CN116807496A - 癫痫间期脑电波异常信号的定位方法、装置、设备及介质 - Google Patents

癫痫间期脑电波异常信号的定位方法、装置、设备及介质 Download PDF

Info

Publication number
CN116807496A
CN116807496A CN202311083231.9A CN202311083231A CN116807496A CN 116807496 A CN116807496 A CN 116807496A CN 202311083231 A CN202311083231 A CN 202311083231A CN 116807496 A CN116807496 A CN 116807496A
Authority
CN
China
Prior art keywords
electrode
signals
brain wave
abnormal
target
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
Application number
CN202311083231.9A
Other languages
English (en)
Other versions
CN116807496B (zh
Inventor
陈松蹊
童培峰
陈蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Peking University
Original Assignee
Sichuan University
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University, Peking University filed Critical Sichuan University
Priority to CN202311083231.9A priority Critical patent/CN116807496B/zh
Publication of CN116807496A publication Critical patent/CN116807496A/zh
Application granted granted Critical
Publication of CN116807496B publication Critical patent/CN116807496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • 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
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Neurosurgery (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开了一种癫痫间期脑电波异常信号的定位方法、装置、设备及介质。该方法包括：获取多个电极采集到的目标对象在癫痫发作间期的脑电波信号；对每个电极采集到的脑电波信号进行独立分量分析，去除每个电极采集到的脑电波信号中的伪差信号，得到每个电极的增强信号；基于多个小波基底提取每个电极的增强信号的特征，得到每个电极的多个特征序列，多个小波基底中部分小波基底为异常脑电波形的波形基底；基于每个电极的特征序列分析脑电波信号中的异常信号，确定异常信号的放电时间及采集异常信号的目标电极；基于放电时间和目标电极对异常信号进行定位，得到定位位置。本申请所提供的方案能够提高脑电波信号中异常信号的定位精准度。

Description

癫痫间期脑电波异常信号的定位方法、装置、设备及介质
技术领域
本申请属于信号处理领域，尤其涉及一种癫痫间期脑电波异常信号的定位方法、装置、设备及介质。
背景技术
癫痫是大脑神经元突发性异常放电，导致短暂的出现大脑功能障碍的一种慢性疾病。在相关技术中，通过对患者的脑电信号进行分析，可有助于研究患者的病情，分析治疗效果。
由于脑电图（EEG，Electroencephalogram）具有技术成熟、操作简便、非侵入性等特点，因此，在癫痫诊断领域，通常使用脑电图来对患者进行病情分析。然而，对于发作间隔长、发作次数少的癫痫类别，即使通过长程EEG监测也很难捕捉到一次癫痫发作，临床医生通常仅能通过捕捉间期癫痫性放电的方式来对患者进行确诊。因此，癫痫间期放电信号的识别和定位是诊断患者是否患有一类癫痫疾病的关键。
然而，脑电波信号的监测时间较长、数据量较大，且缺乏定量化和自动化检测手段，在相关技术中，通常采用人工主观判断癫痫间期的放电信号，并手动标注的方式来对癫痫间期放电信号进行定位。而该方式需要人工耗费较长的时间读脑电图，而且，脑电图的长度通常较长，人工主观判断和手动标注的放电信号存在误差，无法对癫痫间期的放电信号进行精准定位。
发明内容
本申请实施例提供一种癫痫间期脑电波异常信号的定位方法、装置、设备及介质，能够提高脑电波信号中异常信号的定位精准度。
第一方面，本申请实施例提供一种癫痫间期脑电波异常信号的定位方法，该方法包括：获取多个电极所采集到的目标对象在癫痫发作间期的脑电波信号，其中，多个电极分别设置在目标对象头部的不同位置；对每个电极所采集到的脑电波信号进行独立分量分析，从每个电极所采集到的脑电波信号中去除伪差信号，得到每个电极所对应的增强信号；基于预设的多个小波基底对每个电极所对应的增强信号进行特征提取，得到每个电极所对应的多个特征序列，其中，多个小波基底中的部分小波基底为异常脑电波形所对应的波形基底；基于每个电极所对应的特征序列对脑电波信号中的异常信号进行分类，确定脑电波信号中的异常信号的放电时间，以及采集异常信号的目标电极；基于放电时间和目标电极对异常信号进行定位，得到定位位置。
第二方面，本申请实施例提供了一种癫痫间期脑电波异常信号的定位装置，该装置包括：信号获取模块，用于获取多个电极所采集到的目标对象在癫痫发作间期的脑电波信号，其中，多个电极分别设置在目标对象头部的不同位置；分量分析模块，用于对每个电极所采集到的脑电波信号进行独立分量分析，从每个电极所采集到的脑电波信号中去除伪差信号，得到每个电极所对应的增强信号；特征提取模块，用于基于预设的多个小波基底对每个电极所对应的增强信号进行特征提取，得到每个电极所对应的多个特征序列，其中，多个小波基底中的部分小波基底为异常脑电波形所对应的波形基底；信号分类模块，用于基于每个电极所对应的特征序列对脑电波信号中的异常信号进行分类，确定脑电波信号中的异常信号的放电时间，以及采集异常信号的目标电极；信号定位模块，用于基于放电时间和目标电极对异常信号进行定位，得到定位位置。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如第一方面所述的癫痫间期脑电波异常信号的定位方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所述的癫痫间期脑电波异常信号的定位方法。
第五方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面所述的癫痫间期脑电波异常信号的定位方法。
由上述内容可知，本申请对每个电极所采集到的脑电波信号进行独立分量分析，从而确定伪差信号所对应的分量，进而从脑电波信号中去除伪差信号对应的分量，避免了伪差信号对异常信号检测的干扰，从而提高了异常信号的定位精准度。另外，在本申请中，还使用多个异常脑电波所对应的小波基底对脑电波信号进行特征提取，从而使得提取到的特征序列能够精准的表征异常信号的特征，进而为异常信号的定位提供了基础。最后，在本申请中，通过对该特征序列进行分类，根据分类结果可得到异常信号的放电时间以及采集异常信号的目标电极，即本申请可确定异常信号的时间信息和空间信息，相较于相关技术中仅根据异常信号的时间信息对异常信号进行定位的方式，本申请所提供的方案还可提高异常信号的定位速度，以及定位精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的信号检测***的示意图；
图2是本申请一个实施例提供的脑电图图形界面的示意图；
图3是本申请一个实施例提供的脑电图图形界面的示意图；
图4是本申请一个实施例提供的脑电放电地形图的示意图；
图5是本申请一个实施例提供的癫痫间期脑电波异常信号的定位方法的流程示意图；
图6是本申请一个实施例提供的检测模型的模型结构示意图；
图7是本申请另一个实施例提供的癫痫间期脑电波异常信号的定位装置的结构示意图；
图8是本申请又一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为便于理解，在对本申请所提供的方案进行描述之前，首先对本申请所提供方案的背景进行描述。
在相关技术中，通常采用人工主观判断的方式来对脑电图中的异常信号进行标注，以实现对脑电波信号中的异常信号的定位。然而，一份20分钟~30分钟的脑电图具有数十万采样点。而在实际应用中，可能需要几小时甚至几天的脑电数据，如此繁重的劳动量会影响临床医生的判断力和判断结果的准确性。
为了解决上述问题，本申请实施例提供了一种癫痫间期脑电波异常信号的定位方法、装置、设备及介质。下面首先对本申请实施例所提供的癫痫间期脑电波异常信号的定位方法进行介绍。该方法可应用于信号检测***中，如图1所示，该信号检测***至少包括数据预处理模块10、特征提取模块11、信号检测模块12、统计分析模块13、存储模块14以及显示模块15。
作为一个示例，数据预处理模块用于对多个电极所采集到的患者的脑电波信号进行滤波处理，通过不同的导联模式将波形处理为适用于不同癫痫疾病类型的脑电波数字信号，再通过独立分量分析方法去除脑电波数字信号中的肌电、眼动、心电等伪差信号。
作为一个示例，特征提取模块用于使用小波基底来提取数据预处理模块所输出的增强信号的特征，从而得到特征序列；信号检测模块用于对特征提取模块所提供到的特征序列进行识别，以识别中异常信号所对应的特征序列，进而对异常信号进行定位。
作为一个示例，统计分析模块用于对信号检测模块所识别到的异常信号进行统计分析，以便于患者病情以及治疗效果的分析。
作为一个示例，存储模块用于打印当前或之前已储存的与患者相关的病例信息，并储存病人信息和病例。此外，存储模块还可存储统计分析模块所分析得出的诊断结果，并将其导出至含有EEG标注的脑电波文件中。
作为一个示例，显示模块能够可视化展示信号检测模块所标注的异常信号，并在脑电图图形界面展现癫痫发作间期的异常信号的放电时间，其中，图2示出了一种脑电图图形界面的示意图，图2展示了当前采集到的10秒脑电波信号图，并通过不同的颜色标注了不同脑电波信号（例如，Fp1-AV、Fp2-AV、F3-AV等）所对应的异常信号的放电时间。显示模块也可通过文字标注的方式在脑电图图形界面中标注异常信号放电的位置，也可通过其他的方式标注异常信号放电的位置，在此不再举例说明。
另外，显示模块还可显示统计分析模块所分析的每个脑电波信号所对应的异常信号的放电时间平均值，该放电时间平均值可通过图3所示的方式进行展示，也可通过文字的方式进行显示。
此外，显示模块还可以展示如图4所示的脑电放电地形图，在图4中，左侧的圆形区域中圆点的不同深度的颜色表示了每个小时内对应脑电波出现异常信号的数量；右侧的圆形区域中，对具有相同电压幅值的脑电波进行了连接。
需要说明的是，在实际应用中，由于脑电图较长，其对应的脑电波数据较多，为便于工作人员研究和分析，显示模块还具有翻页、滚动、放缩和事件编辑等功能。
此外，还需要说明的是，上述图2至图4可以显示在不同的脑电图图形界面中，为便于观察，上述图2至图4也可以显示在同一个脑电图图形界面中。
以下以在上述信号检测***中执行本实施例提供的癫痫间期脑电波异常信号的定位方法为例，对本申请所提供的癫痫间期脑电波异常信号的定位方法进行解释说明。
具体的，图5示出了本申请一个实施例提供的癫痫间期脑电波异常信号的定位方法的流程示意图。如图5所示，该方法包括如下步骤：
步骤S501，获取多个电极所采集到的目标对象在癫痫发作间期的脑电波信号。
在步骤S501中，目标对象可以为具有癫痫疾病的患者，癫痫发作间期为上一次癫痫发作的结束时间至本次癫痫发作的开始时间之间的时长；信号检测***可通过电极来获取患者在癫痫发作间期的脑电波信号。其中，多个电极分别设置在目标对象头部的不同位置，例如，电极可以设置在患者的头皮前后，电极可以设置在患者的耳垂处。
步骤S502，对每个电极所采集到的脑电波信号进行独立分量分析，从每个电极所采集到的脑电波信号中去除伪差信号，得到每个电极所对应的增强信号。
在步骤S502中，伪差信号可以包括但不限于肌电伪差、眼动伪差、心电伪差。独立分量分析是指将脑电波信号转换为多个独立的分量，并从多个独立分量中去除伪差信号所对应的分量，从而得到不包含伪差信号的脑电波信号，进而使用不包含伪差信号的脑电波信号进行异常信号的定位，可以避免伪差信号的干扰，进而有效提高了异常信号的定位准确度。
步骤S503，基于预设的多个小波基底对每个电极所对应的增强信号进行特征提取，得到每个电极所对应的多个特征序列。
在步骤S503中，多个小波基底中的部分小波基底为异常脑电波形所对应的波形基底，即多个小波基底由异常脑电波形所对应的波形基底以及常规的波形基底组成，其中，异常脑电波形所对应的波形基底代表癫痫领域中的重要痫性放电，例如，用于表示慢波波形的正弦波基底、用于表示尖波（放电时间范围为70-200ms）/棘波（放电时间范围为40-70ms）放电的尖波/棘波基底、尖波/棘波基底与正弦波基底相组合所得到的尖慢复合波基底；常规的波形基底可以为但不限于Haar小波基底，其中，Haar小波基底是小波分析中常用的一种波形，其可有效降低特征提取过程中的过拟合倾向。
作为一个示例，信号检测***中的特征提取模块使用上述的多个小波基底分别对每个电极所对应的增强信号进行特征提取，即对于每个电极所对应的增强信号，特征提取模块提取到多个特征序列，每个特征序列与一个小波基底相对应。
容易注意到的是，由于对增强信号进行特征提取所采用关键小波基底中至少包含了异常脑电波波形的波形基底，因此，通过步骤S504所提取到的特征序列能够表征异常信号的特征，进而为异常信号的定位提供了基础。
步骤S504，基于每个电极所对应的特征序列对脑电波信号中的异常信号进行分类，确定脑电波信号中的异常信号的放电时间，以及采集异常信号的目标电极。
在步骤S504中，异常信号的放电时间表征了异常信号在时间维度上的特征，采集异常信号的目标电极表征了异常信号在空间维度上的特征，由此可见，通过步骤S504可实现在时间维度和空间维度上对异常信号的定位。
在一个示例中，在得到每个电极所对应的特征序列之后，信号检测***中的信号检测模块可采用预设的检测模型来对每个电极所对应的特征序列进行分类，根据分类结果确定该电极所采集到的脑电波信号中是否存在异常信号，并在确定存在异常信号的情况下，确定该异常信号的放电时间，从而实现了异常信号在时间维度和空间维度上的定位。其中，分类结果中至少包括包含异常信号的特征序列和不包含异常信号的特征序列。
作为一个示例，上述的检测模型可以是对自注意力模型transformer进行改进所得到的模型，该检测模型可以仅包含编码部分，而不包含解码部分，并且，该编码部分采用堆叠式的形式。容易注意到的是，本申请所使用的检测模型具有堆叠式的编码层，使用堆叠式的编码层能够在给定的模型大小下更加有针对性地对特征序列进行精准的编码，从而根据编码结果能够精确地确定异常信号的空间信息和时间信息，进而实现了异常信号的精准定位。
步骤S505，基于放电时间和目标电极对异常信号进行定位，得到定位位置。
在步骤S505中，在确定独立异常信号的放电时间以及采集异常信号的目标电极之后，即实现了对异常信号的定位。
基于上述步骤S501至步骤S505所限定的方案，可以获知，本申请对每个电极所采集到的脑电波信号进行独立分量分析，从而确定伪差信号所对应的分量，进而从脑电波信号中去除伪差信号对应的分量，避免了伪差信号对异常信号检测的干扰，从而提高了异常信号的定位精准度。另外，在本申请中，还使用多个异常脑电波所对应的小波基底对脑电波信号进行特征提取，从而使得提取到的特征序列能够精准的表征异常信号的特征，进而为异常信号的定位提供了基础。最后，在本申请中，通过对该特征序列进行分析，可得到异常信号的放电时间以及采集异常信号的目标电极，即本申请可确定异常信号的时间信息和空间信息，相较于相关技术中仅根据异常信号的时间信息对异常信号进行定位的方式，本申请所提供的方案还可提高异常信号的定位速度，以及定位精度。
以下对图5所示流程图的各个步骤进行解释说明。
首先，与信号检测***中的数据预处理模块连接的多个电极采集脑电波信号，从而数据预处理模块即可获取到脑电波信号。为提高脑电波信号的检测精度，进而提高异常信号的定位精度，在获取到多个电极所采集到的脑电波信号之后，数据预处理模块需对脑电波信号进行预处理，该预处理包括但不限于信号转换以及伪差信号的去除。
对于信号转换，数据预处理模块对每个电极所采集到的脑电波信号进行滤波处理，得到滤波后的脑电波信号；然后，确定多个脑电导联模式下的参考电极，并在每个脑电导联模式下，计算每个电极所采集到的脑电波信号与参考电极之间的电压差，得到每个电极所对应的多个脑电波数字信号。
在一个示例中，数据预处理模块采用滤波器来对脑电波信号进行滤波处理，上述的滤波器的数量可以是多个，多个滤波器中可以包括陷波滤波器、高通滤波器和低通滤波器，其中，陷波滤波器是一种带阻滤波器，其可以在某个频率点迅速衰减输入信号，以达到阻碍此频率信号通过的滤波效果。
作为一个示例，数据预处理模块可以采用50Hz的陷波滤波器去除采集脑电波的交流电设备在采集脑电波信号过程中所生成的50Hz工频干扰信号；数据预处理模块可以采用高通滤波器去除脑电波频率以下的信号；数据预处理模块可以采用低通滤波器去除高频信号。
在完成对脑电波信号的滤波处理后，数据预处理模块再确定多个脑电导联模式下的参考电极，其中，不同的脑电导联模式用于检测不同癫痫种类的脑电波信号。在一个示例中，针对国际常用的10-20标准电极位置，在本申请中，可采用平均导联、双极导联和耳单导联三种模式来进行提取特征，以适用于不同癫痫种类的需求。其中，在平均导联模式下，使用除两耳垂电极A1、A2以外的电极数据计算平均电场，并以此作为参考电极；在双极导联模式下，将头皮前后两个活动电极作为参考电极，并记录头皮前后两个活动电极的差值，以大幅减少无关电极引起的干扰；在耳单导联下，使用两耳垂电极A1、A2作为参考电极，头部的左半球以左耳电极A1作为参考，头部的右半球以右耳电极A2作为参考。
进一步的，在确定了每个脑电导联模式下的参考电极之后，数据预处理模块计算每个电极与参考电极之间的电压差，该电压差用于表征每个电极所对应的脑电波数字信号。
至此，完成了对脑电波信号的信号转换。
在对脑电波信号进行信号转换，得到脑电波数字信号之后，数据预处理模块对每个电极所对应的多个脑电波数字信号进行独立分量分析，从每个电极所采集到的脑电波信号中确定伪差信号对应的特征分量；然后，再从每个电极所采集到的脑电波信号中去除伪差信号对应的特征分量，得到每个电极所对应的增强信号。
具体的，数据预处理模块基于每个电极所对应的多个脑电波数字信号构建第一多元线性时间序列，然后，将第一多元线性时间序列转换为与第二多元线性时间序列在空间上相互独立的第二多元线性时间序列，并获取第一多元线性时间序列与第二多元线性时间序列之间的转换矩阵；然后对转换矩阵进行逆转换，得到转换矩阵的逆混合矩阵，并基于逆混合矩阵的行向量构建约束条件，同时构建第一多元线性时间序列所对应的多个初始分量的负熵函数，并计算多个初始分量的负熵函数的平方和，得到目标优化函数；然后，在约束条件下，对目标优化函数进行迭代处理，得到独立收敛的多个目标分量；最后，根据多个目标分量与多个预设电极所采集的伪差信号之间的相关程度，从多个目标分量中确定伪差信号对应的特征分量，并从脑电波信号中去除伪差信号对应的特征分量。其中，多个预设电极用于采集不同类型的伪差信号。
在一个示例中，在本申请中，观测到的多通道的脑电波数字信号服从如下的多元线性时间序列：
（1）
在公式（1）中，是时刻t均值为0的p维脑电波观测数据，即上述的第一多元线性时间序列，其可以来自前述的任一导联模式；是时刻t均值为0的p维独立分量，其空间维度独立，但允许保有时间维度的自相关性；/>是/>维的混合矩阵。
需要说明的是，上述多元线性时间序列模型遵循独立分量模型的一般假设，即没有模型误差，并且独立分量个数和观测数据维数相等。
在构建了第一多元线性时间序列之后，对第一多元线性时间序列/>进行空间转换，从而得到空间不相关的第二多元线性时间序列/>。令/>的协方差矩阵为/>，其中，/>，则第一多元线性时间序列/>与第二多元线性时间序列/>满足下式：
（2）
在公式（2）中，H为转换矩阵。
第二多元线性时间序列的协方差矩阵为/>，其与/>空间不相关。由于/>空间独立，因此，转换矩阵H是正交矩阵。若/>包含至多一个正态分量且限制H标准正交，则可以通过最大化负熵、最大化以四阶矩表示的非正态程度等方式来进行求解。
作为一个示例，数据预处理模块可以采用Fast ICA（Fast IndependentComponent Analysis，快速独立分量分析）方法求解转换矩阵的近似矩阵及/>的近似序列/>。
在本实施例中，，其中，/>是逆混合矩阵；/>的概率密度函数为，其微分熵满足下式：
（3）
在公式（3）中，为微分熵。
基于微分熵可以确定的负熵函数，如下式：
（4）
在公式（4）中，为正态分布函数的随机变量，与/>具有相同的均值和协方差矩阵。由于负熵函数具有有着线性变换不变性，因此，对于任意的非零矩阵A，负熵函数满足公式（5）：
（5）
在本申请中，使用交叉信息量来表示随机变量之间的相关性。对于不相关的随机变量，其交叉信息量可以表示为：
（6）
在公式（6）中，为交叉信息量。
由于负熵函数的线性变换不变性，因此，最大化变量独立性等价于最小化交叉信息量，也等价于对每一维度的单独进行最大化。为了实现最大化/>，采用公式（7）对/>进行函数逼近：
（7）
在公式（7）中，c为不相关的常数，为求取随机变量的期望，/>，/>为标准正态分布的随机变量。
对此，可构建如下的目标优化函数：
（8）
在公式（8）中，为第/>个初始分量；/>为/>的数量；/>为标准正态分布的随机变量；/>；/>；/>为随机变量的期望；/>为常数；/>为所述逆混合矩阵W的第/>行向量。
公式（8）对应的约束条件如下：
（9）
在公式（9）中，为Kronecker delta函数，/>；/>为所述逆混合矩阵W的第/>行向量的转置；/>为所述逆混合矩阵W的第/>行向量的转置；/>为所述第二多元线性时间序列。
求解上述公式（8）可采用牛顿法进行求解，即在满足所述约束条件的情况下，基于下式对/>进行更新，直至迭代次数达到预设的迭代次数，或者，/>与/>之间的差值小于预设差值：
（10）
在公式（10）中，，/>，即是/>更新后的/>。下一步迭代开始时，令再重复上述步骤。
在迭代结束后，获取迭代结束时的目标，基于目标/>计算目标优化函数的函数值，并获取目标优化函数的函数值最大时的分量，得到多个目标分量。
需要说明的是，为了避免求解得到的p个收敛到同一点，在每一步迭代中，可使用Gram-Schmidt正交化更新所有/>，以使所有/>之间保持正交性。对于最终收敛的独立分量/>，构建独立分量/>与预设电极（例如，前额电极、肌电电极和心电电极）的相关性，以提取相关性最高的独立分量作为伪差分量，记其下标集合为/>。在/>与下标全集的补集为/>的情况下，/>表示挑选出的与伪差无关的独立分量（即目标分量），然后再进行逆独立分量变换得到去除伪差后的增强信号/>，即
（11）
在公式（11）中，为由估计的混合矩阵/>对应于/>集合的列组成的矩阵。
至此，完成采用独立分量分析法去除伪差信号的过程的相关描述。
进一步的，如图5所示，在完成对脑电波信号的预处理，得到增强信号之后，信号检测***的特征提取模块对增强信号进行特征提取，从而得到特征序列。
具体的，特征提取模块确定每个小波基底所对应的位置参数以及目标频率范围，并基于位置参数以及目标频率范围构建每个小波基底所对应的多个波形函数；然后再计算多个波形函数与当前电极所对应的增强信号之间的内积，得到当前电极所对应的多个特征序列。
需要说明的是，上述的当前电极为多个电极中的任意一个电极，位置参数用于表征对应小波基底所对应波形的位置，目标频率范围用于表征小波基底所对应波形的带宽。
在一个示例中，本申请可采用表1所示波形字典中的四类小波基底来对增强信号进行特征提取。其中，表1中的波形字典是基于临床知识以及小波基底所构成的。
通过表1所示的四类波形基函数可构建相应的位置-尺度族（location-scalefamily）函数，其中，位置-尺度族函数可通过下式表示：
（12）
在公式（12）中，为位置参数，其用于调整小波基底所对应的波形在数轴上的位置；/>为目标频率范围，其用于调整小波基底所对应的波形的宽度；/>为小波基底的外层位置，/>为小波基底的外层尺度参数，用于控制函数/>的均值为0，方差为1，类比于小波分析中的可容许性条件。为了使得基底宽度具有医学意义，在表1中还给出了各个小波基底的备选频率范围，即/>的取值。
表1
对于给定的增强信号中某一电极i所对应的数据，可将该数据/>与某一个波形函数的内积作为所提取的特征，即波形函数与增强信号之间的关系满足下式：
（13）
在公式（13）中，为特征提取所得到的特征序列；备选参数/>；；/>；/>的取值如表1所示。
在本申请中，为了提高异常信号的定位精度，在提取到特征序列之后，还会对脑电波信号的强度特征进行提取。
具体的，特征提取模块计算多个电极所对应的脑电波信号的强度平均值，得到第一平均强度；然后，基于预设的高斯核函数计算第一平均强度所对应的核回归估计值，并计算第一平均强度与核回归估计值的差值，得到核回归残差值；最后，在预设宽度的窗函数下，基于核回归残差值计算核回归估计值的局部方差，得到多个电极所对应的脑电强度特征。
在一个示例中，通过下式计算增强信号的强度平均值，并选用局部方差来表征脑电信号的强度：
（14）
在公式（14）中，为第一平均强度。
然后，采用高斯核函数计算第一平均强度的核回归估计值：
（15）
在公式（15）中，为核回归估计值，h为窗宽，/>为高斯核函数，/>是对/>的核回归估计。
核回归残差可由下式表示：
（16）
在公式（16）中，为核回归残差。
通过公式（16）即可确定核回归估计值的局部方差：
（17）
在公式（17）中，b是针对残差回归的窗宽（即预设宽度），其中，可通过交叉验证方式来选择窗宽h和b。
通过公式（17）得到的即为脑电强度特征。
至此，完成了对增强信号的特征序列和脑电强度特征的提取。
进一步的，如图5所示，在完成增强信号的特征提取，得到多个特征序列之后，信号检测***的信号检测模块对特征序列进行分类，以根据分类结果确定异常信号的放电时间以及采集异常信号的目标电极。
具体的，信号检测模块基于预设的检测模型对每个电极对应的特征序列以及多个电极对应的脑电强度特征进行处理，得到脑电波信号中的异常信号的放电时间，以及采集异常信号的目标电极。
在一个示例中，图6示出了检测模型的模型结构，由图6可知，检测模型由全连接层60、多个编码层61、池化层62以及分类层63组成。其中，多个编码层中的每个编码层为堆叠式的编码层，其至少包括：多头注意力机制单元610、第一标准化处理单元611、多层感知机612、第二标准化处理单元613。
作为一个示例，可以采用如下步骤对检测模型进行训练：
步骤S1，准备数据集。
在步骤S1中，针对提取的特征序列，选取合适的窗宽进行切片，从而得到一系列训练样本；然后再从训练样本中分割出训练集、验证集和测试集，分别用于检测模型的训练、验证和测试。
步骤S2，均衡化分类样本。
考虑到实际医学数据的正负样本数量不均衡性质，本申请通过超采样正样本分布的方式来扩充数据集，从而实现不同类别样本的均衡。
步骤S3，修改网络结构。
由图6可知，主要对自注意力模型的网络结构进行了如下方面的改进：
（1）去除了自注意力模型原有的词汇嵌入（Word Embedding）组件。
针对多元时间序列为连续型数据这一特征，在本申请中，去除了针对离散词汇序列构建的词汇嵌入组件，采用高维度的全连接层提取原始序列中的特征信息。
（2）去除了自注意力模型原有的解码结构。
由于考虑到分类问题的输出为分类类别，无需复杂的解码模块，因此，在本申请中，采用仅编码结构的自注意力模型进行数据分类，在给定的模型参数数量下可以获得更好的分类表现。其中，改进后的自注意力模型的编码层为堆叠式的编码层，其可实现对异常信号的时间信息和空间信息的刻画。
（3）在自注意力模型原有的分类层之间添加了池化层。
为了减少检测模型的过拟合倾向，在本申请中，在自注意力模型原有的分类层之前加入了池化层，将多个注意力机制输出的模型参数进行平均，从而避免过度关注某一个注意力机制降低模型泛化性能的问题。
（4）在特征提取和分类层使用RELU（Rectified Linear Unit，修正线性单元）激活函数，而在编码层中使用GELU（Gaussian Error Linear Unit，高斯误差线性单元）激活函数。
步骤S4，初始化网络系数。
在步骤S4中，可使用交叉验证算法选取超参数，并使用AdamW优化器进行梯度下降的方式来更新模型参数，在参数更新过程中，使用早停策略减少模型的过拟合。
为了评价检测模型所输出的检测结果的准确性，在本申请中，使用敏感性（SENS）、特异性（SPEC）和精度（ACC）等指标作为评价指标来评价检测模型的检测精准度。其中，三个指标所对应的计算公式分别如公式（18）-（20）所示：
（18）
（19）
（20）
在公式（18）-（20）中，TP表示算法标记和医生标注一致的异常信号（痫性放电）的个数；FP表示算法标注但医生未标注的异常信号的个数；TN表示算法标记正常而医生也未标注的正常时段；FN表示算法未标注但医生标注为异常信号的放电时段。
作为一个示例，表2给出了本申请所提供的检测模型与现有的其他检测模型在上述三个指标上的比较结果。由表2可以看出本申请所提供的检测模型在任意指标上都优于现有的其他检测模型。
表2
在表2中，第一检测模型为MEMD（Multivariate Empirical Mode Decomposition，多元经验模式分解）方法与信号包络分布模型相结合的检测检测模型；第二检测模型为采用Wu, D.在2022年所提出的"BECT Spike Detection Algorithm Based on OptimalTemplate Matching and Morphological Feature Selection."文章中所介绍的方法得到的检测模型；第三检测模型为采用Cheng, C.在2022年所提出的"Multilevel FeatureLearning Method for Accurate Interictal Epileptiform Spike Detection."文章中所介绍的方法得到的检测模型。
在完成检测模型的训练之后，信号检测***中的信号检测模块即可使用该检测模型对异常信号进行时间维度和空间维度上的定位。
具体的，在将每个电极对应的特征序列以及多个电极对应的脑电强度特征输入至检测模型之后，通过全连接层采用修正线性激活函数（即RELU激活函数）对每个电极对应的特征序列和脑电强度特征进行特征提取，得到每个电极对应的序列特征。作为一个示例，如图6所示，在全连接层可通过多层感知机（Multi-Layer Perceptron，MLP）采用RELU激活函数来对特征序列和脑电强度特征进行特征提取。在得到每个电极对应的序列特征之后，通过位置编码组件对提取到的特征进行位置编码，再将经过位置编码后的特征输入至编码层中进行编码。
其中，可通过多个编码层采用高斯误差激活函数（即GELU激活函数）对序列特征进行编码，得到编码后的序列特征；然后再通过池化层对多个注意力机制矩阵对编码后的序列特征进行平均池化处理，得到池化后的序列特征；最后，通过分类层采用高斯误差激活函数对池化后的序列特征进行分类，以输出脑电波信号中的异常信号的放电时间，以及采集异常信号的目标电极。例如，在图6中，在分类层可通过多层感知机采用RELU激活函数来对池化后的序列特征进行分类。
在检测模型中具有多个编码层，在每个编码层中均采用高斯误差激活函数对序列特征进行编码，得到编码后的序列特征。具体的，在每个编码层中，通过多头注意力机制单元采用多头注意力机制确定序列特征所对应的注意力权重；通过第一标准化处理单元采用注意力权重对序列特征进行标准化处理、平移处理和缩放处理，得到第一序列特征；通过多层感知机采用高斯误差激活函数对第一序列特征进行编码，得到编码结果；通过第二标准化处理单元对编码结果进行标准化处理、平移处理和缩放处理，得到编码后的序列特征。
进一步的，在确定了异常信号的放电时间以及采集异常信号的目标电极之后，信号检测***中的统计分析模块在目标电极的数量为多个的情况下，获取每个目标电极所对应的异常信号的幅值，并根据每个目标电极所对应的异常信号的幅值确定异常信号的最大主峰位置以及次主峰位置，其中，最大主峰位置为幅值最大的异常信号所在的位置，次主峰位置为幅值次大的异常信号所在的位置。
由此可见，本申请所提供的方案不仅可以对异常信号进行定位，还可从电极维度对异常信号进行分析，以确定异常信号的最大主峰位置和次主峰位置，为临床医生对患者的病情分析提供了基础。
此外，统计分析模块还可获取每个电极在预设时间段内所检测到的异常信号的总数以及异常信号的幅值，并对异常信号的总数以及异常信号的幅值进行统计分析，以确定目标对象的病患程度。
令电极在给定时段（即上述预设时间段）/>内的放电总数（即异常信号的总数）为/>，总放电波幅（即异常信号的幅值）为/>。统计分析模块可通过公式（21）确定电极/>的放电频率：
（21）
统计分析模块可通过公式（22）确定总放电频率：
（22）
统计分析模块可通过公式（23）确定电极的平均放电波幅：
（23）
统计分析模块可通过公式（24）确定电极的总平均放电波幅：
（24）
基于上述描述可知，本申请所提供的方案具有如下优点：
首先，检测模型具有较强的泛化能力，检测模型训练完成后可以对任意类似患者的脑电波数据实现自动标注，由表2可知，在外样本患者上的验证精度达到99.8%，其中，敏感性99.1%，特异性99.8%，突破了传统深度学习方法在外样本的泛化性能下降问题。
其次，本申请所提供的方案能够抵抗噪声的干扰。本申请采用空间约束的独立分量分析方法和先验的病理波波形知识，能够抵抗常见噪音或监测伪差的干扰，每小时误报率接近或超越人工标注水平。
再次，本申请所提供的方案同时实现了时间维度和空间维度的痫性放电检测和定位需求。本申请所提供的方案在给出精确的时间定位的同时给出了准确了位置建议，能够标注痫性放电的最大主峰和次要主峰位置。
最后，本申请所提供的方案能够统计各个时段的痫性放电时长和个数，定量化描述放电频率，并可通过空间维度的放电热力图进行统计，自动标注痫性放电的发作位置。而且，执行本申请所提供的方法的信号检测***具有显示模块，其能够高亮突出痫性放电的出现时段和所在电极，绘制脑电放电地形图，突出对比主要放电和次要放电的先后顺序等。
综上所述，本申请所提供的方案能够定量自动标注异常信号出现的位置，节省了临床医生读图时间，解决了相关技术中，采用人工主观判断对异常信号进行定位导致定位精度低的问题。此外，本申请还可同时对异常信号进行时间维度和空间维度上的定位，进一步提高了异常信号的定位速度，以及定位精度。最后，本申请还可根据异常信号在时间维度和空间维度上的定位信息计算衍生统计量，为研究患者病情提供了基础。
本申请实施例还提供一种癫痫间期脑电波异常信号的定位装置，如图7所示，该装置包括：信号获取模块701、分量分析模块702、特征提取模块703、信号分类模块704以及信号定位模块705。
信号获取模块701，用于获取多个电极所采集到的目标对象在癫痫发作间期的脑电波信号，其中，多个电极分别设置在目标对象头部的不同位置；
分量分析模块702，用于对每个电极所采集到的脑电波信号进行独立分量分析，从每个电极所采集到的脑电波信号中去除伪差信号，得到每个电极所对应的增强信号；
特征提取模块703，用于基于预设的多个小波基底对每个电极所对应的增强信号进行特征提取，得到每个电极所对应的多个特征序列，其中，多个小波基底中的部分小波基底为异常脑电波形所对应的波形基底；
信号分类模块704，用于基于每个电极所对应的特征序列对脑电波信号中的异常信号进行分类，确定脑电波信号中的异常信号的放电时间，以及采集异常信号的目标电极；
信号定位模块705，用于基于放电时间和目标电极对异常信号进行定位，得到定位位置。
由上述内容可知，本申请对每个电极所采集到的脑电波信号进行独立分量分析，从而确定伪差信号所对应的分量，进而从脑电波信号中去除伪差信号对应的分量，避免了伪差信号对异常信号检测的干扰，从而提高了异常信号的定位精准度。另外，在本申请中，还使用多个异常脑电波所对应的小波基底对脑电波信号进行特征提取，从而使得提取到的特征序列能够精准的表征异常信号的特征，进而为异常信号的定位提供了基础。最后，在本申请中，通过对该特征序列进行分类，根据分类结果可得到异常信号的放电时间以及采集异常信号的目标电极，即本申请可确定异常信号的时间信息和空间信息，相较于相关技术中仅根据异常信号的时间信息对异常信号进行定位的方式，本申请所提供的方案还可提高异常信号的定位速度，以及定位精度。
在一个示例中，癫痫间期脑电波异常信号的定位装置还包括：滤波模块、电极确定模块以及第一计算模块。其中，滤波模块，用于在获取多个电极所采集到的目标对象在癫痫发作间期的脑电波信号之后，对每个电极所采集到的脑电波信号进行滤波处理，得到滤波后的脑电波信号；电极确定模块，用于确定多个脑电导联模式下的参考电极，其中，不同的脑电导联模式用于检测不同癫痫种类的脑电波信号；第一计算模块，用于在每个脑电导联模式下，计算每个电极所采集到的脑电波信号与参考电极之间的电压差，得到每个电极所对应的多个脑电波数字信号。
在一个示例中，分量分析模块包括：第一分析模块以及分量去除模块。其中，第一分析模块，用于对每个电极所对应的多个脑电波数字信号进行独立分量分析，从每个电极所采集到的脑电波信号中确定伪差信号对应的特征分量；分量去除模块，用于从每个电极所采集到的脑电波信号中去除伪差信号对应的特征分量，得到每个电极所对应的增强信号。
在一个示例中，第一分析模块包括：序列构建模块、矩阵获取模块、约束构建模块、函数构建模块、第二计算模块、迭代模块以及分量提取模块。其中，序列构建模块，用于基于每个电极所对应的多个脑电波数字信号构建第一多元线性时间序列；矩阵获取模块，用于获取将第一多元线性时间序列转换为第二多元线性时间序列的转换矩阵，其中，第一多元线性时间序列与第二多元线性时间序列在空间上相互独立；约束构建模块，用于获取转换矩阵的逆混合矩阵，并基于逆混合矩阵的行向量构建约束条件；函数构建模块，用于构建第一多元线性时间序列所对应的多个初始分量的负熵函数；第二计算模块，用于计算多个初始分量的负熵函数的平方和，得到目标优化函数；迭代模块，用于在约束条件下，对目标优化函数进行迭代处理，得到独立收敛的多个目标分量；分量提取模块，用于根据多个目标分量与多个预设电极所采集的伪差信号之间的相关程度，从多个目标分量中确定伪差信号对应的特征分量，其中，多个预设电极用于采集不同类型的伪差信号。
在一个示例中，目标优化函数如下：
其中，为第/>个初始分量；/>为/>的数量；/>为标准正态分布的随机变量；；/>；/>为随机变量的期望；/>为常数；/>为逆混合矩阵W的第/>行向量；
约束条件如下：
其中，；/>为逆混合矩阵W的第/>行向量的转置；/>为逆混合矩阵W的第/>行向量的转置；/>为第二多元线性时间序列。
在一个示例中，迭代模块具体用于在满足约束条件的情况下，基于下式对/>进行更新，直至迭代次数达到预设的迭代次数，或者，/>与/>之间的差值小于预设差值：
其中，，/>；
获取迭代结束时的目标，基于目标/>计算目标优化函数的函数值，并获取目标优化函数的函数值最大时的分量，得到多个目标分量。
在一个示例中，特征提取模块包括：调整参数确定模块、波形函数构建模块以及第三计算模块。其中，调整参数确定模块，用于确定每个小波基底所对应的位置参数以及目标频率范围，其中，位置参数用于表征对应小波基底所对应波形的位置，目标频率范围用于表征小波基底所对应波形的带宽；波形函数构建模块，用于基于位置参数以及目标频率范围构建每个小波基底所对应的多个波形函数；第三计算模块，用于计算多个波形函数与当前电极所对应的增强信号之间的内积，得到当前电极所对应的多个特征序列，其中，当前电极为多个电极中的任意一个电极。
在一个示例中，癫痫间期脑电波异常信号的定位装置还包括：第四计算模块、第五计算模块、第六计算模块以及第七计算模块。其中，第四计算模块，用于在基于预设的多个小波基底对每个电极所对应的增强信号进行特征提取，得到每个电极所对应的多个特征序列之后，计算多个电极所对应的脑电波信号的强度平均值，得到第一平均强度；第五计算模块，用于基于预设的高斯核函数计算第一平均强度所对应的核回归估计值；第六计算模块，用于计算第一平均强度与核回归估计值的差值，得到核回归残差值；第七计算模块，用于在预设宽度的窗函数下，基于核回归残差值计算核回归估计值的局部方差，得到多个电极所对应的脑电强度特征。
在一个示例中，信号分类模块具体用于基于预设的检测模型对每个电极对应的特征序列以及多个电极对应的脑电强度特征进行处理，得到脑电波信号中的异常信号的放电时间，以及采集异常信号的目标电极。
在一个示例中，检测模型至少包括全连接层、多个编码层、池化层以及分类层，其中，信号分类模块包括：第一分析模块、第二分析模块、第三分析模块以及第四分析模块。其中，第一分析模块，用于通过全连接层采用修正线性激活函数对每个电极对应的特征序列和脑电强度特征进行特征提取，得到每个电极对应的序列特征；第二分析模块，用于通过多个编码层采用高斯误差激活函数对序列特征进行编码，得到编码后的序列特征；第三分析模块，用于通过池化层对多个注意力机制矩阵对编码后的序列特征进行平均池化处理，得到池化后的序列特征；第四分析模块，用于通过分类层采用高斯误差激活函数对池化后的序列特征进行分类，以根据分类结果输出脑电波信号中的异常信号的放电时间，以及采集异常信号的目标电极。
在一个示例中，多个编码层中的每个编码层至少包括：多头注意力机制单元、第一标准化处理单元、多层感知机、第二标准化处理单元，其中，第二分析模块包括：权重确定模块、第一处理模块、编码模块以及第二处理模块。其中，权重确定模块，用于通过多头注意力机制单元采用多头注意力机制确定序列特征所对应的注意力权重；第一处理模块，用于通过第一标准化处理单元采用注意力权重对序列特征进行标准化处理、平移处理和缩放处理，得到第一序列特征；编码模块，用于通过多层感知机采用高斯误差激活函数对第一序列特征进行编码，得到编码结果；第二处理模块，用于通过第二标准化处理单元对编码结果进行标准化处理、平移处理和缩放处理，得到编码后的序列特征。
在一个示例中，癫痫间期脑电波异常信号的定位装置还包括：幅值获取模块以及主峰位置确定模块。其中，幅值获取模块，用于在基于预设的检测模型对每个电极所对应的特征序列进行检测，确定目标电极以及目标电极所采集到的脑电波信号中异常信号的放电时间之后，在目标电极的数量为多个的情况下，获取每个目标电极所对应的异常信号的幅值；主峰位置确定模块，用于根据每个目标电极所对应的异常信号的幅值确定异常信号的最大主峰位置以及次主峰位置，其中，最大主峰位置为幅值最大的异常信号所在的位置，次主峰位置为幅值次大的异常信号所在的位置。
本申请实施例提供的癫痫间期脑电波异常信号的定位装置能够实现前述方法实施例实现的各个过程，为避免重复，这里不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图8示出了本申请实施例提供的电子设备的硬件结构示意图。
电子设备可以包括处理器801以及存储有计算机程序指令的存储器802。
具体地，上述处理器801可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit ，ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器802可包括硬盘驱动器（Hard Disk Drive，HDD）、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线（Universal Serial Bus，USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器802可在综合网关容灾设备的内部或外部。在特定实施例中，存储器802是非易失性固态存储器。
存储器可包括只读存储器（ROM），随机存取存储器（RAM），磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形（非暂态）计算机可读存储介质（例如，存储器设备），并且当该软件被执行（例如，由一个或多个处理器）时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器801通过读取并执行存储器802中存储的计算机程序指令，以实现上述实施例中的任意一种癫痫间期脑电波异常信号的定位方法。
在一个示例中，电子设备还可包括通信接口803和总线810。其中，如图8所示，处理器801、存储器802、通信接口803通过总线810连接并完成相互间的通信。
通信接口803，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线810包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口（AGP）或其他图形总线、增强工业标准架构（EISA）总线、前端总线（FSB）、超传输（HT）互连、工业标准架构（ISA）总线、无限带宽互连、低引脚数（LPC）总线、存储器总线、微信道架构（MCA）总线、***组件互连（PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（SATA）总线、视频电子标准协会局部（VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线810可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，结合上述实施例中的癫痫间期脑电波异常信号的定位方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种癫痫间期脑电波异常信号的定位方法。
另外，结合上述实施例中的癫痫间期脑电波异常信号的定位方法，本申请实施例可提供一种计算机程序产品来实现。该计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行实现如上述实施例中任意一种癫痫间期脑电波异常信号的定位方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM（EROM）、软盘、CD-ROM、光盘、硬盘、光纤介质、射频（RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或***。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的癫痫间期脑电波异常信号的定位方法、装置、设备及介质的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，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，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的***、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (14)

1.一种癫痫间期脑电波异常信号的定位方法，其特征在于，包括：
获取多个电极所采集到的目标对象在癫痫发作间期的脑电波信号，其中，所述多个电极分别设置在所述目标对象的头部的不同位置；
对每个电极所采集到的脑电波信号进行独立分量分析，从所述每个电极所采集到的脑电波信号中去除伪差信号，得到所述每个电极所对应的增强信号；
基于预设的多个小波基底对所述每个电极所对应的增强信号进行特征提取，得到所述每个电极所对应的多个特征序列，其中，所述多个小波基底中的部分小波基底为异常脑电波形所对应的波形基底；
基于所述每个电极所对应的特征序列对所述脑电波信号中的异常信号进行分类，确定所述脑电波信号中的异常信号的放电时间，以及采集所述异常信号的目标电极；
基于所述放电时间和所述目标电极对所述异常信号进行定位，得到定位位置。
2.根据权利要求1所述的方法，其特征在于，在获取多个电极所采集到的目标对象在癫痫发作间期的脑电波信号之后，所述方法还包括：
对所述每个电极所采集到的脑电波信号进行滤波处理，得到滤波后的脑电波信号；
确定多个脑电导联模式下的参考电极，其中，不同的脑电导联模式用于检测不同癫痫种类的脑电波信号；
在每个脑电导联模式下，计算所述每个电极所采集到的脑电波信号与所述参考电极之间的电压差，得到所述每个电极所对应的多个脑电波数字信号。
3.根据权利要求2所述的方法，其特征在于，对每个电极所采集到的脑电波信号进行独立分量分析，从所述每个电极所采集到的脑电波信号中去除伪差信号，得到所述每个电极所对应的增强信号，包括：
对所述每个电极所对应的多个脑电波数字信号进行独立分量分析，从所述每个电极所采集到的脑电波信号中确定所述伪差信号对应的特征分量；
从所述每个电极所采集到的脑电波信号中去除所述伪差信号对应的特征分量，得到所述每个电极所对应的增强信号。
4.根据权利要求3所述的方法，其特征在于，对所述每个电极所对应的多个脑电波数字信号进行独立分量分析，从所述每个电极所采集到的脑电波信号中确定所述伪差信号对应的特征分量，包括：
基于所述每个电极所对应的多个脑电波数字信号构建第一多元线性时间序列；
获取将所述第一多元线性时间序列转换为第二多元线性时间序列的转换矩阵，其中，所述第一多元线性时间序列与所述第二多元线性时间序列在空间上相互独立；
获取所述转换矩阵的逆混合矩阵，并基于所述逆混合矩阵的行向量构建约束条件；
构建所述第一多元线性时间序列所对应的多个初始分量的负熵函数；
计算所述多个初始分量的负熵函数的平方和，得到目标优化函数；
在所述约束条件下，对所述目标优化函数进行迭代处理，得到独立收敛的多个目标分量；
根据所述多个目标分量与多个预设电极所采集的伪差信号之间的相关程度，从所述多个目标分量中确定所述伪差信号对应的特征分量，其中，所述多个预设电极用于采集不同类型的伪差信号。
5.根据权利要求1所述的方法，其特征在于，基于预设的多个小波基底对所述每个电极所对应的增强信号进行特征提取，得到所述每个电极所对应的多个特征序列，包括：
确定每个小波基底所对应的位置参数以及目标频率范围，其中，所述位置参数用于表征对应小波基底所对应波形的位置，所述目标频率范围用于表征所述小波基底所对应波形的带宽；
基于所述位置参数以及所述目标频率范围构建所述每个小波基底所对应的多个波形函数；
计算所述多个波形函数与当前电极所对应的增强信号之间的内积，得到所述当前电极所对应的多个特征序列，其中，所述当前电极为所述多个电极中的任意一个电极。
6.根据权利要求5所述的方法，其特征在于，在基于预设的多个小波基底对所述每个电极所对应的增强信号进行特征提取，得到所述每个电极所对应的多个特征序列之后，所述方法还包括：
计算所述多个电极所对应的脑电波信号的强度平均值，得到第一平均强度；
基于预设的高斯核函数计算所述第一平均强度所对应的核回归估计值；
计算所述第一平均强度与所述核回归估计值的差值，得到核回归残差值；
在预设宽度的窗函数下，基于所述核回归残差值计算所述核回归估计值的局部方差，得到所述多个电极所对应的脑电强度特征。
7.根据权利要求6所述的方法，其特征在于，基于所述每个电极所对应的特征序列对所述脑电波信号中的异常信号进行分类，确定所述脑电波信号中的异常信号的放电时间，以及采集所述异常信号的目标电极，包括：
基于预设的检测模型对所述每个电极对应的特征序列以及所述多个电极对应的脑电强度特征进行处理，得到所述脑电波信号中的异常信号的放电时间，以及采集所述异常信号的目标电极。
8.根据权利要求7所述的方法，其特征在于，所述检测模型至少包括全连接层、多个编码层、池化层以及分类层，其中，基于预设的检测模型对所述每个电极对应的特征序列以及所述多个电极对应的脑电强度特征进行处理，得到所述脑电波信号中的异常信号的放电时间，以及采集所述异常信号的目标电极，包括：
通过所述全连接层采用修正线性激活函数对所述每个电极对应的特征序列和所述脑电强度特征进行特征提取，得到所述每个电极对应的序列特征；
通过所述多个编码层采用高斯误差激活函数对所述序列特征进行编码，得到编码后的序列特征；
通过所述池化层对多个注意力机制矩阵对所述编码后的序列特征进行平均池化处理，得到池化后的序列特征；
通过所述分类层采用所述高斯误差激活函数对所述池化后的序列特征进行分类，以根据分类结果输出所述脑电波信号中的异常信号的放电时间，以及采集所述异常信号的目标电极。
9.根据权利要求8所述的方法，其特征在于，所述多个编码层中的每个编码层至少包括：多头注意力机制单元、第一标准化处理单元、多层感知机、第二标准化处理单元，其中，通过所述多个编码层采用高斯误差激活函数对所述序列特征进行编码，得到编码后的序列特征，包括：
通过所述多头注意力机制单元采用多头注意力机制确定所述序列特征所对应的注意力权重；
通过所述第一标准化处理单元采用所述注意力权重对所述序列特征进行标准化处理、平移处理和缩放处理，得到第一序列特征；
通过所述多层感知机采用所述高斯误差激活函数对所述第一序列特征进行编码，得到编码结果；
通过所述第二标准化处理单元对所述编码结果进行标准化处理、平移处理和缩放处理，得到所述编码后的序列特征。
10.根据权利要求1所述的方法，其特征在于，在基于预设的检测模型对所述每个电极所对应的特征序列进行检测，确定目标电极以及所述目标电极所采集到的脑电波信号中异常信号的放电时间之后，所述方法还包括：
在所述目标电极的数量为多个的情况下，获取每个所述目标电极所对应的异常信号的幅值；
根据每个所述目标电极所对应的异常信号的幅值确定所述异常信号的最大主峰位置以及次主峰位置，其中，所述最大主峰位置为幅值最大的异常信号所在的位置，所述次主峰位置为幅值次大的异常信号所在的位置。
11.一种癫痫间期脑电波异常信号的定位装置，其特征在于，包括：
信号获取模块，用于获取多个电极所采集到的目标对象在癫痫发作间期的脑电波信号，其中，所述多个电极分别设置在所述目标对象的头部的不同位置；
分量分析模块，用于对每个电极所采集到的脑电波信号进行独立分量分析，从所述每个电极所采集到的脑电波信号中去除伪差信号，得到所述每个电极所对应的增强信号；
特征提取模块，用于基于预设的多个小波基底对所述每个电极所对应的增强信号进行特征提取，得到所述每个电极所对应的多个特征序列，其中，所述多个小波基底中的部分小波基底为异常脑电波形所对应的波形基底；
信号分类模块，用于基于所述每个电极所对应的特征序列对所述脑电波信号中的异常信号进行分类，确定所述脑电波信号中的异常信号的放电时间，以及采集所述异常信号的目标电极；
信号定位模块，用于基于所述放电时间和所述目标电极对所述异常信号进行定位，得到定位位置。
12.一种电子设备，其特征在于，电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-10任意一项所述的癫痫间期脑电波异常信号的定位方法。
13.一种计算机可读存储介质，其特征在于，计算机可读存储介质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如权利要求1-10任意一项所述的癫痫间期脑电波异常信号的定位方法。
14.一种计算机程序产品，其特征在于，计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-10任意一项所述的癫痫间期脑电波异常信号的定位方法。
CN202311083231.9A 2023-08-25 2023-08-25 癫痫间期脑电波异常信号的定位方法、装置、设备及介质 Active CN116807496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311083231.9A CN116807496B (zh) 2023-08-25 2023-08-25 癫痫间期脑电波异常信号的定位方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311083231.9A CN116807496B (zh) 2023-08-25 2023-08-25 癫痫间期脑电波异常信号的定位方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116807496A true CN116807496A (zh) 2023-09-29
CN116807496B CN116807496B (zh) 2023-11-24

Family

ID=88127742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311083231.9A Active CN116807496B (zh) 2023-08-25 2023-08-25 癫痫间期脑电波异常信号的定位方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116807496B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117357134A (zh) * 2023-12-08 2024-01-09 中国科学院深圳先进技术研究院 一种神经电脉冲检测方法、***及终端

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040077967A1 (en) * 2001-02-13 2004-04-22 Jordan Kenneth George Automated realtime interpretation of brain waves
US20100286747A1 (en) * 2007-09-28 2010-11-11 Arizona Board Of Regents, Acting For And On Behalf Of Arizona State University Methods for applying brain synchronization to epilepsy and other dynamical disorders
CN103792000A (zh) * 2014-02-20 2014-05-14 苏州大学 一种基于稀疏表示的信号中瞬态成分检测方法及装置
CN111557662A (zh) * 2020-05-15 2020-08-21 闫宇翔 癫痫间期脑电信号的处理方法、装置、存储介质及设备
CN111973179A (zh) * 2020-08-25 2020-11-24 北京智源人工智能研究院 脑电波信号处理方法、装置、电子设备及存储介质
CN112220485A (zh) * 2020-09-03 2021-01-15 北京慧脑云计算有限公司 一种癫痫脑电图/脑磁图异常波自动检测方法与定位***
CN114366124A (zh) * 2022-01-25 2022-04-19 北京航空航天大学 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法
DE202022103434U1 (de) * 2022-06-20 2022-06-24 Khyati Chopra Ein auf einem Enzephalogramm (EEG) basierendes Gerät zur Erkennung von epileptischen Anfällen
EP4162865A1 (en) * 2021-10-06 2023-04-12 Origin Wireless, Inc. System and method for radio-based sleep monitoring
CN116019461A (zh) * 2023-03-01 2023-04-28 厦门大学 结合眼动和脑电图的癫痫类型检测方法
CN116258679A (zh) * 2023-01-03 2023-06-13 之江实验室 一种信息推荐方法、装置、存储介质及电子设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040077967A1 (en) * 2001-02-13 2004-04-22 Jordan Kenneth George Automated realtime interpretation of brain waves
US20100286747A1 (en) * 2007-09-28 2010-11-11 Arizona Board Of Regents, Acting For And On Behalf Of Arizona State University Methods for applying brain synchronization to epilepsy and other dynamical disorders
CN103792000A (zh) * 2014-02-20 2014-05-14 苏州大学 一种基于稀疏表示的信号中瞬态成分检测方法及装置
CN111557662A (zh) * 2020-05-15 2020-08-21 闫宇翔 癫痫间期脑电信号的处理方法、装置、存储介质及设备
CN111973179A (zh) * 2020-08-25 2020-11-24 北京智源人工智能研究院 脑电波信号处理方法、装置、电子设备及存储介质
CN112220485A (zh) * 2020-09-03 2021-01-15 北京慧脑云计算有限公司 一种癫痫脑电图/脑磁图异常波自动检测方法与定位***
EP4162865A1 (en) * 2021-10-06 2023-04-12 Origin Wireless, Inc. System and method for radio-based sleep monitoring
CN114366124A (zh) * 2022-01-25 2022-04-19 北京航空航天大学 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法
DE202022103434U1 (de) * 2022-06-20 2022-06-24 Khyati Chopra Ein auf einem Enzephalogramm (EEG) basierendes Gerät zur Erkennung von epileptischen Anfällen
CN116258679A (zh) * 2023-01-03 2023-06-13 之江实验室 一种信息推荐方法、装置、存储介质及电子设备
CN116019461A (zh) * 2023-03-01 2023-04-28 厦门大学 结合眼动和脑电图的癫痫类型检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117357134A (zh) * 2023-12-08 2024-01-09 中国科学院深圳先进技术研究院 一种神经电脉冲检测方法、***及终端
CN117357134B (zh) * 2023-12-08 2024-02-09 中国科学院深圳先进技术研究院 一种神经电脉冲检测方法、***及终端

Also Published As

Publication number Publication date
CN116807496B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN110840402B (zh) 一种基于机器学习的房颤信号识别方法及***
CN110811609B (zh) 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置
CN116807496B (zh) 癫痫间期脑电波异常信号的定位方法、装置、设备及介质
Sairamya et al. A new approach for automatic detection of focal EEG signals using wavelet packet decomposition and quad binary pattern method
CN107569228B (zh) 基于频带信息和支持向量机的颅内脑电信号特征波识别装置
Kumar et al. Features extraction of EEG signals using approximate and sample entropy
Ahmadi et al. A new method for epileptic seizure classification in EEG using adapted wavelet packets
Li et al. An improved sparse representation over learned dictionary method for seizure detection
CN112884063B (zh) 基于多元时空卷积神经网络的p300信号检测识别方法
Quintero-Rincón et al. Multivariate Bayesian classification of epilepsy EEG signals
CN111067513B (zh) 一种特征权重自学习的睡眠质量检测关键脑区判定方法
CN113647962A (zh) 基于深度学习集成模型的癫痫定位与发作预测方法
CN107550484B (zh) 一种心磁信号质量评价方法及***
CN115363531A (zh) 基于双模态脑电信号信息瓶颈的癫痫检测***
Lian et al. Spatial enhanced pattern through graph convolutional neural network for epileptic EEG identification
Fathima et al. Wavelet based features for classification of normal, ictal and interictal EEG signals
Puri et al. Detection of Alcoholism from EEG signals using Spectral and Tsallis Entropy with SVM
Jaffino et al. Expectation-maximization extreme machine learning classifier for epileptic seizure detection
Bedeeuzzaman et al. Dispersion measures and entropy for seizure detection
CN113907770B (zh) 基于特征融合的棘慢复合波检测识别方法及***
Shnitzer et al. Alternating diffusion maps for dementia severity assessment
Chakraborty et al. Epilepsy seizure detection using non-linear and DWT-based features
Tiwary et al. Deep learning with spatial and channel attention for epileptic seizure type classification using frequency characterization
Karimoi et al. EEG signal classification using Bayes and Naïve Bayes Classifiers and extracted features of Continuous Wavelet Transform
CN112270314B (zh) 棘波识别方法、装置、电子设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant