用于构建癫痫数据库的方法及系统与流程

摘要: 本发明涉及结合多模态信号记录和ai辅助标注来构建癫痫数据库的综合方法及系统。背景技术:1、癫痫是一种慢性神经系统疾病,根据世界卫生组织(who)统计,全球接近6...
用于构建癫痫数据库的方法及系统与流程

本发明涉及结合多模态信号记录和ai辅助标注来构建癫痫数据库的综合方法及系统。

背景技术:

1、癫痫是一种慢性神经系统疾病,根据世界卫生组织(who)统计,全球接近6000万人受其影响。该疾病以无法预测的癫痫发作为特征,会严重影响生活质量。尽管已有数十年的研究,癫痫的底层机制仍未被完全理解,且目前仍缺乏有效的诊断工具与治疗策略。关键原因在于,无论是人类患者还是实验动物模型,不同受试者之间的癫痫发作信号存在差异,并且能够表征癫痫发作特征的数据库不足。

2、21世纪初,为促进癫痫发作的诊断,美国临床神经生理学会(acns)下设专门委员会,着手“标准化重症患者周期性与节律性脑电图(eeg, electroencephalogram)模式的术语,以促进未来涉及此类模式的研究”。随着标准化术语体系以及纳入这些术语的数据库的建立,学界针对重症患者的节律性与周期性模式(rpp, rhythmic and periodic pattern)的临床意义开展了大量研究,此类模式在急性癫痫发作中通常被认为具有高度保守性[1]。

3、基于数十年调查积累的数据,研究人员已构建多个癫痫数据库[2-10],例如聚焦于人类的eeg数据集[6](例如,癫痫数据库、temple 大学egg全集、开放癫痫发作数据库、nmt头皮egg数据集、公共eeg/erp资源库)、动物模型数据库[7](例如,犬类癫痫数据集),以及融合了影像学与电生理数据的多模态资源库[10](例如,openneuro、ideas数据库、具有磁共振成像mri的癫痫egg开放数据库)等。这些数据库均为癫痫研究做出了贡献。此外,cn116450618公开了来自人类癫痫患者的egg信号数据库。但此类数据库存在明显局限性,例如获取数据时的条件不一致(记录癫痫发作的时长与稀疏度、传感器放置位置、使用的通道数量、数据收集与分割方法)。并且这些数据还缺乏指示癫痫发作起始与终止的明确标签,而通常此类标签在对计算机模型识别与预测癫痫发作的性能进行评估时会被用作真值。这些标签通常集中于egg数据,但缺乏癫痫特异性分类或全面注释,且仅局限于特定物种,对其他物种的泛化能力有限。因此,亟需构建更鲁棒的癫痫数据库,以促进癫痫机制与新型疗法的研究。

技术实现思路

1、对此,本技术旨在提供构建更高效、鲁棒的癫痫数据库的方案,以促进癫痫机制与新型疗法的研究。

2、在本技术的实施例中,通过药物诱导动物模型来建模癫痫发作的观测平台。动物模型在研究癫痫方面发挥着重要作用。药物诱导模型(尤其是采用如4-氨基吡啶的钾通道阻滞剂的模型),为诱导可模拟人类癫痫中观测到的病理生理特性的癫痫发作提供了可靠的平台[11,12]。该类模型已被用于探究癫痫发作动态、测试抗癫痫药物,以及理解大脑对电刺激或光刺激的反应[13]。海马体以其在学习和记忆中的作用而闻名,也是癫痫发作的起始与传播的关键结构。将4-氨基吡啶(4-aminopyridine, 4-ap)注射到海马体区域是一种经过反复验证的方法,可在大鼠中生成稳定的颞叶癫痫模型。在本技术的实施例中,采用了类似的方法,向海马ca1区注射4-ap以生成癫痫大鼠模型。

3、同时,准确的标签对于标准数据库也十分重要,因为标签是用于评估癫痫检测与预测算法性能的基准真值。现有的数据库通常是由医生与经验丰富的研究人员来进行标注,这非常耗时且效率低下。在本技术的实施例中,采用了ai辅助标注的方式来针对采集的数据自动添加标签。

4、本技术的方案提供结合多模态信号记录和人工智能(ai,artificialintelligence)辅助标注工具构建癫痫数据库的综合方法。该方法涉及三个关键部分:(1)通过将4-氨基吡啶注射到大鼠海马体区域,创建稳定的颞叶局灶性癫痫动物模型;(2)使用定制设计的多功能探针,同时从局灶区域和整个大脑皮层记录多模态信号(局部场电位(local field potential, lfp)信号和皮层脑电图(electrocorticography, ecog)信号);以及(3)创建ai辅助标注工具(其可以是高精度的机器学习模型,例如用于特征提取和癫痫发作标注的多层感知器(multilayer perceptron, mlp))。

5、在实施根据本技术的方法时,将4-ap注射到大鼠海马体的ca1区域,以生成癫痫大鼠模型。使用纳升注射器控制注射体积和注射速度,以最小化受试者之间的差异。为了从起始区域和扩散脑区同时获取癫痫发作信号,使用一对定制设计的皮层内探针和ecog探针,记录来自药物注射区域的lfp信号以及来自整个大脑皮层的ecog信号。因此,包含lfp信号和ecog信号的数据库可以提供横跨多个脑区的癫痫发作活动的综合视图,使研究人员能够剖析网络层面的动态。这种方法对于研究颞叶癫痫尤其重要,在这种癫痫中,局灶性癫痫发作常常扩散到其他区域,导致全脑受牵连。

6、为了提高标注的效率和精度并节省人力,采用了机器学习模型(例如mlp),并开发了基于matlab的应用程序(app)来辅助研究人员识别癫痫发作的开始和结束,以及标记不同模式的癫痫发作信号。该基于matlab 的应用程序包括两部分:特征提取模块和ai辅助标注模块。特征提取模块可以从不同通道提取信号的时域特征、频域特征和连接性特征。ai辅助标注模块可利用提取的特征来训练ai模型(例如,训练多层感知器mlp),并提高癫痫发作模式分类的效率和一致性。因此,利用该matlab app,可以提高癫痫信号标注的效率和准确性,从而有助于建立鲁棒且统一的数据库,使其成为全球癫痫研究界的重要资源。

7、训练好的多层感知器mlp可以被打包到该基于matlab的应用程序中。因此,该基于matlab的应用程序可以自动提取特征,并将输出的癫痫发作信号标注为四种不同的子模式:周期性放电i型(periodical discharge type i,pd i或pd1)、周期性放电ii型(periodical discharge type ii,pd ii或pd2)、节律性δ活动(rhythmic deltaactivity,rda)和高频振荡(high-frequency oscillation,hfo)。这极大地提高了数据标注的效率和准确性。利用该方法可以创建包含10只动物的综合性大鼠局灶性癫痫数据库。然而,该方法可以被扩展,以生成具有大量动物数量甚至不同物种的更大规模的数据库。使用根据本技术的方法创建的数据库可作为研究癫痫传播机制、开发新的癫痫发作检测和预测算法、测试新的治疗干预措施、推动脑机接口(brain-computer interface, bci)开发以及辅助治疗癫痫的ai应用的关键资源。

8、根据本技术的第一方面,提供了一种用于构建癫痫数据库的方法,包括以下步骤:同时记录药物诱导的癫痫动物模型的局灶区域和整个大脑皮层的多模态癫痫发作信号,所述多模态癫痫发作信号至少包括来自局灶区域的局部场电位信号和来自所述整个大脑皮层的皮层脑电图信号;利用预先训练的基于人工智能的辅助标注模型从所述多模态癫痫发作信号中提取特征,并基于所提取的特征为所述多模态癫痫发作信号标注相应的标签,所述标签用于指示癫痫发作的子模式;将所述多模态癫痫发作信号及其所标注的标签存储在癫痫数据库中。

9、在一些实施例中,癫痫发作的子模式至少可包括:周期性放电i型、周期性放电ii型、节律性δ活动和高频振荡。

10、在一些实施例中,基于人工智能的辅助标注模型可以包括特征提取模块和辅助标注模块,该特征提取模块能够从不同通道提取多模态癫痫发作信号的时域特征、频域特征和通道间连接性特征,该辅助标注模块根据来自所述特征提取模块的特征识别与所述多模态癫痫发作信号对应的癫痫发作的子模式。

11、在一些实施例中,该辅助标注模块为多层感知器神经网络模型,其具有以下架构:输入层:大小为3,对应于时域特征、频域特征和通道间连接性特征;隐藏层:32个神经元,由修正线性单元函数激活;输出层:4个神经元,代表四种癫痫发作的子模式:周期性放电i型、周期性放电ii型、节律性δ活动和高频振荡。

12、在一些实施例中,癫痫动物模型可以是通过将4-氨基吡啶注射到大鼠的海马体区域而生成的。

13、在一些实施例中,所述时域特征可以包括与幅度、功率和复杂性相关的度量,用于分析所述多模态癫痫发作信号随时间的变化。频域特征可以用于分析从多模态癫痫发作信号的频谱图导出的多模态癫痫发作信号的频率内容,并识别与癫痫发作相关的频率模式。连接性特征可以用于分析通道之间的相互作用,所述相互作用包括:锁相值或通道间的相位同步性、路径长度或连接距离的图论度量、聚类系数或局部连接强度,以及小世界指数或网络的效率。

14、根据本技术的第二方面,提供了一种用于构建癫痫数据库的系统或装置,其主要包括多功能探针、处理器和癫痫数据库。其中多功能探针被配置为同时记录来自癫痫动物模型的局灶区域和整个大脑皮层的多模态癫痫发作信号,所述多模态癫痫发作信号至少包括来自局灶区域的局部场电位信号和来自所述整个大脑皮层的皮层脑电图信号。处理器被配置为利用预先训练的基于人工智能的辅助标注模型从所述多模态癫痫发作信号中提取特征,并基于所提取的特征为所述多模态癫痫发作信号标注相应的标签,所述标签用于指示癫痫发作的子模式,以及将所述多模态癫痫发作信号及其所标注的标签存储在癫痫数据库中。癫痫数据库用于存储所述多模态癫痫发作信号及其所标注的标签。

15、在一些实施例中,该系统或装置还可以包括显示器,并且其中处理器可以进一步配置为:从来自所述多功能探针的多模态癫痫发作信号中提取的对标签选择影响最大的关键特征;直接从所述多功能探针接收原始多模态癫痫发作信号并将其显示在所述显示器上;生成所述多模态癫痫发作信号的频率内容随时间变化的频谱图并将其显示在所述显示器上;对绘图控制信号进行响应,所述绘图控制信号包括通道选择,允许用户选择所述多模态癫痫发作信号的特定神经通道以进行分析,并实现时间和幅度缩放,以调整显示器上的可视化参数和色标刻度;对标记和注释功能进行响应,允许用户在所述显示器上手动标记特定事件并确认对所述显示器上显示的多模态癫痫发作信号的注释;以及执行特征计算,所述特征计算至少包括从所述多模态癫痫发作信号提取时域特征、频域特征、连接性特征。

16、在一些实施例中,该系统或装置还可以包括显示器,并且其中处理器可以进一步配置为控制标记或标签管理功能,包括:信号可视化,在所述显示器上清晰显示具有类癫痫发作活动的多通道神经记录;在所述显示器上生成表示多模态癫痫发作信号中频率随时间变化的频谱图;响应绘图控制,所述绘图控制包括选择多模态癫痫发作信号的特定通道进行可视化、调整时间尺度、幅度尺度和频率范围,以及在所述显示器上添加或删除诸如时间线或频率线之类的标记;执行ai标注,包括用于检测所选择的通道中癫痫发作模式的ai辅助注释、用于标注检测到的事件的自动标记功能、以及在所述显示器上对用户可以手动选择通道并应用预定义的癫痫发作模式以及确认或取消标记的地方进行手动标记。处理器还可以进一步被配置为执行标记管理,包括: a)在所述显示器上显示被注释的癫痫发作事件列表,并带有关于通道、模式和时间戳的详细信息, b)允许用户在所述显示器上选择、修改和确认标记,以及c)允许用户加载和保存注释。