh) * 2020-01-24 2022-08-30 艾克斯-马赛大学 优化一组脑电图电极的颅内植入方案的方法
US20230087736A1 (en) * 2020-02-27 2023-03-23 Children's Hospital Medical Center Brain function mapping with intracranial electroencephalogram (eeg) using event-related spectral modulations
CN111772585A (zh) * 2020-07-13 2020-10-16 清华大学 间期颅内脑电信号中癫痫异常群体活动的数据提取方法
CN115363523A (zh) * 2021-05-20 2022-11-22 中国科学院深圳先进技术研究院 一种癫痫发作区定位系统、设备及介质
WO2023043773A2 (en) * 2021-09-15 2023-03-23 Duke University Systems and methods for stereo-eeg implantation and resection surgeries
CN113974653A (zh) * 2021-11-30 2022-01-28 杭州妞诺霄云大数据科技有限公司 基于约登指数优化棘波检测方法和装置、存储介质和终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MICHAEL J. PALDINO, 等: "Normalization enhances brain network features that predict individual intelligence in children with epilepsy", PLOS ONE, pages 1 - 14 *
江林，等: "基于rs-fMRI的二值化度中心度和加权度中心度 对伴中央颞区棘波儿童自限性癫痫脑功能网络的研究", 磁共振成像, vol. 14, no. 1, pages 36 - 40 *

Also Published As

Publication number Publication date
CN116584900B (zh) 2023-10-31
CN117338244A (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN109916628B (zh) 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法
Qu et al. Improvement in seizure detection performance by automatic adaptation to the EEG of each patient
CN108073158A (zh) 基于pca和knn密度算法风电机组轴承故障诊断方法
CN111150393B (zh) 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法
Dayan et al. Selective Bayes: Attentional load and crowding
CN114090396A (zh) 一种云环境多指标无监督异常检测和根因分析方法
CN108814618B (zh) 一种运动状态的识别方法、装置及终端设备
CN113361944B (zh) 基于物联网和人工智能的安全生产指标异常快速感知方法
CN113662560B (zh) 发作间期痫样放电的检测方法、存储介质和设备
CN115982602A (zh) 一种光伏变压器电故障检测方法
CN109829412A (zh) 基于动态模式分解分形特征的局部放电模式识别方法
US20160045120A1 (en) Systems and methods for spike sorting
EP4001936A1 (en) Automatic partial discharge and noise signals separation using arithmetic coding in time domain and magnitude distributions in frequency domain
CN116584900B (zh) 信号稳定状态的检测方法、检测模型、癫痫检测装置
CN113974653B (zh) 基于约登指数优化棘波检测方法和装置、存储介质和终端
Kim et al. Perceptual texture dimensions modulate neuronal response dynamics in visual cortical area V4
CN117557566B (zh) 基于图像特征的电子烟发热丝质量智能检测方法
CN117523299B (zh) 一种基于计算机网络图像识别方法、系统和存储介质
CN117708760A (zh) 基于多模型融合的开关柜多源局放模式识别方法及系统
CN113341283A (zh) 一种变压器套管局部放电模式识别方法
Nollo et al. An automatic system for the analysis and classification of human atrial fibrillation patterns from intracardiac electrograms
Qadri et al. Removal of environmental and operational effects in damage detection: A comparative study with an operating wind turbine
Luczak et al. Spectral representation—analyzing single-unit activity in extracellularly recorded neuronal data without spike sorting
Xie et al. Feature extraction via dynamic PCA for epilepsy diagnosis and epileptic seizure detection
Chandra et al. Neuromuscular disease detection employing 1D-local binary pattern of electromyography signals

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