信号稳定状态的检测方法、检测模型、癫痫检测装置转让专利
申请号 : CN202310871463.4
文献号 : CN116584900B
文献日 : 2023-10-31
发明人 : 黄肖山 , 胥红来 , 李含磊 , 章希睿
申请人 : 博睿康医疗科技(上海)有限公司
摘要 :
权利要求 :
1.一种信号稳定状态的检测方法,其特征在于,包括:获取离线信号在不同时刻的多通道信号集合;
获取多通道信号子集合,即根据多通道信号集合的稳定状态的演化趋势进行聚类;
以不同时刻对应的多通道信号的原值或处理值作为列向量,组成向量集合;
计算每个向量与向量集合中所有向量之间的相关系数,组成n*n的关系矩阵;
按照稳定过程的演化趋势聚类多通道信号集合,形成多个所述多通道信号子集合;当关系矩阵中相关系数的值及其对应的持续时间超过相应的设定阈值,判断为处于同一个稳定过程,以此形成所述聚类结果;
所述关系矩阵中的对角线方向呈现凸起,对应了不同时间段的信号处于各自稳定的状态,包含了稳定过程的产生、发展、结束阶段的演化趋势;
其中,基于每个多通道信号子集合获取的信号模板即为空时域模板,进而形成空时域模板集合;
获取信号模板集合,即基于聚类结果分别获取多通道信号子集合对应的信号模板;
获取标准模板,即利用所述信号模板集合对所述离线信号进行匹配检测,以筛选出标准模板;
基于所述标准模板检测信号的稳定状态;
所述相关系数适于替换为闵可夫斯基距离、马氏距离、余弦相似度。
2.如权利要求1所述的检测方法,其特征在于,获取离线信号在不同时刻的多通道信号集合包括:计算不同通道的离线信号的能量特征;
记录所述能量特征大于特征阈值且持续时间大于时间阈值的时间,将这些时间对应的离线信号组成多通道信号集合。
3.如权利要求1所述的检测方法,其特征在于,所述获取标准模板包括:
将离线信号中的多通道信号与所述空时域模板集合中的空时域模板逐一进行匹配检测,以筛选出标准空时域模板。
4.如权利要求1所述的检测方法,其特征在于,所述获取标准模板包括:
将所述空时域模板集合中的空时域模板按照时间顺序排列在一起形成视频模板;
将离线信号中时长相同的多通道信号与所述视频模板进行匹配检测,以筛选出标准视频模板。
5.如权利要求1所述的检测方法,其特征在于,所述检测方法还包括:
对所述空时域模板集合中的空时域模板做时间平均处理得到空域模板集合。
6.如权利要求5所述的检测方法,其特征在于,所述获取标准模板包括:
将离线信号中的多通道信号与所述空域模板集合中的空域模板逐一进行匹配检测,以筛选出标准空域模板。
7.如权利要求5所述的检测方法,其特征在于,所述获取标准模板包括:
将所述空域模板集合中的空域模板分别转换为对应的地形图模板;
将离线信号转换为地形图后与所述地形图模板逐一进行匹配检测,以筛选出标准地形图模板。
8.如权利要求1或5所述的检测方法,其特征在于,所述获取标准模板包括:
从所述信号模板集合中筛选出通道索引模板;
将所述离线信号与所述通道索引模板进行匹配检测,以筛选出标准通道索引模板。
9.一种信号稳定状态的检测模型,其特征在于,包括:存储模块,用于存储权利要求1所述的标准模板;
采集模块,用于采集信号;
检测模块,利用标准模板检测信号的稳定状态。
10.如权利要求9所述的检测模型,其特征在于,所述标准模板包括:标准空时域模板、标准视频模板、标准空域模板、标准地形图模板、标准通道索引模板中的至少一种。
11.一种信号的异常放电检测方法,其特征在于,包括:获取异常放电时刻对应的多通道信号集合;
异常放电检测模型,运行如权利要求1所述的信号稳定状态的检测方法,以筛选出标注模板;
基于所述标准模板检测信号的异常放电。
12.如权利要求11所述的异常放电检测方法,其特征在于,所述异常放电检测方法还包括检测信号中的同一次异常放电时刻;
所述检测信号中的同一次异常放电时刻包括:计算信号中不同时刻对应的能量特征;
将所述能量特征大于特征阈值,且能量特征大于特征阈值的持续时间大于时间阈值的时刻标记为异常放电;
特征阈值=能量特征的均值+n*能量特征的方差,n为当前正态分布的界限值;
检出异常放电后,将时间间隔小于时间间隔阈值的异常放电标记为同一次异常放电。
13.一种癫痫检测装置,其特征在于,包括:采集模块,用于采集信号;
统计模块,统计一段时间内信号的异常放电的次数;
处理器,用于存储标准模板和预警阈值;其中所述处理器根据如权利要求1所述的信号稳定状态的检测方法获得的标准模板检测信号,以获取信号的异常放电次数;
当处理器判断异常放电次数大于设定预警阈值,则判定为癫痫即将发作。
14.一种计算机存储介质,其存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1‑8、11‑12中任一项所述的方法的步骤。
说明书 :
信号稳定状态的检测方法、检测模型、癫痫检测装置
技术领域
背景技术
威胁到生命。现有研究显示,在癫痫发作前或发作过程中施加电刺激能够有效终止癫痫发
作。如果存在某种系统,能够预测癫痫发作,将允许及时采取干预措施,减少发病率和死亡
率,改善癫痫患者的生活质量。
征提取,提炼脑电信号中包含的信息;3)特征选择或降维,以减少特征数量;4)分类,区分发
作间期与发作前期,识别到发作前期则触发预警或干预措施。但癫痫发作前的一次异常放
电就分为多个不同的空间分布模式,这些分布模式的维持时间短、模式之间差异大、不同模
式对异常放电的指示能力也不同,导致现有的信号识别算法很难准确识别脑电所处的稳定
状态,从而精确调整电刺激的参数。
发明内容
号集合的稳定状态的演化趋势进行聚类;获取信号模板集合,即基于聚类结果分别获取多
通道信号子集合对应的信号模板;获取标准模板,即利用所述信号模板集合对所述离线信
号进行匹配检测,以筛选出标准模板;基于所述标准模板检测信号的稳定状态。
容易终止癫痫的发作,或者能够尽早提示,以避免在危险环境中(例如马路上、驾驶时)因癫
痫发作而造成严重伤害。
这些时间对应的离线信号组成多通道信号集合。
n*n的关系矩阵;按照稳定过程的演化趋势聚类多通道信号集合,形成多个所述多通道信号
子集合;其中,基于每个多通道信号子集合获取的信号模板即为空时域模板,进而形成空时
域模板集合。
形成所述聚类结果。
进行匹配检测,以筛选出标准视频模板。
以筛选出标准地形图模板。
行聚类;获取信号模板集合,即基于聚类结果分别获取多通道信号子集合对应的信号模板;
基于所述信号模板集合对所述离线信号进行检测以筛选出标准模板;基于所述标准模板检
测信号的异常放电。
能量特征大于特征阈值,且能量特征大于特征阈值的持续时间大于时间阈值的时刻标记为
异常放电;特征阈值=能量特征的均值+n*能量特征的方差,n为当前正态分布的界限值;检
出异常放电后,将时间间隔小于时间间隔阈值的异常放电标记为同一次异常放电。
理器根据标准模板检测信号,以获取信号的异常放电次数;当处理器判断异常放电次数大
于设定预警阈值,则判定为癫痫即将发作。
取能量大于阈值的主成分构成投影矩阵;利用所述投影矩阵对原始脑电信号进行空间降维
处理,获取处理后的脑电数据;对所述处理后的脑电数据进行共空间模式算法处理,获得异
常放电增强数据。
所述的方法的步骤。
附图说明
具体实施方式
定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的
描述中,除非另有说明,“多个”的含义是两个或两个以上。
以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是
两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本
发明中的具体含义。
化趋势进行聚类;S3、获取信号模板集合,即基于聚类结果分别获取多通道信号子集合对应
的信号模板;S4、获取标准模板,即利用信号模板集合对离线信号进行匹配检测,以筛选出
标准模板;S5、基于标准模板检测信号的稳定状态。需要说明的是,信号在放电时,包括正常
放电状态和异常放电状态,一段信号的放电由多个放电过程组成。放电过程可以分为:稳定
过程(状态稳定,某些放电重复出现)和不稳定过程(状态不稳定,放电随机性强)。因此,本
发明获取多通道信号集合后,根据多通道信号集合的稳定状态的演化趋势聚类后可以获得
多个多通道信号子集合。每个多通道信号子集合可以得到一个对应的信号模板。然后将离
线信号与所有的信号模板进行一一匹配检测,匹配度符合要求的信号模板记为标准模板。
最后用标准模板对在线信号进行检测。由此,通过检测信号中的稳定状态能够反映出信号
中的异常放电情况。并且,本发明的信号模板是基于多通道信号集合的稳定状态的演化趋
势的聚类结果获得的,即将相似的稳定状态归类为一组,这些稳定状态虽然都有极明显的
相似特征,但并不是完全相同的,聚类后再形成信号模板,可以进一步提取共有的状态,弱
化随机干扰。如果不进行聚类直接提取信号模板,得到的信号模板会保留很多的随机性,用
于检测时,可能会发生漏检的情况。
时间对应的离线信号组成多通道信号集合。例如,能量特征可以选用全局放电系数(GFP),
信号的每一时刻均有对应的全局放电系数,其计算公式为: ,
其中,M表示通道总数量, 表示t时刻所有通道的脑电信号的幅值的均值, 表示t
时刻第n通道的脑电信号的幅值。例如,特征阈值=能量特征的均值+3*能量特征的方差,时
间阈值例如是0.07s。如图3所示,横坐标为时间,纵坐标为全局放电系数,从图中可以看出
某些时刻的全局放电系数是超过全局放电系数阈值的,并且持续了一定的时间。由此,可以
将符合阈值要求的时间筛选出来,将这些时间对应的信号点组成多通道信号集合,其中,将
筛选出的信号点之间的时间间隔小于0.1s的信号点标记为同一次放电。当然,能量特征还
可以选用线长、均方根(RMS)等特征参数。
n的关系矩阵;按照稳定过程的演化趋势聚类多通道信号集合,形成多个多通道信号子集
合;其中,基于每个多通道信号子集合获取的信号模板即为空时域模板,进而形成空时域模
板集合。按照稳定过程的演化趋势聚类多通道信号集合包括:当关系矩阵中相关系数的值
及其对应的持续时间超过相应的设定阈值,判断为处于同一个稳定过程,以此形成聚类结
果。其中,相关系数也可替换为闵可夫斯基距离、马氏距离、余弦相似度等参数。
阈值。例如,取多通道信号中的t1‑tn信号段,则t1时刻对应的所有通道的幅值组成第一列向
量,t2时刻对应的所有通道的幅值组成第二列向量,以此类推,tn时刻对应的所有通道的幅
值组成第n列向量,共n列向量组成向量集合。然后,计算第一列向量与n列向量之间的n个相
关系数,组成1*n的向量,计算第二列向量与n列向量之间的n个相关系数,组成1*n的向量,
以此类推,共可以得到n组1*n的向量,将n组1*n的向量按照时刻顺序排列组成n*n的关系矩
阵。图4即为关系矩阵的示意图。从图中可以看出,对角线方向显示成多个凸起,对应了不同
时间段的信号处于各自的稳定状态,即稳定过程的演化趋势。一个稳定过程在图中表现为
对角线上的方格,包含了稳定过程的产生、发展、结束等阶段的演化趋势。方格还可以提示
稳定过程对应的持续时间和演化趋势形成的演化周期,根据这些时间可以从原始信号中提
取相应的数据。由此,当关系矩阵中相关系数的值及其对应的持续时间超过相应的设定阈
值,判断为处于同一个稳定过程,以此形成聚类结果。通过聚类,可以获得多个稳定过程(即
多个多通道信号子集合),处于同一个稳定过程中的信号彼此之间的相关程度较高,可以针
对这些信号组成的多通道信号子集合提取对应的信号模板,即提取对同一个稳定过程具有
一定代表性的信号模板。基于每个多通道信号子集合获取的信号模板即为空时域模板,进
而形成空时域模板集合。
的信号模板作为标准模板,以用于检测在线信号,可以根据信号模板的种类有多种实现方
式。
板集合中的空时域模板按照时间顺序排列在一起形成视频模板;将离线信号中时长相同的
多通道信号与视频模板进行匹配检测,以筛选出标准视频模板。
行匹配检测时,进行检测的离线信号的多通道信号的时长也需要为T。如果匹配系数达到要
求,则将符合要求的视频模板作为标准视频模板。需要说明的是,视频模板既包含了时间信
息,又具有更高的空间分辨率,在使用视频模板进行检测时,可以显著提高特异性,避免误
报警,同时,采用视频模板也更加直观。图5即为一个视频模板的示意图。
域模板集合进行匹配检测,以筛选出标准空域模板。
设置采集电极,采集电极可以通过导联连接到信号采集设备,一个位置点可以看成是一个
采集通道,不同的位置点即表示不同的空间位置,一次异常放电中可以包含多个不同的空
间分布模式,这些空间分布模式的维持时间短、模式时间差异性也较大。因此,采用空域模
板对多通道信号进行检测,能够进一步提升检测的准确性。另外,还可以把空域模板集合转
换为地形图模板,即,将所有通道映射在电极所在的空间位置,用颜色代表幅值大小,电极
之间的空白处用三次养条插值进行补全。转换成地形图模板后,使得模板具有更高的空间
分辨率,空间信息的分布也更加直观。例如,图6是空域模板的示意图,图7是地形图模板的
示意图,图7中的小黑点表示通道所在的位置,颜色越深表示幅值越大没通过地形图模板,
可以一目了然地看到多通道信号的空间分布以及幅值强弱。
不同的标准模板得到的识别结果不同,如图8和图9所示,正确模板,在距离癫痫发作位置较
近时,检出密集的放电,较远时,检出数量极少;而错误模板,在距离癫痫发作位置较远时,
检出数量极多。以发作前120s作为癫痫发作前期,在前期之前的作为发作间期,统计发作间
期和阀座前期的癫痫检出数量,求间期与前期的检出数量之间的商值,选择处于商值最小
的模板作为标准模板。
说明的是,通道索引模板是指信号模板集合中,某几个固定的通道的幅值变异严重,而其他
通道的幅值变化在正常范围内,那么就将这几个变异严重的通道作为通道索引模板。例如
图10所示,通道5、9、10的幅值小于阈值A,且其他通道的幅值均大于阈值A且小于阈值B,则
可以将通道5、9、10作为通道索引模板。其中,阈值A=所有通道的幅值的均值‑3*所有通道的
幅值的方差,阈值B=所有通道的幅值的均值+3*所有通道的幅值的方差。通过通道索引模板
只需要在线检测感兴趣的通道的即可,不需要对所有通道进行检测,计算量小、检测速度
快。
括:标准空时域模板、标准视频模板、标准空域模板、标准地形图模板、标准通道索引模板中
的至少一种。具体阐述请见信号稳定状态的检测方法的相关部分,此处不再赘述。
括:获取异常放电时刻对应的多通道信号集合;获取多通道信号子集合,即根据多通道信号
集合的稳定状态的演化趋势进行聚类;获取信号模板集合,即基于聚类结果分别获取多通
道信号子集合对应的信号模板;基于信号模板集合对离线信号进行检测以筛选出标准模
板;基于标准模板检测信号的异常放电。但异常放电相较于其他信号稳定状态具有特殊性,
即当信号中的出现多次异常放电时,是否能认定为同一次异常放电(由于根据检测出的异
常放电的次数可以进行癫痫预警,将信号中的多次异常放电认定为同一次异常放电,能够
避免实际是属于同一次异常放电的,却被误判成是多次的情况,防止影响异常放电次数的
准确性),因此信号的异常放电检测方法还包括:检测信号中的同一次异常放电时刻。所述
检测信号中的同一次异常放电时刻包括:计算信号中不同时刻对应的能量特征;将能量特
征大于特征阈值,且能量特征大于特征阈值的持续时间大于时间阈值的时刻标记为异常放
电;特征阈值=能量特征的均值+n*能量特征的方差,n为当前正态分布的界限值;检出异常
放电后,将时间间隔小于时间间隔阈值的异常放电标记为同一次异常放电。将放电系数高
于第一放电阈值且持续时间高于第二放电阈值的时间被标记为异常放电。例如设定第一放
电阈值为全局放电系数(GFP)的均值加GFP的3倍方差,第二放电阈值为0.07s;检出后,可以
将间隔小于0.1s的异常放电被标记为同一次放电。异常放电的持续时间最少要一个稳定状
态的状态时间。
根据标准模板检测信号,以获取信号的异常放电次数;当处理器判断异常放电次数大于设
定预警阈值,则判定为癫痫即将发作。具体阐述请见信号稳定状态的检测方法的相关部分,
此处不再赘述。
识别信号所处的时相)。由此可以发现,采用本发明的癫痫检测装置,可以提前4分钟左右发
出癫痫预警,及时发现目标状态,从而及时采取电刺激治疗。
量大于阈值的主成分构成投影矩阵;利用投影矩阵对原始脑电信号进行空间降维处理,获
取处理后的脑电数据;对处理后的脑电数据进行共空间模式算法处理,获得异常放电增强
数据。
式空间滤波器,共空间模式空间滤波器能够对异常放电和癫痫发作波形的幅值进行增强。
这样,能够更容易识别出异常放电和发作波形。图13是共空间模式算法处理前后的脑电波
形图,从图13中可以看出,借助共空间模式空间滤波器,对背景信号的幅值影响较小,对异
常放电和发作波形的幅值进行了显著增强。
所述的方法的步骤。计算机可读存储介质可以位于计算机网络的多个网络服务器中的至少
一个网络服务器。上述存储介质可以包括但不限于:U盘、只读存储器(ROM)、随机存取存储
器(RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
性范围并不局限于说明书上的内容,必须要如权利要求范围来确定其技术性范围。