一种癫痫发作区定位系统、设备及介质

1.本发明涉及医学图像处理领域，具体而言，涉及一种癫痫发作区定位系统、设备及介质。


背景技术：

2.癫痫疾病是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病，属于神经系统疾病。当前治疗癫痫的方法一般为定位癫痫发作区域，通过手术的方式将癫痫发作区去除。
3.对于癫痫发作区位置的检测，相关研究较少。有研究者使用相位锁相值等方法将电极位点进行分类来实现，但这样做需要电极位点标签且没有考虑全脑连接关系。
4.癫痫疾病的相关数据包括癫痫自发数据和癫痫诱发数据，医生在手术前可以得到如下数据：
5.1.使用立体脑电图在病人颅内放置侵入式电极，用来记录颅内立体脑电图(seeg)。
6.2.自发癫痫数据；根据立体脑电图可以记录病人的自发数据，得到癫痫发作、癫痫间期(癫痫未发作)下睡眠和清醒状态的电极脑电信号(eeg)。
7.3.癫痫诱发数据：通过主动给电极刺激可以得到皮层-皮质间诱发电位(cortico-cortical evoked potintial)数据，通过刺激颅内一对电极位点以记录全脑电极的反应，测量电极或脑区之间的有效性连接。
8.在手术之前，医生往往根据自发癫痫数据结合mri和ct影像等观测影像资料确定癫痫发作区的位置，通过确定的发作区电极位置找出需要切除或热凝的脑区，之后进行手术。而癫痫诱发数据在定位癫痫发作区中往往占比不大。由此，现有技术普遍存在如下缺陷：
9.1.现有技术多只通过自发癫痫数据进行判断而不考虑诱发癫痫数据，忽略了有效性连接关系信息对癫痫的影响。
10.2.现有技术对自发癫痫脑电数据处理比较简单，大多只用简单的信号处理手段进行处理，往往会漏掉潜在的特征信息。
11.3.现有技术基本采用自监督方法，需要人工标注电极位点的标签或需要人工判断，费时费力，处理效率，由于临床专业人士之间的经验差异，诊断变得难以评估。
12.4.现有技术泛化能力弱，需要大量已有样本才能进行检测，且不能根据每个病人的实际病情进行针对性检测。
13.因此，需要一种高效、准确的癫痫发作区定位系统，能够解决上述问题。


技术实现要素：

14.基于现有技术存在的问题，本发明提供了一种癫痫发作区定位系统、设备及介质。具体方案如下：
15.一种癫痫发作区定位系统，包括，
16.数据获取单元：用于获取癫痫自发数据、癫痫诱发数据和癫痫影像数据，所述癫痫诱发数据包括电极位点处于诱发刺激下的脑电信号；
17.特征提取单元：用于对所述癫痫自发数据进行特征提取，获取图特征信息；
18.结构构建单元：用于在所述癫痫诱发数据中获取多个电极位点处于同一诱发刺激下的脑电信号，通过显著性检验构建图结构信息，所述图结构信息包括处于诱发刺激下的脑连接关系的邻接矩阵图；
19.发作区获取单元：用于基于无监督聚类过程对所述图结构信息和所述图特征信息进行聚类，获取发作区电极位点，根据所述发作区电极位点和所述癫痫影像数据获取癫痫发作区。
20.在一个具体实施例中，所述特征提取单元具体包括：
21.预处理模块：用于在所述癫痫自发数据中获取自发脑电信号，对所述自发脑电信号进行预处理；
22.特征提取模块：用于对预处理后的自发脑电信号进行特征提取，获取时频特征；
23.信息获取模块：用于基于深度学习网络处理所述时频特征得到降维后的时频特征，将降维后的时频特征作为所述图特征信息。
24.在一个具体实施例中，所述发作区获取单元设置有聚类模块；
25.聚类模块：用于根据所述图结构信息构建图滤波器，根据所述图特征信息构建图表示特征；
26.通过图卷积操作进特征融合，获取融合特征，每次所述图卷积包括将所述图滤波器与所述图表示特征进行矩阵相乘，所述图卷积的次数根据簇内距离进行自适应判断；
27.对所述融合特征进行聚类得到多个簇，筛选得到发作区簇，所述发作区簇仅包括所述发作区电极位点。
28.在一个具体实施例中，所述癫痫影像数据包括ct影像和mri影像；
29.所述发作区获取单元还设置有定位模块；
30.定位模块：用于对所述ct影像和所述mri影像进行图像配准获取第一影像数据；根据所述第一影像数据判断所述发作区电极位点在影像中的电极位置；匹配所述电极位置和预设影像模板获取脑部的癫痫发作区。
