System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学检测,具体涉及一种基于卷积网络的放电指数检测方法。
技术介绍
1、发作间期痫样放电(interictal epilepti-form discharge,ied)的干预评估是值得关注的重要问题。放电指数计算是关键之一,其是一种用于评估和量化脑电图中发作间期痫样放电的特征的工具。它通常用于分析癫痫患者的脑电图数据,以帮助医生确定病情的严重程度、患者的认知功能状态以及治疗策略的制定。放电指数是一种定量测量的指标。通过对脑电图数据进行分析,可以计算不同类型的放电指数,如棘波放电指数、尖波放电指数等。这些指数有助于量化癫痫患者的放电活动,从而更好地理解其脑电图特点。
2、许多研究显示ied对认知功能有负面的影响。ied可导致“短暂性认知障碍”,对短暂认知机制的影响可能会随着时间的推移而积累,从而影响认知功能更稳定的方面,如教育成就。频繁广泛的棘波放电,会通过干扰清醒时的学习与记忆以及睡眠时的记忆巩固来损害认知能力。睡眠期的局灶性ied不仅损害神经过程,还损害学习和其他认知功能的局部可塑性变化。ied通过诱导神经生理功能的重复中断而影响正常大脑功能。不仅在es(epileptic seizure)期间,而且在es之前,认知、精神和行为障碍的风险也会增加。在清醒脑电图中频繁的ied会损害儿童的认知表现。因此,对未观察到es的ied进行自动准确检测不仅可极大减轻临床医生人工读图的负担,还对癫痫患者,尤其是儿童患者进行及早干预治疗以延缓认知功能损伤有着重要的意义。
3、ied检测的黄金标准是专家人工目视
4、在现有的痫样放电检测算法中,通常需要复杂的特征工程过程,以手动提取与ied事件相关的特征。这样的方法在处理不同类型的ied时可能需要不断修改特征提取流程,因此不够灵活,且大多只针对棘波进行单一检测,无法适用于更复杂的ied类型;通常使用的指标有限,主要集中在灵敏度、特异性等传统指标上,并且仅考虑对放电进行预测的性能,缺乏对患者病情严重程度整体量化、记录和实时更新。
技术实现思路
1、本专利技术提出了一种基于卷积网络的放电指数检测方法,以解决现有技术需要进行特征提取,适用性较弱的技术问题。
2、为解决上述技术问题,本专利技术提供了一种基于卷积网络的放电指数检测方法,包括以下步骤:
3、步骤s1:收集癫痫患者的脑电图数据样本;
4、步骤s2:对所述脑电图数据样本进行预处理,去除工作频率噪声,并进行归一化后进行固定长度的不重叠滑动切片;
5、步骤s3:通过进行协调处理后的所述脑电图数据样本进行卷积神经网络进行训练;
6、步骤s4:在训练过程中为每个所述脑电图数据样本进行梯度的修改,以进行样本的协调处理;
7、步骤s5:通过医生对识别结果进行校正,反向输入卷积神经网络,对卷积神经网络的参数进行更新;
8、步骤s6:将待检测的脑电图数据样本输入卷积神经网络,得到预测结果,并生成报告。
9、优选地,步骤s1中所述脑电图数据样本为单极导联,包括:fp1-a1,fp2-a2,f3-a1,f4-a2,c3-a1,c4-a2,p3-a1,p4-a2,o1-a1,o2-a2,f7-a1,f8-a2,t3-a1,t4-a2,t5-a1和t5-a2。
10、优选地,步骤s2中进行预处理的方法包括以下步骤:进行重采样将采样频率降为250hz,再使用1hz高通滤波去除低频噪声,使用50hz和100hz陷波滤波去除工作频率噪声。
11、优选地,步骤s4中通过重构损失函数进行梯度的修改。
12、优选地,重构损失函数的方法包括以下步骤:对于一个样本,设p∈[0,1]是模型预测的概率,p*∈{0,1}是其对某一类的真实标签,则其二元交叉熵损失为:
13、
14、梯度协调损失函数设x为模型的直接输出,p=sigmoid(x),则x的梯度为:
15、
16、梯度的相对范数g为:
17、
18、样本的梯度密度函数为:
19、
20、
21、
22、式中,gd(g)表示单位梯度模长范围内的样本个数,gk为第k个样本的梯度范数,表示梯度模长在区间的样本个数,l∈(g)表示区间长度,n表示,∈表示;
23、对于每个样本,每个样本的梯度协调损失lghm-c为:
24、
25、
26、式中,i表示第i个样本。
27、优选地,步骤s3中所述卷积神经网络共9层,包括4层卷积层、2层全局最大值池化和3层全连接层。
28、优选地,所述卷积层的通道数分别为32、32、64和64,卷积核大小为3*3;每两个所述卷积层的顶部都使用批量归一化。
29、优选地,3层所述全连接层的神经元数分别为4096、128和64,通过sigmoid激活函数输出标签的概率和类别预测。
30、优选地,步骤s3中进行训练时还包括防止过拟合步骤:在全连接层采用了50%的概率随机丢弃神经元。
31、优选地,步骤s6中通过以下步骤生成报告:通过以下公式计算放电指数:
32、
33、
34、式中,n表示痫样检测任务中的放电类型数,ti为第i类放电的放电时长。
35、本专利技术的有益效果至少包括:
36、我们提出一种简单而通用的算法架构,无需进行特征提取,仅经过简单的数据预处理,保留信号原始特征。且该架构基于卷积神经网络以改进ied的放电检测,能够适应多种不同类型的痫样放电ied检测任务,包括棘波、尖波、多棘波、棘慢复合波、多棘慢复合波和尖慢复合波等;围绕较大规模的个体数据集进行广泛和全面的性能评估与分析,提高痫样放电检测领域的算法效能,一方面我们对放电指数指标计算予以补充,帮助医生进一步了解患者动态,对病情作出评估;另一方面我们针对样本不平衡的突出问题引入梯度协调机制进行损失函数重构,确保模型更好地处理阳性样本与阴性样本之间的不平衡。
本文档来自技高网...【技术保护点】
1.一种基于卷积网络的放电指数检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于卷积网络的放电指数检测方法,其特征在于:步骤S1中所述脑电图数据样本为单极导联,包括:Fp1-A1,Fp2-A2,F3-A1,F4-A2,C3-A1,C4-A2,P3-A1,P4-A2,O1-A1,O2-A2,F7-A1,F8-A2,T3-A1,T4-A2,T5-A1和T5-A2。
3.根据权利要求2所述的一种基于卷积网络的放电指数检测方法,其特征在于:步骤S2中进行预处理的方法包括以下步骤:进行重采样将采样频率降为250Hz,再使用1Hz高通滤波去除低频噪声,使用50Hz和100Hz陷波滤波去除工作频率噪声。
4.根据权利要求1所述的一种基于卷积网络的放电指数检测方法,其特征在于:步骤S4中通过重构损失函数进行梯度的修改。
5.根据权利要求4所述的一种基于卷积网络的放电指数检测方法,其特征在于:重构损失函数的方法包括以下步骤:对于一个样本,设p∈[0,1]是模型预测的概率,p*∈{0,1}是其对某一类的真实标签,则其二元交叉熵损失为
6.根据权利要求1所述的一种基于卷积网络的放电指数检测方法,其特征在于:步骤S3中所述卷积神经网络共9层,包括4层卷积层、2层全局最大值池化和3层全连接层。
7.根据权利要求6所述的一种基于卷积网络的放电指数检测方法,其特征在于:所述卷积层的通道数分别为32、32、64和64,卷积核大小为3*3;每两个所述卷积层的顶部都使用批量归一化。
8.根据权利要求7所述的一种基于卷积网络的放电指数检测方法,其特征在于:3层所述全连接层的神经元数分别为4096、128和64,通过Sigmoid激活函数输出标签的概率和类别预测。
9.根据权利要求8所述的一种基于卷积网络的放电指数检测方法,其特征在于:步骤S3中进行训练时还包括防止过拟合步骤:在全连接层采用了50%的概率随机丢弃神经元。
10.根据权利要求1所述的一种基于卷积网络的放电指数检测方法,其特征在于:步骤S6中通过以下步骤生成报告:通过以下公式计算放电指数:
...【技术特征摘要】
1.一种基于卷积网络的放电指数检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于卷积网络的放电指数检测方法,其特征在于:步骤s1中所述脑电图数据样本为单极导联,包括:fp1-a1,fp2-a2,f3-a1,f4-a2,c3-a1,c4-a2,p3-a1,p4-a2,o1-a1,o2-a2,f7-a1,f8-a2,t3-a1,t4-a2,t5-a1和t5-a2。
3.根据权利要求2所述的一种基于卷积网络的放电指数检测方法,其特征在于:步骤s2中进行预处理的方法包括以下步骤:进行重采样将采样频率降为250hz,再使用1hz高通滤波去除低频噪声,使用50hz和100hz陷波滤波去除工作频率噪声。
4.根据权利要求1所述的一种基于卷积网络的放电指数检测方法,其特征在于:步骤s4中通过重构损失函数进行梯度的修改。
5.根据权利要求4所述的一种基于卷积网络的放电指数检测方法,其特征在于:重构损失函数的方法包括以下步骤:对于一个样本,设p∈[0,1]是模型预测的概率,p...
【专利技术属性】
技术研发人员:游强,冯杰,郭堃,柳德荣,赵崇宇,党程,王晓东,吉旭祥,陈在军,陈公来,毕宏伟,陈磊,李刚,高峰,杨震强,吉宏生,
申请(专利权)人:国网陕西省电力有限公司延安供电公司,
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。