CN117379002A - 癫痫在线反馈神经调控系统及设备 - Google Patents
癫痫在线反馈神经调控系统及设备 Download PDFInfo
- Publication number
- CN117379002A CN117379002A CN202311299033.6A CN202311299033A CN117379002A CN 117379002 A CN117379002 A CN 117379002A CN 202311299033 A CN202311299033 A CN 202311299033A CN 117379002 A CN117379002 A CN 117379002A
- Authority
- CN
- China
- Prior art keywords
- signal
- epileptic
- frequency band
- local field
- feedback
- 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
- 230000001037 epileptic effect Effects 0.000 title claims abstract description 68
- 230000033228 biological regulation Effects 0.000 title abstract description 26
- 210000005036 nerve Anatomy 0.000 title abstract description 25
- 206010010904 Convulsion Diseases 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000001228 spectrum Methods 0.000 claims abstract description 45
- 206010015037 epilepsy Diseases 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 40
- 208000028329 epileptic seizure Diseases 0.000 claims abstract description 36
- 230000009123 feedback regulation Effects 0.000 claims abstract description 18
- 210000004556 brain Anatomy 0.000 claims description 47
- 230000000638 stimulation Effects 0.000 claims description 26
- 230000004007 neuromodulation Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000018109 developmental process Effects 0.000 claims description 18
- 238000011161 development Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 16
- 102000002151 Microfilament Proteins Human genes 0.000 claims description 15
- 108010040897 Microfilament Proteins Proteins 0.000 claims description 15
- 210000003632 microfilament Anatomy 0.000 claims description 15
- 238000011282 treatment Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000008054 signal transmission Effects 0.000 claims description 6
- 210000003478 temporal lobe Anatomy 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 34
- 230000000694 effects Effects 0.000 abstract description 19
- 230000003211 malignant effect Effects 0.000 abstract description 11
- 230000004936 stimulating effect Effects 0.000 abstract 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 30
- 238000000034 method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 239000000243 solution Substances 0.000 description 15
- 238000003860 storage Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 241000699670 Mus sp. Species 0.000 description 8
- 230000005611 electricity Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007917 intracranial administration Methods 0.000 description 4
- 208000010496 Heart Arrest Diseases 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- NCYCYZXNIZJOKI-IOUUIBBYSA-N 11-cis-retinal Chemical compound O=C/C=C(\C)/C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C NCYCYZXNIZJOKI-IOUUIBBYSA-N 0.000 description 2
- 238000011746 C57BL/6J (JAX™ mouse strain) Methods 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 102000004330 Rhodopsin Human genes 0.000 description 2
