基于双视角特征融合框架的发作间期癫痫样放电检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于双视角特征融合框架的发作间期癫痫样放电(IED)检测方法及装置，选择多通道脑电图作为IED检测的数据基础，设计了一个融合脑电信号在时域上的波形特征和多通道信号之间空间特征的判别检测模型。该模型包含三个主要部分：首先，将脑电图直接视为多通道时间序列，应用由多层一维卷积构成的神经网络显式地学习深层形态学特征；而后，将脑电图转换为依据通道拓扑结构排布的三维张量，基于该三维张量定位波峰位置，并在待分类片段中保留相应的波峰区域，先后使用三维卷积神经网络提取波峰区域采样帧的空间特征，和长短期记忆网络捕捉前述空间特征的演变；最后将提取到的特征进行融合，从而对输入信号片段是否为IED事件做出判别。否为IED事件做出判别。否为IED事件做出判别。

【技术实现步骤摘要】
基于双视角特征融合框架的发作间期癫痫样放电检测方法及装置


[0001]本专利技术涉及计算机
，尤其涉及一种基于双视角特征融合框架的发作间期癫痫样放电检测方法及装置。

技术介绍

[0002]发作间期癫痫样放电(Interictal Epileptiform Discharge,IED)是一种常出现于癫痫患者发作间期的神经元异常放电活动，可通过脑电图(EEG)采集记录。IED是癫痫疾病诊断中重要的生物标志，而近期的研究进一步表明IED与神经发育异常、认知受损等有着重要的关联。考虑到传统的人工审阅脑电图报告耗时久、培养医师的时间成本高、不同医师间评估标准不一致等不利因素，精准、自动的IED检测工具在脑疾病诊断等方面有着重要的意义。
[0003]IED作为一种电生理活动，其出现和扩散的过程会在全脑多个脑电通道留下痕迹。根据临床神经生理学国际联合会(IFCN)的标准，典型的IED信号应具有信号波形特征和多通道之间的空间关联特征两个方面，因此将形态特征与空间特征结合分析也被认为是区分癫痫样放电与良性瞬变、伪迹之间的关键。然而，现有的IED检测方法无论是基于传统的特征工程还是深度学习这两种思路，大多面向单一通道上的波形特征识别，并不能反映IED的生理特性；少数方法通过将多通道脑电转为二维脑电图进行识别，虽兼顾了IED在多通道下的特征，但这种做法改变了通道之间的邻接关系，是对原始通道间关联特征的破坏，无法满足IED精准识别的需求。

技术实现思路

[0004]本专利技术的目的在于提供一种基于双视角特征融合框架的发作间期癫痫样放电检测方法及装置，用于解决现有技术中检测准确性不高的技术问题。
[0005]为了解决上述技术问题，本专利技术技术方案为：
[0006]第一方面提供基于双视角特征融合框架的发作间期癫痫样放电检测方法，包括：
[0007]S1：分别采集癫痫患者发作间期的原始脑电信号和健康受试者的原始脑电信号；
[0008]S2：对采集到的原始脑电信号进行预处理，并进行标注；
[0009]S3：构建IED检测框架，IED检测框架包括用于提取深度信号波形特征的形态特征学习模块、用于提取多通道脑电信号关联特征的空间特征学习模块和用于波形特征和空间特征进行融合的特征融合模块；
[0010]S4：从进行预处理和标注后的数据中获取训练数据，利用训练数据对IED检测框架进行训练；
[0011]S5：使用训练好的IED检测框架对待识别数据进行检测。
[0012]在一种实施方式中，步骤S1包括：
[0013]使用10
‑
20制头皮脑电仪对癫痫患者发作间期的原始脑电信号和健康受试者的原
始脑电信号的原始脑电信号进行采集。
[0014]在一种实施方式中，步骤S2包括：
[0015]S2.1：对采集到的脑电数据进行重采样至250Hz，对重采样后的信号进行1
‑
70Hz的带通滤波和50Hz的陷波滤波处理；
[0016]S2.2：将步骤S2.1得到的信号标注为正负样本并裁切，其中，正样本由来自癫痫患者的发作间期癫痫样放电片段构成，负样本由来自健康受试者的背景片段和良性尖锐瞬变片段构成，每个标注片段的长度均为0.8s；
[0017]S2.3：对步骤S2.2得到的信号片段重新设置导联组合，每段信号均保存平均参考导联、纵向双极导联和横向双极导联三种导联组合形式下的片段。
[0018]在一种实施方式中，步骤S3构建的IED检测框架中，形态特征学习模块依次由一层一维卷积层、三层残差连接层、一层一维卷积层、平均池化层构成，其中，第一层一维卷积层的卷积核大小为1、输入通道数为19、输出通道为128；三层残差连接层的结构相同，依次由批归一化层、两层卷积核为3的一维卷积层和激活层构成，用于提取波形的深度形态特征；后续的一维卷积层卷积核大小为1、输入通道数为128、输出通道为1，用于在通道维度实现特征降维；平均池化层步长为2，用于在时域上实现特征降维。
[0019]在一种实施方式中，步骤S3构建的IED检测框架中，空间特征学习模块包括波峰区域定位、脑电信号通道重排列和空间特征提取三个部分，其中，波峰区域定位通过逐采样帧计算横、纵双极导联下各通道间的方差以度量相位反转的特征，将方差变化最大的时间窗的中心作为IED的波峰；脑电信号通道重排列将平均参考导联下的信号根据通道物理拓扑结构重排列为三维张量，并使用周围通道的均值补充三维张量中空缺的部分；空间特征提取使用三维卷积层捕捉每个IED波峰周围各采样帧的空间特征，并使用长短期记忆网络捕捉空间特征的演变，长短期记忆网络的最后一帧输出作为空间特征向量。
[0020]在一种实施方式中，步骤S3构建的IED检测框架中，特征融合模块将形态特征向量和空间特征向量拼接形成融合特征向量，并使用三个全连接层网络分别对形态特征向量、空间特征向量和融合特征向量进行分类，得到三条分支的分类结果。
[0021]在一种实施方式中，步骤S4的训练过程中，将来自癫痫患者的IED片段和来自健康受试者的良性尖锐瞬变或背景片段共同输入构建IED检测框架；将得到的三条分支的分类结果使用交叉熵计算损失，取三个交叉熵损失的均值的作为最终分类损失并进行反向传播。
[0022]基于同样的专利技术构思，本专利技术第二方面提供了基于双视角特征融合框架的发作间期癫痫样放电检测装置，包括：
[0023]数据采集模块，用于分别采集癫痫患者发作间期的原始脑电信号和健康受试者的原始脑电信号；
[0024]预处理模块，用于对采集到的原始脑电信号进行预处理，并进行标注；
[0025]检测框架构建模块，用于构建IED检测框架，IED检测框架包括用于提取深度信号波形特征的形态特征学习模块、用于提取多通道脑电信号关联特征的空间特征学习模块和用于波形特征和空间特征进行融合的特征融合模块；
[0026]训练模块，用于从进行预处理和标注后的数据中获取训练数据，利用训练数据对IED检测框架进行训练；
[0027]检测模块，用于使用训练好的IED检测框架对待识别数据进行检测。
[0028]基于同样的专利技术构思，本专利技术第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。
[0029]基于同样的专利技术构思，本专利技术第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
[0030]相对于现有技术，本专利技术的优点和有益的技术效果如下：
[0031]本专利技术提供的一种基于双视角特征融合框架的高精度发作间期癫痫样放电检测方法，构建了IED检测框架，通过形态特征学习模块可以提取深度信号波形特征，通过空间特征学习模块可以提取多通道脑电信号关联特征，通过融合模块可以融合上述两种特征。利用训练数据对IED检测框架进行训练后；使用训练好的IED检测框架可以实现对待识别数据的检测，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双视角特征融合框架的发作间期癫痫样放电检测方法，其特征在于，包括：S1：分别采集癫痫患者发作间期的原始脑电信号和健康受试者的原始脑电信号；S2：对采集到的原始脑电信号进行预处理，并进行标注；S3：构建IED检测框架，IED检测框架包括用于提取深度信号波形特征的形态特征学习模块、用于提取多通道脑电信号关联特征的空间特征学习模块和用于波形特征和空间特征进行融合的特征融合模块；S4：从进行预处理和标注后的数据中获取训练数据，利用训练数据对IED检测框架进行训练；S5：使用训练好的IED检测框架对待识别数据进行检测。2.如权利要求1所述的基于双视角特征融合框架的发作间期癫痫样放电检测方法，其特征在于，步骤S1包括：使用10
‑
20制头皮脑电仪对癫痫患者发作间期的原始脑电信号和健康受试者的原始脑电信号的原始脑电信号进行采集。3.如权利要求1所述的基于双视角特征融合框架的发作间期癫痫样放电检测方法，其特征在于，步骤S2包括：S2.1：对采集到的脑电数据进行重采样至250Hz，对重采样后的信号进行1
‑
70Hz的带通滤波和50Hz的陷波滤波处理；S2.2：将步骤S2.1得到的信号标注为正负样本并裁切，其中，正样本由来自癫痫患者的发作间期癫痫样放电片段构成，负样本由来自健康受试者的背景片段和良性尖锐瞬变片段构成，每个标注片段的长度均为0.8s；S2.3：对步骤S2.2得到的信号片段重新设置导联组合，每段信号均保存平均参考导联、纵向双极导联和横向双极导联三种导联组合形式下的片段。4.如权利要求1所述的基于双视角特征融合框架的发作间期癫痫样放电检测方法，其特征在于，步骤S3构建的IED检测框架中，形态特征学习模块依次由一层一维卷积层、三层残差连接层、一层一维卷积层、平均池化层构成，其中，第一层一维卷积层的卷积核大小为1、输入通道数为19、输出通道为128；三层残差连接层的结构相同，依次由批归一化层、两层卷积核为3的一维卷积层和激活层构成，用于提取波形的深度形态特征；后续的一维卷积层卷积核大小为1、输入通道数为128、输出通道为1，用于在通道维度实现特征降维；平均池化层步长为2，用于在时域上实现特征降维。5.如权利要求1所述的基于双视角特征融合框架的发作间期癫痫样放电检测方法，其特征在于，步骤S3构建的IED检...

【专利技术属性】
技术研发人员：陈丹，明哲锴，高腾飞，汤云波，
申请(专利权)人：武汉大学，
类型：发明
国别省市：