CN116999075A - 一种基于颅内电刺激定位致痫灶的建模方法及系统 - Google Patents
一种基于颅内电刺激定位致痫灶的建模方法及系统 Download PDFInfo
- Publication number
- CN116999075A CN116999075A CN202310983285.4A CN202310983285A CN116999075A CN 116999075 A CN116999075 A CN 116999075A CN 202310983285 A CN202310983285 A CN 202310983285A CN 116999075 A CN116999075 A CN 116999075A
- Authority
- CN
- China
- Prior art keywords
- data
- brain network
- ccep
- electrical stimulation
- patient
- 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
- 230000000638 stimulation Effects 0.000 title claims abstract description 36
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 23
- 230000006698 induction Effects 0.000 title claims abstract description 22
- 210000004556 brain Anatomy 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000002397 epileptogenic effect Effects 0.000 claims abstract description 21
- 230000000763 evoking effect Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 206010010904 Convulsion Diseases 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 230000004807 localization Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims description 4
- 230000001037 epileptic effect Effects 0.000 abstract description 10
- 238000012274 Preoperative evaluation Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001793 Wilcoxon signed-rank test Methods 0.000 description 2
- 230000002051 biphasic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 230000001787 epileptiform Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008062 neuronal firing Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/383—Somatosensory stimuli, e.g. electric stimulation
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
Abstract
本申请公开了一种基于颅内电刺激定位致痫灶的建模方法及系统,其中方法步骤包括:获取患者处于发作间期立体定向脑电图的CCEP数据,CCEP数据为皮质‑皮质间诱发电位数据;对CCEP数据进行预处理,得到处理后数据;基于处理后数据,提取脑网络特征;对脑网络特征进行统计学差异分析,获取差异特征;利用机器学习模型对差异特征进行训练,构建预测模型;利用预测模型,对患者致痫区进行可视化显示。本申请公开了一种通过颅内电刺激描绘致痫区域的主动介入性方法,通过减少对发作期记录的诊断依赖来降低患者在术前评估中的发病率和发病风险,缩短侵入式的术前评估周期,减轻患者长期置入颅内脑电的痛苦。
Description
技术领域
本申请涉及医学电生理辅助领域,具体涉及一种基于颅内电刺激定位致痫灶的建模方法及系统。
背景技术
手术切除致痫区域是耐药性癫痫患者最有效的治疗方案,但缺乏临床验证的生物标志物使得定位致痫区域变得困难。在过去的几十年里,立体定向脑电图(SEEG)已经成为一种标准的侵入性方法,用于在三维空间中探索深部的癫痫病灶。皮质-皮质间诱发电位(CCEP)技术是一项基于颅内电刺激的定位技术,通常是向相邻的两个硬膜下或深度电极注入电流,在其余的颅内电极上记录诱发的神经传播模式。
基于立体定向脑电图的皮质-皮质间诱发电位(CCEP)技术是一种主动介入的诱发性技术,但它复制了自发性的发作间期癫痫样放电的神经元放电模式。同时,CCEP技术能够缩短侵入性术前评估的周期,降低患者在术前监测期间因感染或反复发作而导致认知缺陷的风险,减少癫痫患者(尤其是儿童患者)长时间置入颅内电极的痛苦。作为一种更为主动的电位探测技术,CCEP有望为术前临床定位致痫区提供科学参考。
发明内容
为了协助临床医生更准确地定位致痫的核心区域及其边界,本申请提供了一种基于颅内电刺激定位致痫灶的建模方法及系统。
为实现上述目的,本申请提供了一种基于颅内电刺激定位致痫灶的建模方法,步骤包括:
获取患者处于发作间期立体定向脑电图的CCEP数据,所述CCEP数据为皮质-皮质间诱发电位数据;
对所述CCEP数据进行预处理,得到处理后数据;
基于所述处理后数据,提取脑网络特征;
对所述脑网络特征进行统计学差异分析,获取差异特征;
利用机器学习模型对所述差异特征进行训练,构建预测模型;利用所述预测模型,对患者致痫区进行可视化显示。
优选的,进行所述预处理的方法包括:去伪迹、高通滤波和截取响应片段。
优选的,提取所述脑网络特征的方法包括:基于所述处理后数据,采用低频信号的振幅均方根、锁相值、相位滞后指数和高频信号的高频峰值构建二元和加权脑网络模型;利用所述二元和加权脑网络模型提取所述脑网络特征。
优选的,采用Wilcoxon符号秩检验法对致痫区和非致痫区的所述脑网络特征进行统计学差异分析,获取所述差异特征。
优选的,采用机器学习模型,对筛选出的所述特征进行训练,并预测电极通道是否处于致痫灶,得到所述预测模型。
本申请还提供了一种基于颅内电刺激定位致痫灶的建模系统,包括:采集模块、预处理模块、提取模块、分析模块和构建模块;
所述采集模块用于获取患者处于发作间期立体定向脑电图的CCEP数据,所述CCEP数据为皮质-皮质间诱发电位数据;
所述预处理模块用于对所述CCEP数据进行预处理,得到处理后数据;
所述提取模块用于基于所述处理后数据,提取脑网络特征;
所述分析模块用于对所述脑网络特征进行统计学差异分析,获取差异特征;
所述构建模块用于利用机器学习模型对所述差异特征进行训练,构建预测模型;利用所述预测模型,对患者致痫区进行可视化显示。
优选的,所述提取模块的工作流程包括:基于所述处理后数据,采用低频信号的振幅均方根、锁相值、相位滞后指数和高频信号的高频峰值构建二元和加权脑网络模型;利用所述二元和加权脑网络模型提取所述脑网络特征。
优选的,所述分析模块的工作流程包括:采用Wilcoxon符号秩检验法对致痫区和非致痫区的所述脑网络特征进行统计学差异分析,获取所述差异特征。
现有技术相比,本申请的有益效果如下:
本申请公开了一种通过颅内电刺激描绘致痫区域的主动介入性方法,通过减少对发作期记录的诊断依赖来降低患者在术前评估中的发病率和发病风险,缩短侵入式的术前评估周期,减轻患者长期置入颅内脑电的痛苦。采用颅内电刺激放大发作间期的致痫信号,协助医生对致痫区进行判断,实施切除手术。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的方法流程示意图;
图2为本申请实施例的连通性可视化示意图;其中,图A为邻接矩阵,纵轴是刺激电极,横轴是记录电极,矩阵内的颜色是RMS值;在虚线框中标记的示例刺激结果显示在图C图中;图B为表面视图,在三维表面视图上显示所有节点和连接;图C为在植入电极周围的个体体积空间中显示刺激响应的RMS值;
图3为本申请实施例的预测通道致痫性的机器学习模型的性能比较示意图;
图4为本申请实施例的个体定位致痫区的可视化示意图;其中,图A、B分别为患者5和患者8的个体定位致痫区的可视化示意图;
图5为本申请实施例的系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
如图1所示,为本实施例的方法流程示意图,步骤包括:
S1.获取患者处于发作间期立体定向脑电图的CCEP数据,CCEP数据为皮质-皮质间诱发电位数据。
本实施例以17例预后良好的癫痫患者实施皮质-皮质间诱发电位的定位方法为例。使用立体定向技术置入SEEG电极,每根电极上有8-16个电极点,每个电极点之间有固定的间距。SEEG的采样率为2000Hz。在SEEG电极置入24小时后,让患者保持清醒并躺在床上休息,将低频电刺激施加到相邻电极对。电刺激由一个4mA的恒流双相方波脉冲组成,刺激间隔为1s,脉冲频率为0.5Hz,每个电极对总共49个脉冲。由此获取患者处于发作间期立体定向脑电图(SEEG)的CCEP数据,CCEP数据为皮质-皮质间诱发电位数据。
S2.对CCEP数据进行预处理,得到处理后数据。
采用去伪迹、高通滤波和截取响应片段的方式对CCEP数据进行预处理,具体步骤包括:使用高通滤波器(>0.1Hz)去除线性漂移。从刺激开始的最初7ms的时间段被刺激伪影所掩盖,因此,在本实施例中,排除了刺激开始后最初的7ms的CCEP响应片段,选取的CCEPs时间段范围为7~300ms,得到处理后数据。
S3.基于处理后数据,提取脑网络特征。