- 108090000820 Rhodopsin Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008035 nerve activity Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 206010038669 Respiratory arrest Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000001787 epileptiform Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007383 nerve stimulation Effects 0.000 description 1
- 210000000944 nerve tissue Anatomy 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 201000008914 temporal lobe epilepsy Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000011269 treatment regimen 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
- A61B5/40—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
- A61B5/24—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]
- A61B5/375—Electroencephalography [EEG] using biofeedback
-
- 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
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36014—External stimulators, e.g. with patch electrodes
- A61N1/36025—External stimulators, e.g. with patch electrodes for treating a mental or cerebral condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
- A61N5/0613—Apparatus adapted for a specific treatment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
- A61N5/067—Radiation therapy using light using laser light
-
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
-
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Psychology (AREA)
- Neurology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Social Psychology (AREA)
- Fuzzy Systems (AREA)
- Optics & Photonics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
Abstract
本申请提供了一种癫痫在线反馈神经调控系统及设备,系统包括:信号采集单元,用于实时采集目标生物对象的局部场电位信号;信号处理单元,用于根据局部场电位信号得到多个频段信号,并计算功率值、功率谱熵和样本熵等特征,以得到局部场电位信号的特征向量;模型分类单元,用于生成预训练模型,并将特征向量输入至预训练模型,以得到分类结果;反馈调控单元,用于在分类结果表征目标对象处于癫痫发作状态的情况下,通过信号发射硬件向目标生物对象发送刺激信号,实现癫痫在线反馈检测并且实时施加神经调控的技术效果,进而能及时中止癫痫发作,并防止产生恶性后果。
Description
技术领域
本申请涉及生理信号监测技术领域,尤其涉及一种癫痫在线反馈神经调控系统及设备。
背景技术
癫痫是一种严重的神经系统疾病,影响了全球约1%的人口,近30%的癫痫患者难以通过药物实现有效治疗,因此需要及时且准确地检测癫痫发作以采取其他必要的医疗干预措施,故当前存在多种可以在一定程度上检测癫痫发作信号处理方法,例如使用小波变换和人工神经网络等。
然而,尽管当前已存在多种用于进行癫痫检测的机器学习模型,但大规模的临床应用还处于初级阶段,即现有的检测模型主要是基于预标注的离线数据进行训练的,这意味着现有方案只能用于检测已收集数据中的癫痫发作事件,而不能实时在线检测和干预癫痫事件,同时,由于癫痫不定期发作的特性,使得现有方案在临床实践时癫痫检测准确度差,且检测速度慢,导致医务人员难以通过现有方案进行实时监测和及时干预,并可能因无法及时中止癫痫发作,而导致产生恶性后果。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供了一种癫痫在线反馈神经调控系统及设备,旨在解决现有方案在临床实践时癫痫检测准确度差,且检测速度慢,导致医务人员难以通过现有方案进行实时监测和及时干预的技术问题,实现癫痫在线反馈检测并且实时施加神经调控的技术效果,进而能及时中止癫痫发作,并防止产生恶性后果。
为实现上述目的,本申请实施例的第一方面提出了一种癫痫在线反馈神经调控系统,所述系统与目标生物对象连接,所述系统包括:信号采集单元,用于实时采集所述目标生物对象的局部场电位信号;信号处理单元,用于对所述局部场电位信号进行滤波分窗处理,得到多个频段信号,对多个所述频段信号进行功率计算处理,得到多个功率值,并计算所述局部场电位信号的功率谱熵和样本熵;根据所述功率谱熵、所述样本熵以及多个所述功率值得到所述局部场电位信号的特征向量;模型分类单元,用于根据预设脑电数据集生成预训练模型,并将所述特征向量输入至所述预训练模型,以得到分类结果;反馈调控单元,用于在所述分类结果表征所述目标对象处于癫痫发作状态的情况下,通过信号发射硬件向所述目标生物对象发送刺激信号。
在一些实施例中,所述信号采集单元包括多通道微丝电极、前置放大器和模数转换器,所述多通道微丝电极的一端连接所述目标生物对象的预定脑区,另一端连接所述前置放大器的输入端,所述前置放大器的输出端连接所述模数转换器;所述多通道微丝电极用于实时采集的所述目标生物对象的脑电信号;所述前置放大器用于对所述脑电信号进行信号放大处理,得到放大信号;所述模数转换器用于根据所述放大信号得到局部场电位信号。
