DE202022103434U1

DE202022103434U1 - Ein auf einem Enzephalogramm (EEG) basierendes Gerät zur Erkennung von epileptischen Anfällen

Info

Publication number: DE202022103434U1
Application number: DE202022103434.6U
Authority: DE
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-06-20
Filing date: 2022-06-20
Publication date: 2022-06-24
Anticipated expiration: 2032-06-21

Abstract

Eine auf einem Enzephelogramm (EEG) basierende Vorrichtung (100) zur Erkennung epileptischer Anfälle, wobei die Vorrichtung (100) Folgendes umfasst:
ein Datensatzsammelmodul (102) zum Sammeln von Datenpunkten aus mindestens dem EEG-Signal, wobei die EEG-Signale von einer intrakraniellen (102a) und einer iktalen Elektrode (102b) aufgezeichnet werden, um intrakranielle und iktale epileptische Aktivitäten mindestens eines Benutzers zu beobachten;
ein Datenvorverarbeitungsmodul (104), das mit dem Datensatzsammelmodul (102) verbunden ist, um die gesammelten EEG-Signale zu normalisieren, wobei die Artefakte aus den normalisierten Signalen durch einen Filter entfernt werden, um die Qualität der normalisierten Signale zu verbessern;
ein Signalzerlegungsmodul (106), das mit dem Datenvorverarbeitungsmodul (104) verbunden ist, um die gefilterten Signale in eine „n“-Anzahl von Frequenzkomponenten zu zerlegen, wobei die Komponenten effektiv die intrinsische Natur der EEG-Signale widerspiegeln;
ein Merkmalsextraktionsmodul (108), das mit dem Signalzerlegungsmodul (106) verbunden ist, um eine Vielzahl von Merkmalen auf der Grundlage einer Vielzahl von Parametern zu extrahieren, wobei das Merkmalsextraktionsmodul (108) große redundante Daten in reduzierte Daten umwandelt, um die Komplexität zu verringern, wobei die extrahierte Vielzahl von Merkmalen als Eingabe für das Gaussian Process Latent Variable-Modul (GPLVM) gegeben wird, um optimale Merkmale zu erhalten; und
ein Klassifizierungsmodul (110), das mit dem Merkmalsextraktionsmodul (108) verbunden ist, zum Klassifizieren der Vielzahl von extrahierten Merkmalen in eine Vielzahl von Klassen, wie z.B. normal, ictal und interictal, wobei ein modifizierter Klassifizierer (110a) in dem Klassifizierungsmodul (110) verkörpert ist, um ein multibinäres Klassifizierungsproblem zu überwinden, um einen normalen Klassifizierer zu einem Mehrklassen-Klassifizierer zu erweitern.

