CN111246796A - 用于分析脑电图信息的***、方法、计算机程序和计算机界面 - Google Patents
用于分析脑电图信息的***、方法、计算机程序和计算机界面 Download PDFInfo
- Publication number
- CN111246796A CN111246796A CN201880067335.1A CN201880067335A CN111246796A CN 111246796 A CN111246796 A CN 111246796A CN 201880067335 A CN201880067335 A CN 201880067335A CN 111246796 A CN111246796 A CN 111246796A
- Authority
- CN
- China
- Prior art keywords
- waveform
- eeg
- seizure
- threshold
- user
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004590 computer program Methods 0.000 title claims description 30
- 206010010904 Convulsion Diseases 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 241000700159 Rattus Species 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 12
- 241000699670 Mus sp. Species 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000012552 review Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 9
- 241000283984 Rodentia Species 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 16
- 241001465754 Metazoa Species 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 241000699666 Mus <mouse, genus> Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 206010015037 epilepsy Diseases 0.000 description 4
- 238000011552 rat model Methods 0.000 description 4
- 241000124008 Mammalia Species 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010171 animal model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002397 epileptogenic effect Effects 0.000 description 1
- 230000001667 episodic effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010172 mouse model Methods 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7435—Displaying user selection data, e.g. icons in a graphical user interface
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Neurosurgery (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Human Computer Interaction (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Mathematical Physics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
一种用于分析脑电图(EEG)波形以检测指示癫痫发作的波形的存在的计算机实现的方法。该方法包括以下步骤：利用移动窗口来执行EEG波形的时间频率分析以对波形的节段执行分析，以及计算波形的被分析节段的功率谱值以导出指数值。所计算的指数值用于确定发作的存在。在特定的实施例中，本发明涉及在大鼠、小鼠和其它啮齿动物中的癫痫发作的检测。
Description
发明的技术领域
本发明涉及用于分析脑电图信息的***、方法、计算机程序和界面。在一个实施例中，本发明涉及使用脑电图信息来检测在哺乳动物、优选地实验动物中的癫痫发作、峰和波放电、振荡(包括高频振荡)和其他致癫痫活动。在一个特定的实施例中，本发明涉及在大鼠、小鼠和其他啮齿动物中的癫痫发作的检测。
背景
大鼠模型在发展关于癫痫的起源的理论中和此外在新的和实验性的治疗的评估中以及在发展用于自动癫痫发作检测和/或预测的新方法中是有帮助的。换句话说，大鼠模型通常用于对癫痫进行进一步的研究。
然而，监控发作是费力且困难的任务。大鼠和小鼠被监控可能持续几天或甚至几周或几个月的延长的时期，且对于研究人员来说常见的是：花费几个小时来审查所记录的脑电图(EEG)信号和/或观看所记录的大鼠或小鼠的视频影片片段以将由大鼠或小鼠在延长的时期内经历的发作的次数记入日志或以其他方式记录发作的次数。这种工作是费力的。在几只动物同时被监控的情况下情况尤其如此，这在延长的EEG和/或视频记录的情况下是容易出错的非常耗时和冗长乏味的过程。
许多研究人员继续偏爱于通过审查视频影片片段和在视觉上检查所记录的EEG信号来识别发作，因为迄今为止可用的“自动”检测方法有不可接受的水平的错误的倾向。
正是对于这些问题的思考，本发明已得以被发展。
发明概述
在第一方面中，提供了一种用于分析脑电图(EEG)波形以检测指示癫痫发作的波形的存在的计算机实现的方法，其包括以下步骤：利用移动窗口来执行EEG波形的时间频率分析以对波形的节段执行分析，计算波形的被分析节段的功率谱值以导出指数值，其中指数值用于确定发作的存在。
一个实施例包括迭代本发明的第一方面的处理步骤以提供不同时间窗口的多个索引值的另一步骤，其中多个索引值中的每一个用于检测发作。
一个实施例包括将多个索引值分类成直方图的步骤，其中所得到的直方图被分析以定义活动的背景水平，其中活动的背景水平定义用于去除背景活动的阈值。
在一个实施例中，该方法包括提供界面以允许用户审查直方图并选择性地重置阈值的步骤。
该方法可以包括由用户自主地审查阈值的选择性重置并基于选择性重置来改变预定阈值的步骤。
该方法可以包括仅在规定频带内分析EEG波形的另一步骤。
大鼠的规定频带优选地从17Hz延伸到25Hz。在突变小鼠模型中的用于峰和波检测的规定频带稍微更宽，优选地从14Hz延伸到27Hz。
该方法可被优化用于检测在大鼠、小鼠和其他啮齿动物中的癫痫发作。
在第二方面中，提供了一种用于分析脑电图(EEG)波形以检测存在指示癫痫发作的活动模式(activity pattern)的***，该***包括：模块，其被布置成利用处理器来利用移动窗口来执行EEG波形的时间频率分析以对一节段执行分析，该模块计算波形的被分析节段的功率谱值以导出指数值，以及利用该指数值来确定在波形中的发作模式的存在，其中发作模式的存在经由界面被传递给用户。
在第三方面中，提供了一种计算机程序，其包含至少一个指令并且被布置成当在计算***上被执行时执行本发明的第一方面的方法步骤。
附图简述
本发明的另外的特征将在下面的本发明的几个非限制性实施例的描述中被更全面地描述。该描述仅仅为了举例说明本发明的目的而被包括。它不应被理解为对如上面所阐述的本发明的大略概述、公开或描述的限制。现在将参考附图做出本描述，其中：
图1是根据本发明的实施例的示例计算***，方法和/或计算机程序可以在该计算***上操作；
图2是示出根据本发明的实施例的计算机实现的方法的流程图；
图3是示出根据本发明的实施例计算的EEG信号和窗口功率谱的曲线图；
图4是示出根据本发明的实施例的频谱带指数(SBI)的曲线的曲线图；
图5a是根据本发明的实施例的如在界面上显示的具有自动计算的阈值的SBI曲线；
图5b是根据本发明的实施例的如在界面上显示的具有相同阈值的SBI直方图；以及
图6a和图6b是分别示出根据本发明的实施例的计算机程序的界面的输入信号和结果窗口的屏幕截图。
优选实施例的详细描述
本发明总体上涉及用于分析脑电图信息的***、方法、计算机程序和界面。在一个实施例中，本发明涉及使用脑电图信息来检测在哺乳动物中的癫痫发作。下面在本文中更详细描述的一个实施例中，本发明涉及检测在大鼠、小鼠和其他啮齿动物中的癫痫发作。
更详细地，本文描述的实施例的一个方面提供了一种用于以在线方式分析(即，在数据被收集时实时地执行的分析)或离线方式分析(即，基于预先记录/保存的数据执行的分析)脑电图信息的方法。在在线分析的情况下，该方法包括以下步骤：执行持续EEG信号的时间频率分析，计算该信号的被分析节段的功率谱值以导出指数值，其中该指数值用于确定发作的存在。在离线分析的情况下，除了一个差异——即，EEG信号数据从文件读取而不是作为持续信号被接收——以外，相同的方法步骤被执行。
这种***对于需要被处理的数据的数量是庞大的情况是特别有用的，并且存在对以自主方式处理大量数据同时将“假阳性”减到最少的需要。也就是说，不是真实事件的事件，而是作为信号收集过程的假象的事件，例如电干扰。
该方法的一个实施例被编码在计算***(例如图1所示的计算***)中。
在图1中，示出了计算***的示意图，该计算***在该实施例中是适合于用于本发明的实施例的计算***100。根据本发明的实施例，计算***100可用于执行应用和/或***服务，例如计算机程序和界面。
参考图1，计算***100可以包括接收、存储和执行适当的计算机指令所必需的适当部件。部件可以包括处理器102、只读存储器(ROM)104、随机存取存储器(RAM)106、输入/输出设备，例如磁盘驱动器108、远程或所连接的输入设备110(例如EEG信号监视器)以及一个或多个通信链路114。
计算***100包括可安装在ROM 104、RAM 106或磁盘驱动器108中并可由处理器102执行的指令。可以提供多个通信链路114，其可以不同地连接到一个或多个输入设备110，例如EEG信号监视器。多个通信链路114中的至少一个可以通过电信网络连接到外部计算网络。
在一个特定实施例中，该设备可以包括可以驻留在存储设备112上的数据库116。将理解，数据库可以驻留在任何合适的存储设备上，存储设备可以包括固态驱动器、硬盘驱动器、光盘驱动器或磁带驱动器。数据库116可以驻留在单个物理存储设备上，或者可以在本地或远程地散布在多个存储设备当中。
计算***100包括合适的操作***118，其也可以驻留在服务器100的存储设备上或ROM中。操作***被布置成与数据库和与一个或多个计算机程序交互作用以使服务器执行根据本文描述的本发明的实施例的步骤、功能和/或过程。
概括地，本发明涉及被布置成经由通信网络从一个或多个远程设备接收数据的一种计算方法和***。远程设备可以采取存储在计算设备上的数据的形式，但也可以采取直接从记录器接收的信号数据的形式。在信号数据的实例中，数据采取模拟波的形式，即“原始”脑电图(EEG)信号，如将在后面更详细地描述的。远程设备也可以采取照相机的形式来捕获图像或视频数据，如将在后面更详细地描述的。
在随后的描述中，将参考特定的应用来描述更广泛的发明，即在实验动物和特别是啮齿动物中的癫痫发作的检测。本文描述的所有数据涉及用大鼠和小鼠实行的实验。
转到图2，描述了根据本发明的实施例的自动发作检测算法200。
已经发现癫痫发作在由哺乳动物的大脑产生的EEG信号(其代表电活动)中产生有规律的和可区别的模式。例如，在Clinical Neurophysiology 110(1999)中在1671-1697页出版的Colin D.和Hermann Stefan的标题为“Modern electroencephalography:its rolein epilepsy management”的文章中提供了EEG信号、测量技术和方法的概述以及关于在EEG信号中的模式的重要性或其他方面的发现，因为它们与有癫痫的候选者有关。前面提到的论文的全部内容通过引用被并入本文。本文描述的实施例利用信号处理算法来检测在所收集的EEG数据中的这种信号的存在。
在步骤202，分析输入信号，并且应用滤波器来去除任何低频基线趋势信号(lowfrequency baseline trend signals)，对于本文描述的实施例的预期目的(即癫痫发作的检测)，其不包含关于癫痫发作的直接相关信息。作为一个示例，在本文描述的实施例中，在应用针对检测在大鼠和小鼠中的发作的场合，在临床上对检测发作不感兴趣的低频分量被自动去除，并且在感兴趣的频率范围内的分量变得更可识别。
在步骤204，利用相似基函数(similar basis function)(SBF)算法来执行时间频率分析。对于每个窗口，使用SBF算法来计算窗口信号的功率谱。在Numerical Algorithms(2010)54中在73-100页出版的Dmitriy Melkonian的标题为“Similar basis functionalgorithm for numerical estimation of Fourier integrals”的论文中提供了SBF算法的更详细的解释。上面提到的论文的全部内容通过引用被并入本文。功率谱仅在感兴趣的频带(在该实施例中，17-25Hz)内被计算，从而显著减少计算次数。所利用的频率分辨率是任意的，是预先设置的，或由用户定义。SBF算法的应用和所得到的输出数据产生具有特定峰的“频谱带指数曲线”(SBI曲线)。
更详细地，该算法使用用户定义的步长大小沿着EEG信号应用固定(用户定义的)大小的时间窗口。在本文提供的示例中使用的步长大小等于窗口大小的一半。
一旦计算出功率谱，就估计度量(以单个实数的形式)，该度量指示在频带内的频谱强度。这个度量被称为“频谱带指数”值(SBI值)。
SBI值被计算的方式可能改变，因为SBI值是相对度量而不是绝对度量。例如，可以利用在频带内的最大值，或者也可以利用在频带内在功率谱下的所计算的面积。在发明人的测试中，可以利用两种度量(最大值和面积)。然而已经确定，在感兴趣的频带内存在功率谱的窄峰的情况下最大值的使用是优选的，如图3所示，其中总体上以300示出的SBI值数据利用窗口302由最大度量304或面积度量306确定。
对照窗口的时间值的中心绘制度量的值以形成如图4所示的SBI曲线(度量对时间的依赖性)。可选地，可以对SBI曲线应用平滑算法，以将在阈值之上(其由相同事件引起)的接近的尖锐峰合并成一个值，并从而减少选定事件的数量。SBI值提供用于将发作与例如在402处识别的事件的其他事件区分开来的非常安全的裕度。
再次参考图2，在步骤206，阈值被自动应用于SBI曲线，以低估(discount)对应于发作间(或背景或正常)EEG活动的阈下SBI值，其中“发作性事件”是发作事件，以及“发作间期”是指在发作事件之间的时间的术语。在SBI曲线中的剩余的阈上峰(suprathresholdpeaks)被识别为发作事件。
更详细地，SBI曲线的阈值被定义，使得背景或其他非发作相关活动位于该阈值之下。为了定义这个阈值，计算SBI值的分布直方图。假设发作性事件的总持续时间仅是记录的总持续时间的一小部分，具有分布的最高密度的直方图的区域将指示发作间SBI值范围。通过将阈值设置在该范围之上的某处(在右边缘或更高处)，SBI的“普通”(即不相关的)值被移除，并且只有突出的值留在直方图中。
更详细地(并且当计算机程序在离线模式中操作时参考该计算机程序)，首先在整个记录时间期间建立SBI值的分布直方图。
如果直方图的直条(bins)的数量是N以及hi是第i个直条的值，则该过程由找到直方图的最大值和相应的直条imax开始。
从最大直条开始，算法扫描在直方图中的在最大直条右侧的后续直条以找到直条的值几乎为零的直条。为此，从imax开始，计算K个连续直条的总和：
其中j＝0、1、2、…以及对于每个j，条件Sj<A被确定，其中A是下面更详细描述的参数。这个条件一被满足，相应直条的x值就被取为阈值(直方图的x值是SBI振幅)。
在验证研究中使用的参数的值为K＝N/20以及A＝K/2，其中K是连续直条的数量。
换句话说，直条的总和必须不大于直条的总数的一半。换句话说，直条的至少一半必须是空的。在实践中，发明人发现这一要求是严格的，并且仅对具有很少发作的长时间无假象记录(arteface-free recordings)被满足。
因此，参数K和A可以在算法的学习或适应期间被修改。在这点上，软件具有“学习”能力，其中用户调整被保存，并且算法被应用于基于用户输入来改变参数K和A。
在在线模式中，阈值用相同的基本方法被计算，唯一的差异是，在新数据窗口被获取并相应的SBI值被计算的每个实例中，直方图被实时地重新计算。因此，由此可见，阈值用每个新的SBI值动态地被重新定义。
在步骤208，用户可以可选地审查原始EEG信号和/或视频影片片段以确认峰实际上是真实事件而不是假象，并且可以调整阈值和/或低估事件。
更详细地，关于本文所述的实施例，发明人发现至少在癫痫的四(4)个不同的大鼠模型中的发作具有特定的频率分量，该频率分量在发作间EEG中在无假象记录中没有出现(或者与发作相比是非常弱的)。该分量具有在17-25赫兹的范围内的峰频率。
使用由这四个模型提供的特异性，本文描述的实施例(以及本文示出的作为结果的数据)利用被“微调”以处理四个大鼠模型的窄频带(即17-25Hz)的频谱带指数(SBI)的算法，并选择SBI值是高的(高于阈值，其首先被自动确定，然后可以由用户调整)的EEG的片段。
该程序可以在完全自主模式中操作，并以上述方式选择阈值。然而，因为常常存在异常假象出现的情况(其可能不由阈值的自主设置捕获)，本文描述的实施例提供了允许用户干预的界面。
假象的一个例子是具有在期望频带中和在所有其他频带中的强分量的信号，意味着它不是指示癫痫发作的信号，但更确切地是“噪声”信号，例如电干扰。
将理解，上面的示例参考处理EEG数据的现有数据文件(或多个数据文件)的计算机程序被描述。然而，当数据被接收到时，计算机程序能够实时地计算和填充直方图。
在数据被实时地接收的情况下，该方法与上面关于图2和步骤202至208描述的方法相同，唯一的差异是当每个新的离散数据集由程序接收时步骤204重复。将理解，这种变化在本领域中的技术人员的视界内。
参考图5a和图5b，在用户界面中示出了相应的窗口，其提供SBI曲线和SBI直方图的视觉显示。用户可以检查数据并使用鼠标或其他指向设备来改变阈值。
然后，自动确定的阈值可以由用户根据一些知识和经验来重新调整(例如，阈值可以被降低以捕获更弱或更短的事件)。这种重新调整是非常简单的——用户利用鼠标或其他指向设备(例如，在触摸屏的情况下是他们的手指)来在直方图上朝着左边或右边或者在SBI图上向上或向下“拖拽”阈值线。
在阈值被定义之后，在事件的列表中选择SBI值高于阈值的EEG的所有事件及它们的开始时间和结束时间。开始时间和结束时间大致被确定为SBI曲线越过阈值的点。以这种方式定义开始和结束的精度等于时间窗口的大小。然后，可以通过使用更小的时间窗口以更大的精确度自动重新定义这些值。
然后，用户可以“浏览”选定事件(观看EEG的相应片段)，并将该事件确认或拒绝为发作。已确认的事件形成事件的新列表。在完成检查之后，用户可以保存事件的最终列表。这种改变可以分别通过在图6a和图6b中的界面600和602来实现。
此外，尽管前面的描述已经描述了提供用于将信号划分为“事件”和“非事件”的手段的根据实施例的计算机程序，但该程序还具有允许用户添加任意数量的事件类型(或类别)以创建事件的更详细分类的功能。
也就是说，计算机程序提供两个默认事件类别(换句话说，两个列表，即标题为“发作(Seizures)”的第一列表和标题为“假象(Artefacts)”的第二列表)，但用户可以添加额外的类别。
用户不能删除这两个列表，但可以重命名列表并提供附加描述。此外，用户可以添加任意数量的附加列表或事件类别。添加的类别可以被删除。当检查自动选择的事件时，用户可以将事件添加到这些事件类别(列表)中的任一个中。图6b中所示的例子示出三(3)个类别：两(2)个默认(“发作”和“假象”)和一个添加的类别(标题为“可能以后感兴趣(May beinteresting later)”)。
这个特征在用户识别出他们不能归类为发作或假象但他们不想丢弃的事件时是有用的，用户可以创建额外的“未知”类别来对这样的事件分类。或者当用户想要根据一些标准(例如，持续时间或临床/亚临床)来区分发作时，在这种情况下，他们可以创建相应的类别并在他们需要时将事件放置到类别中。
优势
本文描述的实施例和更宽泛的发明提供了许多优点。
首先，使用优化算法允许更精确的频率特性(无频谱泄漏)以及任意的频率范围和分辨率。例如，当感兴趣的范围不包括50Hz或60Hz时，不需要50Hz或60Hz功率噪声滤波。
其次，只计算在感兴趣的频率范围内的特征，减少所需的计算的次数，并从而以与快速傅立叶变换的速度可比较的方式提高计算的速度。
此外，该算法针对逐窗口计算被优化(使用运行窗口来计算频谱带指数)，使得计算正弦系数和余弦系数所需的繁重处理仅被执行一次，并且系数对于每个后续窗口被重复使用，这也显著提高了计算速度。
该***、方法和计算机程序被布置成以更有效和准确的方式处理结果。为了证明本计算机程序的效率和准确性，申请人进行识别发作的传统现有技术方法和实施例的计算机程序的短暂比较研究。
利用本发明的实施例和手动地审查EEF信号和视频记录的现有技术方法来处理来自一百七十九(179)只大鼠和二十六(26)只小鼠的EEG信号。如在表1(下面的)中所示的，大鼠记录包含总共10,600次发作，以及小鼠记录包含总共8,566次发作。
在所有记录和所有模型中，计算机程序检测到所有发作的100％。在几种情况下，该程序发现专家在第一遍没有识别出的发作。这些事件后来由专家核实，并被确认为发作。因此，由计算机程序利用的算法在检测发作时比人工手动地观看影片片段或审查EEG信号更准确。
表1：处理结果
此外，通过利用实施例的计算机程序以审查EEG信号数据来实现显著的时间效率。参考表2(下面)，由用户在利用计算机程序来处理一(1)个后SE或PTE动物的值一天的数据时花费的最长的时间量为约五(5)分钟，而由用户在利用计算机程序来处理一(1)只动物的数据时花费的最短时间为约六(6)秒。相应地，包括用户与计算机程序的界面交互作用以审查所识别的事件所需的时间的量(其中有调整或改变阈值和/或移除假象所需的用户输入)，由用户利用计算机程序来处理一(1)只动物的值一(1)天的数据所花费的平均时间量为约一(1)分钟。
发现当不使用根据本发明的实施例的计算机程序时，有经验的研究人员花费大约一(1)小时滚动过一(1)只动物的值一(1)天的EEG数据以识别该动物所经历的所有发作。
因此，使用根据本发明的实施例的计算机程序，研究人员平均将分析所需的时间减少了六十(60)倍，从而节省了大约98％的时间。
表2：每种方法的后SE和PTE大鼠的处理时间
免责声明
在整个此说明书中，除非上下文另有要求，否则词语“包括(comprise)”或诸如“包括(comprises)”或“包括(comprising)”的变形将被理解为暗示包括所陈述的特征或特征组而不是明确排除任何其它特征或特征组。
本领域中的技术人员将认识到，本文描述的实施例易于进行除了特别描述的那些变化和修改以外的明显的变化和修改，并且意图是最宽泛的权利要求涵盖所有这样的变化和修改。本领域中的技术人员还将理解，支持最宽泛的权利要求的创造性概念可以包括在说明书中单独地或共同提及或指示的任何数量的步骤、特征和概念，并且任意两个或更多个步骤或特征的任何和所有组合可以构成发明。
在本文使用的选定术语的定义在本发明的详细描述中被找到的场合下，意图是这样的定义适用于所要求保护的发明。然而如果没有明确规定，本文使用的所有科学术语和技术术语具有与在本发明所属的领域中的普通技术人员通常理解的相同的含义。
尽管不是需要的，但参考该方法、计算机程序、计算机接口和该***的方面描述的实施例可以通过应用编程接口(API)、应用开发工具包(ADK)或作为一系列程序库来实现，用于由开发者使用，用于创建将在任一个或多个计算平台或设备，例如终端或个人计算机操作***或便携式计算设备、智能手机或平板计算***操作***上或在更大的服务器结构例如“数据农场”内或在更大的计算事务处理***内使用的软件应用。
通常，因为程序模块包括执行或协助特定功能的执行的例程、程序、对象、部件和数据文件，将理解，本文定义的方法、计算机程序和计算机接口的功能可以分布在多个例程、程序、对象或部件当中以实现与本文所要求保护的实施例和更宽泛的发明相同的功能。这种变化和修改由发明人设想，并且在本领域中的技术人员的范围内。
还将认识到，在本发明和/或实施例的方法和***由计算***实现或者部分地由计算***实现的情况下，则任何合适的计算***架构可以被利用而不偏离创造性概念。这包括不利用如用通俗语理解的软件(例如现场可编程门阵列)的独立计算机、联网计算机和专用计算设备。
在术语“计算机”、“计算***”和“计算设备”在说明书中被使用的情况下，这些术语意欲涵盖用于实现本文描述的创造性概念和/或实施例的计算机硬件的任何适当的布置。
在术语“软件应用”、“应用”、“计算机程序”和“程序”在提到本发明的实施例时在说明书中被使用的情况下，这些术语意欲涵盖能够如在本文概括地描述的执行功能和/或实现结果的任何适当的软件。
在参考通信标准、方法和/或***的情况下，将理解，构成实施例和/或发明或与实施例和/或发明交互作用的设备、计算***、服务器等可经由任何合适的硬件机制和软件协议——包括有线通信协议和无线通信协议，例如但不限于第二代、第三代和***(2G、3G和4G)电信协议(根据国际移动电信-2000(IMT-2000)规范)、Wi-Fi(根据IEEE 802.11标准)、蓝牙(根据IEEE 802.15.1标准和/或由蓝牙特别兴趣小组(Bluetooth SpecialInterest Group)设定的标准)或可能有时变得可用的任何其他射频、光、声、磁或任何其他通信形式或方法——来发送和接收数据。
Claims (10)
1.一种用于分析脑电图(EEG)波形以检测指示癫痫发作的波形的存在的计算机实现的方法，包括以下步骤：利用移动窗口来执行所述EEG波形的时间频率分析以对所述波形的一节段执行所述分析，计算被分析节段的功率谱值以导出指数值，其中所述指数值用于确定发作的存在。
2.根据权利要求1所述的方法，还包括迭代权利要求1的处理步骤以提供不同时间窗口的多个索引值的步骤，其中所述多个索引值中的每一个用于检测发作。
3.根据权利要求2所述的方法，包括将所述多个索引值分类成直方图的步骤，其中所得到的直方图被分析以定义活动的背景水平，其中所述活动的背景水平定义用于去除背景活动的阈值。
4.根据权利要求3所述的方法，还包括提供界面以允许用户审查所述直方图并选择性地重置所述阈值的步骤。
5.根据权利要求4所述的方法，还包括由用户自主地审查所述阈值的选择性重置并基于所述选择性重置来改变预定阈值的步骤。
6.根据前述权利要求中的任一项所述的方法，还包括仅在规定频带内分析所述EEG波形的步骤。
7.根据前述权利要求中的任一项所述的方法，其中大鼠的所述规定频带从17Hz延伸到25Hz，以及小鼠的所述规定频带从14Hz延伸到27Hz。
8.根据前述权利要求中的任一项所述的方法，其中所述方法能够被优化用于检测在大鼠和小鼠中的癫痫发作。
9.一种用于分析脑电图(EEG)波形以检测存在指示癫痫发作的活动模式的***，包括：模块，所述模块被布置成利用处理器来利用移动窗口来执行所述EEG波形的时间频率分析以对所述波形的一节段执行所述分析，所述模块计算被分析节段的功率谱值以导出指数值，以及利用所述指数值来确定在所述波形中的发作模式的存在，其中发作模式的存在经由界面被传递给用户。
10.一种计算机程序，其包含至少一个指令并且被布置成当在计算***上被执行时执行本发明的第一方面的方法步骤。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| AU2017903481A AU2017903481A0 (en) | 2017-08-29 | A system, method, computer program and computer interface for analysing electroencephalographic information | |
| AU2017903481 | 2017-08-29 | ||
| PCT/AU2018/050918 WO2019040981A1 (en) | 2017-08-29 | 2018-08-28 | SYSTEM, METHOD, COMPUTER PROGRAM, AND COMPUTER INTERFACE FOR ANALYZING ELECTROENCEPHALOGRAPHIC INFORMATION |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111246796A true CN111246796A (zh) | 2020-06-05 |
Family
ID=65524587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880067335.1A Pending CN111246796A (zh) | 2017-08-29 | 2018-08-28 | 用于分析脑电图信息的***、方法、计算机程序和计算机界面 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20200275852A1 (zh) |
| EP (1) | EP3675724A4 (zh) |
| JP (1) | JP2021502835A (zh) |
| CN (1) | CN111246796A (zh) |
| AU (1) | AU2018326291A1 (zh) |
| WO (1) | WO2019040981A1 (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150227702A1 (en) * | 2014-02-10 | 2015-08-13 | Picofemto LLC | Multi-factor brain analysis via medical imaging decision support systems and methods |
| US20150335659A1 (en) * | 2014-05-21 | 2015-11-26 | Wisconsin Alumni Research Foundation | New uses of ganaxolone |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7299088B1 (en) * | 2002-06-02 | 2007-11-20 | Nitish V Thakor | Apparatus and methods for brain rhythm analysis |
| WO2008058343A1 (en) * | 2006-11-15 | 2008-05-22 | The University Of Queensland | A method for detecting eeg seizures in a newborn or a young child |
| US9554721B1 (en) * | 2007-04-23 | 2017-01-31 | Neurowave Systems Inc. | Seizure detector, brain dysfunction monitor and method |
| AU2013251363B2 (en) * | 2012-04-27 | 2018-11-15 | Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations | Non-invasive automated electrical control systems and methods for monitoring animal conditions |
| US10406363B2 (en) * | 2015-04-21 | 2019-09-10 | Livanova Usa, Inc. | Evaluation of efficacy of epilepsy therapy |
-
2018
- 2018-08-28 AU AU2018326291A patent/AU2018326291A1/en not_active Abandoned
- 2018-08-28 CN CN201880067335.1A patent/CN111246796A/zh active Pending
- 2018-08-28 EP EP18850800.6A patent/EP3675724A4/en not_active Withdrawn
- 2018-08-28 WO PCT/AU2018/050918 patent/WO2019040981A1/en unknown
- 2018-08-28 JP JP2020512840A patent/JP2021502835A/ja not_active Abandoned
- 2018-08-28 US US16/643,751 patent/US20200275852A1/en not_active Abandoned
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150227702A1 (en) * | 2014-02-10 | 2015-08-13 | Picofemto LLC | Multi-factor brain analysis via medical imaging decision support systems and methods |
| US20150335659A1 (en) * | 2014-05-21 | 2015-11-26 | Wisconsin Alumni Research Foundation | New uses of ganaxolone |
Non-Patent Citations (1)
| Title |
|---|
| TZALLAS, A. T. ET AL: "Epileptic Seizure Detection in EEGs Using Time–Frequency Analysis", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| AU2018326291A1 (en) | 2020-04-16 |
| US20200275852A1 (en) | 2020-09-03 |
| WO2019040981A1 (en) | 2019-03-07 |
| EP3675724A4 (en) | 2021-04-14 |
| EP3675724A1 (en) | 2020-07-08 |
| JP2021502835A (ja) | 2021-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | AR based quadratic feature extraction in the VMD domain for the automated seizure detection of EEG using random forest classifier | |
| Zhang et al. | Epilepsy seizure prediction on EEG using common spatial pattern and convolutional neural network | |
| US10743809B1 (en) | Systems and methods for seizure prediction and detection | |
| US11232133B2 (en) | System for detecting and characterizing seasons | |
| US20200258005A1 (en) | Unsupervised method for classifying seasonal patterns | |
| Xie et al. | Wavelet-based sparse functional linear model with applications to EEGs seizure detection and epilepsy diagnosis | |
| Harrison et al. | Correlation dimension and integral do not predict epileptic seizures | |
| Birot et al. | Automatic detection of fast ripples | |
| Slimen et al. | Epileptic seizure prediction based on EEG spikes detection of ictal-preictal states | |
| US11291413B2 (en) | Systems and methods for linear-time clustering for bounded, repeatable, rare events in physiological signals | |
| Li et al. | Classification epileptic seizures in EEG using time-frequency image and block texture features | |
| Yuan et al. | Automatic seizure detection using diffusion distance and BLDA in intracranial EEG | |
| Zandi et al. | Detection of epileptic seizures in scalp electroencephalogram: an automated real-time wavelet-based approach | |
| Yuan et al. | The earth mover’s distance and Bayesian linear discriminant analysis for epileptic seizure detection in scalp EEG | |
| CN113180696A (zh) | 一种颅内脑电的检测方法、装置、电子设备及存储介质 | |
| Mei et al. | Identifying sleep spindles with multichannel EEG and classification optimization | |
| WO2008058343A1 (en) | A method for detecting eeg seizures in a newborn or a young child | |
| Rasoulzadeh et al. | A comparative stationarity analysis of EEG signals | |
| US10716514B1 (en) | System and method for optimized independent component selection for automated signal artifact removal to generate a clean signal | |
| CN111246796A (zh) | 用于分析脑电图信息的***、方法、计算机程序和计算机界面 | |
| Casson et al. | Utilising noise to improve an interictal spike detector | |
| Wu et al. | Study of feature extraction algorithms for epileptic seizure prediction based on SVM | |
| El Bouny et al. | R peak detection based on wavelet transform and nonlinear energy operator | |
| CN112515686B (zh) | 一种脑电数据处理方法、装置以及计算机可读存储介质 | |
| Janca et al. | Seizure onset zone detection and localization in iEEG using DTF |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200605 |