CN113425312A - 脑电数据处理方法及装置 - Google Patents
脑电数据处理方法及装置 Download PDFInfo
- Publication number
- CN113425312A CN113425312A CN202110873934.6A CN202110873934A CN113425312A CN 113425312 A CN113425312 A CN 113425312A CN 202110873934 A CN202110873934 A CN 202110873934A CN 113425312 A CN113425312 A CN 113425312A
- Authority
- CN
- China
- Prior art keywords
- brain network
- network attributes
- sample object
- brain
- sample
- 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.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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]
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开涉及一种脑电数据处理方法及装置,所述方法包括:采集目标对象的脑电数据;根据所述目标对象的脑电数据,确定第一特征向量,所述第一特征向量包括由所述目标对象的脑电数据确定的多个脑网络属性;将所述第一特征向量输入训练好的预测模型,得到预测结果,其中,预测结果表示所述目标对象是否适合接受特定的医学处置。根据本公开实施例的脑电数据处理方法,可以提高目标对象对特定的医学处置的适应性的预测准确度。
Description
技术领域
本公开涉及数据分析领域,尤其涉及一种脑电数据处理方法及装置。
背景技术
癫痫作为一种疾病会影响患者的生活,大部分患者可以用一种或多种药物联合治疗对癫痫发作情况加以控制,但仍然会有部分患者对药物治疗并不敏感,这些患者被称为药物难治性癫痫患者。迷走神经刺激手术(vagus nerve stimulatio,VNS)对于认知、神经以及全身的副作用较小,在1997年被批准用于治疗药物难治性癫痫。但是患者的VNS术后疗效存在极大的不确定性。根据已有的研究数据,通过VNS治疗药物难治性癫痫,术后2年约60%的患者达到临床有效水平(癫痫发作控制率大于等于50%),部分患者癫痫发作仍得不到有效的控制,且癫痫完全无发作患者比例仅10%左右。因此,VNS治疗药物难治性癫痫面临一个很大的挑战——如何保证接受VNS治疗的患者在治疗后得到较高的癫痫发作控制率,而不是全无作用或者癫痫发作控制率很低。
因此,预测患者是否适合接受特定的医学处置,例如药物难治性癫痫患者作为目标对象时,针对采用迷走神经刺激的治疗手段治疗目标对象的治疗效果的不确定性和个体差异大的问题,通过术前评估手段来预测目标对象是否适合接受迷走神经刺激手术,成为相关领域的研究热点。
发明内容
有鉴于此,本公开提出了一种脑电数据处理方法及装置,根据本申请实施例的脑电数据处理方法,可以提高目标对象对特定的医学处置的适应性的预测准确度。
根据本公开的一方面,提供了一种脑电数据处理方法,所述方法包括:采集目标对象的脑电数据;根据所述目标对象的脑电数据,确定第一特征向量,所述第一特征向量包括由所述目标对象的脑电数据确定的多个脑网络属性;将所述第一特征向量输入训练好的预测模型,得到预测结果,其中,预测结果表示所述目标对象是否适合接受特定的医学处置。
在一种可能的实现方式中,所述目标对象的脑电数据包括目标对象的无伪迹的发作间期脑电数据,根据所述目标对象的脑电数据,确定第一特征向量,包括:确定作为所述训练好的预测模型的输入的多个属性类型;根据所述目标对象的无伪迹的发作间期脑电数据,确定与所述多个属性类型对应的所述多个脑网络属性;根据所述多个脑网络属性,得到所述第一特征向量。
在一种可能的实现方式中,所述预测模型根据样本对象的脑电数据训练得到,所述方法还包括:根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性;根据所述样本对象接受所述特定的医学处置后的效果,将所述效果满足预设条件的样本对象的多个脑网络属性确定为正样本,将所述效果不满足预设条件的样本对象的多个脑网络属性确定为负样本;对所述正样本和所述负样本进行差异显著性分析,得到具有显著性差异的脑网络属性,其中正样本和负样本的具有显著性差异的脑网络属性之间的差别大于阈值;对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量;根据所述样本对象的多个脑网络属性中,与所述第二特征向量中的属性类型相同的脑网络属性,训练得到所述预测模型。
在一种可能的实现方式中,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量,包括:根据所有具有显著性差异的脑网络属性,得到特征子集,确定预测模型对所述特征子集的预测准确率;判断当前特征子集是否为空集;在所述当前特征子集为空集时,按照预测准确率最高的一个特征子集中的脑网络属性的重要性评分,对所述预测准确率最高的一个特征子集中的脑网络属性进行重要性排序,得到第二特征向量。
在一种可能的实现方式中,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量,还包括:在所述当前特征子集不为空集时,重复以下操作:将所述当前特征子集输入预设的随机森林模型,得到所述当前特征子集中的每个脑网络属性的重要性评分;消除所述当前特征子集中,至少一个重要性评分最低的脑网络属性,所述当前特征子集中剩余的脑网络属性的集合,作为新的当前特征子集,确定预测模型对当前特征子集的预测准确率;重新判断当前特征子集是否为空集。
在一种可能的实现方式中,根据所述样本对象的多个脑网络属性中,与所述第二特征向量中的属性类型相同的脑网络属性,训练得到所述预测模型,包括:根据所述第二特征向量中的不同脑网络属性,排列组合得到多个第三特征向量,其中,不同的第三特征向量中的脑网络属性的组合不同,或者,不同的第三特征向量中的脑网络属性的组合以及脑网络属性在第三特征向量中的排序不同;计算分别以所述样本对象的多个脑网络属性中,与多个第三特征向量中的属性类型相同的脑网络属性作为所述预测模型的输入时,所述预测模型的预测准确度;根据预测准确度最高的第三特征向量确定预测模型的输入属性类型,得到训练好的预测模型。
在一种可能的实现方式中,所述预测模型根据样本对象的脑电数据训练得到,所述方法还包括:根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性;将所述样本对象接受所述特定的医学处置后的效果作为标记,将所述样本对象的多个脑网络属性作为影响因素,输入到预设的线性回归模型,所述线性回归模型从输入的多个脑网络属性中筛选并输出至少一个脑网络属性;根据所述至少一个脑网络属性,训练得到所述预测模型。
在一种可能的实现方式中,所述样本对象的脑电数据包括样本对象的无伪迹的发作间期脑电数据,根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性,包括:根据所述样本对象的脑电数据,得到样本对象的预处理后的脑电数据,所述预处理包括滤波、去噪、重参考以及分段中的至少一种;根据所述样本对象的预处理后的脑电数据,确定样本对象的指标,所述样本对象的指标指示样本对象的各通道脑电信号之间的连通关系,所述样本对象的指标包括相干性、相位锁定值、相位延迟指数、加权相位延迟指数、格兰杰因果及同步似然性中的至少一个;根据所述样本对象的指标得到样本对象的至少一个同步性矩阵,每个同步性矩阵对应一个指标;根据所述同步性矩阵以及预设的阈值条件,得到样本对象的阈值关联矩阵;根据所述阈值关联矩阵,建立样本对象的脑网络;根据所述样本对象的脑网络,确定所述样本对象的多个脑网络属性,所述样本对象的多个脑网络属性包括平均同步性、聚类系数、特征路径长度、介数中心性、全局效率以及局部效率中的一个或多个。
根据本公开的另一方面,提供了一种脑电数据处理装置,所述装置包括:采集模块,用于采集目标对象的脑电数据;确定模块,用于根据所述目标对象的脑电数据,确定第一特征向量,所述第一特征向量包括由所述目标对象的脑电数据确定的多个脑网络属性;预测模块,用于将所述第一特征向量输入训练好的预测模型,得到预测结果,其中,预测结果表示所述目标对象是否适合接受特定的医学处置。
在一种可能的实现方式中,所述目标对象的脑电数据包括目标对象的无伪迹的发作间期脑电数据,根据所述目标对象的脑电数据,确定第一特征向量,包括:确定作为所述训练好的预测模型的输入的多个属性类型;根据所述目标对象的无伪迹的发作间期脑电数据,确定与所述多个属性类型对应的所述多个脑网络属性;根据所述多个脑网络属性,得到所述第一特征向量。
在一种可能的实现方式中,所述预测模型根据样本对象的脑电数据训练得到,所述方法还包括:根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性;根据所述样本对象接受所述特定的医学处置后的效果,将所述效果满足预设条件的样本对象的多个脑网络属性确定为正样本,将所述效果不满足预设条件的样本对象的多个脑网络属性确定为负样本;对所述正样本和所述负样本进行差异显著性分析,得到具有显著性差异的脑网络属性,其中正样本和负样本的具有显著性差异的脑网络属性之间的差别大于阈值;对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量;根据所述样本对象的多个脑网络属性中,与所述第二特征向量中的属性类型相同的脑网络属性,训练得到所述预测模型。
在一种可能的实现方式中,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量,包括:根据所有具有显著性差异的脑网络属性,得到特征子集,确定预测模型对所述特征子集的预测准确率;判断当前特征子集是否为空集;在所述当前特征子集为空集时,按照预测准确率最高的一个特征子集中的脑网络属性的重要性评分,对所述预测准确率最高的一个特征子集中的脑网络属性进行重要性排序,得到第二特征向量。
在一种可能的实现方式中,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量,还包括:在所述当前特征子集不为空集时,重复以下操作:将所述当前特征子集输入预设的随机森林模型,得到所述当前特征子集中的每个脑网络属性的重要性评分;消除所述当前特征子集中,至少一个重要性评分最低的脑网络属性,所述当前特征子集中剩余的脑网络属性的集合,作为新的当前特征子集,确定预测模型对当前特征子集的预测准确率;重新判断当前特征子集是否为空集。
在一种可能的实现方式中,根据所述样本对象的多个脑网络属性中,与所述第二特征向量中的属性类型相同的脑网络属性,训练得到所述预测模型,包括:根据所述第二特征向量中的不同脑网络属性,排列组合得到多个第三特征向量,其中,不同的第三特征向量中的脑网络属性的组合不同,或者,不同的第三特征向量中的脑网络属性的组合以及脑网络属性在第三特征向量中的排序不同;计算分别以所述样本对象的多个脑网络属性中,与多个第三特征向量中的属性类型相同的脑网络属性作为所述预测模型的输入时,所述预测模型的预测准确度;根据预测准确度最高的第三特征向量确定预测模型的输入属性类型,得到训练好的预测模型。
在一种可能的实现方式中,所述预测模型根据样本对象的脑电数据训练得到,所述方法还包括:根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性;将所述样本对象接受所述特定的医学处置后的效果作为标记,将所述样本对象的多个脑网络属性作为影响因素,输入到预设的线性回归模型,所述线性回归模型从输入的多个脑网络属性中筛选并输出至少一个脑网络属性;根据所述至少一个脑网络属性,训练得到所述预测模型。
在一种可能的实现方式中,所述样本对象的脑电数据包括样本对象的无伪迹的发作间期脑电数据,根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性,包括:根据所述样本对象的脑电数据,得到样本对象的预处理后的脑电数据,所述预处理包括滤波、去噪、重参考以及分段中的至少一种;根据所述样本对象的预处理后的脑电数据,确定样本对象的指标,所述样本对象的指标指示样本对象的各通道脑电信号之间的连通关系,所述样本对象的指标包括相干性、相位锁定值、相位延迟指数、加权相位延迟指数、格兰杰因果及同步似然性中的至少一个;根据所述样本对象的指标得到样本对象的至少一个同步性矩阵,每个同步性矩阵对应一个指标;根据所述同步性矩阵以及预设的阈值条件,得到样本对象的阈值关联矩阵;根据所述阈值关联矩阵,建立样本对象的脑网络;根据所述样本对象的脑网络,确定所述样本对象的多个脑网络属性,所述样本对象的多个脑网络属性包括平均同步性、聚类系数、特征路径长度、介数中心性、全局效率以及局部效率中的一个或多个。
根据本公开的另一方面,提供了一种脑电数据处理装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
根据本申请实施例的脑电数据处理方法,通过采集目标对象的脑电数据并处理得到第一特征向量,使得第一特征向量输入预测模型时,预测模型能够给出表示目标对象是否适合接受特定的医学处置的预测结果,从而能够在接受特定的医学处置前预先预测目标对象对于特定的医学处置的适应性。并且第一特征向量包括多个脑网络属性,因此预测结果与多个脑网络属性相关联,使得不同的目标对象的预测结果能够体现易感性的个体间差异,保证了预测结果的准确性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本申请实施例的脑电数据处理方法的示例性应用场景。
图2示出根据本申请实施例的预测模型的示例性获取方法的示例性示意图。
图3示出根据本申请实施例的脑电信号预处理方式的一个示例。
图4示出根据本申请实施例得到相位锁定值的示例性方法示意图。
图5示出根据本申请实施例的同步性矩阵的一个示例。
图6示出根据本申请实施例得到加权相位延迟指数的示例性方法示意图。
图7示出根据本申请实施例的同步性矩阵的一个示例。
图8示出根据本申请实施例得到相干性的示例性方法示意图。
图9示出根据本申请实施例得到同步似然性的示例性方法示意图。
图10示出根据本申请实施例得到格兰杰因果的示例性方法示意图。
图11示出根据本申请实施例筛选脑网络属性并进行排序的实现方式的一个示例。
图12示出本申请实施例按照评分结果从高到低对脑网络属性进行排序的实现方式的一个示例。
图13示出本申请实施例获得训练好的预测模型的一个示例。
图14示出根据本申请实施例的脑电数据处理方法的示例性示意图。
图15示出根据本申请实施例训练得到预测模型的示例性示意图。
图16示出根据本申请实施例的心电数据处理装置的示例性示意图。
图17示出根据本申请实施例的一种装置800的示例性框图。
图18示出根据本申请实施例的一种装置1900的示例性框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
现有对于特定的医学处置的适应性预测的研究大多是基于目标对象的临床资料,包括病因、癫痫类型或癫痫灶位置进行适应性(尤其是癫痫完全控制)分析。但是这类分析方法的准确率低,不能用于临床推广。而且这类分析都是针对具有一定特征的目标对象群体进行的预测分析,对于目标对象个体而言,特定的医学处置的适应性预测仍无定论。
一些现有技术提出借助脑电图(electroencephalogram,EEG)来进行VNS疗效预测。脑电图是监控并判断目标对象的身体状态的金标准,是临床上对目标对象进行状态监控的一项必需的检查。基于脑电图寻找目标对象对于特定的医学处置的适应性可以采用视觉分析的方法,视觉分析是通过采集的脑电数据生成脑电图,由脑电图技师或研究者通过肉眼直接观察脑电图获取直观信息。然而,目视检查的准确性受操作者(脑电图技师或研究者)自身的能力与经验的限制,主观性比较强,并且视觉分析只能对肉眼看到的图像进行分析,忽略了肉眼看不到的脑电图特征,灵敏性差。
为了解决视觉分析存在的上述问题,提出了定量脑电图分析方法,通过计算机用定量的方法(如时域和频域计算)对采集的脑电数据进行处理,可监测到肉眼看不到的脑电图特征,如同步性(脑部两半球相应区域或同一半球的各区域内脑电活动的出现或消失在时间上的一致性程度)、功率谱(横坐标为频率、纵坐标为幅度的曲线图或直方图,能够表示脑电活动带来的脑电频率变化)和对称性(同步性出现在两侧半球对应区域的某种脑电活动在波形、频率以及幅度方面的相似性程度),定量脑电图分析相对于视觉分析更客观、更灵敏。采用定量脑电图分析得到的多种脑电图特征可以用于构建脑网络。
相比健康人脑网络的结构,特定的医学处置(例如VNS)的目标对象的脑网络更容易出现更多的不规则性或随机性。VNS可促进目标对象的脑网络重组,且重组以趋向正常的大脑网络状态的方向进行。因此,有研究者提出将接受特定的医学处置(例如VNS)后癫痫得到控制的样本对象(例如癫痫控制率大于或等于预设阈值)称为有效对象,将接受特定的医学处置(例如VNS)后癫痫得不到控制(例如癫痫控制率小于预设阈值)的样本对象称为无效对象,通过在有效对象和无效对象接受特定的医学处置(例如VNS)前后采集的脑电数据,分别构建有效对象和无效对象的术前脑网络和术后脑网络,并基于此判断有效对象和无效对象之间因接受特定的医学处置引起的脑网络差异性变化。这种差异性变化可能反映了外部刺激引起的脑网络变化的(非特异性)易感性的个体间差异。这种易感性的个体间差异可能是目标对象对于特定的医学处置的适应性的基础,目标对象本身的脑网络状态可以在一定程度上体现这种易感性。
基于这个结论,本申请提出一种脑电数据处理方法及装置,根据本申请的脑电数据处理方法,可以利用样本对象接收特定的医学处置前的脑电数据,通过定量分析获得样本对象脑网络及脑网络特征,并结合机器学习方法获得预测模型;利用目标对象接收特定的医学处置前的脑电数据,通过定量分析获得目标对象脑网络及脑网络特征,并结合预测模型准确、高效地预测目标对象对于特定的医学处置的适应性。
图1示出根据本申请实施例的脑电数据处理方法的示例性应用场景。如图1所示,本申请实施例的脑电数据处理方法可以由服务器或终端设备执行,服务器或终端设备可以包括但不限于智能手机、个人计算机、平板电脑等多种电子设备。服务器或终端设备上可以部署有训练好的预测模型。目标对象可穿戴或佩戴有能够进行脑电数据采集的数据采集设备,服务器或终端设备可以通过有线或者无线通信方式接收来自数据采集设备的脑电数据,其中,终端设备也可以是数据采集设备本身。在目标对象接受特定的医学处置前,在一定的时间段内,数据采集设备持续采集目标对象的脑电数据并发送至服务器或终端设备。
根据本申请实施例的脑电数据处理方法,在服务器或终端设备上,目标对象的脑电数据经过一系列分析处理,可以得到一个用于输入到预测模型的特征向量,该特征向量输入到预测模型,可以得到目标对象的预测结果。根据该预测结果,可以判断目标对象对于迷走神经刺激手术等特定的医学处置的适应性。
下面结合图2-图13介绍根据本申请实施例的预测模型的示例性获取方式。图2示出根据本申请实施例的预测模型的示例性获取方法的示例性示意图。如图2所示,在一种可能的实现方式中,所述方法包括:
S11,获取样本对象的无伪迹的发作间期脑电数据。
举例来说,样本对象可以包括上文所述的有效对象和无效对象,样本对象的无伪迹的发作间期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的医学处置前、采用临床脑电设备获取的脑电数据。例如,多个样本对象在接受特定的医学处置前使用数据采集设备进行常规长程脑电数据采集,数据采集设备可以是日本光电牌脑电图仪,脑电图仪的电极可以为纯银/镀氯化银盘状电极,电极位置可按照国际标准导联10-20***标准安放,参考电极可以设置为头顶处放置的CZ电极,脑电图仪的实时采样率例如为250Hz,带通滤波参数例如为0.5Hz~70Hz,所有电极阻抗例如均低于10KΩ。其中,每个电极可作为脑电信号的一个采集通道,脑电数据可以包括多个电极采集到的多通道的脑电信号,长程可例如为连续几个小时,为了提高脑电数据的准确性,在接收特定的医学处置之前,每个样本对象可以进行一段时间的脑电数据监控(例如几天),可以采集多个长程的术前脑电数据,以保证得到满足需求的术前脑电数据。
在一种可能的实现方式中,可以通过视觉分析(目视检查)对样本对象的术前脑电数据进行人工筛选。举例来说,采集术前脑电数据时,样本对象可能正处于癫痫发作阶段,在此情况下,样本对象的生理状态不稳定,脑电活动可能没有规律性,因此不能作为用于处理得到预测模型的数据基础。在此情况下,可以观察根据采集的术前脑电数据生成的脑电图,分析脑电图表现出的特征,确定两次癫痫发作之间采集到的脑电数据对应的发作间期片段。进一步地,样本对象的头部动作、肌电信号以及眼电信号,都会导致脑电图中的信号幅度、频率、相位等存在一定的误差,表现为脑电图中出现伪迹。可以提取发作间期片段中无明显伪迹的部分,作为该样本对象的无伪迹的发作间期脑电数据。其中,无伪迹的发作间期脑电数据的时长可以预先设置,例如10min。针对每个样本对象的术前脑电数据分别进行视觉分析,可以得到多个样本对象的无伪迹的发作间期脑电数据。
S12,对无伪迹的发作间期脑电数据进行预处理,得到处理后的脑电数据。
举例来说,视觉分析筛选出的无伪迹的发作间期脑电数据可能仍然存在肉眼不可见的误差,为获得干净、平稳的信号,在进行定量脑电图分析之前,可以将一个或多个预处理步骤应用于无伪迹的发作间期脑电数据。其中,一个或多个预处理步骤可以包括现有技术的滤波处理、去噪处理、重参考处理及分段处理中的一个或多个。
图3示出根据本申请实施例的脑电信号预处理方式的一个示例。如图3所示,在一种可能的实现方式中,对无伪迹的发作间期脑电数据进行预处理的多个步骤的执行顺序可以预先设置,例如,预处理步骤包括滤波处理、去噪处理、重参考处理及分段处理时,可以按照滤波处理、去噪处理、重参考处理及分段处理的顺序依次进行。
举例来说,数据采集设备例如有N个电极(N>1且为整数),则无伪迹的发作间期脑电数据处理后的脑电数据可包括N个通道的无伪迹的发作间期脑电信号P1-PN。
首先,对N个通道的无伪迹的发作间期脑电信号P1-PN执行滤波处理。滤波处理可例如是带通滤波,滤波参数可预先设置,例如设置为2Hz~30Hz,即带通滤波后,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。通过对脑电数据进行带通滤波,可以除去脑电数据中的基线漂移、工频干扰及高频噪声。N个通道的无伪迹的发作间期脑电信号P1-PN接受滤波处理后,可得到N个通道的滤波后的脑电信号P11-P1N。
滤波处理后,可以针对N个通道的滤波后的脑电信号P11-P1N进行去噪处理。去噪处理可以采用现有技术的独立成分分析(independent component analysis,ICA)方法完成,独立成分分析方法的原理是,对于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,按照统计独立的原则将各个独立信号分量分离出来。其中,每通道的脑电信号中,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,由于各信号分量的信号源不同,因此满足采用独立成分分析方法所必需的信号源独立的条件,执行独立成分分析方法,可以自动识别眼电活动、头部运动、以及肌电活动产生的信号分量,并可将其从每通道的脑电信号中除去,以使得去噪处理后每通道的脑电数据中,脑电活动产生的信号分量所占据的比例更大,完成进一步的降噪处理。N个通道的滤波后的脑电信号P11-P1N接受去噪处理后,可得到N个通道的去噪后的脑电信号P21-P2N。
去噪处理后,可以针对N个通道的去噪后的脑电信号P21-P2N进行重参考处理。重参考处理表示重置参考电极,可以采用现有技术中的REST技术。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。通过重参考处理可以重新选择参考电极,降低由参考电极的选取带来的脑电数据的误差。N个通道的去噪后的脑电信号P21-P2N接受重参考处理后,可得到N个通道的重参考后的脑电信号P31-P3N。
重参考处理后,可以针对N个通道的重参考后的脑电信号P31-P3N进行分段处理。分段处理可以是将一段脑电数据按照预设的时长做标记,使得一段脑电数据可以被标记为多段数据,例如,脑电数据总时长为10min,且预设的时长为2s时,对总时长为10min的脑电数据按照2s进行标记,可以得到300段脑电数据。N个通道的重参考后的脑电信号P31-P3N进行分段处理后,根据标记的段数M,可得到N个通道的N*M个分段后的脑电信号P311-P31M,P321-P32M,……,P3N1-P3NM。在此情况下,N*M个分段后的脑电信号可以作为处理后的脑电数据。分段处理使得后续根据处理后的脑电数据得到同步性矩阵过程中的部分运算可以并行完成,得到同步性矩阵的示例性实现方式可参见下文步骤S13的相关描述,分段处理使得可以提高数据处理的准确性。
本领域技术人员应理解,上述滤波处理、去噪处理、重参考处理及分段处理也可以按照其他顺序来执行,本申请对预处理阶段的各个步骤的执行顺序不作限制。此外,预处理阶段还可以包括其他可能的步骤,例如现有技术的加窗、更改采样率等,预处理步骤的具体选择方式可根据视觉分析处理后的无伪迹的发作间期脑电数据质量确定,本申请对此不作限制。
S13,根据处理后的脑电数据,得到同步性矩阵。
以图3的应用场景为例,处理后的脑电数据中可包括N个通道的N*M个分段后的脑电信号,根据现有技术,可以从每个通道的对应于各分段的脑电信号中,分别提取出每个通道的对应于各分段的特定频段的脑电信号,计算得到指示多个通道中的每两个通道的组合在特定频段下的同步关系的指标,并根据两个通道的全部组合以及对应的指标得到特定频段下的同步性矩阵。
其中,特定频段可以是预先设置的一个或多个频段。举例来说,常见的频段为delta频段(1-4Hz),theta频段(4-8Hz),alpha频段(8-14Hz),beta1频段(14-20Hz)和beta2频段(20-30Hz),每个频段的具体频率范围可根据患者的年龄进行适应性调整。特定频段可以包括delta频段,theta频段,alpha频段,beta1频段和beta2频段中的一个或多个。
其中,根据脑电信号得到的指标包括但不限于相干性、相位锁定值(phaselocking value,PLV)、相位延迟指数(phase lag index,PLI)、加权相位延迟指数(weightphase lag index,wPLI)、格兰杰因果(granger causality,GC)及同步似然性(synchronization likelihood,SI)中的一种或多种。
图4示出根据本申请实施例得到相位锁定值的示例性方法示意图。下面结合图3和图4对计算得到相位锁定值的示例性方法进行描述。
相位锁定值的基本理论假设是:相位锁定值能够体现神经元间的相互作用,它在避免使用信号幅值的情况下,仅仅利用相位信息来预测两通道特定频率下的同步性,将通道直接作为脑网络节点,则相位锁定值可以直接反映脑网络节点中的两节点间相位差的变异性。举例来说,如果相位锁定值为1,可表示两通道的信号的相位矢量方向一致,相位差为常数,即两通道完全同步;如果相位锁定值为0,可表示两通道的信号相位随机分布在单位圆上,两电极通道不能完全同步。
如图4所示,可以分别对N个通道的对应于各分段的脑电信号进行带通滤波,得到N个通道的各分段的特定频段下的脑电信号。针对N个通道的各个分段的特定频段下的脑电信号,可以进行希尔伯特变换,分别得到N个通道的各个分段的特定频段下的解析信号。根据N个通道的各个分段的特定频段下的解析信号,可以确定N个通道的各个分段的特定频段下解析信号的相位。在此情况下,任意两个通道(例如通道x和通道y,1≤x≤N,1≤y≤N)在同一分段(例如分段M)的特定频段(例如theta频段)下的解析信号的相位之差,代入公式(1),即可计算得到该两个通道的一个分段的特定频段下的相位锁定值。
将通道x和通道y在每一分段(例如分段1-M)的特定频段(例如theta频段)下的解析信号的相位之差,依次代入公式(1),可以得到通道x、y的组合在每一分段的特定频段下的相位锁定值。根据分段数(M)对通道x、y的组合在每一分段的特定频段下的相位锁定值之和求平均值,可以得到通道x、y的组合在特定频段下的相位锁定值。该通道x、y的组合在特定频段下的相位锁定值,可以作为同步性矩阵中的一个元素。采用相同的方法,计算得到全部的通道组合在特定频段下的相位锁定值,从而得到矩阵中的全部的元素。
在预处理阶段未进行分段处理的应用场景下,处理后的脑电数据中可包括N个通道的处理后的脑电信号,可以分别对N个通道的处理后的脑电信号进行带通滤波,得到N个通道的特定频段下的脑电信号。针对N个通道的特定频段下的脑电信号,可以进行希尔伯特变换,分别得到N个通道的特定频段下的解析信号。根据N个通道的特定频段下的解析信号,可以确定N个通道的特定频段下解析信号的相位。在此情况下,任意两个通道(例如通道x和通道y,1≤x≤N,1≤y≤N)的特定频段(例如theta频段)下的解析信号的相位之差,代入公式(1),即可计算得到该两个通道的特定频段下的相位锁定值。该通道x、y的组合在特定频段下的相位锁定值,可以作为同步性矩阵中的一个元素。采用相同的方法,计算得到全部的通道组合在特定频段下的相位锁定值,从而得到矩阵中的全部的元素。
图5示出根据本申请实施例的同步性矩阵的一个示例。如图5所示,同步性矩阵的元素PLV11、PLV12……PLV1N,PLV21、PLV22……PLV2N,……,PLVN1、PLVN2……PLVNN可以是相位锁定值,同步性矩阵的主对角线上的元素可以表示每个通道与自身的组合在特定频段下的同步性,因此主对角线上的元素的数值(PLV11,PLV22,……,PLVNN)可以是1;除主对角线之外,其他的每一个元素可以表示该元素所在的行对应的通道与该元素所在的列对应的通道的组合在特定频段下的同步性,可以通过上文的公式(1)分别计算得到。
图6示出根据本申请实施例得到加权相位延迟指数的示例性方法示意图。下面结合图3和图6对计算得到加权相位延迟指数的示例性方法进行描述。
加权相位延迟指数可以用于衡量相位差序列以0为中心的分布的不对称性,并可以通过相位差分布的不对称性来预测两通道特定频率下的同步性,将通道直接作为脑网络节点,则加权相位延迟指数可以直接反映脑网络节点中的每两个节点间相位差分布的不对称性。举例来说,加权相位延迟指数的值介于0和1之间,若加权相位延迟指数的值为0,可表示两通道的信号的相位差分布完全对称,可认为两通道完全不同步;若加权相位延迟指数的值为1,可表示一通道的信号的相位始终滞后(或超前)于另一通道,可认为两通道完全同步。
如图6所示,可以分别对N个通道的对应于各分段的脑电信号进行带通滤波,得到N个通道的各分段的特定频段下的脑电信号。针对N个通道的各个分段的特定频段下的脑电信号,可以进行希尔伯特变换,分别得到N个通道的各个分段的特定频段下的解析信号。根据N个通道的各个分段的特定频段下的解析信号,可以分别得到每两个通道的各个分段的特定频段下的交叉谱。根据交叉谱,可以确定每两个通道的各个分段的特定频段下的解析信号的幅值和每两个通道的对应于同一分段的特定频段下的解析信号在不同时刻的相位差。将所述相位差和幅值带入公式(2),即可计算得到该两个通道的一个分段的特定频段下的加权相位延迟指数。
公式(2)中,x、y分别表示两个通道,L1和L2分别表示通道x、y在同一分段的特定频段下的解析信号的幅值,N表示样本点数量,其中,θk表示通道x、y在同一分段的特定频段下的解析信号在第k个样本点对应的时间点的相位差。wPLIxy表示通道x、y的组合在同一分段的特定频段下的加权相位延迟指数。
将通道x和通道y在每一分段(例如分段1-M)的特定频段(例如theta频段)下的解析信号的幅度和相位差,依次代入公式(2),可以得到通道x、y的组合在每一分段的特定频段下的加权相位延迟指数。根据分段数(M)对通道x、y的组合在每一分段的特定频段下的加权相位延迟指数之和求平均值,可以得到通道x、y的组合在特定频段下的加权相位延迟指数。该通道x、y的组合在特定频段下的加权相位延迟指数,可以作为同步性矩阵中的一个元素。采用相同的方法,计算得到全部的通道组合在特定频段下的加权相位延迟指数,从而得到矩阵中的全部的元素。
在预处理阶段未进行分段处理的应用场景下,处理后的脑电数据中可包括N个通道的处理后的脑电信号,可以分别对N个通道的处理后的脑电信号进行带通滤波,得到N个通道的特定频段下的脑电信号。针对N个通道的特定频段下的脑电信号,可以进行希尔伯特变换,分别得到N个通道的特定频段下的解析信号。根据N个通道的特定频段下的解析信号,可以分别得到每两个通道的特定频段下的交叉谱。根据交叉谱,可以确定每两个通道的特定频段下的解析信号的幅值和每两个通道的特定频段下的解析信号在不同时刻的相位差,代入公式(2),即可计算得到该两个通道的特定频段下的加权相位延迟指数。该通道x、y的组合在特定频段下的加权相位延迟指数,可以作为同步性矩阵中的一个元素。采用相同的方法,计算得到全部的通道组合在特定频段下的加权相位延迟指数,从而得到矩阵中的全部的元素。
图7示出根据本申请实施例的同步性矩阵的一个示例。如图7所示,同步性矩阵的元素wPLI11、wPLI12……wPLI1N,wPLI21、wPLI22……wPLI2N,……,wPLIN1、wPLIN2……wPLINN可以是加权相位延迟指数,在同步性矩阵的主对角线上的元素(wPLI11、wPLI22、……、wPLINN)的计算过程中,通道x、y是同一通道,例如wPLI11对应的通道x、y均是通道1,因此θk为0,使得公式(2)右侧的分母为0,使得wPLI11、wPLI22、……、wPLINN无法计算得到。因此主对角线上的元素可以预先设置为0;除主对角线之外,其他的每一个元素可以表示该元素所在的行对应的通道与该元素所在的列对应的通道的组合在特定频段下的同步性,可以通过上文的公式(2)分别计算得到。
在一种可能的实现方式中,根据相干性、相位延迟指数、格兰杰因果及同步似然性的指标得到同步性矩阵的方式可以基于现有技术实现,其中,相位延迟指数的示例性获取方式可以参照图6的相关描述,将公式(2)替换为现有的计算相位延迟指数的公式即可。相干性、同步似然性、格兰杰因果的示例性获取方法在下文结合图8、9、10进行简单描述。
图8示出根据本申请实施例得到相干性的示例性方法示意图。
如图8所示,可以分别对N个通道的对应于各分段的脑电信号进行带通滤波,得到N个通道的各分段的特定频段下的脑电信号。针对N个通道的各个分段的特定频段下的脑电信号,可以进行快速傅里叶变换或者连续小波变换,分别得到N个通道的各个分段的特定频段下的频域信息。根据N个通道的各个分段的特定频段下的频域信息,通过功率谱密度计算,可以分别得到N个通道的各个分段的特定频段下,每个频率的功率谱密度,以及每两个通道的各个分段的特定频段下的交叉功率谱密度。根据上述计算得到的功率谱密度,可以计算确定每两个通道的各个分段的特定频段下的每个频率的相干性。根据分段数(M)对每两个通道在每一分段的特定频段下的相干性之和求平均值,可以得到每两个通道在特定频段下的相干性。该每两个通道在特定频段下的相干性可以作为同步性矩阵中的一个元素,同步性矩阵中每两个通道的相干性在同步性矩阵中的位置可以参照图5以及图7的示例。
图9示出根据本申请实施例得到同步似然性的示例性方法示意图。在此以计算通道1的时间点a的同步似然性作为示例。
如图9所示,通道1的脑电信号可例如包括多个时间点,如果想要得到通道1的某个时间点的同步似然性,例如时间点a,可以根据通道1的脑电信号(分段前分段后均可)以及预设的时间延时参数,确定与时间点a的时间间隔为预设的时间延时参数、且早于时间点a的一个时间点c,得到起点是时间点c、终点是时间点a的一个时间窗。根据预设的嵌入维度参数对时间窗分段,使得段数等于嵌入维度参数的数值,在此情况下,每两段的分界处的时间点对应的脑电信号的幅度数值,作为嵌入向量的一个元素,以时间点c对应的脑电信号的幅值作为嵌入向量的第一个元素,第一段和第二段的分界处的时间点对应的脑电信号的幅值作为嵌入向量的第二个元素,以此类推,时间点a对应的脑电信号的幅值作为嵌入向量的最后一个元素,即得到一个时间点a的嵌入向量。任选通道1除时间点a之外的一个时间点,例如时间点b,可以根据通道1的脑电信号(分段前分段后均可)以及预设的时间延时参数、预设的嵌入维度参数,对时间点b重复上述操作,可以得到时间点b的嵌入向量。根据时间点a的嵌入向量、时间点b的嵌入向量以及预设的评估概率,可以计算时间点a的嵌入向量和时间点b的嵌入向量的临界距离,根据其他通道(通道2-N)的脑电信号以及预设的时间延时参数、预设的嵌入维度参数,也分别计算其他通道的时间点a的嵌入向量和时间点b的嵌入向量的距离。计算完成后,确定其他通道的时间点a的嵌入向量和时间点b的嵌入向量的距离满足小于或等于时间点a的嵌入向量和时间点b的嵌入向量的临界距离的通道个数,将确定的通道个数代入现有的同步似然率公式,可以得到通道1的时间点a和时间点b的同步似然性,参照上述方法,可以计算得到通道1的时间点a和通道1的所有时间点的同步似然性,对得到的通道1的时间点a和通道1的所有时间点的同步似然性之和求平均,可以得到通道1的时间点a的同步似然性。
进一步地,可以计算得到通道1的每个时间点的同步似然性、通道2的每个时间点的同步似然性、……、通道N的每个时间点的同步似然性,再根据每个通道的每个时间点的同步似然性得到同步性矩阵。
图10示出根据本申请实施例得到格兰杰因果的示例性方法示意图。
如图10所示,可以根据通道1的脑电信号(分段前分段后均可)以及赤池信息准则或者贝叶斯信息准则确定后续要得到的自回归模型的阶数W,并选择通道1的一个时间点,例如时间点a,根据时间点a和通道1的脑电信号中该时间点之前的W个时间点,得到通道1的时间点a及之前的W个时间点之间的时间序列。以此类推,可以得到N个通道的时间点a及之前的W个时间点之间的时间序列。根据每两个通道的时间点a及之前的W个时间点之间的时间序列进行自回归拟合,可以得到该两个通道的组合的时间序列的两个W阶自回归模型。其中,以通道1的时间点a及之前的W个时间点之间的时间序列作为自变量,通道2的时间点a及之前的W个时间点之间的时间序列作为因变量,得到一个W阶自回归模型。以通道2的时间点a及之前的W个时间点之间的时间序列作为自变量,通道1的时间点a及之前的W个时间点之间的时间序列作为因变量,得到一个W阶自回归模型。根据所有的通道组合的时间点a及之前的W个时间点之间的时间序列自回归拟合得到的W阶自回归模型,可以处理得到全脑网络的时间序列的W阶自回归模型。其中,每次自回归拟合时,全脑网络的时间序列的W阶自回归模型都包括一个0阶的残差项,根据自回归拟合开始到自回归拟合结束时,得到的全部残差项,可以计算残差项的方差,该方差即为时域格兰杰因果。如果需要计算频域格兰杰因果,可以对拟合得到的自回归模型的系数矩阵进行傅里叶变换,得到的数值即为频域格兰杰因果。同步性矩阵可以根据时域格兰杰因果或者频域格兰杰因果得到。
在一种可能的实现方式中,每两个通道组合的同步性矩阵可以有一个或多个,例如,在计算得到的指示多个通道中的每两个通道的组合在特定频段下的同步关系的指标有多个时,每个指标可以对应得到一个同步性矩阵。又例如,在特定的频段有多个时,每个频段可以对应得到一个同步性矩阵。执行下文的步骤S14、S15,每个同步性矩阵可以得到多个脑网络属性,在每两个通道组合的同步性矩阵可以有多个时,每种脑网络属性也可以对应多个数值,在此情况下,对多个数值取平均值即可。为了进一步提高数据处理效率,可以选择较少的指标数量和/或较少的频段数量,为了进一步提高准确度,可以选择较多的指标数量和/或较多的频段数量,即,同步性矩阵的具体获取方式可以根据应用场景的需求灵活设置,本申请对此不作限制。
S14,根据同步性矩阵和阈值,得到阈值关联矩阵。
阈值选择方式比较灵活,可以是根据同步性矩阵中的元素确定的,现有技术提出可以根据去除弱的连接边(噪声边)、保证网络通畅(无孤立脑区)、网络密度等约束条件选取阈值。以根据去除弱的连接边确定阈值为例,若网络中的两节点之间有连接边,则表示该两个节点的并非完全不同步。若同步性矩阵中的元素是相位锁定值,可把矩阵中的全部相位锁定值按照数值从大到小排列,数值在前80%的相位锁定值可被保留,即同步性矩阵中与所述前80%的相位锁定值对应的位置的元素值设为1,数值在后20%的相位锁定值可被去掉,即同步性矩阵中与所述后20%的相位锁定值对应的位置的元素值设为0,在此情况下,矩阵中所有的元素都是0或1,从而构建出二值化的矩阵,即阈值关联矩阵。其中,若同步性矩阵中元素的布局如图5的示例,根据同步性矩阵得到的阈值关联矩阵的主对角线上的元素可以设置为0,原因在于,网络中的同一节点与自身必然不存在连接边。通过这种方式确定的阈值使得阈值的选择更适合于具体的应用场景,可以提高根据阈值关联矩阵构建的脑网络与样本对象的真实脑网络的接近程度。
在一种可能的实现方式中,阈值也可以是预先设置好的一个数值,确定每个元素的数值与阈值的大小关系,并将数值与阈值的大小关系满足条件的元素设为1,不满足条件的元素设为0。这样可以省去对矩阵中的元素按照从小到大的顺序进行排列、以及确定阈值的步骤,可以提高数据处理效率。
S15,根据阈值关联矩阵,得到至少一个脑网络属性。
根据阈值关联矩阵可建立脑网络,脑网络的节点可以与N个通道分别对应,节点间的连接关系可以通过阈值关联矩阵中确定,阈值关联矩阵中元素为1表示该元素对应的节点对之间存在连接边,阈值关联矩阵中元素为0表示该元素对应的节点对之间不存在连接边。脑网络建立后可基于现有技术的图论理论对脑网络属性进行提取,所述脑网络属性包括但不限于平均同步性、特征路径长度、聚类系数、介数中心性、全局效率和局部效率中的一个或多个。下面分别介绍各脑网络属性。
脑网络属性包括平均同步性,平均同步性是指将同步性矩阵上除去对角元素的其他元素的均值,同步性矩阵的每个元素表示网络的每个节点对的同步性,平均同步性表示整个网络的同步性。
脑网络属性包括特征路径长度,特征路径长度是网络的全局特征,是指脑网络的所有节点对之间所有最短路径长度的平均值,其中,最短路径长度表示节点对之间的最短路径上边的数量,例如节点A到节点B有两条路径,一条包括3条边,一条包括4条边,则节点A到节点B的最短路径长度可以为3。特征路径长度越小表明网络的信息传输速度越快。特征路径长度的一个示例性的计算方式如下:
首先对网络中所有节点之间的最短路径长度求和,以获得网络的最短路径长度总和CT。最短路径长度总和CT的计算方式的一个示例如公式(3)所示。
CT=∑i,jD(i,j) (3)
公式(3)中,D(i,j)表示节点i到节点j的节点对的最短路径长度,1≤i≤N,1≤j≤N,N表示节点总数。一个节点与除它自身外其他所有节点都可以组成节点对,这样每个节点最多可以对应N-1个节点对,N个节点共对应N(N-1)个节点对(节点i到节点j与节点j到节点i认为是两个节点对),则特征路径长度C可以通过以下公式(4)的示例方式计算得到:
脑网络属性包括聚类系数。聚类系数是脑网络集团化程度的一种度量方法,脑网络的集团化程度与聚类系数相关联。根据阈值关联矩阵,确定脑网络中任意三个节点中两两之间都有连接边,这三个节点和连接边能够组成一个三角形时,认为脑网络中这三个节点是集团化的,脑网络的聚类系数表示脑网络中任意三个节点作为顶点的集团化的三角形数量。脑网络的聚类系数越大意味着网络中的三角形个数越多,脑网络的集团化程度越大。同时,组成三角形的三个节点两两之间都可以单独完成信息传递,脑网络的聚类系数越大,网络传递信息的能力也越强。聚类系数的计算公式的示例如公式(5)所示:
公式(5)中,Ci代表单个节点i的聚类系数,n代表网络中所有节点的总数,N代表网络中所有的节点组成的集合,ti表示以节点i作为顶点的集团化的三角形数量,ki表示节点i的度(与节点i之间有连接边的节点个数)。Clustering Coefficient表示脑网络的聚类系数,等于网络中所有节点的聚类系数的均值。
脑网络属性包括介数中心性。介数中心性是一个度量与某个节点相连的不同节点之间的连接能力的度量指标。对于网络中全部节点对之间的最短路径,计算通过给定节点的最短路径条数与全部节点对之间的最短路径总数之比,可以得到给定节点的介数中心性。介数中心性的具体计算方式的示例如公式(6)所示:
其中,i,j,k∈N,i≠j≠k,N表示包括网络中的所有节点的集合。以节点j作为路径起点(或终点)、以节点k作为路径终点(或起点),根据节点j和节点k之间的所有路径,确定节点j和节点k之间的最短路径及最短路径数目D(j,k);在节点j和节点k之间的最短路径中,确定通过节点i的路径数目Di(j,k)。
脑网络属性包括全局效率。全局效率是是一个度量信息流的度量指标,是一个标量,可定义为网络中所有最短路径长度的逆。全局效率的计算公式的示例如公式(7)所示:
公式(7)中,N表示包括网络中的所有节点的集合,n表示网络中所有节点的总个数,dij表示节点i与节点j之间的最短路径长度。从式(7)可以看出,全局效率Eglo是最短路径长度倒数的平均值,所以全局效率的提高主要受小的最短路径长度的影响。
脑网络属性包括局部效率。局部效率表示的是在子网络上的信息传递的效率,用n表示网络中所有节点的总个数,子网络可以是由n个节点中的部分节点组成的网络。网络的局部效率的计算公式的一个示例如公式(8)所示:
上式中,H是脑网络所有节点的集合,djh表示节点j与节点h之间的最短路径长度。ki表示节点i的度(与节点i之间有连接边的节点个数)。wii表示网络中节点i与节点j之间的连接权重,wih表示网络中节点i与节点h之间的连接权重,wij和wih的取值范围是0到1,wij(或wih)越接近1,表示节点i和节点j(或者节点i和节点h)之间的连接越强,wij(或wih)越接近0,表示节点i与节点j(或者节点i和节点h)之间的连接越弱。
本领域技术人员应理解,根据阈值关联矩阵能够确定的脑网络属性应不止上述属性,还可以包括本领域技术人员根据现有技术能够得到的脑网络属性。本申请对于脑网络属性的具体选择方式不作限制。
S16,根据至少一个脑网络属性,得到预测模型。
举例来说,根据至少一个脑网络属性,可以通过显著性差异分析筛选出与特定的医学处置的适应性相关的脑网络属性,并通过机器学习方法针对筛选出的脑网络属性对适应性的重要程度进行排序。预测模型可以根据排序结果得到。图11示出根据本申请实施例筛选脑网络属性并进行排序的实现方式的一个示例。参见图11,步骤S16可例如包括下文的步骤S121-S123:
S121,根据样本对象接受特定的医学处置后的效果,将样本对象的脑网络属性分类为正样本和负样本。
由上文描述可知,样本对象已经接受特定的医学处置,且处置后效果与该样本对象的脑网络属性具有一定关联。可预设样本对象接受特定的医学处置后的效果为术后癫痫发作频率相比术前有所降低的样本对象为有效对象。可预设样本对象接受特定的医学处置后的效果为术后癫痫发作频率相比术前并无明显变化的样本对象为无效对象。在此情况下,正样本可包括有效对象对应的脑网络属性,负样本可包括无效对象对应的脑网络属性。
S122,对正负样本的脑网络属性进行组间差异显著性分析,确定具有统计性显著差异的脑网络属性。
举例来说,显著性差异(significant difference),是一个统计学名词,可用于评价数据差异性。如果某类型数据之间具有显著性差异,例如,参与比对的数据之间的差别大于或等于阈值,可认为参与比对的数据不是来自于同一总体(Population),而是来自于在一个或多个方面具有差异的两个不同总体。如果某类型数据之间不具有显著性差异,例如,参与比对的数据之间的差别小于阈值,可认为参与比对的数据是来自于同一总体。本申请实施例中,参与比对的数据已经确定来自具有差异性的两个不同总体,在此情况下,如果某类型数据之间具有显著性差异,该类型数据与可能与两个总体的差异相关联,如果某类型数据之间不具有显著性差异,该类型数据与可能与两个总体差异无关。
举例来说,两个总体可例如分别是正负样本,在脑网络属性为平均同步性时,总体的差异可例如是样本对象接受特定的医学处置后的效果差异,如果分析确定正样本和负样本的平均同步性差别较大,例如大于一个预设阈值,可认为用于分析的平均同步性之间具有显著性差异,平均同步性与样本对象接受特定的医学处置后的效果相关联。在脑网络属性为特征路径长度时,如果分析确定正样本和负样本的特征路径长度差别较小,例如小于另一个预设阈值,可认为用于分析的特征路径长度之间不具有显著性差异,特征路径长度与样本对象接受特定的医学处置后的效果无关。
步骤S122可以基于现有技术中的曼-惠特尼U检验法实现。本领域技术人员应理解,也可以采用其他方法实现步骤S122,只要能够以统计学的方法分析确定正负样本的脑网络属性中,具有统计性显著差异的脑网络属性即可,本申请对具有统计性显著差异的脑网络属性的具体确定方式不作限制。
S123,计算具有统计性显著差异的脑网络属性的重要性评分,按照评分结果从高到低对脑网络属性进行排序。
图12示出本申请实施例按照评分结果从高到低对脑网络属性进行排序的实现方式的一个示例。参见图12,步骤S123可例如包括下文的步骤S21-S25:
S21,将初始特征子集输入到随机森林机器学习模型,得到每个脑网络属性的重要性评分;通过交叉验证方法确定初始特征子集对应的预测准确率。
其中,初始特征子集可以包括所有具有统计性显著差异的脑网络属性,T表示集合中的脑网络属性的个数。举例来说,假设步骤S122确定的具有统计性显著差异的脑网络属性分别是聚类系数、介数中心性、全局效率和局部效率,在此情况下,初始特征子集可以是S0={聚类系数,介数中心性,全局效率,局部效率},T=4。
随机森林机器学习模型以及交叉验证方法可以基于现有技术来实现。步骤S21可例如通过现有技术的随机森林学习模型得到聚类系数的重要性评分0.5、介数中心性的重要性评分0.2、全局效率的重要性评分0.2以及局部效率的重要性评分0.1。并且可例如通过现有技术的交叉验证方法确定初始特征子集S0对应的预测准确率为60%。
S22,从当前特征子集中,移除若干个重要性评分最低的脑网络属性,根据余下的脑网络属性,得到一个新的特征子集。
其中,如果重要性评分最低的脑网络属性有多个,可以移除多个脑网络属性中的至少一个。在此情况下,步骤S22可移除初始特征子集S0中的重要性评分最低的局部效率(0.1),根据余下的聚类系数、介数中心性、全局效率,得到一个新的特征子集S1={聚类系数,介数中心性,全局效率},T=3。
S23,将新的特征子集输入到随机森林机器学习模型,得到每个脑网络属性的重要性评分;通过交叉验证方法确定新的特征子集对应的预测准确率。
其中,步骤S23使用的随机森林机器学习模型以及交叉验证方法可以与步骤S21中所使用的相同。步骤S23可例如通过现有技术的随机森林学习模型得到聚类系数的重要性评分0.6、介数中心性的重要性评分0.2以及全局效率的重要性评分0.2。并且可例如通过现有技术的交叉验证方法确定特征子集S1对应的预测准确率为70%。
S24,判断当前特征子集是否为空集,在不为空集时,重复步骤S22-步骤S24,在为空集时,执行步骤S25。
举例来说,步骤S24判断的当前特征子集实际上是执行步骤S22得到的,由上文描述可知,当前特征子集S1={聚类系数,介数中心性,全局效率},T=3,可判断当前特征子集不是空集,进入步骤S22-步骤S24的第一次重复执行阶段。在此阶段中,执行步骤S22,可以移除特征子集S1中重要性评分最低的介数中心性(评分0.2)以及全局效率(评分0.2),根据余下的聚类系数,得到一个新的特征子集S2={聚类系数},T=1。执行步骤S23,可例如得到特征子集S2的聚类系数的重要性评分1.0,以及可例如得到特征子集S2对应的预测准确率为65%。执行步骤S24,可判断当前特征子集S2={聚类系数}不是空集,进入步骤S22-步骤S24的第二次重复执行阶段。在此阶段中,执行步骤S22,可以移除特征子集S2中重要性评分最低的聚类系数(评分1.0),得到的特征子集S3是空集,执行步骤S23未能计算到重要性评分,执行步骤S24,可判断当前特征子集S3是空集,在此情况下,执行下文的步骤S25。
又例如,步骤S24判断当前特征子集S1={聚类系数,介数中心性,全局效率}不是空集后,进入步骤S22-步骤S24的第一次重复执行阶段。在此阶段中,执行步骤S22,可以移除特征子集S1中重要性评分最低的介数中心性(评分0.2)、全局效率(评分0.2)中的介数中心性,保留介数中心性,根据余下的聚类系数和介数中心性,得到一个新的特征子集S4={聚类系数,介数中心性},T=2。执行步骤S23,可例如得到特征子集S4的聚类系数的重要性评分0.6、介数中心性的重要性评分0.4,以及可例如得到特征子集S4对应的预测准确率为75%。执行步骤S24,可判断当前特征子集S4={聚类系数,介数中心性}不是空集,进入步骤S22-步骤S24的第二次重复执行阶段。在此阶段中,执行步骤S22,可以移除特征子集S4中重要性评分最低的介数中心性(评分0.4),根据余下的聚类系数,得到一个新的特征子集S5={聚类系数},T=1。执行步骤S23,可例如得到特征子集S5的聚类系数的重要性评分1.0,以及可例如得到特征子集S5对应的预测准确率为65%。执行步骤S24,可判断当前特征子集S5={聚类系数}不是空集,进入步骤S22-步骤S24的第三次重复执行阶段。在此阶段中,执行步骤S22,可以移除特征子集S5中重要性评分最低的聚类系数(评分1.0),得到的特征子集S6是空集,执行步骤S23未能计算到重要性评分,执行步骤S24,可判断当前特征子集S6是空集,在此情况下,执行下文的步骤S25。
本领域技术人员应理解,只要能够满足每次执行S22时,从当前特征子集中,移除至少一个重要性评分最低的脑网络属性即可,本申请对于重要性评分最低的脑网络属性的具体移除方式不作限制。
S25,选择步骤S22-S24确定的全部特征子集中,预测准确率最高的一个特征子集,根据该特征子集中的各脑网络属性的重要性评分由高到低的顺序,对该特征子集中的脑网络属性进行排序,得到排序结果。
举例来说,步骤S22-S24确定的全部特征子集S1、S2、S3中,预测准确率最高的一个特征子集可例如是特征子集S1,对应的预测准确率为70%。特征子集S1包括聚类系数、介数中心性、全局效率,聚类系数的重要性评分0.6、介数中心性的重要性评分0.2,全局效率的重要性评分0.2。在此情况下,对特征子集S1中的指标进行排序,可得到聚类系数、介数中心性、全局效率或者聚类系数、全局效率、介数中心性的排序结果。本申请实施例对重要性评分相同的脑网络属性的排序顺序不作限制。
又例如,步骤S22-S24确定的全部特征子集S1、S4、S5、S6中,预测准确率最高的一个特征子集可例如是特征子集S4,对应的预测准确率为75%。特征子集S4包括指标聚类系数、介数中心性,聚类系数的重要性评分0.6、介数中心性的重要性评分0.4。在此情况下,对特征子集S4中的指标进行排序,可得到聚类系数、介数中心性的排序结果。
步骤S123可以基于现有技术的递归特征消除特征选择法实现。本领域技术人员应理解,也可以采用其他方法实现步骤S123,只要能够完成具有统计性显著差异的脑网络属性的排序、且排序结果中的任一脑网络属性的重要性不高于该脑网络属性的前一个脑网络属性即可,本申请对具有统计性显著差异的脑网络属性的具体排序方式不作限制。
在一种可能的实现方式中,确定脑网络属性的重要性排序后,可以基于排序结果以及样本对象的脑网络属性,训练得到预测模型,该模型可以用于对目标对象进行预测确定目标对象的预测结果。
举例来说,根据脑网络属性的排序结果,从排序第一的脑网络属性开始逐个添加排序靠后的脑网络属性,得到一个向量,该向量可以作为待训练的预测模型的输入特征向量。根据输入特征向量可以完成预测模型的训练。图13示出本申请实施例获得训练好的预测模型的一个示例。
举例来说,如图13所示,待训练的预测模型接收到输入特征向量后,根据该特征向量中的多个特征,进行排列组合,可以得到包括不同特征的组合的多个处理后的特征向量。例如,输入特征向量可以是{聚类系数、介数中心性、全局效率},如果对处理后的特征向量中的元素排列顺序不作限定,处理后的特征向量可以有个,可以分别是{聚类系数}、{介数中心性}、{全局效率}、{聚类系数、介数中心性}、{聚类系数、全局效率}、{介数中心性、全局效率}、{聚类系数、介数中心性、全局效率};如果限定处理后的特征向量中的元素有顺序排列,处理后的特征向量可以有 个,可以分别是{聚类系数}、{介数中心性}、{全局效率}、{聚类系数、介数中心性}、{介数中心性、全局效率}、{聚类系数、全局效率}、{介数中心性、聚类系数}、{全局效率、聚类系数}、{全局效率、介数中心性}、{聚类系数、介数中心性、全局效率}、{聚类系数、全局效率、介数中心性}、{介数中心性、全局效率、聚类系数}、{全局效率、聚类系数、介数中心性}、{介数中心性、聚类系数、全局效率}、{全局效率、介数中心性、聚类系数}。以样本对象的多个脑网络属性中,与每个处理后的特征向量的脑网络属性类型相同的脑网络属性作为待训练的预测模型的输入,待训练的预测模型可以得到一个预测准确率,根据预测准确率最高时,预测模型的输入对应的处理后的特征向量,可以得到最优特征向量,根据最优特征向量确定的预测模型,作为训练好的预测模型。
其中,预测模型的预测准确率,可以通过将样本对象的脑网络属性作为向量输入到预测模型得到的预测结果,与样本对象接受特定的医学处置(例如迷走神经刺激手术)后的效果进行比对来确定。例如,预测模型可得到预测结果为响应者的样本和预测结果为非响应者的样本,其中预测结果为响应者对应迷走神经刺激手术术后癫痫发作减少≥50%,预测结果为非响应者对应迷走神经刺激手术术后癫痫发作减少<50%。可以分别统计正样本中满足预测结果为响应者的样本数量,以及负样本中满足预测结果为非响应者的样本数量,根据二者之和得到预测结果准确的样本数量,在此情况下,预测结果准确的样本数量与样本总数(正样本和负样本的和)的比值,可以作为预测模型的预测准确率。
上述预测模型的预测准确率的确定方式仅为示例。本申请实施例对于预测模型的预测准确率的确定方式不作限制。
在一种可能的实现方式中,也可以通过线性回归方法建立线性回归模型,并根据线性回归模型完成与特定的医学处置的适应性相关的脑网络属性的筛选。例如,以有效对象和无效对象对特定的医学处置的适应性作为标记,以步骤S16得到的至少一个脑网络属性作为适应性的影响因素,线性回归模型可以提取出与特定的医学处置的适应性相关的脑网络属性。根据有效对象和无效对象的提取出的脑网络属性的具体数值,可以得到与提取出的脑网络属性对应的阈值,使得根据提取出的脑网络属性的数值和阈值的关系能够区分有效对象和无效对象。在此情况下,预测模型可以根据阈值确定。
在一种可能的实现方式中,得到预测模型后,可以采用预测模型完成目标对象对于特定的医学处置的适应性的预测。
举例来说,目标对象可以是尚未接受特定的医学处置的对象。可以按照上文步骤S11-15的方法,先获取目标对象的无伪迹的发作间期脑电数据,对无伪迹的发作间期脑电数据进行预处理,得到处理后的脑电数据,根据处理后的脑电数据,得到同步性矩阵,根据同步性矩阵和阈值,得到阈值关联矩阵,根据阈值关联矩阵,得到至少一个脑网络属性。通过这种方式,可以得到目标对象的脑网络属性。其中,根据阈值关联矩阵得到的至少一个脑网络属性至少包括预测模型的输入的最优特征向量所指示的脑网络属性,获取脑网络属性后,多个脑网络属性可以自由组合得到特征向量。在此情况下,将特征向量作为预测模型的输入数据,预测模型可以输出目标对象的预测结果。该预测结果可以用于判断目标对象对于迷走神经刺激手术等特定医学处置的适应性。
以上所述的预测模型是能够分类得到响应者或非响应者两种预测结果的二分类预测模型,本领域技术人员应理解,除了二分类预测模型,也可以训练得到多分类预测模型,使用多分类预测模型对特征向量进行处理,输出目标对象的预测结果。本申请对得到目标对象的预测结果使用的预测模型的具体形式不作限制。
图14示出根据本申请实施例的脑电数据处理方法的示例性示意图。如图14所示,本申请实施例提出一种脑电数据处理方法,所述方法包括:
S31,采集目标对象的脑电数据。其中,目标对象可以是迷走神经刺激手术等特定的医学处置的适应性预测对象,目标对象的脑电数据的示例性采集方式,可以参照上文及图1的相关描述。
S32,根据所述目标对象的脑电数据,确定第一特征向量,所述第一特征向量包括由所述目标对象的脑电数据确定的多个脑网络属性。步骤S32的示例性实现方式可以参照上文中得到预测模型后、采用预测模型完成目标对象对于特定的医学处置的适应性的预测时的相关描述。其中,脑网络属性可以是根据目标对象的脑网络确定的、能够表征目标对象的脑网络状态的指标,例如步骤S15中提及的示例性的平均同步性、特征路径长度、聚类系数、介数中心性、全局效率和局部效率等脑网络属性,也可以是根据现有技术能对脑电数据进行处理得到的其他指示脑网络状态的指标。第一特征向量可以是上文对应部分描述中,多个脑网络属性自由组合得到的特征向量。
S33,将所述第一特征向量输入训练好的预测模型,得到预测结果,其中,预测结果表示所述目标对象是否适合接受特定的医学处置。其中,训练好的预测模型可以是上文中步骤S16得到的预测模型。特定的医学处置可以是上文中的迷走神经刺激手术等医学处置手段。步骤S33的示例性实现方式可以参照上文中得到预测模型后、采用预测模型完成目标对象对于特定的医学处置的适应性的预测时的相关描述。
根据本申请实施例的脑电数据处理方法,通过采集目标对象的脑电数据并处理得到第一特征向量,使得第一特征向量输入预测模型时,预测模型能够给出表示目标对象是否适合接受特定的医学处置的预测结果,从而能够在接受特定的医学处置前预先预测目标对象对于特定的医学处置的适应性。并且第一特征向量包括多个脑网络属性,因此预测结果与多个脑网络属性相关联,使得不同的目标对象的预测结果能够体现易感性的个体间差异,保证了预测结果的准确性。
在一种可能的实现方式中,所述目标对象的脑电数据包括目标对象的无伪迹的发作间期脑电数据,
根据所述目标对象的脑电数据,确定第一特征向量,包括:
确定作为所述训练好的预测模型的输入的多个属性类型;根据所述目标对象的无伪迹的发作间期脑电数据,确定与所述多个属性类型对应的所述多个脑网络属性;根据所述多个脑网络属性,得到所述第一特征向量。
其中,训练好的预测模型的输入的多个属性类型的示例性确定方式,以及第一特征向量的示例性确定方式,可参照上文中得到预测模型后、采用预测模型完成目标对象对于特定的医学处置的适应性的预测时的相关描述。
通过这种方式,使得第一特征向量中的属性类型与训练好的预测模型的对应的输入的多个属性类型相符合,使得第一特征向量输入预测模型进行预测时,可以保证预测结果的准确度。
在一种可能的实现方式中,所述预测模型根据样本对象的脑电数据训练得到,图15示出根据本申请实施例训练得到预测模型的示例性示意图。
如图15所示,所述方法还包括:
S41,根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性。其示例性实现方式可以参照上文步骤S11-S15的相关描述。
S42,根据所述样本对象接受所述特定的医学处置后的效果,将所述效果满足预设条件的样本对象的多个脑网络属性确定为正样本,将所述效果不满足预设条件的样本对象的多个脑网络属性确定为负样本。其中预设条件的示例可以是上文中描述的术后癫痫发作频率相比术前有所降低。步骤S42的示例性实现方式可以参照上文步骤S121的相关描述。
S43,对所述正样本和所述负样本进行差异显著性分析,得到具有显著性差异的脑网络属性,其中正样本和负样本的具有显著性差异的脑网络属性之间的差别大于阈值。其示例性实现方式可以参照上文步骤S122的相关描述。
S44,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量。其中,第二特征向量可例如是上文步骤S123的相关描述中对脑网络属性进行排序得到的结果。步骤S44的示例性实现方式可以参照上文步骤S123的相关描述。
S45,根据所述样本对象的多个脑网络属性中,与所述第二特征向量中的属性类型相同的脑网络属性,训练得到所述预测模型。其示例性实现方式可以参照上文步骤S124的相关描述。
通过这种方式,可以获得训练好的预测模型。本申请的预测模型是根据多个脑网络属性训练得到,脑网络属性可以表征目标对象本身的脑网络状态,脑网络状态可以在一定程度上体现易感性的个体间差异,因此,本申请的预测模型得到的预测结果是针对不同目标对象的对于外部刺激的易感性的预测结果,采用预测模型得到的预测结果准确度更高。
在一种可能的实现方式中,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量,包括:
根据所有具有显著性差异的脑网络属性,得到特征子集,确定预测模型对所述特征子集的预测准确率;判断当前特征子集是否为空集;在所述当前特征子集为空集时,按照预测准确率最高的一个特征子集中的脑网络属性的重要性评分,对所述预测准确率最高的一个特征子集中的脑网络属性进行重要性排序,得到第二特征向量。
其中,根据所有具有显著性差异的脑网络属性得到的特征子集,可例如是上文步骤S21中的初始特征子集。得到第二特征向量的示例性方式可以参照上文的步骤S21、S25的相关描述。
通过这种方式,可以使得第二特征向量的属性类型,与准确率最高的特征子集中的属性类型相对应,使得预测模型的预测准确率更高。
在一种可能的实现方式中,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量,还包括:
在所述当前特征子集不为空集时,重复以下操作:
将所述当前特征子集输入预设的随机森林模型,得到所述当前特征子集中的每个脑网络属性的重要性评分;消除所述当前特征子集中,至少一个重要性评分最低的脑网络属性,所述当前特征子集中剩余的脑网络属性的集合,作为新的当前特征子集,确定预测模型对当前特征子集的预测准确率;重新判断当前特征子集是否为空集。
其中,当前特征子集可例如是上文描述中的初始特征子集或者新的特征子集。当前特征子集不为空集时,脑电数据处理方法的示例性实现方式可以参照上文的步骤S22-S24的相关描述。
通过每次消除重要性评分最低的属性,使得消除处理后的特征子集中可以保留重要性评分较高的属性,可以在降低特征子集的维度的基础上,保证特征子集的预测准确度。
在一种可能的实现方式中,根据所述样本对象的多个脑网络属性中,与所述第二特征向量中的属性类型相同的脑网络属性,训练得到所述预测模型,包括:
根据所述第二特征向量中的不同脑网络属性,排列组合得到多个第三特征向量,其中,不同的第三特征向量中的脑网络属性的组合不同,或者,不同的第三特征向量中的脑网络属性的组合以及脑网络属性在第三特征向量中的排序不同;计算分别以所述样本对象的多个脑网络属性中,与多个第三特征向量中的属性类型相同的脑网络属性作为所述预测模型的输入时,所述预测模型的预测准确度;根据预测准确度最高的第三特征向量确定预测模型的输入属性类型,得到训练好的预测模型。
其中,第二特征向量可以是上文步骤S16的相关描述中的输入特征向量,第三特征向量可以是上文步骤S16的相关描述中的处理后的特征向量。训练得到预测模型的示例性实现方式可以参照上文步骤S16的相关描述。
针对重要性排序后的第二特征向量所包括的属性进行进一步的筛选,以及对筛选结果进行排列组合,得到准确率较高的第三特征向量,使得根据第三特征向量得到预测模型时,预测模型的预测准确率进一步提高。且排列组合有多种选择方式,提高了得到预测模型的灵活性。
在一种可能的实现方式中,所述预测模型根据样本对象的脑电数据训练得到,所述方法还包括:
根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性;将所述样本对象接受所述特定的医学处置后的效果作为标记,将所述样本对象的多个脑网络属性作为影响因素,输入到预设的线性回归模型,所述线性回归模型从输入的多个脑网络属性中筛选并输出至少一个脑网络属性;根据所述至少一个脑网络属性,训练得到所述预测模型。
通过这种方式,可以提升预测模型的训练方式的灵活性。
在一种可能的实现方式中,所述样本对象的脑电数据包括样本对象的无伪迹的发作间期脑电数据,
根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性,包括:
根据所述样本对象的脑电数据,得到样本对象的预处理后的脑电数据,所述预处理包括滤波、去噪、重参考以及分段中的至少一种;根据所述样本对象的预处理后的脑电数据,确定样本对象的指标,所述样本对象的指标指示样本对象的各通道脑电信号之间的连通关系,所述样本对象的指标包括相干性、相位锁定值、相位延迟指数、加权相位延迟指数、格兰杰因果及同步似然性中的至少一个;根据所述样本对象的指标得到样本对象的至少一个同步性矩阵,每个同步性矩阵对应一个指标;根据所述同步性矩阵以及预设的阈值条件,得到样本对象的阈值关联矩阵;根据所述阈值关联矩阵,建立样本对象的脑网络;根据所述样本对象的脑网络,确定所述样本对象的多个脑网络属性,所述样本对象的多个脑网络属性包括平均同步性、聚类系数、特征路径长度、介数中心性、全局效率以及局部效率中的一个或多个。
通过对脑电数据进行预处理,可以提升脑电数据的准确度,使得根据预处理的脑电数据得到的样本对象的指标的准确度也更高,进一步使得根据样本对象的指标建立脑网络、以及根据建立好的脑网络获取样本对象的脑网络属性的准确度也更高。其中,预处理的方式、样本对象的指标类型、脑网络属性均有多种选择,可以提升根据样本对象的脑电数据确定样本对象的多个脑网络属性的方式的灵活性。
图16示出根据本申请实施例的心电数据处理装置的示例性示意图。
如图16所示,本申请提供一种脑电数据处理装置,包括:
采集模块100,用于采集目标对象的脑电数据;
确定模块200,用于根据所述目标对象的脑电数据,确定第一特征向量,所述第一特征向量包括由所述目标对象的脑电数据确定的多个脑网络属性;
预测模块300,用于将所述第一特征向量输入训练好的预测模型,得到预测结果,其中,预测结果表示所述目标对象是否适合接受特定的医学处置。
在一种可能的实现方式中,所述目标对象的脑电数据包括目标对象的无伪迹的发作间期脑电数据,根据所述目标对象的脑电数据,确定第一特征向量,包括:确定作为所述训练好的预测模型的输入的多个属性类型;根据所述目标对象的无伪迹的发作间期脑电数据,确定与所述多个属性类型对应的所述多个脑网络属性;根据所述多个脑网络属性,得到所述第一特征向量。
在一种可能的实现方式中,所述预测模型根据样本对象的脑电数据训练得到,所述方法还包括:
根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性;根据所述样本对象接受所述特定的医学处置后的效果,将所述效果满足预设条件的样本对象的多个脑网络属性确定为正样本,将所述效果不满足预设条件的样本对象的多个脑网络属性确定为负样本;对所述正样本和所述负样本进行差异显著性分析,得到具有显著性差异的脑网络属性,其中正样本和负样本的具有显著性差异的脑网络属性之间的差别大于阈值;对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量;根据所述样本对象的多个脑网络属性中,与所述第二特征向量中的属性类型相同的脑网络属性,训练得到所述预测模型。
在一种可能的实现方式中,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量,包括:
根据所有具有显著性差异的脑网络属性,得到特征子集,确定预测模型对所述特征子集的预测准确率;判断当前特征子集是否为空集;在所述当前特征子集为空集时,按照预测准确率最高的一个特征子集中的脑网络属性的重要性评分,对所述预测准确率最高的一个特征子集中的脑网络属性进行重要性排序,得到第二特征向量。
在一种可能的实现方式中,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量,还包括:
在所述当前特征子集不为空集时,重复以下操作:
将所述当前特征子集输入预设的随机森林模型,得到所述当前特征子集中的每个脑网络属性的重要性评分;消除所述当前特征子集中,至少一个重要性评分最低的脑网络属性,所述当前特征子集中剩余的脑网络属性的集合,作为新的当前特征子集,确定预测模型对当前特征子集的预测准确率;重新判断当前特征子集是否为空集。
在一种可能的实现方式中,根据所述样本对象的多个脑网络属性中,与所述第二特征向量中的属性类型相同的脑网络属性,训练得到所述预测模型,包括:
根据所述第二特征向量中的不同脑网络属性,排列组合得到多个第三特征向量,其中,不同的第三特征向量中的脑网络属性的组合不同,或者,不同的第三特征向量中的脑网络属性的组合以及脑网络属性在第三特征向量中的排序不同;计算分别以所述样本对象的多个脑网络属性中,与多个第三特征向量中的属性类型相同的脑网络属性作为所述预测模型的输入时,所述预测模型的预测准确度;根据预测准确度最高的第三特征向量确定预测模型的输入属性类型,得到训练好的预测模型。
在一种可能的实现方式中,所述预测模型根据样本对象的脑电数据训练得到,所述方法还包括:
根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性;将所述样本对象接受所述特定的医学处置后的效果作为标记,将所述样本对象的多个脑网络属性作为影响因素,输入到预设的线性回归模型,所述线性回归模型从输入的多个脑网络属性中筛选并输出至少一个脑网络属性;根据所述至少一个脑网络属性,训练得到所述预测模型。
在一种可能的实现方式中,所述样本对象的脑电数据包括样本对象的无伪迹的发作间期脑电数据,根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性,包括:
根据所述样本对象的脑电数据,得到样本对象的预处理后的脑电数据,所述预处理包括滤波、去噪、重参考以及分段中的至少一种;根据所述样本对象的预处理后的脑电数据,确定样本对象的指标,所述样本对象的指标指示样本对象的各通道脑电信号之间的连通关系,所述样本对象的指标包括相干性、相位锁定值、相位延迟指数、加权相位延迟指数、格兰杰因果及同步似然性中的至少一个;根据所述样本对象的指标得到样本对象的至少一个同步性矩阵,每个同步性矩阵对应一个指标;根据所述同步性矩阵以及预设的阈值条件,得到样本对象的阈值关联矩阵;根据所述阈值关联矩阵,建立样本对象的脑网络;根据所述样本对象的脑网络,确定所述样本对象的多个脑网络属性,所述样本对象的多个脑网络属性包括平均同步性、聚类系数、特征路径长度、介数中心性、全局效率以及局部效率中的一个或多个。
在一种可能的实现方式中,本申请提供一种脑电数据处理装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:调用所述存储器存储的指令,以执行上述脑电数据处理方法。
在一种可能的实现方式中,本申请提供一种非易失性计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述脑电数据处理方法。
图17示出根据本申请实施例的一种装置800的示例性框图。其中,装置800可以是上文所述的心电数据处理装置,例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图17,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图18示出根据本申请实施例的一种装置1900的示例性框图。其中,装置1900可以是上文所述的脑电数据处理装置,例如,装置1900可以被提供为一服务器。参照图18,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种脑电数据处理方法,其特征在于,所述方法包括:
采集目标对象的脑电数据;
根据所述目标对象的脑电数据,确定第一特征向量,所述第一特征向量包括由所述目标对象的脑电数据确定的多个脑网络属性;
将所述第一特征向量输入训练好的预测模型,得到预测结果,其中,预测结果表示所述目标对象是否适合接受特定的医学处置。
2.根据权利要求1所述的脑电数据处理方法,其特征在于,所述目标对象的脑电数据包括目标对象的无伪迹的发作间期脑电数据,
根据所述目标对象的脑电数据,确定第一特征向量,包括:
确定作为所述训练好的预测模型的输入的多个属性类型;
根据所述目标对象的无伪迹的发作间期脑电数据,确定与所述多个属性类型对应的所述多个脑网络属性;
根据所述多个脑网络属性,得到所述第一特征向量。
3.根据权利要求2所述的脑电数据处理方法,其特征在于,所述预测模型根据样本对象的脑电数据训练得到,所述方法还包括:
根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性;
根据所述样本对象接受所述特定的医学处置后的效果,将所述效果满足预设条件的样本对象的多个脑网络属性确定为正样本,将所述效果不满足预设条件的样本对象的多个脑网络属性确定为负样本;
对所述正样本和所述负样本进行差异显著性分析,得到具有显著性差异的脑网络属性,其中正样本和负样本的具有显著性差异的脑网络属性之间的差别大于阈值;
对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量;
根据所述样本对象的多个脑网络属性中,与所述第二特征向量中的属性类型相同的脑网络属性,训练得到所述预测模型。
4.根据权利要求3所述的方法,其特征在于,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量,包括:
根据所有具有显著性差异的脑网络属性,得到特征子集,确定预测模型对所述特征子集的预测准确率;
判断当前特征子集是否为空集;
在所述当前特征子集为空集时,按照预测准确率最高的一个特征子集中的脑网络属性的重要性评分,对所述预测准确率最高的一个特征子集中的脑网络属性进行重要性排序,得到第二特征向量。
5.根据权利要求4所述的方法,其特征在于,对所述具有显著性差异的脑网络属性进行重要性排序,得到第二特征向量,还包括:
在所述当前特征子集不为空集时,重复以下操作:
将所述当前特征子集输入预设的随机森林模型,得到所述当前特征子集中的每个脑网络属性的重要性评分;
消除所述当前特征子集中,至少一个重要性评分最低的脑网络属性,所述当前特征子集中剩余的脑网络属性的集合,作为新的当前特征子集,确定预测模型对当前特征子集的预测准确率;
重新判断当前特征子集是否为空集。
6.根据权利要求3所述的方法,其特征在于,根据所述样本对象的多个脑网络属性中,与所述第二特征向量中的属性类型相同的脑网络属性,训练得到所述预测模型,包括:
根据所述第二特征向量中的不同脑网络属性,排列组合得到多个第三特征向量,其中,不同的第三特征向量中的脑网络属性的组合不同,或者,不同的第三特征向量中的脑网络属性的组合以及脑网络属性在第三特征向量中的排序不同;
计算分别以所述样本对象的多个脑网络属性中,与多个第三特征向量中的属性类型相同的脑网络属性作为所述预测模型的输入时,所述预测模型的预测准确度;
根据预测准确度最高的第三特征向量确定预测模型的输入属性类型,得到训练好的预测模型。
7.根据权利要求2所述的脑电数据处理方法,其特征在于,所述预测模型根据样本对象的脑电数据训练得到,所述方法还包括:
根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性;
将所述样本对象接受所述特定的医学处置后的效果作为标记,将所述样本对象的多个脑网络属性作为影响因素,输入到预设的线性回归模型,所述线性回归模型从输入的多个脑网络属性中筛选并输出至少一个脑网络属性;
根据所述至少一个脑网络属性,训练得到所述预测模型。
8.根据权利要求3-7中任意一项所述的方法,其特征在于,所述样本对象的脑电数据包括样本对象的无伪迹的发作间期脑电数据,
根据所述样本对象的脑电数据,确定所述样本对象的多个脑网络属性,包括:
根据所述样本对象的脑电数据,得到样本对象的预处理后的脑电数据,所述预处理包括滤波、去噪、重参考以及分段中的至少一种;
根据所述样本对象的预处理后的脑电数据,确定样本对象的指标,所述样本对象的指标指示样本对象的各通道脑电信号之间的连通关系,所述样本对象的指标包括相干性、相位锁定值、相位延迟指数、加权相位延迟指数、格兰杰因果及同步似然性中的至少一个;
根据所述样本对象的指标得到样本对象的至少一个同步性矩阵,每个同步性矩阵对应一个指标;
根据所述同步性矩阵以及预设的阈值条件,得到样本对象的阈值关联矩阵;
根据所述阈值关联矩阵,建立样本对象的脑网络;
根据所述样本对象的脑网络,确定所述样本对象的多个脑网络属性,所述样本对象的多个脑网络属性包括平均同步性、聚类系数、特征路径长度、介数中心性、全局效率以及局部效率中的一个或多个。
9.一种脑电数据处理装置,其特征在于,所述装置包括:
采集模块,用于采集目标对象的脑电数据;
确定模块,用于根据所述目标对象的脑电数据,确定第一特征向量,所述第一特征向量包括由所述目标对象的脑电数据确定的多个脑网络属性;
预测模块,用于将所述第一特征向量输入训练好的预测模型,得到预测结果,其中,预测结果表示所述目标对象是否适合接受特定的医学处置。
10.一种脑电数据处理装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
调用所述存储器存储的指令,以执行权利要求1至8中任意一项所述的方法。
11.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110873934.6A CN113425312B (zh) | 2021-07-30 | 2021-07-30 | 脑电数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110873934.6A CN113425312B (zh) | 2021-07-30 | 2021-07-30 | 脑电数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113425312A true CN113425312A (zh) | 2021-09-24 |
CN113425312B CN113425312B (zh) | 2023-03-21 |
Family
ID=77762549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110873934.6A Active CN113425312B (zh) | 2021-07-30 | 2021-07-30 | 脑电数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113425312B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116098634A (zh) * | 2023-01-31 | 2023-05-12 | 首都医科大学宣武医院 | 一种基于刺激事件的脑功能检测评估方法、装置及*** |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004100765A2 (en) * | 2003-05-06 | 2004-11-25 | Aspect Medical Systems, Inc. | System and method of assessment of the efficacy of treatment of neurological disorders using the electroencephalogram |
CN101179987A (zh) * | 2005-02-18 | 2008-05-14 | 艾斯柏克特医疗***股份有限公司 | 使用脑电图预测对神经治疗的反应的***和方法 |
US20100191140A1 (en) * | 2008-07-11 | 2010-07-29 | Yoshihisa Terada | Method for controlling device by using brain wave and brain wave interface system |
US20110119212A1 (en) * | 2008-02-20 | 2011-05-19 | Hubert De Bruin | Expert system for determining patient treatment response |
US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
US20160183828A1 (en) * | 2014-12-30 | 2016-06-30 | I-Shou University | Electronic apparatus for establishing prediction model based on electroencephalogram |
CN106264510A (zh) * | 2016-08-23 | 2017-01-04 | 清华大学 | 一种筛选手术患者的建模方法 |
CN106845137A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于脑网络结构的神经疾病分析方法 |
CN108742603A (zh) * | 2018-04-03 | 2018-11-06 | 山东大学 | 一种利用核函数和字典对学习模型的脑电检测方法和装置 |
US20190059762A1 (en) * | 2017-08-24 | 2019-02-28 | Myneurva Holdings, Inc. | System and method for analyzing electroencephalogram signals |
CN109480835A (zh) * | 2018-12-29 | 2019-03-19 | 中国人民解放军***福州总医院 | 一种基于长短期记忆神经网络的精神疲劳检测方法 |
US20190142338A1 (en) * | 2017-11-10 | 2019-05-16 | Lvis Corporation | Efficacy and/or therapeutic parameter recommendation using individual patient data and therapeutic brain network maps |
CN109893126A (zh) * | 2019-03-21 | 2019-06-18 | 杭州电子科技大学 | 基于脑功能网络特征的癫痫发作预测方法 |
CN110338786A (zh) * | 2019-06-28 | 2019-10-18 | 北京师范大学 | 一种癫痫样放电的识别与分类方法、***、装置和介质 |
US10588561B1 (en) * | 2017-08-24 | 2020-03-17 | University Of South Florida | Noninvasive system and method for mapping epileptic networks and surgical planning |
CN111329474A (zh) * | 2020-03-04 | 2020-06-26 | 西安电子科技大学 | 基于深度学习的脑电身份识别方法、***及信息更新方法 |
CN111477299A (zh) * | 2020-04-08 | 2020-07-31 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
US20200367800A1 (en) * | 2019-01-23 | 2020-11-26 | Wuyi University | Method for identifying driving fatigue based on cnn-lstm deep learning model |
CN112022153A (zh) * | 2020-09-27 | 2020-12-04 | 西安电子科技大学 | 基于卷积神经网络的脑电信号检测方法 |
CN112190261A (zh) * | 2020-09-16 | 2021-01-08 | 电子科技大学 | 一种基于静息态脑网络的孤独症脑电信号的分类装置 |
CN112584892A (zh) * | 2018-06-20 | 2021-03-30 | 内宇宙股份有限公司 | 治疗情绪障碍的***和方法 |
CN113191395A (zh) * | 2021-04-07 | 2021-07-30 | 杭州电子科技大学 | 一种基于双脑的多层次信息融合的目标检测方法 |
-
2021
- 2021-07-30 CN CN202110873934.6A patent/CN113425312B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004100765A2 (en) * | 2003-05-06 | 2004-11-25 | Aspect Medical Systems, Inc. | System and method of assessment of the efficacy of treatment of neurological disorders using the electroencephalogram |
CN101179987A (zh) * | 2005-02-18 | 2008-05-14 | 艾斯柏克特医疗***股份有限公司 | 使用脑电图预测对神经治疗的反应的***和方法 |
US20110119212A1 (en) * | 2008-02-20 | 2011-05-19 | Hubert De Bruin | Expert system for determining patient treatment response |
US20100191140A1 (en) * | 2008-07-11 | 2010-07-29 | Yoshihisa Terada | Method for controlling device by using brain wave and brain wave interface system |
US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
US20160183828A1 (en) * | 2014-12-30 | 2016-06-30 | I-Shou University | Electronic apparatus for establishing prediction model based on electroencephalogram |
CN106264510A (zh) * | 2016-08-23 | 2017-01-04 | 清华大学 | 一种筛选手术患者的建模方法 |
CN106845137A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于脑网络结构的神经疾病分析方法 |
US20190059762A1 (en) * | 2017-08-24 | 2019-02-28 | Myneurva Holdings, Inc. | System and method for analyzing electroencephalogram signals |
US10588561B1 (en) * | 2017-08-24 | 2020-03-17 | University Of South Florida | Noninvasive system and method for mapping epileptic networks and surgical planning |
US20190142338A1 (en) * | 2017-11-10 | 2019-05-16 | Lvis Corporation | Efficacy and/or therapeutic parameter recommendation using individual patient data and therapeutic brain network maps |
CN108742603A (zh) * | 2018-04-03 | 2018-11-06 | 山东大学 | 一种利用核函数和字典对学习模型的脑电检测方法和装置 |
CN112584892A (zh) * | 2018-06-20 | 2021-03-30 | 内宇宙股份有限公司 | 治疗情绪障碍的***和方法 |
CN109480835A (zh) * | 2018-12-29 | 2019-03-19 | 中国人民解放军***福州总医院 | 一种基于长短期记忆神经网络的精神疲劳检测方法 |
US20200367800A1 (en) * | 2019-01-23 | 2020-11-26 | Wuyi University | Method for identifying driving fatigue based on cnn-lstm deep learning model |
CN109893126A (zh) * | 2019-03-21 | 2019-06-18 | 杭州电子科技大学 | 基于脑功能网络特征的癫痫发作预测方法 |
CN110338786A (zh) * | 2019-06-28 | 2019-10-18 | 北京师范大学 | 一种癫痫样放电的识别与分类方法、***、装置和介质 |
CN111329474A (zh) * | 2020-03-04 | 2020-06-26 | 西安电子科技大学 | 基于深度学习的脑电身份识别方法、***及信息更新方法 |
CN111477299A (zh) * | 2020-04-08 | 2020-07-31 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
CN112190261A (zh) * | 2020-09-16 | 2021-01-08 | 电子科技大学 | 一种基于静息态脑网络的孤独症脑电信号的分类装置 |
CN112022153A (zh) * | 2020-09-27 | 2020-12-04 | 西安电子科技大学 | 基于卷积神经网络的脑电信号检测方法 |
CN113191395A (zh) * | 2021-04-07 | 2021-07-30 | 杭州电子科技大学 | 一种基于双脑的多层次信息融合的目标检测方法 |
Non-Patent Citations (4)
Title |
---|
吴敏;韦志辉;汤黎明;孙玉宝;刘铁兵;: "一种基于稀疏表示模型的脑电图信号分析方法" * |
覃小雅;袁媛;陈彦;廖建湘;林素芳;杨?;李路明;: "头皮脑电图在迷走神经电刺激治疗难治性癫痫研究中的应用" * |
韩敏;曹占吉;孙磊磊;洪晓军;: "基于AR模型和Lempel-Ziv复杂度的癫痫发作预报" * |
黄力宇,付晓研,王珏,程敬之: "用脑电双谱分析和人工神经网络预测癫痫发作的研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116098634A (zh) * | 2023-01-31 | 2023-05-12 | 首都医科大学宣武医院 | 一种基于刺激事件的脑功能检测评估方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113425312B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2986203B1 (en) | Classifying eeg signals in response to visual stimulus | |
Cecotti et al. | Best practice for single-trial detection of event-related potentials: Application to brain-computer interfaces | |
CN111742332A (zh) | 经由多预测模型架构进行异常检测的***和方法 | |
US11298084B2 (en) | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing | |
CN114869300B (zh) | 基于脑电的致痫区定位装置及方法、电子设备和存储介质 | |
CN110584657B (zh) | 一种注意力检测方法及*** | |
WO2020070745A1 (en) | Remote prediction of human neuropsychological state | |
Zhang et al. | Automatic annotation correction for wearable EEG based epileptic seizure detection | |
Baygin | An accurate automated schizophrenia detection using TQWT and statistical moment based feature extraction | |
CN113425312B (zh) | 脑电数据处理方法及装置 | |
Immanuel et al. | Recognition of emotion with deep learning using EEG signals-the next big wave for stress management in this covid-19 outbreak | |
CN107212858A (zh) | 基于运动状态的生理信息采集装置及方法 | |
Liu et al. | Side-aware meta-learning for cross-dataset listener diagnosis with subjective tinnitus | |
Kastrati et al. | Using deep learning to classify saccade direction from brain activity | |
Gavas et al. | Enhancing the usability of low-cost eye trackers for rehabilitation applications | |
Kumar et al. | Classification of human emotional states based on valence-arousal scale using electroencephalogram | |
Liu et al. | EEG-based emotion estimation using adaptive tracking of discriminative frequency components | |
Wang et al. | Micro-expression recognition based on EEG signals | |
Vourvopoulos et al. | Brain–computer interfacing with interactive systems—case study 2 | |
Ahmad et al. | Multi-Feature Fusion Based Convolutional Neural Networks for EEG Epileptic Seizure Prediction in Consumer Internet of Things | |
Mantri et al. | Real time multimodal depression analysis | |
de Borman et al. | Estimation of seizure onset zone from ictal EEG using independent component analysis and source imaging | |
Dlask et al. | Fractional Brownian Bridge Model for Alzheimer Disease Detection from EEG Signal | |
Asif et al. | Emotion Recognition With Temporarily Localized'Emotional Events' in Naturalistic Context | |
Nancy et al. | A brain EEG classification system for the mild cognitive impairment analysis |
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 |