Description

BEREICH DER ERFINDUNG
Die vorliegende Erfindung bezieht sich auf ein Gebiet der biomedizinischen Geräte. Insbesondere bezieht sich die vorliegende Erfindung auf ein EEG-basiertes Gerät zur Erkennung epileptischer Anfälle unter Verwendung eines latenten Variablenmodells nach Gauß'schem Prozess und einer Multi-Support-Vector-Maschine.
HINTERGRUND DER ERFINDUNG
In der heutigen Zeit ist der epileptische Anfall die häufigste neurologische Erkrankung, die durch plötzliche abnorme Entladungen von Gehirnneuronen und Stresseinflüsse ausgelöst wird. Nach Angaben der American Brain Foundation sind derzeit mehr als 40 Millionen Menschen von epileptischen Anfällen betroffen. Im Allgemeinen erkennt und diagnostiziert der klinische Experte den epileptischen Anfall durch visuelle Untersuchung der EEG-Signale, was ein mühsames und zeitaufwändiges Verfahren ist.
In jüngster Zeit wurden von den Forschern zahlreiche Systeme zur automatischen Erkennung epileptischer Anfälle entwickelt, wie z. B. ein adaptives, auf hybrider Merkmalsauswahl basierendes Ensemble, ein neuronales Faltungsnetzwerk, eine Kreuz-Bis-Spektrum-Analyse, ein Autoencoder, ein Fisher-Vektor-Ansatz und ein spärliches multiskaliges Radialbasisfunktionsnetzwerk.
EP2651288B1 offenbart die Erkennung oder Validierung der Erkennung eines epileptischen Anfalls anhand eines Herzschlagwellenkomplexes, der durch Elektrokortikographie (ECoG) identifiziert wird.
In früheren Forschungsarbeiten haben Forscher verschiedene Klassifizierungsansätze und Merkmale zur Klassifizierung der epileptischen Anfallsklassen verwendet.
Laut einem Forscher entwickelten M.R. Kumar und Y.S. Rao ein neues überwachtes automatisches System zur Erkennung epileptischer Anfälle. Zunächst wurde die Variational Mode Decomposition (VMD) zur Zerlegung der erfassten Signale für die Frequenzlokalisierung verwendet. Außerdem wurden die Peak-Magnitude des Root Mean Square Ratio und die differentielle Entropie zur Extraktion der Merkmale verwendet. Die gewonnenen Merkmalsinformationen wurden durch Anwendung von Random Forest klassifiziert. Die aktuelle Forschungsstudie wurde mit Online-Datensätzen (BU und Bern-Barcelona) evaluiert.
Ein anderer Forscher, M. Mursalin et al., entwickelte ein neues System zur Erkennung epileptischer Anfälle unter Verwendung von Random Forest und verbesserter korrelationsbasierter Merkmalsauswahl (ICFS). In dieser Forschung wählt ICFS die dominantesten Merkmalswerte aus dem Entropiemerkmal, der Frequenz und dem Zeitbereich aus. Anschließend wurde Random Forest zur Klassifizierung der EEG-Signale in die Klassen ictal, interictal und normal verwendet.
Ein anderer Forscher, T. Zhang, et al., stellte ein neues System zur Erkennung epileptischer Anfälle vor, das auf einem Random-Forest-Klassifikator, der Singulärwertzerlegung (SVD) und der verallgemeinerten Stockwell-Transformation (GST) basiert. Zunächst transformiert die GST das gesammelte Signal in eine Zeit-Frequenz-Matrix, und dann wurden die lokalen und globalen singulären Vektoren mit dem SVD-Ansatz extrahiert. Die extrahierten Merkmale wurden mit Hilfe der Random-Forest-Klassifizierungsmethode klassifiziert.
Einem anderen Forscher zufolge entwickelten K. Samiee et al. ein neues Merkmalsextraktionsschema für die Erkennung epileptischer Anfälle auf der Grundlage lokaler binärer Gabor-Muster (LGBP) und eines rationalen Zersetzungsschemas. Zunächst wurden die gesammelten EEG-Aufzeichnungen in 8 rationale Komponenten unter Verwendung optimaler Koeffizienten zerlegt. Außerdem wurde LGBP zur Extraktion und Klassifizierung der zerlegten Signale in unterschiedliche Klassen verwendet. Das entwickelte System konnte aufgrund einer hohen Fehlerquote keine bessere Klassifizierungsleistung in großen Datensätzen erzielen.
Ein anderer Forscher, N. Ahammad et al., stellte ein neues System zur Erkennung von epileptischen Anfällen vor. Zu Beginn wurden die EEG-Signale aus der Datenbank (BU) gesammelt. Dann wurden Standardabweichung, Mittelwert, Entropie, Energie, maximale und minimale Merkmale zur Extraktion der Merkmale aus den erfassten Signalen verwendet. Schließlich wurde ein linearer Klassifizierungsansatz für die Klassifizierung der epileptischen Anfallsklassen verwendet: normal, ictal und interictal. Das entwickelte System erreichte eine geringe Genauigkeit (84.2 %), da es nur für einheitliche Musterdatenbanken und nicht für alle Datenbanken mit uneinheitlichen Mustern geeignet war.
Die drei Hauptprobleme bei den bisherigen Methoden sind: der Zeitaufwand für die Ärzte, die hohe Wahrscheinlichkeit fehlender Werte und die Notwendigkeit manueller Untersuchungen.
Daher besteht die Notwendigkeit, ein besseres automatisches Gerät zur Erkennung epileptischer Anfälle zu entwickeln, um die oben genannten Probleme zu lösen und die Leistung der Erkennung epileptischer Anfälle zu verbessern, die eine zuverlässige und genaue Erkennung von epileptischen Anfällen ermöglicht.
