基于单导联的多种致痫病理标志物分析的SOZ定位方法技术

本发明专利技术公开了一种基于单导联的多种致痫病理标志物分析的SOZ定位方法。首先，从信号分布和信号能量两个方面来计算单导联的痫性特征，并提出了病理Ripple标准化特征，即区域+10％阈值的标准化Ripple率，以最大限度地减少生理Ripple对定位的干扰；然后，采用Shapley值和假设检验特征选择算法，以避免不相关或冗余特征的干扰。接着，在浅层神经网络分类器上应用注意力机制和焦点损失算法，来克服致痫与非致痫触点不平衡的局限性，从而更好地学习与定位显著相关的特征，实现触点的高敏感度识别。最后，我们将分析得到的触点痫性系数，通过全脑映射的方法显示在磁共振成像图像中，给临床医生提供了可靠且可解释的辅助定位结果，进行更精确的术前评估支持。更精确的术前评估支持。更精确的术前评估支持。

【技术实现步骤摘要】
基于单导联的多种致痫病理标志物分析的SOZ定位方法


[0001]本专利技术涉及信号处理
，尤其涉及一种基于单导联的多种致痫病理标志物分析的SOZ定位方法。

技术介绍

[0002]抗癫痫药物可以有效得控制大多数癫痫患者的癫痫发作，但是仍有超过30％的患者无法治愈，即药物难治性癫痫(Drug
‑
Resistant Epilepsy,DRE)。对于此类DRE患者，最好的治疗方法是采取手术措施切除或消融引起癫痫的大脑区域，来减少或预防患者的癫痫发作。我们将实际产生临床癫痫发作的大脑区域称为癫痫发作病灶区(Seizure onset zone,SOZ)。因此，成功手术的关键在于SOZ的准确定位。
[0003]立体定向脑电图(stereo
‑
electroencephalogram，SEEG)是SOZ定位的金标准，与侵入性皮层网格电极(electrocorticography，ECOG)不同，它是由植入脑深部的深部电极记录的。SEEG不仅可以记录大脑皮层表面的电信号，还能记录杏仁核和海马深层结构的电信号。然而，临床医生如若目视检查长程发作间期SEEG来补充病理信息，是十分费力耗时且主观的。
[0004]围绕发作间期SEEG，基于人工智能算法的SOZ致痫触点识别通常分三阶段完成：(1)利用典型信号分析方法、机器学习、深度学习等算法来检测SEEG中潜在的致痫病理标志物；(2)根据上一阶段检测得到的致痫病理标志物，来分析、提取单导联的痫性特征；(3)通常需要进行特征选择，然后通过机器学习算法实现对致痫触点的分类。
[0005]SOZ定位第一步中至关重要的部分是病理标志物的检测。近年来，研究者发现多种有定位潜力且与癫痫发作独立的病理标志物，例如棘波、高频振荡(HFOs)，以及发作间期癫痫样放电等。其中，对于棘波检测，本专利技术人前期证明了深度学习可以检测出SEEG细微的病理变化，随后又设计了更具自适应性与高度可解释性的SEEG
‑
Net模型，实现了具有更高敏感度与强泛化性的检测性能。对于HFOs检测，本专利技术人前期将原始信号的滤波信号与时频图像联合分析，实现了高准确率、低漏检率的信号检测。此外，对于其他重要的癫痫样放电特征等，Akter等人使用从高频子带中提取的信息论特征，来检测发作间期脑电的致痫病灶。Klimes等人通过计算全脑触点的振荡事件、单变量光谱分析等多项特征，基于发作间期数据来定位SOZ。由此可见，提升致痫病理标志物的检测精度十分重要，且可以取得更优SOZ定位效果。然而，大多数研究中仅围绕信号层面，即检测SEEG信号片段是否来源于SOZ，这样的研究无法从个体患者的整体角度，来准确追溯致痫触点和病灶区域。因此，进行第二步研究势在必行。
[0006]SOZ定位第二步的关键是单导联的痫性特征提取。由于凭借某单一病理标志物都不足以实现致痫灶的精准定位，Klimes等人使用多种病理标志物和多特征融合方法，其定位结果优于单种标志物方法，促进了使用多种标志物组合进行定位研究的发展。因此，基于多种病理标志物的多维度特征来表示单导联的痫性特征是未来的研究趋势。此外，生理高频信号会干扰致痫灶的定位，且现阶段我们无法从信号维度对病理和生理高频信号进行明
确的区分。Zweiphenning等人研究了生理Ripples的纠正方法，以降低生理高频对定位的影响，增强致痫触点识别的性能。与传统的仅计算高频信号相比，Ripples标准化能够增强临床适用性。因此，从单导联维度来量化病理Ripples率以提高SOZ定位的性能是我们要解决的重要问题。
[0007]在第三步中，特征提取中选择有效特征并分析其中的显著特征也十分具有挑战性。传统的临床分析一般使用阈值方法。Zweiphenning等人分析了各种阈值方法，其中最好的阈值方法达到了77.3％的精度和27％的敏感性。但是，阈值方法仍然存在适应性差等问题。近年来与AI算法结合的研究中，采用稀疏LDA进行特征选择，支持向量机等机器学习分类器进行SOZ触点识别，达到了52.70％的敏感度。但上述方法仍存在适应性不足、敏感性等问题。因此，设计合适的特征选择方法和SOZ识别的分类器在本专利技术研究中的重点。
[0008]基于上述限制，本专利技术旨在解决以下三个问题来提高SOZ定位的敏感度和整体性能：(1)如何组合分析多种致痫病理标志物的多维度特征，多视角、多方面地提取触点的痫性特征？(2)高频振荡信号是典型且重要的致痫病理标志物，如何减少生理高频信号对定位的影响？(3)如何在海量相关特征中进行有效的特征选择，去除无关特征和冗余信息，从而提升致痫触点识别的敏感度？

技术实现思路

[0009]本专利技术针对现有间期致痫灶定位研究中存在的特征分析不完善、敏感度低和个体泛化性差等问题，旨在围绕长程发作间期SEEG数据，开发一种客观分析、无需人工目视检测且高敏感度的SOZ单导联定位方法，为临床医生提供可靠的帮助，并进行准确的发作间期术前评估。
[0010]为了实现上述目的，本专利技术提供如下技术方案：
[0011]一种基于单导联的多种致痫病理标志物分析的SOZ定位方法，包括以下步骤：
[0012]S1、检测棘波、棘慢复合波和高频振荡信号，作为致痫病理标志物；其中，高频振荡信号包括Ripples、Fast Ripples、Ripple与Fast Ripple复合波；
[0013]S2、从棘波、棘慢复合波和高频振荡信号的信号分布与信号能量两方面来提取单导联的痫性特征；
[0014]S3、使用基于Shapley值和假设检验的特征选择算法来进行显著特征的选择；
[0015]S4、在浅层神经网络分类器上应用注意力机制和焦点损失算法来实现导联识别，计算得到SOZ触点的预测分数；
[0016]S5、通过全脑映射的方法将SOZ触点的预测分数显示在磁共振成像图像中。
[0017]进一步地，步骤S1中高频振荡信号检测方法能根据带通滤波信号的希尔伯特包络的幅度，识别出在规定的时间长度内存在超过6次震荡的事件。
[0018]进一步地，步骤S2采用区域+10％阈值的病理Ripples标准化以提高定位性能。
[0019]进一步地，步骤S2中，信号分布方面的单导联的癫痫特征包括棘波出现率、Ripple出现率、标准化的病理Ripples出现率、Fast Ripples的出现率和Ripple与Fast Ripple复合波的出现率。
[0020]进一步地，步骤S2中，棘波出现率采用三种不同的棘波检测器来完成棘波的信号识别，分别为：基于典型信号特征提取方法、一维卷积神经网络和SEEG网络。
[0021]进一步地，步骤S2中，信号能量方面的单导联的癫痫特征包括棘波能量、Ripple能量、Fast Ripple能量、Ripple与Fast Ripple复合波能量。
[0022]进一步地，步骤S3中，基于Shapley值的特征选择算法通过计算局部相关性、全局相关性和自适应阈值来评估相关特征，其中，采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于单导联的多种致痫病理标志物分析的SOZ定位方法，其特征在于，包括以下步骤：S1、检测棘波、棘慢复合波和高频振荡信号，作为致痫病理标志物；其中，高频振荡信号包括Ripples、Fast Ripples、Ripple与Fast Ripple复合波；S2、从棘波、棘慢复合波和高频振荡信号的信号分布与信号能量两方面来提取单导联的痫性特征；S3、使用基于Shapley值和假设检验的特征选择算法来进行显著特征的选择；S4、在浅层神经网络分类器上应用注意力机制和焦点损失算法来实现导联识别，计算得到SOZ触点的预测分数；S5、通过全脑映射的方法将SOZ触点的预测分数显示在磁共振成像图像中。2.根据权利要求1所述的基于单导联的多种致痫病理标志物分析的SOZ定位方法，其特征在于，步骤S1中高频振荡信号检测方法能根据带通滤波信号的希尔伯特包络的幅度，识别出在规定的时间长度内存在超过6次震荡的事件。3.根据权利要求1所述的基于单导联的多种致痫病理标志物分析的SOZ定位方法，其特征在于，步骤S2采用区域+10％阈值的病理Ripples标准化以提高定位性能。4.根据权利要求3所述的基于单导联的多种致痫病理标志物分析的SOZ定位方法，其特征在于，步骤S2中，信号分布方面的单导联的癫痫特征包括棘波出现率、Ripple出现率、标准化的病理Ripple出现率、Fast Ripple的出现率和Ripple与Fast Ri...

【专利技术属性】
技术研发人员：康桂霞，王艺平，魏鹏虎，杨彦枫，
申请(专利权)人：首都医科大学宣武医院，
类型：发明
国别省市：