一种基于脑电信号的术后谵妄风险特征提取系统
本发明涉及神经电生理监测,具体涉及一种基于脑电信号的术后谵妄风险特征提取系统。
背景技术:
1、术后谵妄是老年患者术后常见的急性围术期神经认知并发症,以意识障碍、认知功能下降和知觉异常为主要临床表现。术后谵妄的发生不仅延长住院时间和重症监护室停留时间,还增加术后死亡率和长期认知损害的风险。因此,开发用于术后谵妄术中早期预警的客观监测技术,对于优化个体化围术期管理策略、改善患者预后具有重要的临床意义。目前,临床上对术后谵妄的风险评估主要依赖于术前认知量表筛查及术后床旁评估,这些方法存在主观性强、易受评估者经验差异影响、且无法在麻醉状态下连续监测等局限。基于血液或脑脊液的生物标志物检测虽可提供一定客观信息,但其结果具有滞后性,难以满足术中实时预警的需求。
2、脑电图作为一种可直接、连续反映脑功能状态的神经电生理监测手段,已被尝试用于术后谵妄的风险预测。传统脑电分析方法通常依赖预定义的频带划分,通过提取各频带的功率谱密度、功率比等特征来构建预测模型,例如术中额叶α功率降低、α与θ功率比异常等指标被认为与术后谵妄风险存在关联。然而,此类基于固定频带的手工特征工程受限于先验假设,无法捕获跨频率耦合以及脑电信号中复杂的时间动态模式,导致关键判别信息的丢失和预测性能的不足。此外,多通道脑电所蕴含的空间拓扑信息,如额顶网络功能连接异常等,在传统单通道或双通道分析方法中亦难以被充分利用。
3、近年来,深度学习技术因其端到端的特征自学习能力,在脑电信号分析领域展现出优于传统方法的潜力。然而,现有深度学习方法应用于术后谵妄预测时面临若干瓶颈:其一,模型通常以完整网络形式部署,对算力和存储资源要求较高,难以集成于手术室现有监护设备;其二,深度学习模型的决策过程缺乏可解释性,临床医生无法获知模型基于何种电生理证据作出风险判别,这在需要高可靠性和可审计性的医疗场景中构成关键障碍;其三,模型习得的特征多为抽象高维向量,无法转化为临床可理解和验证的神经电生理指标,限制了其在围术期管理中的实际推广。因此,亟需一种既能保持深度学习高精度判别能力,又能将其转化为可解释电生理特征,且便于在临床常用设备上部署的术后谵妄风险特征提取方案。
技术实现思路
1、本发明的目的在于提供一种基于脑电信号的术后谵妄风险特征提取系统,利用由时空网络贡献度排序预定的最佳时间滤波器滤波脑电,检测目标波事件并提取特征以评估风险,实现可解释且低通道依赖的术中监测。
2、为实现上述技术目的,达到上述技术效果,本发明是通过以下技术方案实现:
3、一种基于脑电信号的术后谵妄风险特征提取系统,包括:
4、信号获取模块,用于获取受试者的多通道术中脑电信号;
5、滤波响应生成模块,配置有预先确定的最佳时间滤波器,所述滤波响应生成模块用于利用所述最佳时间滤波器对所述多通道术中脑电信号执行滤波操作,以产生时间激活响应序列;
6、其中,所述最佳时间滤波器源自用于对术后谵妄进行分类的时空特征提取网络,并且是通过对该网络中负责时间特征提取的多个滤波器进行贡献度排序而预先确定的;
7、特征生成模块,用于基于所述时间激活响应序列,生成用于评估术后谵妄风险的脑电特征信息。
8、进一步的,还包括滤波器确定模块,用于预先确定所述最佳时间滤波器,所述滤波器确定模块具体被配置为:
9、获取已标注有无术后谵妄的多个受试者的多通道术中脑电信号样本;
10、训练时空特征提取网络,使其能够基于输入的脑电信号样本输出术后谵妄分类结果,所述网络包括空间特征提取子模块和位于其后、由多个时间滤波器构成的时间特征提取子模块;
11、依次屏蔽所述时间特征提取子模块中的每一个时间滤波器,并计算屏蔽后所述网络分类性能的下降程度;
12、将导致所述分类性能下降程度最大的那个时间滤波器,确定为所述最佳时间滤波器。
13、进一步的,所述最佳时间滤波器为时间卷积核,其执行所述滤波操作的内核时域长度为1秒。
14、进一步的,所述特征生成模块包括:
15、事件识别子模块,用于从所述时间激活响应序列中,识别出反映所述脑电信号中存在特定神经振荡模式的异常事件片段;
16、特征提取子模块,用于提取所识别出的异常事件片段的统计学特征,并将该统计学特征作为所述脑电特征信息。
17、进一步的,所述事件识别子模块具体被配置为:
18、利用与所述最佳时间滤波器等长的滑动时间窗口,在所述时间激活响应序列上滑动;
19、统计每个滑动窗口内,所述时间激活响应序列中数据点超过动态阈值的数据点数量;其中,所述动态阈值是基于所述时间激活响应序列的整体统计分布计算得到的;
20、当所述数据点数量满足或超过预设标准时,将该滑动窗口标记为候选事件窗口;
21、合并时间上彼此连续的多个所述候选事件窗口,以形成完整的所述异常事件片段。
22、进一步的,所述滑动时间窗口的长度为1秒;所述动态阈值为所述时间激活响应序列的均值加减3倍标准差;所述预设标准为所述数据点数量不少于8个。
23、进一步的,所述事件识别子模块所识别的所述特定神经振荡模式表现为时域上的纺锤样波形包络与频域上覆盖2-12 hz的δ、θ、α波耦合振荡;
24、所述特征提取子模块提取的所述统计学特征包括所述异常事件片段的发生频率、中心频率与功率中的至少一种。
25、进一步的,所述信号获取模块获取的所述多通道术中脑电信号至少包含来自受试者额叶皮层的导联信号;且所述特征生成模块是专门基于所述额叶皮层的导联信号来生成所述脑电特征信息的。
26、进一步的,所述来自受试者额叶皮层的导联信号至少来源于国际10-20系统中的fp1与fp2电极。
27、进一步的,还包括风险评估模块,用于:接收所述特征生成模块产生的所述脑电特征信息,并利用预先训练的分类器,基于所述脑电特征信息输出该受试者的术后谵妄风险评估结果。
28、本发明的有益效果:
29、本发明将时空特征提取网络所学到的判别能力,转化为可独立运行的最佳时间滤波器,克服了深度学习模型部署于临床设备时对算力与系统资源的依赖。通过对时间特征提取模块中各滤波器执行迭代掩码消融,将造成网络分类性能下降最大的滤波器确定为最佳时间滤波器,固化存储于滤波响应生成模块中。在线运行时,仅需以该单一滤波器对输入脑电信号执行一次滤波操作,生成时间激活响应序列,即可完整承载网络所提炼的核心时间判别特征,无需调用原始网络的空间卷积层、全连接层等其余结构及参数。由此,深度网络的推理过程被简化为单一数字滤波运算,使得本系统可直接部署于手术室现有监护仪或便携式脑电设备中的低功耗处理器上。
30、本发明将最佳时间滤波器所捕获的高维时间特征,转化为时频域形态明确的异常振荡事件,为术后谵妄风险预测提供了可解释的电生理证据。最佳时间滤波器经频谱分析表现出对δ波、θ波及α波频段内特定振荡模式的频率选择性;当其对脑电信号执行滤波操作后,所产生激活响应序列中每一数值反映对应时刻信号与上述振荡模式的匹配程度。事件识别子模块将激活响应数值分布拟合为高斯分布,以均值加减三倍标准差为离群值判定边界,以与滤波器等长的滑动时间窗口遍历序列,对窗口内超阈值数据点数量计数,并将连续满足判定条件的窗口合并为完整的目标波事件。该目标波在时域呈纺锤样包络,在频域覆盖2至12赫兹的宽频耦合振荡。由此,每一次风险判别均可追溯至具体的目标波事件及其波形特征,克服了传统神经网络无法对其输出提供电生理解释的缺陷。
31、本发明基于临床队列术中脑电数据的分析,建立了目标波事件与术后谵妄之间的量化映射关系,且该关系展现出额叶空间特异性。术后谵妄患者额叶区域目标波的发生频率显著高于非谵妄患者,同时中心频率向低频偏移,功率呈下降趋势,其生理基础在于术后谵妄涉及丘脑-皮层环路功能失代偿,而最佳时间滤波器经数据驱动方式自动捕获了这一异常振荡的时间特征。特征提取子模块从目标波片段中提取发生频率、中心频率及功率等统计学特征,构建用于分类的结构化特征向量。在受试者水平上,仅基于额叶区域上述特征构建的分类模型,受试者工作特征曲线下面积即达到0.825;在独立外部数据集上,基于额叶信号的分类曲线下面积达到0.950。该从信号到事件、再到特征、最终到判别的逐层处理链路,每一步输出均可独立审计与复核。
32、本发明所识别的目标波生物标志物具有额叶空间特异性,使得在简化额叶导联配置下即可实现有效的风险分层,降低了临床采集的通道数与操作复杂度。在确定最佳时间滤波器的过程中,消融分析表明不同随机初始化条件下空间滤波器未呈现一致的高贡献模式,而时间滤波器表现出稳定的频谱响应,说明判别能力主要依赖于时间维度的特征提取,而非精细的全脑空间拓扑信息。脑区特异性验证进一步确认,仅使用额叶导联信号提取的目标波特征进行分类,准确率可达85.11%,优于全脑信号及其他单一脑区。在2通道、4通道和5通道额叶配置下分类性能随导联增加而有序提升,临床可依据实际场景在精度与便捷性之间选择。该特性使得本发明系统可直接适配手术室现有双通道或四通道额叶脑电监护仪,无需额外硬件即可赋予其术后谵妄风险分层功能,降低了技术推广的实施成本。
33、当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com