基于波形特征模板的高频振荡信号自动检测算法及系统

1.本发明涉及医学信号处理技术领域，尤其涉及基于波形特征模板的高频振荡信号自动检测算法及系统。


背景技术：

2.癫痫是最常见的神经系统疾病之一，患者存在部分为难治性癫痫，需要进行手术切除致痫区域，研究表明，癫痫脑电信号中的高频振荡信号(high frequency oscillations,癫痫脑电信号中的高频振荡信号)可以作为定位致痫区域的重要生物标志物，也成为了定位癫痫始发区(seizure onset zone，soz)的“黄金标准”，目前公认的高频振荡信号是频率介于80hz到500hz的信号，专家将其分为rs(ripples，80～250hz)波、frs(fast ripples，250～500hz)波，传统的高频振荡信号的检测方法，通过专业有素的医生人工视觉标记和判断识别，该方法非常耗时且存在医生个人的主观因素干扰，因此假阳性高频振荡信号是难以避免的，绝大多数高频振荡自动检测算法都是将感兴趣频带中的癫痫脑电信号中的高频振荡信号的能量与阈值进行比较，也就是所谓的阈值法，但由于脑电信号数据量大，现有的算法比较单一且没有考虑算法的执行速度和运行时长，虽然其灵敏度很高，但其特异性相比之下较低，且易检测到高频噪声干扰和尖峰，干扰最终的检测结果。


技术实现要素：

3.为了解决上述技术问题，本发明的目的是提供基于波形特征模板的高频振荡信号自动检测算法及系统，能够在提高脑电高频振荡信号的检测效率的同时提高脑电高频振荡信号检测结果的准确度。
4.本发明所采用的第一技术方案是：基于波形特征模板的高频振荡信号自动检测算法，包括以下步骤：
5.s1、采集患者脑电信号与设定系统参数；
6.s2、根据设定的系统参数对患者脑电信号进行数据预处理；
7.s3、根据设定的系统参数对经过预处理后的患者脑电信号进行检测，得到疑似高频振荡信号片段；
8.s4、基于波形模板，对疑似高频振荡信号片段进行特征定位处理并保存，构成高频振荡信号波形模板库；
9.s5、根据高频振荡信号波形模板库对预处理后的患者脑电信号进行检测，输出高频振荡信号片段。
10.进一步，所述步骤s1中设定系统参数具体还包括设置滤波频段范围、滤波器的类型和调整波形显示界面的横轴与纵轴范的显示范围。
11.进一步，所述步骤s2中对患者脑电信号进行数据预处理具体包括如下步骤：
12.s21、对患者脑电信号进行眼电杂讯伪迹处理，分离出患者脑电信号中的伪迹噪声；
13.s22、对患者脑电信号中的伪迹噪声进行剔除处理，得到剔除噪声的患者脑电信号；
14.s23、对剔除噪声的患者脑电信号进行数据归一化处理，得到具有一定频率范围的患者脑电信号；
15.s24、对具有一定频率范围的患者脑电信号进行带通滤波处理，选择出符合预设频率范围的患者脑电信号；
16.s25、对符合预设频率范围的患者脑电信号进行梳妆滤波处理，得到预处理后的患者脑电信号。
17.进一步，所述步骤s3中对经过预处理后的患者脑电信号进行检测具体包括如下步骤：
18.s31、对预处理后的患者脑电信号进行特征提取处理，得到患者脑电信号特征；
19.s31、设定特征阈值范围，筛选出属于特征阈值范围内的患者脑电信号特征，输出疑似高频振荡信号片段。
20.进一步，还包括对构建的高频振荡信号波形模板库进行完善处理，具体步骤如下：
21.通过阈值法检测疑似高频振荡信号片段，再通过小波时频图观察该信号的时频域亮斑是否存在“孤岛”现象，将存在“孤岛”现象的检测结果补充到高频振荡信号波形模板库中；
22.基于经验模型对高频振荡信号进行分析，并将分析结果提取出波形模板数据，补充到高频振荡信号波形模板库中；
23.基于波形特征模板匹配模块检测的高频振荡信号补充到模板库，增加高频振荡信号波形模板库中高频振荡信号的数据集。
24.进一步，所述步骤s5中根据高频振荡信号波形模板库对预处理后的患者脑电信号进行检测具体包括如下步骤：
25.s51、设定滑动窗口、步长和相关系数阈值；
26.s52、通过皮尔森相关系数计算公式循环计算滑动窗口的预处理后的患者脑电信号和高频振荡信号波形模板库中疑似高频振荡信号片段两者波形之间的相关系数；
27.s53、对相关系数取绝对值处理并进行判断，判断到相关系数的绝对值大于相关系数阈值，输出高频振荡信号片段。
28.进一步，还包括对高频振荡信号片段的有效性进行评定。
29.进一步，所述对高频振荡信号片段的有效性评定具体还包括：
30.通过对应的指标算法对高频振荡信号片段的敏感性、特异性、准确性、实时性和泛化性进行计算；
31.结合不同的计算结果对高频振荡信号片段的有效性进行评定。
32.本发明所采用的第二技术方案是：基于波形特征模板的高频振荡信号自动检测系统，包括：
33.用户模块，用于采集患者脑电信号与设定系统参数；
34.脑电信号预处理模块，用于根据设定的系统参数对患者脑电信号进行数据预处理；
35.高频振荡信号波形模板库建立模块，用于根据设定系统参数对经过预处理后的患
者脑电信号进行检测，得到疑似高频振荡信号片段，并构建高频振荡信号波形模板库；
36.波形特征模板匹配模块，用于根据高频振荡信号波形模板库对预处理后的患者脑电信号进行检测，输出高频振荡信号片段；
37.综合评价指标模块，用于对高频振荡信号片段的有效性进行评定。
38.本发明方法及系统的有益效果是：本发明先对患者脑电信号进行多次滤波处理，能够减少脑电信号中高频噪声和尖峰的干扰，再通过基于预处理后的患者脑电信号构建高频振荡信号波形模板库，对预处理后的患者脑电信号进行检测，能够提高检测算法的灵敏度，提高检测算法的计算效率，最后通过指标算法对高频振荡信号片段进行评定，能够有效提高检测结果的特异性和准确性。
附图说明
39.图1是本发明基于波形特征模板的高频振荡信号自动检测算法的步骤流程图；
40.图2是本发明基于波形特征的脑电高频振荡信号自动检测系统的结构框图。
具体实施方式
41.下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
42.参照图1，本发明提供了基于波形特征模板的高频振荡信号自动检测算法，该方法包括以下步骤：
43.s1、采集患者脑电信号与设定系统参数；
44.具体地，用户通过用户选择模块将待分析的脑电信号导入系统；还可以设置滤波频段范围(f1～f2)、滤波器的类型以及调整波形显示界面的横轴和纵轴范显示范围，设置完成后将用户参数设定结果保存，并发送到数据预处理模块进行使用，存储模块对数据进行保存管理。
45.s2、根据设定的系统参数对患者脑电信号进行数据预处理；
46.具体地，该步骤包括眼电杂讯和伪迹剔除单元、数据归一化单元、带通滤波单元以及梳妆滤波单元；
47.s21、眼电杂讯和伪迹剔除单元根据信号分解的思想将脑电信号和眼电信号分开实现剔除；
48.具体地，眼电伪迹是脑电信号中主要的干扰噪声，采用独立成分分析(ica)去除。独立成分分析是为解决盲源分离问题逐渐发展起来的，最早用于解决“鸡尾酒会”问题，该问题可抽象为如下所示：
49.x(t)＝as(t)
50.上式中，s(t)表示独立源信号矢量，x(t)表示观测到的信号矢量，a表示混合矩阵；
51.独立成分分析的目的就是求解出一个线性变换ω，将源信号从观测信号中分离出来，即表示为如下所示：
52.y(t)＝ωx(t)＝ωas(t)
53.上式中，y(t)是s(t)的估计矢量；
54.当线性变换ω是a的逆矩阵时，源信号s(t)可以被准确的计算出来，即真实的脑电信号可以准确的分离出来；
55.s22、数据归一化单元主要是将需要处理的脑电信号经过处理后限制在一定的范围内，加快运行速度，方便后续处理；
56.具体地，数据归一化方法采用min-max标准化，将脑电信号映射[l1，l2]到中，转换函数如下所示：
[0057][0058]
上式中，x
min
表示所在导联的最小值，x
max
表示所在导联的最大值，y
ij
表示归一化后的脑电信号，l1表示归一化的下范围(也可以是最小值)，l2表示归一化的上范围(也可以是最大值)，x
ij
表示原始脑电信号矩阵，i表示原始脑电信号的采样数，j表示原始脑电信号的导联个数；
[0059]
上述公式是对单个导联单独进行归一化处理，原始脑电信号矩阵为x＝(x
ij
)
mn
(m行n列，其中i≤m，j≤n)，将脑电信号映射到[-1，1]中；
[0060]
