TWI566746B - 基於腦波建立預測模型的電子裝置 - Google Patents

基於腦波建立預測模型的電子裝置 Download PDF

Info

Publication number
TWI566746B
TWI566746B TW103146255A TW103146255A TWI566746B TW I566746 B TWI566746 B TW I566746B TW 103146255 A TW103146255 A TW 103146255A TW 103146255 A TW103146255 A TW 103146255A TW I566746 B TWI566746 B TW I566746B
Authority
TW
Taiwan
Prior art keywords
brain wave
signal
channel
values
module
Prior art date
Application number
TW103146255A
Other languages
English (en)
Other versions
TW201622649A (zh
Inventor
歐陽振森
林龍昌
江景泰
楊瑞成
吳榮慶
吳惠娟
Original Assignee
義守大學
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 義守大學 filed Critical 義守大學
Priority to TW103146255A priority Critical patent/TWI566746B/zh
Priority to US14/819,445 priority patent/US20160183828A1/en
Publication of TW201622649A publication Critical patent/TW201622649A/zh
Application granted granted Critical
Publication of TWI566746B publication Critical patent/TWI566746B/zh

Links

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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

Description

基於腦波建立預測模型的電子裝置
本發明是有關於一種電子裝置，且特別是有關於一種基於腦波建立預測模型的電子裝置。
癲癇是小兒神經內科中最常見的慢性疾病之一。在患有癲癇的兒童中，約有60%~70%的患者的病情可由抗癲癇藥物(antiepileptic drug，AED)得到良好的控制，此種癲癇類型稱為非頑性癲癇(well-controlled epilepsy)。另一方面，無法藉由AED控制病情的癲癇類型則稱為頑性癲癇(refractory epilepsy)。由於用於治療非頑性癲癇及頑性癲癇的療程不同，因此若能夠準確地預測出患者的癲癇類型的話，將可使得患者及早接受更適當的療程。
音樂療程為常用於改善癲癇病情的療程之一，其精神在於讓患者聆聽例如莫札特的K.448等樂章。然而，不是每個患者的病情都會在接收音樂之後而獲得改善。因此，若能夠準確地預 測音樂療程是有助於/無助於改善患者的癲癇病情的話，同樣能使患者及早接受更適當的療程。
此外，癲癇對患者所帶來的影響之一即是其發作的時間點為隨機的。因此，若能夠準確地預測患者的癲癇發作狀態是屬於未發作狀態(inter-ictal state)或是發作前狀態(pre-ictal state，也就是癲癇即將要發作的狀態)的話，將能使得患者及其周圍的人及早反應，進而降低癲癇發作所造成的負面影響。
有鑑於此，本發明提出一種基於腦波建立預測模型的電子裝置。所述電子裝置可基於某些機制從癲癇患者的腦波中找出適當的腦波特徵的統計特性數值，並基於這些統計特性數值建立預測模型。所述預測模型的用途可因應於各個不同的機制而用於預測癲癇患者的癲癇類型、音樂療程的療效以及癲癇發作狀態。
本發明提供一種基於腦波建立預測模型的電子裝置，包括儲存單元以及處理單元。儲存單元記錄多個模組。處理單元耦接模組，用以存取並執行模組。所述多個模組包括第一取得模組、區分模組、擷取模組、第二取得模組、決定模組、挑選模組以及建立模組。第一取得模組透過偵測電極取得關聯於第一癲癇患者的至少一腦波訊號區段。各腦波訊號區段包括對應於多個頻道的多個腦波訊號，且各頻道對應至雙極組合範式的其中之一。區分模組依據預設視窗大小區分各腦波訊號為多個腦波成分。擷取模 組從各腦波訊號區段的腦波成分擷取對應於多個腦波特徵的多個資料組。第二取得模組取得各腦波訊號區段的各資料組的多個統計特性數值。決定模組基於各腦波特徵對應的統計特性數值決定各腦波訊號區段的各統計特性數值的增益比值。挑選模組依據各腦波訊號區段的各統計特性數值的增益比值從統計特性數值挑選多個特定統計特性數值。建立模組基於第一癲癇患者的特定統計特性數值建立預測模型。
基於上述，本發明實施例提出的電子裝置可從第一癲癇患者的腦波中找出特定統計特性數值，並據以建立用於預測癲癇患者的癲癇類型、音樂療程對於癲癇患者的療效以及癲癇發作狀態的預測模型。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
100‧‧‧電子裝置
112_1~112_N‧‧‧偵測電極
114‧‧‧儲存單元
114_1‧‧‧第一取得模組
114_2‧‧‧區分模組
114_3‧‧‧擷取模組
114_4‧‧‧第二取得模組
114_5‧‧‧決定模組
114_6‧‧‧挑選模組
114_7‧‧‧建立模組
114_8‧‧‧預測模組
116‧‧‧處理單元
CV1_1~CV1_4‧‧‧特徵值
DL‧‧‧虛線框
ES1~ES8‧‧‧腦波訊號
ES1_1~ES1_4‧‧‧腦波成分
ICA1‧‧‧頻道間平均值
ICV1‧‧‧頻道間標準差
ICS1‧‧‧頻道間訊號雜訊比
S210~S270、S410、S510、S610‧‧‧步驟
圖1是依據本發明之一實施例繪示的基於腦波建立預測模型的電子裝置示意圖。
圖2是依據本發明第一實施例繪示的基於腦波建立預測模型方法的流程圖。
圖3A是依據本發明之一實施例繪示的波訊號區段示意圖。
圖3B是依據圖3A實施例繪示的對應於一腦波特徵的多個特 徵值。
圖3C是依據圖3B實施例繪示的計算統計特性數值的示意圖。
圖4是依據本發明之一實施例繪示的基於預測模型預測癲癇類型方法流程圖。
圖5是依據本發明之一實施例繪示的基於預測模型預測音樂療程療效的方法流程圖。
圖6是依據本發明之一實施例繪示的基於預測模型預測癲癇發作狀態方法流程圖。
圖1是依據本發明之一實施例繪示的基於腦波建立預測模型的電子裝置示意圖。電子裝置100例如是可量測癲癇患者的腦波(electroencephalogram，EEG)，並據以提供相關生理數據給醫療人員參考的醫療儀器。此醫療儀器例如可配置有用於顯示上述生理數據的顯示器以及讓醫療人員進行操作的使用者介面單元(例如按鈕及觸控螢幕等)。此外，電子裝置100亦可以是可用於處理腦波的個人電腦、工作站、伺服器、智慧型手機、平板電腦以及筆記型電腦等裝置。
在本實施例中，電子裝置100包括偵測電極112_1~112_N(N為正整數)、儲存單元114以及處理單元116。偵測電極112_1~112_N可黏附於癲癇患者的頭皮上以量測癲癇患者的腦 波。具體而言，偵測電極112_1~112_N可對應於多個雙極組合範式(bipolar montage)，而這些雙極組合範式可對應於多個頻道。上述多個頻道例如是F3-C3、F4-C4、C3-T3、C4-T4、T3-O1、T4-O2、O1-C3及O2-C4。本領域通常知識者應可了解，上述各個頻道中的英文字母對應於偵測電極112_1~112_N在頭皮上的擺放位置，但本發明的實施方式可不限於此。
儲存單元114可以是記憶體、硬碟或是其他任何可用於儲存資料的元件，而可用以記錄多個程式碼或模組。處理單元116可為一般用途處理器、特殊用途處理器、傳統的處理器、數位訊號處理器、多個微處理器(microprocessor)、一個或多個結合數位訊號處理器核心的微處理器、控制器、微控制器、特殊應用集成電路(Application Specific Integrated Circuit，ASIC)、場可程式閘陣列電路(Field Programmable Gate Array，FPGA)、任何其他種類的積體電路、狀態機、基於進階精簡指令集機器(Advanced RISC Machine，ARM)的處理器以及類似品。
在本實施例中，處理單元116可存取並執行儲存單元114中的第一取得模組114_1、區分模組114_2、擷取模組114_3、第二取得模組114_4、決定模組114_5、挑選模組114_6以及建立模組114_7以執行本發明提出的基於腦波建立預測模型的方法。
如先前所提及的，所述預測模型的用途可因應於各個不同的建立機制而用於預測癲癇患者的癲癇類型、音樂療程對於癲癇患者的療效以及癲癇發作狀態(以下統稱為患者的病情特性) 的預測模型。因此，為了較清楚地說明上述機制，以下將分別以第一實施例、第二實施例以及第三實施例來說明建立各種預測模型的方式。
圖2是依據本發明第一實施例繪示的基於腦波建立預測模型方法的流程圖。本實施例提出的方法可由圖1的電子裝置100執行，以下即搭配圖1的各個元件來說明本方法的詳細步驟。
在步驟S210中，第一取得模組114_1可透過所述多個偵測電極112_1~112_N取得關聯於第一癲癇患者的至少一腦波訊號區段。所述第一癲癇患者例如是已知癲癇類型的多個癲癇患者中的第i個(i為正整數)癲癇患者。並且，在本實施例中，所述第一癲癇患者尚未接受抗癲癇藥物治療。接著，在步驟S220中，區分模組114_2可依據預設視窗大小(例如是5秒)區分各腦波訊號為多個腦波成分。
請參照圖3A，圖3A是依據本發明之一實施例繪示的波訊號區段示意圖。在本實施例中，腦波訊號區段E i 為第一癲癇患者的腦波訊號區段。應了解的是，腦波訊號區段E i 例如是在第一取得模組114_1取得第一癲癇患者的原始(raw)腦波訊號之後，透過執行一去除干擾波(artifact)機制所得到的不含干擾波(artifact-free)訊號。
如圖3A所示，腦波訊號區段E i 包括對應於8個頻道C1~C8的腦波訊號ES1~ES8。各腦波訊號ES1~ES8包括第一取得模組114_1依據一取樣頻率(例如是200Hz)取得的多個取樣值， 且各腦波訊號ES1~ES8包括區分模組114_2依據預設視窗大小所區分的多個腦波成分。以腦波訊號ES1為例，其例如對應於頻道C1，且包括腦波成分ES1_1~ES1_4。在本實施例中，區分模組114_2可將各腦波訊號ES1~ES8區分為4個視窗，但本發明的可實施方式不限於此。
