一种脑电背景检测分析方法、系统、存储介质及设备与流程

1.本发明涉及数据处理技术领域，特别涉及一种脑电背景检测分析方法、系统、存储介质及设备。


背景技术：

2.癫痫俗称“羊角风”或“羊癫风”，是由于大脑神经元突发性异常放电导致的一种短暂大脑功能性障碍的慢性疾病。根据中国最新流行病学资料显示，国内癫痫的总体患病率约为7
‰
，年发病率为28.8/10万，1年内有发作的活动性癫痫患病率为4.6
‰
。据此估计中国约有900万左右的癫痫患者，其中500～600万是活动性癫痫患者，同时每年新增加癫痫患者约40万，在中国癫痫已经成为神经科仅次于头痛的第二大常见病。因此，对癫痫脑电数据研究具有重要意义。
3.脑电波由脑电帽上的电极片采集，很多医院使用的脑电设备是标准10-20系统，其中，“10”和“20”指的是相邻电极之间的实际距离是颅骨前后或左右总距离的10％或20％。
4.当前对癫痫相关的脑电数据研究有以下几个方向：一个是癫痫发作波形的研究，如对常见的尖波、棘波或尖慢波、棘慢波、多棘慢波等复合波形的检测识别；一个是对常见或典型的癫痫病发作波的检测，用于自动快速检测出癫痫发作波的位置所在；还有一些是对脑电数据中异常波形的检测，包括对各种脑电伪差的检测。
5.现有技术中，相关领域对于脑电背景的研究较少，医师分析脑电数据的效率较低，阅读脑电数据的时间与经济成本较高。


技术实现要素：

6.基于此，本发明的目的是提供一种脑电背景检测分析方法，旨在解决现有技术中所记载的技术问题。
7.本发明的第一方面主题医院提供一种脑电背景检测分析方法，所述方法包括：
8.获取医疗数据库中以预设形式进行存储的脑电数据，并获取由标注人员对所述脑电数据进行标注后的脑电背景数据；
9.对所述脑电背景数据进行切片处理，通过最大三角形三桶下采样法对切片处理后的所述脑电背景数据进行降维处理，提取脑电背景数据特征以制作用于模型训练的脑电背景数据集；
10.搭建脑电背景分类模型，以通过所述脑电背景分类模型对所述脑电背景数据进行分类；
11.搭建以双枕o1、o2导联为主，其余导联为辅的多导联投票规则的脑电背景判定模型；
12.根据所述多导联投票规则，通过所述脑电背景判定模型对所述脑电背景数据进行检测与分析，以至少获取脑电背景中的频率特征与幅值特征，并将其进行可视化展示。
13.根据上述技术方案的一方面，获取医疗数据库中以预设形式进行存储的脑电数
据，并获取由标注人员对所述脑电数据进行标注后的脑电背景数据的步骤中，所述脑电背景数据为患者处于睡眠且清醒阶段的脑电数据。
14.根据上述技术方案的一方面，对所述脑电背景数据进行切片处理，通过最大三角形三桶下采样法对切片处理后的所述脑电背景数据进行降维处理，提取脑电背景数据特征以制作用于模型训练的脑电背景数据集的步骤，具体包括：
15.将所述脑电背景数据切为n片，每片所述脑电背景数据的长度为1秒；
16.获取每片所述脑电背景数据的1000个脑电背景数据特征，通过最大三角形三桶下采样法将1000个脑电背景数据特征降维至128个脑电背景数据特征；
17.提取降维处理后的脑电背景数据特征制作脑电背景数据集以用于训练脑电背景分类模型。
18.根据上述技术方案的一方面，设定以双枕o1、o2导联为主，其余导联为辅的多导联投票规则的脑电背景判定模型的步骤，具体包括：
19.分别设定o1、o2导联以及其余导联的投票权重；
20.基于各导联的投票权重分配进行导联的评分计算。
21.根据上述技术方案的一方面，基于各导联的投票权重分配进行导联的评分计算的步骤，具体包括：
22.设dpq为q∈[[0,1],[1,2],[2,3],...]单位时间段q上p导联通过所述脑电背景分类模型的输出结果，其中1＝《p《＝r，r为导联的数量；
[0023][0024]
当检测结果为脑电背景数据输出1，否则输出0，如公式(1)所示；
[0025]
各导联的最终投票权重如公式(2)所示：
[0026][0027]
最终所有导联投票评分相加，结果如公式(3)所示：
[0028][0029]
其中，s为q时间段、r个导联的最终评分，设定导联评分的阈值为δ，当s》δ时，判定时间段q上的脑电数据为脑电背景数据。
[0030]
根据上述技术方案的一方面，根据所述多导联投票规则，通过所述脑电背景判定模型对所述脑电背景数据进行检测与分析，以至少获取脑电背景中的频率特征与幅值特征，并将其进行可视化展示的步骤，具体包括：
