本发明专利技术公开了癫痫脑磁图棘波检测方法及装置，包括：构建棘波检测模型：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，得棘波检测模型；将待检测的脑磁数据进行数据分割后，输入棘波检测模型，得该脑磁数据的棘波检测结果。本发明专利技术具有可以更加高效、准确地进行棘波自动检测，为医生提供更加有效的辅助诊断信息等优点。等优点。等优点。
【技术实现步骤摘要】
癫痫脑磁图棘波检测方法及装置
[0001]本专利技术涉及脑磁图数据智能分析领域。更具体地说，本专利技术涉及一种癫痫脑磁图棘波检测方法及装置。
技术介绍
[0002]脑磁图(Magnetoencephalography，MEG)数据采集以及棘波信号检测是医学诊断癫痫疾患的重要辅助手段。临床上，将视觉检测和手动注释看作是棘波检测的“金标准”，然而，由于MEG数据量大，采用医生人工分辨棘波，耗时长、工作量大、受医生的主观判断影响、且不能做到癫痫疾病的实时诊断。因此，设计实现用于MEG信号棘波检测的自动化系统意义重大。
[0003]目前，已有的棘波自动检测和评估的常用算法有阀值法、海岸线法、模板匹配、信号增强、形态学分析、分类聚类，深度学习方法等，这些方法大部分利用了棘波信号的时频域等特征，虽然实现了多通道的棘波信号检测，但只是针对单频率一维的棘波MEG信号进行分析，而无法提取MEG中更深度的时空特征，检测准确度还有待提高。
技术实现思路
[0004]本专利技术的一个目的是提供一种癫痫脑磁图棘波检测方法及装置，以更加高效、准确地进行棘波自动检测，为医生提供更加有效的辅助诊断信息。
[0005]为了实现本专利技术的目的和其它优点，提供了一种癫痫脑磁图棘波检测方法，包括：
[0006]构建棘波检测模型：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用所述癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将所述癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用所述癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，得棘波检测模型；
[0007]将待检测的脑磁数据进行数据分割后，输入所述棘波检测模型，得该脑磁数据的棘波检测结果。
[0008]优选的是，所述的癫痫脑磁图棘波检测方法，还包括，在数据分割前，对所述原始癫痫脑磁数据和所述待检测的脑磁数据进行伪迹去除。
[0009]优选的是，所述的癫痫脑磁图棘波检测方法，所述癫痫脑磁信号包含多个脑磁图数据片段，每个脑磁图数据片段为一个大小为M*N的二维矩阵形式的数据集，M为对应原始癫痫脑磁数据的通道数；N为对应原始癫痫脑磁数据的通道时间长度。
[0010]优选的是，所述的癫痫脑磁图棘波检测方法，所述信号分类网络包括二维空间子模型A、一维空间子模型B和二维空间子模型C；其中，所述二维空间子模型A为二维卷积神经网络模型，所述一维空间子模型B为一维卷积神经网络模型，所述二维空间子模型C为二维深度可分离卷积神经网络模型，且所述二维空间子模型A和所述二维空间子模型C的输入为所述癫痫脑磁信号，所述一维空间子模型B的输入为二维空间子模型A输出所得。
[0011]优选的是，所述的癫痫脑磁图棘波检测方法，所述视频分类网络包括三维空间子模型D和四维时序子模型E，其中，所述三维空间子模型D为三维卷积神经网络模型，所述四维时序子模型E为基于TimeSformer的无卷积时序视频分类网络模型，且所述三维空间子模型D的输入为所述癫痫脑磁视频经降维后的三维矩阵，所述四维时序子模型E的输入为脑磁视频片段，所述脑磁视频片段由多个从所述癫痫脑磁视频中采样的大小为W*H的图片帧组成，W为图像宽，H为图像高。
[0012]优选的是，所述的癫痫脑磁图棘波检测方法，所述降维包括：采用公式1，使用对数增强颜色极值，并使用常系数增强红色值和蓝色值，得三维矩阵A；再采用公式2对所述三维矩阵A进行归一化处理，得三维矩阵B；将所述三维矩阵B作为所述三维空间子模型D的输入，其中，公式1为output＝logR*n+logG+logB*(
‑
n)，式中，R，G，B分别是红色、绿色和蓝色三个颜色通道上的0
‑
255的数值，n为常系数；公式2为式中，x为公式1中的output值。
[0013]优选的是，所述的癫痫脑磁图棘波检测方法，所述模型融合包括：对所述一维空间子模型B、所述二维空间子模型C、所述三维空间子模型D和所述四维时序子模型E四个维度训练得到的模型权重进行加载，使用Flatten层连接卷积层和全连接层把多维的输入一维化，再使用全局平均池化层Global Average Pooling和非线性激活函数Leaky Relu函数加深各个特征之间的关联，经过非线性变化，映射到输出空间中，最后经过Sigmoid函数得到最终的棘波检测结果。
[0014]本专利技术还提供了一种癫痫脑磁图棘波检测装置，包括：
[0015]伪迹去除模块，用于对脑磁数据进行伪迹去除；
[0016]数据分割模块，用于对伪迹去除后的脑磁数据进行数据分割，得多通道多频率融合的脑磁信号；
[0017]棘波检测模块，其内含棘波检测模型，用于对输入的所述脑磁信号进行检测，得对应脑磁数据的棘波检测结果；其中，
[0018]所述棘波检测模型的构建方法为：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用所述癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将所述癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用所述癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，即得。
[0019]本专利技术还提供了一种存储介质，其中存储有计算机程序，所述计算机程序被处理器加载执行时，实现上述的方法。
[0020]本专利技术还提供了一种电子设备，包括：处理器、及存储器；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述电子设备执行上述的方法。
[0021]本专利技术至少包括以下有益效果：
[0022]第一、本专利技术提供一种同时基于一维、二维、三维、四维的多维度融合卷积神经网络癫痫脑磁信号的棘波快速定位检测方法，使模型充分挖掘不同维度的时空特征信息，具备了实时性好、便于实现、精确度更高等特点。
[0023]第二、本专利技术提出了使用对信号空间重建后的癫痫脑磁拓扑图构成的四维脑磁视频数据来进行癫痫的棘波分类检测，解决了单一使用一维脑磁信号的数据的可提取特征有限，以及缺失高维度空间语义信息的问题。
[0024]第三、本专利技术提出了针对癫痫脑磁拓扑图视频数据的有效的数据增强方法，因脑磁视频数据的特殊性，对拓扑图数据进行了对数增强，其后进行了红蓝色增强的降维处理，可以更好的提取到脑磁视频数据的特征，加强了对图像极值的关注度，方便后续模型的学习。
[0025]第四、本专利技术构建分类网络模型是考虑到多个通道信号的相似性和相关性，针对多个通道构建二维深度学习神经网络模型进行预测，摆脱了仅仅依靠单通道脑磁信号构建一维神经网络的单一性和信息缺失的问题。
[0026]第五、本专利技术数据处理过程中通过降采样得到多个频率的数据，将多频率融合的数据送入模型进行分类学习，极大提高了模型对不同频率脑磁癫痫数据的泛化性和鲁棒性。
[0027]本专利技术的其它本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.癫痫脑磁图棘波检测方法，其特征在于，包括：构建棘波检测模型：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用所述癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将所述癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用所述癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，得棘波检测模型；将待检测的脑磁数据进行数据分割后，输入所述棘波检测模型，得该脑磁数据的棘波检测结果。2.如权利要求1所述的癫痫脑磁图棘波检测方法，其特征在于，还包括，在数据分割前，对所述原始癫痫脑磁数据和所述待检测的脑磁数据进行伪迹去除。3.如权利要求1所述的癫痫脑磁图棘波检测方法，其特征在于，所述癫痫脑磁信号为包含多个脑磁图数据片段，每个脑磁图数据片段为一个大小为M*N的二维矩阵形式的数据集，M为对应原始癫痫脑磁数据的通道数；N为对应原始癫痫脑磁数据的通道时间长度。4.如权利要求1所述的癫痫脑磁图棘波检测方法，其特征在于，所述信号分类网络包括二维空间子模型A、一维空间子模型B和二维空间子模型C；其中，所述二维空间子模型A为二维卷积神经网络模型，所述一维空间子模型B为一维卷积神经网络模型，所述二维空间子模型C为二维深度可分离卷积神经网络模型，且所述二维空间子模型A和所述二维空间子模型C的输入为所述癫痫脑磁信号，所述一维空间子模型B的输入为二维空间子模型A输出所得。5.如权利要求4所述的癫痫脑磁图棘波检测方法，其特征在于，所述视频分类网络包括三维空间子模型D和四维时序子模型E，其中，所述三维空间子模型D为三维卷积神经网络模型，所述四维时序子模型E为基于TimeSformer的无卷积时序视频分类网络模型，且所述三维空间子模型D的输入为所述癫痫脑磁视频经降维后的三维矩阵，所述四维时序子模型E的输入为脑磁视频片段，所述脑磁视频片段由多个从所述癫痫脑磁视频中采样的大小为W*H的图片帧组成，W为图像宽，H为图像高。6.如权利要求5所述的癫痫脑磁图棘波检测方法，其特征在于，所述降维包括：采用公式1，使用对数增强颜色极值，并使用常系数增强红色值和蓝色值，得三维...
【专利技术属性】
技术研发人员：蔡宾，
申请(专利权)人：北京未磁科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。