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 EEG-basiertes Gerät zur Erkennung von epileptischen Anfällen.
Ziel der vorliegenden Erfindung ist es, ein Gerät zur Erkennung von epileptischen Anfällen auf der Grundlage des EEG zu entwickeln,
Ein weiteres Ziel der vorliegenden Erfindung ist es, die Leistung der Erkennung epileptischer Anfälle zu verbessern, und
Ein weiteres Ziel der vorliegenden Erfindung ist es, eine zuverlässige und genaue Erkennung von epileptischen Anfällen zu ermöglichen.
In einer Ausführungsform eine auf einem Enzephelogramm (EEG) basierende Vorrichtung zur Erkennung epileptischer Anfälle, wobei die Vorrichtung Folgendes umfasst:: ein Datensatzsammelmodul zum Sammeln von Datenpunkten von mindestens dem EEG-Signal, wobei die EEG-Signale von einer intrakraniellen und einer iktalen Elektrode aufgezeichnet werden, um intrakranielle und iktale epileptische Aktivitäten von mindestens einem Benutzer zu beobachten; ein Datenvorverarbeitungsmodul, das mit dem Datensatzsammelmodul verbunden ist, um die gesammelten EEG-Signale zu normalisieren, wobei die Artefakte aus den normalisierten Signalen durch einen Filter entfernt werden, um die Qualität der normalisierten Signale zu verbessern; ein Signalzerlegungsmodul, das mit dem Datenvorverarbeitungsmodul verbunden ist, um die gefilterten Signale zu zerlegen in „n“ Anzahl von Frequenzkomponenten, wobei die Komponenten effektiv die intrinsische Natur von EEG-Signalen widerspiegeln; ein Merkmalsextraktionsmodul, das mit dem Signalzerlegungsmodul verbunden ist, um eine Vielzahl von Merkmalen auf der Grundlage einer Vielzahl von Parametern zu extrahieren, wobei das Merkmalsextraktionsmodul große redundante Daten in reduzierte Daten umwandelt, um die Komplexität zu verringern, wobei die extrahierte Vielzahl von Merkmalen als Eingabe für das Gaussian Process Latent Variable-Modul (GPLVM) gegeben wird, um optimale Merkmale zu erhalten und ein Klassifizierungsmodul, das mit dem Merkmalsextraktionsmodul verbunden ist, zum Klassifizieren der Vielzahl von extrahierten Merkmalen in eine Vielzahl von Klassen, wie z.B. normal, ictal und interictal, wobei ein modifizierter Klassifizierer in dem Klassifizierungsmodul verkörpert ist, um ein multibinäres Klassifizierungsproblem zu überwinden, um einen normalen Klassifizierer zu einem Mehrklassen-Klassifizierer zu erweitern.
In einer Ausführungsform werden die EEG-Signale von einem 12-Bit-Analog-Digital-Wandler und einem 128-Kanal-Verstärker gewonnen.
In einer Ausführungsform besteht der Datensatz aus einer Vielzahl von Teilmengen zum separaten Speichern der gesammelten Datenpunkte, wobei eine erste Teilmenge aus Signalen besteht, die von den intrakraniellen und iktalen Elektroden aufgezeichnet wurden, wobei eine zweite Teilmenge aus den Signalen besteht, die von mindestens einem gesunden Benutzer aufgezeichnet wurden.
In einer Ausführungsform ist der Filter ausgewählt aus, aber nicht beschränkt auf, Butterwert-Filter 2. Ordnung, wobei der Filter das Grundlinien-Wanderrauschen unterdrückt (Grenzfrequenzbereich über 60 Hz).
In einer Ausführungsform wird die Signalzerlegung unter Verwendung der lokalen Mittelwertzerlegung (LMD) durchgeführt, wobei die Signalzerlegung durch anfängliches Berechnen des Mittelwerts der Minimal- und Maximalpunkte der EEG-Signale durchgeführt wird; Subtrahieren des berechneten Mittelwerts vom EEG-Signal, um ein resultierendes Signal zu erhalten, wobei die Ausgabe ein reines frequenzmoduliertes Signal ist, wobei das frequenzmodulierte Signal eine Hüllkurven- und lokale Mittelwertfunktion schätzt; ein anfänglicher Mittelwert wird von dem entrauschten Signal subtrahiert, um ein Ausgangssignal zu erhalten, wobei das Ausgangssignal unter Verwendung einer Hüllkurvenschätzfunktion unterteilt wird; und die Hüllkurvenschätzfunktion wird mit dem unterteilten Signal multipliziert, um eine Produktfunktion zu erhalten, wobei die Produktfunktion von dem EEG-Eingangssignal unter Verwendung einer neuen Funktion subtrahiert wird, die eine geglättete Version der ursprünglichen Daten bezeichnet.
In einer Ausführungsform umfasst die Vielzahl der Parameter: Entropie und statistische Merkmale wie sichere Entropie, differentielle Entropie, Standardabweichung, Wurzelsumme im Quadrat, Maximum, Varianz, Mittelwert, Schiefe, Kurtosis und Momente.
In einer Ausführungsform ist der Klassifikator eine modifizierte Support-Vektor-Maschine (M-SVM).
In einer Ausführungsform erzeugt der M-SVM-Klassifikator alle möglichen Zwei-Klassen-Klassifikatoren aus einer Trainingsmenge von n-ten Klassen, jeder Klassifikator trainiert nur zwei von n-ten Klassen, und es gibt nx(n-1)/2 Klassifikatoren, wobei im M-SVM-Klassifikator eine Entscheidungsfunktion die Mehrklassenbelange moderiert, die unter Berücksichtigung aller n-ten Klassen entwickelt wurde.
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 unter Bezugnahme auf die beigefügten Figuren gelesen wird, in denen gleiche Zeichen gleiche Teile in den Figuren darstellen, wobei:

1 ein Blockdiagramm eines auf einem Enzephelogramm (EEG) basierenden Geräts zur Erkennung epileptischer Anfälle zeigt,
2 eine grafische Darstellung des zerlegten EEG-Signals zeigt, und
3 eine grafische Darstellung des vorgeschlagenen Geräts mit verschiedenen Klassifikatoren anhand von FPR und FNR zeigt.

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.
Der Fachmann wird verstehen, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und nicht als einschränkend angesehen werden.
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 einer auf einem Enzephalogramm (EEG) basierenden Vorrichtung zur Erkennung epileptischer Anfälle (100), wobei die Vorrichtung (100) Folgendes umfasst: ein Datensatzsammelmodul (102), ein intrakranielles (102a), ictale Elektroden (102b), einen 12-Bit-Analog-Digital-Wandler (102c), einen 128-Kanal-Verstärker (102d), ein Datenvorverarbeitungsmodul (104), ein Signalzerlegungsmodul (106), ein Merkmalsextraktionsmodul (108), ein Klassifikationsmodul (110) und einen modifizierten Klassifikator (110a).
Das Datensatzsammelmodul (102) sammelt Datenpunkte von mindestens dem EEG-Signal, wobei die EEG-Signale von einer intrakraniellen (102a) und einer iktalen Elektrode (102b) aufgezeichnet werden, um intrakranielle und iktale epileptische Aktivitäten von mindestens einem Benutzer zu beobachten.
In einer Ausführungsform wird die BU-Datenbank zur Erfassung der EEG-Signale verwendet. Die BU-Datenbank enthält 500 EEG-Signale mit fünf Teilmengen: Z, O, N, F und S. Diese EEG-Signale werden von einem 12-Bit-Analog-Digital-Wandler (102c) und einem 128-Kanal-Verstärker (102d) aufgezeichnet. In diesem Datensatz werden die EEG-Signale von den intrakraniellen (102a) und iktalen Elektroden (102b) aufgezeichnet, um die intrakraniellen und iktalen epileptischen Aktivitäten zu beobachten, die in den Untergruppen N, F und S gespeichert werden. Außerdem werden die EEG-Signale gesunder Personen in den Untergruppen Z und O gespeichert. In diesem Gerät werden 50 ictal, 50 interictal und 50 normale Signale gespeichert. Die EEG-Signale werden von einem 12-Bit-Analog-Digital-Wandler (102c) und einem 128-Kanal-Verstärker (102d) gewonnen.
Der Datensatz besteht aus einer Vielzahl von Teilmengen zum separaten Speichern der gesammelten Datenpunkte, wobei eine erste Teilmenge aus Signalen besteht, die von den intrakraniellen und iktalen Elektroden aufgezeichnet wurden, wobei eine zweite Teilmenge aus den Signalen besteht, die von mindestens einem gesunden Benutzer aufgezeichnet wurden.
Das Datenvorverarbeitungsmodul (104) ist mit dem Datensatzsammelmodul (102) verbunden, um die gesammelten EEG-Signale zu normalisieren, wobei die Artefakte aus den normalisierten Signalen durch einen Filter entfernt werden, um die Qualität der normalisierten Signale zu verbessern. Der Filter ist ausgewählt aus, aber nicht beschränkt auf einen Butterwertfilter 2^nd Ordnung, wobei der Filter das Grundlinien-Wanderrauschen zurückweist (Grenzfrequenzbereich über 60 Hz).
Nach der Signalerfassung wird eine Normalisierung der EEG-Signale durchgeführt, die zwischen Null und Eins liegt. Die Signalnormalisierung ist der Mechanismus zur Skalierung der EEG-Signale auf ein identisches Niveau. Alle EEG-Signale haben die gleiche Leistung, wenn die Signalnormalisierung auf dem Leistungsniveau durchgeführt wird. Nach der Signalnormalisierung wird ein Butterwertfilter 2^nd Ordnung verwendet, um Artefakte im EEG-Signal zu eliminieren. In den meisten Fällen werden die EEG-Signale von den EEG-Geräten erfasst, so dass sie hauptsächlich Grundlinien-Wanderrauschen enthalten. Der Butterwert-Filter 2. Ordnung wird verwendet, um das Grundlinien-Wanderrauschen zu unterdrücken (Grenzfrequenzbereich über 60 Hz) und verbessert außerdem effektiv die Qualität des normalisierten EEG-Signals. Die Formel des Butterwertfilters 2nd Ordnung ist in der Gleichung angegeben: $G^{2} (W) = {| H (j w) |}^{2} = \frac{G_{0}^{2}}{1 + {(\frac{j w}{j w_{c}})}^{2 n}}, n = 2$
Dabei steht Go für die Gleichstromverstärkung, n für die Filterordnung und Wc für die Grenzfrequenz. Anschließend werden die entrauschten EEG-Signale mit Hilfe der LMD-Methode zerlegt.
Das Signalzerlegungsmodul (106) ist mit dem Datenvorverarbeitungsmodul (104) verbunden, um die gefilterten Signale in eine Anzahl von „n“ Frequenzkomponenten zu zerlegen, wobei die Komponenten effektiv die intrinsische Natur der EEG-Signale widerspiegeln.
Die Signalzerlegung wird unter Verwendung der lokalen Mittelwertzerlegung (LMD) durchgeführt, wobei die Signalzerlegung durch anfängliches Berechnen des Mittelwerts der Minimal- und Maximalpunkte der EEG-Signale durchgeführt wird; Subtrahieren des berechneten Mittelwerts vom EEG-Signal, um ein resultierendes Signal zu erhalten, wobei der Ausgang ein reines frequenzmoduliertes Signal ist, wobei das frequenzmodulierte Signal eine Hüllkurven- und lokale Mittelwertfunktion schätzt; ein anfänglicher Mittelwert wird von dem entrauschten Signal subtrahiert, um ein Ausgangssignal zu erhalten, wobei das Ausgangssignal unter Verwendung einer Hüllkurvenschätzfunktion unterteilt wird; und die Hüllkurvenschätzfunktion wird mit dem unterteilten Signal multipliziert, um eine Produktfunktion zu erhalten, wobei die Produktfunktion von dem EEG-Eingangssignal unter Verwendung einer neuen Funktion subtrahiert wird, die eine geglättete Version der ursprünglichen Daten bezeichnet.
Das Merkmalsextraktionsmodul (108) ist mit dem Signalzerlegungsmodul (106) verbunden, um eine Vielzahl von Merkmalen auf der Grundlage einer Vielzahl von Parametern zu extrahieren, wobei das Merkmalsextraktionsmodul (108) große redundante Daten in reduzierte Daten umwandelt, um die Komplexität zu verringern, wobei die extrahierte Vielzahl von Merkmalen als Eingabe für das Gaussian Process Latent Variable-Modul (GPLVM) gegeben wird, um optimale Merkmale zu erhalten. Die Vielzahl der Parameter umfasst: Entropie und statistische Merkmale wie sichere Entropie, differentielle Entropie, Standardabweichung, Wurzelsummenquadratwert, Maximum, Varianz, Mittelwert, Schiefe, Kurtosis und Momente.
Darüber hinaus werden durch die Merkmalsextraktion die großen redundanten Daten in eine reduzierte Datendarstellung umgewandelt, wodurch die Komplexität des Systems verringert wird. Der Hauptvorteil der Verwendung mehrerer Merkmale hilft bei der Erkennung der Daten trotz erheblicher Unordnung und Verdeckung. In diesem Gerät beträgt die Länge der extrahierten Merkmale 40. Die extrahierten Merkmale werden als Eingabe für GPLVM verwendet, um die optimalen Merkmale zu erhalten.
Die GPLVM ist eine Erweiterung der Hauptkomponentenanalyse, bei der das vorherige Verfahren auf der NxN-Innenproduktmatrix basiert. In dieser Forschungsstudie wird eine alternative GPLVM entwickelt, die sich auf ein nichtlineares Verfahren konzentriert, insbesondere auf einen „Radialbasisfunktionskern“, wie er in Gleichung angegeben ist: $k_{n, m} = α exp (- \frac{γ}{2} {(x_{n} - x_{m})}^{T} (x_{n} - x_{m})) + δ_{n, m} β^{- 1}$
Dabei steht γ für den Skalierungsparameter, δ_(n,m) für das Kronecker-Delta und k_(n,m) für das Element der m-ten Spalte und der n-ten Zeile von K. Die Gradienten der latenten Punkte werden anhand der Gleichung ermittelt: $\frac{\partial L}{\partial K} = K^{- 1} Y Y^{T} K^{- 1} - D K^{- 1}$
Dabei gilt: K=αXX^T+β^(-1) und X=[x₁,....x_n]^T. Diese Gradienten werden in einem nichtlinearen Optimierer wie den skalierten konjugierten Gradienten verwendet, um eine latent variable Darstellung des Signals zu erreichen. Zusätzlich werden Gradienten, die mit den Parametern der Kernelmatrix zusammenhängen, berechnet und zur Optimierung von X, α, γ und β verwendet.
Das Klassifizierungsmodul (110) ist mit dem Merkmalsextraktionsmodul (108) verbunden, um die Vielzahl der extrahierten Merkmale in eine Vielzahl von Klassen, wie z.B. normal, ictal und interictal, zu klassifizieren, wobei ein modifizierter Klassifizierer (110a) in dem Klassifizierungsmodul (110) verkörpert ist, um ein multibinäres Klassifizierungsproblem zu überwinden, um einen normalen Klassifizierer zu einem Mehrklassen-Klassifizierer zu erweitern. Der Klassifikator (110a) ist eine modifizierte Support-Vektor-Maschine (M-SVM). Der M-SVM-Klassifikator (110a) erzeugt alle möglichen Zwei-Klassen-Klassifikatoren aus einer Trainingsmenge von n-ten Klassen, jeder Klassifikator trainiert nur zwei von n-ten Klassen, und es gibt nx(n-1)/2 Klassifikatoren, wobei im M-SVM-Klassifikator (110a) eine Entscheidungsfunktion die Mehrklassenproblematik moderiert, die durch Berücksichtigung aller n-ten Klassen entwickelt wird.
Bei der binären SVM sind die beiden bekanntesten Ansätze One-Against-One (1-a-1) und One-Against-All (1-a-a). Der 1-a-a-Ansatz erstellt eine binäre Klassifizierung für jede Klasse, die die Zugehörigkeit der Objekte zu ähnlichen Klassen unterscheidet. In der n-ten Klasse entwickelt der 1-a-a-Ansatz den n-ten binären Klassifikator, wobei der x-te Klassifikator mit Proben der x-ten Klasse trainiert wird, die positive Kennzeichnungen haben, und die restlichen EEG-Proben mit Proben der x-ten Klasse trainiert werden, die negative Kennzeichnungen haben. Die Ausgabe der n(ten) Klasse im 1-a-a-Ansatz ist mit dem 1-a-1-Ansatz verbunden, um einen hohen Ausgabewert zu erreichen. Außerdem ist der 1-a-1-Ansatz das Ergebnis früherer Forschungen zur Zweiklassenklassifizierung.
Die Hauptidee hinter dem M-SVM-Klassifikator ist es, alle möglichen Zwei-Klassen-Klassifikatoren aus dem Trainingssatz von n-ten Klassen zu generieren, wobei jeder Klassifikator nur zwei von n-ten Klassen trainiert, und es werden nx(n-1)/2 Klassifikatoren sein. Beim M-SVM-Klassifikator ist die Entscheidungsfunktion eine wirksame Methode zur Moderation der Mehrklassenprobleme, die unter Berücksichtigung aller n^th Klassen entwickelt wird. Der M-SVM-Klassifikator ist eine Erweiterung des SVM, die in den Gleichungen dargestellt ist: $m i n Φ (w, ξ) = 1 / 2 \sum_{m = 1}^{k} (w_{m}, w_{m}) + c \sum_{x = 1}^{l} + \sum_{x = 1}^{l} \sum_{m \neq y x} ξ_{x}^{m}$
$(w_{y x} \cdot i_{x}) + b_{y x} \geq (w_{y x} \cdot i_{x}) + b_{m} + 2 - ξ_{x}^{m},$
$ξ_{x}^{m} \geq 0, x = 1,2,3 \dots l, m, y x \in {1,2,3 \dots k}, m \neq y x$
Dabei steht yx für die Klasse der Trainingsdatenvektoren i_x,c für eine Konstante, I für den Trainingsdatenpunkt, ξx(m) für die Schlupfvariablen und k für die Anzahl der Klassen. Schließlich wird die Entscheidungsfunktion in Gleichung angegeben: $ƒ (i) = a r g m a x [(w_{x} . i) + b_{x}], x = 1,2,3 \dots k$
Die Signalzerlegung wird unter Verwendung der lokalen Mittelwertzerlegung (LMD) durchgeführt, wobei die Signalzerlegung durch eine Vielzahl von Schritten erfolgt, die Folgendes umfassen:

Berechnen des Mittelwerts der Minimal- und Maximalpunkte der EEG-Signale;
Subtraktion des berechneten Mittelwertes vom EEG-Signal, um ein resultierendes Signal zu erhalten, wobei die Ausgabe ein reines frequenzmoduliertes Signal ist, wobei das frequenzmodulierte Signal eine Hüllkurve und eine lokale Mittelwertfunktion schätzt;
Subtrahieren eines anfänglichen Mittelwertes vom entrauschten Signal, um ein Ausgangssignal zu erhalten, wobei das Ausgangssignal unter Verwendung einer Hüllkurvenschätzfunktion unterteilt wird; und
Multiplizieren der Hüllkurvenschätzfunktion mit dem unterteilten Signal, um eine Produktfunktion zu erhalten, wobei die Produktfunktion von dem EEG-Eingangssignal unter Verwendung einer neuen Funktion subtrahiert wird, die eine geglättete Version der ursprünglichen Daten darstellt.

2 zeigt eine grafische Darstellung des zerlegten EEG-Signals.
Zunächst wird der Mittelwert der Minimal- und Maximalwerte der EEG-Signale berechnet. Der x^-te Mittelwert mx von jeweils zwei aufeinanderfolgenden Extrempunkten nx und n(_x+1) wird in der Gleichung ausgedrückt: $m_{x} = \frac{n_{x} + n_{x + 1}}{2}$
Außerdem werden die lokalen Mittelwerte in einer Geraden aufgetragen, die durch Variation der kontinuierlichen lokalen Mittelwertfunktion m(t) geglättet wird. Die lokale Größe jeder Schwingung a_x wird mathematisch in Gleichung angegeben: $a_{x} \frac{| n_{x} + n_{x + 1} |}{2}$
Dann wird der Mittelwert vom ursprünglichen Signal subtrahiert, und das resultierende Signal wird als h (t) angegeben. Das Hauptziel dieses Prozesses ist es, ein reines frequenzmoduliertes Signal zu erzeugen. Die jeweilige Schätzung des frequenzmodulierten Signals s_pq(t), die Hüllkurvenschätzung a_pq(t) und die Funktion des lokalen Mittelwerts m_pq (t) werden mit zwei tiefgestellten Buchstaben gekennzeichnet. Daher wird die anfängliche Hüllkurvenschätzung als a_i(t) und der anfängliche Mittelwert als m_i (t) dargestellt.
Im nächsten Segment wird mi (t) von dem entrauschten Signal i(t) subtrahiert, und das Ausgangssignal wird als h_i(t) dargestellt, wie in der Gleichung angegeben: $h_{i} (t) = i (t) - m_{i} (t)$
Dann wird das Signal h_i(t) mit Hilfe der Hüllkurvenschätzungsfunktion a_i(t), die mathematisch in Gleichung ausgedrückt wird, unterteilt: $s_{i} (t) = h_{i} (t) / a_{i} (t)$
Dementsprechend wird die geschätzte Hüllkurvenfunktion a_i(t) mit dem unterteilten Signal s_i(t) multipliziert, um die Produktfunktion PF_i(t) zu erhalten, wie in Gleichung dargestellt: $P F_{i} (t) = a_{i} (t) \times s_{i} (t)$
Die jeweilige Produktfunktion wird von dem EEG-Eingangssignal i(t) subtrahiert, wobei eine neue u_i(t)-Funktion verwendet wird, die die geglättete Version der ursprünglichen Daten darstellt.
Gemäß einer Ausführungsform wird die Beziehung zwischen den Eingangs- und Ausgangsvariablen der vorgeschlagenen Arbeit durch die Verwendung der Leistungsmetriken wie FPR, Empfindlichkeit, FNR, Spezifität und Genauigkeit verstanden. Die Formeln zur Berechnung von FPR, Empfindlichkeit, FNR, Spezifität und Genauigkeit sind in den Gleichungen angegeben: $F P R = \frac{F P}{T N + F P} \times 100$
$E m p f i n d l i c h k e i t = \frac{T P}{T P + F N} \times 100$
$F N R = \frac{F N}{T P + F N} \times 100$
$S p e z i f i t \ddot{a} t = \frac{T N}{T N + F P} \times 100$
$G e n a u i g k e i t = \frac{T P + T N}{T P + T N + F P + F N} \times 100$
Dabei steht TN für wahr negativ, FP für falsch positiv, FN für falsch negativ und TP für wahr positiv.

Gemäß einer Ausführungsform wird die Erkennung epileptischer Anfälle auf einer digitalen Signalverarbeitungsplattform entwickelt, um drei Klassen zu klassifizieren: normal, ictal und interictal. Hier wird die Leistungsbewertung für 150 zufällige EEG-Signale mit 80 % Trainings- und 20 % Testdaten überprüft. In Tabelle 1 wird die Leistung des vorgeschlagenen Geräts im Hinblick auf Empfindlichkeit, Genauigkeit und Spezifität für 50 Iterationen bewertet.

Klassifikator	Klassen	Genauigkeit (%)	Empfindlichkeit (%)	Spezifität (%)
KNN	Normal	100	90	100
	Iktal	80	100	80
	Interiktal	100	100	100
Neuronales Netz	Normal	50	55	60
	Iktal	60	50	50
	Interiktal	50	90	60
MSVM	Normal	100	95	100
	Iktal	100	100	100
	Interiktal	90	100	90

Darüber hinaus wird die Leistung des vorgeschlagenen Geräts mit zwei bestehenden Klassifizierungsansätzen überprüft: KNN und neuronales Netz. Die durchschnittliche Klassifizierungsgenauigkeit von MSVM liegt bei 96.67 % und die der vorhandenen Klassifizierungsverfahren: KNN und neuronales Netzwerk erreichen 93.34% und 53.34% der durchschnittlichen Klassifikationsgenauigkeit. Die durchschnittliche Sensitivität des MSVM-Klassifizierungsansatzes liegt bei 98.34 %, während die bestehenden Klassifizierungsmethoden eine durchschnittliche Sensitivität von 96.67 % und 65 % erreichen. Dementsprechend beträgt die durchschnittliche Spezifität des MSVM-Klassifizierungsansatzes 96.67 %, während die vorhandenen Klassifizierungsmethoden eine durchschnittliche Spezifität von 93.34 % und 56.67 % erreichen. In Tabelle 2 wird die Leistung der vorgeschlagenen Arbeit im Hinblick auf FPR und FNR für 50 Iterationen bewertet.

Klassifikator	Klassen	FPR (%)	FNR (%)
KNN	Normal	5	10
	Iktal	3	2
	Interiktal	5	10
Neuronales Netz	Normal	45	40
	Iktal	50	50
	Interiktal	10	90
MSVM	Normal	5	4
	Iktal	3	6
	Interiktal	4	10

3 zeigt eine grafische Darstellung des vorgeschlagenen Geräts mit verschiedenen Klassifikatoren anhand von FPR und FNR. Der durchschnittliche FNR-Wert des MSVM-Klassifizierungsansatzes beträgt 6.67 % und die vorhandenen Klassifizierungsmethoden erreichen 7.34 % und 60 % des durchschnittlichen FNR-Wertes. Dementsprechend liegt der durchschnittliche FPR-Wert der MSVM-Klassifizierungsmethode bei 4 % und die vorhandenen Klassifizierungsverfahren: KNN und neuronales Netzwerk erreichen 4.34% und 35% des durchschnittlichen FPR-Wertes. Tabelle 1 und Tabelle 2 bestätigen, dass die vorgeschlagene Arbeit in der BU-Datenbank in Bezug auf FPR, Sensitivität, FNR, Spezifität und Genauigkeit signifikante Ergebnisse erzielt. Tabelle 3 zeigt die Leistung der vorgeschlagenen Arbeit mit GPLVM und ohne GPLVM für unterschiedliche Klassifikatoren.

Vorverarbeitung der Signale	Merkmalsextraktion	Reduzierung der Dimensionalität	Klassifikator	Genauigkeit (%)
Normalisierung und Butterwertfilter 2. Ordnung	Kombination von Entropie und statistischen Merkmalen	Ohne GPLVM	KNN	78.92
		Mit GPLVM	KNN	93.34
		Ohne GPLVM	Neuronales Netz	51.09
		Mit GPLVM	Neuronales Netz	53.34
		Ohne GPLVM	MSVM	88.03
		Mit GPLVM	MSVM	96.67

In Verbindung mit GPLVM erhöht die MSVM-Klassifizierungsmethode die Genauigkeit bei der Erkennung epileptischer Anfälle um bis zu 8.6% im Vergleich zu ohne GPLVM. In diesem Gerät spielen die Signalzerlegung und die Reduzierung der Signaldimensionalität eine wichtige Rolle bei der Erkennung epileptischer Anfälle. Im Allgemeinen enthalten die gesammelten EEG-Signale zahlreiche Merkmalsvektoren und ein hohes Datenvolumen, was zu dem Problem des „Fluchs der Dimensionalität“ führt. Die Dimensionalitätsreduktion ist daher wichtig, um die extrahierten Merkmale zu optimieren oder die optimalen Merkmale zu erhalten, die für eine bessere Klassifizierung geeignet sind.
Diese Forschungsstudie wurde anhand einer Online-Datenbank (d.h. BU-Datensatz) überprüft. Die experimentelle Simulation ergab, dass die entwickelte Arbeit eine Klassifizierungsgenauigkeit von 94.1 % bei der Erkennung epileptischer Anfälle erreicht. In der BU-Datenbank erreichte die entwickelte Arbeit eine Genauigkeit von 84.2 %. In der Zwischenzeit erreichte die vorgeschlagene Arbeit eine Genauigkeit von 96.67%, was im Vergleich zu den vorherigen Arbeiten überlegen war.
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. So kann beispielsweise die Reihenfolge der hier beschriebenen Prozesse 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 die 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 auf einem Enzephelogramm (EEG) basierendes Gerät zur Erkennung von epileptischen Anfällen .
102: Modul zur Datensatzerfassung .
102a: Intrakranielle Elektroden
102b: Iktale Elektroden
102c: 12-Bit-Analog-Digital-Wandler
102d: 128-Kanal-Verstärker
104: Datenvorverarbeitungsmodul
106: Modul zur Signaldekomposition
108: Modul zur Merkmalsextraktion
110: Klassifizierungsmodul
110a: Modifizierter Klassifikator

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

EP 2651288 B1 [0004]

Claims

Eine auf einem Enzephelogramm (EEG) basierende Vorrichtung (100) zur Erkennung epileptischer Anfälle, wobei die Vorrichtung (100) Folgendes umfasst: ein Datensatzsammelmodul (102) zum Sammeln von Datenpunkten aus mindestens dem EEG-Signal, wobei die EEG-Signale von einer intrakraniellen (102a) und einer iktalen Elektrode (102b) aufgezeichnet werden, um intrakranielle und iktale epileptische Aktivitäten mindestens eines Benutzers zu beobachten; ein Datenvorverarbeitungsmodul (104), das mit dem Datensatzsammelmodul (102) verbunden ist, um die gesammelten EEG-Signale zu normalisieren, wobei die Artefakte aus den normalisierten Signalen durch einen Filter entfernt werden, um die Qualität der normalisierten Signale zu verbessern; ein Signalzerlegungsmodul (106), das mit dem Datenvorverarbeitungsmodul (104) verbunden ist, um die gefilterten Signale in eine „n“-Anzahl von Frequenzkomponenten zu zerlegen, wobei die Komponenten effektiv die intrinsische Natur der EEG-Signale widerspiegeln; ein Merkmalsextraktionsmodul (108), das mit dem Signalzerlegungsmodul (106) verbunden ist, um eine Vielzahl von Merkmalen auf der Grundlage einer Vielzahl von Parametern zu extrahieren, wobei das Merkmalsextraktionsmodul (108) große redundante Daten in reduzierte Daten umwandelt, um die Komplexität zu verringern, wobei die extrahierte Vielzahl von Merkmalen als Eingabe für das Gaussian Process Latent Variable-Modul (GPLVM) gegeben wird, um optimale Merkmale zu erhalten; und ein Klassifizierungsmodul (110), das mit dem Merkmalsextraktionsmodul (108) verbunden ist, zum Klassifizieren der Vielzahl von extrahierten Merkmalen in eine Vielzahl von Klassen, wie z.B. normal, ictal und interictal, wobei ein modifizierter Klassifizierer (110a) in dem Klassifizierungsmodul (110) verkörpert ist, um ein multibinäres Klassifizierungsproblem zu überwinden, um einen normalen Klassifizierer zu einem Mehrklassen-Klassifizierer zu erweitern.
Vorrichtung nach Anspruch 1, wobei die EEG-Signale von einem 12-Bit-Analog-Digital-Wandler (102c) und einem 128-Kanal-Verstärker (102d) erhalten werden.
Vorrichtung nach Anspruch 1, wobei der Datensatz aus einer Vielzahl von Teilmengen besteht, um die gesammelten Datenpunkte separat zu speichern, wobei eine erste Teilmenge aus Signalen besteht, die von den intrakraniellen und ictal Elektroden aufgezeichnet wurden, wobei eine zweite Teilmenge aus den Signalen besteht, die zumindest von einem gesunden Benutzer aufgezeichnet wurden.
Vorrichtung nach Anspruch 1, wobei der Filter aus einem Butterwertfilter 2. Ordnung ausgewählt, aber nicht darauf beschränkt ist, wobei der Filter das Grundlinien-Wanderrauschen (Grenzfrequenzbereich über 60 Hz) unterdrückt.
Vorrichtung nach Anspruch 1, wobei die Signalzerlegung unter Verwendung der lokalen Mittelwertzerlegung (LMD) durchgeführt wird, wobei die Signalzerlegung durchgeführt wird durch: mittlere Berechnung der Minimal- und Maximalpunkte der EEG-Signale; den berechneten Mittelwert vom EEG-Signal subtrahieren, um ein resultierendes Signal zu erhalten, wobei die Ausgabe ein reines frequenzmoduliertes Signal ist, wobei das frequenzmodulierte Signal eine Hüllkurven- und lokale Mittelwertfunktion schätzt; Subtrahieren eines anfänglichen Mittelwerts vom entrauschten Signal, um ein Ausgangssignal zu erhalten, wobei das Ausgangssignal unter Verwendung einer Hüllkurvenschätzfunktion unterteilt wird; und Multiplizieren der Hüllkurvenschätzfunktion mit dem unterteilten Signal, um eine Produktfunktion zu erhalten, wobei die Produktfunktion von dem EEG-Eingangssignal subtrahiert wird, wobei eine neue Funktion verwendet wird, die eine geglättete Version der ursprünglichen Daten darstellt.
Vorrichtung nach Anspruch 1, wobei die Vielzahl von Parametern Folgendes umfasst: Entropie und statistische Merkmale wie sichere Entropie, differentielle Entropie, Standardabweichung, Wurzelsumme im Quadrat, Maximum, Varianz, Mittelwert, Schiefe, Kurtosis und Momente.
Vorrichtung nach Anspruch 1, wobei der Klassifikator eine modifizierte Support-Vektor-Maschine (M-SVM) ist.
Vorrichtung nach Anspruch 7, wobei der M-SVM-Klassifikator alle möglichen Zwei-Klassen-Klassifikatoren aus einer Trainingsmenge von n-ten Klassen erzeugt, jeder Klassifikator nur zwei von n-ten Klassen trainiert und es nx(n-1)/2 Klassifikatoren gibt, wobei in dem M-SVM-Klassifikator eine Entscheidungsfunktion Mehrklassenbelange moderiert, die durch Berücksichtigung aller n-ten Klassen entwickelt wird.