一种睡眠中癫痫性电持续状态棘慢波指数自动量化方法技术

本发明专利技术属于癫痫性脑病辅助诊断技术领域，具体为睡眠中癫痫性电持续状态棘慢波指数自动量化方法。本发明专利技术首先获取ESES患者脑电图EEG记录数据，然后将原始的EEG数据处理为多个短窗口样本，用多个预设时间长度的缺省窗口对样本进行分割，随后通过卷积神经网络对原始信号进行空间滤波并提取信号的多维度时间特征，最终实现对NREM时期潜在棘波和棘慢波的分类和定位，实现对SWI的自动量化。本发明专利技术通过预设缺省窗口与多重特征卷积神经网络结合，可同时对不同持续时间的棘波和棘慢波进行自动检测。对不同持续时间的棘波和棘慢波进行自动检测。对不同持续时间的棘波和棘慢波进行自动检测。

【技术实现步骤摘要】
一种睡眠中癫痫性电持续状态棘慢波指数自动量化方法


[0001]本专利技术属于癫痫性脑病辅助诊断
，具体涉及睡眠中癫痫性电持续状态棘慢波指数自动量化方法。

技术介绍

[0002]癫痫是一种常见的神经系统疾病，表现为大脑神经元突发异常放电导致的肢体抽搐、意识丧失等，反复发作可使患者致残甚至死亡。睡眠中癫痫性电持续状态(Electrical Status Epilepticus during Sleep，ESES)是慢波睡眠时出现持续性棘慢波的癫痫症状，在小儿癫痫发作期的出现频率较高。然而，ESES相关癫痫综合征的儿童通常不会表现出统一且明显的临床表现，具有特发性、隐源性和症状性，且由于异常放电多发生在睡眠状态，临床不易发现，从而容易耽误治疗和处理。ESES可导致高级皮层功能受累，引起严重的神经心理和认知功能损伤，且具有预后不良的特点。因此，早期诊断、早期治疗ESES相关癫痫综合征对改善患儿的生活质量有重大意义。
[0003]目前，基于长程脑电图分析的慢波睡眠棘慢波指数(SWI)是诊断和治疗ESES相关癫痫综合征的重要标准，同时也是患儿预后评估的重要指标。国内外临床上普遍通过脑电记录并结合人工识别癫痫样波来实现ESES相关癫痫活动的量化并估算出SWI指数，这也是临床诊断的主要依据。目前临床诊断主要存在两个缺点：
[0004]1、ESES相关的脑电记录时间往往长达数小时至数十小时，人工分析耗时耗力，从完成脑电图检查到得出结果需要较长的时间。
[0005]2、SWI为粗略的估计值，人工估算不够精确，不同医生之间的分析结果存在差异。
[0006]以上两点均不利于患儿的及时诊断和有效治疗。基于人工诊断的这些问题，开发SWI自动量化用于辅助临床诊断的需求较大。过去的SWI自动量化主要包含特征阈值、模板匹配、深度学习的方法。特征阈值方法基于棘波和棘慢波的形态学特征，设定判定阈值来进行检测，该方法缺点在于较为依赖预设定的阈值，且无法区分形态学特征相似波形，具有较差的鲁棒性。模板匹配方法通过预设经典波形的模板与真实波形进行匹配来筛选潜在的棘波和棘慢波，其缺点在于较为依赖对波形的先验知识，选择的模板会影响匹配性能。这两种方法都无法对棘波和棘慢波异常进行定位，且需要针对不同的患者手动设定较多超参数，阈值标准复杂。
[0007]从临床辅助诊断方面来说，鉴于对癫痫样波(如棘慢波)的解读专业性要求高、解读难度大、解读时间冗长，以及医生人工解读的差异性大等难点，自动量化及评估系统的研发可以快速准确的计算SWI，大幅提高ESES的诊断效率。

技术实现思路

[0008]针对传统人工方法人工成本高、估算不精确且现有自动检测方法鲁棒性较差、对先验知识的依赖较强的问题，本专利技术旨在提供一种高效、精确定位、适合临床、结果鲁棒的睡眠中癫痫性电持续状态棘慢波指数自动量化方法。
[0009]本专利技术利用整夜多导睡眠图数据，结合深度学习方法，引入多维度时间特征，实现适合临床的棘慢波指数自动量化。
[0010]本专利技术提供的基于多维度时间特征的睡眠中癫痫性电持续状态棘慢波指数自动量化方法，包括构建棘慢波自动量化模型，用于脑电图(Electroencephalogram,EEG)中棘波和棘慢波的定位和识别；具体步骤如下：
[0011]步骤一、获取ESES脑电图EEG数据集；
[0012]将原始的EEG数据分割为多个短窗口样本，并进行重采样；
[0013]步骤二、构建棘慢波自动量化模型，该模型包括空间滤波模块、时间特征处理模块、定位模块和分类模块；
[0014]对每个短窗口样本，用多个缺省窗口进行进一步分割；
[0015]将分割后的EEG样本输入空间滤波模块，以增加输入信号的信噪比，去除伪影；随后送入时间特征处理模块，得到输入信号的时间特征；最后输入定位模块和分类模块，将所有的缺省窗口和真实波形进行匹配，实现对样本内潜在棘波和棘慢波的定位和分类，输出调整后的缺省窗口以及潜在波形属于各类别波形的概率；
[0016]步骤三、将模型输出的潜在棘波和棘慢波与真实波形相匹配，测试不同重叠阈值下的检测性能，选取性能最好的重叠阈值；
[0017]消除识别出来的不同波形之间的重叠部分。
[0018]进一步地：
[0019]步骤一中，使用的数据集是脑电图EEG信号。短时间窗口需要有足够长度，可以涵盖多个完整的棘波和棘慢波波形。
[0020]步骤二中，样本内缺省窗口是对特定波形构建的参数化表示，主要由两个参数构成：波形的中心时间和波形的持续时间，参数化表示如下：
[0021][0022]其中，代表波形中心时间，代表波形持续时间。
[0023]缺省窗口的长度是基于棘波和棘慢波的持续时间长度进行预设的，不同缺省窗口之间可以有重叠部分，重叠部分长度可调。
[0024]步骤二中，所述空间滤波模块、时间特征处理模块、定位模块和分类模块均由卷积神经网络构成。其中：
[0025]所述空间滤波模块，由一层二维卷积层构成，并对信号的时间和空间通道进行转置。该操作利用卷积来对输入信号进行线性的空间滤波，增加了输入信号的信噪比。
[0026]所述时间特征处理模块，由K个包含二维卷积层的块组成；其中，在一个块内包含一层二维卷积层，一层批量归一化(Batch Normalization)层，使用ReLU作为激活函数，最后通过一层最大池化。在块内进行卷积时采用的填充方式零填充。每个块均不对空间维度进行任何处理。在这一模块中，在经多个块下采样后得到的特征图通过最后一个块后使用最近邻(插值)方法进行上采样，与同一尺寸的时间特征相加后通过一个卷积层，得到该尺寸下用于训练的时间特征。
[0027]在时间特征处理模块中，对于不同尺寸的卷积层，将空间滤波后信号通过下采样得到低层特征，再将低层特征进行上采样，与不同尺寸的时间特征进行融合，共同送入定位
和分类模块。
[0028]所述定位模块和分类模块，均由一个二维卷积层构成。其中：
[0029]所述定位模块依据缺省窗口与真实波形之间的匹配程度执行缺省窗口的位置调整：
[0030][0031]其中，下标i为缺省窗口索引，下标j为真实波形索引。定位模块使用线性激活函数(linear)。
[0032]所述分类模块使用softmax激活函数，输出每个缺省窗口属于各类别波形的概率。
[0033]本专利技术步骤三中，所述将模型输出的潜在棘波和棘慢波与真实波形相匹配，测试不同重叠阈值下的检测性能，选取性能最好的重叠阈值；具体使用Jaccard指数，即Intersection over Union(IoU)量化潜在波形与真实波形之间的匹配程度，通过设置不同的IoU阈值对是否正确检测到相应位置波形进行判别。在不同IoU阈值下测试检测方法的精度(precision)、召回率(recall)，并计算精度与召回率的调和平均数，即F1得分，选取F1得分最大者所对应的IoU阈值，为表现最佳的性能最好的重叠阈值；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种睡眠中癫痫性电持续状态棘慢波指数自动量化方法，其特征在于，包括构建棘慢波自动量化模型，用于脑电图(EEG)中棘波和棘慢波的定位和识别；具体步骤如下：步骤一、获取ESES脑电图EEG数据集；将原始的EEG数据分割为多个短窗口样本，并进行重采样；步骤二、构建棘慢波自动量化模型，该模型包括空间滤波模块、时间特征处理模块、定位模块和分类模块；对每个短窗口样本，用多个缺省窗口进行进一步分割；将分割后的EEG样本输入空间滤波模块，以增加输入信号的信噪比，去除伪影；随后送入时间特征处理模块，得到输入信号的时间特征；最后输入定位模块和分类模块，将所有的缺省窗口和真实波形进行匹配，实现对样本内潜在棘波和棘慢波的定位和分类，输出调整后的缺省窗口以及潜在波形属于各类别波形的概率；步骤三、将模型输出的潜在棘波和棘慢波与真实波形相匹配，测试不同重叠阈值下的检测性能，选取性能最好的重叠阈值；消除识别出来的不同波形之间的重叠部分。2.根据权利要求1所述的睡眠中癫痫性电持续状态棘慢波指数自动量化方法，其特征在于，步骤一中所述短时间窗口需要有足够长度，可以涵盖多个完整的棘波和棘慢波波形。3.根据权利要求1所述的睡眠中癫痫性电持续状态棘慢波指数自动量化方法，其特征在于，步骤二中所述样本内缺省窗口是对特定波形构建的参数化表示，由两个参数构成：波形的中心时间和波形的持续时间，参数化表示如下：其中，代表波形中心时间，代表波形持续时间；缺省窗口的长度是基于棘波和棘慢波的持续时间长度进行预设的，不同缺省窗口之间可以有重叠部分，重叠部分长度可调。4.根据权利要求1所述的睡眠中癫痫性电持续状态棘慢波指数自动量化方法，其特征在于，步骤二中所述空间滤波模块、时间特征处理模块、定位模块和分类模块均由卷积神经网络构成；其中：所述空间滤波模块，由一层二维卷积层构成，并对信号的时间和空间通道进行转置；该操作利用卷积对输入信号进...

【专利技术属性】
技术研发人员：林辉，陈晨，陈炜，王新华，周渊峰，周水珍，
申请(专利权)人：复旦大学，
类型：发明
国别省市：