基于BNI的癫痫发作信号的检测方法技术

本发明专利技术公开了一种基于BNI的癫痫发作信号的检测方法，本发明专利技术从微观神经元角度来讨论预测方法的有效性：从微观神经元角度，采用神经质量模型(NMM)来拟合大脑深度电极脑电图(Depth EEG)信号并阐明网络结构、动力学方程和产生癫痫放电三者之间的关系。为了量化给定网络能够引起癫痫发作的病理性程度引入了脑网络致痫性指数(BNI)这个概念。这是BNI首次被用作癫痫发作的预测因子。本发明专利技术缩短了检测时间，减少电极的植入数量，能观测到很好的预测效果。

【技术实现步骤摘要】
基于BNI的癫痫发作信号的检测方法
本专利技术属于脑网络结构分析领域，涉及一种基于脑功能网络特征，通过神经质量建模，计算BrainNetworkIctogenicity(BNI)用以进行癫痫发作信号的检测方法。
技术介绍
癫痫病作为一种以突发性为特征的神经系统疾病，长期频繁的发作对患者的身体、精神以及认知均产生严重影响。不幸的是，癫痫是第四种最常见的神经系统疾病，影响全世界超过6500万人。针对这一现状，显然需要一种能够预测这些患者癫痫发作并保护其免受伤害的新方法。随着对癫痫分类的明确，研究表明局灶性的癫痫病具有一定的可预见性。比如在美国进行的一项调查研究表明从癫痫发作间期到发作期可能存在发作前状态，这种发作前的状态被认为是在癫痫发作之前就出现的，这与发作前的大部分时间都处于发作间期有关。如果可以捕获这种发作前状态，则可以预测癫痫发作。“病灶点”(EpileptogenicZone,EZ)是与癫痫有关的一个流行性概念，它表示“发作的异常放电点，是癫痫发作不可或缺的皮质层区域”。通过在EZ内植入大脑深度电极脑电图(DepthEEG)电极，可以评估其组成的神经元活动以及在其他DepthEEG通道上观察到的活动，并且可以将其用于建立描述潜在癫痫机制的脑功能网络(FunctionalBrainNetworks,FBNs)。基于网络的方法被认为是了解癫痫发作发生的有效方法。其中，网络一词指的是“节点”和“边缘”的集合——FBNs节点代表带有植入电极的大脑区域，而边缘则描述了任意两个给定节点之间的关系，通常通过相关性或因果关系的度量进行评估。然后可以利用由复杂性理论产生的数学技术来阐明节点动力学，网络连接性和癫痫发作之间的联系。除了癫痫研究以外，有关神经元种群水平的计算模型也引起人们的极大兴趣。这些模型基于实验数据和神经质量模型(NeuralMassModel,NMM)，其中每个神经集合的动力学由二阶微分方程表示。此外，NMM采用数学建模框架，可以研究网络结构、节点动力学和放电三者之间的关系。在该模型中，体现了主要神经元，兴奋性中间神经元和抑制性中间神经元之间具有两种不同的抑制时间尺度的相互作用的回路。为了量化给定网络能够引起癫痫发作的病理性程度引入了BNI这个概念。BNI已被证明是特发性全身性癫痫的有用生物标志物，也是术后癫痫发作控制的预测因子。虽然BNI量化了网络产生紧急病理动力学的能力，使用BNI和结节的遗传性(NI)来确定是否建议手术切除，以取得良好的效果。在A.L.Marinho等人的研究中，相对于发作前和发作后FC，早期发作功能性连接(FC)产生更高的BNI值。尽管具有明显的价值，但BNI仍未用于癫痫预测的目的。为了解决这个问题，本研究的重点是如何用从DepthEEG信号中得出的BNI值来量化癫痫发作前的发作原性，并为癫痫发作提供高级警告。对于每个患者，都基于EZ和整个大脑区域(WBA)计算了FBNs。进一步构建NMM以说明在发作前期和发作期由于放电产生的网络拓扑结构的作用此外，在这些期间比较了FBNs的变化。具体而言，采用了通过量化癫痫发作可能性来预测癫痫的新指标。据我们所知，这是BNI首次被用作预测指标。最后，还测试了先前报道的建模框架预测癫痫和优化预测时间的能力。
技术实现思路
本专利技术针对现有技术的不足，提出了一种基于BNI的癫痫发作信号的检测方法。为了实现以上目的，本专利技术方法主要包括以下步骤：步骤(1)，采集脑电数据及预处理。其中所有的信号均由长度为2毫米，直径为0.8毫米，触点间距为1.5毫米的5-18个触点组成的深度电极分布系统采样得到。数据预处理方式为使用具有85Hz高截止频率的Butterworth滤波器进行带通滤波。步骤(2)，基于DepthEEG信号的FBNs特征分析。引入图论的概念，应用网络分析来建立FBNs相关性矩阵，计算出相应的Pearson相关系数以及阈值。当通道由两个变为多个时Pearson相关系数由一个数变成一个矩阵——相关性矩阵，我们选取合适的阈值对相关性矩阵进行二值化。对于二值化后的矩阵，其中的“0”表示“节点”(即通道)，“1”代表着“度”，这样一来，就可以绘制出脑功能网络直观图。其中，图论的具体概念为：图论将网络定义为节点集，其成对相互作用由链接它们的边定义。在神经影像学领域，结点通常代表大脑区域，而边缘则表示它们之间的因果关系或相关关系。其中，Pearson相关系以及阈值的具体算法如下：FBNs的节点代表电极附近的大脑区域，而节点之间的边缘被确定为所观察到的节点活动的Pearson相关系数：其中cov是通道i和通道j的协方差，而σi和σj表示节点i和j中活动的相应标准差。确定节点相关性后，将统计上显著的阈值T应用于二进制化相关矩阵：T＝1-(1-α)1/(L-1)其中L是不相交截面的平均数，在上面列出的过程中涉及到，α是所需的置信度(本文中α＝0.95)。其中，二进制化相关矩阵的具体方法为：对于任意一个矩阵A来说，二值化就是选择一个合适的阈值T跟矩阵A中的每一个数进行比较，如果大于阈值T，则将矩阵A中对应位置的数记为1，如果小于阈值T，则将矩阵A中对应位置的数记为0。按照此方法，依次处理矩阵中的每个值，就能得到二值矩阵。步骤(3)用NMM来拟合DepthEEG信号。将步骤(2)中得到的二值化矩阵代入NMM中，根据现有文献确定所有参数后可以得到跟时间有关的序列。步骤(4)BNI的计算。为了研究给定网络能够产生引起癫痫发作的病理性程度，考虑了对FBNs的定量测量而引入了BNI的概念，即参考时间内所有节点放电状态下的时间总和除以参考时间；对步骤(3)中所得到的时间序列计算BNI，即可将计算结果用于下一个步骤中，进行对癫痫发作预测的分析。其中，BNI的具体算法如下：步骤(5)，根据BNI的癫痫发作预测分析。根据实验结果我们可以认为，在预测时间段内，当BNI超过0.5时，就存在发病的风险。那么在测试的一小时DepthEEG信号中，显示BNI呈逐渐上升趋势，最终在某个时间达到0.5阈值以上，这个就是我们想要得到的预测时间。本专利技术与已有的诸多脑电信号的算法相比，具有如下特点：一方面，此方法基于DepthEEG信号,最大的优势在于数据采集时更接近发病源，因而能更早的感知病变情况，将发作的预测时间检测到2461.74秒以前，比基于NPDC的方法时间提前了一倍；本专利技术大大提前了癫痫发作预测的时间；另一方面，研究发现，EZ的BNI相对于全局网络更具有辨识性，可用于计算预测癫痫发作的指标之一。未来的手术方案尝试进行类似BNI分析的研究时，则不需要使用大量电极去覆盖整个大脑，而是可以直接将电极区域分布在病变区域即可。这样可以减少电极的植入数量，减小病人的痛苦及恢复时间，又能观测到很好的预测效果。附图说明图1为本专利技术的实施流程图；图2为本专利技术实施例的患者AR的WBA(左)和E本文档来自技高网...