[0031]
通过所述脑电背景判定模型对所述脑电背景数据进行滤波处理；
[0032]
在对所述脑电背景数据进行滤波处理后，计算所述脑电背景数据的极值点；
[0033]
根据所述脑电背景数据的极值点，确定所述脑电背景数据中的频率特征与幅值特
征并进行可视化展示。
[0034]
根据上述技术方案的一方面，根据所述脑电背景数据的极值点，确定所述脑电背景数据中的频率特征与幅值特征并进行可视化展示的步骤中：
[0035]
所述频率特征的计算公式为：
[0036]
p＝m/(t2-t1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0037]
其中，p为一时间段上的频率特征，m为极大值数量，t1、t2为脑电分类模型输入数据的起始和结束时刻；
[0038]
所述幅值特征的计算公式为：
[0039]
f＝(max(m(i))-min(n(j)))/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0040]
其中，f为一时间段的幅值特征，max(m(i))为求极大值的最大值，min(n(j))为求极小值的最小值，i为极大值的序号，j为极小值的序号。
[0041]
本发明的第二方面在于提供一种脑电背景检测分析系统，所述系统包括：
[0042]
数据获取模块，用于获取医疗数据库中以预设形式进行存储的脑电数据，并获取由标注人员对所述脑电数据进行标注后的脑电背景数据；
[0043]
数据处理模块，用于对所述脑电背景数据进行切片处理，通过最大三角形三桶下采样法对切片处理后的所述脑电背景数据进行降维处理，提取脑电背景数据特征以制作用于模型训练的脑电背景数据集；
[0044]
第一模型搭建模块，用于搭建脑电背景分类模型，以通过所述脑电背景分类模型对所述脑电背景数据进行分类；
[0045]
第二模型搭建模块，用于搭建以双枕o1、o2导联为主，其余导联为辅的多导联投票规则的脑电背景判定模型；
[0046]
数据分析模块，用于根据所述多导联投票规则，通过所述脑电背景判定模型对所述脑电背景数据进行检测与分析，以至少获取脑电背景中的频率特征与幅值特征，并将其进行可视化展示。
[0047]
本发明的第三方面在于提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述技术方案当中所述方法的步骤。
[0048]
本发明的第四方面在于提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述技术方案当中所述方法的步骤。
[0049]
与现有技术相比，采用本发明所示的脑电背景检测分析方法方系统、存储介质及设备，有益效果在于：
[0050]
基于多导联投票规则，通过脑电背景判断模型即可获取患者脑电背景中的频率特征与幅值特征，并将其进行可视化展示，该方法显著提升了人工对海量脑电数据的筛选和分析效率，大大降低了对脑电数据进行分析的时间和经济成本。同时，该方法有助于医师或相关研究者对各年龄段脑电背景的特征分析，以及有助于后续进一步探索不同地域、民族、年代等的各年龄段脑电背景的差异提供理论支持。
附图说明
[0051]
图1为本发明第一实施例中的脑电背景检测分析方法的流程图；
[0052]
图2为本发明第三实施例中的脑电背景检测分析系统的结构框图；
[0053]
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
[0054]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0055]
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0056]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0057]
实施例一
[0058]
请参阅图1，所示为本发明第一实施例当中所示一种脑电背景检测分析方法的流程框图，所述方法包括步骤s10-s50。
[0059]
步骤s10,获取医疗数据库中以预设形式进行存储的脑电数据，并获取由标注人员对所述脑电数据进行标注后的脑电背景数据。
[0060]
其中，医疗数据库中存储的脑电数据均为真实的脑电数据，在获取得到脑电数据之后，获取由标注人员对脑电数据进行标注的脑电背景数据，即标注人员将脑电数据中的脑电背景标注出来以形成脑电背景数据，且该脑电背景数据为患者处于睡眠且清醒阶段的脑电数据。
[0061]
示例而非限定，获取多个年龄段人群的脑电数据，如新生儿、婴儿、幼儿、学前儿童、学龄儿童与青少年等六个年龄段人群，由标注人员筛选并标注脑电数据中的脑电背景部分。其中，标注人员通常是指专业医师。
[0062]
步骤s20,对所述脑电背景数据进行切片处理，通过最大三角形三桶下采样法对切片处理后的所述脑电背景数据进行降维处理，提取脑电背景数据特征以制作用于模型训练的脑电背景数据集。
[0063]
其中，切片处理是指将脑电背景数据切割拆分成若干段脑电背景数据，每片脑电背景数据的长度为1秒或2秒，则对每片脑电背景数据进行降维处理，从而在降维处理后提取得到脑电背景数据特征，并基于该脑电背景数据特征制作用于模型训练的脑电背景数据集。
[0064]
在本实施例当中，对所述脑电背景数据进行切片处理，通过最大三角形三桶下采样法对切片处理后的所述脑电背景数据进行降维处理，提取脑电背景数据特征以制作用于模型训练的脑电背景数据集的步骤，具体包括步骤s21-s23。
[0065]
步骤s21，将所述脑电背景数据切为n片，每片所述脑电背景数据的长度为1秒。
[0066]
步骤s22，获取每片所述脑电背景数据的1000个脑电背景数据特征，通过最大三角
形三桶下采样法将1000个脑电背景数据特征降维至128个脑电背景数据特征。
[0067]
需要说明的是，由于采集的脑电背景数据的采样率为1000hz，即1秒内会产生1000个数据点，也即每片脑电背景数据均会产生1000个脑电背景数据特征，通过最大三角形三桶下采样法即可将1000个脑电背景数据特征降维至128个脑电背景数据特征。
[0068]
其中，最大三角形三桶下采样法能够有效缓解单桶算法的短视问题，相对于动态分桶算法，最大三角形三桶算法具有明显的计算速度优势。
[0069]
该最大三角形三桶下采样法的算法如下表所示：
[0070][0071]
步骤s23，提取降维处理后的脑电背景数据特征制作脑电背景数据集以用于训练脑电背景分类模型。
[0072]
具体而言，在对每片脑电背景数据进行降维处理后，每片脑电背景数据均由剩余的128个脑电背景数据特征，基于这128个脑电背景数据特征即可制作脑电背景数据集以用于训练脑电背景分类模型。
[0073]
步骤s30,搭建脑电背景分类模型，以通过所述脑电背景分类模型对所述脑电背景数据进行分类；
[0074]
在本实施例当中，所述脑电背景分类模型为autoencoder模型，自编码器(autoencoder,ae)是一类半监督学习和非监督学习中使用的人工神经网络，包含编码器(encoder)和解码器(decoder)两个部分。通过对输入信息表征学习，常被用于数据降维和异常值检测。其中包含卷积层构筑的自编码器可以用于解决计算机视觉问题，比如图像降噪、神经风格迁移等，用于时序数据异常值检测等领域。
[0075]
步骤s40，搭建以双枕o1、o2导联为主，其余导联为辅的多导联投票规则的脑电背景判定模型；
[0076]
需要说明的是，国标10-20系统脑电图电极片位置包括：左额极(fp1)、右额极(fp2)、左额(f3)、右额(f4)、左中央(c3)、右中央(c4)、左顶(p3)、右顶(p4)、左枕(o1)、右枕(o2)、左前颞(f7)、右前颞(f8)、左中颞(t3)、右中颞(t4)、左后颞(t5)、右后颞(t6)、额中线
(f2)、中央中线(cz)、顶中线(pz)。
[0077]
由于0-18岁是脑发育的主要阶段，儿童的脑电背景受o1、o2两个导联影响较大，因此在本实施例中设定以双枕o1、o2导联为主，其余导联为辅的多导联投票规则，即双枕区导联分配有较大的投票权重，并以此开发基于多导联投票规则的脑电背景判定模型。
[0078]
步骤s50，根据所述多导联投票规则，通过所述脑电背景判定模型对所述脑电背景数据进行检测与分析，以至少获取脑电背景中的频率特征与幅值特征，并将其进行可视化展示。
[0079]
具体而言，根据多导联投票规则，通过脑电背景判断模型即可对患者的脑电背景数据进行检测与分析，从而获取患者脑电背景中的频率特征与幅值特征，当然还可以获取其它特征，并将其进行可视化展示，如展示于计算机之上。
[0080]
在获取得到患者脑电背景中的频率特征与幅值特征之后，专业医师即可快速的超早出该患者的脑电背景的所处位置，以及判断脑电背景数据上的脑电背景数据特征是否符合该对应年龄段应出现的特征。
[0081]
与现有技术相比，采用本实施例当中所示的脑电背景检测分析方法，有益效果在于：
[0082]
基于多导联投票规则，通过脑电背景判断模型即可获取患者脑电背景中的频率特征与幅值特征，并将其进行可视化展示，该方法显著提升了人工对海量脑电数据的筛选和分析效率，大大降低了对脑电数据进行分析的时间和经济成本。同时，该方法有助于医师或相关研究者对各年龄段脑电背景的特征分析，以及有助于后续进一步探索不同地域、民族、年代等的各年龄段脑电背景的差异提供理论支持。
[0083]
实施例二
[0084]
本发明的第二实施例提供了一种脑电背景检测分析方法，本实施例所示的方法中：
[0085]
设定以双枕o1、o2导联为主，其余导联为辅的多导联投票规则的脑电背景判定模型的步骤，具体包括：
[0086]
分别设定o1、o2导联以及其余导联的投票权重；
[0087]
基于各导联的投票权重分配进行导联的评分计算。
[0088]
其中，基于各导联的投票权重分配进行导联的评分计算的步骤，具体包括：
[0089]
设dpq为q∈[[0,1],[1,2],[2,3],...]单位时间段q上p导联通过所述脑电背景分类模型的输出结果，其中1＝《p《＝r，r为导联的数量；
[0090][0091]
当检测结果为脑电背景数据输出1，否则输出0，如公式(1)所示；
[0092]
各导联的最终投票权重如公式(2)所示：
[0093]
[0094]
最终所有导联投票评分相加，结果如公式(3)所示：
[0095][0096]
其中，s为q时间段、r个导联的最终评分，设定导联评分的阈值为δ，当s》δ时，判定时间段q上的脑电数据为脑电背景数据。
[0097]
在本实施例当中，根据所述多导联投票规则，通过所述脑电背景判定模型对所述脑电背景数据进行检测与分析，以至少获取脑电背景中的频率特征与幅值特征，并将其进行可视化展示的步骤，具体包括：
[0098]
通过所述脑电背景判定模型对所述脑电背景数据进行滤波处理；
[0099]
在对所述脑电背景数据进行滤波处理后，计算所述脑电背景数据的极值点；
[0100]
根据所述脑电背景数据的极值点，确定所述脑电背景数据中的频率特征与幅值特征并进行可视化展示。
[0101]
其中，根据所述脑电背景数据的极值点，确定所述脑电背景数据中的频率特征与幅值特征并进行可视化展示的步骤中：
[0102]
所述频率特征的计算公式为：
[0103]
p＝m/(t2-t1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0104]
其中，p为一时间段上的频率特征，m为极大值数量，t1、t2为脑电分类模型输入数据的起始和结束时刻；
[0105]
所述幅值特征的计算公式为：
[0106]
f＝(max(m(i))-min(n(j)))/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0107]
其中，f为一时间段的幅值特征，max(m(i))为求极大值的最大值，min(n(j))为求极小值的最小值，i为极大值的序号，j为极小值的序号。
[0108]
与现有技术相比，采用本实施例当中所示的脑电背景检测分析方法，有益效果在于：
[0109]
基于多导联投票规则，通过脑电背景判断模型即可获取患者脑电背景中的频率特征与幅值特征，并将其进行可视化展示，该方法显著提升了人工对海量脑电数据的筛选和分析效率，大大降低了对脑电数据进行分析的时间和经济成本。同时，该方法有助于医师或相关研究者对各年龄段脑电背景的特征分析，以及有助于后续进一步探索不同地域、民族、年代等的各年龄段脑电背景的差异提供理论支持。
[0110]
实施例三
[0111]
清参阅图2，所示为本发明第三实施例当中所示一种脑电背景检测分析系统的结构框图，所述系统包括：
[0112]
数据标注模块10,用于获取医疗数据库中以预设形式进行存储的脑电数据，并获取由标注人员对所述脑电数据进行标注后的脑电背景数据。
[0113]
其中，医疗数据库中存储的脑电数据均为真实的脑电数据，在获取得到脑电数据之后，获取由标注人员对脑电数据进行标注的脑电背景数据，即标注人员将脑电数据中的脑电背景标注出来以形成脑电背景数据，且该脑电背景数据为患者处于睡眠且清醒阶段的
脑电数据。
[0114]
示例而非限定，获取多个年龄段人群的脑电数据，如新生儿、婴儿、幼儿、学前儿童、学龄儿童与青少年等六个年龄段人群，由标注人员筛选并标注脑电数据中的脑电背景部分。其中，标注人员通常是指专业医师。
[0115]
数据处理模块20,用于对所述脑电背景数据进行切片处理，通过最大三角形三桶下采样法对切片处理后的所述脑电背景数据进行降维处理，提取脑电背景数据特征以制作用于模型训练的脑电背景数据集。
[0116]
其中，切片处理是指将脑电背景数据切割拆分成若干段脑电背景数据，每片脑电背景数据的长度为1秒或2秒，则对每片脑电背景数据进行降维处理，从而在降维处理后提取得到脑电背景数据特征，并基于该脑电背景数据特征制作用于模型训练的脑电背景数据集。
[0117]
第一模型搭建模块30,用于搭建脑电背景分类模型，以通过所述脑电背景分类模型对所述脑电背景数据进行分类；
[0118]
在本实施例当中，所述脑电背景分类模型为autoencoder模型，自编码器(autoencoder,ae)是一类半监督学习和非监督学习中使用的人工神经网络，包含编码器(encoder)和解码器(decoder)两个部分。通过对输入信息表征学习，常被用于数据降维和异常值检测。其中包含卷积层构筑的自编码器可以用于解决计算机视觉问题，比如图像降噪、神经风格迁移等，用于时序数据异常值检测等领域。
[0119]
第二模型搭建模块40，用于搭建以双枕o1、o2导联为主，其余导联为辅的多导联投票规则的脑电背景判定模型；
[0120]
需要说明的是，国标10-20系统脑电图电极片位置包括：左额极(fp1)、右额极(fp2)、左额(f3)、右额(f4)、左中央(c3)、右中央(c4)、左顶(p3)、右顶(p4)、左枕(o1)、右枕(o2)、左前颞(f7)、右前颞(f8)、左中颞(t3)、右中颞(t4)、左后颞(t5)、右后颞(t6)、额中线(f2)、中央中线(cz)、顶中线(pz)。
[0121]
由于0-18岁是脑发育的主要阶段，儿童的脑电背景受o1、o2两个导联影响较大，因此在本实施例中设定以双枕o1、o2导联为主，其余导联为辅的多导联投票规则，即双枕区导联分配有较大的投票权重，并以此开发基于多导联投票规则的脑电背景判定模型。
[0122]
数据分析模块50，用于根据所述多导联投票规则，通过所述脑电背景判定模型对所述脑电背景数据进行检测与分析，以至少获取脑电背景中的频率特征与幅值特征，并将其进行可视化展示。
[0123]
具体而言，根据多导联投票规则，通过脑电背景判断模型即可对患者的脑电背景数据进行检测与分析，从而获取患者脑电背景中的频率特征与幅值特征，当然还可以获取其它特征，并将其进行可视化展示，如展示于计算机之上。
[0124]
在获取得到患者脑电背景中的频率特征与幅值特征之后，专业医师即可快速的超早出该患者的脑电背景的所处位置，以及判断脑电背景数据上的脑电背景数据特征是否符合该对应年龄段应出现的特征。
[0125]
与现有技术相比，采用本实施例当中所示的脑电背景检测分析系统，有益效果在于：
[0126]
基于多导联投票规则，通过脑电背景判断模型即可获取患者脑电背景中的频率特
征与幅值特征，并将其进行可视化展示，该系统显著提升了人工对海量脑电数据的筛选和分析效率，大大降低了对脑电数据进行分析的时间和经济成本。同时，该系统有助于医师或相关研究者对各年龄段脑电背景的特征分析，以及有助于后续进一步探索不同地域、民族、年代等的各年龄段脑电背景的差异提供理论支持。
[0127]
实施例四
[0128]
本发明的第四实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述实施例当中所述方法的步骤。
[0129]
实施例五
[0130]
本发明的第五实施例提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例当中所述方法的步骤。
[0131]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0132]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。