接著，在步驟S230中，擷取模組114_3可從各腦波訊號區段的所述多個腦波成分擷取對應於多個腦波特徵的多個資料組。
在一實施例中，所述多個腦波特徵包括自迴歸模型預測錯誤(auto regressive modeling error)、解相關時間(decorrelation time)、腦波能量(EEG energy)、近似熵(approximate entropy)、取樣熵(sample entropy)、移動性(mobility)、在多個頻帶中的相對功率、頻譜邊緣(spectral edge)頻率、頻譜邊緣功率、多個矩(moment)以及多個小波係數能量(energy of wavelet coefficients)。所述多個頻帶例如是0.1~4Hz、4~8Hz、8~15Hz、15~30Hz以及30~2000Hz等。所述多個矩例如是平均值(mean)、方差(variance)、偏斜值(skewness)以及峰度(kurtosis)等。所述多個小波係數能量例如是4階多貝西小波轉換(Daubechies wavelet transform)在分解階層(decomposition level)1~6的能量等。
在一實施例中，擷取模組114_3可透過EPILAB等相關癲癇症狀分析軟體套件(software package)來從圖3A的各個腦波 成分中擷取上述各個腦波特徵的特徵值，並將這些特徵值表徵為對應的資料組。
請參照圖3B，圖3B是依據圖3A實施例繪示的對應於一腦波特徵的多個特徵值。在本實施例中，各個特徵值一對一對應於圖3A所示的各個腦波成分，且各個特徵值代表從對應的腦波成分中所擷取的腦波特徵的數值。舉例而言，特徵值CV1_1~CV1_4一對一對應於腦波成分ES1_1~ES1_4。也就是說，假設所考慮的腦波特徵為解相關時間，則特徵值CV1_1~CV1_4可分別代表從腦波成分ES1_1~ES1_4擷取出的解相關時間的數值。
在一實施例中，對應於第j個(j為正整數)腦波特徵的第i個資料組可表徵為： ，其中，C為所述多個頻道的數量，E f 為所述多個腦波特徵的數量，f ij (l,k)為第1個(l為正整數)頻道的第k個腦波成分的特徵值(C、E f 、l及k為正整數)。，其中n i 為所述多個取樣值的數量，f s 為取樣頻率(例如200Hz)，W為預設視窗大小(例如5秒)，為地板函數。
假設圖3B對應於上述第j個腦波特徵，則圖3B的資料組可表徵為： ，而其中的f ij (1,1)~f ij (1,4)則分別對應於特徵值CV1_1~CV1_4，但本發明的可實施方式不限於此。
請再次參照圖2，在步驟S240中，第二取得模組114_4可取得各腦波訊號區段的各資料組的多個統計特性數值。
在一實施例中，對應於第j個腦波特徵的第i個資料組的所述多個統計特性數值包括多個平均值、多個標準差以及多個訊號雜訊比。在此情況下，第二取得模組114_4可計算計算對應於第j個腦波特徵的第i個資料組的多個頻道間(inter-channel)平均值、多個頻道間標準差以及多個頻道間訊號雜訊比，再依據這些頻道間平均值、這些頻道間標準差以及這些頻道間訊號雜訊比計算所述多個時間上平均值、所述多個時間上標準差以及所述多個時間上訊號雜訊比。
在一實施例中，所述多個頻道間平均值的第k個頻道間平均值可表徵為：。所述多個頻道間標準差的第 k個頻道間標準差可表徵為：。所述多個頻道間訊號雜訊比的第k個頻道間訊號雜訊比可表徵為：
在此情況下，所述多個平均值的第一平均值、第二平均 值以及第三平均值可分別表徵為：、 以及。所述多個標準差的第一標準差、第二標準差以及第三標準差可分別表徵為： 以及 。所述多個訊號雜訊比的第 一訊號雜訊比、第二訊號雜訊比以及第三訊號雜訊比可分別表徵為：、以及
請參照圖3C，圖3C是依據圖3B實施例繪示的計算統計特性數值的示意圖。在本實施例中，第二取得模組114_4例如可基於圖3B的虛線框DL(即，第1個視窗)中的各個特徵值計算頻道間平均值ICA1(即，AVG k (F ij )| k=1)、頻道間標準差ICV1(即，STD k (F ij )| k=1)及頻道間訊號雜訊比ICS1(即，SNR k (F ij )| k=1)。在求出4個視窗對應的所有AVG k (F ij )、STD k (F ij )及SNR k (F ij )之後，第二取得模組114_4可對應地求得avg_AVG(F ij )、avg_STD(F ij )、avg_SNR(F ij )、std_AVG k (F ij )、std_STD k (F ij )、std_SNR k (F ij )、snr_AVG(F ij )、snr_STD(F ij )以及snr_SNR(F ij )等9個統計特性數值。
在一實施例中，上述基於F ij 所求得的統計特性數值可進一步表徵為關聯於F ij 的全域特性描述矩陣(global feature descriptor matrix)，即：
在步驟S250中，決定模組114_5可基於各腦波特徵對應的所述多個統計特性數值決定各腦波訊號區段的各統計特性數值的增益比值。具體而言，假設所考慮的腦波特徵的數量為Q(Q為正整數)，則從單一個腦波訊號區段可求得的統計特性數值例如是9×Q個。
在一實施例中，決定模組114_5可透過Weka等資料探勘(data mining)軟體來計算所述9×Q個統計特性數值個別的增益比值(gain ratio)。應了解的是，Weka的運作機制以及相關原理已記載於相關的文獻中，故此處不細述決定模組114_5求得所述9×Q個統計特性數值個別的增益比值的細節。概略而言，當某統計特性數值的增益比值越大時，即代表此統計特性數值越有助於判斷癲癇類型。