s23、带通滤波单元根据感兴趣的高频振荡信号频带对归一化后的脑电信号进行带通滤波，将信号频带范围滤波至[80,500]范围内，带通滤波器选择iir滤波器进行滤波，iir滤波器又可进一步选择巴特沃斯滤波器或者切比雪夫滤波器；
[0061]
具体地，采用切比雪夫ii型iir带通滤波器进行带通滤波预处理，采用双线性变换法对iir滤波器进行设计，根据iir滤波器的性能指标设计出相应的模拟滤波器传递函数表示如下所示：
[0062][0063]
上式中，g(s)表示模拟滤波器传递函数，n表示总个数，ak表示第k个增益，s表示s域，sk表示第k个极点；
[0064]
然后g(s)通过双线性变换法得到所需数字滤波器的系统函数h(z)，具体如下所示：
[0065]
h(z)＝g(s)
[0066]
上式中，z表示z域，t表示采样间隔时间；
[0067]
使用切比雪夫ii型带通滤波器去除某些频率范围的脑电信号，保留感兴趣频带范围80～500hz的脑电信号，提高其信噪比；
[0068]
s24、梳妆滤波单元使用50hz的梳妆滤波器去除工频干扰影响，经过上述单元处理后，将预处理后的数据发送给波形特征模板匹配模块进行高频振荡信号检测。
[0069]
具体地，采用梳妆滤波器去除市50hz工频倍频干扰，以阻碍50hz及其倍频信号的通过，梳妆滤波器转移函数的一般形式如下所示：
[0070][0071]
上式中，n表示梳妆滤波器的阶数。
[0072]
s3、根据设定系统参数对经过预处理后的患者脑电信号进行检测，得到疑似高频
振荡信号片段，并构建高频振荡信号波形模板库；
[0073]
具体地，将经过预处理后的脑电信号，对高频振荡信号的特征进行提取，设定特征阈值，特征阈值设定依据为设定为预处理后待分析脑电数据幅值的均值与n倍标准差的和，n的取值一般为3～5之间，本发明选取3，筛选条件为大于设定特征阈值的信号输出为疑似高频振荡信号片段，从而定位疑似的高频振荡信号，对于高频振荡信号波形模板库的补充优化及完善有以下方法：
[0074]
可以使用阈值法初步检测高频振荡信号，再通过小波时频图观察时频域亮斑是否存在“孤岛”现象，若存在“孤岛”现象则补充到模板库中，因为疑似高频振荡信号中存在假阳性(假阳性为实际上不是高频振荡信号，但该方法却将其检测识别为高频振荡信号)，故对此疑似高频振荡信号进行后续处理，去除假阳性，提高算法的检测正确率；
[0075]
直接使用有经验的临床医生定位的结果，从结果导联中提取出波形模板数据，补充到模板库中；
[0076]
将基于波形特征模板匹配模块检测的高频振荡信号补充到模板库，增加模板库中高频振荡信号的数据集。
[0077]
s4、根据高频振荡信号波形模板库对预处理后的患者脑电信号进行检测，输出高频振荡信号片段；
[0078]
具体地，将经过脑电预处理模块的数据，使用高频振荡信号模板库，设定滑动窗口为100ms，因为高频振荡信号的时间长度大约为100ms左右，故设定为100ms，步长为10ms，相关系数阈值th为0.9，因为相关系数绝对值越大表明相关性越强，相关系数绝对值大于0.9称之为强相关，使用皮尔森相关系数，循环计算滑动窗口的待检测波形数据和模板库中两者波形之间的相关系数，当两者之间相关系数的绝对值大于阈值，则滑动窗口波形为高频振荡信号，否则为非高频振荡信号波形；当循环超出数据的长度时，循环结束，皮尔森相关系数，定义如下：
[0079][0080]
上式中，ρ
x，y
表示模板波形与待检测波形的皮尔森相关系数，xi表示模板波形数据，yi表示待检测波形数据，分别表示模板波形和待检测波形的均值，ρ
x，y
值介于-1～1之间，绝对值越大表明相关性越强，波形相似度越高；
[0081]
s5、对高频振荡信号片段的有效性进行评定。
[0082]
具体地，通过对应的指标算法对高频振荡信号片段的敏感性、特异性、准确性、实时性和泛化性进行计算；
[0083]
所述敏感性指标算法具体如下所示：
[0084][0085]
所述特异性指标算法具体如下所示：
[0086][0087]
所述准确性指标算法具体如下所示：
[0088][0089]
上式中，tp表示真阳性，tn表示真阴性，fp表示假阳性，fn表示假阴性；
[0090]
