疗效预测模型构建、预测方法、装置及电子设备

1.本发明涉及大数据分析技术领域，尤其涉及疗效预测模型构建、预测方法、装置及电子设备。


背景技术：

2.癫痫，是多种原因导致的脑部神经元高度同步化异常放电所致的临床综合征。目前全球约有6500万癫痫患者，我国约有900万癫痫患者。每年新发癫痫约65万到70万例。癫痫会严重影响患者的身心健康，给患者的生活带来不便，癫痫患者可以用一种或多种药物联合治疗对癫痫发作加以控制，约有30％的患者经过长期药物治疗仍效果欠佳反复发作，发展为药物难治性癫痫。而难治性癫痫的治疗方式主要包括传统手术治疗、生酮饮食以及神经调控。迷走神经治疗(vagus nerve stimulation，vns)就是一种临床上被证明安全、长期有效的用于难治性癫痫的神经调控疗法。但由于vns的治疗机制尚不清楚，其疗效的个体差异非常大，而且具有很高的不确定性。现有统计分析结果显示，约5％-9％的药物难治性癫痫患者在接受vns治疗后发作得到完全控制，但也有约10％的患者接受vns治疗后完全无效，其余患者表现为不同程度的发作频率减少，具体来说，50％-60％接受vns治疗的药物难治性癫痫患者可以达到发作频率减少50％的治疗效果。vns治疗药物难治性癫痫疗效的不确定性和个体差异大的问题如果能得到解决，在vns手术之前对其治疗效果有一定的预判，对患者的康复、疾病的认知、医疗资源的节约等均有重要的意义，研究人员一直试图通过术前评估筛选出适合vns手术的患者。
3.现在尚无明确的vns手术适应症患者筛选方法应用于临床，基于脑电(electroencephalography,eeg)、心电(electrocardiography，ecg)、核磁影像资料(magnetic resonance imaging，mri)、患者人口统计学特征(性别、年龄等)、临床病史(病程)、发作特征(包括发作类型、发作频率、病灶位置等)进行vns疗效相关性因素的研究，结论也不相一致。
4.脑电图仪作为脑电波记录的主要工具，在癫痫研究中起着基础性的作用。eeg信号也是临床诊断的金标准，相对影像学检查来说操作更方便简单，成本也不高。因此eeg信号的处理在预测vns治疗难治性癫痫的疗效方面广泛应用。现有采用eeg信号对患者进行疗效预测的思路是：对入组的患者，采集患者的长程eeg信号，结合患者vns治疗后的长期疗效，分析患者术前的eeg信号特征，寻找不同疗效患者组eeg信号之间有统计学差异的特征作为vns手术患者筛选或疗效预测的敏感因子。
5.现有的基于eeg信号处理的方法主要集中在对信号的时域、频域、时频分析、连通性等特征结果进行分析，然后对不同疗效分类患者的术前eeg信号的各特征进行统计学分析，通常采用统计检验方法来分析单个变量与治疗反应之间的关系。而单纯的时频分析、连通性等特征往往不能表达神经系统的动态变化的复杂特性，也不能充分反应神经系统的潜在活动，同时易受到患者神经系统活动和事件的影响。同时对于统计检验方法本身，可能会忽略不同特征之间的综合作用，且对同一问题的研究结论不相一致，无法重复。综上，采用
上述方法的研究并没有在临床得到应用。


技术实现要素：

6.为解决现有技术中存在的技术问题，本发明提供了疗效预测模型构建、预测方法、装置及电子设备，可以准确、高效地筛选适合vns手术的药物难治性癫痫患者，帮助不适合vns的患者避免长期刺激的风险和高昂的手术费用。
7.为实现上述目的，本发明提供了以下技术方案：
8.第一方面，本发明提供了一种疗效预测模型构建方法，该方法包括以下步骤：
9.获取样本对象清醒状态和睡眠状态下发作间期的脑电数据；
10.根据所述样本对象的脑电数据，确定所述样本对象的非线性动力学特征；
11.对所述样本对象的非线性动力学特征进行处理，确定所述样本对象的特征向量，所述样本对象的特征向量由筛选后的非线性动力学特征组成；
12.根据所述样本对象的特征向量，对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。
13.在一个可能的实现方式中，所述非线性动力学特征包括复杂度特征、熵特征及分形分析特征，所述根据所述样本对象的脑电数据，确定所述样本对象的多个非线性动力学特征，包括：
14.对所述样本对象的脑电数据进行窗口分割，确定脑电数据窗口片段；
15.对所述电脑数据窗口片段分别进行非线性动力学特征复杂度、熵和分形分析的计算，确定所述样本对象的复杂度特征、熵特征及分形分析特征。
