CN118021257A - 一种基于动态时间规整和K-means算法的癫痫发作检测方法 - Google Patents
一种基于动态时间规整和K-means算法的癫痫发作检测方法 Download PDFInfo
- Publication number
- CN118021257A CN118021257A CN202410148773.8A CN202410148773A CN118021257A CN 118021257 A CN118021257 A CN 118021257A CN 202410148773 A CN202410148773 A CN 202410148773A CN 118021257 A CN118021257 A CN 118021257A
- Authority
- CN
- China
- Prior art keywords
- section
- amplitude spectrum
- cluster
- signal
- time warping
- 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
- 206010010904 Convulsion Diseases 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 13
- 208000028329 epileptic seizure Diseases 0.000 title claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 19
- 210000004556 brain Anatomy 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 abstract description 6
- 230000005611 electricity Effects 0.000 abstract description 2
- 230000001037 epileptic effect Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 7
- 239000012634 fragment Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种基于动态时间规整和K‑means算法的癫痫发作检测方法,包括以下步骤:(1)从患者的长程脑电数据中选取一段未发作脑电信号作为基准段,使用傅里叶变换得到其振幅谱;(2)将长程脑电按每段一秒的长度进行分割,使用傅里叶变换得到每段的振幅谱;(3)按时间顺序计算每段信号振幅谱与基准段振幅谱之间的动态时间规整值;(4)使用K‑means算法对动态时间规整值聚类。本发明方法通过衡量正常与异常脑电信号段振幅谱之间的差异进行癫痫发作检测,在具有高检测准确率的同时不需要使用标记数据进行训练,且不会受到数据类别不均衡情况的影响。
Description
技术领域
本申请涉及脑电信号处理技术领域,特别涉及一种基于动态时间规整和K-means算法的癫痫发作检测方法。
背景技术
癫痫是一种慢性神经系统疾病,其特征是大脑神经元突然异常的放电。该病特点是反复发作,发作表现从极短暂的意识丧失或肌肉反射到严重且持续性抽搐不等。反复、突然的癫痫发作严重危害着患者的生命健康,同时还给其家庭造成了巨大的负担。
脑电图是通过电极记录的脑细胞群自发性、节律性的电活动,它是癫痫诊断和治疗中最重要的一项检查工具。尽管高分辨率的解剖和功能影像学在不断的发展,但在癫痫的诊治中它始终是其他检测方法所不可替代的。然而,医生使用脑电图监测癫痫发作是一项耗时耗力的工作,一位患者24小时的脑电图需要专业的神经医师花费两周左右的时间进行检阅才能够生成报告。为提高医生工作效率,癫痫脑电自动检测技术的开发十分关键。
目前有很多基于深度学习的癫痫信号检测方法,但大都是基于数据驱动的方法,需要使用大量标注数据训练才能得到良好的检测效果。然而,与图像和语音信号相比,脑电信号采集设备价格高昂,标注过程复杂困难,大规模带标签的脑电图数据难以获得。训练数据的缺乏将导致基于深度学习的脑电信号分类器分类准确率大大降低。同时,在临床长程脑电检测中,能够得到的发作数据远远少于非发作数据,即存在着严重的样本类别不均衡,该情况将导致分类器决策边界偏移,最终影响到模型分类结果。
发明内容
本申请实施例提供了一种基于动态时间规整和K-means算法的癫痫发作检测方法,该方法不需要使用标记数据进行训练,并且不会受到数据类别不均衡的影响。
一方面,本申请实施例提供了一种基于动态时间规整和K-means算法的癫痫发作检测方法,包括以下步骤:
步骤1:首先从患者的长程脑电数据中选取一段未发作脑电信号作为基准段,使用傅里叶变换计算该段信号前70hz的单边振幅谱。所使用傅里叶变换公式为:
步骤2:接下来将该长程脑电数据按每段一秒的长度进行分割,同样使用傅里叶变换,计算每个一秒段信号前70hz的单边振幅谱。
步骤3:按时间顺序依次计算步骤2中每段一秒信号与所挑选基准段信号前70hz单边振幅谱之间的动态时间规整值(DTW值)。设步骤2中每段一秒信号前70hz单边振幅谱为,所挑选的基准段信号前70hz单边振幅谱为/>。构建70×70的距离矩阵M,矩阵中第i行第j列所对应的元素为序列中/>和/>的欧氏距离。动态时间规整的目标是找到一条从M(1,1)到M(70,70)的路径,该路径需要满足所穿过矩阵元素累计和最小。上述元素累计和的最小值即为本方法中的DTW值,其可通过动态规划求解以下递推公式的最小值得到:
该公式中,代表到距离矩阵第i行第j列时所积累的规整路径的总距离,代表序列中点/>和点/>的距离。
步骤4:使用K-means算法对DTW值聚类。具体操作如下:设一段n秒的长程脑电数据经过步骤1到3得到的n个DTW值为。选择其中两个值作为初始聚类中心/>,/>;针对数据集中每个样本/>,计算它到2个聚类中心的距离,并将其分到距离最小的聚类中心所对应的类中;针对每个类别,重新计算它的聚类中心;重复上述步骤直到聚类中心不再发生变化。最终得到聚类簇/>,/>,即为DTW值聚类的结果。/>,/>中包含基准段DTW值的聚类簇为正常簇,该簇中所有的DTW值对应的时间段为脑电正常段,反之,另外一个簇为异常簇,其中所有的DTW值对应的时间段为癫痫发作段。
本申请中的一种基于动态时间规整和K-means算法的癫痫发作检测方法,具有以下优点:
本发明方法依据癫痫患者非发作与发作时脑电信号差异大的先验,从频域角度入手,创新性地通过计算每段信号与基准段信号单边振幅谱之间的动态时间规整值(DTW值),并使用Kmeans算法对DTW值聚类,将发作段与非发作段区分开,进而把异常脑电数据段从原始长程脑电数据中检测出来。
目前基于深度学习技术的癫痫脑电信号检测方法大多是有监督学习算法,需要使用大量带标签数据训练才能获得良好的检测效果。然而,与图像和语音信号相比,脑电信号采集设备价格高昂,标注过程复杂困难,大规模带标签的脑电图数据难以获得。训练数据的缺乏将导致基于深度学习的脑电信号分类器分类准确率大大降低。本发明方法采用的K-means算法属于无监督聚类算法,不需要使用由神经医师打标的脑电图数据进行训练。任何癫痫患者的长程脑电图输入本方法都可直接检测出发作段,并且经临床数据验证,本方法所检测出的发作段与神经医师所标记的发作段高度重合。
在实际癫痫长程脑电检测中,癫痫发作时期的脑电数据远远少于非发作时期的数据,即存在严重的样本类别不均衡现象。使用这样的数据训练基于深度学习技术的分类器将会导致决策边界偏移,最终影响到模型分类结果。本发明方法通过计算每段信号与基准段信号单边振幅谱之间的DTW值大小进行无监督聚类,不受样本类别不均衡的影响。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明方法的总体流程图。
图2是一个基准段前70hz单边振幅谱的示例图。
图3是脑电数据分割及其对应单边振幅谱的示例图。
图4是规整路径的示例图。
图5是10位患者的癫痫发作检测结果。
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。
图1为本申请实施例提供的方法的流程图。本申请实施例提供了一种基于动态时间规整和K-means算法的癫痫发作检测方法,包括以下步骤:
步骤1:从患者的长程脑电数据中选取一段未发作脑电信号作为基准段,使用傅里叶变换得到基准段振幅谱;
步骤2:将长程脑电按每段一秒的长度进行分割,使用傅里叶变换得到每段信号振幅谱;
步骤3:按时间顺序计算每段信号振幅谱与基准段振幅谱之间的动态时间规整值;
步骤4:使用K-means算法对动态时间规整值聚类。
本发明采用的癫痫脑电信号数据集来自于医院收集到的10位患者的临床数据,脑电信号包含19个通道,分别是:Fp1-AVG, Fp2-AVG, F3-AVG, F4-AVG, C3-AVG, C4-AVG,P3-AVG, P4-AVG, O1-AVG, O2-AVG, F7-AVG, F8-AVG, T3-AVG, T4-AVG, T5-AVG, T6-AVG, Fz-AVG, Cz-AVG, Pz-AVG,电极位置遵循10-20国际标准导联系统。在原始数据使用前对其进行预处理,首先做0.5hz-70hz的带通滤波,接下来将数据从500hz降采样到200hz。
基于上述的脑电数据,采用图1所示的流程,以患者的Fp1-AVG通道为例,本发明的具体实施步骤如下:
步骤1的具体实现为:
首先从患者的长程脑电数据中选取一段未发作脑电信号作为基准段,使用傅里叶变换计算该段信号前70hz的单边振幅谱,图2为一个基准段前70hz单边振幅谱的示例。所使用傅里叶变换公式为:
步骤2的具体实现为:
将该长程脑电数据按每段一秒的长度进行分割,同样使用傅里叶变换,计算每个一秒段信号前70hz的单边振幅谱。图3是脑电数据分割及对应单边振幅谱的示例。
步骤3的具体实现为:
按时间顺序依次计算步骤2中每段一秒信号与所挑选基准段信号前70hz单边振幅谱之间的动态时间规整值(DTW值)。设步骤2中每段一秒信号前70hz单边振幅谱为,所挑选的基准段信号前70hz单边振幅谱为/>。构建70×70的距离矩阵M,矩阵中第i行第j列所对应的元素为序列中/>和/>的欧氏距离,即。动态时间规整的目标是找到一条从M(1,1)到M(70,70)的路径,我们称其为规整路径,用W来表示,W的第k个元素用/>来表示,/>,,其中/>,图4是一条规整路径的示例。
规整路径行进过程中,每一个格点的路径只有三个方向.例如,如果路径已经通过了格点M(i,j),那么下一个通过的格点只可能是下列三种情况之一:M(i+1,j),M(i,j+1),M(i+1,j+1)。满足上面这些约束条件的路径可以有指数个,但我们的目标是求使得规整代价最小的路径,即,其可通过动态规划求解以下递推公式的最小值得到:
该公式中,代表到距离矩阵第i行第j列时所积累的规整路径的总距离,代表序列中点/>和点/>的距离。DTW值越小,代表两段信号在频域上越相似,DTW值越大,代表两段信号在频域上差异越大。
步骤4的具体实现为:
使用K-means算法对DTW值聚类。具体操作如下:设一段n秒的长程脑电数据经过步骤1到3得到的n个DTW值为。选择其中两个值作为初始聚类中心/>,/>;针对数据集中每个样本/>,计算它到2个聚类中心的距离,并将其分到距离最小的聚类中心所对应的类中;针对每个类别,重新计算它的聚类中心;重复上述步骤直到聚类中心不再发生变化。最终得到聚类簇/>,/>,即为DTW值聚类的结果。/>,/>中包含基准段DTW值的聚类簇为正常簇,该簇中所有的DTW值对应的时间段为脑电正常段,反之,另外一个簇为异常簇,其中所有的DTW值对应的时间段为癫痫发作段。
对检测结果的评价选取灵敏度(Sens)和特异度(Spec)两个指标。其定义如下:
式中,TP是算法和医生都判断为发作期的片段数;FP是算法识别为癫痫发作而医生标记为非发作的片段数;TN是算法和医生都判断为非发作的片段数;FN是算法识别为非发作而医生标记为发作的片段数。
10位患者的检测结果如图5所示,可以看到平均灵敏度可以达到92%,平均特异度可以达到85%。
本发明方法依据癫痫患者非发作与发作时脑电信号差异大的先验,从频域角度入手,计算每段信号与基准段信号单边振幅谱之间的动态时间规整值(DTW值),并使用K-means算法对DTW值聚类,将发作段与非发作段区分开,进而从原始长程脑电数据中异常脑电数据段将检测出来。相比于目前基于深度学习技术的癫痫脑电信号检测方法,本发明方法采用无监督聚类算法,不需要使用大规模由神经医师打标签的脑电图数据进行训练,任何癫痫患者的长程脑电图输入本方法都可直接检测出发作段,并且经临床数据验证,本方法所检测出的发作段与神经医师所标记的发作段高度重合。
同时对于在实际癫痫长程脑电检测中,癫痫发作时期的脑电数据远远少于非发作时期的数据,即存在严重的样本类别不均衡现象,进而导致基于深度学习技术的分类器将会导致决策边界偏移,最终影响到模型分类结果这一问题。本发明方法通过计算每段信号与基准段信号单边振幅谱之间的DTW值大小进行无监督聚类,不受样本类别不均衡的影响。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (3)
1.一种基于动态时间规整和K-means算法的癫痫发作检测方法,其特征在于,包括以下步骤:
步骤1:从患者的长程脑电数据中选取一段未发作脑电信号作为基准段,使用傅里叶变换得到基准段振幅谱;
步骤2:将长程脑电数据按每段一秒的长度进行分割,使用傅里叶变换得到每段信号振幅谱;
步骤3:按时间顺序计算所述每段信号振幅谱与基准段振幅谱之间的动态时间规整值;
步骤4:使用K-means算法对所述动态时间规整值聚类。
2.根据权利要求1所述的一种基于动态时间规整和K-means算法的癫痫发作检测方法,其特征在于,所述步骤3具体为:
按时间顺序依次计算步骤2中每段一秒信号与所挑选基准段信号前70hz单边振幅谱之间的动态时间规整值,设步骤2中每段一秒信号前70hz单边振幅谱为,所挑选的基准段信号前70hz单边振幅谱为/>,构建70×70的距离矩阵M,矩阵中第i行第j列所对应的元素为序列中/>和/>的欧氏距离,即/>,动态时间规整的目标是找到一条从M(1,1)到M(70,70)的路径,称为规整路径,用W来表示,W的第k个元素用/>来表示,/>,/>,其中/>;
规整路径行进过程中,每一个格点的路径只有三个方向,如果路径已经通过了格点M(i,j),那么下一个通过的格点只可能是下列三种情况之一:M(i+1,j),M(i,j+1),M(i+1,j+1),满足上面这些约束条件的路径有指数个,但目标是求使得规整代价最小的路径,即,其通过动态规划求解以下递推公式的最小值得到:
该公式中,代表到距离矩阵第i行第j列时所积累的规整路径的总距离,/>代表序列中点/>和点/>的距离,DTW值越小,代表两段信号在频域上越相似,DTW值越大,代表两段信号在频域上差异越大。
3.根据权利要求1所述的一种基于动态时间规整和K-means算法的癫痫发作检测方法,其特征在于,所述步骤4具体为:
使用K-means算法对DTW值聚类,具体操作如下:设一段n秒的长程脑电数据经过步骤1到3得到的n个DTW值为,选择其中两个值作为初始聚类中心/>,/>;针对数据集中每个样本/>,计算它到2个聚类中心的距离,并将其分到距离最小的聚类中心所对应的类中;针对每个类别,重新计算它的聚类中心;重复上述步骤直到聚类中心不再发生变化;最终得到聚类簇/>,/>,即为DTW值聚类的结果,/>,/>中包含基准段DTW值的聚类簇为正常簇,该簇中所有的DTW值对应的时间段为脑电正常段,反之,另外一个簇为异常簇,其中所有的DTW值对应的时间段为癫痫发作段,根据此聚类结果可从原始长程脑电数据中将异常脑电数据段检测出来。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148773.8A CN118021257A (zh) | 2024-02-02 | 2024-02-02 | 一种基于动态时间规整和K-means算法的癫痫发作检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148773.8A CN118021257A (zh) | 2024-02-02 | 2024-02-02 | 一种基于动态时间规整和K-means算法的癫痫发作检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118021257A true CN118021257A (zh) | 2024-05-14 |
Family
ID=90994596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410148773.8A Pending CN118021257A (zh) | 2024-02-02 | 2024-02-02 | 一种基于动态时间规整和K-means算法的癫痫发作检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118021257A (zh) |
-
2024
- 2024-02-02 CN CN202410148773.8A patent/CN118021257A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A high-precision arrhythmia classification method based on dual fully connected neural network | |
He et al. | A framework for cardiac arrhythmia detection from IoT-based ECGs | |
George et al. | Classification of epileptic EEG signals using PSO based artificial neural network and tunable-Q wavelet transform | |
Raghu et al. | A novel approach for real-time recognition of epileptic seizures using minimum variance modified fuzzy entropy | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
Choi et al. | A novel multi-scale 3D CNN with deep neural network for epileptic seizure detection | |
Lu et al. | Classification of single-channel EEG signals for epileptic seizures detection based on hybrid features | |
CN110840432A (zh) | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 | |
CN111166327A (zh) | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 | |
CN113180691B (zh) | 一种三通道睡眠呼吸暂停与低通气综合征识别装置 | |
JP2022536552A (ja) | 脳波(eeg)の非線形性の変化に基づく発作検出システム及び方法 | |
CN112704503B (zh) | 心电信号噪声处理方法 | |
CN112971795B (zh) | 心电信号质量评估方法 | |
Li et al. | An improved sparse representation over learned dictionary method for seizure detection | |
Xu et al. | A graph Gaussian embedding method for predicting Alzheimer's disease progression with MEG brain networks | |
Akbarian et al. | Automatic seizure detection based on nonlinear dynamical analysis of EEG signals and mutual information | |
JP2023099043A (ja) | 脳波(eeg)の非線形性の変化に基づく発作検出システム及び方法 | |
Movahed et al. | Automatic diagnosis of mild cognitive impairment based on spectral, functional connectivity, and nonlinear EEG‐Based features | |
CN111671419B (zh) | 一种基于脑电信号的癫痫早期检测与识别方法及系统 | |
Tripathi et al. | Automatic seizure detection and classification using super-resolution superlet transform and deep neural network-A preprocessing-less method | |
CN116807496A (zh) | 癫痫间期脑电波异常信号的定位方法、装置、设备及介质 | |
CN118021257A (zh) | 一种基于动态时间规整和K-means算法的癫痫发作检测方法 | |
Kaur et al. | Comparison of Classification Models Using Entropy Based Features from Sub-bands of EEG. | |
CN113288088B (zh) | 一种基于生命体征检测的实时体温监测预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |