DE202022103183U1 - Ein System zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen - Google Patents

Ein System zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen Download PDF

Info

Publication number
DE202022103183U1
DE202022103183U1 DE202022103183.5U DE202022103183U DE202022103183U1 DE 202022103183 U1 DE202022103183 U1 DE 202022103183U1 DE 202022103183 U DE202022103183 U DE 202022103183U DE 202022103183 U1 DE202022103183 U1 DE 202022103183U1
Authority
DE
Germany
Prior art keywords
data
module
extracted features
layer
collected
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.)
Active
Application number
DE202022103183.5U
Other languages
English (en)
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to DE202022103183.5U priority Critical patent/DE202022103183U1/de
Publication of DE202022103183U1 publication Critical patent/DE202022103183U1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

System zur Identifizierung klinischer Korrekturen aus EEG-Signalen, wobei das System (100) Folgendes umfasst:
ein Datenerfassungsmodul (102) zur Erfassung von Echtzeitdaten von mindestens einer Elektrode;
ein Vorverarbeitungsmodul (104), das mit dem Datensammelmodul (102) verbunden ist, um die gesammelten Echtzeitdaten zu verarbeiten, wobei das Vorverarbeitungsmodul (104) einen Filter (104a) zum Filtern der gesammelten Daten enthält, um gefilterte Ausgangsdaten zu erhalten;
ein Vorhersagemodul (106), das mit dem Vorverarbeitungsmodul (104) verbunden ist, zum Vorhersagen der gefilterten Ausgabedaten auf der Grundlage einer Vielzahl von extrahierten Merkmalen, wobei eine Vielzahl von Faltungsschichten (106a) zum Reduzieren der Dimension der Vielzahl von extrahierten Merkmalen verwendet wird, wobei jede der Vielzahl der Faltungsschichten (106a) mit einem Kernel und einer Max-Pooling-Schicht verbunden ist;
ein Klassifizierungsmodul (108), das mit dem Vorhersagemodul (106) verbunden ist, zur binären Klassifizierung der mehreren extrahierten Merkmale, nachdem sie in einen eindimensionalen Vektor komprimiert wurden, um entweder einen normalen oder einen abnormalen Zustand zu erkennen, wobei die klinische Korrektur bei einem Patienten identifiziert wird, um psychische Gesundheitsprobleme zu ermitteln.

Description

  • BEREICH DER ERFINDUNG
  • Die vorliegende Erfindung bezieht sich auf das Gebiet der Identifikationssysteme. Insbesondere bezieht sich die vorliegende Erfindung auf das Gebiet der klinischen Korrektur Identifikationssystem aus EEG-Signalen.
  • HINTERGRUND DER ERFINDUNG
  • Das Internet der Dinge (IoT) hält immer mehr Einzug in unser tägliches Leben. Die psychische Gesundheitspflege ist nach wie vor ein wichtiger Bereich. In diesem Fall muss die traditionelle verbale Diagnose durch maschinelle Intelligenz ergänzt werden. Die Gehirn-Computer-Schnittstelle wird durch die Elektroenzephalographie (EEG) gebildet. Der Einsatz von maschinellem Lernen hilft bei der Diagnose von Patienten. Die Anwendung von IoT und maschinellem Lernen kommt der psychischen Gesundheitsversorgung zugute. EEG-Anomalien können bei der Erkennung verschiedener psychischer Erkrankungen wie Krampfanfälle, Alzheimer, Schizophrenie, Legasthenie, Depression, Demenz, Angstzustände usw. helfen.
  • Die im Gehirn entladenen elektrischen Signale werden in den Daten des Elektroenzephalogramms aufgezeichnet. Biologische Signale enthalten häufig sowohl deterministische als auch stochastische Elemente. Die Untersuchung dieser elektrischen Entladungen hilft dem Arzt, etwas über die Inaktivität des Gehirns zu erfahren. Der Arzt prüft die EEG-Ergebnisse und stellt eine Diagnose. Dies ist ein langwieriges und kostspieliges Verfahren.
  • Dieses EEG-Gerät erkennt elektrische Abweichungen im Gehirn mit nichtinvasiven Oberflächenelektroden. Viele Verfahren beruhen auf der Dekonstruktion von Daten und Merkmalen, die bei der Analyse von EEG-Daten verwendet werden. In dieser Studie wird ein Deep-Learning-Ansatz befürwortet, der Rohsignale für die klinische Berichtigung verwendet, die bei der betreffenden Person erforderlich ist oder nicht.
  • Der Einsatz von maschinellem Lernen und Deep-Learning-Frameworks im Bereich der psychischen Gesundheitspflege kann sinnvolle Ergebnisse liefern. Psychologische und psychiatrische Probleme werden häufig aus Scham ignoriert. Die Anwendung von maschinellem Lernen auf Elektroenzephalogrammsignale kann unmittelbare Ergebnisse liefern und Schüchternheit vermeiden. Erstellung eines geeigneten Modells zur Klassifizierung von Patienten, die eine klinische Korrektur benötigen oder nicht, und Verwendung desselben Modells zur Feststellung, ob eine Person an Alzheimer erkrankt ist oder nicht, unter Verwendung guter Leistungskennzahlen.
  • US20190150733A1 informiert über ein nicht-invasives Diagnoseinstrument zur Früherkennung der Alzheimer-Krankheit (AD).
  • Die Studie zeigt, dass herkömmliche ML wie DT, SVM, RF, NB, KNN, LR und LDA bei der Klassifizierung von EEG-Signalen keine angemessene Leistung erzielen. Deep-Learning-Ansätze wie LSTM, Auto-Encoder und CNN verbessern die Leistung, was dazu führt, dass CNN unter allen Modellen für diesen Echtzeit-Datensatz am besten abschneidet. Es gibt drei Typen: Genauigkeit, F1-Score und HTER sind die wichtigsten Parameter, die zur Überwachung der Leistung verwendet werden.
  • Daher besteht die Notwendigkeit, ein klinisches Korrektursystem zur Identifizierung der Alzehmeir-Krankheit aus EEG-Signalen zu entwickeln, das eine hohe Genauigkeit, einen niedrigen HTER-Score und einen guten F1-Score aufweist.
  • Der technische Fortschritt, der durch die vorliegende Erfindung offenbart wird, überwindet die Einschränkungen und Nachteile bestehender und konventioneller Systeme und Methoden.
  • ZUSAMMENFASSUNG DER ERFINDUNG
  • Die vorliegende Erfindung bezieht sich allgemein auf ein System zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen.
  • Ein Ziel der vorliegenden Erfindung ist es, sich auf die Unterscheidung von klinischen Korrekturen, die Patienten (abnormal) und klinische Korrekturen, die keine Patienten (normal) erfordern, zu konzentrieren,
  • Ein weiteres Ziel der vorliegenden Erfindung ist es, einen Echtzeit- und Originaldatensatz bereitzustellen,
  • Ein weiteres Ziel der vorliegenden Erfindung ist es, festzustellen, ob eine Person an der Alzheimer-Krankheit leidet, und
  • Ein weiteres Ziel der vorliegenden Erfindung ist es, ein System mit 98% Genauigkeit, 51% F1-Score und HTER von 0.2430.09 bereitzustellen.
  • In einer Ausführungsform ist ein System zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen, wobei das System Folgendes umfasst: ein Datensammelmodul zum Sammeln von Echtzeitdaten von mindestens einer Elektrode; ein Vorverarbeitungsmodul, das mit dem Datensammelmodul verbunden ist, um die gesammelten Echtzeitdaten zu verarbeiten, wobei das Vorverarbeitungsmodul einen Filter zum Filtern der gesammelten Daten enthält, um gefilterte Ausgangsdaten zu erhalten; ein Vorhersagemodul, das mit dem Vorverarbeitungsmodul verbunden ist, um die gefilterten Ausgabedaten auf der Grundlage einer Vielzahl von extrahierten Merkmalen vorherzusagen, wobei eine Vielzahl von Faltungsschichten zum Reduzieren der Dimension der Vielzahl von extrahierten Merkmalen verwendet wird, wobei jede aus der Vielzahl der Faltungsschichten einem Kernel und einer Max-Pooling-Schicht zugeordnet ist;ein Klassifizierungsmodul, das mit dem Vorhersagemodul verbunden ist, um die Vielzahl von extrahierten Merkmalen nach dem Komprimieren in einen eindimensionalen Vektor binär zu klassifizieren, um entweder einen normalen oder einen anormalen Zustand zu erkennen.
  • In einer Ausführungsform ist der Filter ein Butterworth-Bandpassfilter zur Filterung der gesammelten Echtzeitdaten auf der Grundlage der niedrigen Eckfrequenz des Bandes, der hohen Eckfrequenz des Bandes und der Abtastrate.
  • In einer Ausführungsform wird der Bandpassfilter, wenn eine Nullphase bestimmt wird, einmal vorwärts und einmal rückwärts angewandt, was zu einer doppelten Anzahl von Ecken, aber einer Nullphasenverschiebung in den resultierenden gefilterten Daten führt.
  • In einer Ausführungsform ist ein erster Kernel, der einer ersten Faltungsschicht zugeordnet ist, größer als nachfolgende Kernel, die den übrigen Faltungsschichten der Vielzahl von Faltungsschichten zugeordnet sind.
  • In einer Ausführungsform ist die Max-Pooling-Schicht von der ersten Faltungsschicht mit der (n-1)-Faltungsschicht verbunden, um die Größe der Vielzahl der extrahierten Merkmale zu reduzieren.
  • In einer Ausführungsform werden die nachfolgenden Merkmalskarten der Max-Pooling-Schicht zu einem eindimensionalen Vektor komprimiert.
  • In einer Ausführungsform wird der eindimensionale Vektor in eine voll verknüpfte Schicht zur binären Klassifizierung eingespeist.
  • In einer Ausführungsform besteht das Vorhersagemodul aus einem Ausfall und einer linearen Gauß-Fehlereinheit (GeLu).
  • In einer Ausführungsform wird die Größe der Vielzahl von extrahierten Merkmalen mit Epochen und Häufigkeit reduziert, wobei die von der Vielzahl von Elektroden gesammelten Daten angehängt werden und eine Datenliste und eine Etikettenliste für die Vielzahl von Elektroden erstellt wird.
  • In einer Ausführungsform bilden die mehreren Faltungsschichten und eine Support-Vektor-Maschine (SVM) einen Klassifikator des Klassifizierungsmoduls.
  • Um die Vorteile und Merkmale der vorliegenden Erfindung weiter zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf spezifische Ausführungsformen davon, die in den beigefügten Figuren dargestellt ist, gemacht werden. Es wird davon ausgegangen, dass diese Figuren nur typische Ausführungsformen der Erfindung zeigen und daher nicht als Einschränkung ihres Umfangs zu betrachten sind. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit den beigefügten Figuren beschrieben und erläutert werden.
  • Figurenliste
  • Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Erfindung werden besser verstanden, wenn die folgende detaillierte Beschreibung mit Bezug auf die beigefügten Figuren gelesen wird, in denen gleiche Zeichen gleiche Teile in den Figuren darstellen, wobei:
    • 1 ein Blockdiagramm eines Systems zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen zeigt und
    • 2 die Architektur des vorgeschlagenen Systems veranschaulicht.
  • Der Fachmann wird verstehen, dass die Elemente in den Figuren der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren anhand der wichtigsten Schritte, um das Verständnis der Aspekte der vorliegenden Offenbarung zu verbessern. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in den Figuren durch herkömmliche Symbole dargestellt sind, und dass die Figuren nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind, um die Figuren nicht mit Details zu überfrachten, die für Fachleute, die mit der vorliegenden Beschreibung vertraut sind, leicht erkennbar sind.
  • DETAILLIERTE BESCHREIBUNG
  • Um das Verständnis der Erfindung zu fördern, wird nun auf die in den Figuren dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.
  • Es versteht sich für den Fachmann von selbst, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.
  • Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Erfindung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
  • Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte umfasst, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.
  • Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System, die Methoden und die Beispiele, die hier angegeben werden, dienen nur der Veranschaulichung und sind nicht als Einschränkung gedacht.
  • Ausführungsformen der vorliegenden Erfindung werden im Folgenden unter Bezugnahme auf die beigefügten Figuren im Detail beschrieben.
  • 1 zeigt ein Blockdiagramm eines Systems zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen (100), wobei das System (100) umfasst:ein Datensammelmodul (102), ein Vorverarbeitungsmodul (104), Filter (104a), ein Vorhersagemodul (106), eine Vielzahl von Faltungsschichten (106a), ein Klassifikationsmodul (108).
  • Das Datenerfassungsmodul (102) sammelt Echtzeitdaten von mindestens einer Elektrode.
  • Das Vorverarbeitungsmodul (104) ist mit dem Datensammelmodul (102) verbunden, um die gesammelten Echtzeitdaten zu verarbeiten, wobei das Vorverarbeitungsmodul (104) einen Filter (104a) zum Filtern der gesammelten Daten enthält, um gefilterte Ausgangsdaten zu erhalten. Das Filter (104a) ist ein Butterworth-Bandpassfilter zum Filtern der gesammelten Echtzeitdaten auf der Grundlage der niedrigen Eckfrequenz des Bandes, der hohen Eckfrequenz des Bandes und der Abtastrate. Die Nullphase wird bestimmt, das Bandpassfilter wird einmal vorwärts und einmal rückwärts angewandt, was zu einer doppelten Anzahl von Ecken, aber einer Null-Phasenverschiebung in den resultierenden gefilterten Daten führt. Der erste Kernel ist einer ersten Faltungsschicht zugeordnet und ist größer als der nachfolgende Kernel, der den verbleibenden Faltungsschichten der Vielzahl von Faltungsschichten zugeordnet ist.
  • Das Vorhersagemodul (106) ist mit dem Vorverarbeitungsmodul (104) verbunden, um die gefilterten Ausgabedaten auf der Grundlage einer Vielzahl von extrahierten Merkmalen vorherzusagen, wobei eine Vielzahl von Faltungsschichten (106a) verwendet wird, um die Dimension der Vielzahl von extrahierten Merkmalen zu reduzieren, wobei jede der Vielzahl der Faltungsschichten (106a) mit einem Kernel und einer Max-Pooling-Schicht verbunden ist. Die Max-Pooling-Schicht ist von der ersten Faltungsschicht mit der (n-1) Faltungsschicht verbunden, um die Größe der Vielzahl der extrahierten Merkmale zu reduzieren. Die nachfolgenden Merkmalskarten der Max-Pooling-Schicht werden zu einem eindimensionalen Vektor komprimiert.
  • Das Klassifizierungsmodul (108) ist mit dem Vorhersagemodul (106) zur binären Klassifizierung der mehreren extrahierten Merkmale verbunden, nachdem diese zu einem eindimensionalen Vektor komprimiert wurden, um entweder einen normalen oder einen anormalen Zustand zu erkennen.
  • Der eindimensionale Vektor wird zur binären Klassifizierung in eine vollständig verbundene Schicht eingespeist.
  • Die Größe der Vielzahl von extrahierten Merkmalen wird mit Epochen und Häufigkeit reduziert, wobei die von der Vielzahl von Elektroden gesammelten Daten angehängt werden und eine Daten- und Etikettenliste für die Vielzahl von Elektroden erstellt wird.
  • Die mehreren Faltungsschichten (106a) und eine Support-Vektor-Maschine (SVM) bilden einen Klassifikator des Klassifizierungsmoduls (108).
  • 2 veranschaulicht die Architektur des vorgeschlagenen Systems.
  • Die Architektur umfasst eine Rohdatenerfassung, eine Vorverarbeitung durch einen Bandpassfilter, ein prädiktives Modul mit mehreren Faltungsschichten, einem Dropout und einer linearen Gauß-Fehlereinheit (GeLu), einen Klassifikator (SVM) und einen Ausgangsklassifikator mit normalen und abnormalen Klassen.
  • Die erste Faltungsschicht verwendet einen großen 1×64-Kernel, während die zweite bis fünfte Faltungsschicht kleine 1×3-Kerne verwenden, wie in der obigen Abbildung der Architektur zu sehen ist. Um die Größe der Merkmalskarten zu reduzieren, wird die Max-Pooling-Schicht von der ersten bis zur vierten Faltungsschicht verwendet. Die nachfolgenden Merkmalskarten der Max-Pooling-Schicht werden zu einem eindimensionalen Vektor komprimiert. Dieser Vektor wird in eine voll verknüpfte Schicht zur binären Klassifizierung eingespeist, und dann wird eine normale/abnormale Erkennung durchgeführt.
  • Tabelle 1 gibt Aufschluss über die Schichten der vorgeschlagenen Architektur
    Nein. Schichten Filter/Kernelgröße, Aktivierungsfunktion Form der Ausgabe
    1 Eingabe (256,1)
    2 Konv1D 16/64,relu 256,16
    3 Batch-Normalisierung 256,16
    4 Max_pooling1D 2 128,16
    5 Konv1D 32/3,relu 128,32
    6 Stapel-Normalisierung 128,32
    7 Max_pooling1D 2 64,32
    8 Konv1D 64/3,relu 64,64
    9 Stapel-Normalisierung 64,64
    10 Max_pooling1D 2 32,64
    11 Konv1D 64/3,relu 32,64
    12 Stapel-Normalisierung 32,64
    13 Max_pooling1D 2 16,64
    14 Konv1D 64/3,relu 16,64
    15 Stapel-Normalisierung 16,64
    16 Abflachen 1024
    17 Aussteiger 0.5 1024
    18 Dichtes 200,gelu 200
    19 SVM C=1, gamma=0.001, kernel= „rbf“ 2
  • Gemäß einer Ausführungsform werden die Signale verarbeitet, indem eine Reihe von Elektrodendaten als Eingangsdaten verwendet wird, um gefilterte Elektrodendaten zu erhalten. Der Bandpassfilter wird durch die Elektrodendaten, die Minimalfrequenz, die Maximalfrequenz, die 4 Eckpunkte und eine Nullphase definiert. Der Butterworth-Bandpassfilter filtert die Daten mit der Zeit, indem er die Zeilen von freqmin bis freqmax mit Hilfe von Eckpunkten durchläuft, paramfreqmin: Durchlassband untere Eckfrequenz, param freqmax: Durchlassband hohe Eckfrequenz, param df: Abtastrate in Hz, param corners: Filter-Ecke. Wenn param zerophase True ist, wird der Filter einmal vorwärts und einmal rückwärts angewendet. Dies führt zu der doppelten Anzahl von Ecken, aber einer Phasenverschiebung von Null in der resultierenden gefilterten Kurve, und die gefilterten Elektrodendaten werden zurückgegeben.
  • Bei einer Ausführungsform erfolgt die Dimensionierung der Daten, indem Rohdateien als Eingabe verwendet werden, um ein Array mit elektrodenweisen Daten als Ausgabe zu erhalten. Die Dateien werden mit einem Globus extrahiert und die Frequenz wird auf 256 gesetzt. Alle Patienten Elektroden Datenliste, alle Patienten Labelliste wird initialisiert. Für Numberoffiles werden die Excel-Dateien gelesen und die Blattnummern und Elektrodenlisten initialisiert. Für jedes Blatt in der Blattnummer wird der Blattname mit den Elektroden zu Listenwerten geparst und die Daten werden mit Epochen und Häufigkeit neu geformt. Wenn die Rohdateien in Zahlendateien vorliegen, wird die Elektrode als Einsen gekennzeichnet, andernfalls wird die Elektrode als Null gekennzeichnet, dann werden die Elektrodendaten und die Beschriftungsdaten an die jeweilige Elektrodendatenliste und die Beschriftungsliste angehängt und ein Array für alle Patientenelektrodendaten und ein Array für alle Patientenbeschriftungsdaten wird aus den jeweiligen Listen erstellt.
  • Das System wird mit 10-facher Kreuzvalidierung evaluiert, um seine Robustheit zu gewährleisten, und hat eine hohe Genauigkeit von 99.31%, einen hohen F1-Score von 99.32%, eine Präzision von 78.83%, einen Recall von 75.96% und einen niedrigen HTER von 0.214±0.02.
  • Die Figuren und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. Die Reihenfolge der hier beschriebenen Prozesse kann beispielsweise geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden; auch müssen nicht unbedingt alle Aktionen durchgeführt werden. Auch können diejenigen Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.
  • Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder Komponente eines oder aller Ansprüche zu verstehen.
  • Bezugszeichenliste
    • 100
    Ein System zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen.
    102
    Modul zur Datenerfassung.
    104
    Vorverarbeitungsmodul.
    104a
    Filter.
    106
    Vorhersage-Modul.
    106a
    Mehrzahl von Faltungsschichten
    108
    Klassifizierungsmodul.
    202
    EEG-Daten
    204
    Bandpass
    206
    Eine Vielzahl von Faltungsschichten
    208
    Droupout
    210
    FCGELU
    212
    SVM-Klassifikator
    214
    Entscheidung
    216
    Normal
    218
    Abnormal
    220
    Klasse 1
    222
    Klasse 2
    224
    Rohdatenerfassung
    226
    Vorverarbeitung
    228
    Vorhersage-Modul
    230
    Ausgabevorhersage
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • US 20190150733 A1 [0006]

Claims (10)

  1. System zur Identifizierung klinischer Korrekturen aus EEG-Signalen, wobei das System (100) Folgendes umfasst: ein Datenerfassungsmodul (102) zur Erfassung von Echtzeitdaten von mindestens einer Elektrode; ein Vorverarbeitungsmodul (104), das mit dem Datensammelmodul (102) verbunden ist, um die gesammelten Echtzeitdaten zu verarbeiten, wobei das Vorverarbeitungsmodul (104) einen Filter (104a) zum Filtern der gesammelten Daten enthält, um gefilterte Ausgangsdaten zu erhalten; ein Vorhersagemodul (106), das mit dem Vorverarbeitungsmodul (104) verbunden ist, zum Vorhersagen der gefilterten Ausgabedaten auf der Grundlage einer Vielzahl von extrahierten Merkmalen, wobei eine Vielzahl von Faltungsschichten (106a) zum Reduzieren der Dimension der Vielzahl von extrahierten Merkmalen verwendet wird, wobei jede der Vielzahl der Faltungsschichten (106a) mit einem Kernel und einer Max-Pooling-Schicht verbunden ist; ein Klassifizierungsmodul (108), das mit dem Vorhersagemodul (106) verbunden ist, zur binären Klassifizierung der mehreren extrahierten Merkmale, nachdem sie in einen eindimensionalen Vektor komprimiert wurden, um entweder einen normalen oder einen abnormalen Zustand zu erkennen, wobei die klinische Korrektur bei einem Patienten identifiziert wird, um psychische Gesundheitsprobleme zu ermitteln.
  2. System nach Anspruch 1, wobei der Filter (104a) ein Butterworth-Bandpassfilter zum Filtern der gesammelten Echtzeitdaten auf der Grundlage der niedrigen Eckfrequenz des Bandes, der hohen Eckfrequenz des Bandes und der Abtastrate ist.
  3. System nach Anspruch 1, wobei, wenn eine Nullphase bestimmt wird, das Bandpassfilter einmal vorwärts und einmal rückwärts angewendet wird, was zu einer doppelten Anzahl von Ecken, aber einer Nullphasenverschiebung in den resultierenden gefilterten Daten führt.
  4. System nach Anspruch 1, wobei ein erster Kernel, der einer ersten Faltungsschicht zugeordnet ist, größer ist als ein nachfolgender Kernel, der den übrigen Faltungsschichten der Vielzahl von Faltungsschichten zugeordnet ist.
  5. System nach Anspruch 1, wobei die Max-Pooling-Schicht von der ersten Faltungsschicht mit der (n-1)-Faltungsschicht verbunden ist, um die Größe der Vielzahl der extrahierten Merkmale zu reduzieren.
  6. System nach Anspruch 1, wobei die nachfolgenden Merkmalskarten der Max-Pooling-Schicht zu einem eindimensionalen Vektor komprimiert werden.
  7. System nach Anspruch 1, wobei der eindimensionale Vektor in eine voll verknüpfte Schicht zur binären Klassifizierung eingespeist wird.
  8. System nach Anspruch 1, wobei das Vorhersagemodul (106) einen Ausfall und eine lineare Gaußfehlereinheit (GeLu) umfasst.
  9. System nach Anspruch 1, wobei die Größe der Vielzahl von extrahierten Merkmalen mit Epochen und Häufigkeit reduziert wird, wobei die von der Vielzahl von Elektroden gesammelten Daten angehängt werden und eine Datenliste und eine Etikettenliste für die Vielzahl von Elektroden erstellt wird.
  10. System nach Anspruch 1, wobei die Vielzahl von Faltungsschichten (106a) und eine Support-Vektor-Maschine (SVM) einen Klassifikator des Klassifikationsmoduls (108) bilden.
DE202022103183.5U 2022-06-04 2022-06-04 Ein System zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen Active DE202022103183U1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE202022103183.5U DE202022103183U1 (de) 2022-06-04 2022-06-04 Ein System zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE202022103183.5U DE202022103183U1 (de) 2022-06-04 2022-06-04 Ein System zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen

Publications (1)

Publication Number Publication Date
DE202022103183U1 true DE202022103183U1 (de) 2022-06-15

Family

ID=82320973

Family Applications (1)

Application Number Title Priority Date Filing Date
DE202022103183.5U Active DE202022103183U1 (de) 2022-06-04 2022-06-04 Ein System zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen

Country Status (1)

Country Link
DE (1) DE202022103183U1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190150733A1 (en) 2011-12-09 2019-05-23 Regents Of The University Of Minnesota Hyperspectral imaging for detection of alzheimer's disease

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190150733A1 (en) 2011-12-09 2019-05-23 Regents Of The University Of Minnesota Hyperspectral imaging for detection of alzheimer's disease

Similar Documents

Publication Publication Date Title
DE112020000227T5 (de) Maschinelles lernen eines computermodells auf grundlage von korrelationenvon trainingsdaten mit leistungstrends
DE102012103089A1 (de) System und maschinenlesbarer Datenträger zur Erstellung von Patientenprognosen
DE202022103434U1 (de) Ein auf einem Enzephalogramm (EEG) basierendes Gerät zur Erkennung von epileptischen Anfällen
EP1034486B1 (de) Verfahren zur bestimmung wenigstens einer diagnostischen information aus signalmustern medizinischer sensorsysteme
DE112020006911T5 (de) Datenerzeugungsvorrichtung, System für maschinelles Lernen und Bearbeitungszustands-Schätzvorrichtung
CN113017627B (zh) 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法
Prasanth et al. Deep learning for interictal epileptiform spike detection from scalp EEG frequency sub bands
DE102014002172A1 (de) Überwachungsmonitor zur elektronischen Überwachung von Sensorsignalen im Rahmen eines Sepsismonitorings, sowie ein entsprechendes Verfahren
DE202022100822U1 (de) Ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen
DE202022103523U1 (de) Ein Klassifizierungssystem für diabetische Fußgeschwüre
DE102021124256A1 (de) Mobile ki
DE112013000981T5 (de) Einheit, Programm und Verfahren zum Analysieren von Textdokumenten
DE202022103183U1 (de) Ein System zur Identifizierung klinischer Korrekturen anhand von EEG-Signalen
EP4095697A1 (de) Verfahren zur charakterisierung des betriebszustands eines computersystems
EP1738306A1 (de) Computergestütztes system und verfahren zur automatisierten risikoparametererkennung und/oder -charakterisierung
DE202021106795U1 (de) Ein System zur Diagnose der kognitiven Wirkung von Tele-Serien auf das menschliche Gehirn unter Verwendung entrauschter EEG-Signale
DE19963123B4 (de) Analytisches Informationssystem
DE202022103759U1 (de) Ein gedankengesteuertes Portfolio-Optimierungs- und Backtesting-System für den Online-Handel
DE102009050681A1 (de) Verfahren und Vorrichtung zum Erkennen und Klassifizieren von Dokumentteilen eines rechnerverfügbaren Dokuments durch schrittweises Lernen aus mehreren Trainingsmengen
WO1997035267A1 (de) Verfahren zur klassifikation einer zeitreihe, die eine vorgebbare anzahl von abtastwerten aufweist, beispielsweise eines elektrischen signals, durch einen rechner
EP0978053A1 (de) Verfahren zur klassifikation einer zeitreihe, die eine vorgebbare anzahl von abtastwerten aufweist, beispielsweise eines elektrischen signals, durch einen rechner
DE60035505T2 (de) Feststellung von neurologischen zuständen mittels reizevozierten potentialen
DE4331018A1 (de) Verfahren zur automatischen Bewertung von Fraktionsmustertypen, die Krankheiten betreffen
AT526596B1 (de) Verfahren für eine Bestimmung eines Alterungszustands einer Brennstoffzelle, eines Brennstoffzellenstapels und/oder eines Brennstoffzellensystems
DE202024100997U1 (de) Deep-Learning-basiertes System für Arrhythmie

Legal Events

Date Code Title Description
R207 Utility model specification
R082 Change of representative

Representative=s name: LIPPERT STACHOW PATENTANWAELTE RECHTSANWAELTE , DE