因此，在步驟S260中，挑選模組114_6可依據各腦波訊號區段的各統計特性數值的增益比值從所述多個統計特性數值挑選多個特定統計特性數值。具體而言，挑選模組114_6可依據各統計特性數值的增益比值降冪排序各腦波訊號區段的所述9×Q個統計特性數值。接著，挑選模組114_6可從各腦波訊號區段的所 述9×Q個統計特性數值挑選排序在前的預設數量個(例如是10個)統計特性數值作為所述多個特定統計特性數值。也就是說，所述多個特定統計特性數值為單一個腦波訊號區段中最有助於判斷癲癇類型的統計特性數值。
之後，在步驟S270中，建立模組114_7可基於第一癲癇患者的所述多個特定統計特性數值建立預測模型。在一實施例中，建立模組114_7可將所述多個特定統計特性數值用於訓練一分類器(例如支持向量機(support vector machine，SVM))，進而建立所述預測模型。如先前所提及的，第一癲癇患者的癲癇類型(頑性癲癇/非頑性癲癇)為已知的，因此建立模組114_7可將第一癲癇患者的癲癇類型及其對應的所述多個特定統計特性數值作為SVM(例如是ν-SVM)的訓練資料。接著，建立模組114_7即可基於第一癲癇患者(其癲癇類型為已知的)的腦波訊號區段找出可用來區別頑性癲癇及非頑性癲癇的超平面(hyperplane)。
雖然以上實施例中皆以單一個第一癲癇患者為例來陳述本發明實施例的方法，但本領域具通常知識者應可了解，本發明實施例的方法亦可推廣至多個第一癲癇患者。並且，隨著第一癲癇患者的數量增加，用於訓練預測模型的訓練資料亦會增加，進而使得預測模型預測癲癇類型的準確度提高。
在其他實施例中，儲存單元114可更包括預測模組114_8。請參照圖4，圖4是依據本發明之一實施例繪示的基於預測模型預測癲癇類型方法流程圖。在本實施例中，在步驟 S210~S270之後，預測模組114_8可在步驟S410中基於上述預測模型分析屬於第二癲癇患者的特定腦波訊號區段，以預測第二癲癇患者的癲癇類型是屬於非頑性癲癇或頑性癲癇。
具體而言，預測模組114_8可基於圖3A至圖3C的教示來從所述特定腦波訊號區段中找出多個特定統計特性數值。接著，預測模組114_8可將這些特定統計特性數值輸入至所述預測模型，以透過預測模型中的超平面分類這些特定統計特性數值。之後，預測模組114_8即可基於分類結果來預測第二癲癇患者的癲癇類型是屬於非頑性癲癇或頑性癲癇。
簡言之，本發明實施例提出的電子裝置可從已知癲癇類型的第一癲癇患者的腦波中找出有助於判斷癲癇類型的多個特定統計特性數值，並基於這些特定統計特性數值來建立用於預測癲癇類型的預測模型。換言之，本發明實施例提出的電子裝置提供了有效且量化的預測癲癇類型的方式。
如先前所提及的，本發明實施例還可透過第二實施例來建立用於預測音樂療程對於癲癇患者的療效的預測模型，以下將進行詳細說明。
在第二實施例中，電子裝置100同樣可執行步驟S210~S270來建立用於預測音樂療程對於癲癇患者的療效的預測模型。
然而，第二實施例與第一實施例不同處之一在於第二實施例中所考慮的第一癲癇患者屬於第一類患者或第二類患者。所 述第一類患者代表音樂療程有助於改善其癲癇症狀，而第二類患者代表音樂療程無助於改善其癲癇症狀。
此外，在二實施例中所考慮的第一癲癇患者(已知音樂療程對其的療效為有效/無效)的至少一腦波訊號區段包括2個腦波訊號區段。所述至少一腦波訊號區段中的第1個腦波訊號區段對應於第一癲癇患者在接受音樂療程之前的腦波狀態，而第2個腦波訊號區段對應於第一癲癇患者正在接受音樂療程的腦波狀態。
在此條件下，對應於第k個腦波訊號區段及第j個腦波特徵的第i個資料組可表徵為： ，其中，C為所述多個頻道的數量，E f 為所述多個腦波特徵的數量，為第1個頻道的第m個(m為正整數)腦波成分的特徵值，。
第二實施例與第一實施例的第二個不同之處在於，第二取得模組114_4在第二實施例中取得統計特性數值時需同時考量及。
具體而言，針對，第二取得模組114_4可依據圖3A至圖3C的教示計算對應於第1個腦波訊號區段及第j個腦波特徵的第i個資料組的多個第一頻道間平均值、多個第一頻道間標準差 以及多個第一頻道間訊號雜訊比。接著，第二取得模組114_4可依據這些第一頻道間平均值、這些第一頻道間標準差以及這些第一頻道間訊號雜訊比計算多個第一平均值、多個第一標準差以及多個第一訊號雜訊比。
之後，第二取得模組114_4可表徵所述多個第一平均值、所述多個第一標準差以及所述多個第一訊號雜訊比為對應的全域特性描述矩陣(以下稱第一矩陣)。
另一方面，針對，第二取得模組114_4可計算對應於第2個腦波訊號區段及第j個腦波特徵的第i個資料組的多個第二頻道間平均值、多個第二頻道間標準差以及多個第二頻道間訊號雜訊比。接著，第二取得模組114_4可依據這些第二頻道間平均值、這些第二頻道間標準差以及這些第二頻道間訊號雜訊比計算多個第二平均值、多個第二標準差以及多個第二訊號雜訊比。
之後，第二取得模組114_4可表徵這些第二平均值、這些第二標準差以及這些第二訊號雜訊比為對應的全域特性描述矩陣(以下稱第二矩陣)。
在本實施例中，第一矩陣及第二矩陣的通式可表徵為：
在此情況下，第二取得模組114_4可以第二矩陣(即，)減去第一矩陣(即，)以取得包括所述多個平均值、所述多個標準差以及所述多個訊號雜訊比的第三矩陣(即， )。
接著，決定模組114_5即基於各腦波特徵對應的所述多個統計特性數值決定各腦波訊號區段的各統計特性數值(即，第三矩陣中的各個元素)的增益比值。之後，挑選模組114_6可依據各腦波訊號區段的各統計特性數值的增益比值從所述多個統計特性數值挑選多個特定統計特性數值。繼之，建立模組114_7可基於第一癲癇患者的所述多個特定統計特性數值建立預測模型。決定模組114_5、挑選模組114_6及建立模組114_7的相關細節可參照第一實施例中的說明，在此不再贅述。
簡言之，在第二實施例中，由於音樂療程對於第一癲癇患者的療效(有效/無效)為已知的，因此建立模組114_7可將音樂療程對於第一癲癇患者的療效及第一癲癇患者對應的所述多個特定統計特性數值作為SVM(例如是ν-SVM)的訓練資料。接著，建立模組114_7即可基於第一癲癇患者的腦波訊號區段找出可用來區別音樂療程對於癲癇患者療效的超平面。
請參照圖5，圖5是依據本發明之一實施例繪示的基於預測模型預測音樂療程療效的方法流程圖。在本實施例中，在步驟S210~S270之後，預測模組114_8可在步驟S510中基於預測模型分析屬於第二癲癇患者的特定腦波訊號區段，以預測第二癲癇患者屬於第一類患者或第二類患者。
具體而言，預測模組114_8可基於前述教示找出第二癲癇患者的多個特定統計特性數值。接著，預測模組114_8可將這 些特定統計特性數值輸入至所述預測模型，以透過預測模型中的超平面分類這些特定統計特性數值。之後，預測模組114_8即可基於分類結果來預測第二癲癇患者是屬於第一類患者或第二類患者。
簡言之，本發明實施例提出的電子裝置可從已知音樂療程療效的第一癲癇患者的腦波中找出有助於判斷音樂療程是否有效的多個特定統計特性數值，並基於這些特定統計特性數值來建立用於預測音樂療程療效的預測模型。換言之，本發明實施例提出的電子裝置提供了有效且量化的預測音樂療程療效的方式。
如先前所提及的，本發明實施例還可透過第三實施例來建立用於預測癲癇患者的癲癇發作狀態的預測模型，以下將進行詳細說明。
在第三實施例中，電子裝置100同樣可執行步驟S210~S270來建立用於預測癲癇患者的癲癇發作狀態的預測模型。
然而，第三實施例與第一實施例不同處之一在於第一取得模組114_1是基於滑動視窗機制從自然物訊號中取得至少一腦波訊號區段。所述至少一腦波訊號區段中相鄰的兩個腦波訊號區段彼此重疊預設時間區間(例如20秒)，而滑動視窗機制對應於一滑動視窗大小(例如30秒)。
在本實施例中，由於各腦波訊號區段在第一癲癇患者身上所反映出的癲癇發作狀態為已知的，因此電子裝置100可基於各腦波訊號區段來建立對應的預測模型。
在此條件下，對應於第j個腦波訊號區段及第k個腦波特徵的第i個資料組可表徵為： ，其中，為第1個頻道的第m個腦波成分的特徵值，M i 為所述至少一腦波訊號區段的數量，SW為滑動視窗大小。
針對每個，第二取得模組114_4可依據圖3A至圖3C的教示計算對應的多個統計特性數值。接著，決定模組114_5即基於各腦波特徵對應的所述多個統計特性數值決定各腦波訊號區段的各統計特性數值(即，第三矩陣中的各個元素)的增益比值。之後，挑選模組114_6可依據各腦波訊號區段的各統計特性數值的增益比值從所述多個統計特性數值挑選多個特定統計特性數值。繼之，建立模組114_7可基於第一癲癇患者的所述多個特定統計特性數值建立預測模型。決定模組114_5、挑選模組114_6及建立模組114_7的相關細節可參照第一實施例中的說明，在此不再贅述。
簡言之，在第二實施例中，由於各腦波訊號區段在第一癲癇患者身上所反映出的癲癇發作狀態為已知的，因此建立模組114_7可將第一癲癇患者的各腦波訊號區段對應的癲癇發作狀態及其對應的所述多個特定統計特性數值作為SVM(例如是ν -SVM)的訓練資料。接著，建立模組114_7即可基於第一癲癇患者的腦波訊號區段找出可用來區別癲癇發作狀態的超平面。
請參照圖6，圖6是依據本發明之一實施例繪示的基於預測模型預測癲癇發作狀態方法流程圖。在本實施例中，在步驟S210~S270之後，預測模組114_8可在步驟S610中基於預測模型分析屬於第二癲癇患者的特定腦波訊號區段，以預測第二癲癇患者的癲癇發作狀態是屬於未發作狀態或發作前狀態。
具體而言，預測模組114_8可基於前述教示找出第二癲癇患者的多個特定統計特性數值。接著，預測模組114_8可將這些特定統計特性數值輸入至所述預測模型，以透過預測模型中的超平面分類這些特定統計特性數值。之後，預測模組114_8即可基於分類結果來預測第二癲癇患者的癲癇發作狀態是屬於未發作狀態或發作前狀態。
簡言之，本發明實施例提出的電子裝置可從已知癲癇發作狀態的第一癲癇患者的腦波中找出有助於判斷癲癇發作狀態的多個特定統計特性數值，並基於這些特定統計特性數值來建立用於預測癲癇發作狀態的預測模型。換言之，本發明實施例提出的電子裝置提供了有效且量化的預測癲癇發作狀態的方式。
綜上所述，本發明實施例提出的電子裝置可依據第一癲癇患者的腦波來建立用於預測癲癇患者的病情特性的預測模型。簡言之，本發明實施例提出的電子裝置可從已知病情特性的第一癲癇患者的腦波中找出有助於判斷病情特性的多個特定統計特性 數值，並基於這些特定統計特性數值來建立用於預測病情特性的預測模型。換言之，本發明實施例提出的電子裝置提供了有效且量化的預測病情特性的方式。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
S210~S270‧‧‧步驟

Claims (10)

  1. 一種基於腦波建立預測模型的電子裝置，包括：一儲存單元，記錄多個模組；以及一處理單元，耦接該些模組，用以存取並執行該些模組，該些模組包括：一第一取得模組，透過多個偵測電極取得關聯於一第一癲癇患者的至少一腦波訊號區段，其中各該腦波訊號區段包括對應於多個頻道的多個腦波訊號，且各該頻道對應至多個雙極組合範式的其中之一；一區分模組，依據一預設視窗大小區分各該腦波訊號為多個腦波成分；一擷取模組，從各該腦波訊號區段的該些腦波成分擷取對應於多個腦波特徵的多個資料組；一第二取得模組，取得各該腦波訊號區段的各該資料組的多個統計特性數值；一決定模組，基於各該腦波特徵對應的該些統計特性數值決定各該腦波訊號區段的各該統計特性數值的一增益比值；一挑選模組，依據各該腦波訊號區段的各該統計特性數值的該增益比值從該些統計特性數值挑選多個特定統計特性數值；一建立模組，基於該第一癲癇患者的該些特定統計特性數值建立一預測模型，其中該第一癲癇患者尚未接受一抗癲癇藥物治療，且該第一癲癇患者的一癲癇類型屬於一非頑性癲癇或一頑性 癲癇；以及一預測模組，經配置以基於該預測模型分析屬於一第二癲癇患者的一特定腦波訊號區段，以預測該第二癲癇患者的該癲癇類型是屬於該非頑性癲癇或該頑性癲癇。
  2. 如申請專利範圍第1項所述的電子裝置，其中該些腦波特徵包括一自迴歸模型預測錯誤、一解相關時間、一腦波能量、一近似熵、一取樣熵、一移動性、在多個頻帶中的一相對功率、一頻譜邊緣頻率、一頻譜邊緣功率、多個矩以及多個小波係數能量。
  3. 如申請專利範圍第1項所述的電子裝置，其中各該腦波訊號包括該第一取得模組依據一取樣頻率取得的多個取樣值，且對應於第j個腦波特徵的第i個資料組表徵為： ，其中，C為該些頻道的數量，E f 為該些腦波特徵的數量，f ij (l,k)為第l個頻道的第k個腦波成分的一特徵值，其中，，n i 為該些取樣值的數量，f s 為該取樣頻率，W為該預設視窗大小，為一地板函數。
  4. 如申請專利範圍第3項所述的電子裝置，其中對應於第j個腦波特徵的第i個資料組的該些統計特性數值包括多個平均值、多個標準差以及多個訊號雜訊比，且該第二取得模組經配置以： 計算對應於第j個腦波特徵的第i個資料組的多個頻道間平均值、多個頻道間標準差以及多個頻道間訊號雜訊比；以及依據該些頻道間平均值、該些頻道間標準差以及該些頻道間訊號雜訊比計算該些平均值、該些標準差以及該些訊號雜訊比，其中，該些頻道間平均值的第k個頻道間平均值表徵為： 其中，該些頻道間標準差的第k個頻道間標準差表徵為： 其中，該些頻道間訊號雜訊比的第k個頻道間訊號雜訊比表徵為： 其中，該些平均值的一第一平均值、一第二平均值以及一第三平均值分別表徵為： 以及 其中，該些標準差的一第一標準差、一第二標準差以及一第三標準差分別表徵為： 以及 其中，該些訊號雜訊比的一第一訊號雜訊比、一第二訊號雜訊比以及一第三訊號雜訊比分別表徵為： 以及
  5. 如申請專利範圍第4項所述的電子裝置，其中該挑選模組經配置以：依據各該統計特性數值的該增益比值降冪排序各該腦波訊號區段的該些統計特性數值；以及從各該腦波訊號區段的該些統計特性數值挑選排序在前的一預設數量個統計特性數值作為該些特定統計特性數值。
  6. 一種基於腦波建立預測模型的電子裝置，包括：一儲存單元，記錄多個模組；以及一處理單元，耦接該些模組，用以存取並執行該些模組，該 些模組包括：一第一取得模組，透過多個偵測電極取得關聯於一第一癲癇患者的至少一腦波訊號區段，其中各該腦波訊號區段包括對應於多個頻道的多個腦波訊號，且各該頻道對應至多個雙極組合範式的其中之一；一區分模組，依據一預設視窗大小區分各該腦波訊號為多個腦波成分；一擷取模組，從各該腦波訊號區段的該些腦波成分擷取對應於多個腦波特徵的多個資料組；一第二取得模組，取得各該腦波訊號區段的各該資料組的多個統計特性數值；一決定模組，基於各該腦波特徵對應的該些統計特性數值決定各該腦波訊號區段的各該統計特性數值的一增益比值；一挑選模組，依據各該腦波訊號區段的各該統計特性數值的該增益比值從該些統計特性數值挑選多個特定統計特性數值；一建立模組，基於該第一癲癇患者的該些特定統計特性數值建立一預測模型，其中該第一癲癇患者屬於一第一類患者或一第二類患者，其中該第一類患者代表該音樂療程有助於改善其癲癇症狀，而該第二類患者代表該音樂療程無助於改善其癲癇症狀；以及一預測模組，經配置以基於該預測模型分析屬於一第二癲癇患者的一特定腦波訊號區段，以預測該第二癲癇患者的該癲癇類 型是屬於該第一類患者或該第二類患者。
  7. 如申請專利範圍第6項所述的電子裝置，其中該至少一腦波訊號區段中的第1個腦波訊號區段對應於該第一癲癇患者在接受一音樂療程之前的腦波狀態，而該至少一腦波訊號區段中的第2個腦波訊號區段對應於該第一癲癇患者正在接受該音樂療程的腦波狀態。
  8. 如申請專利範圍第6項所述的電子裝置，其中各該腦波訊號包括該第一取得模組依據一取樣頻率取得的多個取樣值，且對應於第k個腦波訊號區段及第j個腦波特徵的第i個資料組表徵為： ，其中，C為該些頻道的數量，E f 為該些腦波特徵的數量，為第l個頻道的第m個腦波成分的一特徵值， 其中，，n i 為該些取樣值的數量，f s 為該取樣頻 率，W為該預設視窗大小，為一地板函數。
  9. 如申請專利範圍第8項所述的電子裝置，其中對應於第j個腦波特徵的第i個資料組的該些統計特性數值包括多個平均值、多個標準差以及多個訊號雜訊比，且該第二取得模組經配置以：計算對應於第1個腦波訊號區段及第j個腦波特徵的第i個 資料組的多個第一頻道間平均值、多個第一頻道間標準差以及多個第一頻道間訊號雜訊比，並依據該些第一頻道間平均值、該些第一頻道間標準差以及該些第一頻道間訊號雜訊比計算多個第一平均值、多個第一標準差以及多個第一訊號雜訊比；計算對應於第2個腦波訊號區段及第j個腦波特徵的第i個資料組的多個第二頻道間平均值、多個第二頻道間標準差以及多個第二頻道間訊號雜訊比，並依據該些第二頻道間平均值、該些第二頻道間標準差以及該些第二頻道間訊號雜訊比計算多個第二平均值、多個第二標準差以及多個第二訊號雜訊比；表徵該些第一平均值、該些第一標準差以及該些第一訊號雜訊比為一第一矩陣；表徵該些第二平均值、該些第二標準差以及該些第二訊號雜訊比為一第二矩陣；以及以該第二矩陣減去該第一矩陣以取得包括該些平均值、該些標準差以及該些訊號雜訊比的一第三矩陣。
  10. 如申請專利範圍第6項所述的電子裝置，其中該些腦波特徵包括一自迴歸模型預測錯誤、一解相關時間、一腦波能量、一近似熵、一取樣熵、一移動性、在多個頻帶中的一相對功率、一頻譜邊緣頻率、一頻譜邊緣功率、多個矩以及多個小波係數能量。
TW103146255A 2014-12-30 2014-12-30 基於腦波建立預測模型的電子裝置 TWI566746B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW103146255A TWI566746B (zh) 2014-12-30 2014-12-30 基於腦波建立預測模型的電子裝置
US14/819,445 US20160183828A1 (en) 2014-12-30 2015-08-06 Electronic apparatus for establishing prediction model based on electroencephalogram

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW103146255A TWI566746B (zh) 2014-12-30 2014-12-30 基於腦波建立預測模型的電子裝置

Publications (2)

Publication Number Publication Date
TW201622649A TW201622649A (zh) 2016-07-01
TWI566746B true TWI566746B (zh) 2017-01-21

Family

ID=56162865

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103146255A TWI566746B (zh) 2014-12-30 2014-12-30 基於腦波建立預測模型的電子裝置

Country Status (2)

Country Link
US (1) US20160183828A1 (zh)
TW (1) TWI566746B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7132555B2 (ja) * 2016-07-18 2022-09-07 ユニバーシティ ド エクス‐マルセイユ（エーエムユー） 患者の脳のてんかん原性を変調する方法
US10067565B2 (en) * 2016-09-29 2018-09-04 Intel Corporation Methods and apparatus for identifying potentially seizure-inducing virtual reality content
WO2019060298A1 (en) 2017-09-19 2019-03-28 Neuroenhancement Lab, LLC METHOD AND APPARATUS FOR NEURO-ACTIVATION
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
US11478603B2 (en) 2017-12-31 2022-10-25 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to enhance emotional response
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
US11219405B2 (en) 2018-05-01 2022-01-11 International Business Machines Corporation Epilepsy seizure detection and prediction using techniques such as deep learning methods
WO2020056418A1 (en) 2018-09-14 2020-03-19 Neuroenhancement Lab, LLC System and method of improving sleep
US11786694B2 (en) 2019-05-24 2023-10-17 NeuroLight, Inc. Device, method, and app for facilitating sleep
CN112244868A (zh) * 2020-09-15 2021-01-22 西安工程大学 一种基于anfis的癫痫脑电信号分类方法
CN113425312B (zh) * 2021-07-30 2023-03-21 清华大学 脑电数据处理方法及装置
TWI830530B (zh) * 2022-12-08 2024-01-21 陳韋達 偏頭痛患者藥物響應特徵訊息功率量測方法及系統

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119212A1 (en) * 2008-02-20 2011-05-19 Hubert De Bruin Expert system for determining patient treatment response
US20110218950A1 (en) * 2008-06-02 2011-09-08 New York University Method, system, and computer-accessible medium for classification of at least one ictal state

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119212A1 (en) * 2008-02-20 2011-05-19 Hubert De Bruin Expert system for determining patient treatment response
US20110218950A1 (en) * 2008-06-02 2011-09-08 New York University Method, system, and computer-accessible medium for classification of at least one ictal state

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MERCEDES CABRERIZO, MELVIN AYALA, MOHAMMED GORYAWALA, PRASANNA JAYAKAR, MALEK ADJOUADI,"A NEW PARAMETRIC FEATURE DESCRIPTOR FOR THE CLASSIFICATION OF EPILEPTIC AND CONTROL EEG RECORDS IN PEDIATRIC POPULATION", International Journal of Neural Systems, Volume 22, Issue 02, April 2012,pages 1250001-1 - 1250001-16. *

Also Published As

Publication number Publication date
TW201622649A (zh) 2016-07-01
US20160183828A1 (en) 2016-06-30

Similar Documents

Publication Publication Date Title
TWI566746B (zh) 基於腦波建立預測模型的電子裝置
Jahmunah et al. Automated detection of schizophrenia using nonlinear signal processing methods
Lim et al. Analysis of single-electrode EEG rhythms using MATLAB to elicit correlation with cognitive stress
Loh et al. Decision support system for major depression detection using spectrogram and convolution neural network with EEG signals
US10898122B2 (en) System and method for measuring physiologically relevant motion
US20230054751A1 (en) Method and apparatus for classifying electroencephalogram signal, method and apparatus for training classification model, and electronic device and computer-readable storage medium
Soh et al. A computational intelligence tool for the detection of hypertension using empirical mode decomposition
Hasan et al. SmartHeLP: Smartphone-based hemoglobin level prediction using an artificial neural network
Shaban Automated screening of parkinson's disease using deep learning based electroencephalography
Ma et al. Early prediction of epileptic seizure based on the BNLSTM-CASA model
Mesin et al. Investigation of nonlinear pupil dynamics by recurrence quantification analysis
Sahani et al. FPGA implementation of epileptic seizure detection using semisupervised reduced deep convolutional neural network
Puri et al. Automatic detection of Alzheimer’s disease from EEG signals using low-complexity orthogonal wavelet filter banks
Sun et al. Contactless facial video recording with deep learning models for the detection of atrial fibrillation
CA3173341A1 (en) Systems and methods for processing retinal signal data and identifying conditions
Camacho et al. Real-time single channel EEG motor imagery based Brain Computer Interface
Sharma et al. SzHNN: a novel and scalable deep convolution hybrid neural network framework for schizophrenia detection using multichannel EEG
CN114403899B (zh) 一种大脑神经元锋电位与局部场电位结合的抑郁检测装置
Ngo et al. Federated deep learning for the diagnosis of cerebellar ataxia: Privacy preservation and auto-crafted feature extractor
Sahu et al. Scz-scan: An automated schizophrenia detection system from electroencephalogram signals
Hossen et al. Machine learning aided classification of tremor in multiple sclerosis
CN113317804B (zh) 一种康复效率预测方法、及其训练装置和计算机设备
Wang et al. Automated rest eeg-based diagnosis of depression and schizophrenia using a deep convolutional neural network
Wang et al. DeepLap: A deep learning based non-specific low back pain symptomatic muscles recognition system
Rashid et al. CoughNet-V2: A scalable multimodal DNN framework for point-of-care edge devices to detect symptomatic COVID-19 cough

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees