一种基于头皮脑电信号的局灶癫痫发作识别方法和系统技术方案

本发明专利技术提供一种基于头皮脑电信号的局灶癫痫发作识别方法和系统，属于脑电信号处理中的癫痫识别领域。包括训练和测试两个阶段，训练阶段是为了训练出能自动识别出局灶癫痫脑电信号的分类模型，测试阶段的主要工作是利用训练阶段训练好的模型对新到来的头皮脑电信号进行识别分类并生成识别结果。本发明专利技术利用头皮脑电信号的易收集和安全非侵入性特点，结合图卷积深度学习的方法，针对临床中的实际问题，创新性的建立深度学习神经网络结构，实现了适用于区分局灶癫痫发作和非局灶癫痫发作的自动识别方法，可以在不使用颅内脑电的情况，有效地给医生提供辅助诊断意见。有效地给医生提供辅助诊断意见。有效地给医生提供辅助诊断意见。

【技术实现步骤摘要】
一种基于头皮脑电信号的局灶癫痫发作识别方法和系统


[0001]本专利技术涉及脑电信号处理中的癫痫识别领域，具体是一种基于头皮脑电信号的局灶癫痫发作识别方法和系统。

技术介绍

[0002]癫痫是一种最常见的神经系统疾病，引起反复和不规则的大脑神经元异常，癫痫的突然发作常会导致身体的抽搐和意识的损失，这给患者的生活带来极大的不便。而癫痫的反复发作也可能会进一步损害患者正常的大脑功能，增加患者患上其他慢性疾病的风险，甚至丧失自主生活能力，因此尽早对癫痫患者进行治疗就显得十分重要了。
[0003]当今癫痫的治疗方法主要有手术和药物两种，通常而言药物治疗只能起到缓解癫痫发作的作用，只有手术治疗才可能根治癫痫发作。然而并不是所有的癫痫患者都可以进行手术治疗，通常而言，只有局灶发作的患者才有机会接受手术治疗，非局灶发作的患者因为神经元异常放电的位置广泛而只能通过药物缓解。通过快速区分出局灶发作的患者，可以让医生帮助其尽早准备手术治疗，就可以极大的减少癫痫给患者来带的痛苦。
[0004]EEG脑电波信号是一种神经元活动的信号特征，脑电图通过放置在头皮上的电极来记录大脑的神经信号，是一种目前广泛应用在临床诊断中的检测方式。通过监测患者的脑电信号，观察患者癫痫发作时不同通道的脑电信号变化，EEG成为了当前医生判断患者癫痫是否是局灶发作的重要依据，也是后续一系列诊疗方案设计的重要参考。
[0005]目前基于脑电的癫痫检测和癫痫预测研究已有很多，但是在癫痫分类这一领域上，目前的主要研究对象还停留在针对不同临床症状的癫痫进行分类，还鲜有人基于神经网络对区分是否是局灶癫痫发作进行研究。在区分患者是否是局灶癫痫发作这一问题上，重点在于区分患者发作前期脑电数据中的特征在空间上是集中分布还是弥散分布，而目前深度学习领域对于空间信息的学习主要基于图卷积，如何构建通道的图邻接关系以及搭建合适的图卷积神经网络是一个很大的挑战。

技术实现思路

[0006]本专利技术的主要目的在于提供一种基于超图卷积的局灶癫痫发作识别方法和系统，通过分别针对局灶发作和非局灶发作的脑电数据构建电极通道的图邻接关系，设计由图卷积和时域卷积构成的神经网络模型，帮助医生诊断癫痫患者是否是局灶发作。在实际的临床诊断中，可以根据患者的脑电信号快速识别局灶发作与否，该方法的识别结果可以帮助医生进行诊断，从而为患者提供更好的治疗。
[0007]为了实现上述目的，本专利技术采用的技术方案如下：
[0008]本专利技术的第一个目的，提供了一种基于头皮脑电信号的局灶癫痫发作识别方法，包括以下步骤：
[0009]步骤1：采集局灶发作患者和非局灶发作患者的头皮脑电数据，切分头皮脑电数据片段；
[0010]步骤2：对步骤1得到的头皮脑电数据片段进行预处理；
[0011]步骤3：根据预处理后的头皮脑电数据片段构建局灶癫痫发作识别任务所用的超图；
[0012]步骤4：对预处理后的头皮脑电数据片段进行特征提取；
[0013]步骤5：将步骤4提取到的包含局灶发作和非局灶发作两种类型的患者头皮脑电数据片段的特征、以及步骤3构建得到的超图输入深度学习识别模型进行训练，得到训练好的局灶癫痫发作分类模型；
[0014]步骤6：获取待检测的头皮脑电数据片段并提取特征，通过步骤5所获得的局灶癫痫发作分类模型识别局灶癫痫发作的概率。
[0015]进一步地，所述步骤1的具体步骤如下：
[0016]步骤1
‑
1：按照10
‑
20国际电极标准采集局灶发作患者和非局灶发作患者的头皮脑电数据；
[0017]步骤1
‑
2：使用EdfReader工具读取采集的原始头皮脑电信号，截取发作前期的头皮脑电数据，发作前期的定义为发作前30分钟；
[0018]步骤1
‑
3：将所采集到的所有发作前期的头皮脑电数据切分成12s的头皮脑电数据片段。
[0019]进一步地，所述步骤2的具体步骤如下：
[0020]步骤2
‑
1：将所得到的头皮脑电数据片段送入1
‑
100Hz带通滤波器处理，过滤高频噪声；
[0021]步骤2
‑
2：将1
‑
100Hz带通滤波器输出的头皮脑电数据片段送入50Hz陷波滤波器，过滤电网交流电噪声；
[0022]步骤2
‑
3：将50Hz陷波滤波器输出的头皮脑电数据片段进行归一化处理。
[0023]进一步地，步骤3中所述的超图为基本超图和类别超图的组合。
[0024]进一步地，所述超图的构建方法包括：
[0025]步骤3
‑
1：在基本超图构建中，针对预处理后的包含局灶发作和非局灶发作两种类型的全部患者头皮脑电数据片段，使用互信息量计算所有电极通道之间两两的相关性，选择相关性最大的5个电极对，构成基本超图的超边；
[0026]步骤3
‑
2：在类别超图构建中，针对预处理后的仅包含局灶发作的全部患者头皮脑电数据片段，使用互信息量计算所有电极通道之间两两的相关性，将计算得到的相关性矩阵作为DBSCAN聚类算法的输入，对所有电极聚类，每个聚簇中的电极即为类别超图里的一组超边；
[0027]同理，针对预处理后的仅包含非局灶发作的全部患者头皮脑电数据片段，使用互信息量计算所有电极通道之间两两的相关性，将计算得到的相关性矩阵作为DBSCAN聚类算法的输入，对所有电极聚类，每个聚簇中的电极即为类别超图里的一组超边；
[0028]步骤3
‑
3：组合基本超图和类别超图，构成局灶癫痫发作识别任务所用的超图。
[0029]进一步地，步骤4中所述特征提取过程为：将预处理后的头皮脑电数据片段划分成若干个1s无重叠的数据窗，分别对每个数据窗内的数据做傅里叶变换提取频谱特征，重新组合后得到头皮脑电数据片段的时频谱特征。
[0030]进一步地，步骤5中所述的深度学习识别模型为超图卷积神经网络，包括输入层、
输出层、以及位于输入层和输出层之间的第一卷积层、若干个由一维卷积层和超图卷积层组成的超图卷积块、与每一个超图卷积块相连的Readout层、与所有Readout层相连的第二卷积层；
[0031]所述的第一卷积层和若干超图卷积块依次连接，并且所述第一卷积层的输出通过跳层连接每一个超图卷积块的输出，前一个超图卷积块的输出通过跳层连接之后每一个超图卷积块的输出；所有超图卷积块的输出经过Readout层读取后调整至相同维度并拼接，再经第二卷积层、输出层后得到最终输出。
[0032]进一步地，所述的患者头皮脑电数据片段的特征作为超图卷积神经网络输入层的输入数据，同时，步骤3构建得到的超图作为每一个超图卷积块中的超图卷积层的额外输入。
[0033]进一步地，所述步骤6的具体步骤如下：
[0034]步骤6
‑
1：将待检测的头皮脑电数据切本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于头皮脑电信号的局灶癫痫发作识别方法，其特征在于：包括以下步骤：步骤1：采集局灶发作患者和非局灶发作患者的头皮脑电数据，切分头皮脑电数据片段；步骤2：对步骤1得到的头皮脑电数据片段进行预处理；步骤3：根据预处理后的头皮脑电数据片段构建局灶癫痫发作识别任务所用的超图；步骤4：对预处理后的头皮脑电数据片段进行特征提取；步骤5：将步骤4提取到的包含局灶发作和非局灶发作两种类型的患者头皮脑电数据片段的特征、以及步骤3构建得到的超图输入深度学习识别模型进行训练，得到训练好的局灶癫痫发作分类模型；步骤6：获取待检测的头皮脑电数据片段并提取特征，通过步骤5所获得的局灶癫痫发作分类模型识别局灶癫痫发作的概率。2.根据权利要求1所述的基于头皮脑电信号的局灶癫痫发作识别方法，其特征在于，所述步骤1的具体步骤如下：步骤1
‑
1：按照10
‑
20国际电极标准采集局灶发作患者和非局灶发作患者的头皮脑电数据；步骤1
‑
2：使用EdfReader工具读取采集的原始头皮脑电信号，截取发作前期的头皮脑电数据，发作前期的定义为发作前30分钟；步骤1
‑
3：将所采集到的所有发作前期的头皮脑电数据切分成12s的头皮脑电数据片段。3.根据权利要求1所述的基于头皮脑电信号的局灶癫痫发作识别方法，其特征在于，所述步骤2的具体步骤如下：步骤2
‑
1：将所得到的头皮脑电数据片段送入1
‑
100Hz带通滤波器处理，过滤高频噪声；步骤2
‑
2：将1
‑
100Hz带通滤波器输出的头皮脑电数据片段送入50Hz陷波滤波器，过滤电网交流电噪声；步骤2
‑
3：将50Hz陷波滤波器输出的头皮脑电数据片段进行归一化处理。4.根据权利要求1所述的基于头皮脑电信号的局灶癫痫发作识别方法，其特征在于，步骤3中所述的超图为基本超图和类别超图的组合。5.根据权利要求4所述的局灶癫痫发作识别方法，其特征在于，所述超图的构建方法包括：步骤3
‑
1：在基本超图构建中，针对预处理后的包含局灶发作和非局灶发作两种类型的全部患者头皮脑电数据片段，使用互信息量计算所有电极通道之间两两的相关性，选择相关性最大的5个电极对，构成基本超图的超边；步骤3
‑
2：在类别超图构建中，针对预处理后的仅包含局灶发作的全部患者头皮脑电数据片段，使用互信息量计算所有电极通道之间两两的相关性，将计算得到的相关性矩阵作为DBSCAN聚类算法的输入，对所有电极聚类，每个聚簇中的电极即为类别超图里的一组超边；同理，针对预处理后的仅包含非局灶发作的全部患者头皮脑电数据片段，使用互信息量计算所有电极通道之间...

【专利技术属性】
技术研发人员：张政，黄科杰，叶玲琪，
申请(专利权)人：浙江大学，
类型：发明
国别省市：