CN117033988A - 基于神经电信号的癫痫样棘波处理方法和装置 - Google Patents

基于神经电信号的癫痫样棘波处理方法和装置 Download PDF

Info

Publication number
CN117033988A
CN117033988A CN202311262928.2A CN202311262928A CN117033988A CN 117033988 A CN117033988 A CN 117033988A CN 202311262928 A CN202311262928 A CN 202311262928A CN 117033988 A CN117033988 A CN 117033988A
Authority
CN
China
Prior art keywords
window
signal
spike
doubt
epileptiform
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
CN202311262928.2A
Other languages
English (en)
Other versions
CN117033988B (zh
Inventor
王兆祥
李姗
张军阳
崔健
张瑜
蒋田仔
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202311262928.2A priority Critical patent/CN117033988B/zh
Publication of CN117033988A publication Critical patent/CN117033988A/zh
Application granted granted Critical
Publication of CN117033988B publication Critical patent/CN117033988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • 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
    • A61B5/40—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

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

Abstract

本申请涉及一种基于神经电信号的癫痫样棘波处理方法和装置。所述方法包括：基于原始神经电信号获取待检测信号；将待检测信号分割为连续的初始窗口信号；基于预设的癫痫样棘波检测的窗口检测阈值，从初始窗口信号中检出存在疑似癫痫样棘波的存疑窗口信号；计算存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算存疑窗口信号的半高宽；基于计算出的平均频率、半高宽和预设的判定条件，对存疑窗口信号进行复检，得到目标癫痫样棘波发放时间序列；对照目标癫痫样棘波发放时间序列，从原始神经电信号中提取得到癫痫样棘波信号。本方法适用于频率变化及幅值变化较大的神经电信号，能够解决癫痫样棘波误检率和漏检率较高的问题。

