一种基于脑电图预测脑龄的方法和设备技术

本申请提出用于预测脑龄的方法和设备。该方法包括：获取受试者在清醒状态下的脑电图EEG信号；对EEG信号进行伪差检测和分段以选取满足信号质量要求的多个EEG信号片段；将满足信号质量要求的多个EEG信号片段转换为时频图数据；以及使用神经网络模型基于时频图数据预测与满足信号质量要求的多个EEG信号片段对应的受试者的脑龄。相比使用睡眠状态下的EEG信号，本申请可以使用受试者在清醒状态下的EEG信号在更短时间段内或实时动态地监测大脑的脑龄及其变化。脑龄及其变化。脑龄及其变化。

【技术实现步骤摘要】
一种基于脑电图预测脑龄的方法和设备


[0001]本申请一般涉及电子信号处理，特别地，涉及基于脑电图(EEG)信号来预测受试者的脑龄的方法、设备和计算机可读存储介质。

技术介绍

[0002]人类大脑发育是一个非常复杂的过程，主要体现为不同脑区的发育在先后和趋势上存在不同。大脑发育不良会影响儿童全面发展。一些脑部疾病也会导致大脑的脑龄存在脑区间差异。因此评估大脑发育情况或脑部状况的前提是准确检查和确定大脑的脑龄。
[0003]在临床上，检查大脑发育时用于确定脑龄的手段包括体检、精神发育量表、CT检查、脑电图检查、MRI检查和基因检测等。对于脑发育不良进行诊断时，医生还要结合儿童的出生史、父母的婚姻和生育史以及临床表现等信息综合判断。完成整套检查流程往往需要花费数十小时甚至数天时间，而且脑龄的确定非常依赖医生本人的经验。
[0004]现有的计算机辅助脑龄预测方案中，有些利用深度学习和磁共振(MRI)图像数据来建立模型。这种基于MRI图像的图像处理方案在成人受试者中达到的最好预测效果是平均绝对误差(mean absolute error,MAE)在5岁左右，而在儿童和青少年受试者人群中达到的最好效果是1岁左右的MAE。由于磁共振检查过程流程复杂耗时、价格相对昂贵，并且每天能够检查的患者数量也非常有限，因此基于MRI图像的脑龄预测方案在提供用于大脑发育不良筛查的脑龄的相关领域中的推广和应用受到一定限制。
[0005]也存在基于脑电图EEG的脑龄预测方案。但是，这些基于EEG信号的方案多数采用睡眠状态下的脑电图EEG信号。在建立用于从EEG信号中提取特征的算法时，睡眠状态EEG信号的特征复杂性给算法开发带来很大难度，导致算法的准确率不理想。睡眠状态下的脑电图EEG信号数据的采集时间长也极大限制方案的应用。
[0006]因此，存在对用于预测脑龄的方案进行改进的需求。

技术实现思路

[0007]本申请提出了基于脑电图EEG信号的信号处理方法和设备，旨在解决上文中提及的现有脑龄预测方案的至少一个缺点和不足，可以更快速、准确、经济地预测受试者的脑龄，为医生进行脑发育水平评估提供基本数据。
[0008]根据本申请的一方面，提出一种用于预测脑龄的方法，包括：获取受试者在清醒状态下的脑电图EEG信号；对EEG信号进行伪差检测和分段以选取满足信号质量要求的多个EEG信号片段；将满足信号质量要求的多个EEG信号片段转换为时频图数据；以及使用神经网络模型基于时频图数据预测与满足信号质量要求的多个EEG信号片段对应的受试者的脑龄。
[0009]根据本申请的另一方面，提出一种用于预测脑龄的设备，包括：获取单元，其被配置为获取受试者在清醒状态下的脑电图EEG信号；预测单元，其被配置为对EEG信号进行伪差检测和分段以选取满足信号质量要求的多个EEG信号片段；将所信号质量要求的多个EEG
信号片段转换为时频图数据；以及使用神经网络模型基于时频图数据预测与满足信号质量要求的多个EEG信号片段对应的受试者的脑龄；输出单元，其被配置为输出脑龄。
[0010]根据本申请的又一方面，提出一种计算机可读存储介质，其上存储有计算机程序，该计算机程序包括可执行指令，当该可执行指令被处理器执行时，实施根据如上所述的方法。
[0011]根据本申请的再一方面，提出一种电子设备，包括：处理器以及用于存储所述处理器的可执行指令的存储器，其中该处理器被配置为执行可执行指令以实施如上所述的方法。
[0012]通过采用本申请提出的用于预测脑龄的方法和设备，相比使用睡眠状态下的EEG信号，本申请可以使用受试者在清醒状态下的EEG信号在更短时间段内或实时动态地监测大脑的脑龄及其变化。这种脑龄预测的方案灵敏度高，在提高脑龄预测的准确度的前提下，还可以进一步缩短脑龄预测的检测时间和成本，让脑龄预测更好地与数字脑电图和视频脑电图检查手段兼容，从而提高脑龄预测方案在临床上的可用性。这种脑龄评估方法不仅可以在评估脑发育水平中使用，还可以作为脑神经性疾病的药物治疗的疗效快速评估的参考信息。
附图说明
[0013]通过参照附图详细描述其示例性实施例，本申请的上述和其它特征及优点将变得更加明显。
[0014]图1为根据本申请的一个实施例的用于预测脑龄的系统算法的流程示意图。
[0015]图2为根据本申请的一个实施例的用于基于时频图数据预测脑龄的神经网络模型的示意性结构图。
[0016]图3为根据本申请的一个实施例的用于预测脑龄的方法的示意性流程图。
[0017]图4为根据本申请的一个实施例的用于预测脑龄的设备的示意性结构图。
[0018]图5为采用根据本申请的一个实施例的用于预测脑龄的方法或设备所预测的脑龄样本与正常人群范围之间的相对位置关系的示意图。
[0019]图6为根据本申请的一个实施例的用于预测脑龄的电子设备的示意性框图。
具体实施方式
[0020]现在将参考附图更全面地描述示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本申请的内容变得全面和完整，并将示例性实施例的构思全面地传达给本领域的技术人员。在图中，为了清晰，可能会夸大部分元件的尺寸或加以变形。在图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
[0021]此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、元件等。在其它情况下，不详细示出或描述公知结构、方法或者操作以避免模糊本申请的各方面。
[0022]如上文中所述，使用计算机辅助预测脑龄的方案从数据来源可以分为基于MRI图像的图像处理和基于睡眠状态EEG信号的信号处理。其中，基于MRI图像的脑龄预测方案主要依赖受试者的脑区结构变化的静态图像结构信息。由于人脑的MRI图像在短时间内不会发生太大变化，缺少与时间相关的数据来源使得这类方法评估和预测的大脑年龄在一段时间范围内是相对稳定的，不适合动态检测大脑的变化过程。即使使用深度学习模型提高MRI图像的图像处理精度，仍然无法在原理上弥补对动态检测效果不佳的劣势。另外，基于MRI图像的脑龄预测方案在设备使用方面存在价格昂贵和耗时长的问题，从而限制其推广和应用，不适合大多数筛查场景。
[0023]相比基于MRI图像的处理，选择EEG信号的主要原因是其动态性。使用EEG信号来预测脑龄，可以采用较短的时间间隔，例如每隔20分钟，或者每隔30分钟来采样EEG信号。例如，癫痫患者在药物治疗期间，短时间内的脑电图EEG信号会发生比较大的变化，这可以从EEG信号形态和特征上反应出来，而MRI图像则无法体现这种变化。EEG信号的高动态性相比MRI图像提高了脑龄预测的灵敏度。
[0024]在使用EEG信号的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测脑龄的方法，包括：获取受试者在清醒状态下的脑电图EEG信号；对所述EEG信号进行伪差检测和分段以选取满足信号质量要求的多个EEG信号片段；将所述满足信号质量要求的多个EEG信号片段转换为时频图数据；以及使用神经网络模型基于所述时频图数据预测与所述满足信号质量要求的多个EEG信号片段对应的所述受试者的脑龄。2.根据权利要求1所述的方法，其特征在于，所述信号质量要求包括以下条件中的至少一个：信号波幅，平均信号波幅，信号时间长度以及伪差占比。3.根据权利要求1或2所述的方法，其特征在于，对所述EEG信号进行伪差检测包括：对所述EEG信号进行四分位点归一化操作以生成第一EEG信号；基于所述第一EEG信号的信号波幅提取满足信号波幅条件的第二EEG信号；对所述第一EEG信号进行高通滤波以生成第三EEG信号；计算所述第三EEG信号在所述信号时间长度下的平均波幅以提取满足平均信号波幅条件的第四EEG信号；基于所述第二EEG信号和所述第四EEG信号以确定具有伪差的EEG信号的时间区间。4.根据权利要求3所述的方法，其特征在于，对所述EEG信号进行分段包括：基于具有预定时间长度的时间窗口和滑动步长从所述EEG信号中选取多个EEG信号片段；基于所确定的具有伪差的EEG信号的时间区间和伪差占比条件从所述多个EEG信号片段中选取所述满足信号质量要求的多个EEG信号片段。5.根据权利要求1所述的方法，其特征在于，将所述满足信号质量要求的多个EEG信号片段转换为时频图数据包括：使用短时傅立叶变换STFT将所述满足信号质量要求的多个EEG信号片段转换为时频图数据，其中在所述STFT中使用汉宁窗函数。6.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括输入层、包括可训练的非线性三角滤波器层的第一子网络、第二子网络、包括自注意力层的第三子网络以及输出层，使用神经网络模型基于所述时频图数据确定与所述满足信号质量要求的多个EEG信号片段对应的脑龄包括：使用所述输入层接收所述时频图数据；使用所述第一子网络对所述时频图数据中的频率维度的数据分量进行降维操作；使用所述第二子网络从经降维的时频图数据提取与所述受试者的脑龄相关的特征数据；使用所述第三子网络对所述特征数据中的时间维度的特征分量进行降维操作；以及使用所述输出层输出与所述满足信号质量要求的多个EEG信号片段对应的所述脑龄。7.根据权利要求6所述的方法，其特征在于，所述第一子网络由如下公式定义：x＝SW
f
ꢀꢀꢀꢀ
(1)W
f
＝f
+
(W)
⊙
W
L
ꢀꢀꢀꢀ
(2)其中，x为所述第一子网络的输出，S为输入到所述第一子网络的时
频图数据，W
f
为所述可训练的非线性三角滤波器层的转换矩阵，W为可训练的参数矩阵，f
+
为对矩阵的元素进行操作的非负函数，W
L
为非负的常数矩阵，
⊙
表示矩阵乘法，C为EEG信号的导联通道数，N为所述满足信号质量要求的多个EEG信号片段的数量，F为时频图数据的频率维度的数据分量数量，F0为经降维的时频图数据的频率维度的数据分量数量，K为时频图数据的时间维度的数据分量数量，F0<F。8.根据权利要求7所述的方法，其特征在于，通过如下方式计算非负的常数矩阵W
L
：基于公式(3)将时频图数据的频率f∈[f
min
,f
max
]转换到对数空间上的频率]转换到对数空间上的频率基于公式(4)和(5)将对数空间上的频率区间等距划分为F+1个子区间，等距划...

【专利技术属性】
技术研发人员：罗杰坚，闫宇翔，赵童，
申请(专利权)人：灵犀云医学科技北京有限公司，
类型：发明
国别省市：