一种基于新生儿脑电信号的惊厥检测方法技术

本发明专利技术公开了一种基于新生儿脑电信号的惊厥检测方法，分为训练部分和测试部分，训练部分是将数据进行0.5～40Hz的滤波后，再进行32Hz的下采样，然后进行0.5～12.5Hz的滤波，再将所有数据分割成24s一段，提取特征值并标准化，对特征值进行分类标记，使用SVM进行训练得到模型；而测试部分是对数据进行0.5～40Hz的滤波后，进行32Hz的下采样，然后进行0.5～12.5Hz的滤波，对每24s的数据提取特征值，按照阈值条件排除非惊厥数据，对不能排除的数据进行标准化，使用模型进行预测，判断是否为惊厥数据。本发明专利技术方法可对新生儿脑电信号进行惊厥检测，可辅助医护人员对新生儿惊厥进行诊断，提高诊断效率。

【技术实现步骤摘要】
一种基于新生儿脑电信号的惊厥检测方法
本专利技术涉及一种基于新生儿脑电信号的惊厥检测方法，属于图像处理技术。
技术介绍
惊厥是大脑皮质功能的暂时紊乱引起脑细胞异常放电，表现为全身或局部骨骼肌群突然发生不自主的肌肉强直、阵挛性抽搐，并引起关节运动，多为全身、对称性，常伴有意识障碍。惊厥可仅由于中枢神经系统的异常放电引起，但这种异常放电可由许多原发性颅内病变(脑膜炎，脑血管意外，脑炎，颅内出血，肿瘤)引起，或继发于全身性或代谢性(如缺血，缺氧，低血糖，低血钙，低血钠)疾病。新生儿惊厥容易发生窒息、脑缺氧等并发症，应该密切注意新生儿的护理和预防保健。因此对新生儿惊厥的检测意义重大，目前针对新生儿惊厥的检测设备还不多见，对新生儿脑电图进行监测以检测新生儿是否发生惊厥亦无先例。参考文献【1】Temko,A.,etal.,EEG-basedneonatalseizuredetectionwithSupportVectorMachines.ClinicalNeurophysiology,2011.122(3):p.464-473.【2】Gotman,J.,etal.,Automaticseizuredetectioninthenewborn:methodsandinitialevaluation.ElectroencephalographyandClinicalNeurophysiology,1997.103(3):p.356-362.【3】Temko,A.,etal.,Clinicalimplementationofaneonatalseizuredetectionalgorithm.DecisionSupportSystems,2015.70:p.86-96.
技术实现思路
专利技术目的：为了克服现有技术的不足，本专利技术提供一种基于新生儿脑电信号的惊厥检测方法，能够对新生儿是否发生惊厥进行检测，防患于未然。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于新生儿脑电信号的惊厥检测方法，包括训练阶段和检测阶段，具体如下：训练阶段：S11、采集P(P大于50)个惊厥新生儿的脑电信号作为样本，并进行剔除错误数据的带通滤波；原始的脑电信号含有大量的噪声，是不能直接进行人为判读的，这里先进行一个剔除错误数据的带通滤波，之后就可以进行人为判读了；优选采用0.5～40Hz的带通滤波，当然，这里给出的截止频率也不是固定的，也可以采用0.5～70Hz的带通滤波，还是要根据脑电信号的质量决定；S12、对步骤S11得到的所有样本进行下采样，优选采用32Hz下采样；再进行计算数据筛选的带通滤波，这一次的带通滤波是为了除去不必要的信号，优选采用0.5～12.5Hz的带通滤波(参考文献：1)；S13、将步骤S12得到的每一个样本分割成ks一段的数据段，不足ks的数据段舍去；S14、识别所有数据段，按照是否存在惊厥分成三个数据集，分别为惊厥数据集、非惊厥数据集和其他数据集，所有惊厥数据构成惊厥数据集，所有非惊厥数据构成非惊厥数据集，所有惊厥数据和非惊厥数据以外的ks数据段构成其他数据集；惊厥数据为ks数据段中的每一秒均出现惊厥信号的ks数据段，非惊厥数据为ks数据段中的每一秒均未出现惊厥信号的ks数据段；S15、将惊厥数据标记为a，非惊厥数据标记为b；S16、所有惊厥数据和非惊厥数据进行特征值提取；S17、对所有特征值进行标准化，得到正态分布的平均值和方差；S18、对标准化后的特征值，从惊厥数据和非惊厥数据中分别随机选取Q条(Q大于等于1000，且不超过所有数据的30％)数据作为训练数据，选取步骤S16中提取的全部或部分特征值进行分类训练得到分类模型Model；测试阶段：S21、对采集到的新生儿脑电信号，进行剔除错误数据的带通滤波处理；S22、对步骤S21得到的数据进行下采样，并进行计算数据筛选的带通滤波，将得到的数据分为检测部分和未检测部分；S23、若未检测部分的长度大于等于ks，提取未检测部分的前ks数据段；S24、对步骤S23提取出的ks数据段进行特征值提取；S25、对步骤S24中提取的特征值进行初步判断，确认步骤S23提取出的ks数据段是否为非惊厥数据；S26、若步骤24中提取的特征值经过步骤S25无法判断为非惊厥数据，对特征值进行标准化，使用步骤S18得到的分类模型Model进行预测：若预测为a，则认为步骤S23提取出的ks数据段为惊厥数据；若预测为b，则认为步骤S23提取出的ks数据段为非惊厥数据；S27、将步骤S23提取出的ks数据段标记为检测部分，从未检测部分剔除；S28、循环步骤S23～S27，至所有数据检测完毕或未检测部分的长度小于ks。优选的，所述步骤S18中，使用支持向量机、决策树、神经网络等进行分类训练得到分类模型Model，其中，支持向量机的分类准确率更高；若采用支持向量机进行分类训练，则训练时使用的模型为SVM分类模型(支持向量机分类模型)、核函数为RBF核函数(径向基核函数)、核函数的惩罚系数为10、核函数的伽马函数γ为特征向量总数的倒数。优选的，所述步骤S16中，对任一ks数据段，按照如下方式提取特征值：(a)频域主峰平均频率：先将ks数据段分隔成m段k/ms数据段；再计算每段k/ms数据段的功率密度谱，将每段k/ms数据段中幅值最大的波峰作为该k/ms数据段的主峰，得到对应的主峰频率；最后对m个主峰频率取平均值，即为该ks数据段的频域主峰平均频率；其中，m为正整数；(b)频域主峰平均频率标准差：基于步骤(a)，计算m个主峰频率的标准差，即为该ks数据段的频域主峰平均频率标准差；(c)频域主峰平均波宽：基于步骤(a)，对m个主峰对应的半波宽求平均值，即为该ks数据段的频域主峰平均波宽；(d)频域主峰功率占比平均值：基于步骤(a)，对每个主峰对应的半波宽区域求功率，将其与所属k/ms数据段的总功率的比值作为该k/ms数据段的主峰功率占比，对m个主峰功率占比取平均值，即为该ks数据段的频域主峰功率占比平均值；(e)时域平均波峰高度：先将ks数据段分隔成n段k/ns数据段；再将每段k/ns数据段的最高的波峰高度作为波峰极值；最后对n个波峰极值取平均值，即为该ks数据段的时域平均波峰高度；其中，n为大于m的正整数；(f)时域波峰高度稳定性：基于步骤(e)，将n个波峰极值中的最大值/最小值作为该ks数据段的时域波峰高度稳定性；(g)时域平均波峰宽度：基于步骤(e)，对n个波峰极值对应的半波宽求平均值，即为该ks数据段的时域平均波峰宽度；(h)时域波峰宽度稳定性：基于步骤(e)，将n个波峰极值对应的半波宽中的最大值/最小值作为该ks数据段的时域波峰宽度稳定性。优选的，所述步骤S18中，剔除时域波峰高度稳定性和时域波峰宽度稳定性两个特征值后，对其余特征值进行分类训练得本文档来自技高网...

【技术保护点】
1.一种基于新生儿脑电信号的惊厥检测方法，其特征在于：包括训练阶段和检测阶段，具体如下：/n训练阶段：/nS11、采集P个惊厥新生儿的脑电信号作为样本，并进行剔除错误数据的带通滤波；/nS12、对步骤S11得到的所有样本进行下采样，并进行计算数据筛选的带通滤波；/nS13、将步骤S12得到的每一个样本分割成ks一段的数据段，不足ks的数据段舍去；/nS14、识别所有数据段，按照是否存在惊厥分成三个数据集，分别为惊厥数据集、非惊厥数据集和其他数据集，所有惊厥数据构成惊厥数据集，所有非惊厥数据构成非惊厥数据集，所有惊厥数据和非惊厥数据以外的ks数据段构成其他数据集；惊厥数据为ks数据段中的每一秒均出现惊厥信号的ks数据段，非惊厥数据为ks数据段中的每一秒均未出现惊厥信号的ks数据段；/nS15、将惊厥数据标记为a，非惊厥数据标记为b；/nS16、所有惊厥数据和非惊厥数据进行特征值提取；/nS17、对所有特征值进行标准化，得到正态分布的平均值和方差；/nS18、对标准化后的特征值，从惊厥数据和非惊厥数据中分别随机选取Q条数据作为训练数据，选取步骤S16中提取的全部或部分特征值进行分类训练得到分类模型Model；/n测试阶段：/nS21、对采集到的新生儿脑电信号，进行剔除错误数据的带通滤波处理；/nS22、对步骤S21得到的数据进行下采样，并进行计算数据筛选的带通滤波，将得到的数据分为检测部分和未检测部分；/nS23、若未检测部分的长度大于等于ks，提取未检测部分的前ks数据段；/nS24、对步骤S23提取出的ks数据段进行特征值提取；/nS25、对步骤S24中提取的特征值进行初步判断，确认步骤S23提取出的ks数据段是否为非惊厥数据；/nS26、若步骤24中提取的特征值经过步骤S25无法判断为非惊厥数据，对特征值进行标准化，使用步骤S18得到的分类模型Model进行预测：若预测为a，则认为步骤S23提取出的ks数据段为惊厥数据；若预测为b，则认为步骤S23提取出的ks数据段为非惊厥数据；/nS27、将步骤S23提取出的ks数据段标记为检测部分，从未检测部分剔除；/nS28、循环步骤S23～S27，至所有数据检测完毕或未检测部分的长度小于ks。/n...

【技术特征摘要】
1.一种基于新生儿脑电信号的惊厥检测方法，其特征在于：包括训练阶段和检测阶段，具体如下：
训练阶段：
S11、采集P个惊厥新生儿的脑电信号作为样本，并进行剔除错误数据的带通滤波；
S12、对步骤S11得到的所有样本进行下采样，并进行计算数据筛选的带通滤波；
S13、将步骤S12得到的每一个样本分割成ks一段的数据段，不足ks的数据段舍去；
S14、识别所有数据段，按照是否存在惊厥分成三个数据集，分别为惊厥数据集、非惊厥数据集和其他数据集，所有惊厥数据构成惊厥数据集，所有非惊厥数据构成非惊厥数据集，所有惊厥数据和非惊厥数据以外的ks数据段构成其他数据集；惊厥数据为ks数据段中的每一秒均出现惊厥信号的ks数据段，非惊厥数据为ks数据段中的每一秒均未出现惊厥信号的ks数据段；
S15、将惊厥数据标记为a，非惊厥数据标记为b；
S16、所有惊厥数据和非惊厥数据进行特征值提取；
S17、对所有特征值进行标准化，得到正态分布的平均值和方差；
S18、对标准化后的特征值，从惊厥数据和非惊厥数据中分别随机选取Q条数据作为训练数据，选取步骤S16中提取的全部或部分特征值进行分类训练得到分类模型Model；
测试阶段：
S21、对采集到的新生儿脑电信号，进行剔除错误数据的带通滤波处理；
S22、对步骤S21得到的数据进行下采样，并进行计算数据筛选的带通滤波，将得到的数据分为检测部分和未检测部分；
S23、若未检测部分的长度大于等于ks，提取未检测部分的前ks数据段；
S24、对步骤S23提取出的ks数据段进行特征值提取；
S25、对步骤S24中提取的特征值进行初步判断，确认步骤S23提取出的ks数据段是否为非惊厥数据；
S26、若步骤24中提取的特征值经过步骤S25无法判断为非惊厥数据，对特征值进行标准化，使用步骤S18得到的分类模型Model进行预测：若预测为a，则认为步骤S23提取出的ks数据段为惊厥数据；若预测为b，则认为步骤S23提取出的ks数据段为非惊厥数据；
S27、将步骤S23提取出的ks数据段标记为检测部分，从未检测部分剔除；
S28、循环步骤S23～S27，至所有数据检测完毕或未检测部分的长度小于ks。


2.根据权利要求1所述的基于新生儿脑电信号的惊厥检测方法，其特征在于：所述步骤S18中，使用支持向量机进行分类训练得到分类模型Model；训练时使用的模型为SVM分类模型、核函数为RBF核函数、核函数的惩罚系数为10。


3.根据权利要求1所述的基于新生儿脑电信号的惊厥检测方法，其特征在于：所述步骤S16中，对任一ks数据段，按照如下方式提取特征值：
(a)频域主峰平均频率：先将ks数据段分隔成m段k/ms数据段；再计算每段k/ms数据段的功率密度谱，将每段k/ms数据段中幅值最大的波峰作为该k/ms...

【专利技术属性】
技术研发人员：施雯，黄河，
申请(专利权)人：南京伟思医疗科技股份有限公司，
类型：发明
国别省市：江苏;32