16.在一个可能的实现方式中，所述对所述样本对象的非线性动力学特征进行处理，确定所述样本对象的特征向量，包括：
17.根据所述样本对象的特定临床治疗的疗效，将所述样本对象分为正样本和负样本，其中，所述正样本为所述疗效满足预设条件的样本对象，所述负样本为所述疗效不满足预设条件的样本对象；
18.对所述非线性动力学特征进行差异显著性分析，确定在所述正样本和所述负样本两组间具有显著性差异的非线性动力学特征；
19.采用递归特征消除特征选择法，根据具有显著性差异的非线性动力学特征对应的特定临床治疗的疗效重要程度，对所述具有显著性差异的非线性动力学特征进行筛选，筛选后的非线性动力学特征组成所述样本对象的特征向量。
20.在一个可能的实现方式中，所述采用递归特征消除特征选择法，根据各非线性动力学特征对应的特定临床治疗的疗效重要程度，对所述具有显著性差异的非线性动力学特征进行筛选，筛选后的非线性动力学特征组成所述样本对象的特征向量，具体包括：
21.将具有显著性差异的非线性动力学特征输入到分类模型中，获得各非线性动力学特征对应的权重系数，所述权重系数对应非线性动力学特征对特定临床治疗的疗效重要程度；
22.对所述权重系数排序，去除最小权重系数的对应的非线性动力学特征，筛选后的非线性动力学特征，组成所述样本对象的特征向量。
23.在一个可能的实现方式中，在根据所述样本对象的脑电数据，确定所述样本对象
的非线性动力学特征之前，所述方法还包括：
24.对所述样本对象的脑电数据进行滤波降噪、重参考和片段筛选处理。
25.第二方面，本发明提供了一种疗效预测方法，该方法包括以下步骤：
26.获取待预测对象的特征向量；
27.将所述待预测对象的特征向量输入到如第一方面任一项实施例所述的方法构建的疗效预测模型中，得到所述待预测对象的疗效预测结果，用以确定所述待预测对象是否适合接受特定临床治疗。
28.第三方面，本发明提供了一种疗效预测模型构建装置，该装置包括：
29.第一获取模块，用于获取样本对象清醒状态和睡眠状态下发作间期的脑电数据；
30.特征模块，用于根据所述样本对象的脑电数据，确定所述样本对象的非线性动力学特征；
31.处理模块，用于对所述样本对象的非线性动力学特征进行处理，确定所述样本对象的特征向量，所述样本对象的特征向量由筛选后的非线性动力学特征组成；
32.训练模块，用于根据所述样本对象的特征向量，对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。
33.在一个可能的实现方式中，所述特征模块具体用于：
34.对所述样本对象的脑电数据进行窗口分割，确定脑电数据窗口片段；
35.对所述电脑数据窗口片段分别进行非线性动力学特征复杂度、熵和分形分析的计算，确定所述样本对象的复杂度特征、熵特征及分形分析特征
36.在一个可能的实现方式中，所述处理模块具体用于：
37.根据所述样本对象的特定临床治疗的疗效，将所述样本对象分为正样本和负样本，其中，所述正样本为所述疗效满足预设条件的样本对象，所述负样本为所述疗效不满足预设条件的样本对象；
38.对所述非线性动力学特征进行差异显著性分析，确定在所述正样本和所述负样本两组间具有显著性差异的非线性动力学特征；
39.采用递归特征消除特征选择法，根据具有显著性差异的非线性动力学特征对应的特定临床治疗的疗效重要性，对所述具有显著性差异的非线性动力学特征进行预设次数的筛选，筛选后的非线性动力学特征组成所述样本对象的特征向量。
40.第四方面，本发明提供了一种疗效预测装置，该装置包括：
41.第二获取模块，用于获取待预测对象的特征向量；
42.预测模块，用于将所述待预测对象的特征向量输入到如第三方面任一项装置实施例构建的疗效预测模型中，得到所述待预测对象的疗效预测结果，用以确定所述待预测对象是否适合接受特定临床治疗。
43.第五方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
44.存储器，用于存放计算机程序；
45.处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例的疗效预测模型构建方法的步骤；
46.或者，用于执行存储器上所存放的程序时，实现如第二方面所述的疗效预测方法
的步骤。