Description

基于神经电信号的癫痫样棘波处理方法和装置
技术领域
本申请涉及神经科学技术领域，特别是涉及一种基于神经电信号的癫痫样棘波处理方法和装置。
背景技术
癫痫发作的典型特征为神经元群体异常同步的动作电位发放，导致在神经电信号（如头皮脑电（electroencephalogram，EEG）、皮层脑电（electrocorticography, ECoG）或深部脑组织的电信号等）中形成癫痫样棘波。癫痫样棘波与正常的神经电信号波形不同，通常包括高幅度、短时程和高频率成分。癫痫样棘波通常出现在颞叶癫痫患者中，但也可能出现在其他类型的癫痫患者身上。因此，癫痫样棘波在癫痫的研究中具有非常重要的作用。
目前，传统的癫痫样棘波检测和分类主要依靠专业医师的人工观察和判断，其判断结果受主观因素影响，准确性难以把控。随着医疗技术的不断发展，关于癫痫样棘波的检测和分类的研究也越来越深入。目前已经提出了一些算法，用于癫痫样棘波的检测和识别，其中包括：幅值阈值法、海岸线法等。
其中，幅值阈值法是应用最广泛的一种算法。由于癫痫样棘波是大量神经元同步发放动作电位形成的，其最显著的特征就是会在细胞外记录的神经电信号中形成大幅度的负向尖波。幅值阈值法的基本原理就是通过将神经电信号中的振幅与设定的阈值进行比较，当信号振幅超过阈值时，即判定为癫痫样棘波。该方法具有简单、快速的优势，并且可以实现实时监测。但是，由于神经电信号的复杂性，信号的阈值很难设置得准确，导致误检率和漏检率较高。
发明内容
基于此，有必要针对上述技术问题，提供一种具有较高的癫痫样棘波检出率和较低的误检率的基于神经电信号的癫痫样棘波处理方法和装置。
第一方面，本申请提出一种基于神经电信号的癫痫样棘波处理方法，所述方法包括：
基于原始神经电信号获取待检测信号；
基于预设的窗口宽度将所述待检测信号分割为连续的初始窗口信号；基于预设的癫痫样棘波检测的窗口检测阈值，对各个所述初始窗口信号进行初检，得到存在疑似所述癫痫样棘波的存疑窗口信号；
计算所述存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算所述存疑窗口信号的半高宽；基于计算出的所述平均频率、所述半高宽和预设的判定条件，对所述存疑窗口信号进行复检，基于复检结果得到目标癫痫样棘波发放时间序列；
对照所述目标癫痫样棘波发放时间序列，从所述原始神经电信号中提取得到癫痫样棘波信号。
在其中一个实施例中，所述方法还包括：
计算所述癫痫样棘波信号的多域混合特征，所述多域混合特征包括非线性特征、时域特征和频域特征；
基于所述多域混合特征对所述癫痫样棘波信号的类型进行识别。
在其中一个实施例中，基于原始神经电信号获取待检测信号，包括：
获取原始神经电信号，采用简单移动平均法对所述原始神经电信号进行平滑处理，得到待检测信号。
在其中一个实施例中，所述基于预设的癫痫样棘波检测的窗口检测阈值，对各个所述初始窗口信号进行初检，得到存在疑似所述癫痫样棘波的存疑窗口信号，包括：
依次计算各个所述初始窗口信号的极差，若所述极差大于预设的癫痫样棘波检测的窗口检测阈值，将所述极差对应的所述初始窗口信号记为存疑窗口信号。
在其中一个实施例中，所述癫痫样棘波检测的窗口检测阈值基于各个所述初始窗口信号的标准差的均值计算得到。
在其中一个实施例中，所述计算所述存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算所述存疑窗口信号的半高宽；基于计算出的所述平均频率、所述半高宽和预设的判定条件，对所述存疑窗口信号进行复检，基于复检结果得到目标癫痫样棘波发放时间序列，包括：
针对每一个所述存疑窗口信号，从所述存疑窗口信号内及其附近的数据中检索最小值点，以所述最小值点对应的时刻作为癫痫样棘波的发放时刻，得到初始癫痫样棘波发放时间序列；
计算所述存疑窗口信号的前一个窗口中信号的第一平均频率，和后一个窗口中信号的第二平均频率；基于所述第一平均频率和所述第二平均频率与预设的平均频率阈值的大小关系，判断出被误检的所述存疑窗口信号，将被误检的所述存疑窗口信号的所述最小值点从所述初始癫痫样棘波发放时间序列中剔除，得到更新癫痫样棘波发放时间序列；
计算所述更新癫痫样棘波发放时间序列中对应的所述存疑窗口信号的半高宽，基于所述半高宽与预设的半高宽阈值范围的大小关系，将所述更新癫痫样棘波发放时间序列中的误检数据进行剔除，得到目标癫痫样棘波发放时间序列。
在其中一个实施例中，所述针对每一个所述存疑窗口信号，从所述存疑窗口信号内及其附近的数据中检索最小值点，以所述最小值点对应的时刻作为癫痫样棘波的发放时刻，得到初始癫痫样棘波发放时间序列，包括：
针对每一个所述存疑窗口信号，检索所述存疑窗口信号内的最小值点；
判断所述最小值点是否位于所述存疑窗口信号的边界；
若所述最小值点位于所述存疑窗口信号的边界，则在所述边界处向外拓展预设拓展宽度的窗口，在所述预设拓展宽度的窗口内继续检索所述最小值点，得到目标最小值点；
若所述最小值点并非位于所述存疑窗口信号的边界，则令所述存疑窗口内的所述最小值点为目标最小值点；
基于各个所述存疑窗口信号对应的所述目标最小值点，得到初始癫痫样棘波发放时间序列。
在其中一个实施例中，所述计算所述更新癫痫样棘波发放时间序列中对应的所述存疑窗口信号的半高宽，基于所述半高宽与预设的半高宽阈值范围的大小关系，将所述更新癫痫样棘波发放时间序列中的误检数据进行剔除，得到目标癫痫样棘波发放时间序列，包括：
以所述更新癫痫样棘波发放时间序列中的每一个所述最小值点的时刻为基准，向前设置第一检测窗口，向后设置第二检测窗口；
在所述第一检测窗口内检索所述待检测信号的第一最大值点，在所述第二检测窗口内检索所述待检测信号的第二最大值点；
计算第一最大值点和所述最小值点之间的幅值差，得到降支幅值；计算第二最大值点和所述最小值点之间的幅值差，得到升支幅值；基于所述降支幅值和所述升支幅值计算得到所述存疑窗口信号的半高宽；
若计算出的所述半高宽在预设的半高宽阈值范围内，则保留所述存疑窗口信号对应的所述最小值点；若计算出的所述半高宽超出所述预设的半高宽阈值范围时，从所述更新癫痫样棘波发放时间序列中删除所述存疑窗口信号对应的所述最小值点，得到目标癫痫样棘波发放时间序列。
在其中一个实施例中，所述对照所述目标癫痫样棘波发放时间序列，从所述原始神经电信号中提取得到癫痫样棘波信号，包括：
在所述原始神经电信号中找到所述目标癫痫样棘波发放时间序中的每一个所述最小值点，以及所述最小值点前后附近的所述第一最大值点和第二最大值点；
从所述原始神经电信号中提取出包含所述最小值点、所述第一最大值点和第二最大值点三个时刻的一段信号，得到癫痫样棘波信号。
第二方面，本申请还提供了一种基于神经电信号的癫痫样棘波处理装置，所述装置包括：
获取待检测信号模块，用于基于原始神经电信号获取待检测信号；
初检模块，用于基于预设的窗口宽度将所述待检测信号分割为连续的初始窗口信号；基于预设的癫痫样棘波检测的窗口检测阈值，对各个所述初始窗口信号进行初检，得到存在疑似所述癫痫样棘波的存疑窗口信号；
复检模块，用于计算所述存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算所述存疑窗口信号的半高宽；基于计算出的所述平均频率、所述半高宽和预设的判定条件，对所述存疑窗口信号进行复检，基于复检结果得到目标癫痫样棘波发放时间序列；
