CN115153562A - 一种基于脑电图的预测方法、装置、电子设备及存储介质 - Google Patents
一种基于脑电图的预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115153562A CN115153562A CN202210427910.2A CN202210427910A CN115153562A CN 115153562 A CN115153562 A CN 115153562A CN 202210427910 A CN202210427910 A CN 202210427910A CN 115153562 A CN115153562 A CN 115153562A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- ischemic stroke
- index
- indexes
- patient
- 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
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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/333—Recording apparatus specially adapted therefor
-
- 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]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于脑电图的预测方法、装置、电子设备及存储介质。该方法包括:采集预设时间段内的缺血性卒中患者的脑电图和脑电图对应的人体信息;分析缺血性卒中患者的脑电图,得到脑电图对应的脑电指标,脑电指标包括RAP、RDP、DAR、DTABR、pdBSI;将脑电指标对应的人体信息输入待参考指标模型,得到脑电指标中的待参考指标;根据待参考指标的值匹配标准数据库中参考范围,并根据参考范围预测预设间隔内的缺血性卒中患者的脑功能恢复程度,将其作为参考数据展示给医生。本发明克服了CT和MRI获取影像时间较长,导致医生无法快速诊断的问题,为医生对患者的愈后脑功能的评估和治疗,提供了除CT和MRI脑部影像之外的其他参考数据。
Description
技术领域
本发明实施实例涉及计算机技术,尤其涉及一种基于脑电图的预测方法、装置、电子设 备及存储介质。
背景技术
缺血性卒中(Ischemic stroke,IS)是神经***疾病最常见的发病类型。IS发病的过 程中,仅几分钟就有可能从缺血发展到梗死,且IS发病后会使脑组织出现不同程度的脑功 能缺陷,严重的情况下会出现不可逆转的脑损伤。
目前,大多采用CT和MRI等技术获取患者脑部影像,医生通过脑部影像对IS患者的病 情严重程度以及后续愈合后的恢复程度进行判断,但是,CT和MRI技术,获取影像的时间周 期长,导致医生无法对患者的病情进行快速确诊,可能会造成病情延误,导致患者死亡。
另外,对于IS愈后患者,医生需要对其愈后脑损伤进行评估以确定后续治疗方案,在 评估过程中,需要结合CT和MRI技术获取的影像给出专业性的评估结果,为患者的康复治 疗提供下一步的指导意见。但是,CT和MRI技术的预约时间较长,采集图像的时长较长,会 导致医生的看诊效率较低,对于医生而言,仅仅凭借CT和MRI技术获取的影像进行愈后脑 损伤评估,评估的参考数据比较单一。
发明内容
本发明提供了一种基于脑电图的预测方法、装置、电子设备及存储介质,以实现对缺血 性卒中患者预后一定时段内脑功能情况的预估。
第一方面,本发明实施例提供了一种基于脑电图的预测方法,该方法包括:
采集预设时间段内的缺血性卒中患者的脑电图和脑电图对应的人体信息;
分析所述缺血性卒中患者的脑电图,得到所述脑电图对应的脑电指标,所述脑电指标包 括RAP、RDP、DAR、DTABR、pdBSI;
将所述脑电指标对应的人体信息输入待参考指标模型,得到所述脑电指标中的待参考指 标;
根据待参考指标的值匹配标准数据库中参考范围对应脑功能恢复程度,得到预设间隔内 的缺血性卒中患者的预测脑功能恢复程度,将所述预测脑功能恢复程度作为参考数据展示给 医生。
进一步的,在所述采集预设时间段内的缺血性卒中患者的脑电图之后,还包括:
确定第二预设时段内的缺血性卒中患者的脑电图;
对所述第二预设时段内的缺血性卒中患者的脑电图进行独立成分分析,并去除所述第二 预设时段内的缺血性卒中患者的脑电图的眼动成分。进一步的,所述分析所述缺血性卒中患 者的脑电图,得到所述脑电图对应的脑电指标,包括:
根据所述脑电图中各电极的电信号确定每个电极所述电信号中的各频带的功率;
根据所述每个电极所述电信号中的各频带的功率确定所述脑电图对应的各频带的平 均功率值,并计算出所述脑电图对应的脑电指标。
进一步的,所述采集预设时间段内的缺血性卒中患者的脑电图,包括:
采集发病后预设时间段内人体处于清醒状态下的第二预设时段内的脑电图。
进一步的,所述待参考指标模型的获取方式如下:
获取待训练的历史缺血性卒中患者的预测脑电指标和历史缺血性卒中患者的人体信息;
根据所述待训练的历史缺血性卒中患者的预测脑电指标和所述历史缺血性卒中患者的 人体信息,对深度学习分类网络进行预设次数的训练直至所述深度学习分类网络收敛,得到 所述待参考指标模型。
进一步的,所述待训练的历史缺血性卒中患者的预测脑电指标的获取方式如下:
利用人体信息匹配的组间对照方式对所述历史缺血性卒中患者的脑电指标与所述对 照组的脑电指标进行统计分析,得到具有统计学意义的脑电指标作为待预测脑电指标;
根据所述待预测脑电指标预测结果与所述历史缺血性卒中患者的愈后评测结果对应的 不同脑功能程度分组;
根据所述待预测脑电指标预测结果与所述历史缺血性卒中患者的愈后评测结果不同组 人数,得到所述待预测指标对应的绘图参数;
根据绘图参数绘制ROC图得到所述待预测指标对应的预测概率值,并根据所述预测概 率值的曲线下面积确定预测脑电指标。
进一步的,所述标准数据库中参考范围获取方法如下:
根据得分规则确定预设间隔内的历史缺血性卒中患者的预后评分,所述预后评分预测预 设间隔内的历史缺血性卒中患者的脑功能恢复程度;
根据预设间隔内的历史缺血性卒中患者的脑功能恢复程度和历史缺血性卒中患者的预 测脑电指标生成每种脑功能恢复程度对应的参考范围,并存储在所述标准数据库。
第二方面,本发明实施例提供了一种基于脑电图的预测装置,该装置包括:
图像采集模块,用于采集预设时间段内的缺血性卒中患者的脑电图和脑电图对应的人体 信息;
图像分析模块,用于分析所述缺血性卒中患者的脑电图,得到所述脑电图对应的脑电指 标,所述脑电指标包括RAP、RDP、DAR、DTABR、pdBSI;
指标确定模块,用于将所述脑电指标对应的人体信息输入待参考指标模型,得到所述脑 电指标中的待参考指标;
程度确定模块,用于根据待参考指标的值匹配标准数据库中参考范围对应脑功能恢复程 度,得到预设间隔内的缺血性卒中患者的预测脑功能恢复程度。
第三方面,本发明实施例提了电子设备,该电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现 所述的基于脑电图的预测方法。
第四方面,本发明实施例提了一种计算机可读存储介质,其上存储有计算机程序,该程 序被处理器执行时实现如所述的基于脑电图的预测方法。
本发明实施例中,通过采集预设时间段内的缺血性卒中患者的脑电图和脑电图对应的人 体信息;分析缺血性卒中患者的脑电图,得到脑电图对应的脑电指标,脑电指标包括RAP、 RDP、DAR、DTABR、pdBSI;将脑电指标对应的人体信息输入待参考指标模型,得到脑电 指标中的待参考指标;根据待参考指标的值匹配标准数据库中参考范围,并根据参考范围预 测预设间隔内的缺血性卒中患者的脑功能恢复程度,将预测脑功能恢复程度作为参考数据展 示给医生。即本发明实施例,克服了由于CT和MRI技术获取影像的时间周期长,导致医生 无法对患者的病情进行快速确诊的问题,同时为医生对急性缺血性卒中患者的愈后脑功能的 评估和治疗,提供了除CT和MRI脑部影像之外的其他参考数据,可以使医生更全面更快速 的对患者的病情以及恢复情况进行了解。
附图说明
图1是本发明实施例提供了基于脑电图的预测方法的一个流程示意图;
图2是本发明实施例提供了基于脑电图的预测方法的另一个流程示意图;
图3是本发明实施例提供了基于脑电图的预测装置的结构示意图;
图4是本发明实施例提供了电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具 体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述, 附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供了基于脑电图的预测方法的一个流程示意图,本实施例可适用 于需要评估缺血性卒中患者的脑功能恢复程度的情况,该方法可以由基于脑电图的预测装置 来执行,该装置可集成于服务器中。如图1所示,该方法包括如下步骤:
步骤110、采集预设时间段内的缺血性卒中患者的脑电图和脑电图对应的人体信息;
示例地,缺血性卒中患者的脑电图可以是根据脑电图采集设备采集到的缺血性卒中患者 脑部电信号随时间变化的波形图,波形图可以包括采集设备对应的频段范围内的所有频率的 波。脑电采集设备可以是电极帽,也可以是分散的多个电极束组成的电子设备,用于采集人 体脑部的电信号;当脑电采集设备为电极帽时,可以是缺血性卒中患者佩戴电极帽采集预设 时间段内的脑电信号图。预设时间段可以理解为根据实际需求或实验数据预设的缺血性卒中 患者所处状态脑电信号变化明显的时间段,在预设时间段内采集到的缺血性卒中患者的脑电 图的医学参考价值更高,即能够监测缺血性卒中患者发病时的脑电图变化图,比如,缺血性 卒中患者发病72小时以内。脑电图对应的人体信息可以理解为缺血性卒中患者的人体特征 信息,比如:年龄、性别、既往病史(高血压、糖尿病、高脂血症)、吸烟史、梗死部位、 治疗及用药情况等。
具体实现中,可以采集预设时间段内的缺血性卒中患者的脑电图,采用采样率为512HZ 脑电帽采集,采集频率范围可以设置为1-100Hz,采集时长为10分钟的脑电图,预设时间 段可以设置为72小时。采集设备也可以是采集设Nicolet EEG数字化脑电图仪,脑电设备电 极是盘状Ag/AgCl电极,依据国际10-20***放置,脑电设备电极数量可以大于等于19 个,人体与电极之间的阻抗小于10kΩ;在采集预设时间段内的缺血性卒中患者的脑电时, 缺血性卒中患者处于安静、清醒、闭目状态,需要每间隔2分钟询问缺血性卒中患者的姓名 确定缺血性卒中患者是否清醒,以评估觉醒状态。
步骤120、分析缺血性卒中患者的脑电图,得到脑电图对应的脑电指标,脑电指标包括 RAP、RDP、DAR、DTABR、pdBSI;
示例地,脑电指标可以是从脑电信号中提取的信号特征。脑电信号可以是脑电图中记录 到的任意一个电极的信号,也可以是脑电图中记录到的部分电极或全部电极的信号。其中, 信号特征可以是脑电信号在频域中不同频率范围内的功率,也可以是脑电信号在频域中不同 频率范围内的幅度、相位等其他量值。其中,脑电频谱的特征可以是特定频率范围内的功率, 患病者未发病的脑电图仅有一个脑电频谱的特征,而病患发病时脑电频谱的特征个数就会发 生改变,所以脑电频谱的特征成为了临床诊断和医生研究的重要指标。频率可以是单位时间 内脑电信号完成周期性变化的次数,用于描述周期运动频繁程度,频域可以是脑电信号通过 时频转换方法从时域转换到的频域的脑电信号功率或其他信号量值,时域可以是脑电信号对 时间的变化关系,转换方法可以是傅里叶变换,傅里叶变换通过将脑电信号分解成频率谱, 从而显示与频率对应的幅值大小。当从脑电信号中提取频域中的某些特征时,脑电信号需要 满足一定条件。该条件可以是具有一定的信号质量,信号质量可以通过对脑电信号处理得到, 脑电信号的处理可以通过软件实现,软件可以是analyzer,也可以是eeglab等。
具体实现中,病患的脑电图记录中选择第一预设时段的伪差较少的脑电图,将选取的第 一预设时段的伪差较少的脑电图进行滤波,用于提取第一预设时段的伪差较少的脑电图中所 需要范围的脑电信号,并滤除的噪声和工频干扰。查看滤波后的脑电图中眼电伪差,将眼电 眼电伪差较多的脑电图进行去眼电伪差,并提取脑电图在频域中不同频率范围内的功率。对 于确定的脑电图对应的各电极的信号,进行不同频率范围内的功率的提取。可以是将120s 脑电信号平均分成2s的片段(1024个数据点),50%重叠,接下来应用快速傅里叶变换(FFT) 计算4个频带(δ(1-4Hz),θ(5-7Hz),α(8-13Hz),β(14-30Hz))各导联功率,然后在各 频带内将所有导联的功率做平均,得到各频带的所有导联做平均后的平均功率值。基于 各频带的导联功率和所述各频带的所有导联做平均后的平均功率值,计算得到5个脑电 指标RAP、RDP、DAR、DTABR、pdBSI。
步骤130、将脑电指标对应的人体信息输入待参考指标模型,得到脑电指标中的待参考 指标;
示例地,待参考指标模型可以理解为通过机器学习算法对历史数据库中历史缺血性卒中 患者的训练的模型,用于根据人体信息识别出脑电图对应的预测脑功能程度的待参考指标。
具体实现中,基于各频带的导联功率和所述各频带的所有导联做平均后的平均功率 值,计算得到5个脑电指标RAP、RDP、DAR、DTABR、pdBSI。将该5个脑电指标RAP、 RDP、DAR、DTABR、pdBSI对应的缺血性卒中患者的人体信息输入待参考指标模型,待参 考指标模型识别出缺血性卒中患者的人体信息对应的脑电指标中的待参考指标。缺血性卒中 患者的人体信息可以是能快速获得缺血性卒中患者的人体信息,比如:年龄、性别、既往病 史(高血压、糖尿病、高脂血症)、吸烟史、梗死部位、治疗及用药情况。
步骤140、根据待参考指标的值匹配标准数据库中参考范围对应脑功能恢复程度,得到 预设间隔内的缺血性卒中患者的预测脑功能恢复程度,将预测脑功能恢复程度作为参考数据 展示给医生。
示例地,标准数据库可以理解为存储待参考指对应参考范围和预设间隔内的缺血性卒中 患者的脑功能恢复程度的数据库,按照预设间隔内的缺血性卒中患者的脑功能恢复程度不 同,将待参考指对应参考范围和预设间隔内的缺血性卒中患者的脑功能恢复程度关联存储, 可以是对照表的形式,也可以数据链的形式。其中,标准数据库中待参考指对应参考范围和 预设间隔内的缺血性卒中患者的脑功能恢复程度关联存储,相应的具有确定该参考范围的人 数。
具体实现中,可以根据待参考指标模型识别出缺血性卒中患者的人体信息对应的脑电指 标中的待参考指标,在标准数据库中匹配待参考指标所在的参考范围对应的脑功能恢复程 度,得到预设间隔内的缺血性卒中患者的预测脑功能恢复程度。该预测脑功能恢复程度作为 参考数据展示给医生,方便医生实施后续的诊断和治疗。
本发明实施例中,通过采集预设时间段内的缺血性卒中患者的脑电图和脑电图对应的人 体信息;分析缺血性卒中患者的脑电图,得到脑电图对应的脑电指标,脑电指标包括RAP、 RDP、DAR、DTABR、pdBSI;将脑电指标对应的人体信息输入待参考指标模型,得到脑电 指标中的待参考指标;根据待参考指标的值匹配标准数据库中参考范围,并根据参考范围预 测预设间隔内的缺血性卒中患者的脑功能恢复程度,将预测脑功能恢复程度作为参考数据展 示给医生。即本发明实施例,克服了由于CT和MRI技术获取影像的时间周期长,导致医生 无法对患者的病情进行快速确诊的问题,同时为医生对急性缺血性卒中患者的愈后脑功能的 评估和治疗,提供了除CT和MRI脑部影像之外的其他参考数据,可以使医生更全面更快速 的对患者的病情以及恢复情况进行了解。
下面进一步描述本发明实施例提供的基于脑电图的预测方法,如图2所示,该方法具体 可以包括如下步骤:
步骤210、采集第一预设时间段内的缺血性卒中患者的脑电图和脑电图对应的人体信息;
示例地,残疾的主要原因是神经***疾病,也是全世界第二大死亡原因,缺血性卒中 (Ischemic stroke,IS)是最常见的发病类型。缺血性卒中时脑组织缺血缺氧出现不可逆损伤, 引发一系列脑功能障碍,遗留不同程度的功能缺损。尽管在卒中预防、治疗、康复等方面取 得进展,但预计卒中负担会持续上升,高达70%的卒中患者遗留中度和重度功能障碍。从缺 血到梗死的进展是一个动态的、快速进展的过程,在几分钟到几个小时内发生不可逆的变化。 因此早期诊断IS至关重要,它在短期和长期内影响患者治疗、康复、IS后生活质量和医疗 费用。尽管CT和MRI等影像学方式可以对大脑进行详细的解剖学检查,并且对IS严重程 度进行评价。但都有其局限性,缺血性卒中时,CT存在6-8小时时间窗;MRI虽然能够在 30分钟内识别卒中,但其可用性较低,通常预约时间较长,不能及时应用。脑电图(EEG) 可以在几秒钟内反映脑血流和代谢的变化,表现为慢波活动增加,而快波活动减少。虽然EEG 空间分辨率较差,但其高时间分辨率有助于快速评估瞬时脑功能。由于其优越的时间分辨率 和对缺血缺氧的高敏感性,一些研究表明,脑电图可用于AIS的辅助诊断、病情监测以及预 测预后。目前临床医生判断预后仅依据急性期临床表现及神经功能评分同时结合发病时神经 影像及患者的高危因素,缺乏客观的量化指标。脑电指标的结果弥补了这些缺陷,比以上因 素更加客观、直观、量化、科学。
第一预设时间段指的是发病后72小时内,72小时有文献支持,72小时内的脑电图与预 后相关性更好。
脑电信号是通过安放在记录部位的脑电极送到脑电图机的输入部分,经放大器放大后形 成脑电图,为了得到更真实准确的极弱脑电信号,对其使用电极与头皮接触阻抗的要求是极其 严格的。电极与头皮接触的好坏,影响着电极与皮肤之间的电阻大小。电极皮肤电阻越小, 引入交流干扰越小,得到波形质量越高,越稳定,一般应小于10K欧。脑电信号频率低,一般脑 电图对应的脑电波在1-100Hz范围内,需要滤除脑电信号频率以外的高频干扰。
具体实现中,使用Nicolet EEG数字化脑电图仪采集发病后3个月内急性缺血性卒中患 者处于清醒状态下的72小时内的脑电图。所述脑电图的采集设备采集时,采用采样率为 512HZ脑电帽采集,所述脑电图对应的脑电波处于1-100Hz范围内,采集时长为10分钟的脑电图,人体与电极之间的阻抗小于10kΩ、采集电极数量等于19个。
步骤220、确定发病后第一预设时间段内人体处于清醒状态下的第二预设时段内的脑电 图。
进一步的,在所述确定的第二预设时间段内的缺血性卒中患者的脑电图之后,还包括:
对所述第二预设时段内的缺血性卒中患者的脑电图进行独立成分分析,并去除所述第二 预设时段内的缺血性卒中患者的脑电图的眼动成分。
示例地,独立成分分析方法是一个利用高阶统计量的信号处理方法,它是一种线性变换, 它使各个成分之问的统计依靠性变为最小,且可以辨识出信号中的各个独立的成分。ICA已 被应用到脑电信号处理中,眨眼伪迹是脑电信号采集过程中的常见噪声,严重影响其有用信息 的提取,所以眼动被认为是脑电信号中的一个噪声,长期以来人们采用了许多方法来抑制它的 影响,而独立成分分析方法可以将辨识出信号中的眼动成分。脑电图数据的参考电极可以重 新设置参考为共同平均参考。参考电极在脑电图中记录的指标是电压值,电压值为两个电极 之间的电势差,所以在脑电图记录过程中,除了贴在大脑部位的单个电极外,还有一个电极 为参考电极。共同平均参考的方法是消除原有参考电极变化所造成的误差影响,将所有电极 信号进行总和平均获得一个固有值;
具体实现中,第二预设时间段指的是发病后72小时内随机选择的伪差较少的脑电信号 的120秒的时间范围。可以使用analyzer软件中的独立成分分析方法选项对所述第二预设时 段内的脑电图进行分析。根据眼动信号在头皮地形图的前端分布(一般是正前方)、小方块 (相对集中)、随机分布、功率谱图中低频能量高、成分排序较为靠前的特点,在独立成分 分析以后,肉眼识别独立成分并按照经验选择认为是眼动的成分并进行剔除。
步骤230、分析所述缺血性卒中患者的脑电图,得到所述脑电图对应的脑电指标,所述 脑电指标包括RAP、RDP、DAR、DTABR、pdBSI;
进一步的,所述分析所述缺血性卒中患者的脑电图,得到所述脑电图对应的脑电指标, 包括:
根据所述脑电图中各电极的电信号确定每个电极所述电信号中的各频带的功率;
根据所述每个电极所述电信号中的各频带的功率确定所述脑电图对应的各频带的平 均功率值,并计算出所述脑电图对应的脑电指标。
示例地,脑电图需要有经验的专业医师来解读图像,并且可能得出不同的结论。定量脑 电图(Quantitative EEG,qEEG)是将随时间变化的脑电波幅通过傅里叶转换等方式转换为 脑电功率随频率的变化,得到δ(1-4Hz)、θ(5-7Hz)、α(8-13Hz)、β(14-30Hz) 在一定时间内的绝对功率值。不同频率绝对功率值与各频带总功率值的比值为不同频带的相 对功率比。相对功率比能定量反映各频带脑波的分布、比例以及波幅变化的情况。相较于普通脑电图,QEEG不受主观因素影响,结果更加准确、量化。目前常用的脑电图指数包括相 对α功率比(RAP)、相对δ功率比(RDP)、δ与α功率比(DAR)、(δ+θ)与(α+β)功率比 (DTABR)、不对称指数(BSI)等。
BSI反映双侧大脑的对称性,敏感性高,范围从0(完全对称)到1(完全不对称),BSI与AIS的临床严重程度相关。Sheorajpanday等人2009年引入成对导出的不对称指数(pdBSI) 作为监测AIS患者病情的指标,该指数是BSI的自然延伸。相较于BSI,pdBSI是一种评价 同源通道对功率谱的不对称参数,而不是全局的不对称性,提高监测的灵敏度,可靠地区分 卒中和短暂性脑缺血发作患者或对照受试者,并且与临床严重程度和近期缺血体积显著相 关。由于其优越的时间分辨率和对缺血缺氧的高敏感性,一些研究表明,定量脑电图可用于 AIS的辅助诊断、病情监测以及预测预后。
DTABR是整体脑功能的标志,不仅对梗死核心区域出现δ活动敏感,还能对缺血半暗 带等区域的α活动减少,θ活动增多敏感,由此DTABR识别AIS的准确性更高。DTABR 不仅反映δ活动,还反映了θ活动及α活动,可能反映脑组织水肿等情况。
DAR显然与DTABR相关,量化了δ活动及α活动的总体信号强度。一些研究表明,急性期δ功率与α功率及其相关功率与30天功能结果存在相关关系,可能可以对AIS患者预 后做出预测。DAR在区分AIS及预测功能预后上均有较高的辨别能力。DAR量化了δ活动 和α活动。δ与CBF和代谢相关性最强。β容易受到肌电伪影污染,θ单独作为卒中后病理 生理学指标是不可靠,较快的θ(6-8Hz)可能是背景波中的慢α,所以DAR在诊断AIS 有较高的辨别能力。
早期研究发现,α波活动逐渐衰减与灰质缺血有关,与亚急性期从顶叶皮层到感觉运动 皮层的梗死进展平行,与δ波活动不同,α波活动的恢复在梗死后期更好,且其活性的保存 可以反映梗死后的神经元存活情况。RAP与30天NIHSS评分呈强负相关。
梗死核心区域表现为δ活动,是一种不可逆损伤,DAR及RDP量化了这种异常,因此准确性较高BSI可以反映左右半球脑电的对称性,量化每个半球的平均频谱功率的差异。
具体实现中,根据所述脑电图对应的各电极的信号确定各频带的各导联的绝对功率, 对于缺血性卒中患者,基于各频带的导联功率和所述各频带的所有导联做平均后的平均 功率值,计算得到5个脑电指标RAP、RDP、DAR、DTABR、pdBSI,也就是每个患者的 5个指标各自会得到一个值。
基于如下公式计算名称相对α功率比RAP:
基于如下公式计算名称相对δ功率比RDP:
基于如下公式计算名称δ与α功率比DAR:
基于如下公式计算名称(δ+θ)与(α+β)功率比DTABR:
其中,δ、θ、α、β分别代表δ(1-4Hz)、θ(5-7Hz)、α(8-13Hz)、β(14-30Hz) 频带的所有导联做平均后的平均功率值,功率值使用analyzer直接分析得到。
基于如下公式计算名称成对导出的不对称指数pdBSI
其中,Lij和Rij分别表示左右半球j通道的i频率的基于FFT计算的功率谱密度,而后 按照频率为i=1,2,...,N取值,N=4,i=1表示1-3Hz频率范围,i=2表示1-7Hz频率范围,i=3 表示1-13Hz频率范围,i=4表示1-25Hz频率范围;j=1,2,...,M,M=8,M代表8对同源通道 对,比如F3和F4就是其中一对同源通道对。
其中,α、β、θ和δ分别代表α、β、θ和δ频带的所有导联做平均后的平均功 率值。
步骤240、将所述脑电指标对应的人体信息输入待参考指标模型,得到所述脑电指标中 的待参考指标;
进一步的,所述待参考指标模型的获取方式如下:
获取待训练的历史缺血性卒中患者的预测脑电指标和历史缺血性卒中患者的人体信息;
根据所述待训练的历史缺血性卒中患者的预测脑电指标和所述历史缺血性卒中患者的 人体信息,对深度学习分类网络进行预设次数的训练直至所述深度学习分类网络收敛,得到 所述待参考指标模型。
示例地,所述获取的待训练的历史缺血性卒中患者的人体信息具有满足范围标准及不符 合筛除条件,记录人体临床资料,包括年龄、性别、既往病史(高血压、糖尿病、高脂血症)、 吸烟史等情况,AIS患者收集患者梗死部位、治疗及用药情况。
具体实现中,所述历史缺血性卒中患者的人体信息包括:
所有患者符合2018年中华医学会神经病学分会制定的AIS诊断标准;首次发病,且在 72小时以内,CT或MRI证明为前循环卒中;美国国立卫生研究院卒中量表(NHISS)评分≥4分;未接受溶栓治疗;入院前有独立行为能力。高血压、糖尿病、具有吸烟史均符合历 史数据库所具有的人体信息。
除此之外,所述历史缺血性卒中患者不应该具有的人体信息包括:严重心、肝、肾及消 化***并发症,意识障碍或者痴呆不配合评估者;存在其他可造成脑电变化疾病,如代谢性 脑病、癫痫、脑出血、肿瘤、脑炎、既往卒中等;服用可能影响脑电图的药物,如抗癫痫药 物、巴比妥类药物、锂、三环类药物或抗精神病药物等。
获取待训练的历史缺血性卒中患者的预测脑电指标为RAP、RDP、DAR、DTABR、pdBSI, 其中历史缺血性卒中患者中每个患者的每个预测脑电指标有一个值,因此历史缺血性卒中患 者中每个患者具有五个指标,即有五个值。
示例地,所述待训练的历史缺血性卒中患者的预测脑电指标和所述历史缺血性卒中患者 的人体信息,对深度学习分类网络进行预设次数的训练直至所述深度学习分类网络收敛。所 述的深度学习分类网络可以是二分类逻辑回归分析,也可以是其他深度学习分类方法。
具体实现中,所述的深度学习分类网络可以使用二分类逻辑回归分析,使用二分类逻辑 回归分析时,将年龄和NHISS评分作为协变量,某个脑电指标(如DTABR)作为变量一起 输入到SPSS软件的二分类逻辑回归分析中,输出为某个预测脑电指标预后模型中相应的常 数项、年龄的系数、NHISS评分的系数、某个预测脑电指标的系数、表格(指的是逻辑回归 分析预测预后良好和预后不良两组各自的人数及根据mRS评分实际预后良好与预后不良各 自的人数汇总而成的具有绘图参数的表格)、显著性差异P值。
根据所述的深度学习分类网络即二分类逻辑回归分析得到的预测脑电指标各自的各项 系数及常数项,构建急性缺血性卒中患者的4个指标的各自的功能预后的预测模型,每个指 标可建立一个预后模型,即P=1/(1+e-Y),Y=常量+系数*年龄+系数*NHISS+系数*某个待预 测脑电指标。随后将各个指标各自的预后模型存储起来以便调用。
进一步的,所述待训练的历史缺血性卒中患者的预测脑电指标的获取方式如下:
利用人体信息匹配的组间对照方式对所述历史缺血性卒中患者预后不良组和预后良 好组的各项指标进行统计分析,得到具有统计学意义的脑电指标作为待预测脑电指标;
根据所述待预测脑电指标预测结果与所述历史缺血性卒中患者的预后评测结果对应的 不同脑功能程度分组;
根据所述待预测脑电指标预测结果与所述历史缺血性卒中患者的预后评测结果不同组 人数,得到所述待预测指标对应的绘图参数;
根据绘图参数绘制ROC图得到所述待预测指标对应的曲线下面积,并根据所述曲线下 面积确定预测脑电指标。
示例地,二分类逻辑回归是机器学习最经典的方法之一,它的输入为特征向量,输出为 概率即0到1之间的值,并依据概率将样本归类,其中就包括二分类问题与多分类问题,其 中二分类逻辑回归模型输出一个值,该值用于表示样本属于其中一类的概率,同时二分类逻 辑回归分析会得出两类特征作为输入得出的两类样本各自的数量。
根据mRS评分将患者分为预后不良组和预后良好组,对预后良好组和预后不良组的临 床资料进行组间比较,将有统计学意义的变量调整为已知的影响因素。调整影响因素后对脑 电图指数采用二分类logistic回归分析,构建急性缺血性卒中患者功能预后的预测模型,在 急性期预测不良的功能预后,得到具有统计学意义的指标作为所述参考指标。
具体实现中,利用人体信息匹配的组间对照方式对所述历史缺血性卒中患者预后不良 组和预后良好组的各种指标进行统计分析,所有统计处理均可以使用SPSS22.0进行处理。
其中,人体信息中的临床资料性别、高血压、糖尿病、高脂血症、吸烟史、mRS评分为计数资料,人体信息中的年龄、NHISS评分、ASPECTS评分为计量资料。计数资料用频数 或百分率表示,用卡方检验或Fisher确切概率法进行组间比较;计量资料符合正态分布用均 数±标准差表示,独立样本t检验进行组间比较,不符合正态分布用中位数(四分位数间距)表示,独立样本秩和检验进行组间比较。
根据3个月后的患者的mRS得分情况,将患者分为预后良好组和预后不良组两组,其 中,mRS>=3分的患者归类为预后不良组,mRS<=2分的患者归类为预后良好组。
首先,对卒中患者预后良好组和预后不良组的临床资料进行组间比较,临床资料包括性 别、年龄、高血压、糖尿病、高脂血症、吸烟史、ASPECT评分、NHISS评分,结果发现年龄和NHISS评分具有统计学差异,因此年龄和NHISS评分为已知的影响因素。
接下来将年龄和NHISS评分作为协变量,某个脑电指标(如DTABR)作为变量一起输入,进行二分类逻辑回归分析,输出为某个脑电指标(如DTABR)预后模型中相应的常数 项、年龄的系数、NHISS评分的系数、某个脑电指标(如DTABR)的系数、表格(逻辑回 归分析预测预后良好和预后不良两组各自的人数及根据mRS评分实际预后良好与预后不良 各自的人数汇总而成的具有绘图参数的表格)、显著性差异P值。因此DTABR、DAR、RDP、 RAP、pdBSI五个指标可以进行五次逻辑回归分析,得到五个指标各自的预后模型中相应的 常数项、年龄的系数、NHISS评分的系数、指标的系数、表格(逻辑回归分析预测预后良好 和预后不良两组各自的人数及根据mRS评分实际预后良好与预后不良各自的人数汇总而成 的具有绘图参数的表格)、显著性差异P值。因此DTABR、DAR、RDP、RAP、pdBSI五 个指标可以生成五个预后模型。
根据上述的逻辑回归分析得到的显著性差异值p值,选择显著性差异值p<0.05的指标作 为患者3个月后的功能预后的待预测指标。因此根据上述的逻辑回归分析得到的显著性差异 值p值,确定了DTABR、DAR、RDP、RAP为待预测指标(p<0.05)。
示例地,为了避免脑电图指数存在多重共线性,即指标之间可能会出现互相影响的情况, 因此所有模型均用一个qEEG指数和已知影响因素构建,一个qEEG指数即任意一个脑电图 指标。
一个二分类问题,可以将实例分成正类(postive)或者负类(negative),但是实际中分类时 会出现四种情况,针对四种情况可以得到真正类(True Positive,TP)、假负类(False Negative, FN)、假正类(False Positive,FP)、真负类(True Negative,TN)四个指标。其中,真正类 的值为某一个实例是正类,并且预测结果也为正类的个数;假负类的值为某一个实例是正类, 被预测为负类的个数;假正类的值为某一个实例是负类,被预测为正类的个数;真负类的值 为某一个实例为负类,并且预测结果也为负类的个数。得到四个值TP、FN、FP、TN之后, 可以计算灵敏度和特异性。其中,灵敏度为将实际有病的人正确地判定为真阳性的比例,衡 量某种试验检测出有病者的能力,其计算公式为:灵敏度=真正率(TPR)=TP/(TP+FN); 特异度为将实际无病的人正确地判定为真阴性的比例,衡量试验正确地判定无病者的能力, 其计算公式为:特异度=1-假正率(FPR)=TN/(FP+TN)。
之后即可根据灵敏度和特异度绘制ROC曲线。其中,ROC曲线指受试者工作特征曲线 (receiver operating characteristic curve),是反映敏感性和特异性连续变量的综合指标,是用构 图法揭示敏感性和特异性的相互关系,它通过将连续变量设定出多个不同的临界值,从而计 算出一系列敏感性和特异性,再以敏感性为纵坐标、(1-特异性)为横坐标绘制成曲线,曲 线下面积越大,诊断准确性越高。其中,曲线下面积在0.5-0.7时有较低的准确性,0.7-0.9 时有一定的准确性,0.9以上时有较高的准确性。
具体实现中,根据逻辑回归分析得到的显著性差异值p,确定了DTABR、DAR、RDP、RAP 4个指标为患者3个月后功能预后的待预测脑电指标。
根据所述待预测脑电指标预测结果与所述历史缺血性卒中患者的真实预后评测结果对 应的不同脑功能程度分组,根据所述分组情况可以绘制指标各自的ROC曲线图,所述待预 测的4个脑电指标每个指标都可以绘制一个ROC曲线图。
首先,所述待预测脑电指标预测结果与所述历史缺血性卒中患者的预后评测结果对应的 不同脑功能程度分为预后良好和预后不良两组。根据mRS评分得到真实的预后良好和预后 不好的人数,根据二分类逻辑回归分析得到预测的预后良好和预后不好的人数以及表格(逻 辑回归分析预测预后良好和预后不良两组各自的人数及根据mRS评分实际预后良好与预后 不良各自的人数汇总而成的表格)内的参数,即所述待预测指标对应的绘图参数包括TP、FN、FP、TN。
TP代表实际预后不良且二元逻辑回归分析中某脑电指标预测到的预后不良的患者人数, FN代表实际预后不良但二元逻辑回归分析中某脑电指标预测到的预后良好的患者人数,FP 代表实际预后良好但二元逻辑回归分析中某脑电指标预测到的预后不良的患者人数,TN代 表实际预后良好且二元逻辑回归分析中某脑电指标预测到的预后良好的患者人数。
接下来,根据绘图参数TP、FN、FP、TN四个值绘制ROC曲线图。其过程包括:首先 根据绘图参数TP、FN、FP、TN四个值计算得到某脑电指标的灵敏度和特异度。其中,灵敏 度和特异度使用灵敏度=真正率(TPR)=TP/(TP+FN),特异度=1-假正率(FPR)=TN/(FP+TN)公式来计算。之后通过将连续变量设定出多个不同的临界值,从而计算出一系列敏感性和特 异性,再以敏感性为纵坐标、(1-特异性)为横坐标绘制成曲线,得到某脑电指标的ROC曲线图。
因此共得到所述待参考指标DTABR、DAR、RDP、RAP的4个ROC曲线图,其中一 个指标对应有一个ROC曲线图。然后计算每个指标的各自对应的ROC曲线的曲线下面积(Areaunder curve,AUC)确定更准确预测功能预后的脑电图指数。结果发现,DAR和RDP的曲线 下面积更大,所以DAR和RDP分类准确性更高,因此确定预测脑电指标为DAR和RDP, 并存储DAR和RDP对应的功能预后的预测模型,DAR指标的功能预后模型为P=1/[1+e-(-25.466+0.227×年龄+0.827×NHISS得分+1.936×DAR)],RDP指标的功能预后模型为P=1/[1+e-(-23.226+0.174×年龄+1.005×NHISS得分+14.003×LnRDP)]。
步骤250、根据待参考指标的值匹配标准数据库中参考范围对应脑功能恢复程度,得到 预设间隔内的缺血性卒中患者的预测脑功能恢复程度。
进一步的,所述标准数据库中参考范围获取方法如下:
根据得分规则确定预设间隔内的历史缺血性卒中患者的预后评分,所述预后评分预测预 设间隔内的历史缺血性卒中患者的脑功能恢复程度;
根据预设间隔内的历史缺血性卒中患者的脑功能恢复程度和历史缺血性卒中患者的预 测脑电指标生成每种脑功能恢复程度对应的参考范围,并存储在所述标准数据库。
示例地,根据分析所述脑电图的参考指标预测功能预后分析ROC曲线得出所有临界值 的灵敏度与特异度。根据灵敏度与特异度之和减去1即为约登指数的计算公式,得到所有临 界值的约登指数。由于约登指数表示筛检方法发现真正的患者与非患者的总能力,并且指数 越大说明筛查实验的效果越好,真实性越大,所以选取约登指数最大值的临界值为诊断点, 而且计算其灵敏度及特异度即为该模型的灵敏度及特异度。
具体实现中,所述脑电图的参考指标为DAR和RDP,分析ROC曲线以及DAR和RDP 的预后模型,根据所有临界值的灵敏度与特异度,得到所有临界值的约登指数,选取约登指数最大值的临界值为诊断点,计算其灵敏度及特异度即为该模型的灵敏度及特异度。因此可 计算得到DAR指标和RDP指标各自的最佳诊断点。
计算DAR指标的概率预测值P值。根据ROC曲线得出概率预测值P的AUC为0.921, 敏感性为75.0%,特异性为97.5%,计算得到DAR指标的最佳诊断界点为0.540。
计算RDP指标的概率预测值P值。根据ROC曲线得出概率预测值P的AUC为0.910, 敏感性为78.6%,特异性为87.5%,计算得到RDP指标的最佳诊断界点为0.483。
因此DAR指标的P≥0.540时,预测患者不良预后的可能性大;RDP指标的P≥0.483时,预测患者不良预后的可能性大。将患者的各项指标匹配到历史缺血性卒中患者的预后模 型中,计算患者的DAR及RDP两项指标的P值,即可根据上述DAR和RDP两项指标各自 的P值的参考范围,判断患者的预后情况。根据预设间隔内的历史缺血性卒中患者的脑功能 恢复程度和历史缺血性卒中患者的预测脑电指标生成的每种脑功能恢复程度对应的参考范围,存储在所述标准数据库。
本发明实施例中,通过采集预设时间段内的缺血性卒中患者的脑电图和脑电图对应的人 体信息;分析缺血性卒中患者的脑电图,得到脑电图对应的脑电指标,脑电指标包括RAP、 RDP、DAR、DTABR、pdBSI;将脑电指标对应的人体信息输入待参考指标模型,得到脑电 指标中的待参考指标;根据待参考指标的值匹配标准数据库中参考范围,并根据参考范围预 测预设间隔内的缺血性卒中患者的脑功能恢复程度,将该预测的脑功能恢复程度作为参考数 据展示给医生。即本发明实施例,克服了由于CT和MRI技术获取影像的时间周期长,导致 医生无法对患者的病情进行快速确诊的问题,同时为医生对急性缺血性卒中患者的愈后脑功 能的评估和治疗,提供了除CT和MRI脑部影像之外的其他参考数据,可以使医生更全面更 快速的对患者的病情以及恢复情况进行了解。
图3为本发明实施例提供了基于脑电图的预测装置的结构示意图,如图3所示,该装置 可以包括:
图像采集模块310,用于采集预设时间段内的缺血性卒中患者的脑电图;
图像分析模块320,用于分析所述脑电图,得到所述脑电图对应的脑电指标,所述脑电 指标包括RAP、RDP、DAR、DTABR、pdBSI;
范围确定模块330,用于利用SPSS对指标进行统计学处理得到所述脑电指标对应的待 参考指标,并对所述参考指标进行二分类逻辑回归分析,得到所述脑电指标对应的各参考指 标的参考范围;
程度确定模块340,用于根据所述脑电指标和所述脑电指标对应的各参考指标的参考范 围预测预设间隔内的缺血性卒患者的脑功能恢复程度。
一实施例中,所述图像分析模块320分析所述脑电图之前,还包括:
确定第二预设时段内的脑电图;
对所述第二预设时段内的脑电图进行独立成分分析,并去除所述第二预设时段内的脑电 图的眼动成分。
一实施例中,所述图像分析模块320所述分析所述脑电图,包括:
根据所述脑电图对应的各电极的信号确定各频带的各导联的功率;
根据所述各频带各导联的功率确定所述各频带的所有导联做平均后的平均功率值; 基于所述各频带的导联功率和所述各频带的所有导联做平均后的平均功率值,得到所述 脑电指标。
一实施例中,所述图像采集模块310采集预设时间段内的缺血性卒中患者的脑电图,包 括:
采集发病后预设时间段内缺血性卒中患者处于清醒状态下的第一预设时段内的脑电图;
所述脑电图的采集设备采集时,人体与电极之间的阻抗小于10kΩ、采集电极数量大于 等于19个、所述脑电图对应的脑电波处于1-100Hz范围内。
一实施例中,所述范围确定模块330利用SPSS对指标进行统计学处理,包括:
根据所述脑电图对应的人体信息在历史数据库中筛选出相同历史数据项的参考人体信 息,所述历史数据库中存储有所述脑电图相同处理方法的脑电图;
将所述参考人体信息根据健康状态分为健康组和患者组,并根据所述健康组对应的人体 信息和脑电图与所述患者组对应的人体信息和脑电图进行卡方检验,确定有对照意义的待参 考指标。
一实施例中,所述范围确定模块330对所述参考指标进行二分类逻辑回归分析,得到参 考值标对应的参考范围,包括:
所述对所述参考指标进行二分类逻辑回归分析,得到所述参考指标;
分析所述参考指标得到参考指标对应的参考范围。
一实施例中,所述程度确定模块340根据所述脑电指标和所述脑电指标对应的各参考指 标的参考范围预测预设间隔内的缺血性卒患者的脑功能恢复程度,包括:
根据所述脑电指标的数值所处在所述脑电指标对应的各参考指标的参考范围的位置,映 射出所述脑电指标对应缺血性卒患者的不良预后程度;
根据分析所述脑电图的参考指标预测功能预后分析ROC曲线得出概率预测值P;
本发明实施例中,可以采集预设时间段内的缺血性卒中患者的脑电图;分析脑电图,得 到脑电图对应的脑电指标,脑电指标包括RAP、RDP、DAR、DTABR、pdBSI;利用SPSS对指标进行统计学处理得到脑电指标对应的待参考指标,并对参考指标进行二分类逻辑回归分 析,得到脑电指标对应的各参考指标的参考范围;根据脑电指标和脑电指标对应的各参考指 标的参考范围预测预设间隔内的缺血性卒患者的脑功能恢复程度。即本发明实施例,解决了 采用CT和MRI等技术对缺血卒中严重程度进行评估预约时间较长,不能及时应用的问题, 可以很好地实现对急性缺血性卒中患者的早期诊断,且具有较高的准确率,实现了对急性缺 血性卒中患者功能的预后。
图4为本发明实施例提供的一种电子设备的结构示意图。图4示出了适于用来实现本发 明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例,不应对 本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但 不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,*** 总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来 说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总 线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设 备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储 器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动 的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移 动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个 驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中, 这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程 序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执 行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通 信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得电子设 备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通 信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络 适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应 当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限 于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及 数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据 处理,例如实现本发明实施例所提供的基于脑电图的预测方法,该方法包括:
采集预设时间段内的缺血性卒中患者的脑电图;
分析所述脑电图,得到所述脑电图对应的脑电指标,所述脑电指标包括RAP、RDP、DAR、 DTABR、pdBSI;
利用SPSS对指标进行统计学处理得到所述脑电指标对应的待参考指标,并对所述参考 指标进行二分类逻辑回归分析,得到所述脑电指标对应的各参考指标的参考范围;
根据所述脑电指标和所述脑电指标对应的各参考指标的参考范围预测预设间隔内的缺 血性卒患者的脑功能恢复程度。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处 理器执行时实现本发明实施例所述的基于脑电图的预测方法,该方法包括:
采集预设时间段内的缺血性卒中患者的脑电图;
分析所述脑电图,得到所述脑电图对应的脑电指标,所述脑电指标包括RAP、RDP、DAR、 DTABR、pdBSI;
利用SPSS对指标进行统计学处理得到所述脑电指标对应的待参考指标,并对所述参考 指标进行二分类逻辑回归分析,得到所述脑电指标对应的各参考指标的参考范围;
根据所述脑电指标和所述脑电指标对应的各参考指标的参考范围预测预设间隔内的缺 血性卒患者的脑功能恢复程度。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。 计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质 例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意 以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个 导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可 擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存 储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以 是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与 其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承 载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信 号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质 以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系 统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电 线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代 码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括 常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地 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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发 明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调 整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详 细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括 更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于脑电图的预测方法,其特征在于,包括:
采集第一预设时段内的缺血性卒中患者的脑电图和脑电图对应的人体信息;
分析所述缺血性卒中患者的脑电图,得到所述脑电图对应的脑电指标,所述脑电指标包括RAP、RDP、DAR、DTABR、pdBSI;
将所述脑电指标对应的人体信息输入待参考指标模型,得到所述脑电指标中的待参考指标;
根据待参考指标的值匹配标准数据库中参考范围对应脑功能恢复程度,得到预设间隔内的缺血性卒中患者的预测脑功能恢复程度,将所述预测脑功能恢复程度作为参考数据展示给医生。
2.根据权利要求1所述方法,其特征在于,在所述采集第一预设时间段内的缺血性卒中患者的脑电图之后,还包括:
确定发病后第一预设时间段内人体处于清醒状态下的第二预设时段内的缺血性卒中患者的脑电图;
对所述第二预设时段内的缺血性卒中患者的脑电图进行独立成分分析,并去除所述第二预设时段内的缺血性卒中患者的脑电图的眼动成分。
3.根据权利要求1所述的方法,其特征在于,所述分析所述缺血性卒中患者的脑电图,得到所述脑电图对应的脑电指标,包括:
根据所述脑电图中各电极的电信号确定每个电极所述电信号中的各频带的功率;
根据所述每个电极所述电信号中的各频带的功率确定所述脑电图对应的各频带的平均功率值,并计算出所述脑电图对应的脑电指标。
4.根据权利要求1所述的方法,其特征在于,所述采集预设时间段内的缺血性卒中患者的脑电图,包括:
采集发病后预设时间段内人体处于清醒状态下的第二预设时段内的脑电图。
5.根据权利要求1所述的方法,其特征在于,所述待参考指标模型的获取方式如下:
获取待训练的历史缺血性卒中患者的预测脑电指标和历史缺血性卒中患者的人体信息;
根据所述待训练的历史缺血性卒中患者的预测脑电指标和所述历史缺血性卒中患者的人体信息,对深度学习分类网络进行预设次数的训练直至所述深度学习分类网络收敛,得到所述待参考指标模型。
6.根据权利要求5所述的方法,其特征在于,所述待训练的历史缺血性卒中患者的预测脑电指标的获取方式如下:
利用人体信息匹配的组间对照方式对所述历史缺血性卒中患者的预后评测结果的不同脑功能程度对应的不同组的脑电指标进行统计分析,得到具有统计学意义的脑电指标作为待预测脑电指标;
根据所述待预测脑电指标预测结果与所述历史缺血性卒中患者的预后评测结果对应的不同脑功能程度分组;
根据所述待预测脑电指标预测结果与所述历史缺血性卒中患者的预后评测结果不同组人数,得到所述待预测指标对应的绘图参数;
根据绘图参数绘制ROC图得到所述待预测指标对应的曲线下面积,并根据所述曲线下面积确定预测脑电指标。
7.根据权利要求1所述的方法,其特征在于,所述标准数据库中参考范围获取方法如下:
根据得分规则确定预设间隔内的历史缺血性卒中患者的预后评分,所述预后评分预测预设间隔内的历史缺血性卒中患者的脑功能恢复程度;
根据预设间隔内的历史缺血性卒中患者的脑功能恢复程度和历史缺血性卒中患者的预测脑电指标生成每种脑功能恢复程度对应的参考范围,并存储在所述标准数据库。
8.一种基于脑电图的预测装置,其特征在于,包括:
图像采集模块,用于采集预设时间段内的缺血性卒中患者的脑电图和脑电图对应的人体信息;
图像分析模块,用于分析所述缺血性卒中患者的脑电图,得到所述脑电图对应的脑电指标,所述脑电指标包括RAP、RDP、DAR、DTABR、pdBSI;
指标确定模块,用于将所述脑电指标对应的人体信息输入待参考指标模型,得到所述脑电指标中的待参考指标;
程度确定模块,用于根据所述待参考指标的值匹配标准数据库中参考范围,并根据所述参考范围预测预设间隔内的缺血性卒中患者的脑功能恢复程度。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一所述的基于脑电图的预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的基于脑电图的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210427910.2A CN115153562A (zh) | 2022-04-22 | 2022-04-22 | 一种基于脑电图的预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210427910.2A CN115153562A (zh) | 2022-04-22 | 2022-04-22 | 一种基于脑电图的预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115153562A true CN115153562A (zh) | 2022-10-11 |
Family
ID=83483459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210427910.2A Pending CN115153562A (zh) | 2022-04-22 | 2022-04-22 | 一种基于脑电图的预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115153562A (zh) |
-
2022
- 2022-04-22 CN CN202210427910.2A patent/CN115153562A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Siuly et al. | A computerized method for automatic detection of schizophrenia using EEG signals | |
Xiang et al. | The detection of epileptic seizure signals based on fuzzy entropy | |
CN109069081B (zh) | 用于预测、筛查和监测脑病/谵妄的设备、***和方法 | |
Hussein et al. | Focal and non-focal epilepsy localization: A review | |
JP5203215B2 (ja) | 脳波(eeg)測定値を使って抑うつおよびその他の気分障害を分析し、評価するシステムおよび方法 | |
EP2498676B1 (en) | Brain activity as a marker of disease | |
Jin et al. | A novel attentional deep neural network-based assessment method for ECG quality | |
US10602940B1 (en) | Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease | |
CN111568446A (zh) | 结合人口学注意力机制的便携式脑电抑郁检测*** | |
Kaya et al. | A new approach for congestive heart failure and arrhythmia classification using angle transformation with LSTM | |
Shaban | Automated screening of Parkinson's disease using deep learning based electroencephalography | |
Rajaguru et al. | KNN classifier and K-means clustering for robust classification of epilepsy from EEG signals. A detailed analysis | |
Ouyang et al. | EEG autoregressive modeling analysis: A diagnostic tool for patients with epilepsy without epileptiform discharges | |
JP2022532697A (ja) | 死亡およびその他の状態の予測、スクリーニングおよびモニタリングのための装置、システムおよび方法 | |
Gupta et al. | A robust framework for automated screening of diabetic patient using ecg signals | |
Jiang et al. | An epileptic seizure prediction model based on a time-wise attention simulation module and a pretrained ResNet | |
Song et al. | Optimization of epilepsy detection method based on dynamic EEG channel screening | |
Subasi | Biomedical signal analysis and its usage in healthcare | |
Kempfner et al. | Automatic REM sleep detection associated with idiopathic rem sleep Behavior Disorder | |
Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
Ragu et al. | Post-Traumatic Stress Disorder (PTSD) Analysis using Machine Learning Techniques | |
Ranjan et al. | A machine learning framework for automatic diagnosis of schizophrenia using EEG signals | |
Mathunjwa et al. | Automatic IHR-based sleep stage detection using features of residual neural network | |
de Melo | A brief review on electrocardiogram analysis and classification techniques with machine learning approaches | |
CN115153562A (zh) | 一种基于脑电图的预测方法、装置、电子设备及存储介质 |
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 |