【技术实现步骤摘要】
一种脑磁图棘波的个体化检测方法、系统及储存介质
[0001]本专利技术涉及棘波检测
，尤其涉及一种脑磁图棘波的个体化检测方法、系统及储存介质。
技术介绍
[0002]脑磁图(Magnetoencephalography, MEG)是一种非入侵式的功能性神经成像技术。使用灵敏性极高的磁力计，记录脑电流产生的磁场，进而绘制出脑功能图。
[0003]癫痫是一种脑部慢性非传染性疾病，该病的发作原因是一组脑细胞的异常放电。癫痫患者大脑内异常放电产生的磁场，可被脑磁图设备中的磁力计阵列捕捉，记录到一段不同于正常脑活动的棘波(Spike)信号。当前癫痫患者手术的术前评估中，基于脑磁图的棘波时刻信号进行致痫灶定位是一项重要的参考标准。由于大脑不同部位都可能成为异常放电的位点，异常放电区域向外扩散也存在多种可能的路径，导致不同患者个体棘波的差异较大。当前临床使用的方案，一般需要经验丰富的医师，从长时间的脑磁图信号中，肉眼挑选并标注出棘波时刻点。单个患者的脑磁图数据一般持续时长数十分钟，医师标注完成需要数个小时，消耗了大量时间和精...
【技术保护点】
【技术特征摘要】
1.一种脑磁图棘波的个体化检测方法，其特征在于，包括如下步骤：S1：获取任一脑磁图，对所述脑磁图进行预处理并在时间轴上进行分段，生成段脑磁图数据；S2：将所述段脑磁图数据保持原有时间顺序输入到特征提取器中以输出个脑磁图分段特征；S3：将个脑磁图分段特征保持原有时间顺序作为一组输送到个体化检测模型中，输出每个脑磁图分段中存在棘波的概率；其中，所述个体化检测模型的训练过程如下：（a1）获取原始脑磁图训练集，对原始脑磁图训练集中的棘波时刻点进行标注以作为棘波标签，并将原始脑磁图训练集进行步骤S1和步骤S2处理，得到组脑磁图特征，每组脑磁图特征包括个脑磁图分段特征，基于棘波标签优化个体化检测模型中的可训练参数；（a2）对组脑磁图特征进行位置编码单元后，输送到层编码器单元的第一层，进行层迭代输出每组关联后的个脑磁图分段特征，所述层编码器单元中上一层的输出与下一层的输入连接，每层编码器均使用基于自注意力的多头注意力机制；（a3）将每组关联后的个脑磁图分段特征，输送到全连接层以输出每个脑磁图分段特征中存在棘波的概率；所述个体化检测模型训练的损失函数公式如下：其中，为加权的均方误差损失，为每组脑磁图的分段个数，为第个分段的权重，为第个分段上个体化检测模型的预测结果，为第个分段上存在棘波的标签。2.根据权利要求1所述的脑磁图棘波的个体化检测方法，其特征在于，在步骤S1中，具体包括：获取任一脑磁图，所述脑磁图依次经过时域的信号空间分离、去除坏通道、独立成分分析和滤波处理后，输出预处理后的脑磁图数据；对所述预处理后的脑磁图数据在时间轴上进行分段，每个分段的持续时间相等，且大于棘波的持续时间，相邻的分段存在一定的重叠时段，所述重叠时段的时长为单个分段的1/3
‑
1/2；每个分段对应的时间区间如下表示：每个分段对应的时间区间如下表示：其中，为分段开始的时刻，为分段结束的时刻，为每个分段的持续时间，为相邻分段重叠的时段长度，为分段的索引值，为脑磁图的首个采样点对应的时间戳。3.根据权利要求2所述的脑磁图棘波的个体化检测方法，其特征在于，预处理中的去除
坏通道过程如下：重建头盔内部的扩展信号和头盔外部的扩展信号，并计算重建信号与测量值之间的差值；计算每个通道的振幅变化范围；传感器按照磁力计、梯度计分为两组，每组内分别计算振幅变化范围的平均值和标准差，若某通道的超过平均值和阈值倍的标准差，则认为该通道为坏通道。4.根据权利要求3所述的脑磁图棘波的个体化检测方法，其特征在于，所述差值、振幅变化范围计算公式如下：计算公式如下：计算公式如下：其中，为重建信号，为头盔内部的扩展信号，为头盔外部的扩展信号，为重建信号与实际测量信号之间的差值，为实际测量信号，为第个通道的振幅变化范围，为第个通道的最大振幅，为第个通道的最小振幅，为通道个数，为第个通道是否为坏通道的标记，表示常数阈值。5.根据权利要求2所述的脑磁图棘波的个体化检测方法，其特征在于，在步骤（a1）中，根据棘波标签生成棘波的二分类标签，基于二分类标签优化个体化检测模型中的可训练参数，其中二分类标签的生成公式如下：其中，表示...
【专利技术属性】
技术研发人员：杨万里，孙翼，林波，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
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。