在一些实施例中,所述前置放大器对所述脑电信号进行信号放大处理时采用的放大系数包括1000;所述模数转换器对所述放大信号进行模数转换处理时采用的采集频率包括1000赫兹。
在一些实施例中,所述信号处理单元包括MATLAB处理模块,所述对所述局部场电位信号进行滤波分窗处理,得到多个频段信号时,所述MATLAB处理模块用于:构建陷波器,通过所述陷波器对所述局部场电位信号进行工频滤波处理,得到第一电位信号;构建滑动窗口,通过所述滑动窗口对所述第一电位信号进行加窗分段处理,得到预设分段长度的第二电位信号;构建有限冲激响应滤波器,通过所述有限冲激响应滤波器对所述第二电位信号进行频段分段处理,得到多个频段信号。
在一些实施例中,所述对所述第二电位信号进行频段分段处理,得到多个频段信号时,所述MATLAB处理模块用于:根据信号频率对所述第二电位信号进行频段分段处理,得到delta频段信号、theta频段信号、alpha频段信号、beta频段信号以及gamma频段信号。
在一些实施例中,所述对多个所述频段信号进行功率计算处理,得到多个功率值,并计算所述局部场电位信号的功率谱熵和样本熵时,所述MATLAB处理模块用于:对所述delta频段信号、所述theta频段信号、所述alpha频段信号、所述beta频段信号以及所述gamma频段信号分别进行频带功率计算,得到5个功率值;分别对所述delta频段信号、所述theta频段信号、所述alpha频段信号、所述beta频段信号以及所述gamma频段信号进行能量占比计算,得到能量占比数据;根据所述能量占比数据得到概率密度函数,并根据所述概率密度函数计算所述功率谱熵;根据所述第二电位信号的时间序列数据计算所述样本熵。
在一些实施例中,所述目标生物对象包括目标小鼠,所述预设脑电数据集包括颞叶癫痫小鼠的发作期局部场电位信号和正常小鼠的正常期局部场电位信号,所述根据预设脑电数据集生成预训练模型时,所述模型分类单元用于:根据所述发作期局部场电位信号和所述正常期局部场电位信号进行所述滤波分窗处理,得到预训练数据特征向量;根据所述预训练数据特征向量训练生成用于识别癫痫发作的预训练模型。
在一些实施例中,所述根据所述预训练数据特征向量训练生成用于识别癫痫发作的预训练模型时,所述模型分类单元用于:以径向基函数作为核函数,根据所述预训练数据特征向量进行支持向量机训练,生成用于识别癫痫发作的预训练模型。
在一些实施例中,所述反馈调控单元包括相互连接的硬件调用模块、Arduino开发板以及所述信号发射硬件,所述硬件调用模块用于在所述分类结果表征所述目标对象处于癫痫发作状态的情况下被激活,并向所述Arduino开发板发送命令信号,以使所述Arduino开发板发送电平信号至所述信号发射硬件,使得所述信号发射硬件向所述目标生物对象发送刺激信号。
在一些实施例中,所述信号发射硬件至少包括以下之一:电刺激器和激光器;所述电刺激器用于发送基于第一预设参数设置的脉冲刺激信号,所述激光器用于发送基于第二预设参数设置的激光刺激信号。
在一些实施例中,所述刺激信号用于使所述目标生物对象结束癫痫发作状态;在通过所述信号采集单元、所述信号处理单元以及所述模型分类单元得到表征所述目标对象处于正常状态的所述分类结果之后,所述反馈调控单元用于控制所述信号发射硬件停止向所述目标生物对象发送所述刺激信号。
为实现上述目的,本申请实施例的第二方面提出了一种癫痫在线反馈神经调控设备,包括有如上述第一方面所述的癫痫在线反馈神经调控系统。
本申请提出的癫痫在线反馈神经调控系统及设备,其通过与目标生物对象连接的信号采集单元实时采集目标生物对象的局部场电位信号;进一步的,通过信号处理单元对局部场电位信号进行滤波分窗处理,得到多个频段信号,对多个频段信号进行功率计算处理,得到多个功率值,并计算局部场电位信号的功率谱熵和样本熵,以及根据功率谱熵、样本熵以及多个功率值得到局部场电位信号的特征向量;进一步的,通过模型分类单元根据预设脑电数据集生成预训练模型,并将特征向量输入至预训练模型,以得到分类结果;进一步的,通过反馈调控单元在分类结果表征目标对象处于癫痫发作状态的情况下,通过信号发射硬件向目标生物对象发送刺激信号,其中,本申请系统能够根据功率值、功率谱熵和样本熵等特征更加精准有效且及时的检测目标生物对象的癫痫发作事件,并通过反馈调控单元发送刺激信号,以进行癫痫发作的干预,促使发作事件避免或中止,进而解决传统癫痫检测系统的单一化、离线化,难以进行实时监测和及时干预的技术问题,实现癫痫在线反馈检测并且实时施加神经调控的技术效果,防止例如持续发作导致的窒息或心脏骤停等恶性后果的产生。
附图说明
图1是本申请一实施例提供的癫痫在线反馈神经调控系统的结构示意图;
图2是本申请另一实施例提供的癫痫在线反馈神经调控系统的运行流程示意图;
图3是本申请另一实施例提供的小鼠正常活动时的脑电特征分布图;
图4是本申请另一实施例提供的小鼠发作时脑电特征分布图;
图5是本申请另一实施例提供的特征向量的5个特征元素对分类器分类性能的贡献直方图;
图6是本申请另一实施例提供的小鼠正常活动的另一脑电特征分布图;
图7是本申请另一实施例提供的小鼠发作前2.048s脑电特征分布图;
图8是本申请另一实施例提供的特征向量的7个特征元素对分类器分类性能的贡献直方图。
附图标记:
110、信号采集单元;120、信号处理单元;130、模型分类单元;140、反馈调控单元。
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,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
当前,癫痫是一种严重的神经系统疾病,影响了全球约1%的人口,近30%的癫痫患者难以通过药物实现有效治疗,因此需要及时且准确地检测癫痫发作以采取其他必要的医疗干预措施,故当前存在多种可以在一定程度上检测癫痫发作信号处理方法,例如使用小波变换和人工神经网络等;然而,尽管当前已存在多种用于进行癫痫检测的机器学习模型,但大规模的临床应用还处于初级阶段,即现有的检测模型主要是基于预标注的离线数据进行训练的,这意味着现有方案只能用于检测已收集数据中的癫痫发作事件,而不能实时在线检测和干预癫痫事件,同时,由于癫痫不定期发作的特性,使得现有方案在临床实践时癫痫检测准确度差,且检测速度慢,导致医务人员难以通过现有方案进行实时监测和及时干预,并可能因无法及时中止癫痫发作,而导致产生恶性后果。
即现有的癫痫检测技术中大多数现有模型是基于预先标注的离线数据训练的,这意味着现有的癫痫检测技术在实际临床环境中可能不能提供在线、实时的癫痫发作检测,且目前的技术大多侧重于识别癫痫发作,缺乏即时反馈,使得其无法实时地为医务人员提供反馈,并为患者提供必要的干预。
基于此,本申请实施例提供了一种癫痫在线反馈神经调控系统及设备,旨在解决现有方案在临床实践时癫痫检测准确度差,且检测速度慢,导致医务人员难以通过现有方案进行实时监测和及时干预的技术问题,实现癫痫在线反馈检测并且实时施加神经调控的技术效果,进而能及时中止癫痫发作,并防止产生恶性后果。
下面结合附图,对本申请实施例作进一步描述。
请参考图1,图1是本申请一实施例提供的癫痫在线反馈神经调控系统的结构示意图,本申请实施例的第一方面提出了一种癫痫在线反馈神经调控系统,系统与目标生物对象连接,系统包括:信号采集单元110,用于实时采集目标生物对象的局部场电位信号;信号处理单元120,用于对局部场电位信号进行滤波分窗处理,得到多个频段信号,对多个频段信号进行功率计算处理,得到多个功率值,并计算局部场电位信号的功率谱熵和样本熵;根据功率谱熵、样本熵以及多个功率值得到局部场电位信号的特征向量;模型分类单元130,用于根据预设脑电数据集生成预训练模型,并将特征向量输入至预训练模型,以得到分类结果;反馈调控单元140,用于在分类结果表征目标对象处于癫痫发作状态的情况下,通过信号发射硬件向目标生物对象发送刺激信号,其中,本申请系统能够根据功率值、功率谱熵和样本熵等特征更加精准有效且及时的检测目标生物对象的癫痫发作事件,并通过反馈调控单元发送刺激信号,以进行癫痫发作的干预,促使发作事件避免或中止,进而解决传统癫痫检测系统的单一化、离线化,难以进行实时监测和及时干预的技术问题,实现癫痫在线反馈检测并且实时施加神经调控的技术效果,防止例如持续发作导致的窒息或心脏骤停等恶性后果的产生。
可以想到的是,本申请中的各单元功能如下,其中,信号采集单元可以与目标生物对象连接,进而提供实时、高精度的脑电信号采集,确保数据的质量和完整性,为后续处理和分析提供了基础;信号处理单元可以通过滤波、分窗和频段分析,从复杂的脑电信号中提取出有关信息,并提取功率谱熵、样本熵和功率值等特征,而功率谱熵、样本熵和功率值等特征可以更好地描述脑电信号的复杂性和活动模式,从而提高分类的准确性;模型分类单元能够根据预先获得的数据集进行预训练模型的生成,并使用该模型充当分类器对目标脑电信号进行分类,判断是否存在癫痫发作,其通过使用预训练模型,使得系统能够在实时脑电数据上快速和准确地进行判断,从而为即时干预提供了依据;反馈调控单元负责在检测到癫痫发作时自动触发刺激信号,通过对目标生物对象发送神经刺激信号,尝试中止或减轻目标生物对象的癫痫发作,通过这种即时的反馈干预可以有效降低由癫痫发作引发的对目标生物对象的潜在风险。
综上,通过上述信号采集单元、信号处理单元、模型分类单元和反馈调控单元可以使得本申请中的癫痫在线反馈神经调控系统作为一个完整的闭环系统,提供了从脑电信号的实时采集、处理、分析到即时干预的全套解决方案,其与传统的脑电监测设备相比,可以实时在线地进行癫痫检测,并通过刺激信号进行自动干预,进而可以在本领域计算人员能够做出反应之前减轻癫痫的影响,从而可能降低癫痫发作的严重程度和频率,即本申请能有效进行实时监测和反馈,有助于针对目标生物对象为本领域技术人员提供及时有效的癫痫状态评估数据,进而可以更加有效的调整治疗策略。
在一些实施例中,目标生物对象包括目标小鼠,目标小鼠的脑电信号包括LFPs(局部场电位),LFPs(局部场电位)是大脑内一小块神经组织产生的电信号,其反映了神经元群的总体活动,包含有关大脑功能的重要信息,并且是许多神经科学研究的基础,可以有效反应局部脑区的神经元群的神经电信号发放,进而通过后续预处理、信号分段、频率分析以及特征提取等步骤可以从小鼠的LFPs信号中提取有用的信息,以用于确定其是否处于癫痫发作状态。
在一些实施例中,信号采集单元包括多通道微丝电极、前置放大器和模数转换器,多通道微丝电极的一端连接目标生物对象的预定脑区,另一端连接前置放大器的输入端,前置放大器的输出端连接模数转换器;多通道微丝电极用于实时采集的目标生物对象的脑电信号;前置放大器用于对脑电信号进行信号放大处理,得到放大信号;模数转换器用于根据放大信号得到局部场电位信号。
其中,多通道微丝电极用于插入到目标生物对象的预定脑区中,以实时采集脑电信号,意味着可以在不同的脑区同时收集数据,从而获取脑内多个区域的并行活动信息;前置放大器用于在电极捕获了脑电信号使,该信号会传输到前置放大器,前置放大器可以对这些微弱的脑电信号进行放大,以便进一步的处理和分析,具体的,前置放大器对脑电信号进行信号放大处理时采用的放大系数包括1000,即前置放大器将原始信号放大1000倍;模数转换器用于在获取到放大后的信号后,将模拟信号转换为数字信号,从而使计算机能够处理这些信号,即得到数字化的局部场电位信号,局部场电位信号的数字化是后续信号处理、分析和存储的必要步骤,可以使得后续信号处理单元读取该局部场电位信号,以进行信号预处理过程。
具体的,小鼠的脑电信号需要使用多通道微丝电极进行采集,首先要进行电极的颅内埋置,颅内电极采用32通道电极接口,通过脑立体定位技术,将电极植入预定脑区,电极的颅外部分与前置放大器连接,脑电信号先通过前置放大器放大,然后通过导线传输至模数转换器进行模数转换,以获取小鼠的脑电信号。
在一些实施例中,模数转换器对放大信号进行模数转换处理时采用的采集频率包括1000赫兹,其中,本申请中LFPs信号采集频率为1000赫兹,通过该采集频率采集的信号可以包含有生物意义的全部信号频段,具体的,每秒收集1000个数据点,信号中可以包含最高500赫兹的频率成分,也使得这个采样频率足够捕获大多数对神经科学研究有意义的频率范围,包括delta、theta、alpha、beta和gamma频段,进而可以在后续单元的处理过程中根据这些信息可以用来分析小鼠的神经活动。
在一些实施例中,信号处理单元包括MATLAB处理模块,对局部场电位信号进行滤波分窗处理,得到多个频段信号时,MATLAB处理模块用于:构建陷波器,通过陷波器对局部场电位信号进行工频滤波处理,得到第一电位信号;构建滑动窗口,通过滑动窗口对第一电位信号进行加窗分段处理,得到预设分段长度的第二电位信号;构建有限冲激响应滤波器,通过有限冲激响应滤波器对第二电位信号进行频段分段处理,得到多个频段信号。
在一些实施例中,对第二电位信号进行频段分段处理,得到多个频段信号时,MATLAB处理模块用于:根据信号频率对第二电位信号进行频段分段处理,得到delta频段信号、theta频段信号、alpha频段信号、beta频段信号以及gamma频段信号。
具体的,MATLAB处理模块对局部场电位信号进行滤波分窗处理的过程包括以下步骤:
去除工频干扰:MATLAB处理模块读取局部场电位信号,采集到的LFPs可能工频干扰,构造陷波器去除50赫兹工频干扰,其中,50Hz工频干扰常见于电力线干扰,可导致数据质量下降,使用陷波滤波器可以准确地去除这种干扰,从而获得更准确的真实信号,使真实信号更加清晰;数据分段:构建滑动窗口算法,对一段完整的局部场电位信号使用汉宁加窗计算,将其分段为长度为2048个数据点的LFPs,即每2.048s的脑电数据为一个LFP单元,其中,使用滑动窗口分段可以使本申请更方便地对局部数据进行分析,而不是整体分析,同时,使用汉宁窗可以减少窗口边缘的频谱泄露,从而提高频率分析的准确性;
