面向癫痫视频脑电图检查的癫痫发作实时检测监控系统技术方案

本发明专利技术公开了一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统，包含数据处理模块、模型选择模块、癫痫发作报警模块和交互式协同标注模块。数据处理模块用于将输入的脑电信号数据处理成癫痫发作检测模型需要的数据形式；模型选择模块用于构建并选择用于当前患者的癫痫发作检测模型；癫痫发作报警模块用于检测癫痫发作和报警；交互式协同标注模块用于癫痫发作报警模块、陪护人员和监控室之间的交互。本发明专利技术针对临床视频脑电图检查中的现实问题，设计功能模块，提升癫痫发作检测模型的特征学习能力，训练速度以及癫痫发作实时检测的准确性，极大提升陪护人员和医生的体验。极大提升陪护人员和医生的体验。极大提升陪护人员和医生的体验。

【技术实现步骤摘要】
面向癫痫视频脑电图检查的癫痫发作实时检测监控系统


[0001]本专利技术涉及医疗保健信息领域，尤其涉及一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统。

技术介绍

[0002]癫痫是最常见的神经疾病之一，其主要症状是频繁出现部分或整个大脑区域异常电活动的突然激增。脑电图是大脑活动的电记录，是癫痫诊断和分析的重要根据。视频脑电图结合头皮脑电图和高清视频，同时记录大脑电活动和患者行为动作，具有高时间分辨率、非侵入性等特点，是目前最常用的癫痫检测手段。视频脑电图检查持续时间长，通常需要包含清醒
‑
睡眠
‑
清醒的过程，一般在4小时以上，也可以长达24小时。现有技术没有充分融合利用陪护人员，系统和医护人员的资源。面对长时间的视频脑电图数据，医生需要花费大量的时间去目视检查，一般要求陪护人员在患者癫痫发作时，做下标记以便目视检查时能够快速定位癫痫发作时刻，但是长时间的陪护，给陪护人员带来很大负担，同时受限于陪护人员的鉴别能力，现实中会出现很多漏标和误标以及时间延迟较大等问题。并且目前由机器通过算法进行的预标注，报警次数过多，对医生的帮助有限。
[0003]目前主要有两类技术方案用于癫痫发作的检测，一类是按照传统机器学习方法，利用信号处理方法提取特征，筛选有效特征，通过传统机器学习方法分类，过于依赖人为的特征选择，很难适应不同癫痫类型的患者；另一类使用深度学习，将脑电时间信号经过简单预处理（滤波，去噪声，分割成一定时间长度的片段），即通过深度神经网络（特别是卷积神经网络）训练分类模型，目前的技术方案在利用深度神经网络进行癫痫检测时，直接采用时序的表示形式处理，且未充分考虑按照国际10
‑
20系统电极放置，电极之间固有的空间位置关系，将脑电图的通道按照简单的顺序一维排列，部分位置信息没有得到充分利用，没有将通道之间的相对空间关系体现出来，导致癫痫发作检测模型性能不足。癫痫疾病范围较广，个体差异较大，脑电形态存在多种形式。因为癫痫疾病类型多样，患者个体差异较大，现有技术依赖于患者个体历史脑电信号数据训练模型才能达到检测效果（召回率96%），利用其他患者脑电信号数据训练的模型检测效果较低（75%左右）；从发表期刊中，关于癫痫检测的技术方案的结果来看，目前的技术方案需要基于患者特异性的模型才能达到较好的结果，模型泛化性能较弱。

技术实现思路

[0004]本专利技术目的在于针对现有技术的不足，提出一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统，用于解决癫痫患者视频脑电检查过程中，对患者的癫痫发作进行实时检测，以及在检测到患者癫痫发作后进行报警并记录患者癫痫发作时刻的问题。
[0005]本专利技术的目的是通过以下技术方案来实现的：一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统，该系统包括：数据处理模块：用于输入患者脑电信号数据，将脑电信号数据按照时间分割成若
干固定长度的数据片段，对分割后的脑电信号数据的每个通道进行小波分解，根据脑电电极位置，得到18个脑电信号通道，并将18个脑电信号通道按照4行5列的二维结构排布，中间一列缺少的2个通道分别根据通道位置的相对距离关系计算得到；输出为二维结构排布的信号分解后的数据；模型选择模块：构建z+3层结构的模型，其中前z层与数据处理模块中的小波分解的层数相对应，模型第一层的输入为小波分解最后一层分解后的输出；模型第二层的输入为模型第一层的输出和小波分解倒数第二层分解后的高频部分；模型第三层的输入为模型第二层的输出和小波分解倒数第三层分解后的高频部分；依次类推，模型第z层的输入为模型第z
‑
1层的输出和小波分解第一层分解后的高频部分；z+1层、z+2层和z+3层依次为卷积层、最大池化层和全连接层，输出为当前时刻癫痫未发作的概率和发作的概率；根据医院内患者库的数据，统计诊断结果中出现超过阈值次数的癫痫类型，以癫痫类型对应的患者脑电信号数据分别训练相应的癫痫发作检测模型，根据当前患者的视频脑电图检查的脑电信号数据最接近的癫痫类型，选择对应的癫痫发作检测模型来进行检测。
[0006]癫痫发作报警模块：用于实时获取模型选择模块中癫痫发作检测模型输出的癫痫发作的概率，将一段时间内的癫痫发作概率进行平滑处理，根据设置的阈值判断是否向陪护人员报警，并在报警后停止工作，直到陪护人员确认癫痫停止发作或者超过设定时间后恢复工作；交互式协同标注模块：用于癫痫发作报警模块、陪护人员和监控室之间的交互；陪护人员判断癫痫发作报警模块误报和漏报，并通过监控室进行复核，若确认判断癫痫发作报警模块误报和漏报，则调整报警阈值。
[0007]进一步地，所述数据处理模块输入的患者脑电信号数据包括来自患者数据库的用于模型训练的数据以及实时视频脑电图检查的多通道脑电信号数据。
[0008]进一步地，根据脑电电极位置，得到18个脑电信号通道为[Fp1
‑
F7, F7
‑
T3, T3
‑
T5, T5
‑
O1, Fp1
‑
F3, F3
‑
C3, C3
‑
P3, P3
‑
O1, Fz
‑
Cz, Cz
‑
Pz, Fp2
‑
F4, F4
‑
C4, C4
‑
P4, P4
‑
O2, Fp2
‑
F8, F8
‑
T4, T4
‑
T6, T6
‑
O2]；将18个通道排成4行5列的二维结构，第一列为[Fp1
‑
F7, F7
‑
T3, T3
‑
T5, T5
‑
O1]，第二列为[Fp1
‑
F3, F3
‑
C3, C3
‑
P3, P3
‑
O1]，第三列为[Fz
‑
Cz, Cz
‑
Pz]，第四列为[Fp2
‑
F4, F4
‑
C4, C4
‑
P4, P4
‑
O2]，第五列为[Fp2
‑
F8, F8
‑
T4, T4
‑
T6, T6
‑
O2]，中间一列由于只有2个通道，前后分别添加一个通道，用N1和N2表示，即第三列为[N1, Fz
‑
Cz, Cz
‑
Pz, N2]，N1和N2根据电极之间的相对距离关系确定。
[0009]进一步地，Fp1
‑
F3，Fp2
‑
F4与Fp1
‑
F7，Fp2
‑
F8到N1的距离估计为1:2，考虑信号传播的指数衰减，故计算N1时两者系数比为4:1，N2同理；N1和N2的计算公式如下：
[0010]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统，其特征在于，该系统包括：数据处理模块：用于输入患者脑电信号数据，将脑电信号数据按照时间分割成若干固定长度的数据片段，对分割后的脑电信号数据的每个通道进行小波分解，根据脑电电极位置，得到18个脑电信号通道，并将18个脑电信号通道按照4行5列的二维结构排布，中间一列缺少的2个通道分别根据通道位置的相对距离关系计算得到；输出为二维结构排布的信号分解后的数据；模型选择模块：构建z+3层结构的模型，其中前z层与数据处理模块中的小波分解的层数相对应，模型第一层的输入为小波分解最后一层分解后的输出；模型第二层的输入为模型第一层的输出和小波分解倒数第二层分解后的高频部分；模型第三层的输入为模型第二层的输出和小波分解倒数第三层分解后的高频部分；依次类推，模型第z层的输入为模型第z
‑
1层的输出和小波分解第一层分解后的高频部分；z+1层、z+2层和z+3层依次为卷积层、最大池化层和全连接层，输出为当前时刻癫痫未发作的概率和发作的概率；根据医院内患者库的数据，统计诊断结果中出现超过阈值次数的癫痫类型，以癫痫类型对应的患者脑电信号数据分别训练相应的癫痫发作检测模型，根据当前患者的视频脑电图检查的脑电信号数据最接近的癫痫类型，选择对应的癫痫发作检测模型来进行检测；癫痫发作报警模块：用于实时获取模型选择模块中癫痫发作检测模型输出的癫痫发作的概率，将一段时间内的癫痫发作概率进行平滑处理，根据设置的阈值判断是否向陪护人员报警，并在报警后停止工作，直到陪护人员确认癫痫停止发作或者超过设定时间后恢复工作；交互式协同标注模块：用于癫痫发作报警模块、陪护人员和监控室之间的交互；陪护人员判断癫痫发作报警模块误报和漏报，并通过监控室进行复核，若确认判断癫痫发作报警模块误报和漏报，则调整报警阈值。2.根据权利要求1所述的一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统，其特征在于，所述数据处理模块输入的患者脑电信号数据包括来自患者数据库的用于模型训练的数据以及实时视频脑电图检查的脑电信号数据。3.根据权利要求1所述的一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统，其特征在于，根据脑电电极位置，得到18个脑电信号通道为[Fp1
‑
F7, F7
‑
T3, T3
‑
T5, T5
‑
O1, Fp1
‑
F3, F3
‑
C3, C3
‑
P3, P3
‑
O1, Fz
‑
Cz, Cz
‑
Pz, Fp2
‑
F4, F4
‑
C4, C4
‑
P4, P4
‑
O2, Fp2
‑
F8, F8
‑
T4, T4
‑
T6, T6
‑
O2]；将18个通道排成4行5列的二维结构，第一列为[Fp1
‑
F7, F7
‑
T3, T3
‑
T5, T5
‑
O1]，第二列为[Fp1
‑
F3, F3
‑
C3, C3
‑
P3, P3
‑
O1]，第三列为[Fz
...

【专利技术属性】
技术研发人员：李劲松，冯毓琅，周天舒，田雨，
申请(专利权)人：浙江大学，
类型：发明
国别省市：