【技术实现步骤摘要】
本专利技术涉及脑中风发作预警，具体为用于脑中风发作的预警方法，装置及系统。
技术介绍
1、脑中风是一组以脑部缺血及出血性损伤症状为主要临床表现的疾病，具有极高的病死率和致残率，主要分为出血性脑中风(脑出血或蛛网膜下腔出血)和缺血性脑中风(由脑梗塞、脑血栓形成)两大类，其中以脑梗塞最为常见。脑中风发病急，病死率高。根据《中国脑中风防治报告2020》，脑中风是我国成人致死、致残的首要原因，我国脑中风疾病负担具有增长的态势。脑中风作为一种可防可控的疾病，早期筛查并干预的话预后效果显著。
2、现有技术可以用来预警脑中风，能实现在肢体麻木后的第一时间预警，但是还没有通过脑电波来预警脑中风的方法，难以进行更及时的预警，导致患者致残率和死亡率高的问题。
3、精准医疗已被大家广泛熟知并扩展应用。
技术实现思路
1、针对现有技术的不足，本专利技术提供了用于脑中风发作的预警方法，装置及系统，解决了现有技术还没有通过脑电波来预警脑中风的方法，难以进行更及时的预警，导致患者致残率和死亡率高的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：用于脑中风发作的预警方法，包括以下步骤：使用电极头盔获取脑电信号，基于ica算法对采集的脑电信号进行预处理，去除干扰和伪迹，获得脑电信号矩阵，并保留原始信号的关键特征；脑电信号矩阵进入csp算法中，提取左右大脑信号之间的差异，提取空域特征，用于计算脑电信号得到空间分布；空域特征进入lstm算法中，对脑电信号在时间上的演变
3、进一步地，所述获得脑电信号矩阵，并保留原始信号的关键特征的步骤如下：电极头盔获取脑电信号，将采集到的多通道脑电信号分解成时间上独立且空间固定的分量；ica算法寻找分解矩阵w，使得u＝wx，其中u为脑电信号矩阵，表示ica分量激活的时间过程，x是电极头盔获取的脑电信号初始矩阵。
4、进一步地，所述提取左右大脑信号之间的差异，提取空域特征的步骤如下：获取正常状态的脑电信号和脑中风状态的脑电信号；通过设定的优化函数j(w)，基于正常状态的脑电信号和脑中风状态的脑电信号获取空域滤波器；空域滤波器对脑电信号矩阵u进行处理，获得空域特征f。
5、进一步地，获得的空域特征f为f＝[f1,f2,f3,...fm]t，其中fm表示第m个空域滤波器对脑电信号矩阵u处理后的矩阵。
6、进一步地，所述空域特征进入lstm算法中，对脑电信号在时间上的演变进行建模，模型学习脑电信号的历史数据，预测未来可能的发作情况的步骤如下：将空域特征组成时间序列；lstm模型学习历史数据的模式，理解脑电信号在时间上的变化趋势，所述历史数据携带有脑中风发作情况标签；输入空域特征组成的时间序列，作为lstm模型的输入序列；lstm模型输出预测值，用于表示未来脑中风发作概率。
7、进一步地，所述空域特征组成时间序列为x＝[x1,x2,x3,...xn]t，其中xn表示第n个时间步的输入特征向量。
8、进一步地，所述基于ai手套对用户状态的分析，与预测得到的脑电信号进行比较，进行动作与脑波的循环交互、配合修正的步骤如下：将lstm模型输出的预测值输送到数字孪生云，与用户佩戴的ai手套相连接；上云，预设动作指令、场景数据库、目标分类参数数据库；ai手套通过传感器监测用户的当前运动状态，包括手部的位置、湿度、温度、压力；将预测值与ai手套监测到的实际运动状态进行交互比较，对数据进行修正，再和24小时前的检测结果进行比较，若预测结果和实际运动状态的比较表明出现异常，即脑电信号预测出现了潜在的脑中风发作，通知用户和医护人员。
9、用于脑中风发作的预警装置，包括脑电信号矩阵获取模块、空域特征提取模块、预测模型构建模块和反馈模块，其中：所述脑电信号矩阵获取模块用于使用电极头盔获取脑电信号，基于ica算法对采集的脑电信号进行预处理，去除干扰和伪迹，获得脑电信号矩阵，并保留原始信号的关键特征；所述空域特征提取模块用于脑电信号矩阵进入csp算法中，提取左右大脑信号之间的差异，提取空域特征，用于计算脑电信号得到空间分布；所述预测模型构建模块用于空域特征进入lstm算法中，对脑电信号在时间上的演变进行建模，模型学习脑电信号的历史数据，预测未来可能的发作情况；所述反馈模块用于将预测的结果反馈到ai手套中，基于ai手套对用户状态的分析，与预测得到的脑电信号进行比较，进行动作与脑波的循环交互、配合修正。
10、用于脑中风发作的预警系统，包括算法融合模块，反馈模块和上云融云模块，其中：所述算法融合模块用于采用多算法融合的方式对采集的脑电信号进行清洗、提取和交互；所述反馈模块用于在ai手套动作执行过程中同步采集脑电信号并再次反馈给算力中心，实现动作与脑波的循环交互、配合修正；所述上云融云模块用于通过数字孪生的原理搭建架构将算法融合并进行上云融云。
11、进一步地，所述算法融合模块的算法包括ica算法，csp算法和lstm算法，其中所述ica算法用于对采集的脑电信号进行预处理，去除干扰和伪迹，获得脑电信号矩阵，并保留原始信号的关键特征，所述csp算法用于提取左右大脑信号之间的差异，提取空域特征，用于计算脑电信号得到空间分布，所述lstm算法用于对脑电信号在时间上的演变进行建模，模型学习脑电信号的历史数据，预测未来可能的发作情况。
12、本专利技术具有以下有益效果：
13、(1)、该用于脑中风发作的预警方法，通过采集、预处理、特征提取和分析多个阶段，结合脑电信号的空间和时间特征，该方法能够从多个角度全面分析用户的脑电信号，将不同阶段的信息综合，从而提高了脑中风发作的预测精度，细致的数据处理和特征提取使系统能够准确识别脑电信号中的异常变化，降低了误报率，提高了预警的可靠性。
14、(2)、该用于脑中风发作的预警方法，通过数字孪生原理建立实时模型，将整个预警系统部署在云平台上，实现了实时数据处理、模型更新和反馈机制，这种架构允许系统持续监测用户的脑电信号和动作状态，随时更新模型以适应个体变化，同时，云端部署也为多用户数据的汇总和分析提供了可能，从而进一步优化预警模型和算法，提高预警精确性。
15、(3)、该用于脑中风发作的预警方法，通过将多种算法(ica、csp和lstm)融合在一起，预警系统能够从不同的角度综合分析脑电信号，清洗、提取和交互数据。每个算法的优势得到了充分的发挥，从而提高了预测的准确性和可靠性，ica清除干扰，csp提取空域特征，lstm建模时间序列，共同构建了强大的预测模型，上云融云模块的应用使得整个系统能够在云端进行部署和管理，通过数字孪生原理，系统可以实时模拟脑电信号本文档来自技高网...
【技术保护点】
1.用于脑中风发作的预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于脑中风发作的预警方法，其特征在于，所述获得脑电信号矩阵，并保留原始信号的关键特征的步骤如下：
3.根据权利要求2所述的用于脑中风发作的预警方法，其特征在于，所述提取左右大脑信号之间的差异，提取空域特征的步骤如下：
4.根据权利要求3所述的用于脑中风发作的预警方法，其特征在于，获得的空域特征F为F＝[f1,f2,f3,...fm]T，其中fm表示第m个空域滤波器对脑电信号矩阵U处理后的矩阵。
5.根据权利要求4所述的用于脑中风发作的预警方法，其特征在于，所述空域特征进入LSTM算法中，对脑电信号在时间上的演变进行建模，对脑电信号的波动建立阈值矩阵，模型学习脑电信号的历史数据，预测未来可能的发作情况的步骤如下：
6.根据权利要求5所述的用于脑中风发作的预警方法，其特征在于：所述空域特征组成时间序列为X＝[x1,x2,x3,...xn]T，其中xn表示第n个时间步的输入特征向量。
7.根据权利要求6所述的用于脑中风发作的预警方法，
8.用于脑中风发作的预警装置，其特征在于，包括脑电信号矩阵获取模块、空域特征提取模块、预测模型构建模块和反馈模块，其中：
9.用于脑中风发作的预警系统，其特征在于，包括算法融合模块，反馈模块和上云融云模块，其中：
10.根据权利要求9所述的用于脑中风发作的预警系统，其特征在于：所述算法融合模块的算法包括ICA算法，CSP算法和LSTM算法，其中所述ICA算法用于对采集的脑电信号进行预处理，去除干扰和伪迹，获得脑电信号矩阵，并保留原始信号的关键特征，所述CSP算法用于提取左右大脑信号之间的差异，提取空域特征，用于计算脑电信号得到空间分布，所述LSTM算法用于对脑电信号在时间上的演变进行建模，模型学习脑电信号的历史数据，预测未来可能的发作情况。
...【技术特征摘要】
1.用于脑中风发作的预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于脑中风发作的预警方法，其特征在于，所述获得脑电信号矩阵，并保留原始信号的关键特征的步骤如下：
3.根据权利要求2所述的用于脑中风发作的预警方法，其特征在于，所述提取左右大脑信号之间的差异，提取空域特征的步骤如下：
4.根据权利要求3所述的用于脑中风发作的预警方法，其特征在于，获得的空域特征f为f＝[f1,f2,f3,...fm]t，其中fm表示第m个空域滤波器对脑电信号矩阵u处理后的矩阵。
5.根据权利要求4所述的用于脑中风发作的预警方法，其特征在于，所述空域特征进入lstm算法中，对脑电信号在时间上的演变进行建模，对脑电信号的波动建立阈值矩阵，模型学习脑电信号的历史数据，预测未来可能的发作情况的步骤如下：
6.根据权利要求5所述的用于脑中风发作的预警方法，其特征在于：所述空域特征组成时间序列为x＝[x1,x2,x3,...xn]t，其中xn表示第n个时间步的输入特征向量。
...【专利技术属性】
技术研发人员：朱明，朱皓然，左玲，
申请(专利权)人：杭州璞尊科技成果转化服务有限公司，
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。