47.第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项实施例的疗效预测方法的步骤；
48.或者，被处理器执行时实现如第二方面所述的疗效预测方法的步骤。
49.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：
50.本技术实施例提供的一种疗效预测模型构建方法，获取样本对象清醒状态和睡眠状态下发作间期的脑电数据；根据所述样本对象的脑电数据，确定所述样本对象的非线性动力学特征；对所述样本对象的非线性动力学特征进行处理，确定所述样本对象的特征向量，所述样本对象的特征向量由筛选后的非线性动力学特征组成；根据所述样本对象的特征向量，对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。利用构建的疗效预测模型可以确定待预测对象是否适合接受特定临床治疗，不适合手术的患者可避免不必要的费用。比如，对于药物难治性癫痫患者，可以准确、高效地筛选适合vns手术的药物难治性癫痫患者，帮助不适合vns的患者避免长期刺激的风险和高昂的手术费用。
附图说明
51.图1为本发明提供的一种疗效预测模型构建、预测方法简单流程示意图；
52.图2为本发明提供的一种疗效预测模型构建方法流程示意图；
53.图3为本发明提供的另一种疗效预测构建、预测方法流程示意图；
54.图4为获取复杂度特征的流程示意图；
55.图5为获取熵特征的流程示意图；
56.图6为获取分形分析的流程示意图；
57.图7为确定特征向量的流程示意图；
58.图8为另一种确定特征向量的流程示意图；
59.图9为本发明提供的一种疗效预测方法流程示意图；
60.图10为本发明实施例提供的一种疗效预测模型构建装置结构示意图；
61.图11为本发明实施例提供的另一种疗效预测模型构建装置结构示意图；
62.图12为本发明实施例提供的一种疗效预测装置结构示意图；
63.图13为本发明实施例提供一种电子设备结构示意图。
具体实施方式
64.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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。
65.为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
66.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之
间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
67.现有的基于eeg信号处理的方法主要对不同疗效分类患者的术前时域、频域、连通性等特征进行统计学分析，通常采用统计检验方法来分析单个变量与治疗反应之间的关系。一方面由于这些特征反映的脑电信号的信息比较杂乱且相对简单，很容易收到患者本身脑电活动干扰，难以表现脑电信号潜在的信息。同时单一特征来分析与疗效之间的关系，可能会忽略不同特征之间的综合作用，这样对于同一问题的研究结论往往不相一致，无法重复。此外，脑电信号各指标受睡眠和清醒状态的影响，变化非常明显，综合多种状态分析结果会更好的对结果进行预测。综上，采用上述方法的研究并没有在临床得到应用。
68.针对背景技术中所提及的技术问题，本发明提出的基于脑电非线性动力学特征、机器学习的方法，通过非线性动力学分析大脑这个多维度的复杂动态系统的动力学特征的改变，捕获大脑的动态变化的复杂程度，这可以衡量信号片段的信息容量，反应神经元潜在的活动特征。并且通过全脑以及局部脑区不同状态下的非线性动力学特征，结合机器学习的系统，提高疗效预测的准确性。
69.为实现上述目的，本发明采用不同状态(睡眠和清醒)下脑电数据的非线性动力学特征，构建机器学习分类模型，对vns的患者进行疗效预测，具体如图1所示，先获训练样本(样本对象的脑电数据)，并根据提取的非线性动力学特征构建二分类模型；然后获取预测样本(待预测对象的脑电数据)，然后提取其非线性动力学特征，并输入到构建的二分类模型，获得待预测对象是否为有效者。下面就详细过程进行介绍：
70.具体的，本发明实施例提供了一种疗效预测模型构建方法，具体参见图2所示，图2为本发明实施例提供的一种疗效预测模型构建方法，如图2所示，该方法包括以下步骤：
71.步骤210，获取样本对象清醒状态和睡眠状态下发作间期的脑电数据。
72.将接受特定临床治疗(例如vns)的患者，称之为样本对象。脑电信号各指标受睡眠和清醒状态的影响，变化非常明显，为确保后续预测的准确性，从患者术前采集的长程eeg信号中得到清醒和睡眠两种状态下各预设时间段发作间期的脑电数据。比如采集清醒和睡眠两种状态下各至少两个小时的发作间期的脑电数据。即，样本对象的脑电数据可以从样本对象的术前脑电数据中截取得到。其中，样本对象的术前脑电数据可以是在样本对象接受特定临床治疗前、采用临床脑电设备获取的脑电数据。
73.为方便对脑电数据进行处理，需要将脑电数据进行格式转换，进一步的，图3为本发明实施例提供的另一种疗效预测方法，如图3所示，为了增加脑电数据质量，使得后续预测的准确性，需要对格式转换后的脑电数据进行预处理，最后将预处理后的脑电数据形成完整的脑电数据段，具体的，预处理包括：对样本对象的脑电数据进行滤波降噪、重参考和片段筛选。
74.下面简单介绍滤波降噪、重参考和片段筛选的预处理过程：
75.滤波可以去除预设频率之外的数据，留下预设范围内的数据，经过滤波处理可以
除去脑电数据中的基线漂移、工频干扰及高频噪声。例如可以选择带通滤波，事先设置好滤波参数，比如设置为2hz～30hz，则经过滤波处理后，频率小于2hz及频率大于30hz的数据会被除去，留下的数据的频率在2hz～30hz之间。
76.获取的脑电数据，含有混合在同一信号中的多个来自相互独立的信号源的信号分量，因此每个通道的脑电信号中，除脑电活动产生的信号分量外，还可能包括眼电活动、头部运动、以及肌电活动产生的信号分量等，为使得每个通道的脑电数据中，脑电活动产生的信号分量所占据的比例更大，将非脑电活动产生的信号分量去除，即去除上述中提到的眼电活动、头部运动、以及肌电活动产生的信号分量。
77.重参考表示重置参考电极，参考电极通常可以设置为鼻尖电极、头顶电极等。每通道的脑电信号可以是该通道对应的活动电极和参考电极(例如头顶电极)之间的电位差。在此情况下，对于距离参考电极较近和较远的两个活动电极，在脑电活动引起的两个活动电极处的电位变化相同时，距离参考电极较远的活动电极与参考电极的电位差，天然地会大于距离参考电极较近的活动电极与参考电极的电位差，这种差异是由参考电极的选取产生的，与脑电活动没有关联，并使得脑电数据中出现一定的误差。因此通过重参考处理可以重新选择参考电极，进而降低由参考电极的选取带来的脑电数据的误差。
78.为了提供数据处理的准确性，可以设置预设时长，将脑电数据根据预设时长进行分段，并去除存在问题的数据段，将筛选后的数据段形成完整的脑电数据段，作为预处理后的脑电数据。
79.步骤220，根据样本对象的脑电数据，确定样本对象的非线性动力学特征。
80.非线性动力学特征包括复杂度特征、熵特征及分形分析特，对样本对象的脑电数据进行窗口分割，确定电脑数据窗口片段；然后对获得的电脑数据窗口片段分别进行非线性动力学特征复杂度、熵和分形分析的计算，确定样本对象的复杂度特征、熵特征及分形分析特征。
81.非线性动力学特征中，复杂度通过提取信号中的潜在模式来衡量信息容量，熵则是基于香农信息理论来度量信号的特征分布。二者都能够定量地描述大脑这个复杂系统的活动情况，可以有效地反映出神经系统潜在的活动特征。分形分析则可以表现大脑系统的混沌程度，也反映了混沌系统可以预测的时间尺度。癫痫患者相比健康人，大脑的神经元活动具有更多的不确定性和随机性，而vns可促进有效对象的神经系统的状态改变，所以非线性动力学特征能很好的反应一些神经系统不易观察到的状态改变。
82.对于部分涉及频域信号的非线性动力学特征(例如小波熵、希尔伯特-黄熵)，可以将特征划分在不同频段，做不同频段的非线性动力学的分析。此外对于得到的所有非线性动力学特征，均可计算其全脑均值结果，也可以聚焦于局部通道(脑区)，计算其各个脑区非线性动力学的特征。
83.下面对复杂度特征、熵特征及分形分析特征进行简单介绍：
84.复杂度特征、熵特征及分形分析特征的定义分别详见下面的表1、表2和表3。
85.(1)复杂度特征：
86.表1复杂度特征
[0087][0088]
lzc
mean
为均值复杂度，lzc
media
为中位值复杂度，lzc
mid-point
为中值复杂度，lzc
k-mean
为k均值复杂度，这四种粗粒化的方式是通过比较信号幅值和阈值，将原始信号转换为0-1序列，前三种复杂度均只需要一个阈值td(lzc
mean
的阈值为均值，lzc
media
的阈值为信号序列中值，lzc
mid-point
的阈值为最大值与最小值的均值)，而lzc
k-mean
需要两个阈值(通过设定两个矩心z(1)和z(2)计算数据点与矩心的距离来判断数据点的位置)。
[0089]
图4为获取复杂度特征的流程示意图，这里需要说明的是，获取的复杂度特征不同，步骤410具体的窗口分割也不相同。如图4所示，得到粗粒化的新序列后，计算新序列的复杂度c(n)，即表示的是原始序列{x(n)}中不同模式的数目。而上述四类复杂度可以通过c(n)表示：
[0090][0091]
其中，lzc包括lzc
mean
，lzc
media
为，lzc
mid-point
和lzc
k-mean
。
[0092]
而plzc(排序复杂度)考虑的不是绝对的振幅值而是数值间的大小排序，采用排序法具有计算简单、鲁棒性强、复杂度低等优点。通过下列方式获取排序复杂度特征：
[0093]
(a)排序的过程是通过确定组合点数m，进而建立起m！种可能的排列模式，原始信号经过和排列模式的匹配之后，可以转换成一串有限的符号序列，其可能的元素为1～m！。
[0094]
(b)初始化plzc的度量值。计算新序列的复杂度c(n)，即表示的是原始数字序列{x(n)}中不同模式的数目。而plzc可以通过c(n)表示：
[0095][0096]
(2)熵特征：
[0097]
表2熵特征
[0098][0099][0100]
图5为获取熵特征的流程示意图，这里需要说明的是，获取的熵特征不同，具体的窗口分割也不相同。如图5所示：
[0101]
香农熵(shen)可以根据振幅值的概率分布来测量概率密度。其计算公式为：
[0102][0103]
其中，p(si)代表随机变量s等于si的概率，i表示数据点，a表示对数底。
[0104]
如图5所示，apen(近似熵)可以描述信号的不可预测性。通过把脑电数据信号重构到嵌入维度为m的相空间中，当m增加到m 1时，估算出在预定值r内相空间模式数的增长率。其计算公式为：
[0105][0106][0107]
表示嵌入向量xm(j)和xm(i)之间距离小于r的概率，其中apen计算容易受数据长度n，相似容量r和嵌入维度m的影响，一般在脑电信号处理中，n取1000，r取信号标准差的0.15～0.25，m取2～3。其中，也可以称之为模板匹配总数。
[0108]
sampen(样本熵)由近似熵发展而来，同样通过重构信号到相空间计算其相空间模式数随嵌入维度增加的增长率。其计算公式为：
[0109][0110][0111][0112]
样本熵与近似熵相似，参数与近似熵定义相同。表示嵌入向量xm(j)和xm(i)之间距离小于r的概率，n为数据长度。不过样本熵去除了数据中的自身匹配，并保持了嵌入维度m和m 1时的总模式数相同，可以理解为：
[0113]
当嵌入维度为m 1时，模板匹配总数为am(r)；当嵌入维度为m时，模板匹配总数为bm(r)。
[0114]
pe(排序熵)是定量的复杂度算法，可以反映动态时间序列的局部结构，具有简便、抗噪能力强、计算复杂度低等特点。首先需要对脑电数据信号进行重构，{x(i (m-1)τ)}，τ表示时间延迟，m表示嵌入维度；然后对序列进行递增排序，并映射到m！种排序中的其中之一。其计算公式为：
[0115][0116][0117]
其中pj表示不同序列组合出现的概率,nj表示第j种排序出现的次数。
[0118]
以上均为基于时域信号的熵值分析，如图5所示，we(小波熵)和hhse(希尔伯特-黄谱熵)则是基于信号时频分析进行的熵值分析。we(小波熵)可以区分自身不同的特定状态，当脑电信号有更强的规律性时，也即神经元活动出现同步的现象，小波熵值会降低。首先计算每段脑电信号尺度j的小波能量将各小波能量除以总能量，以获得各尺度j的相对小波能量：
[0119][0120]
其计算公式为：
[0121][0122]
其中，代表的时各尺度j的相对小波能量。we的值取决于小波基函数、分解
层数n和数据的长度n。其中最重要的时小波基函数，实际使用中需要根据患者脑电数据的情况合理选择小波基函数。
[0123]
hhse(希尔伯特-黄谱熵)是结合了希尔伯特-变换的谱熵分析，其利用经验模式分解法来处理非线性和非平稳信号。对于脑电信号x(t)，可以将其表示为：
[0124][0125]
其中imf代表信号的一系列内在函数，接着对imf分量进行希尔伯特变换得到：
[0126]
z(t)＝imf(t) ih[imf(t)]＝a(t)e
i∫ω(t)dt
，
[0127]
其中，
[0128]
h(ω)＝∫h(ω,t)dt，
[0129]
ω(t)和a(t)分别表示imf的瞬时频率和振幅，表示归一化后的希尔伯特-谱，然后将香农熵算法应用到希尔伯特-谱中，即可得到希尔伯特黄谱熵：
[0130][0131]
希尔伯特-谱熵可以在时域和频域同时提供更高的分辨率，去捕捉信号中的频率变化。而且由于其分解模式，不会产生由于瞬时振幅的震荡模式失真，更能表现出脑电信号潜在的信息。
[0132]
(3)分形分析特征：
[0133]
表3分形分析特征
[0134][0135]
图6为获取分形分析的流程示意图，这里需要说明的是，获取的分形分析特征不同，具体的窗口分割也不相同。如图6所示：
[0136]
rqa(递归定量分析)可以直观地反应动力学系统的运动规律和趋势，并给出这些
特性的精准量化。首先是对脑电信号进行相空间重构，得到m维的嵌入向量{x(n (m-1)τ)}，其中τ为时间延迟，然后进行递归图构建，形成矩阵r
ij
：
[0137]rij
＝θ(ε-r
ij
)
[0138]
其中ε为距离阈值。ij为时刻。最后进行递归图量化参数计算，例如递归率rr，确定性det等。
[0139][0140][0141]
lyaponuv指数，其数值大小表征了系统混顶程度的大小，同样也是需要先将脑电数据重构到相空间，{x(t (m-1)τ)}，然后通过n个一阶微分方程组的形式表示系统：
[0142][0143]
从系统中选择两条起始点相近的轨迹，计算其临近轨迹的发散性。其计算公式为：
[0144][0145][0146]
df为每个点的雅各比矩阵，ω(x0,t)＝x(x0 δx0,t)-x(x0,t)。
[0147]
关联维度主要基于g-p算法计算关联，同样需要重构脑电信号数据到相空间，{x(i (m-1)τ)}，然后通过考察空间中半径为ε的球内的点数随半径缩减为零这种变化的方式，从实验时间序列中估算该值。
[0148][0149][0150]
其中θ为阶跃函数，r为距离，d2为关联维数。
[0151]
去趋势波动分析，可以检测时间序列的物理特性。首先根据原始脑电信号数据建立新序列将新序列换分为长度为s的不重叠等长度子区间，然后对于每个子区间v的数据进行多项式回归拟合，得到局部趋势函数yv(i)，消除各子区间内趋势，计算其方差均值，以得到全序列的q阶波动函数fq(s)：
[0152][0153]
最后确定波动函数的标度指数hq，即存在幂律关系：hq为赫斯特指数，当hq＝0.5时，该序列为一独立过程；当0.5≤hq《1时，该序列存在长程相关性；当hq《0.5
时，该序列存在负长程相关，即反持久性。
[0154]
步骤230，对样本对象的非线性动力学特征进行处理，确定样本对象的特征向量，样本对象的特征向量由筛选后的非线性动力学特征组成。
[0155]
如图7所示，非线性动力学特征选择，确定特征向量包括以下步骤：
[0156]
步骤710，根据样本对象的特定临床治疗的疗效，将样本对象分为正样本和负样本，其中，正样本为疗效满足预设条件的样本对象，负样本为疗效不满足预设条件的样本对象。
[0157]
根据vns的临床治疗效果，将样本对象的特征数据分为有效组(癫痫控制率大于或等于预设阈值)和无效组(例如癫痫控制率小于预设阈值)，例如有效组对应vns术后癫痫发作减少≥50％，无效组对应vns术后癫痫发作减少＜50％。有效组又称之为正样本，无效组称之为负样本。
[0158]
步骤720，对非线性动力学特征进行差异显著性分析，确定在正样本和负样本两组间具有显著性差异的非线性动力学特征。
[0159]
采用合适的统计学检验方法(例如曼-惠特尼u检验法)进行所有非线性动力学特征在正样本和负样本组间差异显著性分析，保留具有统计性显著差异的非线性动力学特征。
[0160]
另外，为避免由于数量级或者量纲不同导致训练得到的权重收到影响，对非线性动力学特征进行归一化处理。
[0161]
步骤730，采用递归特征消除特征选择法，根据具有显著性差异的非线性动力学特征对应的特定临床治疗的疗效重要程度，对具有显著性差异的多个非线性动力学特征进行筛选，筛选后的非线性动力学特征组成样本对象的特征向量。
[0162]
具体的，如图8所示，具有显著性差异的非线性动力学特征，通过下列方式确定样本对象的特征向量：
[0163]
将具有显著性差异的非线性动力学特征输入到分类模型中，获得各非线性动力学特征对应的权重系数，所述权重系数对应非线性动力学特征对特定临床治疗的疗效重要程度；
[0164]
对所述权重系数排序，去除最小权重系数的对应的非线性动力学特征，筛选后的非线性动力学特征，组成所述样本对象的特征向量。
[0165]
即采用递归特征消除特征选择法计算具有统计性显著差异的非线性动力学特征对应vns疗效的重要性评分，将不同非线性动力学特征按照对vns疗效的重要性进行排序，选择重要性高的特征，组建样本的特征向量。
[0166]
步骤240，根据样本对象的特征向量，对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。
[0167]
具体的，对所述样本对象进行标注，获取样本对象的标签，根据样本对象的特征向量和对应的所述样本对象的标签，对对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。
[0168]
本发明实施例提供的一种疗效预测模型构建方法，获取样本对象清醒状态和睡眠状态下发作间期的脑电数据；根据样本对象的脑电数据，确定样本对象的非线性动力学特征；对样本对象的非线性动力学特征进行处理，确定样本对象的特征向量，样本对象的特征
向量由筛选后的非线性动力学特征组成；根据样本对象的特征向量，对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。利用构建的疗效预测模型可以确定待预测对象是否适合接受特定临床治疗，不适合手术的患者可避免不必要的费用。比如，对于药物难治性癫痫患者，可以准确、高效地筛选适合vns手术的药物难治性癫痫患者，帮助不适合vns的患者避免长期刺激的风险和高昂的手术费用。
[0169]
上面介绍了疗效预测模型构建方法，下面介绍利用上述方法构建的预测模型进行预测的具体过程。
[0170]
疗效预测方法，详见图3所示的过程，具体的，疗效预测方法的步骤包括：
[0171]
步骤310，获取待预测对象的特征向量。
[0172]
待预测患者称之为待预测对象，待预测对象的特征向量的获取方式如步骤210-240中的描述，首先对待预测患者进行同样要求的脑电数据采集，做同样的数据处理和脑电非线性动力学特征提取，按照预测模型的特征向量构建方式，组建待预测患者的特征向量。
[0173]
步骤320，将所述待预测对象的特征向量输入到疗效预测模型中，得到待预测对象的疗效预测结果，用以确定所述待预测对象是否适合接受特定临床治疗。
[0174]
疗效预测模型，又称之为二分类预测模型，将步骤310中待预测对象的特征向量输入到步骤240中的疗效预测模型中，利用vns治疗癫痫疗效的二分类预测模型对待预测的患者数据样本进行预测，得到vns治疗癫痫疗效预测的结果。
[0175]
本发明实施例提供的一种疗效预测方法，获取待预测对象的特征向量；将待预测对象的特征向量输入到疗效预测模型中，得到待预测对象的疗效预测结果，用以确定待预测对象是否适合接受特定临床治疗。通过该方式，不适合手术的患者可避免不必要的费用。比如，对于药物难治性癫痫患者，可以准确、高效地筛选适合vns手术的药物难治性癫痫患者，帮助不适合vns的患者避免长期刺激的风险和高昂的手术费用。
[0176]
以上，为本技术所提供的疗效预测模型构建、预测方法实施例，下文中则介绍说明本技术所提供的疗效预测模型构建、预测其他实施例，具体参见如下。
[0177]
图10为本发明实施例提供的一种疗效预测模型构建装置结构示意图，如图10所示，疗效预测装置包括：第一获取模块101、特征模块102、处理模块103和训练模块104。
[0178]
第一获取模块101，用于获取样本对象清醒状态和睡眠状态下发作间期的脑电数据。
[0179]
特征模块102，用于根据样本对象的脑电数据，确定样本对象的非线性动力学特征。
[0180]
处理模块103，用于对样本对象的非线性动力学特征进行处理，确定样本对象的特征向量，样本对象的特征向量由筛选后的非线性动力学特征组成。
[0181]
训练模块104，用于根据样本对象的特征向量，对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。
[0182]
11在一个示例中，特征模块102具体用于：
[0183]
对样本对象的脑电数据进行窗口分割，确定脑电数据窗口片段；
[0184]
对电脑数据窗口片段分别进行非线性动力学特征复杂度、熵和分形分析的计算，确定样本对象的复杂度特征、熵特征及分形分析特征
[0185]
在另一个示例中，处理模块103具体用于：
[0186]
根据样本对象的特定临床治疗的疗效，将样本对象分为正样本和负样本，其中，正样本为疗效满足预设条件的样本对象，负样本为疗效不满足预设条件的样本对象；
[0187]
对非线性动力学特征进行差异显著性分析，确定在正样本和负样本两组间具有显著性差异的非线性动力学特征；
[0188]
采用递归特征消除特征选择法，根据具有显著性差异的非线性动力学特征对应的特定临床治疗的疗效重要性，对具有显著性差异的多个非线性动力学特征进行预设次数的筛选，筛选后的非线性动力学特征组成样本对象的特征向量。
[0189]
图11为本发明实施例提供的另一种疗效预测装置结构示意图，如图11所示，疗效预测装置还包括：预处理模块905。
[0190]
预处理模块905，用于在根据所述样本对象的脑电数据，确定所述样本对象的非线性动力学特征之前，对所述样本对象的脑电数据进行滤波降噪、重参考和片段筛选处理。
[0191]
本发明实施例提供的疗效预测模型构建装置中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述，因此这里不再赘述。
[0192]
本发明实施例提供的一种疗效预测模型构建装置，获取样本对象清醒状态和睡眠状态下发作间期的脑电数据；根据样本对象的脑电数据，确定样本对象的非线性动力学特征；对样本对象的非线性动力学特征进行处理，确定样本对象的特征向量，样本对象的特征向量由筛选后的非线性动力学特征组成；根据样本对象的特征向量和对应的样本对象的标签，对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。利用构建的疗效预测模型可以确定待预测对象是否适合接受特定临床治疗，不适合手术的患者可避免不必要的费用。比如，对于药物难治性癫痫患者，可以准确、高效地筛选适合vns手术的药物难治性癫痫患者，帮助不适合vns的患者避免长期刺激的风险和高昂的手术费用。
[0193]
此次之外，本技术还提供了一种疗效预测装置，利用上述介绍的疗效预测模型构建装置构建的疗效预测模型，进行预测，具体的，如图12所示，包括：
[0194]
第二获取模块906，用于获取待预测对象的特征向量。
[0195]
预测模块907，用于将待预测对象的特征向量输入到疗效预测模型中，得到待预测对象的疗效预测结果，用以确定待预测对象是否适合接受特定临床治疗。
[0196]
本发明实施例提供的疗效预测装置中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述，因此这里不再赘述。
[0197]
本发明实施例提供的一种疗效预测装置，获取待预测对象的特征向量；将待预测对象的特征向量输入到疗效预测模型中，得到待预测对象的疗效预测结果，用以确定待预测对象是否适合接受特定临床治疗。通过该方式，不适合手术的患者可避免不必要的费用。比如，对于药物难治性癫痫患者，可以准确、高效地筛选适合vns手术的药物难治性癫痫患者，帮助不适合vns的患者避免长期刺激的风险和高昂的手术费用。
[0198]
如图13所示，本技术实施例提供了一种电子设备，包括处理器131、通信接口132、存储器133和通信总线134，其中，处理器131，通信接口132，存储器133通过通信总线134完成相互间的通信。
[0199]
存储器133，用于存放计算机程序；
[0200]
在本技术一个实施例中，处理器131，用于执行存储器133上所存放的程序时，实现前述任意一个方法实施例提供的疗效预测方法的步骤。
[0201]
本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任意一个方法实施例提供的疗效预测方法的步骤。
[0202]
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0203]
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0204]
以上仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。