为了量化CCEP响应的大小,本实施例选择计算均方根(RMS)、锁相值(PLV)、相位滞后指数(PLI)作为平均响应大小的度量。以低频信号的均方根(RMS)、锁相值(PLV)、相位滞后指数(PLI)和高频信号的高频强度(Hstr)为连接权重,构建了二元有效连接网络(连接强度只分有或无)和加权有效连接网络(连接权重反映了两个节点之间相互作用的强度),如图2所示。具体步骤包括:
(1)计算低频信号的RMS:
其中,t1和t2为选定的时间范围;xt为时间t的振幅,为时间t上振幅的平方。
(2)计算低频信号的PLV:
其中,N是试验次数,θ(t,d)是不同导联之间在时间t第d段试验的瞬时相位差:i是虚数单位。
PLV测量的是该相位差在t点的试验间变异性,PLV的范围是[0,1],如果试验间的相位差变化很小,则PLV接近1,否则接近零。
(3)计算低频信号的PLI:
其中,N是试验次数,是导联j和导联k之间的瞬时相位差,i是虚数单位。PLI衡量的是相位差分布的不对称性,PLI的范围是[0,1],PLI为0表示不存在耦合或耦合的相位差以0或π为中心。PLI为1表示完全锁相,两个导联之间的同步程度很强。
(4)至于高频信号的高频强度提取,本申请将电刺激前后的刺激伪迹替换为线性合并信号,在一个时间窗内获得平均的高频信号,其峰值为高频强度。
S4.对脑网络特征进行统计学差异分析,获取差异特征。
上述网络连接构建完成后,对连接矩阵进行拓扑学网络特征的计算。本实施例提取的拓扑学特征有以下6个:特征路径长度、聚类系数、介度中心性、流量系数、参与系数和离心率等,用这6个特征评估致痫区和非致痫区的脑网络拓扑学状态。具体计算步骤包括:
(1)特征路径长度CP
其中,n是网络中节点的总数目,Lpq是节点p与q之间的最短路径长度。
(2)聚类系数CC
其中,n是网络中节点的总数目,Kp是节点p的度,即与节点p连接的邻居个数,Cp是围绕在节点p附近的点形成三角形连接的数量。
(3)介度中心性BC
其中,n是网络中节点的总数目,ρhq是网络中任意节点h和q之间最短路径的总数量,ρhq(p)是h和q之间的最短路径中,经过了节点p的路径数量。
(4)流量系数FC
其中,FCp是节点p的参与系数,量化的是单个节点在不同模块内时,与模块外连接的占比大小。其中M是模块的集合,Yp(m)是节点p和模块m中所有节点之间的连接数。
(5)离心率Ecc
其中,Ecc(v)是顶点v的离心率,计算的是v和V图中其他顶点的距离的最大值,即v点和离其最远点的距离;其中,dist(v,w)是点v到w的最短距离,V是节点集合。
在上述步骤完成后,为了比较个体和群体之间的特征,本实施例将特征值转化为z分数。分别计算致痫区和非致痫区通道网络特征的平均值。采用Wilcoxon检验计算致痫区与非致痫区网络特征的统计学差异,显著性水平(p值)设为0.05。
S5.利用机器学习模型对差异特征进行训练,构建预测模型;利用预测模型,对患者致痫区进行可视化显示。
为了研究诱发癫痫区定位的诱发脑电图网络特征,根据植入脑区对电极点进行分类和标记(0:NEZ,1:EZ)。采用SMOTE平衡算法、支持向量机(SVM)、决策树(DT)、逻辑回归(LR)和Bagging模型评价致痫区的定位效果。分类结果的评价指标包括准确性、敏感性、特异性和曲线下面积(AUC)。
预测结果如下:SVM预测模型的平均准确率为93.7%,灵敏度为92.8%,特异性为94.6%,运行10个周期后的AUC为0.935;Bagging的准确率、灵敏度、特异性和AUC分别为92.6%、88.9%、96.4%、0.922。其他预测模型性能如图3所示。个体的致痫区可视化如图4所示。
实施例二
如图5所示,为本申请实施例的系统结构示意图,包括:采集模块、预处理模块、提取模块、分析模块和构建模块。其中,采集模块用于获取患者处于发作间期立体定向脑电图的CCEP数据,CCEP数据为皮质-皮质间诱发电位数据;预处理模块用于对CCEP数据进行预处理,得到处理后数据;提取模块用于基于处理后数据,提取脑网络特征;分析模块用于对脑网络特征进行统计学差异分析,获取差异特征;构建模块用于利用机器学习模型对差异特征进行训练,构建预测模型;利用预测模型,对患者致痫区进行可视化显示。
下面将结合本实施例,详细说明本申请如何解决实际生活中的技术问题。
首先,利用采集模块获取患者处于发作间期立体定向脑电图的CCEP数据,CCEP数据为皮质-皮质间诱发电位数据。
本实施例以17例预后良好的癫痫患者实施皮质-皮质间诱发电位的定位方法为例。使用立体定向技术置入SEEG电极,每根电极上有8-16个电极点,每个电极点之间有固定的间距。SEEG的采样率为2000Hz。在SEEG电极置入24小时后,让患者保持清醒并躺在床上休息,将低频电刺激施加到相邻电极对。电刺激由一个4mA的恒流双相方波脉冲组成,刺激间隔为1s,脉冲频率为0.5Hz,每个电极对总共49个脉冲。由此获取患者处于发作间期立体定向脑电图(SEEG)的CCEP数据,CCEP数据为皮质-皮质间诱发电位数据。
之后,之后利用预处理模块对CCEP数据进行预处理,得到处理后数据。
采用去伪迹、高通滤波和截取响应片段的方式对CCEP数据进行预处理,具体流程包括:使用高通滤波器(>0.1Hz)去除线性漂移。从刺激开始的最初7ms的时间段被刺激伪影所掩盖,因此,在本实施例中,排除了刺激开始后最初的7ms的CCEP响应片段,选取的CCEPs时间段范围为7~300ms,得到处理后数据。
提取模块基于处理后数据,提取脑网络特征。
为了量化CCEP响应的大小,本实施例选择计算均方根(RMS)、锁相值(PLV)、相位滞后指数(PLI)作为平均响应大小的度量。以低频信号的均方根(RMS)、锁相值(PLV)、相位滞后指数(PLI)和高频信号的高频强度(Hstr)为连接权重,构建了二元有效连接网络(连接强度只分有或无)和加权有效连接网络(连接权重反映了两个节点之间相互作用的强度),如图1所示。具体流程包括:
(1)计算低频信号的RMS:
其中,t1和t2为选定的时间范围;xt为时间t的振幅,为时间t上振幅的平方。
(2)计算低频信号的PLV:
其中,N是试验次数,θ(t,d)是不同导联之间在时间t第d段试验的瞬时相位差:i是虚数单位。
PLV测量的是该相位差在t点的试验间变异性,PLV的范围是[0,1],如果试验间的相位差变化很小,则PLV接近1,否则接近零。
(3)计算低频信号的PLI:
其中,N是试验次数,是导联j和导联k之间的瞬时相位差,i是虚数单位。PLI衡量的是相位差分布的不对称性,PLI的范围是[0,1],PLI为0表示不存在耦合或耦合的相位差以0或π为中心。PLI为1表示完全锁相,两个导联之间的同步程度很强。
(4)至于高频信号的高频强度提取,本申请将电刺激前后的刺激伪迹替换为线性合并信号,在一个时间窗内获得平均的高频信号,其峰值为高频强度。
分析模块对脑网络特征进行统计学差异分析,获取差异特征。
上述网络连接构建完成后,对连接矩阵进行拓扑学网络特征的计算。本实施例提取的拓扑学特征有以下6个:特征路径长度、聚类系数、介度中心性、流量系数、参与系数和离心率等,用这6个特征评估致痫区和非致痫区的脑网络拓扑学状态。具体计算流程包括:
(1)特征路径长度CP
其中,n是网络中节点的总数目,Lpq是节点p与q之间的最短路径长度。
(2)聚类系数CC
其中,n是网络中节点的总数目,Kp是节点p的度,即与节点p连接的邻居个数,Cp是围绕在节点p附近的点形成三角形连接的数量。
(3)介度中心性BC
其中,n是网络中节点的总数目,ρhq是网络中任意节点h和q之间最短路径的总数量,ρhq(p)是h和q之间的最短路径中,经过了节点p的路径数量。
(4)流量系数FC
其中,FCp是节点p的参与系数,量化的是单个节点在不同模块内时,与模块外连接的占比大小。其中M是模块的集合,Yp(m)是节点p和模块m中所有节点之间的连接数。
(5)离心率Ecc
其中,Ecc(v)是顶点v的离心率,计算的是v和V图中其他顶点的距离的最大值,即v点和离其最远点的距离;其中,dist(v,w)是点v到w的最短距离,V是节点集合。
在上述流程完成后,为了比较个体和群体之间的特征,本实施例将特征值转化为z分数。分别计算致痫区和非致痫区通道网络特征的平均值。采用Wilcoxon检验计算致痫区与非致痫区网络特征的统计学差异,显著性水平(p值)设为0.05。
最后,构建模块利用机器学习模型对特征进行训练,构建预测模型;利用预测模型,对患者致痫区进行可视化显示。
为了研究诱发癫痫区定位的诱发脑电图网络特征,根据植入脑区对电极点进行分类和标记(0:NEZ,1:EZ)。采用SMOTE平衡算法、支持向量机(SVM)、决策树(DT)、逻辑回归(LR)和Bagging模型评价致痫区的定位效果。分类结果的评价指标包括准确性、敏感性、特异性和曲线下面积(AUC)。
预测结果如下:SVM预测模型的平均准确率为93.7%,灵敏度为92.8%,特异性为94.6%,运行10个周期后的AUC为0.935;Bagging的准确率、灵敏度、特异性和AUC分别为92.6%、88.9%、96.4%、0.922。其他预测模型性能如图3所示。个体的致痫区可视化如图4所示。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (8)
1.一种基于颅内电刺激定位致痫灶的建模方法,其特征在于,步骤包括:
获取患者处于发作间期立体定向脑电图的CCEP数据,所述CCEP数据为皮质-皮质间诱发电位数据;
对所述CCEP数据进行预处理,得到处理后数据;
基于所述处理后数据,提取脑网络特征;
对所述脑网络特征进行统计学差异分析,获取差异特征;
利用机器学习模型对所述差异特征进行训练,构建预测模型;利用所述预测模型,对患者致痫区进行可视化显示。
2.根据权利要求1所述的基于颅内电刺激定位致痫灶的建模方法,其特征在于,进行所述预处理的方法包括:去伪迹、高通滤波和截取响应片段。
3.根据权利要求1所述的基于颅内电刺激定位致痫灶的建模方法,其特征在于,提取所述脑网络特征的方法包括:基于所述处理后数据,采用低频信号的振幅均方根、锁相值、相位滞后指数和高频信号的高频峰值构建二元和加权脑网络模型;利用所述二元和加权脑网络模型提取所述脑网络特征。
4.根据权利要求1所述的基于颅内电刺激定位致痫灶的建模方法,其特征在于,采用Wilcoxon符号秩检验法对致痫区和非致痫区的所述脑网络特征进行统计学差异分析,获取所述差异特征。
5.根据权利要求1所述的基于颅内电刺激定位致痫灶的建模方法,其特征在于,采用机器学习模型,对筛选出的所述特征进行训练,并预测电极通道是否处于致痫灶,得到所述预测模型。
6.一种基于颅内电刺激定位致痫灶的建模系统,其特征在于,包括:采集模块、预处理模块、提取模块、分析模块和构建模块;
所述采集模块用于获取患者处于发作间期立体定向脑电图的CCEP数据,所述CCEP数据为皮质-皮质间诱发电位数据;
所述预处理模块用于对所述CCEP数据进行预处理,得到处理后数据;
所述提取模块用于基于所述处理后数据,提取脑网络特征;
所述分析模块用于对所述脑网络特征进行统计学差异分析,获取差异特征;
所述构建模块用于利用机器学习模型对所述差异特征进行训练,构建预测模型;利用所述预测模型,对患者致痫区进行可视化显示。
7.根据权利要求6所述的基于颅内电刺激定位致痫灶的建模系统,其特征在于,所述提取模块的工作流程包括:基于所述处理后数据,采用低频信号的振幅均方根、锁相值、相位滞后指数和高频信号的高频峰值构建二元和加权脑网络模型;利用所述二元和加权脑网络模型提取所述脑网络特征。
8.根据权利要求6所述的基于颅内电刺激定位致痫灶的建模系统,其特征在于,所述分析模块的工作流程包括:采用Wilcoxon符号秩检验法对致痫区和非致痫区的所述脑网络特征进行统计学差异分析,获取所述差异特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310983285.4A CN116999075A (zh) | 2023-08-07 | 2023-08-07 | 一种基于颅内电刺激定位致痫灶的建模方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310983285.4A CN116999075A (zh) | 2023-08-07 | 2023-08-07 | 一种基于颅内电刺激定位致痫灶的建模方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116999075A true CN116999075A (zh) | 2023-11-07 |
Family
ID=88575853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310983285.4A Pending CN116999075A (zh) | 2023-08-07 | 2023-08-07 | 一种基于颅内电刺激定位致痫灶的建模方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116999075A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
US20160287118A1 (en) * | 2015-04-01 | 2016-10-06 | The Johns Hopkins University | Computational tool for pre-surgical evaluation of patients with medically refractory epilepsy |
US20180279939A1 (en) * | 2015-06-09 | 2018-10-04 | The Children's Medical Center Corporation | Method and system for locating seizure focus from interictal data |
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 |
US20220039716A1 (en) * | 2020-08-07 | 2022-02-10 | Dalian University Of Technology | Calibration method for critical point of mental fatigue based on self-organized criticality |
CN115644892A (zh) * | 2022-11-11 | 2023-01-31 | 中国科学院深圳先进技术研究院 | 基于深度学习和电生理信号的癫痫病灶区定位系统及方法 |
-
2023
- 2023-08-07 CN CN202310983285.4A patent/CN116999075A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
US20160287118A1 (en) * | 2015-04-01 | 2016-10-06 | The Johns Hopkins University | Computational tool for pre-surgical evaluation of patients with medically refractory epilepsy |
US20180279939A1 (en) * | 2015-06-09 | 2018-10-04 | The Children's Medical Center Corporation | Method and system for locating seizure focus from interictal data |
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 |
US20220039716A1 (en) * | 2020-08-07 | 2022-02-10 | Dalian University Of Technology | Calibration method for critical point of mental fatigue based on self-organized criticality |
CN115644892A (zh) * | 2022-11-11 | 2023-01-31 | 中国科学院深圳先进技术研究院 | 基于深度学习和电生理信号的癫痫病灶区定位系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zelmann et al. | A comparison between detectors of high frequency oscillations | |
US8190249B1 (en) | Multi-parametric quantitative analysis of bioelectrical signals | |
EP2498676B1 (en) | Brain activity as a marker of disease | |
CN109640810B (zh) | 调整患者脑中的致癫痫性的方法 | |
CN106974621B (zh) | 一种基于脑电信号重心频率的视觉诱导晕动症检测方法 | |
Freestone et al. | Electrical probing of cortical excitability in patients with epilepsy | |
CN106264510B (zh) | 一种筛选手术患者的建模方法 | |
CN110799097A (zh) | 用于分析侵入式脑部刺激的方法及系统 | |
CN105701336B (zh) | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 | |
CN109222906B (zh) | 一种基于脑部电信号构建疼痛状态预测模型的方法 | |
CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
CN113288168A (zh) | 一种智能可穿戴疲劳监测及预警系统 | |
CN105193412B (zh) | 一种用于经颅磁刺激大脑诱发脑电伪迹去除的方法 | |
CN103405225A (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
CN113143296B (zh) | 沟通障碍的智能评估方法及评估系统 | |
US20210106247A1 (en) | Methods and Apparatus for Detection and Imaging of Epileptogenicity from Scalp High-Frequency Oscillations | |
CN116999075A (zh) | 一种基于颅内电刺激定位致痫灶的建模方法及系统 | |
CN113558637B (zh) | 一种基于相位传递熵的音乐感知下脑网络构建方法 | |
CN115089114A (zh) | 一种基于信号形态特征的癫痫高频振荡信号检测方法 | |
Lai et al. | Channel-wise characterization of high frequency oscillations for automated identification of the seizure onset zone | |
CN115363523A (zh) | 一种癫痫发作区定位系统、设备及介质 | |
Manganas et al. | Brain structural and functional representation based on the local global graph methodology | |
CN114587386A (zh) | 处理皮层-皮质间诱发电位的病理网络连接方法 | |
Karimi et al. | Designing an intelligent system to detect stress levels during driving. | |
CN110269610A (zh) | 一种脑电异常信号的预警装置 |
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 |