31.在一个具体实施例中，对所述融合特征进行两类聚类，得到发作区簇和非发作区簇，所述发作区簇仅包括所述发作区电极位点，所述非发作区簇仅包括非发作区电极位点；
32.选取电极位点较少的簇作为所述发作区簇。
33.在一个具体实施例中，所述自发数据包括癫痫病人在癫痫发作时、癫痫发作期间的自发脑电信号；
34.所述诱发数据包括在刺激一对电极位点时，颅内所有电极位点在该刺激下的脑电信号。
35.在一个具体实施例中，所述预处理包括去除伪差、去除工频干扰、滤波处理、降采样处理、去势处理；
36.在一个具体实施例中，所述特征提取模块通过傅里叶变换或小波变换对预处理后的自发脑电信号进行特征提取，获取时频特征。
37.在一个具体实施例中，所述图滤波器的构建过程包括：
38.从所述图结构信息中的获取邻接矩阵；
39.对所述邻接矩阵进行拉普拉斯变换，构造出归一化的拉普拉斯矩阵；
40.根据所述拉普拉斯矩阵构造图滤波器。
41.在一个具体实施例中，所述拉普拉斯矩阵的表达式为
42.ls＝d-1/2
ad-1/2
43.其中，ls表示拉普拉斯矩阵，d表示度矩阵，a表示邻接矩阵；
44.所述图滤波器的表达式为：
[0045][0046]
其中，g表示图滤波器，i表示单位矩阵，ls表示拉普拉斯矩阵。
[0047]
在一个具体实施例中，其特征在于，所述深度学习网络包括自动编码器模型，所述信息获取模块基于所述自动编码器模型处理所述时频特征。
[0048]
在一个具体实施例中，所述图特征信息的获取流程具体包括：
[0049]
根据所述时频特征构建出特征向量；
[0050]
通过所述自动编码器模型中的编码部分进行降维和特征学习，得到一个中间状态的低维隐藏特征表示；
[0051]
通过所述自动编码器模型中的解码部分将所述低维隐藏特征表示转换为所述特征向量；
[0052]
基于损失函数调节网络参数；
[0053]
迭代上述步骤，直至满足迭代停止条件，将满足迭代停止条件的低维特征表示作为图特征信息。
[0054]
一种计算机设备，所述计算机设备包括：
[0055]
一个或多个处理器；
[0056]
存储器，用于存储一个或多个程序；
[0057]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如下处理：
[0058]
数据获取单元获取癫痫自发数据、癫痫诱发数据和癫痫影像数据；
[0059]
特征提取单元对所述癫痫自发数据进行特征提取，获取图特征信息；
[0060]
结构构建单元在所述癫痫诱发数据中获取多个电极位点处于同一诱发刺激下的脑电信号，通过显著性检验构建图结构信息，所述图结构信息包括处于诱发刺激下的脑连接关系的邻接矩阵图；
[0061]
发作区获取单元基于无监督聚类过程对所述图结构信息和所述图特征信息进行聚类，获取发作区电极位点，根据所述发作区电极位点和所述癫痫影像数据获取癫痫发作区。
[0062]
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下处理：
[0063]
数据获取单元获取癫痫自发数据、癫痫诱发数据和癫痫影像数据；
[0064]
特征提取单元对所述癫痫自发数据进行特征提取，获取图特征信息；
[0065]
结构构建单元在所述癫痫诱发数据中获取多个电极位点处于同一诱发刺激下的脑电信号，通过显著性检验构建图结构信息，所述图结构信息包括处于诱发刺激下的脑连接关系的邻接矩阵图；
[0066]
发作区获取单元基于无监督聚类过程对所述图结构信息和所述图特征信息进行聚类，获取发作区电极位点，根据所述发作区电极位点和所述癫痫影像数据获取癫痫发作区。
[0067]
本发明具有如下有益效果：
[0068]
本发明针对现有技术，提供了一种癫痫发作区定位系统、设备及介质，将癫痫诱发数据、癫痫自发数据和癫痫影像数据有机结合，通过信号处理和机器学习的方法精准快速得到针对不同病人的癫痫发作区电极或脑区位置，帮助医生手术之前定位癫痫发作区位置，辅助医生做出判断。
[0069]
通过癫痫自发数据表征特征关系，癫痫诱发数据表征结构连接关系，综合特征关系和结构连接关系对癫痫发作区进行定位判断，相比于现有技术，考虑了全脑连接关系对癫痫的影响，综合性强、准确度高。
[0070]
通过特征提取和表征手段，将信号处理、深度学习、机器学习进行整合，能够发现数据中潜在的特征，进而获取更准确的检测效果。
[0071]
使用无监督聚类方法，相比于监督和半监督学习，无需耗时训练，也无需使用大量人工标注的样本进行预训练或监督学习，缩短检测时间，提高检测效率。
[0072]
由于模型为自适应图卷积，可自适应的判断卷积迭代次数，因而能够根据不同病人的实际病情进行针对性检测，泛化能力强，检测准确度高。
[0073]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0074]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0075]
图1是本发明实施例1的癫痫发作区定位系统结构图；
[0076]
图2是本发明实施例1的癫痫发作区定位系统原理示意图；
[0077]
图3是本发明实施例1的癫痫诱发数据电极示意图；
[0078]
图4是本发明实施例1的癫痫诱发数据电极诱发示意图；
[0079]
图5是本发明实施例1的特征提取流程图；
[0080]
图6是本发明实施例1的自动编码器模型的原理图；
[0081]
图7是本发明实施例1的电极位点邻接矩阵图；
[0082]
图8是本发明实施例1的聚类流程图；
[0083]
图9是本发明实施例1的自适应图卷积流程图；
[0084]
图10是本发明实施例1的癫痫发作区定位系统实验结果图；
[0085]
图11是本发明实施例2的计算机设备的结构示意图。
[0086]
附图标记：
[0087]
1-数据获取单元；2-特征提取单元；3-结构构建单元；4-发作区获取单元；21-预处理模块；22-特征提取模块；23-信息获取模块；41-聚类模块；42-定位模块；12-计算机设备；14-外部设备；16-处理单元；18-总线；28-系统存储器。
具体实施方式
[0088]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0089]
本发明通过ccep诱发点位来研究癫痫网络的连接关系，构建图结构信息。通过提取癫痫自发数据中的脑电特征信息得到图特征信息。将图特征信息和图结构信息结合，利用基于机器学习的自适应图卷积方法进行无监督聚类，得到癫痫发作区和癫痫非发作区两个类别，帮助医生手术之前定位癫痫发作区位置，辅助医生做出判断。
[0090]
相比于传统的聚类算法(如kmeans，谱聚类)只用节点特征进行聚类，本发明提供的自适应无监督聚类是一种新型的聚类算法，适用于属性图，并利用图结构中的边连接关系作为一种结构特征，通过图卷积操作聚合每个节点及其k阶邻居特征来得到更好的特征表征。
[0091]
本发明提供了一种癫痫发作区定位系统、设备及介质。通过将癫痫自发数据和癫痫诱发数据有机结合，进行癫痫发作区定位，用自发数据表征特征关系，用诱发数据表征结构连接关系，充分考虑到脑连接关系对癫痫疾病的影响。通过信号处理方法与深度学习方法提取特征，可以发现潜在的特征，取得更好的检测效果。使用自适应图卷积方法，不需要用人工标注的样本进行预训练或监督学习，也无需对大量已有样本进行训练学习，大大减少了人力成本，缩短了检测时间，提高了检测效率。由于模型为自适应图卷积，可自适应的判断卷积迭代次数，因而能够根据不同病人进行针对性检测，泛化能力强。
[0092]
实施例1
[0093]
本实施例提出了一种癫痫发作区定位系统，系统的模块图如说明书附图1所示，原理图如说明书附图2所示。具体方案如下:
[0094]
一种癫痫发作区定位系统，包括数据获取单元1、特征提取单元2、结构构建单元3和发作区获取单元4。数据获取单元1分别连接特征提取单元2和结构构建单元3，发作区获取单元4分别连接特征提取单元2和结构构建单元3。
[0095]
数据获取单元1：用于获取癫痫自发数据、癫痫诱发数据和癫痫影像数据，癫痫诱发数据包括电极位点处于诱发刺激下的脑电信号；
[0096]
特征提取单元2：用于通过对癫痫自发数据进行特征提取，获取图特征信息；
[0097]
结构构建单元3：用于在癫痫诱发数据中获取多个电极位点处于同一诱发刺激下的脑电信号，通过显著性检验构建图结构信息，图结构信息包括处于诱发刺激下的脑连接关系的邻接矩阵图；
[0098]
发作区获取单元4：用于基于无监督聚类过程对图结构信息和图特征信息进行聚类，获取发作区电极位点，根据发作区电极位点和癫痫影像数据获取癫痫发作区。
[0099]
具体地，数据获取单元1：用于获取癫痫影像数据、癫痫自发数据和癫痫诱发数据。其中，癫痫影像数据包括ct影像、mri影像，癫痫自发数据为医院采集到的病人在癫痫发作时、癫痫发作期间(包括清醒和睡眠状态下)的自发脑电信号数据，其中癫痫发作期间数据最为重要。ccep(cortico-cortical evoked potential)称为皮层-皮质间诱发点位，通过刺激一对电极位点，得到颅内所有电极位点在此诱发刺激下的脑电信号。对所有电极对进行刺激后即可得到一种诱发的脑连接关系，可以探索有效和功能性连接。脑部电极成对设置，通过刺激一对电极进而获取所有电极位点的脑电反应。如说明书附图3所示，当刺激附图3中的一对电极位点时，可得到说明书附图4的所有电极位点的脑电反应。
[0100]
特征提取单元2：用于通过对癫痫自发数据进行特征提取，获取图特征信息。其中，特征提取单元2具体包括预处理模块21、特征提取模块22和信息获取模块23。
[0101]
预处理模块21：用于在癫痫自发数据中获取自发脑电信号，对自发脑电信号进行预处理；
[0102]
特征提取模块22：用于对预处理后的自发脑电信号进行特征提取，获取时频特征；
[0103]
信息获取模块23：用于基于深度学习网络处理时频特征得到降维后的时频特征，将降维后的时频特征作为图特征信息。
[0104]
具体的特征提取过程如说明书附图5所示。首先需要预处理模块对原始自发脑电信号进行预处理，预处理包括去除伪差、去除工频干扰、滤波处理、降采样处理、去势等信号处理手段；得到预处理后信号后，特征提取模块通过傅里叶变换或小波变换等手段提取信号特征，获取时频特征，例如，使用小波功率谱可以得到不同频段下的各个功率特征；信息获取模块对时频特征使用基于深度学习的自动编码器模型等手段，通过无监督方法得到降维之后的时频特征，将该时频特征作为图特征信息。
[0105]
图特征信息的获取流程具体包括：根据时频特征构建出特征向量；通过自动编码器模型中的编码部分进行降维和特征学习，得到一个中间状态的低维隐藏特征表示；通过自动编码器模型中的解码部分将低维隐藏特征表示转换为特征向量；基于损失函数调节网络参数；迭代上述步骤，直至满足迭代停止条件，将满足迭代停止条件的低维特征表示作为图特征信息。具体地，在原始记录到的自发信号基础上，进行预处理操作后能得到时域特征，或者使用傅里叶变换和小波变换得到时频特征。根据这些特征构建出能代表原始波形的特征向量。之后通过自动编码器模型中的编码部分进行降维和特征学习，编码过程结束会得到一个中间状态的低维隐藏特征表示，再通过解码过程将这个低维特征表示转回原始特征向量，通过损失函数调节网络参数，最后通过多轮迭代之后得到的输入特征和输出特征接近，即可使用中间状态的低维特征表示作为图特征信息。
[0106]
特征提取过程的最后中用到了基于深度学习的自动编码器模型。该模型是无监督的特征提取手段，契合于之后聚类过程中的无监督，使得整个系统整体都是无监督的学习过程。以自动编码器模型为例，介绍无监督特征提取过程：自动编码器模型(autoencoder)是一种神经网络模型，目标是将输入特征复制到输出。通过将输入特征压缩到低维的隐藏空间特征表示，随后对这个低维特征表示进行重构升维，使得重构出来的输出特征与输入特征较为接近，则认为低维的隐藏空间特征表示即可代表原始高维的特征。
[0107]
网络结构如说明书附图6所示，每一层可用全连接层进行连接，中间加上relu和sigmoid等激活函数实现非线性变换，损失函数可以选择均方误差等；训练过程是通过设置
损失函数计算输入特征与输出特征的距离实现。一般使用常用的深度学习框架如tensorflow或pytorch等都可以实现。
[0108]
使用自动编码器模型或其变种模型，如可变自动编码器模型，都可以作为特征提取手段。
[0109]
结构构建单元3：用于在癫痫诱发数据中获取多个电极位点处于同一诱发刺激下的脑电信号，通过显著性检验，构建图结构信息，图结构信息包括处于诱发刺激下的脑连接关系的邻接矩阵图。
[0110]
基于癫痫诱发数据的获取原理，记录的诱发脑电信号一般是重复记录。癫痫诱发数据包括刺激一对电极位点时得到的颅内所有电极位点在此诱发刺激下的脑电信号。在重复记录的脑电信号中，筛选出在同一诱发刺激下的脑电信号，即在相同电极对刺激下的脑电信号。结构构建单元3针对筛选出的脑电信号，选取基线和脑电反应进行显著性检验，将显著性水平符合预设条件的部分挑选出来即可得到诱发刺激下的脑连接关系的邻接矩阵图，迎接矩阵图即为图结构信息。电极位点邻接矩阵图如说明书附图7所示，其中，纵轴表示诱发刺激，即给予刺激的电极对，横轴表示所有的反应电极，不同灰度表示不同的显著性水平。
[0111]
显著性检验(significance test)就是事先对总体(随机变量)的参数或总体分布形式做出一个假设，然后利用样本信息来判断假设(备择假设)是否合理，即判断总体的真实情况与原假设是否有显著性差异。或者说，显著性检验要判断样本与假设之间的差异是纯属机会变异，还是假设与总体真实情况之间不一致所引起的。显著性检验是针对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。
[0112]
发作区获取单元4：基于无监督聚类过程对图结构信息和图特征信息进行聚类，获取发作区电极位点，根据发作区电极位点和预设影像数据获取癫痫发作区。在无监督聚类过程使用自适应图卷积手段，结合图结构信号和图特征信息进行处理，相比于自监督学习和半监督学习，不需要用大量医生标注的样本进行预训练或监督学习。发作区获取单元4包括聚类模块41和定位模块42。
[0113]
聚类模块41具体包括：将图结构信息通过拉普拉斯变换构建图滤波器，根据图特征信息构建图表示特征；通过图卷积操作进特征融合，获取融合特征，每次图卷积包括将图滤波器与图表示特征进行矩阵相乘，图卷积的次数根据簇内距离进行自适应判断；根据融合特征进行聚类得到多个簇，筛选得到发作区电极位点。
[0114]
图结构信息由癫痫诱发数据获取，包含大量电极位点的相关信息。将每个电极位点看作图结构中的一个节点，每个节点有自己的一个特征，特征与图特征信息相关联，所有节点的特征信息共同构成完整的图特征信息。通过癫痫诱发数据得到的邻接矩阵反应出所有节点的连接关系。
[0115]
本实施例提供的自适应无监督聚类是一种新型的聚类算法，适用于属性图，并利用图结构中的边连接关系作为一种结构特征，通过图卷积操作聚合每个节点及其k阶邻居特征来得到更好的特征表征。
[0116]
给定属性图g(v，e，x)，其中v＝{v1，v2，
…
，vn}为节点集合，e为边的集合，构成邻接矩阵a＝{aij}∈r
n*n
，代表vi与vj之间有无向边的连接，图中所有节点构成的属性特征为x＝{x1，x2，
…
，xn}
t
，代表每个节点的属性。目标是将所有的节点聚类到m个簇里，簇的集合为c
＝{c1，
……
，cm}。
[0117]
首先需要将邻接矩阵a构造成归一化的拉普拉斯矩阵ls＝d-1/2
ad-1/2
，继而构造图滤波器其中，ls表示拉普拉斯矩阵，d表示度矩阵，a表示邻接矩阵，i表示单位矩阵，ls表示拉普拉斯矩阵。一次图卷积的过程即是一次矩阵相乘的过程:x^＝gx，k阶图卷积的过程即流程如说明书附图8所示。
[0118]
在自适应图卷积模型中，将图结构信息以拉普拉斯变换的方式构建出图滤波器，根据图特征信息构建出图表示特征。图滤波器与图表示特征两个矩阵相乘视作一次图卷积的过程，进行自适应的图卷积操作揉合两种特征得到融合特征，其中卷积的次数是根据簇内距离来自适应判断。根据融合特征进行聚类得到多个簇，每个簇中包含多个节点。从多个簇中筛选出发作区簇，发作区簇中仅包括发作区电极位点，根据发作区电极位点获取对应的癫痫发作区。需要说明的是，由于聚类模型的不同，可能会产生多个簇，发作区簇也包括由多个子簇构成。由于模型为自适应图卷积，可自适应的判断卷积迭代次数，因而能够根据不同病人的病情进行针对性检测，具有极强的泛化性。
[0119]
自适应图卷积的过程如说明书附图9所示，定义最大迭代次数max_iter，定义t作为循环次数，intra(c
(t)
)即是所有簇的簇内距离之和，自适应卷积的过程是通过比较每次迭代中簇内距离大小，决定是否跳出循环，跳出循环时即认为当前结果最优，同时得到的k的值是图卷积的卷积次数。最终得到k阶图信号gkx，再通过谱聚类得到聚类结果。根据簇内距离变化进行迭代，每次迭代都进行一次卷积，获得节点k阶邻居的特征
[0120]
在两类聚类模式下，聚类得到两个簇，分别为发作区簇和非发作区簇。根据融合特征进行聚类只能得到两个簇，避免了筛选的过程。其中，发作区簇仅包括发作区电极位点，非发作区簇仅包括非发作区电极位点，而发作区电极位点在影像中的位置就对应着癫痫发作区。由于每个簇包含多个节点，每个节点对应一个电极位点，因此，此处的发作区簇和非发作区簇都是电极位点集合，集合中包含多个电极位点，发作区簇包含一个或多个发作区电极位点，非发作区包含一个或多个非发作区电极位点。
[0121]
在多类聚类模式下，聚类得到两个以上的簇。如将类别分为癫痫起始区、快速散播区、激惹区、非致痫区等多个区域，类别选择具体可以根据实际情况进行选择。
[0122]
获取发作区电极位点之后，还需进行电极定位，定位模块42结合癫痫影像数据和发作区电极位点，获取发作区电极位点的位置，进而结合预设影像模板获取脑部的癫痫发作区。定位模块具体包括：获取癫痫病人的ct影像和mri影像，对ct影像和mri影像进行图像配准获取第一影像数据。根据第一影像数据判断发作区电极位点在影像中的电极位置；匹配电极位置和预设影像模板获取脑部的癫痫发作区。
[0123]
癫痫发作区检测结果如说明书附图10所示。其中，两种深浅的圆形区域对应两种电极位点，根据电极的深浅判断是否处于发作区，较浅的电极对应非发作区的位置，较深的电极对应发作区的位置。经过实验验证，将系统聚类结果和医院给出的标注进行比较，得到了较好的结果，证明了本实施例提供的系统的适用性和可靠性。根据医生标注的电极脑区对应得到海马旁回后部、颞叶、颞极平面等脑区是发作区相关的脑区。根据系统得到的结果将电极和脑区进行对应，得到的最终结果则是海马旁回后部、颞叶、颞极平面、下额额回等多个区域，基本将真正手术要去除的发作区包括在内，证明了本系统的实用性与可用性。
[0124]
本实施例提供了一种癫痫发作区定位系统，将癫痫诱发数据和癫痫自发数据进行有机结合，通过癫痫自发数据表征特征关系，癫痫诱发数据表征结构连接关系，综合特征关系和结构连接关系对癫痫发作区进行定位判断，综合性强、准确度高。通过特征提取和表征手段，将信号处理、深度学习、机器学习进行整合，能够发现数据中潜在的特征，进而获取更准确的检测效果。使用无监督聚类方法，相比于监督和半监督学习，无需耗时训练，也无需使用大量人工标注的样本进行预训练或监督学习，缩短检测时间，提高检测效率。由于模型为自适应图卷积，可自适应的判断卷积迭代次数，因而能够根据不同病人的实际病情进行针对性检测，泛化能力强，检测准确度高。
[0125]
实施例2
[0126]
说明书附图11为本发明实施例2提供的一种计算机设备的结构示意图。说明书附图11显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0127]
如说明书附图11所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备计算机12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。系统存储器28可以包括易失性存储器形式的计算机系统可读介质。
[0128]
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备通信。
[0129]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现一种癫痫发作区定位系统的控制方法，该方法包括：
[0130]
101、数据获取单元1获取癫痫自发数据、癫痫诱发数据和癫痫影像数据；癫痫诱发数据包括处于诱发刺激下的脑电信号。
[0131]
102、特征提取单元2通过对癫痫自发数据进行特征提取，获取图特征信息。
[0132]
103、结构构建单元3在癫痫诱发数据中获取多个电极位点处于同一诱发刺激下的脑电信号，通过显著性检验，构建图结构信息，图结构信息包括处于诱发刺激下的脑连接关系的邻接矩阵图。
[0133]
104、发作区获取单元4基于无监督聚类过程对图结构信息和图特征信息进行聚类，获取发作区电极位点，根据发作区电极位点和癫痫影像数据获取癫痫发作区。
[0134]
其中，步骤102和步骤103可同时进行，也可依次进行。
[0135]
本实施例将一种癫痫发作区定位系统的控制方法应用到具体的计算机设备中，将该方法存储到存储器中，当执行器执行该存储器时，会运行该方法进行癫痫发作区定位，使用快捷方便，适用范围广。
[0136]
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的技术方案。
[0137]
实施例3
[0138]
本实施例3提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处
理器执行时实现如一种癫痫发作区定位系统的控制方法，该方法包括：
[0139]
101、数据获取单元1获取癫痫自发数据、癫痫诱发数据和癫痫影像数据；癫痫诱发数据包括处于诱发刺激下的脑电信号。
[0140]
102、特征提取单元2通过对癫痫自发数据进行特征提取，获取图特征信息。
[0141]
103、结构构建单元3在癫痫诱发数据中获取多个电极位点处于同一诱发刺激下的脑电信号，通过显著性检验，构建图结构信息，图结构信息包括处于诱发刺激下的脑连接关系的邻接矩阵图。
[0142]
104、发作区获取单元4基于无监督聚类过程对图结构信息和图特征信息进行聚类，获取发作区电极位点，根据发作区电极位点和癫痫影像数据获取癫痫发作区。
[0143]
其中，步骤102和步骤103可同时进行，也可依次进行。
[0144]
本实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0145]
本实施例将一种癫痫发作区定位系统的控制方法应用到一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明提供的癫痫发作区定位系统的控制方法的步骤，简便快捷，易于存储，不易丢失。
[0146]
本发明针对现有技术，提供了一种癫痫发作区定位系统、设备及介质，将癫痫诱发数据、癫痫自发数据和癫痫影像数据有机结合，通过信号处理和机器学习的方法精准快速得到针对不同病人的癫痫发作区电极或脑区位置，帮助医生手术之前定位癫痫发作区位置，辅助医生做出判断。通过癫痫自发数据表征特征关系，癫痫诱发数据表征结构连接关系，综合特征关系和结构连接关系对癫痫发作区进行定位判断，相比于现有技术，考虑了全脑连接关系对癫痫的影响，综合性强、准确度高。通过特征提取和表征手段，将信号处理、深度学习、机器学习进行整合，能够发现数据中潜在的特征，进而获取更准确的检测效果。使用无监督聚类方法，相比于监督和半监督学习，无需耗时训练，也无需使用大量人工标注的样本进行预训练或监督学习，缩短检测时间，提高检测效率。由于模型为自适应图卷积，可自适应的判断卷积迭代次数，因而能够根据不同病人的实际病情进行针对性检测，泛化能力强，检测准确度高。
[0147]
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
[0148]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
[0149]
以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。