频带分离:构建有限冲激响应滤波器,将每个LFP单元分离为0.5~4赫兹(delta频段),4~8赫兹(theta频段),8~12赫兹(alpha频段),12~30赫兹(beta频段),30~80赫兹(gamma频段),其中,不同的频带在脑活动中具有不同的意义。例如,Theta波与学习和记忆相关,Gamma波与认知任务相关。将LFP数据分离成不同的频带可以有效反映小鼠的脑电状态;
功率谱计算:对LFP单元求功率谱,即对于每个LFP单元,对其5个频段的信号进行频带功率计算,计算出5个功率值作为该LFP单元的特征之一,其中,功率谱能反映出不同频率成分的能量,对于神经活动的解释及其与认知或行为之间的关系至关重要,故可以作为反映小鼠的脑电状态的特征属性。
在一些实施例中,对多个频段信号进行功率计算处理,得到多个功率值,并计算局部场电位信号的功率谱熵和样本熵时,MATLAB处理模块用于:对delta频段信号、theta频段信号、alpha频段信号、beta频段信号以及gamma频段信号分别进行频带功率计算,得到5个功率值;分别对delta频段信号、theta频段信号、alpha频段信号、beta频段信号以及gamma频段信号进行能量占比计算,得到能量占比数据;根据能量占比数据得到概率密度函数,并根据概率密度函数计算功率谱熵;根据第二电位信号的时间序列数据计算样本熵。
具体的,MATLAB处理模块对多个频段信号进行功率计算处理,得到多个功率值,并计算局部场电位信号的功率谱熵和样本熵的过程包括以下步骤:
功率谱熵计算:基于功率谱的不确定性或分布复杂度,计算功率谱熵作为另一个特征,具体的,对于每个LFP单元,进行功率谱熵计算作为该LFP单元的特征之一,功率谱熵反应信号在频谱中的不确定性,当信号中频率组成复杂度低时,功率谱集中分布在某个频段,功率谱熵相对小;当信号中频率组成复杂度高时,功率谱在各个频段上分布广泛,功率谱熵则相对大。不同类型的癫痫发作时,脑电信号的功率谱熵的特征是不相同的,因此将其作为一个重要特征;功率谱熵求解如下:计算上述各个频段的能量占总能量大小,得到概率密度函数P(x),则功率谱熵其中,n为频段的数量,功率谱熵反映了信号在频谱中的不确定性或复杂度,不同的大脑状态,例如放松、注意、癫痫发作等,可能会有不同的功率谱熵,因此其也可以作为反映小鼠的脑电状态的特征属性。
样本熵计算:衡量LFP时间序列的复杂性,并将样本熵作为另一个特征,可以根据每个LFP单元的时间序列数据计算样本熵作为该LFP单元的特征之一其中,样本熵通过计算一段时间序列信号来衡量该事件序列信号的复杂性,样本熵不依赖序列的长度,并且具有很好的一致性,且样本序列的熵越高,序列的自我相似性就越低;样本序列的熵越低,序列的自我相似性就越高,而癫痫发作是神经元超同步放电所造成的,因此在发作时,LFP序列的自我相似性会升高,则样本熵也升高,具有明显特征,故样本熵作为一个反映时间序列复杂性的指标,可以用于作为特征区分不同的神经活动状态,例如正常与癫痫发作。
特征合并:所有子特征(7个)都被整合成一个特征向量,作为该LFP段的总特征,其中,将所有子特征整合为一个特征向量不仅方便数据处理和分析,而且提供了一个多维度的LFP描述,这有益于后续的分类任务进行。
在一些实施例中,目标生物对象包括目标小鼠,预设脑电数据集包括颞叶癫痫小鼠的发作期局部场电位信号和正常小鼠的正常期局部场电位信号,根据预设脑电数据集生成预训练模型时,模型分类单元用于:根据发作期局部场电位信号和正常期局部场电位信号进行滤波分窗处理,得到预训练数据特征向量;根据预训练数据特征向量训练生成用于识别癫痫发作的预训练模型,其中,本申请通过预先生成预训练模型,使得检测模型更加简单可靠,能有效降低实时计算量,更加轻便且容易部署,进而可以有效降低特征提取和特征判别的延迟,使得本申请系统能够快速检测到癫痫发作,及时给予刺激。
在一些实施例中,模型训练数据来自红藻氨酸注射造模的C57BL/6J小鼠,海马定位注射红藻氨酸两个月左右即可诱导小鼠产生稳定发作的颞叶癫痫。红藻氨酸诱导的颞叶癫痫小鼠不定期发作,因此对其进行24小时的LFPs记录,采集到的LFPs进行人工脑电视频分析和标注。数据集来源于颞叶癫痫小鼠的发作期的LFPs和正常C57BL/6J小鼠的LFPs,对LFPs进行信号预处理后即可得到发作期和正常期LFP单元的总特征,该总特征组成模型训练的数据集,进而生成用于分类的预训练模型。
在一些实施例中,根据预训练数据特征向量训练生成用于识别癫痫发作的预训练模型时,模型分类单元用于:以径向基函数作为核函数,根据预训练数据特征向量进行支持向量机训练,生成用于识别癫痫发作的预训练模型,可以想到的是,因为及时的干预可以大大降低病患的危险性和对生活的干扰,故在线判别癫痫发作需要系统在极短的时间内作出反应的需求,导致了模型的大小受到限制,而本申请通过使用支持向量机(SVM)模型,可以快速有效地进行此类判别,进而提高系统检测速度,其中,支持向量机(SVM)是一类广泛用于分类和回归任务的监督学习算法,在分类任务中,SVM旨在找到数据中类别之间的最优决策边界。
在一些实施例中,径向基函数(RBF)是一种常用的核函数,用于处理非线性问题,当数据不是线性可分时,通过RBF核,数据可以被映射到更高维的特征空间,使其在新的特征空间中变得线性可分,本申请中以径向基函数作为核函数,能够有效提高模型的分类精度。
在一些实施例中,在本申请系统生成用于分类的预训练模型之后,使用k折法交叉验证对预训练模型进行验证,其模型识别癫痫发作精确度为98%,这显示了模型的高效性和可靠性,这种高精确度可以确保在实际应用中提供可靠的癫痫发作识别,从而提供及时的干预。
在一些实施例中,反馈调控单元包括相互连接的硬件调用模块、Arduino开发板以及信号发射硬件,硬件调用模块用于在分类结果表征目标对象处于癫痫发作状态的情况下被激活,并向Arduino开发板发送命令信号,以使Arduino开发板发送电平信号至信号发射硬件,使得信号发射硬件向目标生物对象发送刺激信号,其中,Arduino开发板:一个开源的电子原型平台,用于建立数字设备和互动对象,电平信号包括晶体管-晶体管逻辑信号(TTL信号),使得反馈调控单元一旦通过分类结果确定到癫痫发作,反馈调控单元立即会被激活,并向Arduino开发板发送命令信号,进而激活信号发射硬件,这种即时性确保了迅速的响应,减少了癫痫发作的持续时间,且利用Arduino开发板和硬件调用模块的精确控制特性,可以对刺激信号的类型和强度进行准确调节,以有效中止癫痫发作。
在一些实施例中,信号发射硬件至少包括以下之一:电刺激器和激光器;电刺激器用于发送基于第一预设参数设置的脉冲刺激信号,激光器用于发送基于第二预设参数设置的激光刺激信号。
在一些实施例中,刺激信号用于使目标生物对象结束癫痫发作状态;在通过信号采集单元、信号处理单元以及模型分类单元得到表征目标对象处于正常状态的分类结果之后,反馈调控单元用于控制信号发射硬件停止向目标生物对象发送刺激信号,进而实现癫痫的在线反馈检测并且实时施加神经调控,及时中止癫痫发作,防止发作产生的恶性后果,例如长时间发作可能导致心脏骤停、呼吸停止死亡,其中,一旦目标生物对象返回到正常状态,系统会立即停止刺激信号的发送,防止过度刺激,确保目标生物对象的安全,而在停止刺激信号后,系统还会继续实时监测,以便在下一次癫痫发作时迅速介入,确保持续性的保护。
具体的,本申请可以使用微丝多通道电极采集目标小鼠颅内脑电信号,脑电信号经前置放大器放大后,采用Plexon多通道电生理采集系统实时采集脑电信号,进而使用plexon软件开发工具包在MATLAB中读取被采集的脑电,以通过MATLAB实时测量脑电信号进行分析,在线监测是否有癫痫样脑电产生,并给出决策信号,决策信号送往Arduino开发板,以使开发板给出硬件控制信号,该控制信号能够实时控制激光器或电刺激器工作,激光器发出特定频率和波长的激光抑制癫痫,使得电刺激器以特定参数的电脉冲中止癫痫,从而对小鼠癫痫发作进行实时干预;进一步的,当小鼠癫痫发作停止后,MATLAB检测到癫痫发作中止,则进入持续监测状态,密切关注小鼠的下一次发作,实现癫痫在线反馈检测并且实时施加神经调控的技术效果,进而能及时中止癫痫发作,并防止产生恶性后果。
请参考图2,图2是本申请另一实施例提供的癫痫在线反馈神经调控系统的运行流程示意图,其中,Plexon多通道电生理采集系统对应上述实施例中的信号采集单元,其包括相互连接的32通道电极和Plexon系统前端放大器,32通道电极埋设在目标小鼠头部,以使脑电信号经由前端放大器进入Plexon系统采样,同时,Plexon系统与MATLAB连接通讯,MATLAB对应上述实施例中信号处理单元,Plexon系统实时传输数据至MATLAB工作区,以使每2048个采样点作为一个LFP单元送入MATLAB工作区进行滤波处理,并仅保留0.5到80赫兹的频率分量,以便于后续对多个频段信号进行功率计算处理,得到多个功率值,并计算局部场电位信号的功率谱熵和样本熵,以及进行根据功率谱熵、样本熵以及多个功率值得到局部场电位信号的特征向量的过程。
进一步,在一些实施例中,在提取LFP单元的delta频段、theta频段、alpha频段、beta频段以及gamma频段之后,通过计算各个频段分量的功率作为LFP的特征值,同时计算LFP的功率谱熵和样本熵值作为LFP的特征值,并将所有特征值融合形成长度为7的特征向量,特征向量送往预先训练生成的分类器(预训练模型)中进行分类判别,分类结果表征癫痫发作,则根据分类结果激活反馈调控单元中的硬件调用模块,该模块与外设Arduino开发板通信连接,可以对外设Arduino开发板下达相应命令指示,以使Arduino开发板收到命令后,发送TTL信号至电刺激器或激光器,电刺激器生成预设参数的脉冲刺激,激光器生成预设参数的激光,电脉冲刺激或光刺激通过导线传至小鼠头部的刺激接口,从而中止癫痫的剧烈发作,防止恶性发作后果;发作中止后,刺激停止,系统处于持续监测状态,等待下一次癫痫发作的调控,进而解决传统癫痫检测系统的单一化、离线化,难以进行实时监测和及时干预的技术问题,实现癫痫在线反馈检测并且实时施加神经调控的技术效果。
请参考图3至图8,图3是本申请另一实施例提供的小鼠正常活动时的脑电特征分布图,图4是本申请另一实施例提供的小鼠发作时脑电特征分布图,图5是本申请另一实施例提供的特征向量的5个特征元素对分类器分类性能的贡献直方图,图6是本申请另一实施例提供的小鼠正常活动的另一脑电特征分布图.图7是本申请另一实施例提供的小鼠发作前2.048s脑电特征分布图,图8是本申请另一实施例提供的特征向量的7个特征元素对分类器分类性能的贡献直方图。
其中,图3至图8对应本申请中的整个系统在实验运行时的实验数据结果,其中,图3和图4为具有5个特征元素的特征向量的图分类特征的KPCA三维分布图,上述5个特征即为图5中特征编号为1至5对应的特征,即对应delta频段,theta频段,alpha频段,beta频段以及gamma频段的功率值特征等5个特征,且图3和图4分别小鼠正常活动时的脑电和发作时脑电特征分布通过PCA降维后的3D图,图5为特征向量的5个特征元素对分类器分类性能的贡献;图6和图7为具有7个特征元素的特征向量的图分类特征的KPCA三维分布图,上述7个特征即为图8中特征编号为1至7对应的特征,即对应功率谱熵特征、样本熵通特征、delta频段,theta频段,alpha频段,beta频段以及gamma频段的功率值特征等7个特征,且图6和图7分别小鼠正常活动时的脑电和发作前2.048s脑电特征分布通过PCA降维后的3D图,图8为特征向量的7个特征元素对分类器分类性能的贡献;通过上述图3至图8,可以看出,7个特征元素相较于5个特征元素可以更精准有效对小鼠正常活动的脑电和发作前的脑电进行分类,且其分类效果优于5个特征元素(小鼠正常活动的脑电和发作前的脑电特征向量分别位于三维坐标系的左右两侧,区域划分更明显),表明本申请所选择的特性向量和模型能对发作前的脑电进行分类识别,且具有更好的分类效果,能更加有效提高癫痫检测的准确度,即本申请通过优化特征向量,通过功率谱熵特征、样本熵通特征以及功率值特征进行更多维度的向量分类,进而能够最大程度贡献分类性能,相比传统的癫痫检测方法,检测准确率更高,从而使得对癫痫的诊断更加准确和及时。
第二方面,本申请实施例还提供了一种癫痫在线反馈神经调控设备,包括有如上述第一方面的癫痫在线反馈神经调控系统,癫痫在线反馈神经调控设备可以实现上述任意一项实施例中癫痫在线反馈神经调控系统的有益效果,如解决现有方案在临床实践时癫痫检测准确度差,且检测速度慢,导致医务人员难以通过现有方案进行实时监测和及时干预的技术问题,实现癫痫在线反馈检测并且实时施加神经调控的技术效果,进而能及时中止癫痫发作,并防止产生恶性后果。
第三方面,本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序包括上述癫痫在线反馈神经调控系统对应的软件及控制程序,程序被处理器执行时可实现对上述癫痫在线反馈神经调控系统的控制,并实现相应功能,其中,该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
第四方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,可实现对上述癫痫在线反馈神经调控系统的控制,并实现相应功能,妻子,存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。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。
在一些实施例中,本申请中所有系统硬件和软件均能以高可靠性、可实施性为目标,因此相比其它系统更加可靠易用,效率更高,成本更低。
综上,本申请相比于现有技术,设计了一个可以实时检测癫痫发作的系统,且当系统检测到癫痫发作时,可以迅速为医务人员提供反馈,并自动或半自动地启动治疗干预,例如深部脑刺激或光遗传疗法。同时,本申请具有高度集成化的特性,使其不仅能够检测癫痫,还可以通过反馈调控单元实现多种治疗手段,如发送刺激信号进行深部脑刺激、光遗传等,进而使得本申请中系统可以提供治疗建议、评估治疗效果并进行相应的调整,并可以实时地分析和决策。而通过实时的检测和干预,使得系统可以由于帮助预防由于癫痫发作持续过长而可能导致的意外后果,如窒息或心脏骤停,进而提供一个高度集成、在线实时、能够进行即时反馈与干预的癫痫检测和治疗系统,便于本领域技术人员使用。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1至2中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者不同的组件。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、对应的系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机可读存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (12)
1.一种癫痫在线反馈神经调控系统,其特征在于,所述系统与目标生物对象连接,所述系统包括:
信号采集单元,用于实时采集所述目标生物对象的局部场电位信号;
信号处理单元,用于对所述局部场电位信号进行滤波分窗处理,得到多个频段信号,对多个所述频段信号进行功率计算处理,得到多个功率值,并计算所述局部场电位信号的功率谱熵和样本熵;根据所述功率谱熵、所述样本熵以及多个所述功率值得到所述局部场电位信号的特征向量;
模型分类单元,用于根据预设脑电数据集生成预训练模型,并将所述特征向量输入至所述预训练模型,以得到分类结果;
反馈调控单元,用于在所述分类结果表征所述目标对象处于癫痫发作状态的情况下,通过信号发射硬件向所述目标生物对象发送刺激信号。
2.根据权利要求1所述的癫痫在线反馈神经调控系统,其特征在于,所述信号采集单元包括多通道微丝电极、前置放大器和模数转换器,所述多通道微丝电极的一端连接所述目标生物对象的预定脑区,另一端连接所述前置放大器的输入端,所述前置放大器的输出端连接所述模数转换器;
所述多通道微丝电极用于实时采集的所述目标生物对象的脑电信号;
所述前置放大器用于对所述脑电信号进行信号放大处理,得到放大信号;
所述模数转换器用于根据所述放大信号得到局部场电位信号。
3.根据权利要求2所述的癫痫在线反馈神经调控系统,其特征在于,所述前置放大器对所述脑电信号进行信号放大处理时采用的放大系数包括1000;所述模数转换器对所述放大信号进行模数转换处理时采用的采集频率包括1000赫兹。
4.根据权利要求1所述的癫痫在线反馈神经调控系统,其特征在于,所述信号处理单元包括MATLAB处理模块,所述对所述局部场电位信号进行滤波分窗处理,得到多个频段信号时,所述MATLAB处理模块用于:
构建陷波器,通过所述陷波器对所述局部场电位信号进行工频滤波处理,得到第一电位信号;
构建滑动窗口,通过所述滑动窗口对所述第一电位信号进行加窗分段处理,得到预设分段长度的第二电位信号;
构建有限冲激响应滤波器,通过所述有限冲激响应滤波器对所述第二电位信号进行频段分段处理,得到多个频段信号。
5.根据权利要求4所述的癫痫在线反馈神经调控系统,其特征在于,所述对所述第二电位信号进行频段分段处理,得到多个频段信号时,所述MATLAB处理模块用于:
根据信号频率对所述第二电位信号进行频段分段处理,得到delta频段信号、theta频段信号、alpha频段信号、beta频段信号以及gamma频段信号。
6.根据权利要求5所述的癫痫在线反馈神经调控系统,其特征在于,所述对多个所述频段信号进行功率计算处理,得到多个功率值,并计算所述局部场电位信号的功率谱熵和样本熵时,所述MATLAB处理模块用于:
对所述delta频段信号、所述theta频段信号、所述alpha频段信号、所述beta频段信号以及所述gamma频段信号分别进行频带功率计算,得到5个功率值;
分别对所述delta频段信号、所述theta频段信号、所述alpha频段信号、所述beta频段信号以及所述gamma频段信号进行能量占比计算,得到能量占比数据;
根据所述能量占比数据得到概率密度函数,并根据所述概率密度函数计算所述功率谱熵;
根据所述第二电位信号的时间序列数据计算所述样本熵。
7.根据权利要求1所述的癫痫在线反馈神经调控系统,其特征在于,所述目标生物对象包括目标小鼠,所述预设脑电数据集包括颞叶癫痫小鼠的发作期局部场电位信号和正常小鼠的正常期局部场电位信号,所述根据预设脑电数据集生成预训练模型时,所述模型分类单元用于:
根据所述发作期局部场电位信号和所述正常期局部场电位信号进行所述滤波分窗处理,得到预训练数据特征向量;
根据所述预训练数据特征向量训练生成用于识别癫痫发作的预训练模型。
8.根据权利要求7所述的癫痫在线反馈神经调控系统,其特征在于,所述根据所述预训练数据特征向量训练生成用于识别癫痫发作的预训练模型时,所述模型分类单元用于:
以径向基函数作为核函数,根据所述预训练数据特征向量进行支持向量机训练,生成用于识别癫痫发作的预训练模型。
9.根据权利要求1所述的癫痫在线反馈神经调控系统,其特征在于,所述反馈调控单元包括相互连接的硬件调用模块、Arduino开发板以及所述信号发射硬件,所述硬件调用模块用于在所述分类结果表征所述目标对象处于癫痫发作状态的情况下被激活,并向所述Arduino开发板发送命令信号,以使所述Arduino开发板发送电平信号至所述信号发射硬件,使得所述信号发射硬件向所述目标生物对象发送刺激信号。
10.根据权利要求9所述的癫痫在线反馈神经调控系统,其特征在于,所述信号发射硬件至少包括以下之一:电刺激器和激光器;所述电刺激器用于发送基于第一预设参数设置的脉冲刺激信号,所述激光器用于发送基于第二预设参数设置的激光刺激信号。
11.根据权利要求9所述的癫痫在线反馈神经调控系统,其特征在于,所述刺激信号用于使所述目标生物对象结束癫痫发作状态;在通过所述信号采集单元、所述信号处理单元以及所述模型分类单元得到表征所述目标对象处于正常状态的所述分类结果之后,所述反馈调控单元用于控制所述信号发射硬件停止向所述目标生物对象发送所述刺激信号。
12.一种癫痫在线反馈神经调控设备,其特征在于,包括有如权利要求1至11中任意一项所述的癫痫在线反馈神经调控系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311299033.6A CN117379002A (zh) | 2023-10-07 | 2023-10-07 | 癫痫在线反馈神经调控系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311299033.6A CN117379002A (zh) | 2023-10-07 | 2023-10-07 | 癫痫在线反馈神经调控系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117379002A true CN117379002A (zh) | 2024-01-12 |
Family
ID=89440220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311299033.6A Pending CN117379002A (zh) | 2023-10-07 | 2023-10-07 | 癫痫在线反馈神经调控系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117379002A (zh) |
-
2023
- 2023-10-07 CN CN202311299033.6A patent/CN117379002A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10743809B1 (en) | Systems and methods for seizure prediction and detection | |
DE69736592T2 (de) | Systeme zur vorhersagung, schnellerfassung,warnung, vermeidung oder kontrolle von zustandsveränderungen im gehirn | |
US7373199B2 (en) | Optimization of multi-dimensional time series processing for seizure warning and prediction | |
Park et al. | Epileptic seizure detection for multi-channel EEG with deep convolutional neural network | |
US20050197590A1 (en) | System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject | |
US20190261881A1 (en) | Biomarkers for Determining Susceptibility to SUDEP | |
US20090124923A1 (en) | System for seizure monitoring and detection | |
Rukhsar et al. | Patient-specific epileptic seizure prediction in long-term scalp EEG signal using multivariate statistical process control | |
CN110960191A (zh) | 一种基于频谱能量图的癫痫脑电信号分类方法 | |
EP4289359A1 (en) | Self-responsive detection parameter optimization method and system for implantable electrical stimulation apparatus | |
Sudalaimani et al. | Automated detection of the preseizure state in EEG signal using neural networks | |
El Halabi et al. | Monitoring system for prediction and detection of epilepsy seizure | |
Saminu et al. | Epilepsy detection and classification for smart IoT devices using hybrid technique | |
Sriraam et al. | Multichannel EEG based inter-ictal seizures detection using Teager energy with backpropagation neural network classifier | |
Kaur et al. | Comparison of the techniques used for segmentation of EMG signals | |
CN117379002A (zh) | 癫痫在线反馈神经调控系统及设备 | |
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 | |
CN210433843U (zh) | 基于高频电刺激的智能阻断系统和设备 | |
Begum et al. | An initiative to classify different neurological disorder in children using multichannel EEG signals | |
Belić et al. | Behavior discrimination using a discrete wavelet based approach for feature extraction on local field potentials in the cortex and striatum | |
Nancy et al. | A brain EEG classification system for the mild cognitive impairment analysis | |
CN117838151A (zh) | 基于卷积网络的放电指数检测方法 | |
Mohapatra et al. | A real-time automated epileptic seizure detection model for phenylketonuria patients using ANFIS, DWT, ST, CT and EGA | |
Bandarabadi et al. | Epileptic Seizure Detection using Bipolar Singular Value Decomposition | |
CN116603178A (zh) | 基于特征提取和闭环超声刺激的ad神经调控系统及方法 |
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 |