进一步的，敏感性指标、特异性指标、准确性指标都是反映检测真实性的评价指标。当敏感性指标越高时，假阴性率也就越低，这时就会有越多的真正癫痫脑电信号中的高频振荡信号事件被筛检出来，漏检测率也就越低。当特异性越高，假阳性率也就越低，也就是越能将实际非癫痫脑电信号中的高频振荡信号事件检测为非癫痫脑电信号中的高频振荡信号事件，误检测率也就越低；
[0091]
其中，tp代表算法检测结果为癫痫脑电信号中的高频振荡信号，同时专家视觉标记也为癫痫脑电信号中的高频振荡信号，即为正确检测到的癫痫脑电信号中的高频振荡信号的数量，tn代表算法检测结果为非癫痫脑电信号中的高频振荡信号，同时专家视觉标记也为非癫痫脑电信号中的高频振荡信号，即为正确检测到的非癫痫脑电信号中的高频振荡信号的数量，fp代表算法检测结果为癫痫脑电信号中的高频振荡信号，同时专家视觉标记为非癫痫脑电信号中的高频振荡信号，即为错误检测到的癫痫脑电信号中的高频振荡信号的数量，fn代表算法检测结果为非癫痫脑电信号中的高频振荡信号，同时专家视觉标记为癫痫脑电信号中的高频振荡信号，即为错误检测到的非癫痫脑电信号中的高频振荡信号的数量；
[0092]
所述实时性指标算法具体如下所示：
[0093]
在规定时间d30时间段内算法所消耗的时间，记为t
d30
，实时性指标是指在规定的时间段内算法所消耗的时间，该指标能够评估算法是否能够实时准确检测到高频振荡信号，以及在该时间段内检测到高频振荡信号所消耗的时间；
[0094]
所述泛化性指标算法具体包括多通道泛化强度和单通道泛化强度；
[0095]
所述多通道泛化强度的指标函数如下所示：
[0096]
gs
nm
＝a*senm b*spem c*t
d3
[0097]
上式中，gs
nm
表示多通道泛化强度的指标函数，sem表示第m个导联的敏感性指标值，spem表示第m个导联的特异性指标值，a、b、c表示算法敏感性、特异性和实时性指标的影响因子，d30表示在规定的时间30s时间段内算法所耗的时间，t
d30
表示实时性指标值；
[0098]
多通道泛化强度，算法往往是针对单个通道导联的算法，多通道泛化强度指标评估扩展到其他导联后的有效性；假定模板特征对应的导联为n，待分析导联为m；
[0099]
所述单通道泛化强度的指标函数包括在发作间期数据段算法的泛化强度和在癫痫发作期算法的泛化强度；
[0100]
所述在发作间期数据段算法的泛化强度的指标函数如下所示：
[0101]
gs
nn
＝a*senn b*spen c*t
pd
[0102]
上式中，gs
nn
表示在发作间期数据段算法的泛化强度的指标函数，sen表示第n个导联的敏感性指标值，spn表示第n个导联的特异性指标值，t
pd
表示在规定的时间pd(period简称)时间段内算法所耗的时间；
[0103]
所述在癫痫发作期算法的泛化强度的指标函数如下所示：
[0104]
gs
nn
＝a*sen b*spen c*t
ep
[0105]
上式中，gs
nn
表示在癫痫发作期算法的泛化强度的指标函数，t
ep
表示在规定的时
间ep(epilepsy简称)时间段内算法所耗的时间；
[0106]
泛化强度能够直观地反映出算法在高频振荡信号检测不同事件期间的有效性，以及在不同导联通道上的有效性。
[0107]
参照图2，基于波形特征模板的高频振荡信号自动检测系统，包括：
[0108]
用户模块，用于采集患者脑电信号与设定系统参数；
[0109]
脑电信号预处理模块，用于根据设定的系统参数对患者脑电信号进行数据预处理；
[0110]
高频振荡信号波形模板库建立模块，用于根据设定系统参数对经过预处理后的患者脑电信号进行检测，得到疑似高频振荡信号片段，并构建高频振荡信号波形模板库；
[0111]
波形特征模板匹配模块，用于根据高频振荡信号波形模板库对预处理后的患者脑电信号进行检测，输出高频振荡信号片段；
[0112]
综合评价指标模块，用于对高频振荡信号片段的有效性进行评定。
[0113]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0114]
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。