棘波识别方法、装置、电子设备及计算机可读存储介质转让专利
申请号 : CN202011522347.4
文献号 : CN112270314B
文献日 : 2021-09-21
发明人 : 戴亚康 , 刘燕 , 胡保华 , 彭博
申请人 : 苏州国科康成医疗科技有限公司
摘要 :
权利要求 :
1.一种棘波识别方法,其特征在于,包括如下步骤:获取发作间期的头皮脑电信号中的待识别脑电信号段,所述待识别脑电信号段为棘波信号段或非棘波信号段,通过识别患者发作间期的头皮脑电信号,进而标注棘波信号段及非棘波信号段;利用三秒的时间窗将包含棘波与非棘波的多导联信号进行截取,随即在三秒的时间窗中,识别出棘波与非棘波所在的具体导联的位置,并利用一百毫秒的矩形窗将棘波段和非棘波段截取,从而获得单导联的棘波信号段与非棘波信号段,并通过概率密度函数,将棘波段与非棘波段中概率小于0.05的信号段剔除;
在所得到的单导联的棘波信号段与非棘波信号段进行后续步骤之前,需先经过预处理,预处理包括:采用巴特沃斯带通滤波器对所得到的单导联棘波信号段与非棘波信号段进行带通滤波,截取频率在0.5~64Hz的棘波信号段与非棘波信号段,并且借助五阶巴特沃斯陷波滤波器将50Hz周围的工频噪声滤除;
从所述待识别脑电信号段中提取用于表征所述待识别脑电信号段形态的形态学特征;
对所述待识别脑电信号段进行小波变换,并提取所述待识别脑电信号段的时频特征;
计算所述待识别脑电信号段中的非线性能量算子,以提取所述待识别脑电信号段的非线性动态特征;
将所述形态学特征、时频特征和所述非线性动态特征作为预先训练得到的检测模型的输入,利用所述检测模型确定所述待识别脑电信号段是否为棘波信号段;
在对检测模型进行训练时,利用交叉验证方法随机的将提取的单变量多视角特征向量分为训练集和测试集,将训练集作为检测模型的输入,对检测模型进行训练,形成训练后的检测模型,训练时使用的核函数为高斯径向基核函数,如下:检测模型在训练时,高斯径向基核函数的宽度参数影响识别结果;宽度参数的选择范‑10 10
围为[2 , 2 ];利用网格搜索法搜索最优宽度参数,根据得到最优宽度参数设计的检测模型,得到训练后的最优检测模型;再将测试集作为最优检测模型的输入,得到基于机器学习方法的发作间期癫痫棘波检测结果,以此验证所训练得到的检测模型的准确率。
2.如权利要求1所述的棘波识别方法,其特征在于,所述从所述待识别脑电信号段中提取用于表征所述待识别脑电信号段形态的形态学特征,包括:获取所述待识别脑电信号段中各采样点对应的幅值,并计算峰值与谷值的时间差;
利用所述采样点的数量、各采样点对应的幅值以及所述时间差计算得到所述形态学特征。
3.如权利要求2所述的棘波识别方法,其特征在于,所述形态学特征至少包括以下之一:所有采样点对应幅值的均值、标准差、中值、斜率、线长,通过以下公式计算得到形态学特征:
MN=median(xN)
其中,AM表示均值,SD表示标准差,MN表示中值,slope表示斜率,L表示线长,k表示所述待识别脑电信号段中第k个采样点,且k=1,2,…,N;xk表示所述待识别脑电信号段中第k个采样点所对应的幅值,Diffv表示所述待识别脑电信号段的峰峰值,D表示所述待识别脑电信号段中峰值与谷值的时间差。
4.如权利要求1所述的棘波识别方法,其特征在于,所述对所述待识别脑电信号段进行小波变换,并提取所述待识别脑电信号段的时频特征,包括:利用离散小波变换将所述待识别脑电信号段进行多层小波变换,得到多个子频段及与每个子频段所对应的小波系数;
利用每个子频段所对应的小波系数,计算得到与每个子频段对应的小波能量;
将每个子频段对应的小波能量组成特征向量,作为所述时频特征。
5.如权利要求4所述的棘波识别方法,其特征在于,通过以下公式计算得到与每个子频段对应的小波能量:
其中,Ei表示第i子频段对应的小波能量,Ci表示第i子频段对应的小波系数,n表示第i子频段含有的小波系数数量,g=1,2,…,n。
6.如权利要求1所述的棘波识别方法,其特征在于,所述计算所述待识别脑电信号段中的非线性能量算子,以提取所述待识别脑电信号段的非线性动态特征,包括:计算所述待识别脑电信号段中各采样点对应的非线性能量算子;
利用所述待识别脑电信号段中各采样点对应的非线性能量算子计算所述非线性能量算子的统计特征,作为所述非线性动态特征。
7.如权利要求6所述的棘波识别方法,其特征在于,所述非线性动态特征至少包括以下之一:非线性能量算子的最小值、最大值、中值、平均值及标准差;
通过以下公式计算得到所述非线性动态特征:其中,x[n]表示待识别脑电信号段中第n个采样点,M表示非线性能量算子的个数,且m=1,2,…,M, 表示M个非线性能量算子的集合,minNLEO表示非线性能量算子的最小值,maxNLEO表示非线性能量算子的最大值,midNLEO表示非线性能量算子的中值,NEOAMV表示非线性能量算子的平均值,NEOStd表示非线性能量算子的标准差。
8.一种棘波识别装置,其特征在于,包括:获取模块,用于获取发作间期的头皮脑电信号的待识别脑电信号段,所述待识别脑电信号段为棘波信号段或非棘波信号段,通过识别患者发作间期的头皮脑电信号,进而标注棘波信号段及非棘波信号段;利用三秒的时间窗将包含棘波与非棘波的多导联信号进行截取,随即在三秒的时间窗中,识别出棘波与非棘波所在的具体导联的位置,并利用一百毫秒的矩形窗将棘波段和非棘波段截取,从而获得单导联的棘波信号段与非棘波信号段,并通过概率密度函数,将棘波段与非棘波段中概率小于0.05的信号段剔除;
第一提取模块,用于从所述待识别脑电信号段中提取用于表征所述待识别脑电信号段形态的形态学特征;
第二提取模块,用于对所述待识别脑电信号段进行小波变换,并提取所述待识别脑电信号段的时频特征;
第三提取模块,用于计算所述待识别脑电信号段中的非线性能量算子,以提取所述待识别脑电信号段的非线性动态特征;
识别模块,用于将所述形态学特征、时频特征和所述非线性动态特征作为预先训练得到的检测模型的输入,利用所述检测模型确定所述待识别脑电信号段是否为棘波信号段;
其中,在对检测模型进行训练时,利用交叉验证方法随机的将提取的单变量多视角特征向量分为训练集和测试集,将训练集作为检测模型的输入,对检测模型进行训练,形成训练后的检测模型,训练时使用的核函数为高斯径向基核函数,如下:检测模型在训练时,高斯径向基核函数的宽度参数影响识别结果;宽度参数的选择范‑10 10
围为[2 , 2 ];利用网格搜索法搜索最优宽度参数,根据得到最优宽度参数设计的检测模型,得到训练后的最优检测模型;再将测试集作为最优检测模型的输入,得到基于机器学习方法的发作间期癫痫棘波检测结果,以此验证所训练得到的检测模型的准确率;
所述棘波识别装置还用于,在所得到的单导联的棘波信号段与非棘波信号段进行后续步骤之前,需先经过预处理,预处理包括:采用巴特沃斯带通滤波器对所得到的单导联棘波信号段与非棘波信号段进行带通滤波,截取频率在0.5~64Hz的棘波信号段与非棘波信号段,并且借助五阶巴特沃斯陷波滤波器将50Hz周围的工频噪声滤除。
9.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1‑7中任一项所述的棘波识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1‑7中任一项所述的棘波识别方法。
说明书 :
棘波识别方法、装置、电子设备及计算机可读存储介质
技术领域
背景技术
以对癫痫诊断和管理。脑电图(EEG)异常脑电信号起源位置与致痫区有良好的一致性,因此
定位异常脑电信号可用于难治性癫痫患者手术前后的评估。
起身体不自主的抽搐,导致发作期癫痫信号采集较困难,因此对脑电信号的分析通常依赖
于发作间期头皮脑电信号。
客观评价,很难实现棘波识别的一致性。而事实上,头皮脑电信号往往也会受到一系列伪影
的污染和干扰,包括睡眠状态变化、眨眼、眼球运动和电极伪影等。因此,由于这些干扰,对
棘波的标记是一个复杂的问题。
产生不良误诊影响,导致患者需要多年的抗癫痫药物治疗。平均来说,由于未发现脑电信号
中存在棘波的癫痫患者在被正确诊断之前要接受7年的错误治疗。因此,利用计算机辅助工
具对脑电信号进行干预,可以帮助神经科医生更准确地分析癫痫脑电,提高注释质量。
特异性。但发明人发现,现有的棘波识别分析局限于单一视角特征,从而导致采用这种方式
的棘波识别准确率低。
发明内容
中第k个采样点所对应的幅值,Diffv表示所述待识别脑电信号段的峰峰值,D表示所述待识
别脑电信号段中峰值与谷值的时间差。
最小值,maxNLEO表示非线性能量算子的最大值,midNLEO表示非线性能量算子的中值,
NEOAMV表示非线性能量算子的平均值,NEOStd表示非线性能量算子的标准差。
段。
行所述计算机指令,从而执行上述的棘波识别方法。
识别脑电信号段的时频特征,时频特征能够全面地反映脑电信号的非平稳性和高度复杂
性;以及提取待识别脑电信号段的非线性动态特征,由于非线性动态特征对频率相关能量
的瞬时变化敏感,其出色的时间分辨率提供了捕捉信号能量波动的能力,能够反映出脑电
信号的非线性动态性和高度复杂性。将所提取到的形态学特征、时频特征和非线性动态特
征输入到预先训练好的检测模型中,由检测模型确定出待识别脑电信号段是否为棘波信号
段。在该方法中,检测模型根据所提取到的特征从多视角对待识别脑电信号段进行识别,考
虑到脑电信号的非平稳、非线性动态和高度复杂的特性,相比于只从单一角度对待识别脑
电信号段进行识别,通过从形态学特征、时频特征和非线性动态特征三个角度来对待识别
特征进行识别,所考虑到的相关信息更加全面,从而能够提高最终的检测精准度。
化的非平稳性,第二提取模块提取待识别脑电信号段的时频特征,时频特征能够全面地反
映脑电信号的非平稳性和高度复杂性,第三提取模块提取待识别脑电信号段的非线性动态
特征,由于非线性动态特征对频率相关能量的瞬时变化敏感,其出色的时间分辨率提供了
捕捉信号能量波动的能力,能够反映出脑电信号的非线性动态性和高度复杂性。识别模块
将所提取到的形态学特征、时频特征和非线性动态特征输入到预先训练好的检测模型中,
由检测模型确定出待识别脑电信号段是否为棘波信号段。在该方法中,检测模型根据所提
取到的特征从多视角对待识别脑电信号段进行识别,考虑到脑电信号的非平稳、非线性动
态和高度复杂的特性,相比于只从单一角度对待识别脑电信号段进行识别,通过从形态学
特征、时频特征和非线性动态特征三个角度来对待识别特征进行识别,所考虑到的相关信
息更加全面,从而能够提高最终的检测精准度。
附图说明
附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前
提下,还可以根据这些附图获得其他的附图。
具体实施方式
人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
要彼此之间未构成冲突就可以相互结合。
进行分析判断,可能会存在很多误识别。
波识别有很大帮助,从而导致对棘波的识别准确率低。
特征作为检测模型的输入,以识别出待识别脑电信号段是否为棘波信号段的流程图。虽然
下文描述的过程包括以特定的顺序出现的多个操作,但是应该清楚地了解到,这些过程也
可以包括更多或者更少的操作,这些操作可以顺序执行或者并行执行(例如使用并行处理
器或者多线程环境)。
少患者的痛苦及负担。
的多导联信号进行截取,随即在三秒的时间窗中,识别出棘波与非棘波所在的具体导联的
位置,并利用一百毫秒的矩形窗将棘波段和非棘波段截取,从而获得单导联的棘波信号段
与非棘波信号段,并通过概率密度函数,将棘波段与非棘波段中概率小于0.05的信号段剔
除。本方法针对单导联的数据进行分析,从而为多导联的数据分析提供了初步的研究依据。
括:采用巴特沃斯带通滤波器对所得到的单导联棘波信号段与非棘波信号段进行带通滤
波,截取频率在0.5~64Hz的棘波信号段与非棘波信号段,并且借助五阶巴特沃斯陷波滤波
器将50Hz周围的工频噪声滤除。由于目前普遍采用50HZ或60HZ作为电网工作频率,且使用
50HZ工频的电网通常使用220~240V的电压,且使用60HZ工频的电网通常使用110~120V的
电压。由于信号采集时使用的电压为220~240V,因此,工频噪声为50HZ。如图4所示,输入
401为发作间期癫痫棘波信号段和非棘波信号段(100ms),滤波器402为巴特沃斯带通滤波
器、陷波滤波器,滤波器402对输入401进行预处理得到输出403,即滤波后的发作间期癫痫
棘波信号段和非棘波信号段。
从形态的角度对待识别脑电信号段进行信号段类别的判断,即确定该待识别信号段是否为
棘波信号段。
态学特征,可以通过以下方式进行:
谷值的时间差计算得到形态学特征,其中,峰值为该待识别脑电信号段中幅值的最大值,谷
值为该待识别脑电信号段中幅值的最小值。
脑电信号段上对应的幅值,并计算得到待识别脑电信号段中峰值与谷值的时间差,利用待
识别脑电信号段中采样点的数量、每个采样点对应的幅值以及待识别脑电信号段中峰值与
谷值的时间差计算得到形态学特征。
点所对应的幅值,Diffv表示待识别脑电信号段的峰峰值,即峰值与谷值的差值,D表示待识
别脑电信号段中峰值与谷值的时间差。
频段的小波能量,且时频特征描述了待识别脑电信号段在不同时间点的瞬时频率,利用所
提取到的时频特征从各频段的小波能量和不同时间点的瞬时频率的角度对待识别脑电信
号段进行脑电信号段类别的判断,即确定该待识别脑电信号段是否为棘波信号段。
个子频段对应的小波能量;将每个子频段对应的小波能量组成特征向量,作为时频特征。
波能量,从而得到时频特征,可通过以下公式计算得到与每个子频段对应的小波能量与时
频特征:
征。
脑电信号段,D1表示γ频段,频率为32~64HZ,AD2表示β频段,频率为16~32HZ,AAD3表示α
频段,频率为8~16HZ,AAAD4表示theta频段,频率为4~8HZ,AAAA4表示delta频段,频率为
0.5~4HZ。
数及其小波系数的数量、α频段的小波系数及其小波系数的数量、theta频段的小波系数及
其小波系数的数量和delta频段的小波系数及其小波系数的数量。得到与上述五个不同子
频段一一对应的小波能量,例如五个子频段的小波能量分别为: 、 、 、 及
,将所得到的五个子频段的小波能量组成特征向量 , , , ,
,即特征向量 , , , , 为时频特征。
态特征从待识别脑电信号段的能量角度对待识别脑电信号段进行信号段类别的判断,即确
定该待识别脑电信号段是否为棘波信号段。
线性动态特征,可通过以下方式进行:
征。其中,非线性能量算子的统计特征即为非线性能量算子的最小值、最大值、中值、平均值
及标准差中的一个或多个。
子,从这十个非线性能量算子中计算非线性能量算子的最小值、最大值、中值、平均值及标
准差,从而得到非线性动态特征。可通过以下公式计算得到非线性动态特征:
算子的个数, 表示M个非线性能量算子的集合,其中m=1,2,…,M; 表示非线性
能量算子集合中第m个能量算子,minNLEO表示非线性能量算子的最小值,maxNLEO表示非线
性能量算子的最大值,midNLEO表示非线性能量算子的中值,NEOAMV表示非线性能量算子的
平均值,NEOStd表示非线性能量算子的标准差,且 表示在M个非线性能量算子集
合中取最小的一个数值, 表示在M个非线性能量算子的集合中取最大的一个数
值, 表示在M个非线性能量算子的集合中取的一个中间数值。
为预先训练得到的检测模型的输入,利用检测模型确定待识别脑电信号段是否为棘波信号
段。其中,检测模型包括但不限于支持向量机(SVM)、随机森林分类器、朴素贝叶斯分类器、
最邻近分类器等机器学习模型中的一种或多种。在本实施例中,优先选用鲁棒性强的支持
向量机(SVM)作为检测模型。
练后的检测模型,训练时使用的核函数为高斯径向基核函数,如下:
模型,得到训练后的最优检测模型。再将测试集作为最优检测模型的输入,得到基于机器学
习方法的发作间期癫痫棘波检测结果,以此验证所训练得到的检测模型的准确率。
的时频特征,时频特征能够全面地反映脑电信号的非平稳性和高度复杂性;以及提取待识
别脑电信号段的非线性动态特征,由于非线性动态特征对频率相关能量的瞬时变化敏感,
其出色的时间分辨率提供了捕捉信号能量波动的能力,能够反映出脑电信号的非线性动态
性和高度复杂性。将所提取到的形态学特征、时频特征和非线性动态特征输入到预先训练
好的检测模型中,由检测模型确定出待识别脑电信号段是否为棘波信号段。在该方法中,检
测模型根据所提取到的特征从多视角对待识别脑电信号段进行识别,考虑到脑电信号的非
平稳、非线性动态和高度复杂的特性,相比于只从单一角度对待识别脑电信号段进行识别,
通过从形态学特征、时频特征和非线性动态特征三个角度来对待识别特征进行识别,所考
虑到的相关信息更加全面,从而能够提高最终的检测精准度。
号的采样频率为200HZ,因此每个信号段包括20个采样点。基于上述脑电数据和不同的分类
器利用三折交叉验证的方法,得到如下的检测对比结果,如表1所示:
淆矩阵如图8所示)、采用本实施例提供的方法及K最邻近分类器(表1中的UMVFs+KNN,其分
类混淆矩阵如图6所示)以及采用本实施例提供的方法及支持向量机(表1中的UMVFs+SVM,
其分类混淆矩阵如图9所示),对比实验数据,可得出本方法采用支持向量机(SVM)的效果最
好,其检测准确率(ACC)为99.76%,敏感度(SEN)为99.52%,且特异性(SPEC)高达100%,由此
可见采用本实施例提供的方法结合支持向量机在棘波识别方面具有极好的性能,且其检测
时间仅为0.004秒,效率更高。而对于其他的分类器,得到的检测结果也都大于94%,从而可
以得知本实施例提供的方法稳定性好。其中,图6‑图9中,Confusion Matrix表示混淆矩阵,
Output Class表示输出类,Target Class表示目标类。
施例提供的方法在准确率(ACC)、敏感度(SEN)、特异性(SPEC)以及检测时间方面的效果都
优良。
0.0023)、敏感性(p值=0.040)、特异性(p值=0.0254),可知,Kruskal‑Wallis检验得出所有
性能指标(p值<0.05),表明所有使用方法的结果之间存在统计显著性差异。
学特征相似都接近30%,因此表明每个视角的特征对棘波识别有相似的贡献。
性能,其中ROC Space表示ROC空间,FPR(False Positive Rate)表示假阳性率,TPR(Ture
Positive Rate)表示真阳性率,其AUC(ROC曲线下与坐标轴围成的面积)为0.9939,而具有
形态学特征的结果作为检测指标的效果相对较差,时频和非线性动态特征也呈现了较差的
检测性能,因此多视角特征结合可以为棘波检测提供最好的性能。
述。
述。
述,此处不再赘述。
号。详细内容请参见实施例1中步骤S105的相关描述,此处不再赘述。
稳性,第二提取模块203提取待识别脑电信号段的时频特征,时频特征能够全面地反映脑电
信号的非平稳性和高度复杂性,第三提取模块204提取待识别脑电信号段的非线性动态特
征,由于非线性动态特征对频率相关能量的瞬时变化敏感,其出色的时间分辨率提供了捕
捉信号能量波动的能力,能够反映出脑电信号的非线性动态性和高度复杂性。识别模块205
将所提取到的形态学特征、时频特征和非线性动态特征输入到预先训练好的检测模型中,
由检测模型确定出待识别脑电信号段是否为棘波段。在该方法中,检测模型根据所提取到
的特征从多视角对待识别脑电信号段进行识别,考虑到脑电信号的非平稳、非线性动态和
高度复杂的特性,相比于只从单一角度对待识别脑电信号段进行识别,通过从形态学特征、
时频特征和非线性动态特征三个角度来对待识别特征进行识别,所考虑到的相关信息更加
全面,从而能够提高最终的检测精准度。
(Graphics Processing Unit,GPU)、嵌入式神经网络处理器(Neural‑network Processing
Unit,NPU)或者其他专用的深度学习协处理器、专用集成电路(Application Specific
Integrated Circuit,ASIC)、现场可编程门阵列(Field‑Programmable Gate Array,FPGA)
或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各
类芯片的组合。
(如图2所示的获取模块201、第一提取模块202、第二提取模块203、第三提取模块204以及识
别模块205)。处理器301通过运行存储在存储器302中的非暂态软件程序、指令以及模块,从
而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例1中的棘波识别方法。
存储器302可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存
储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器302可选包括相对
于处理器301远程设置的存储器,这些远程存储器可以通过网络连接至处理器301。上述网
络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
识别脑电信号段的形态学特征,形态学特征描述了脑电信号随时间变化的非平稳性;提取
待识别脑电信号段的时频特征,时频特征能够全面地反映脑电信号的非平稳性和高度复杂
性;以及提取待识别脑电信号段的非线性动态特征,由于非线性动态特征对频率相关能量
的瞬时变化敏感,其出色的时间分辨率提供了捕捉信号能量波动的能力,能够反映出脑电
信号的非线性动态性和高度复杂性。将所提取到的形态学特征、时频特征和非线性动态特
征输入到预先训练好的检测模型中,由检测模型确定出待识别脑电信号段是否为棘波段。
在该方法中,检测模型根据所提取到的特征从多视角对待识别脑电信号段进行识别,考虑
到脑电信号的非平稳、非线性动态和高度复杂的特性,相比于只从单一角度对待识别脑电
信号段进行识别,通过从形态学特征、时频特征和非线性动态特征三个角度来对待识别特
征进行识别,所考虑到的相关信息更加全面,从而能够提高最终的检测精准度。
其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read‑Only Memory,ROM)、随机存储
记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk
Drive,缩写:HDD)或固态硬盘(Solid‑State Drive,SSD)等;所述存储介质还可以包括上述
种类的存储器的组合。
施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产
品的形式。
变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或
变动仍处于本发明创造的保护范围之中。