【技术保护点】
1.基于BNI的癫痫发作信号的检测方法，其特征在于，该方法包括如下步骤：/n步骤(1)，采集脑电数据及预处理；/n步骤(2)，基于大脑深度电极脑电图信号的脑功能网络特征分析；/n引入图论的概念，应用网络分析来建立脑功能网络相关性矩阵，计算出相应的Pearson相关系数以及阈值；当通道由两个变为多个时Pearson相关系数由一个数变成一个矩阵——相关性矩阵，选取阈值对相关性矩阵进行二值化；对于二值化后的矩阵，其中的“0”表示“节点”，即通道，“1”代表着“度”，绘制出脑功能网络直观图；/n步骤(3)用神经质量模型来拟合Depth EEG信号/n将步骤(2)中得到的二值化矩阵代入神经质量模型中，得到跟时间有关的序列；/n步骤(4)计算BNI值/n为了研究给定网络能够产生引起癫痫发作的病理性程度，考虑了对脑功能网络的定量测量而引入了BNI的概念，即参考时间内所有节点放电状态下的时间总和除以参考时间；对步骤(3)中所得到的时间序列计算BNI，即可将计算结果用于下一个步骤中，进行对癫痫发作预测的分析；/n其中，BNI的具体算法如下：/n

【技术特征摘要】
1.基于BNI的癫痫发作信号的检测方法，其特征在于，该方法包括如下步骤：
步骤(1)，采集脑电数据及预处理；
步骤(2)，基于大脑深度电极脑电图信号的脑功能网络特征分析；
引入图论的概念，应用网络分析来建立脑功能网络相关性矩阵，计算出相应的Pearson相关系数以及阈值；当通道由两个变为多个时Pearson相关系数由一个数变成一个矩阵——相关性矩阵，选取阈值对相关性矩阵进行二值化；对于二值化后的矩阵，其中的“0”表示“节点”，即通道，“1”代表着“度”，绘制出脑功能网络直观图；
步骤(3)用神经质量模型来拟合DepthEEG信号
将步骤(2)中得到的二值化矩阵代入神经质量模型中，得到跟时间有关的序列；
步骤(4)计算BNI值
为了研究给定网络能够产生引起癫痫发作的病理性程度，考虑了对脑功能网络的定量测量而引入了BNI的概念，即参考时间内所有节点放电状态下的时间总和除以参考时间；对步骤(3)中所得到的时间序列计算BNI，即可将计算结果用于下一个步骤中，进行对癫痫发作预测的分析；
其中，BNI的具体算法如下：



步骤(5)，根据BNI的值作分析。


2.根据权利要求1所述的基于BNI的癫痫发作信号的检测方法，其特征在于：所述的采集脑电数据及预处理；具体为：
采集脑电数据通过长度为2毫米，直径为0.8毫米，触点间距为1.5毫米的5-18个触点组成的深度电极分布...

【专利技术属性】
技术研发人员：胡月静，柏雨露，汪茜，高云园，张启忠，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33