提取癫痫样棘波模块，用于对照所述目标癫痫样棘波发放时间序列，从所述原始神经电信号中提取得到癫痫样棘波信号。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的基于神经电信号的癫痫样棘波处理方法。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的基于神经电信号的癫痫样棘波处理方法。
上述基于神经电信号的癫痫样棘波处理方法和装置，通过预设的窗口宽度将所述待检测信号分割为连续的初始窗口信号；基于预设的癫痫样棘波检测的窗口检测阈值，对各个所述初始窗口信号进行初检，得到存在疑似所述癫痫样棘波的存疑窗口信号；计算所述存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算所述存疑窗口信号的半高宽；基于计算出的所述平均频率、所述半高宽和预设的判定条件，对所述存疑窗口信号进行复检，基于复检结果得到目标癫痫样棘波发放时间序列；对照所述目标癫痫样棘波发放时间序列，从所述原始神经电信号中提取得到癫痫样棘波信号，能够基于窗口法，根据待检测信号的平均频率和半高宽筛选癫痫样棘波，不受信号幅值大小的限制，适用于频率变化及幅值变化较大的情况，有助于更加精准的检测到神经电信号中的癫痫样棘波信号；解决了在信号处理过程中对癫痫样棘波误检率和漏检率较高问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为一个实施例中基于神经电信号的癫痫样棘波处理方法的硬件结构框图；
图2为一个实施例中基于神经电信号的癫痫样棘波处理方法的流程示意图；
图3为一个实施例中划窗和阈值检测过程示意图；
图4为一个优选实施例中基于神经电信号的癫痫样棘波处理方法的流程图；
图5为4-AP和PTX诱导的癫痫样放电信号示意图；
图6为4-AP和PTX诱导的癫痫样放电的波形特征示意图；
图7为传统的阈值法造成的漏检和误检的示意图；
图8为4-AP及PTX两种癫痫波的多域混合特征对比图；
图9为一个实施例中基于神经电信号的癫痫样棘波处理装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计、制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的基于神经电信号的癫痫样棘波处理方法的硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的基于神经电信号的癫痫样棘波处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（NetworkInterface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种基于神经电信号的癫痫样棘波处理方法，图2是本实施例的基于神经电信号的癫痫样棘波处理方法的流程示意图，如图2所示，该流程包括如下步骤：
步骤S210，基于原始神经电信号获取待检测信号。
实际应用时，本申请实施例获取原始神经电信号的方式，包括但不限于是从预先存储了神经电信号的数据库中获取满足要求的原始神经电信号；也可以是从网络平台下载满足要求的原始神经电信号；还可以是根据需求生成对应的原始神经电信号等等，本申请实施例对原始神经电信号的获取方式不作限定。
其中，该原始神经电信号可能为动物体的正常神经电信号，也可能为存在癫痫样棘波的神经电信号，本实施例基于对癫痫样棘波发放时刻的检测，可以对原始神经电信号是否存在癫痫样棘波进行判断，也可以从原始神经电信号中准确提取存在的癫痫样棘波信号。示例性的，原始神经电信号取自于神经电信号数据库，该原始神经电信号为预先存储在数据库中的成年雄性SD大鼠（Sprague Dawley，SD）（250–330g）癫痫发作时的神经电信号。
具体的，原始神经电信号中，包含了很多背景噪声，这些噪声会一定程度上干扰后续的信号处理过程。采用移动平均法（Moving average，MA）对获取的原始神经电信号进行平滑处理，在一定程度上抑制背景噪声和低频的局部场电位（Local Field Potential，LFP）对癫痫样棘波检测的干扰。使用移动平均法，通过一个滑动窗口计算原始神经电信号中相邻数据点的局部平均值，依次处理整段原始神经电信号，将计算得到的局部平均值作为待检测信号的数据值，得到待检测信号。
步骤S220，基于预设的窗口宽度将待检测信号分割为连续的初始窗口信号；基于预设的癫痫样棘波检测的窗口检测阈值Th，对各个初始窗口信号进行初检，得到存在疑似癫痫样棘波的存疑窗口信号。
具体的，根据预设的窗口宽度w1，对待检测信号进行分割，将整段待检测信号依次分割为一系列宽度为w1并且无重叠的初始窗口信号。计算初始窗口信号各数据点的极差，也就是最大值与最小值之间的差值：max-min。若对一段初始时刻为t的窗口数据[t,t+w1]，有（max-min）>Th，判定该窗口为疑似存在癫痫样棘波发放的窗口，将对应的初始窗口信号记为存疑窗口信号。其中，窗口检测阈值Th可以根据待检测信号的特点自动计算获得，也可以根据先验知识人为设置。
参见图3，设置窗口宽度w1=2.5ms，对待检测信号进行分割，得到a、b、c、d和e五段初始窗口信号，其中a、b、c和d段初始窗口信号的极差大于窗口检测阈值Th，则a、b、c和d段初始窗口信号被判定为存在疑似癫痫样棘波的存疑窗口信号。
步骤S230，计算存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算存疑窗口信号的半高宽；基于计算出的平均频率、半高宽和预设的判定条件，对存疑窗口信号进行复检，基于复检结果得到目标癫痫样棘波发放时间序列。
具体的，先通过平均频率进行首次复检，具体过程为，根据存疑窗口信号获得疑似癫痫样棘波的波谷点，对波谷点之前一个窗口宽度w1内的信号进行快速傅里叶（FFT）变换，得到信号的频率幅值，计算平均频率大小v1；再对疑似癫痫样棘波波谷点之后的一个窗口宽度w1内的信号进行行快速傅里叶（FFT）变换，得到信号的频率幅值，计算平均频率大小v2。若v1及v2均小于预设的平均频率阈值p，则进行下一步的再次复检，否则将该疑似癫痫样棘波波谷点判定为误检，不进行下一步的再次复检。
再次复检具体过程为，设置第一检测窗口和第二检测窗口，针对首次检测后筛选出的疑似癫痫样棘波的波谷点，从波谷点开始，向前在第一检测窗口内检索最大值点R，向后在第二检测窗口内检索最大值点S；根据点R和点S，获得疑似癫痫样棘波的降支幅值和升支幅值；根据降支幅值和升支幅值，计算得到疑似癫痫样棘波的半高宽t；若满足：t1>t>t2，（其中t1预设的半高宽上限阈值，t2为预设的半高宽下限阈值），则将该疑似癫痫样棘波判定为真实癫痫样棘波，即目标癫痫样棘波，基于目标癫痫样棘波的波谷点得到目标癫痫样棘波发放时间序列。
步骤S240，对照目标癫痫样棘波发放时间序列，从原始神经电信号中提取得到癫痫样棘波信号。
具体的，根据待检测信号中全部检出的癫痫样棘波的波谷点、R点和S点，在原始神经电信号中找到与该波谷点对应的最小值点、与R点对应的前最大值点和与S点对应的后最大值点；将依次包含前最大值点、最小值点和后最大值点的信号作为癫痫样棘波的波形信号，将癫痫样棘波的波形信号从原始神经电信号提取出来得到癫痫样棘波信号。
该癫痫样棘波信号即为包含癫痫样棘波的一段神经信号。得到癫痫样棘波信号之后，根据该癫痫样棘波信号可以进一步进行信息处理或者分析，其处理结果或者分析结果可应用在不同场景中。
上述基于神经电信号的癫痫样棘波处理方法和装置，基于窗口法，将待检测信号分割为连续不重叠的初始窗口信号，在对该初始窗口信号进行初检后，计算疑似癫痫样棘波的存疑窗口信号的前和后窗口的平均频率和存疑窗口信号的半高宽，对初始检出的存疑癫痫样棘波进行复检，消除误检，消除误检后的存疑窗口信号对应正确的癫痫样棘波，基于消除误检后的存疑窗口信号计算得到目标癫痫样棘波发放时间序列，该方法不受信号幅值大小的限制，适用于频率变化及幅值变化较大的情况，有助于更加精准的检测到神经电信号中的癫痫样棘波信号；解决了在信号处理过程中对癫痫样棘波误检率和漏检率较高问题。
在其中一个实施例中，上述基于神经电信号的癫痫样棘波处理方法还包括以下步骤：
步骤S250，计算癫痫样棘波信号的多域混合特征，多域混合特征包括非线性特征、时域特征和频域特征。
具体的，非线性特征为癫痫样棘波信号的样本熵，计算公式如下：
；
其中，Bm(r)是两个序列在相似容限r下匹配m个点的概率，而Am(r)是两个序列匹配m+1个点的概率。
时域特征为癫痫样棘波信号的幅值，频域特征为癫痫样棘波信号的平均频率。幅值定义为癫痫样棘波的降支幅值和升支幅值的均值。平均频率的计算方法为：对信号进行快速傅里叶变换（FFT），再计算频率幅值的均值。
步骤S260，基于多域混合特征对癫痫样棘波信号的类型进行识别。
具体的，将多域混合特征输入到训练好的分类算法中，得到分类结果，其中，分类结果指示癫痫样棘波信号的类型。
其中，分类算法可利用癫痫样棘波信号的多域混合特征训练得到，具体过程为，获取训练用的癫痫数据，以训练用的癫痫数据作为原始神经电信号，执行上述步骤S210至步骤S250后得到训练用的多域混合特征，将训练用的多域多混合特征输入到XGBoost算法中进行学习训练，得到训练后的分类算法。
在本实施例中，通过创建多域多混合特征矩阵，综合考虑信号的多种特征，避免忽略信号某一方面的特征，以便做出更加准确的分类判断。
在其中一个实施例中，基于上述步骤S210，基于原始神经电信号获取待检测信号，具体可以包括以下步骤：
步骤S211，获取原始神经电信号，采用简单移动平均法对原始神经电信号进行平滑处理，得到待检测信号。
具体的，使用5点移动平均法对原始神经电信号进行平滑处理，从数据起始点开始计算原始信号中相邻5个数据点的均值，依次逐点计算整段原始信号的5点局部平均值，将计算得到的均值数组作为处理后的待检测信号。
在本实施例中，通过简单移动平均法对原始神经电信号进行高效的去噪处理，能够在一定程度上抑制背景噪声和低频的LFP对癫痫样棘波检测的干扰。
在其中一个实施例中，基于上述步骤S220，基于预设的癫痫样棘波检测的窗口检测阈值，对各个初始窗口信号进行初检，得到存在疑似癫痫样棘波的存疑窗口信号，具体可以包括以下步骤：
步骤S221，依次计算各个初始窗口信号的极差，若极差大于预设的癫痫样棘波检测的窗口检测阈值，将极差对应的初始窗口信号记为存疑窗口信号。
具体的，初始窗口信号的宽度为w1，计算窗口内数据点的极差，也就是最大值与最小值之间的差值：max-min。若对一段初始时刻为t的窗口数据[t,t+w1]，有（max-min）>Th，Th为癫痫样棘波的窗口检测阈值，则将对应的初始窗口信号记为存疑窗口信号。
在本实施例中，通过对比初始窗口信号的极差与窗口检测阈值的大小，以窗口为单位，快速筛选出波动较大的信号部分作为存疑窗口信号。
在其中一个实施例中，基于上述步骤S220，基于预设的癫痫样棘波检测的窗口检测阈值，对各个初始窗口信号进行初检，得到存在疑似癫痫样棘波的存疑窗口信号，其中，癫痫样棘波检测的窗口检测阈值基于各个初始窗口信号的标准差的均值计算得到。
具体的，当待检测信号中确定存在癫痫样棘波，但无法对其中的癫痫样棘波进行准确提取的情况下，可以基于各个初始窗口信号的标准差计算癫痫样棘波检测的窗口检测阈值。具体过程为，计算M段信号中数据点的标准差std，得到M个标准差std，将M个标准差std的均值乘以系数k，作为癫痫样棘波的窗口检测阈值Th，k一般取值范围为2-6。优选的，k的取值为3。
在本实施例中，标准差可以在一定程度上反映白噪声的波动，并且通过多个窗口标准差的均值来设置癫痫样棘波的窗口检测阈值，可以去除低频LFP漂移的影响，减小窗口检测阈值的计算误差。
在其中一个实施例中，基于上述步骤S230，计算存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算存疑窗口信号的半高宽；基于计算出的平均频率、半高宽和预设的判定条件，对存疑窗口信号进行复检，基于复检结果得到目标癫痫样棘波发放时间序列，具体可以包括以下步骤：
步骤S231，针对每一个存疑窗口信号，从存疑窗口信号内及其附近的数据中检索最小值点，以最小值点对应的时刻作为癫痫样棘波的发放时刻，得到初始癫痫样棘波发放时间序列。
参见图3，图中圆点表示波谷点，方块表示波峰点。其中a段存疑窗口信号中出现波谷点越界的情况，即在a窗口内检出的最小值并非该段波形真正的最小值，非该段波形真正的最小值位于附近的b窗口内，故需要在该段存疑窗口信号附近的数据中继续检索最小值。具体的，为避免最小值点的误检，针对每一个存疑窗口信号，先检索存疑窗口信号内的最小值点；再判断最小值点是否位于存疑窗口信号的边界；若最小值点位于存疑窗口信号的边界，则在边界处向外拓展预设拓展宽度w2的窗口，在预设拓展宽度w2的窗口内继续检索最小值点，得到目标最小值点；若最小值点并非位于存疑窗口信号的边界，则令存疑窗口内的最小值点为目标最小值点；基于各个存疑窗口信号对应的目标最小值点，得到初始癫痫样棘波发放时间序列。
步骤S232，计算存疑窗口信号的前一个窗口中信号的第一平均频率，和后一个窗口中信号的第二平均频率；基于第一平均频率和第二平均频率与预设的平均频率阈值的大小关系，判断出被误检的存疑窗口信号，将被误检的存疑窗口信号的最小值点从初始癫痫样棘波发放时间序列中剔除，得到更新癫痫样棘波发放时间序列。
具体的，以存疑窗口信号中最小值点的时刻作为基准，向前拓展一个窗口宽度w1的窗口，计算该窗口中信号的平均频率，记为第一平均频率，并向后拓展一个窗口宽度w1的窗口，计算该窗口中信号的平均频率，记为第二平均频率。
步骤S233，计算更新癫痫样棘波发放时间序列中对应的存疑窗口信号的半高宽，基于半高宽与预设的半高宽阈值范围的大小关系，将更新癫痫样棘波发放时间序列中的误检数据进行剔除，得到目标癫痫样棘波发放时间序列。
具体的，以更新癫痫样棘波发放时间序列中的每一个最小值点的时刻为基准，向前设置第一检测窗口，向后设置第二检测窗口；其中，第一检测窗口的宽度w3=1.8ms，第二检测窗口的宽度w4=2ms。
在第一检测窗口内检索待检测信号的第一最大值点，在第二检测窗口内检索待检测信号的第二最大值点；计算第一最大值点和最小值点之间的幅值差，得到降支幅值；计算第二最大值点和最小值点之间的幅值差，得到升支幅值；基于降支幅值和升支幅值计算得到存疑窗口信号的半高宽。
若计算出的半高宽在预设的半高宽阈值范围内，则保留存疑窗口信号对应的最小值点；若计算出的半高宽超出预设的半高宽阈值范围时，从更新癫痫样棘波发放时间序列中删除存疑窗口信号对应的最小值点，得到目标癫痫样棘波发放时间序列。
在本实施例中，通过两次复检更新癫痫样棘波发放时间序列，从而排除误检，得到更为精确的目标癫痫样棘波发放时间序列，解决了癫痫样棘波发放时刻检测不准确的问题。
在其中一个实施例中，基于上述步骤S240，对照目标癫痫样棘波发放时间序列，从原始神经电信号中提取得到癫痫样棘波信号，具体可以包括以下步骤：
步骤S241，在原始神经电信号中找到目标癫痫样棘波发放时间序中的每一个最小值点，以及最小值点前后附近的第一最大值点和第二最大值点。
其中，第一最大值点和第二最大值点可以直接使用上述步骤S233中计算半高宽时获得的中间参数，即以更新癫痫样棘波发放时间序列中的每一个最小值点的时刻为基准，向前设置第一检测窗口，向后设置第二检测窗口；在第一检测窗口内检索最大值点，记为第一最大值点，在第二检测窗口内检索最大值点，记为第二最大值点。
步骤S242，从原始神经电信号中提取出包含最小值点、第一最大值点和第二最大值点三个时刻的一段信号，得到癫痫样棘波信号。
具体的，根据检出的最小值点和其前后附近的第一最大值点和第二最大值点的发生时刻，针对每一个癫痫样棘波，在原始神经电信号中找到与上述3个发生时刻对应的数据点，以该数据点为中心设置一个宽度为w5的第三检测窗口。对于上述最小值点，在第三检测窗口内检索数据最小值，以检出的最小值对应的数据点作为癫痫样棘波的真实最小值点；针对第一最大值点和第二最大值点，分别在相应的第三检测窗口内检索数据的最大值，以检出的最大值对应数据点作为癫痫样棘波的真实第一最大值点和真实第二最大值点，通过上述真实最小值点、真实第一最大值点和真实第二最大值点确定癫痫样棘波的波形信号，以从原始神经电信号中提取完整的癫痫样棘波信号。
在本实施例中，通过最小值点、第一最大值点和第二最大值点三个关键点，能够提从原始神经电信号中取出相应的完整的癫痫样棘波信号，实现了癫痫样棘波的准确检测和提取，为后续对癫痫样棘波研究及进一步处理提供可靠依据。
下面通过优选实施例对本实施例进行描述和说明。
图4是本优选实施例的基于神经电信号的癫痫样棘波处理方法的流程图。
步骤S1，从数据库中获取实验记录的癫痫发作时的原始神经电信号。
具体地，本优选实施例所使用的原始神经电信号来自于成年雄性SD大鼠（250–330g）。该原始神经电信号的获取的实验过程为：大鼠经麻醉后固定于脑立体定位仪，进行动物手术，植入记录和给药针管。记录电极为16通道微电极阵列（Neuro NexusTechnologies，美国），植入至海马CA1区。记录电极采集的电信号经放大器放大100倍和A/D采样后存入硬盘，待进一步分析。A/D转换的采样率为20kHz（采样周期为0.05ms），A/D转换分辨率为16位，采样频率范围为0.3–5000Hz。给药针管同样植入海马CA1区，与记录电极相距约1mm。针管与微量注射器相连。使用4-氨基吡啶（4-aminopyridine，4-AP）诱导癫痫时，将0.5μL浓度为40mmol/L的4-AP溶液缓慢注射至CA1区，通常在4-AP注射完成约30min后CA1区的LFP中会出现周期性的癫痫样放电活动。使用印防己毒素（Picrotoxin，PTX）诱导癫痫时，每隔5min向CA1区注射浓度为4mmol/L的PTX溶液0.5μL，重复数次，通常注射总量为3μL左右时，CA1区的局部场电位（Local Field Potential，LFP）中出现持续的痫样棘波发放。正常状态下的CA1区记录的原始神经电信号、以及通过上述实验过程记录的4-AP和PTX诱导下的存在癫痫样棘波的原始神经电信号可以参见图5和图6。
其中，LFP是一种在体记录得到的深部脑神经电信号，是在特定脑区由神经元集合的电活动形成的电势变化。LFP通常在0.5Hz到200Hz的频率范围内，是一种低频电生理信号。与单个神经元动作电位不同，LFP信号来源于神经元集体电活动，这些信号由细胞膜的电流流动和周围电场影响产生。LFP通常由大量神经元同时处于同一状态而形成同步活动。
4-氨基吡啶（4-aminopyridine，4-AP）是一种钾通道阻滞剂，通过阻止神经元膜上的K+通道，增加细胞膜的去极化程度，从而引起癫痫发作。4-AP类型的癫痫信号通常表现为高频和低幅度的电信号，持续时间较短，通常在几十毫秒到几秒钟之间。
印防己毒素（Picrotoxin，PTX）是一种神经递质释放促进剂，可以引起抑制性神经递质γ-氨基丁酸（GABA）的释放，从而导致兴奋性神经递质的过度释放，引起癫痫发作。PTX发作期癫痫样活动的棘波，往往多个成串出现，形成爆发式放电模式。
步骤S2，对原始神经电信号进行降噪处理，得到待检测信号。原始神经电信号中，包含了很多背景噪声，这些噪声会一定程度上干扰后续的信号处理过程。采用移动平均法对获取的神经电信号进行平滑处理，在一定程度上抑制背景噪声和低频的LFP对癫痫样棘波检测的干扰。本优选实施例中，使用5点移动平均法（Moving average，MA）对原始记录的神经电信号进行降噪处理，从数据起始点开始计算原始信号中相邻5个数据点的均值，依次逐点计算整段原始信号的5点局部平均值，将计算得到的均值数组作为降噪后的待检测信号。
步骤S3，利用窗口法对待检测信号进行初检，得到初始癫痫样棘波发放时间序列。
具体的，如图7所示，经过降噪之后的待检测信号仍然保留了一定的低频LFP信号，LFP会在信号中引起一个低频的波动，此时如果直接采用阈值法检测癫痫样棘波会造成较多的误检和漏检。采用高通滤波的方法，虽然可以去除低频的LFP信号，但是数据中的癫痫样棘波在经过高通滤波之后会产生滤波振荡，引起大量的误检。为了解决上述问题，本优选实施例首先根据信号特点，合理设置癫痫样棘波检测的窗口宽度w1，在本优选实施例中，窗口宽度w1设置为2.5ms，对应于信号的采样率则包括51个采样点。然后对进行降噪处理后的待检测信号，按照预设的窗口宽度w1，分割信号，将整段信号依次连续地划分为一些列宽度为2.5ms的窗口，窗口之间无相互重叠，分割完成长度为N的信号将被分成M段，M为N/w1截尾取整的结果。
然后，计算依次M段信号中数据点的标准差std，得到M个标准差std，计算M个标准差std的均值，并将均值的k倍作为癫痫样棘波的窗口检测阈值Th，k一般取值范围为2-6。在本优选实施例中，k的取值为3。在部分情况下，也可以根据先验知识人为设置检测阈值Th。
接着，对这M段窗口信号，计算窗口内数据点的极差，也就是最大值与最小值之间的差值：max-min。若对一段初始时刻为t的窗口数据[t,t+w]，有（max-min）>Th，则进一步检索该信号窗口内的最小值所在时刻T，若T位于窗口边界，则基于该边界继续拓展一个宽度为w2的时间窗，在该范围内继续检索最小值点，以新检索得到的最小值点的发生时刻，更新T的值。在本优选实施例中，w2的值设置为0.8ms。处理完全部M个信号窗口后，得到初步检测的初始癫痫样棘波发放时间序列。图3中的示例展示了划窗和信号检测的过程。
步骤S4，根据待检测信号的波形特征对癫痫样棘波进行复检,得到目标癫痫样棘波发放时间序列。
具体的，初步检测出的癫痫样棘波发放时刻可能存在误检，需要根据癫痫样棘波的波形特征进行进一步的复检。首先，根据先验知识，设置癫痫样棘波复检的平均频率阈值p、半高宽上限t1及半高宽下限t2。在本优选实施例中，平均频率阈值p设置为1.7×10-2，半高宽上限t1=3.0ms，半高宽下限t2=0.5ms。
接着，根据初步检测得到的初始癫痫样棘波发放时间序列，对初步判定存在癫痫样棘波的时间窗口的前一个窗口内的数据进行快速傅里叶变换，得到该窗口信号的频率幅值，计算平均频率，记为v1；接着，对存在疑似癫痫样棘波发放的窗口的后一个窗口内的数据进行傅里叶变换，得到该窗口信号的频率幅值，计算平均频率，记为v2。若同时满足：p>v1和p>v2，则继续进行下一步的检测，否则判定该疑似癫痫样棘波为误检，将其从初始癫痫样棘波发放的时间序列中移除。
然后，在待检测信号中分别设置第一检测窗口和第二检测窗口，在本优选实施例中，第一检测窗口的宽度w3=1.8ms，第二检测窗口w4=2ms，对应于本优选实施例的采样率，分别包括了37和41个数据采样点。针对基于平均频率剔除误检后的癫痫样棘波发放时刻，以每一个时刻为基准，向前在第二检测窗口内检索数据最大值点R，向后在第二检测窗口内检索数据最大值点S；计算R点和癫痫样棘波的发生时刻所在数据点（即波谷点）之间的幅值差，作为癫痫样棘波的降支幅值；计算S点和癫痫样棘波的发生时刻所在数据点之间的幅值差，作为癫痫样棘波的升值幅值；根据降支幅值和升支幅值，计算得到疑似癫痫样棘波的半高宽t；当满足：t1>t>t2时，则将该疑似癫痫样棘波判定为真实癫痫样棘波，否则判定为误检的癫痫样棘波，将该发生时刻从初始癫痫样棘波的时间序列中移除。
根据上述步骤处理完初步检测得到的初始癫痫样棘波发放时间序列中全部的信号，得到目标癫痫样棘波发放时间序列。
步骤S5，参照目标癫痫样棘波发放时间序列，从原始神经电信号中提取癫痫样棘波信号，和癫痫样棘波信号的多域混合特征。
具体的，设置一个宽度为w5的第三检测窗口，在本优选实施例中，w5=0.2ms，包含5个采样点。根据待检测信号中检测得到的各个癫痫样棘波的波谷点、R点和S点的发生时刻，针对每一个癫痫样棘波，在原始记录信号中找到与上述3个发生时刻对应的数据点，以该数据点为中心设置一个宽度为w5的检测窗口。对于波谷点对应的数据点，在检测窗口内检索数据最小值点，作为癫痫样棘波的真实波谷点；对于R点和S点对应的数据点，分别在相应的检测窗口内检索数据的最大值点，作为癫痫样棘波的波谷前最大值点和波谷后最大值点；将上述3点包含的信号作为癫痫样棘波的波形信号。
接着，计算检测到的各个癫痫样棘波的非线性特征，本方法选取的非线性特征为癫痫样棘波的样本熵，计算公式如下：
；
其中，Bm(r)是两个序列在相似容限r下匹配m个点的概率，而Am(r)是两个序列匹配m+1个点的概率。
然后，依次计算各个癫痫样棘波的时域特征和频域特征，本方法选取的时域特征为癫痫样棘波的幅值，频域特征为癫痫样棘波信号的平均频率。幅值定义为癫痫样棘波的降支幅值和升支幅值的均值。平均频率的计算方法为：对信号进行快速傅里叶变换（FFT），再计算频率幅值的均值。图8为4-AP及PTX两种癫痫波的多域混合特征对比图。
步骤S6，基于多域混合特征实现癫痫样棘波信号的分类。
具体的，将多域混合特征输入到训练好的分类算法中，得到分类结果，其中，分类结果指示癫痫样棘波信号的类型。
其中，分类算法可利用癫痫样棘波信号的多域混合特征训练得到，具体过程为，分别将从数据库中获取的4-AP和PTX癫痫模型中记录到的信号，分成训练集和测试集。其中将4-AP和PTX癫痫模型中记录到的30%的神经电信号作为测试集，其他70%作为训练集。利用训练集中得到的多域多混合特征训练XGBoost算法。训练完成后，利用该算法对剩余各30%的信号进行分类，得到类结果。然后，计算癫痫样棘波自动检测的准确率，以检验分类结果质量；计算Macro-F1分数，Macro-F1是各类的F1分数的算数平均值，以衡量分类模型精确度。下面以二分类任务为例说明各种评价指标的计算步骤：
分类得到的混淆矩阵为：
；
准确率可以有效判断出分类总正确率，准确率的计算公式为：
；
F1分数的计算公式为：
；
其中，
；
。
通过本优选实施例，能够有效避免噪声和基线漂移对癫痫样棘波检测的干扰，对癫痫样棘波具有较高的检出率和较低的误检率；通过提取多域多混合特征，有效识别不同的癫痫发作类型和癫痫的不同发作阶段。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，在本实施例中还提供了一种基于神经电信号的癫痫样棘波处理装置，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
在其中一个实施例中，如图9所示，提供了一种基于神经电信号的癫痫样棘波处理装置，包括：获取待检测信号模块91、初检模块92、复检模块93和提取癫痫样棘波模块94，其中：
获取待检测信号模块91，用于获取原始神经电信号，对原始神经电信号进行降噪处理，得到待检测信号；
初检模块92，用于基于预设的窗口宽度将待检测信号分割为连续的初始窗口信号；基于预设的癫痫样棘波检测的窗口检测阈值，对各个初始窗口信号进行初检，得到存在疑似癫痫样棘波的存疑窗口信号；
复检模块93，用于计算存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算存疑窗口信号的半高宽；基于计算出的平均频率、半高宽和预设的判定条件，对存疑窗口信号进行复检，基于复检结果得到目标癫痫样棘波发放时间序列；
提取癫痫样棘波模块94，用于对照目标癫痫样棘波发放时间序列，从原始神经电信号中提取得到癫痫样棘波信号。
在其中一个实施例中，基于神经电信号的癫痫样棘波处理装置还包括分类模块，分类模块用于计算癫痫样棘波信号的多域混合特征，多域混合特征包括非线性特征、时域特征和频域特征；基于多域混合特征对癫痫样棘波信号的类型进行识别。
在其中一个实施例中，获取待检测信号模块91还用于获取原始神经电信号，采用简单移动平均法对原始神经电信号进行平滑处理，得到待检测信号。
在其中一个实施例中，初检模块92还用于依次计算各个初始窗口信号的极差，若极差大于预设的癫痫样棘波检测的窗口检测阈值，将极差对应的初始窗口信号记为存疑窗口信号。
在其中一个实施例中，初检模块92中的癫痫样棘波检测的窗口检测阈值基于各个初始窗口信号的标准差的均值计算得到。
在其中一个实施例中，复检模块93还用于针对每一个存疑窗口信号，从存疑窗口信号内及其附近的数据中检索最小值点，以最小值点对应的时刻作为癫痫样棘波的发放时刻，得到初始癫痫样棘波发放时间序列；
计算存疑窗口信号的前一个窗口中信号的第一平均频率，和后一个窗口中信号的第二平均频率；基于第一平均频率和第二平均频率与预设的平均频率阈值的大小关系，判断出被误检的存疑窗口信号，将被误检的存疑窗口信号的最小值点从初始癫痫样棘波发放时间序列中剔除，得到更新癫痫样棘波发放时间序列；
计算更新癫痫样棘波发放时间序列中对应的存疑窗口信号的半高宽，基于半高宽与预设的半高宽阈值范围的大小关系，将更新癫痫样棘波发放时间序列中的误检数据进行剔除，得到目标癫痫样棘波发放时间序列。
在其中一个实施例中，复检模块93还用于针对每一个存疑窗口信号，检索存疑窗口信号内的最小值点；
判断最小值点是否位于存疑窗口信号的边界；
若最小值点位于存疑窗口信号的边界，则在边界处向外拓展预设拓展宽度的窗口，在预设拓展宽度的窗口内继续检索最小值点，得到目标最小值点；
若最小值点并非位于存疑窗口信号的边界，则令存疑窗口内的最小值点为目标最小值点；
基于各个存疑窗口信号对应的目标最小值点，得到初始癫痫样棘波发放时间序列。
在其中一个实施例中，复检模块93还用于以更新癫痫样棘波发放时间序列中的每一个最小值点的时刻为基准，向前设置第一检测窗口，向后设置第二检测窗口；
在第一检测窗口内检索待检测信号的第一最大值点，在第二检测窗口内检索待检测信号的第二最大值点；
计算第一最大值点和最小值点之间的幅值差，得到降支幅值；计算第二最大值点和最小值点之间的幅值差，得到升支幅值；基于降支幅值和升支幅值计算得到存疑窗口信号的半高宽；
若计算出的半高宽在预设的半高宽阈值范围内，则保留存疑窗口信号对应的最小值点；若计算出的半高宽超出预设的半高宽阈值范围时，从更新癫痫样棘波发放时间序列中删除存疑窗口信号对应的最小值点，得到目标癫痫样棘波发放时间序列。
在其中一个实施例中，提取癫痫样棘波模块94还用于在原始神经电信号中找到目标癫痫样棘波发放时间序中的每一个最小值点，以及最小值点前后附近的第一最大值点和第二最大值点；从原始神经电信号中提取出包含最小值点、第一最大值点和第二最大值点三个时刻的一段信号，得到癫痫样棘波信号。
上述基于神经电信号的癫痫样棘波处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任一实施例中基于神经电信号的癫痫样棘波处理方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中基于神经电信号的癫痫样棘波处理方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一实施例中基于神经电信号的癫痫样棘波处理方法的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于神经电信号的癫痫样棘波处理方法，其特征在于，所述方法包括：
基于原始神经电信号获取待检测信号；
基于预设的窗口宽度将所述待检测信号分割为连续的初始窗口信号；基于预设的癫痫样棘波检测的窗口检测阈值，对各个所述初始窗口信号进行初检，得到存在疑似所述癫痫样棘波的存疑窗口信号；
计算所述存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算所述存疑窗口信号的半高宽；基于计算出的所述平均频率、所述半高宽和预设的判定条件，对所述存疑窗口信号进行复检，基于复检结果得到目标癫痫样棘波发放时间序列；
对照所述目标癫痫样棘波发放时间序列，从所述原始神经电信号中提取得到癫痫样棘波信号。
2.根据权利要求1所述的基于神经电信号的癫痫样棘波处理方法，其特征在于，所述方法还包括：
计算所述癫痫样棘波信号的多域混合特征，所述多域混合特征包括非线性特征、时域特征和频域特征；
基于所述多域混合特征对所述癫痫样棘波信号的类型进行识别。
3.根据权利要求1所述的基于神经电信号的癫痫样棘波处理方法，其特征在于，基于原始神经电信号获取待检测信号，包括：
获取原始神经电信号，采用简单移动平均法对所述原始神经电信号进行平滑处理，得到待检测信号。
4.根据权利要求1所述的基于神经电信号的癫痫样棘波处理方法，其特征在于，所述基于预设的癫痫样棘波检测的窗口检测阈值，对各个所述初始窗口信号进行初检，得到存在疑似所述癫痫样棘波的存疑窗口信号，包括：
依次计算各个所述初始窗口信号的极差，若所述极差大于预设的癫痫样棘波检测的窗口检测阈值，将所述极差对应的所述初始窗口信号记为存疑窗口信号。
5.根据权利要求1所述的基于神经电信号的癫痫样棘波处理方法，其特征在于，所述癫痫样棘波检测的窗口检测阈值基于各个所述初始窗口信号的标准差的均值计算得到。
6.根据权利要求1所述的基于神经电信号的癫痫样棘波处理方法，其特征在于，所述计算所述存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算所述存疑窗口信号的半高宽；基于计算出的所述平均频率、所述半高宽和预设的判定条件，对所述存疑窗口信号进行复检，基于复检结果得到目标癫痫样棘波发放时间序列，包括：
针对每一个所述存疑窗口信号，从所述存疑窗口信号内及其附近的数据中检索最小值点，以所述最小值点对应的时刻作为癫痫样棘波的发放时刻，得到初始癫痫样棘波发放时间序列；
计算所述存疑窗口信号的前一个窗口中信号的第一平均频率，和后一个窗口中信号的第二平均频率；基于所述第一平均频率和所述第二平均频率与预设的平均频率阈值的大小关系，判断出被误检的所述存疑窗口信号，将被误检的所述存疑窗口信号的所述最小值点从所述初始癫痫样棘波发放时间序列中剔除，得到更新癫痫样棘波发放时间序列；
计算所述更新癫痫样棘波发放时间序列中对应的所述存疑窗口信号的半高宽，基于所述半高宽与预设的半高宽阈值范围的大小关系，将所述更新癫痫样棘波发放时间序列中的误检数据进行剔除，得到目标癫痫样棘波发放时间序列。
7.根据权利要求6所述的基于神经电信号的癫痫样棘波处理方法，其特征在于，所述针对每一个所述存疑窗口信号，从所述存疑窗口信号内及其附近的数据中检索最小值点，以所述最小值点对应的时刻作为癫痫样棘波的发放时刻，得到初始癫痫样棘波发放时间序列，包括：
针对每一个所述存疑窗口信号，检索所述存疑窗口信号内的最小值点；
判断所述最小值点是否位于所述存疑窗口信号的边界；
若所述最小值点位于所述存疑窗口信号的边界，则在所述边界处向外拓展预设拓展宽度的窗口，在所述预设拓展宽度的窗口内继续检索所述最小值点，得到目标最小值点；
若所述最小值点并非位于所述存疑窗口信号的边界，则令所述存疑窗口内的所述最小值点为目标最小值点；
基于各个所述存疑窗口信号对应的所述目标最小值点，得到初始癫痫样棘波发放时间序列。
8.根据权利要求6所述的基于神经电信号的癫痫样棘波处理方法，其特征在于，所述计算所述更新癫痫样棘波发放时间序列中对应的所述存疑窗口信号的半高宽，基于所述半高宽与预设的半高宽阈值范围的大小关系，将所述更新癫痫样棘波发放时间序列中的误检数据进行剔除，得到目标癫痫样棘波发放时间序列，包括：
以所述更新癫痫样棘波发放时间序列中的每一个所述最小值点的时刻为基准，向前设置第一检测窗口，向后设置第二检测窗口；
在所述第一检测窗口内检索所述待检测信号的第一最大值点，在所述第二检测窗口内检索所述待检测信号的第二最大值点；
计算所述第一最大值点和所述最小值点之间的幅值差，得到降支幅值；计算所述第二最大值点和所述最小值点之间的幅值差，得到升支幅值；基于所述降支幅值和所述升支幅值计算得到所述存疑窗口信号的半高宽；
若计算出的所述半高宽在预设的半高宽阈值范围内，则保留所述存疑窗口信号对应的所述最小值点；若计算出的所述半高宽超出所述预设的半高宽阈值范围时，从所述更新癫痫样棘波发放时间序列中删除所述存疑窗口信号对应的所述最小值点，得到目标癫痫样棘波发放时间序列。
9.根据权利要求8所述的基于神经电信号的癫痫样棘波处理方法，其特征在于，所述对照所述目标癫痫样棘波发放时间序列，从所述原始神经电信号中提取得到癫痫样棘波信号，包括：
在所述原始神经电信号中找到所述目标癫痫样棘波发放时间序中的每一个所述最小值点，以及所述最小值点前后附近的所述第一最大值点和第二最大值点；
从所述原始神经电信号中提取出包含所述最小值点、所述第一最大值点和第二最大值点三个时刻的一段信号，得到癫痫样棘波信号。
10.一种基于神经电信号的癫痫样棘波处理装置，其特征在于，所述装置包括：
获取待检测信号模块，用于基于原始神经电信号获取待检测信号；
初检模块，用于基于预设的窗口宽度将所述待检测信号分割为连续的初始窗口信号；基于预设的癫痫样棘波检测的窗口检测阈值，对各个所述初始窗口信号进行初检，得到存在疑似所述癫痫样棘波的存疑窗口信号；
复检模块，用于计算所述存疑窗口信号的前一个窗口和后一个窗口内的信号的平均频率，并计算所述存疑窗口信号的半高宽；基于计算出的所述平均频率、所述半高宽和预设的判定条件，对所述存疑窗口信号进行复检，基于复检结果得到目标癫痫样棘波发放时间序列；
提取癫痫样棘波模块，用于对照所述目标癫痫样棘波发放时间序列，从所述原始神经电信号中提取得到癫痫样棘波信号。
CN202311262928.2A 2023-09-27 2023-09-27 基于神经电信号的癫痫样棘波处理方法和装置 Active CN117033988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311262928.2A CN117033988B (zh) 2023-09-27 2023-09-27 基于神经电信号的癫痫样棘波处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311262928.2A CN117033988B (zh) 2023-09-27 2023-09-27 基于神经电信号的癫痫样棘波处理方法和装置

Publications (2)

Publication Number Publication Date
CN117033988A true CN117033988A (zh) 2023-11-10
CN117033988B CN117033988B (zh) 2024-03-12

Family

ID=88641322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311262928.2A Active CN117033988B (zh) 2023-09-27 2023-09-27 基于神经电信号的癫痫样棘波处理方法和装置

Country Status (1)

Country Link
CN (1) CN117033988B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102429657A (zh) * 2011-09-22 2012-05-02 上海师范大学 一种癫痫脑电信号分类检测装置及方法
KR20200023154A (ko) * 2018-08-23 2020-03-04 삼성전자주식회사 컨볼루션 뉴럴 네트워크를 처리하는 방법 및 장치
CN111671419A (zh) * 2020-06-12 2020-09-18 山东大学 一种基于脑电信号的癫痫早期检测与识别方法及系统
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
US20210038143A1 (en) * 2018-04-30 2021-02-11 Children's Medical Center Corporation Seizure detection using multiple biomedical signals
CN112353368A (zh) * 2020-05-08 2021-02-12 北京理工大学 一种基于反馈调节的多输入信号癫痫发作检测系统
RU2747712C1 (ru) * 2020-06-01 2021-05-13 ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" Способ детектирования эпилептиформных разрядов в длительной записи ээг
CN112842362A (zh) * 2021-02-05 2021-05-28 杭州诺为医疗技术有限公司 用于植入式电刺激装置的自响应检测参数优化方法及系统
CN113974655A (zh) * 2021-07-17 2022-01-28 北京工业大学 一种基于脑电信号的癫痫发作预测方法
KR20220074442A (ko) * 2020-11-27 2022-06-03 주식회사 뷰노 질병을 판정하기 위한 정보를 제공하는 방법
CN115002710A (zh) * 2022-05-20 2022-09-02 海信集团控股股份有限公司 运动监测方法及电子设备
CN115067877A (zh) * 2022-05-11 2022-09-20 灵犀云医学科技(北京)有限公司 用于检测癫痫发作的方法和设备
CN115778330A (zh) * 2023-02-07 2023-03-14 之江实验室 一种基于视频脑电的癫痫发作自动检测系统及装置
WO2023098303A1 (zh) * 2021-12-01 2023-06-08 浙江大学 面向癫痫视频脑电图检查的癫痫发作实时检测监控系统
CN116725486A (zh) * 2023-05-26 2023-09-12 苏州大学 一种基于双阶段的动态心电信号房颤检测方法、装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102429657A (zh) * 2011-09-22 2012-05-02 上海师范大学 一种癫痫脑电信号分类检测装置及方法
US20210038143A1 (en) * 2018-04-30 2021-02-11 Children's Medical Center Corporation Seizure detection using multiple biomedical signals
KR20200023154A (ko) * 2018-08-23 2020-03-04 삼성전자주식회사 컨볼루션 뉴럴 네트워크를 처리하는 방법 및 장치
CN112353368A (zh) * 2020-05-08 2021-02-12 北京理工大学 一种基于反馈调节的多输入信号癫痫发作检测系统
RU2747712C1 (ru) * 2020-06-01 2021-05-13 ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" Способ детектирования эпилептиформных разрядов в длительной записи ээг
CN111671419A (zh) * 2020-06-12 2020-09-18 山东大学 一种基于脑电信号的癫痫早期检测与识别方法及系统
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
KR20220074442A (ko) * 2020-11-27 2022-06-03 주식회사 뷰노 질병을 판정하기 위한 정보를 제공하는 방법
CN112842362A (zh) * 2021-02-05 2021-05-28 杭州诺为医疗技术有限公司 用于植入式电刺激装置的自响应检测参数优化方法及系统
CN113974655A (zh) * 2021-07-17 2022-01-28 北京工业大学 一种基于脑电信号的癫痫发作预测方法
WO2023098303A1 (zh) * 2021-12-01 2023-06-08 浙江大学 面向癫痫视频脑电图检查的癫痫发作实时检测监控系统
CN115067877A (zh) * 2022-05-11 2022-09-20 灵犀云医学科技(北京)有限公司 用于检测癫痫发作的方法和设备
CN115002710A (zh) * 2022-05-20 2022-09-02 海信集团控股股份有限公司 运动监测方法及电子设备
CN115778330A (zh) * 2023-02-07 2023-03-14 之江实验室 一种基于视频脑电的癫痫发作自动检测系统及装置
CN116725486A (zh) * 2023-05-26 2023-09-12 苏州大学 一种基于双阶段的动态心电信号房颤检测方法、装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIAN CUI 等: "Towards best practice of interpreting deep learning models for EEG-based brain computer interfaces", 《FRONTIERS》, vol. 2023, pages 1 - 16 *
NOHAS.TAWFIK 等: "A hybrid automated detection of epileptic seizures in EEG records", 《ELSEVIER》, pages 177 - 190 *
王西岳: "基于集成学习算法的癫痫脑电信号诊断分类", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, vol. 2022, no. 2, pages 1 *
陈小千 等: "癫痫模型中痫样棘波自动检测的新算法及其应用", 《生物医学工程学杂志》, vol. 34, no. 4, pages 1 *

Also Published As

Publication number Publication date
CN117033988B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN108186011B (zh) 房颤检测方法、装置及可读存储介质
CN110811609B (zh) 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装置
Islam et al. EEG mobility artifact removal for ambulatory epileptic seizure prediction applications
CN101835420A (zh) 用于减少基于eeg的癫痫发作检测器中的通道数目的方法和装置
US20160106331A1 (en) Fractal index analysis of human electroencephalogram signals
CN113786204A (zh) 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法
CN114010207B (zh) 基于过零点系数的时域数据分类方法、植入式刺激系统
Charupanit et al. A simple statistical method for the automatic detection of ripples in human intracranial EEG
US20180368778A1 (en) Systems and methods for linear-time clustering for bounded, repeatable, rare events in physiological signals
CN113647962A (zh) 基于深度学习集成模型的癫痫定位与发作预测方法
EP3629910A1 (en) Seizure onset zone localization
CN108717535B (zh) 一种基于混合特征和长短时记忆网络的麻醉深度估计方法
Kbah et al. Epileptic EEG activity detection for children using entropy-based biomarkers
CN117033988B (zh) 基于神经电信号的癫痫样棘波处理方法和装置
Anastasiadou et al. Detection and removal of muscle artifacts from scalp EEG recordings in patients with epilepsy
Kannathal et al. Complex dynamics of epileptic EEG
Logesparan et al. Assessing the impact of signal normalization: Preliminary results on epileptic seizure detection
KR20200097192A (ko) 뇌전증 지속상태의 뇌손상 지표 산출 방법 및 프로그램
CN116211322A (zh) 一种基于机器学习脑电信号的抑郁症识别方法和系统
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
CN110916654B (zh) 一种脑活动状态的等级评估方法
US11980473B2 (en) Seizure onset zone localization
Shaaban et al. From EEG signal to classification in Alzheimer disease: A mini review
CN112270314B (zh) 棘波识别方法、装置、电子设备及计算机可读存储介质
Das et al. Machine Learning based Epileptic Seizure Detection from EEG Signal: Bangladesh Perspective

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