CN109700463B - 一种脑磁图癫痫棘波识别方法和*** - Google Patents
一种脑磁图癫痫棘波识别方法和*** Download PDFInfo
- Publication number
- CN109700463B CN109700463B CN201910182723.0A CN201910182723A CN109700463B CN 109700463 B CN109700463 B CN 109700463B CN 201910182723 A CN201910182723 A CN 201910182723A CN 109700463 B CN109700463 B CN 109700463B
- Authority
- CN
- China
- Prior art keywords
- data
- spike
- training
- meg
- segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种脑磁图癫痫棘波识别方法和***,该方法将MEG数据分为有棘波数据与无棘波数据两种,并对MEG数据进行预处理,分别得到N段相同时长的有棘波数据段与无棘波数据段;对得到的各段数据进行分析处理,提取各段数据的特征向量构成样本数据集,并将样本数据集划分为训练集与测试集;利用训练集对径向基核函数支持向量机分类器进行训练,得到训练好的分类器模型;将测试集输入到分类器模型中,以识别是否有癫痫棘波。本发明对癫痫脑磁信号的自动识别可以及时对患者的情况作出判断,判别准确率可达到93.8%,降低了医生的劳动强度,提升了检测正确率并降低了漏检率和误检率,在临床上有很重要的意义。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种脑磁图癫痫棘波识别方法和***。
背景技术
癫痫在脑磁图中的主要表现是棘波和尖波,有时对它们不作区分,统称为癫痫瞬变现象或棘波。棘波和尖波突出于背景活动,波幅较高,周期在20ms~200ms之间。
脑磁信号的分析主要是对大脑异常活动的检测分析,这些工作目前都是由医疗工作者根据经验通过对患者脑磁图的视觉检测完成的。视觉检测有许多不利的因素,一般一次检测要记录60分钟的数据,从很长的数据中找出棘波非常耗费精力,对分析者的判断力有很高要求,并且医生在工作中要接触大量癫痫病例,在繁重的工作任务下分类结果的准确性无法保证。而且,不同的专家对同一记录的判断结果也不尽相同。因此,降低对异常脑电信号的自动检测的漏检率和误检率显得十分重要。
发明内容
本发明的目的在于克服现有技术的不足,提供了一种脑磁图癫痫棘波识别方法和***,可根据MEG数据有效识别是否有癫痫棘波,降低医生的劳动强度,提升检测正确率并降低漏检率和误检率。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明实施例提供了一种脑磁图癫痫棘波识别方法,包括以下步骤:
采集癫痫患者的MEG数据和核磁共振数据,并将MEG数据和核磁共振数据进行融合,生成MSI图像,所述MEG数据包括有棘波数据与无棘波数据;
对所述MEG数据进行预处理,分别得到N段相同时长的有棘波数据段与无棘波数据段;
从生成的MSI图像中分别提取各段数据的特征向量,构成样本数据集,并将所述样本数据集划分为训练集与测试集;
利用所述训练集对分类器进行训练,得到训练好的分类器模型;
将测试集输入到分类器模型中,以识别是否有癫痫棘波。
进一步,所述对所述MEG数据进行预处理,分别得到N段相同时长的有棘波数据段与无棘波数据段,具体包括:
对MEG数据进行滤波得到0.1~500Hz频段数据;
去除0.1~500Hz频段数据中的伪迹,所述伪迹包括眼电和眼动对MEG数据的干扰;
从有棘波数据段中截取N段时长为M毫秒的含棘波峰值的数据段,从无棘波数据段中截取N段时长为M毫秒的无棘波数据段。
进一步,所述从生成的MSI图像中分别提取各段数据的特征向量,构成样本数据集,并将所述样本数据集划分为训练集与测试集,具体包括:
利用Desikan-Killiany图谱对得到的各段数据进行分析处理,得到左右半脑各34个脑区的皮层厚度数据;
对得到的皮层厚度数据用Dipole方法进行求源处理,并对求源处理后的数据按照Desikan-Killiany图谱进行下采样;
将下采样后的各数据段按照预设频段划分,并分别计算各频段的相位锁定值,将各数据段的相位锁定值构成相位锁定值矩阵;
将各数据段的相位锁定值矩阵作为特征空间,取各特征空间的模值数据作为原始特征数据集;
将原始特征数据集进行标准化处理;
对标准化处理后的原始特征数据集采用卡方检验或F检验提取特征,得到样本数据集;
并将样本数据集划分为训练集及测试集。
进一步,所述利用Desikan-Killiany图谱对得到的各段数据进行分析处理,得到左右半脑各34个脑区的皮层厚度数据,具体包括:体积处理步骤与表面处理步骤;
所述体积处理步骤包括图像灰度标准化、不均匀磁场的校正、到Talairaeh空间的配准、非脑组织的去除和白质与灰质的分割;
所述表面处理步骤包括对白质曲面进行三维重建,从白质曲面出发,沿着灰质梯度方向向外膨胀得到灰质外表面曲面,定义灰质曲面和白质曲面间的距离为脑皮层厚度,采用T-average算法计算脑皮层厚度,灰质外表面向外膨胀,得膨胀曲面;膨胀曲面经过球状形变后与模板进行高维配准,依据Desikan-Killiany图谱对皮层进行自动分区,得到左右半脑各34个脑区的皮层厚度数据。
进一步,所述将下采样后的各数据段按照预设频段划分,并分别计算各频段的相位锁定值,将各数据段的相位锁定值构成相位锁定值矩阵,具体包括:
将频率范围为0.1~500Hz的数据中的各数据段分成七个频段,分别求出各频段的相位锁定值,其中,相位锁定值的计算公式为:
公式中,N是采样点的个数,θ1和θ2是采样点n处的瞬时相位值,PLV相位锁定值为复数,其模的范围为0到1,0代表随机的相位关系,1代表固定的相位关系。
进一步,所述将原始特征数据集进行标准化处理,其标准化处理公式为:
其中,i表示第i个特征向量,σi表示该列特征的标准差,μi表示第i个特征的均值,xstd表示标准化之后的特征向量。
进一步,所述将样本数据集分为训练集及测试集,其具体为:将样本数据集的40%划分为测试集,其余60%划分为训练集。
进一步,所述利用所述训练集对径向基核函数支持向量机分类器进行训练,得到训练好的分类器模型,具体为:利用所述训练集和标签对径向基核函数支持向量机分类器进行训练,使得正反方向支持向量到超平面的距离最小的参数即为最优参数,从而得到训练好的分类器模型。
另一方面,本发明提供了一种脑磁图癫痫棘波识别***,包括:
数据采集单元,用于采集癫痫患者的MEG数据和核磁共振数据,并将MEG数据和核磁共振数据进行融合,生成MSI图像,所述MEG数据包括有棘波数据与无棘波数据;
预处理单元,用于对所述MEG数据进行预处理,分别得到N段相同时长的有棘波数据段与无棘波数据段;
特征提取单元,用于从生成的MSI图像中分别提取各段数据的特征向量,构成样本数据集,并将所述样本数据集划分为训练集与测试集;
训练模型单元,用于利用所述训练集和标签对径向基核函数支持向量机分类器进行训练,得到训练好的分类器模型;
癫痫棘波识别单元,用于将测试集输入到分类器模型中,以识别是否有癫痫棘波。
进一步,所述特征提取单元,具体包括:
分析处理模块,用于利用Desikan-Killiany图谱对得到的各段数据进行分析处理,得到左右半脑各34个脑区的皮层厚度数据;
下采样模块,用于对得到的皮层厚度数据用Dipole方法进行求源处理,并对求源处理后的数据按照Desikan-Killiany图谱进行下采样;
相位锁定值矩阵模块,用于将下采样后的各数据段按照预设频段划分,并分别计算各频段的相位锁定值,将各数据段的相位锁定值构成相位锁定值矩阵;
原始特征数据集模块,用于将各数据段的相位锁定值矩阵作为特征空间,取各特征空间的模值数据作为原始特征数据集;
标准化处理模块,用于将原始特征数据集进行标准化处理;
特征提取模块,用于对标准化处理后的原始特征数据集采用卡方检验或F检验提取特征,得到样本数据集;
划分模块,用于并将样本数据集划分为训练集及测试集。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明实施例提供了一种脑磁图癫痫棘波识别方法和***,该方法将MEG数据分为有棘波数据与无棘波数据两种,并对MEG数据进行预处理,分别得到N段相同时长的有棘波数据段与无棘波数据段;对得到的各段数据进行分析处理,提取各段数据的特征向量构成样本数据集,并将样本数据集划分为训练集与测试集;利用训练集对分类器进行训练,得到训练好的分类器模型;将测试集输入到分类器模型中,以识别是否有癫痫棘波。该方法利用机器学习中的分类器自动的分类癫痫脑磁图中棘波阶段的时间位置,对癫痫脑磁信号的自动识别可以及时对患者的情况作出判断,判别准确率可达到93.8%,降低了医生的劳动强度,提升了检测正确率并降低了漏检率和误检率,在临床上有很重要的意义。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明实施例一的方法流程图;
图2为本发明采用四种分类器的分类结果图;
图3为本发明实施例二的***原理图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例一
如图1所示,本发明提出了一种脑磁图癫痫棘波识别方法,包括以下步骤:
采集癫痫患者的MEG数据和核磁共振数据,并将MEG数据和核磁共振数据进行融合,生成MSI图像,所述MEG数据包括有棘波数据与无棘波数据。
本步骤中,采集的MEG数据来自于首都医科大学宣武医院脑磁图中心做检查的20名被确诊为岛叶及岛盖癫痫的患者,均在手术前进行了MEG检查,其中男11例,女9例;年龄15~52岁,平均28.7岁。
MRI应用1.5T或3.0T进行标准的MRI扫描,包括横断位SE序列T1W1及TSE序列T2W1(层厚5mm);垂直于右侧海马长轴的斜冠状位和平行于海马长轴的横断位液体衰减反转恢复(FLAIR)序列(层厚5mm)。
MEG应用芬兰Elekta Neuromag Oy公司生产的NM20215A-G型306信道全头型生物磁仪对患者进行检测。患者于安静状态下于磁屏蔽室记录60分钟自发脑磁图数据。带通滤波为0.10-330Hz,采样率1000Hz。脑磁源成像(MSI)采用标准程序306导全头型脑磁图***进行采集,对发作间期癫痫样波进行标记、离线分析。脑磁波与病人MRI图像进行融合,在MRI上自动生成MSI图像。
脑磁图中心的医生根据经验为每位病例挑选出三段含棘波的数据区段,每段各十秒,并标出棘波峰值的时间点;作为对比同时提供每位病例三段正常静息态的数据区段,即无棘波的数据区段,每段各十秒,为了保证选出的棘波数据与正常静息态数据的正确性与典型性,特意请不同的医生进行了交叉检验,确保了本次研究采用的两种数据均为典型棘波态与典型正常静息态的脑磁图数据。
对所述MEG数据进行预处理,分别得到N段相同时长的有棘波数据段与无棘波数据段。
本步骤中,获取了医生用传统方法挑选出的全部20例病例的MEG数据后,采用基于数学软件矩阵实验室MATLAB平台下的MEG分析软件Brainstorm(brain recordingsanalysis tool)进行数据预处理。首先,对MEG数据进行滤波得到0.1~500Hz频段数据;然后,去除数据中的伪迹,主要包括眼电与眼动等对MEG的干扰。所有数据均严格按照上述方法依次进行处理后,从医生提供的十秒有棘波数据段中截取含棘波峰值的数据段2000毫秒,从十秒无棘波数据段中间截取相同长度的数据段;最后共获得2000毫秒时长的有棘波数据段与无棘波数据段各60段,这些数据是进一步分析的基础。
从生成的MSI图像中分别提取各段数据的特征向量,构成样本数据集,并将样本数据集划分为训练集及测试集,具体包括如下步骤:
从生成的MSI图像中,对各段数据进行分析处理,得到左右半脑各34个脑区的皮层厚度数据;本步骤中所有数据均通过基于Uhuntu平台的工作站,调用FreeSurfer软件包进行分析处理。分析处理过程分为体积处理流程与表面处理流程两大部分。体积处理流程包括图像灰度标准化、不均匀磁场的校正、到Talairaeh空间的配准、非脑组织的去除和白质(White Matter,WM)与灰质(Grey Matter,GM)的分割等。表面处理流程包括对白质曲面进行三维重建,从白质曲面出发,沿着灰质梯度方向向外膨胀得到灰质外表面曲面。定义灰质曲面和白质曲面间的距离为脑皮层厚度,采用T—average算法计算脑皮层厚度。灰质外表面向外膨胀,得膨胀曲面。膨胀曲面经过球状形变后与模板进行高维配准,依据Desikan-Killiany图谱对皮层进行自动分区。Desikan-Killiany图谱将全脑分为70个脑区(左右半脑各35个),其中胼胝体没有灰质厚度,因此最后得到68个脑区(左右半脑各34个)的皮层厚度。
对皮层厚度数据用Dipole方法进行求源处理,并对对每位病例每个波段求源处理后的数据按照Desikan-Killiany图谱进行下采样。
将下采样后的各数据段按照预设频段划分,并分别计算各频段的相位锁定值,将所有频段相位锁定值构成相位锁定值矩阵。
本步骤中,下采样之后得到每个源的数据,之后对频率范围为0.1~500Hz的数据中的各数据段分成七个频段,并分别求出各数据段的相位锁定值(PLV)矩阵。其中,七个频段从F1低频到F7高频的对应频率范围如频段对应表所示。
表1频段对应表
相位锁定值是对两个时间序列信号在一段时间内保持恒定相位分离的倾向的度量,相位锁定值(PLV)的计算公式如下:
公式中N是采样点的个数,θ1和θ2是采样点n处的瞬时相位值,相位锁定值为复数,其模的范围为0到1,0代表随机的相位关系,1代表固定的相位关系。
将各数据段的相位锁定值矩阵作为特征空间,取各特征空间的模值数据作为原始特征数据集。
本步骤中,根据68个皮层区域间的关系对称性,在每个频段选择了组独立的数据,七个频段形成15946维特征向量。按照各组特征对应的方式,组合120个样本数据(其中60个正常静息态样本数据,60个棘波态样本数据),构成120×15946的数据集,这些数据构成原始特征数据集。
对原始特征数据集的各列特征向量数据均按照以下公式进行了标准化处理:
其中,i表示第i个特征向量,σi表示该列特征的标准差,μi表示第i个特征的均值,xstd表示标准化之后的特征向量。
在对原始特征数据集的各列数据进行标准化处理,能有效提升识别准确率。
对标准化处理后的原始特征数据集进行特征提取,得到样本数据集,并将样本数据集中的40%划分为测试集,其余60%划分为训练集。
本步骤中,考虑到数据来源于7个频段,数据维度较高,15946组列向量。在现实的人类识别中,根据经验知识能够轻易识别棘波的存在及相关影响,很明显未能短时间主观上瞬间实现对15946组数据的观测和判断,因此,数据的维度中必然存在大量的冗余,为了降低模型的复杂度,本发明采用卡方检验或F检验提取特征,逐一对单个特征与实验标签最高进行相关性检验,并根据相关性排序选择部分特征。基于对提取后的特征多次测试,判定选择32个特征,即整体特征数的0.2%,即32个特征时就能达到较高的分类准确率又能大幅度降低特征数量。
利用所述训练集和标签对分类器进行训练,得到训练好的分类器模型。本实施例中,分类器可以采用朴素贝叶斯分类器、线性逻辑回归分类器,线性核函数支持向量机分类器或径向基核函数支持向量机分类器。
利用所述训练集和标签对径向基核函数支持向量机分类器进行训练,使得正反方向支持向量到超平面的距离最小的参数即为最优参数,从而得到训练好的分类器模型。
支持向量机在高维度或无穷维度空间中,构建一个超平面或者一系列的超平面,借助超平面去实现分割,使正负样本之间的空白最大。该模型对非线性关系分类有较好的效果,基本原理如下:
给定训练向量xi∈RP,i=1,2,…,n和一个标签向量y∈{1,-1}n。在样本空间存在一个超平面wTx+b=0可以实现对样本进行有效分类,则有:
αi≥0
将测试集输入到分类器模型中,以识别是否有癫痫棘波。
如图2所示,在对原始训练集的各列数据进行标准化处理后,线性逻辑回归分类器的准确率从0.771提升为0.917,使用线性核函数的支持向量机分类器的准确率从0.833提升为0.917,而径向基核函数支持向量机分类器的准确率从0.500提升为0.938,说明提升最高,朴素贝叶斯分类器的准确率也从0.875小幅提升为0.896,说明对原始训练集的各列数据进行标准化处理有利于提升准确率,并且四个分类器就准确率而言性能相差不大,结合作为分类器性能评价标准的AUC值,径向基核函数支持向量机分类器的AUC值为0.951,在四个分类器中值最大,故综合上述结果,使用标准化后的特征数据集作为输入,选用径向基核函数支持向量机分类器进行棘波自动分类的效果最好,成功率为93.8%。
本发明实施例中,采集癫痫病患者的正常静息态与棘波态脑磁图样本数据,数据被适当的预处理后,分七个频段经相同步的PLV算法计算,得到68个脑区之间的PLV复数值矩阵作为特征空间,取该特征空间的模值数据作为原始特征数据集,然后对原始特征数据集做标准化处理,最后对标准化后的数据集应用卡方检验或F检验进行了特征提取,最终构成了用于输入分类器模型的数据集;本发明中,应用了机器学习的方法,将输入数据集通过分类器模型进行识别,得到相应的分类准确率,对分类器本身使用绘制受试者工作特征曲线(ROC)图并计算对应的AUC值方式对分类器性能进行评价,最终得到,在应用标准化后特征数据集进行特征选择提取时,径向基核函数支持向量机分类器的准确率为93.8%。
本发明将癫痫脑磁图分为正常静息态与棘波态两种,利用机器学习中的径向基核函数支持向量机分类器自动的分类癫痫脑磁图中棘波阶段的时间位置,对癫痫脑磁信号的自动识别可以及时对患者的情况作出判断,在临床上有很重要的意义。
基于同一发明构思,本申请提供了实施例一对应的装置,详见实施例二。
实施例二
如图3所示,相应于实施例一,本实施例提供了一种脑磁图癫痫棘波识别***,包括:
数据采集单元,用于采集癫痫患者的MEG数据和核磁共振数据,并将MEG数据和核磁共振数据进行融合,生成MSI图像,所述MEG数据包括有棘波数据与无棘波数据;
预处理单元,用于对所述MEG数据进行预处理,分别得到N段相同时长的有棘波数据段与无棘波数据段;
特征提取单元,用于从生成的MSI图像中分别提取各段数据的特征向量,构成样本数据集,并将所述样本数据集划分为训练集与测试集;
训练模型单元,用于利用所述训练集和标签对分类器进行训练,得到训练好的分类器模型;
癫痫棘波识别单元,用于将测试集输入到分类器模型中,以识别是否有癫痫棘波。
本***中,所述特征提取单元,具体包括:
分析处理模块,用于利用Desikan-Killiany图谱对得到的各段数据进行分析处理,得到左右半脑各34个脑区的皮层厚度数据;
下采样模块,用于对得到的皮层厚度数据用Dipole方法进行求源处理,并对求源处理后的数据按照Desikan-Killiany图谱进行下采样;
相位锁定值矩阵模块,用于将下采样后的各数据段按照预设频段划分,并分别计算各频段的相位锁定值,将各数据段的相位锁定值构成相位锁定值矩阵;
原始特征数据集模块,用于将各数据段的相位锁定值矩阵作为特征空间,取各特征空间的模值数据作为原始特征数据集;
标准化处理模块,用于将原始特征数据集进行标准化处理;
特征提取模块,用于对标准化处理后的原始特征数据集采用卡方检验或F检验提取特征,得到样本数据集;
划分模块,用于并将样本数据集划分为训练集及测试集。
由于本实施例所介绍的装置为实施本申请实施例一中一种脑磁图癫痫棘波识别方法所采用的***,故而基于本申请实施例一中所介绍的方法,本领域所属技术人员能够了解本实施例的装置的具体实施方式以及其各种变化形式,所以在此对于该***如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备,都属于本申请所欲保护的范围。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种脑磁图癫痫棘波识别方法,其特征在于,包括以下步骤:
采集癫痫患者的MEG数据和核磁共振数据,并将MEG数据和核磁共振数据进行融合,生成MSI图像,所述MEG数据包括有棘波数据与无棘波数据;
对所述MEG数据进行预处理,分别得到N段相同时长的有棘波数据段与无棘波数据段;
从生成的MSI图像中分别提取各段数据的特征向量,构成样本数据集,并将所述样本数据集划分为训练集与测试集;
利用所述训练集对分类器进行训练,得到训练好的分类器模型;
将测试集输入到分类器模型中,以识别是否有癫痫棘波;
其中,所述从生成的MSI图像中分别提取各段数据的特征向量,构成样本数据集,并将所述样本数据集划分为训练集与测试集,具体包括:
利用Desikan-Killiany图谱对得到的各段数据进行分析处理,得到左右半脑各34个脑区的皮层厚度数据;
对得到的皮层厚度数据用Dipole方法进行求源处理,并对求源处理后的数据按照Desikan-Killiany图谱进行下采样;
将下采样后的各数据段按照预设频段划分,并分别计算各频段的相位锁定值,将各数据段的相位锁定值构成相位锁定值矩阵;
将各数据段的相位锁定值矩阵作为特征空间,取各特征空间的模值数据作为原始特征数据集;
将原始特征数据集进行标准化处理;
对标准化处理后的原始特征数据集采用卡方检验或F检验提取特征,得到样本数据集;
并将样本数据集划分为训练集及测试集。
2.根据权利要求1所述的脑磁图癫痫棘波识别方法,其特征在于,所述对所述MEG数据进行预处理,分别得到N段相同时长的有棘波数据段与无棘波数据段,具体包括:
对MEG数据进行滤波得到0.1~500Hz频段数据;
去除0.1~500Hz频段数据中的伪迹,所述伪迹包括眼电和眼动对MEG数据的干扰;
从有棘波数据段中截取N段时长为M毫秒的含棘波峰值的数据段,从无棘波数据段中截取N段时长为M毫秒的无棘波数据段。
3.根据权利要求1所述的脑磁图癫痫棘波识别方法,其特征在于,所述利用Desikan-Killiany图谱对得到的各段数据进行分析处理,得到左右半脑各34个脑区的皮层厚度数据,具体包括:体积处理步骤与表面处理步骤;
所述体积处理步骤包括图像灰度标准化、不均匀磁场的校正、到Talairaeh空间的配准、非脑组织的去除和白质与灰质的分割;
所述表面处理步骤包括对白质曲面进行三维重建,从白质曲面出发,沿着灰质梯度方向向外膨胀得到灰质外表面曲面,定义灰质曲面和白质曲面间的距离为脑皮层厚度,采用T-average算法计算脑皮层厚度,灰质外表面向外膨胀,得膨胀曲面;膨胀曲面经过球状形变后与模板进行高维配准,依据Desikan-Killiany图谱对皮层进行自动分区,得到左右半脑各34个脑区的皮层厚度数据。
6.根据权利要求1所述的脑磁图癫痫棘波识别方法,其特征在于,所述将样本数据集分为训练集及测试集,其具体为:将样本数据集的40%划分为测试集,其余60%划分为训练集。
7.根据权利要求1所述的脑磁图癫痫棘波识别方法,其特征在于,利用所述训练集对径向基核函数支持向量机分类器进行训练,得到训练好的分类器模型,具体为:利用所述训练集和标签对径向基核函数支持向量机分类器进行训练,得到正反方向支持向量到超平面的距离最小的参数,所述参数即为最优参数,从而得到训练好的分类器模型。
8.一种脑磁图癫痫棘波识别***,其特征在于,包括:
数据采集单元,用于采集癫痫患者的MEG数据和核磁共振数据,并将MEG数据和核磁共振数据进行融合,生成MSI图像,所述MEG数据包括有棘波数据与无棘波数据;
预处理单元,用于对所述MEG数据进行预处理,分别得到N段相同时长的有棘波数据段与无棘波数据段;
特征提取单元,用于从生成的MSI图像中分别提取各段数据的特征向量,构成样本数据集,并将所述样本数据集划分为训练集与测试集;
训练模型单元,用于利用所述训练集和标签对径向基核函数支持向量机分类器进行训练,得到训练好的分类器模型;
癫痫棘波识别单元,用于将测试集输入到分类器模型中,以识别是否有癫痫棘波;其中,
所述特征提取单元,具体包括:
分析处理模块,用于利用Desikan-Killiany图谱对得到的各段数据进行分析处理,得到左右半脑各34个脑区的皮层厚度数据;
下采样模块,用于对得到的皮层厚度数据用Dipole方法进行求源处理,并对求源处理后的数据按照Desikan-Killiany图谱进行下采样;
相位锁定值矩阵模块,用于将下采样后的各数据段按照预设频段划分,并分别计算各频段的相位锁定值,将各数据段的相位锁定值构成相位锁定值矩阵;
原始特征数据集模块,用于将各数据段的相位锁定值矩阵作为特征空间,取各特征空间的模值数据作为原始特征数据集;
标准化处理模块,用于将原始特征数据集进行标准化处理;
特征提取模块,用于对标准化处理后的原始特征数据集采用卡方检验或F检验提取特征,得到样本数据集;
划分模块,用于并将样本数据集划分为训练集及测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182723.0A CN109700463B (zh) | 2019-03-12 | 2019-03-12 | 一种脑磁图癫痫棘波识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182723.0A CN109700463B (zh) | 2019-03-12 | 2019-03-12 | 一种脑磁图癫痫棘波识别方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109700463A CN109700463A (zh) | 2019-05-03 |
CN109700463B true CN109700463B (zh) | 2021-08-13 |
Family
ID=66266651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910182723.0A Active CN109700463B (zh) | 2019-03-12 | 2019-03-12 | 一种脑磁图癫痫棘波识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109700463B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110477908A (zh) * | 2019-07-16 | 2019-11-22 | 华南师范大学 | 一种智能识别癫痫灶的方法 |
CN111387938B (zh) * | 2020-02-04 | 2023-06-23 | 华东理工大学 | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测*** |
CN111973172B (zh) * | 2020-08-28 | 2021-10-08 | 北京航空航天大学 | 一种基于mcg和ecg融合的心脏结构成像***及方法 |
CN111956221B (zh) * | 2020-09-07 | 2022-06-07 | 南京医科大学 | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 |
CN112560931B (zh) * | 2020-12-09 | 2021-11-05 | 中南民族大学 | 一种基于多通道fNIRS信号的***成瘾者检测方法及*** |
CN112472108B (zh) * | 2021-02-05 | 2021-05-04 | 南京畅享医疗科技有限公司 | 神经元放电尖峰信号挑拣方法、装置和计算机设备 |
CN114376522B (zh) * | 2021-12-29 | 2023-09-05 | 四川大学华西医院 | 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法 |
CN116304558B (zh) * | 2023-01-19 | 2024-04-02 | 北京未磁科技有限公司 | 癫痫脑磁图棘波检测方法及装置 |
CN117574235B (zh) * | 2023-11-21 | 2024-05-28 | 北京睿航至臻科技有限公司 | 一种数据自动化分类分级方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393874A (zh) * | 2011-07-01 | 2012-03-28 | 山东大学 | 基于脑电棘波频次的预警方法和装置 |
CN104173045A (zh) * | 2014-08-15 | 2014-12-03 | 浙江大学医学院附属第二医院 | 一种癫痫发作预警*** |
-
2019
- 2019-03-12 CN CN201910182723.0A patent/CN109700463B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393874A (zh) * | 2011-07-01 | 2012-03-28 | 山东大学 | 基于脑电棘波频次的预警方法和装置 |
CN104173045A (zh) * | 2014-08-15 | 2014-12-03 | 浙江大学医学院附属第二医院 | 一种癫痫发作预警*** |
Non-Patent Citations (8)
Title |
---|
Combining MEG and MRI with Neuronavigation for Treatment of an Epileptiform Spike Focus in the Precentral Region:A Technical Case Report;Frank Duffner,et al;《Surgical Neurology》;20030131;第59卷(第1期);第40-45页 * |
Similarity-Based Fusion of MEG and fMRI Reveals Spatio-Temporal Dynamics in Human Cortex During Visual Object Recognition;Radoslaw Martin Cichy,et al;《Cerebral Cortex》;20160831;第26卷;第3563-3579页 * |
吴婷.基于脑磁图的颞叶癫痫脑网络研究.《中国博士学位论文全文数据库 医药卫生科技辑》.2018, * |
基于信号处理的脑电相位同步性分析方法研究;赵丽娜 等;《生物医学工程学杂志》;20080430;第25卷(第2期);第250-254页 * |
基于脑电信号分析的癫痫特征检测方法及研究进展;郑效来 等;《生物医学工程学杂志》;20051231;第22卷(第3期);第606-609页 * |
基于脑磁图的颞叶癫痫脑网络研究;吴婷;《中国博士学位论文全文数据库 医药卫生科技辑》;20180915;第E070-5页 * |
多变量自回归和多线性主成分分析结合的多通道信号特征提取研究;王金甲 等;《生物医学工程学杂志》;20150228;第32卷(第1期);第19-24页 * |
脑电信号同步分析及癫痫发作预测方法研究;韩凌;《中国博士学位论文全文数据库 医药卫生科技辑》;20190115;第E070-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109700463A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109700463B (zh) | 一种脑磁图癫痫棘波识别方法和*** | |
CN111340142B (zh) | 一种癫痫脑磁图棘波自动检测方法与溯源定位*** | |
Kumar et al. | MRI brain tumor detection using optimal possibilistic fuzzy C-means clustering algorithm and adaptive k-nearest neighbor classifier | |
US10303986B2 (en) | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning | |
Biyani et al. | Algorithms for red lesion detection in Diabetic Retinopathy: A review | |
Siuly et al. | EEG signal classification based on simple random sampling technique with least square support vector machine | |
Lai et al. | Automated detection of high frequency oscillations in intracranial EEG using the combination of short-time energy and convolutional neural networks | |
CN112220485A (zh) | 一种癫痫脑电图/脑磁图异常波自动检测方法与定位*** | |
Barriga et al. | Automatic system for diabetic retinopathy screening based on AM-FM, partial least squares, and support vector machines | |
Prasanth et al. | Deep learning for interictal epileptiform spike detection from scalp EEG frequency sub bands | |
Houssein et al. | EEG signals classification for epileptic detection: a review | |
CN115081486A (zh) | 一种癫痫发作前期颅内脑电网络定位癫痫灶***及方法 | |
Islam et al. | Epileptic seizure focus detection from interictal electroencephalogram: a survey | |
CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
Wang et al. | Computer-aided diagnosis of cavernous malformations in brain MR images | |
CN106725463B (zh) | 应用皮层脑电信号对大脑皮层手部功能区定位的方法和*** | |
Kulkarni | Support vector machine based alzheimer’s disease diagnosis using synchrony features | |
Dilber et al. | EEG based detection of epilepsy by a mixed design approach | |
Shnitzer et al. | Alternating diffusion maps for dementia severity assessment | |
Rajini et al. | Brain Tumor Segmentation from MRI Images using Deep Learning-based CNN with SVM Classifier | |
FARUQ et al. | Brain tumor MRI identification and classification using DWT, PCA, and KSVM | |
Yang et al. | Intracranial EEG spike detection based on rhythm information and SVM | |
Rangaraju et al. | Dual Attention Aware Octave Convolution Network for Early-Stage Alzheimer's Disease Detection | |
Mangla et al. | Brain tumor detection and classification by MRI images using deep learning techniques | |
Aslan | A New Computational Approach Framework For The Diagnosis Of Alzheimer's Disease |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |