一种发作间期脑电图癫痫样放电自动检测方法及设备技术

本发明专利技术提出一种发作间期脑电图癫痫样放电自动检测方法及设备，该方法通过采用数据清洗方法，建立用于训练模型的脑电图数据集；采用宽度学习的方案，将数据集输入并联的长短记忆神经网络与图卷积神经网络，建立发作间期脑电图癫痫样放电自动检测网络模型；将实时获取的癫痫发作间期脑电图输入训练完成的发作间期脑电图癫痫样放电自动检测网络模型，输出结果即为对发作间期脑电图癫痫样放电的自动检测结果。通过本发明专利技术，能够节省人力成本、实现癫痫样放电检测的标准化、消除人为误差。痫样放电检测的标准化、消除人为误差。痫样放电检测的标准化、消除人为误差。

【技术实现步骤摘要】
一种发作间期脑电图癫痫样放电自动检测方法及设备


[0001]本专利技术涉及机器学习
，尤其涉及一种发作间期脑电图癫痫样放电自动检测方法、装置、设备、存储介质。

技术介绍

[0002]癫痫是脑部神经元过度异常同步放电所导致的一种脑功能障碍，脑电图(Electroencephalogram，EEG)通过电极记录下来的脑细胞群的电活动，对癫痫的诊断及治疗有重要价值。发作间期EEG是临床EEG判读的最主要对象，目前依赖于人工阅读，由经过正规训练的医师识别发作间期癫痫样放电(Interictal Epileptiform Discharges，IEDs)。然而人工阅图工作量大，而且受主观影响，存在不同判读者的一致性不高等问题。长期以来，人们对发作间期癫痫样放电自动化检测技术在不停的前行和进步，但精度仍未达到临床应用的要求。
[0003]第一篇自动检测脑电图波形的论文发表于1976年，该论文开启了发作间期癫痫样放电自动检测探索的漫漫长路。发作间期癫痫样放电的自动检测技术沿革从1976年至今可以分成4种类型。第一种类型包括：设置频率阈值特征(Thresholding of Frequency Features)，形态过滤(Morphological Filtering)、模板匹配(Template Matching)等方法进行自动检测。第二种类型是传统等机器学习分类器(Traditional Machine Learning Classififiers)和小型人工神经网络(Small Artifificial Neural Networks)，第三种类型是专家系统(Expert Systems)，第四种类型是深度学习方法(Deep Learning)。
[0004]目前主要使用深度学习的方法进行脑电图癫痫样放电自动检测。深度学习算法中，依次出现了支持向量机，随机森林，决策树，最近邻居，卷积神经网络，长短记忆神经网络等算法。随着算法不停更新和进步，对癫痫样放电的识别准确率也在不断提升。Johansen的一项实验旨在比较不同算法优劣，新一代的基于深度学习的卷积神经网络算法准确率高于经典深度学习的每一次新的算法进步都带来IEDs自动检测的准确率的提升。但是上述现有方法所达到的精度仍不能达到应用的要求，主要是由于与传统人工阅读的金标准相比，这些方法的性能低于金标准。

技术实现思路

[0005]本专利技术提供一种发作间期脑电图癫痫样放电自动检测方法、装置、设备、存储介质，旨在节省人力成本、实现癫痫样放电检测的标准化、消除人为误差。
[0006]为此，本专利技术的第一个目的在于提出一种发作间期脑电图癫痫样放电自动检测方法，包括：
[0007]获取癫痫发作间期脑电图集，并对癫痫发作间期脑电图集进行数据处理；
[0008]构建发作间期脑电图癫痫样放电自动检测网络模型，并将数据处理后的癫痫发作间期脑电图集输入发作间期脑电图癫痫样放电自动检测网络模型进行模型训练；其中，
[0009]发作间期脑电图癫痫样放电自动检测网络模型包括卷积神经网络、双向长短时记
LSTM)和图卷积数据网络(Graph Convolution network)，双向长短记忆神经网络和图卷积神经网络提取到特征进行连接获得最终结果。
[0031]其中，对发作间期脑电图癫痫样放电自动检测网络模型进行模型训练的步骤之后，还包括对模型效能进行评估的步骤；其中，
[0032]使用五折交叉验证法对模型结果进行计算模型效能，模型评价指标包括：灵敏度、特异度、真阳性、受试者工作特征曲线及AUC值。
[0033]本专利技术的第二个目的在于提出一种发作间期脑电图癫痫样放电自动检测装置，包括：
[0034]图像处理模块，用于获取癫痫发作间期脑电图集，并对癫痫发作间期脑电图集进行数据处理；
[0035]模型构建模块，用于构建发作间期脑电图癫痫样放电自动检测网络模型，并将数据处理后的癫痫发作间期脑电图集输入发作间期脑电图癫痫样放电自动检测网络模型进行模型训练；其中，
[0036]发作间期脑电图癫痫样放电自动检测网络模型包括卷积神经网络、双向长短时记忆循环神经网络和图卷积数据网络；模型输入连接卷积神经网络的输入，卷积神经网络的输出分别连接双向长短时记忆循环神经网络的输入和图卷积数据网络的输入，双向长短时记忆循环神经网络的输出端和图卷积数据网络的输出端连接模型输出；
[0037]检测模块，用于将实时获取的癫痫发作间期脑电图输入训练完成的发作间期脑电图癫痫样放电自动检测网络模型，输出结果即为对发作间期脑电图癫痫样放电的自动检测结果。
[0038]本专利技术的第三个目的在于提出一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述技术方案的方法中的各步骤。
[0039]本专利技术的第四个目的在于提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据前述技术方案的方法中的各步骤。
[0040]区别于现有技术，本专利技术提供的发作间期脑电图癫痫样放电自动检测方法，通过采用数据清洗方法，建立用于训练模型的脑电图数据集；采用宽度学习的方案，将数据集输入并联的长短记忆神经网络与图卷积神经网络，建立发作间期脑电图癫痫样放电自动检测网络模型；将实时获取的癫痫发作间期脑电图输入训练完成的发作间期脑电图癫痫样放电自动检测网络模型，输出结果即为对发作间期脑电图癫痫样放电的自动检测结果。通过本专利技术，能够节省人力成本、实现癫痫样放电检测的标准化、消除人为误差。
附图说明
[0041]本专利技术的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0042]图1是本专利技术提供的一种发作间期脑电图癫痫样放电自动检测方法的流程示意图。
[0043]图2是本专利技术提供的一种发作间期脑电图癫痫样放电自动检测方法中纵联双极导联连接方式示意图。
[0044]图3是本专利技术提供的一种发作间期脑电图癫痫样放电自动检测方法中发作间期癫痫样放电(IEDs)采样的波形示意图。
[0045]图4是本专利技术提供的一种发作间期脑电图癫痫样放电自动检测方法中null采样的波形示意图。
[0046]图5是本专利技术提供的一种发作间期脑电图癫痫样放电自动检测方法中artifacts采样的波形示意图。
[0047]图6是本专利技术提供的一种发作间期脑电图癫痫样放电自动检测方法的模型结构示意图。
[0048]图7是本专利技术提供的一种发作间期脑电图癫痫样放电自动检测装置的结构示意图。
[0049]图8是本专利技术提供的一种存储有计算机指令的非瞬时计算机可读存储介质的结构示意图。
具体实施方式
[0050]下面详细描述本专利技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种发作间期脑电图癫痫样放电自动检测方法，其特征在于，包括：获取癫痫发作间期脑电图集，并对所述癫痫发作间期脑电图集进行数据处理；构建发作间期脑电图癫痫样放电自动检测网络模型，并将数据处理后的所述癫痫发作间期脑电图集输入所述发作间期脑电图癫痫样放电自动检测网络模型进行模型训练；其中，所述发作间期脑电图癫痫样放电自动检测网络模型包括卷积神经网络、双向长短时记忆循环神经网络和图卷积数据网络；模型输入连接所述卷积神经网络的输入，所述卷积神经网络的输出分别连接所述双向长短时记忆循环神经网络的输入和图卷积数据网络的输入，所述双向长短时记忆循环神经网络的输出端和图卷积数据网络的输出端连接模型输出；将实时获取的癫痫发作间期脑电图输入训练完成的所述发作间期脑电图癫痫样放电自动检测网络模型，输出结果即为对发作间期脑电图癫痫样放电的自动检测结果。2.根据权利要求1所述的发作间期脑电图癫痫样放电自动检测方法，其特征在于，获取癫痫发作间期脑电图集的步骤包括：获取美国Temple University Hospital的开源数据库提供的The TUH EEG Epilepsy Corpus(TUEP)数据集和The TUH EEG Slowing Corpus(TUSL)数据集，选取其中的癫痫发作间期脑电图作为初始癫痫发作间期脑电图；对所述初始癫痫发作间期脑电图进行筛选，选取其中包含癫痫样放电且癫痫样放电数量大于预设放电数量阈值，且患者年龄大于等于预设年龄阈值的脑电图，作为癫痫发作间期脑电图集。3.根据权利要求1所述的发作间期脑电图癫痫样放电自动检测方法，其特征在于，对所述癫痫发作间期脑电图集进行数据处理的步骤中，包括：对所述癫痫发作间期脑电图集进行数据标注；对数据标注后的癫痫发作间期脑电图集进行数据采样。4.根据权利要求3所述的发作间期脑电图癫痫样放电自动检测方法，其特征在于，对所述癫痫发作间期脑电图集进行数据标注的步骤中，数据标注类别分为两类：发作间期癫痫样放电(IEDs)和背景波形；其中，发作间期癫痫样放电包括棘波、尖波、棘慢复合波、尖慢复合波、多棘慢复合波；背景波形类别下包括null、artifacts两种标注，artifacts为伪迹，包括外源电流和肌电；null包含除癫痫样放电和干扰电流以外的其他波形，包括正常背景波形和慢活动。5.根据权利要求4所述的发作间期脑电图癫痫样放电自动检测方法，其特征在于，对数据标注后的癫痫发作间期脑电图集进行数据采样的步骤中，包括：IEDs的采样：使用长度为第一时长的采样框，将每一采样框分割为第一预设数量的采样点，IEDs标注框位于采样框第一侧；将采样框从第一侧向第二侧滑动进行重采样，每次滑动第一预设数量的采样点；共进行第三预设数量次数的滑动，得到第三预设数量的重采样样本，且每个重采样样本包含完整的标注区域，若采样框超出标注区域，所得重采样样本丢弃；null的采样：
在null标注内使用长度为第一时长的采样框，逐个截取作为单个样本读取，...

【专利技术属性】
技术研发人员：关敏，周环，冯凤玲，段俊伟，刘洋，
申请(专利权)人：暨南大学附属第一医院广州华侨医院，
类型：发明
国别省市：