TW201336475A - 擁有即時學習機制之癲癇發作預測方法、模組及裝置 - Google Patents
擁有即時學習機制之癲癇發作預測方法、模組及裝置 Download PDFInfo
- Publication number
- TW201336475A TW201336475A TW101106823A TW101106823A TW201336475A TW 201336475 A TW201336475 A TW 201336475A TW 101106823 A TW101106823 A TW 101106823A TW 101106823 A TW101106823 A TW 101106823A TW 201336475 A TW201336475 A TW 201336475A
- Authority
- TW
- Taiwan
- Prior art keywords
- signal
- seizure
- brain wave
- wave signal
- feature pattern
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—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
- 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
- A61B5/24—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]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Neurology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本發明為一擁有即時學習機制之癲癇發作預測方法,該癲癇發作預測方法係在長時間持續偵測癲癇患者腦波的情況下,可以自我學習癲癇患者發作前及發作間期之波形,並即時分辨以達到癲癇預測的效果。本發明更提供一種癲癇發作預測模組及一種癲癇發作預測裝置,以實施該癲癇發作預測方法。
Description
本發明為一種擁有即時學習機制之癲癇發作預測方法,為實施該癲癇發作預測方法,本發明更提供一種癲癇發作預測模組及一種癲癇發作預測裝置。
癲癇是臨床上最常見的腦部疾病之一,癲癇發作是由於腦神經元過度陣發性放電,導致腦波與行為之異常。而其異常之腦波與臨床症狀則由腦部放電部位、傳導途徑及發作時間所決定。據統計,全世界有超過四千萬的人罹患癲癇,其中僅有三分之二的患者可以經由手術治療及抗癲癇藥物控制,其餘患者則因為沒有最佳的治療方法,而必須長期忍受日常生活中癲癇發作所造成各種不便和危險,以及長久處於無法確知發作時間的憂慮狀態。
臨床上有數種檢測腦部疾病的方法,包括以呈現腦部結構影像的電腦斷層掃描(Computerized Tomography,CT)、正子斷層掃描(Positron Emission Tomography,PET)及核磁共振造影(Magnetic Resonance Imaging,MRI)以及記錄腦部電位訊號變化的腦波圖(Electroencephalogram,EEG)等。其中最適合長時間對患者腦部進行持續偵測,並作為追蹤分析的方法莫過於以腦電波儀所記錄之腦波圖。腦電波儀是一種非侵入性的電子儀器,首先於一患者頭部貼附複數個電極片,藉由一接線將該複數個電極片所偵測到的電位訊號傳輸至一收發裝置,再將此訊號放大、濾波,轉換為一數位訊號,即可呈現出該患者腦部細胞活動時所產生的腦波圖,而神經內科醫師便可依據所記錄的腦波圖對該患者進行分析、評估與追蹤。而在腦波的研究領域中,關於分析腦波的方法主要是利用訊號處理或以圖形辨識來偵測病因,例如傅立葉轉換(Fourier Transform,FT)、小波轉換(Wavelet Transform,WT)、參數模型法(Parametric Modeling)與獨立元件分析(Independent Component Analysis,ICA)等。
近年來,由於臨床上神經內科醫師在閱讀癲癇患者腦電波圖時發現患者癲癇發作於腦波出現特定棘波(spikes)和銳波(sharp waves)後的一段時間,而歸納出「分析腦波訊號之特殊變化可預測癲癇發作」的推論。加上電算系統運算能力的提升以及演算軟體的開發,驅使醫學工程領域之研究人員投入腦波訊號之辨識分析,以期找出預測癲癇發作之最佳模組。目前臨床上廣泛應用的癲癇發作預測方法是採用早期研究之離線訓練(off-line training)模組,其離線訓練模組乃是使用事先蒐集之訓練資料所求得的固定式模組,主要是假設患者腦波訊號不會改變,而期望癲癇發作模式不管經過多長的時間,表現始終保持穩定。然而,癲癇患者的身心狀態、發作之嚴重程度、進行偵測時的環境差異等不但會影響腦波變化,更會干擾腦波訊號記錄之正確性,而降低癲癇發作預測的準確度。因此,僅利用離線訓練方法的固定式模組,並不足以預測不同患者之癲癇發作模式。
故,有必要提供一種擁有即時學習機制之癲癇發作預測方法,以解決習用技術所存在的問題。
本發明之主要目的係為提供一種擁有即時學習機制之癲癇發作預測方法、模組及裝置,其設計係為了解決習知以離線訓練方法之固定式模組作為癲癇發作預測之不足。
為達上述之目的,本發明係提供一種擁有即時學習機制之癲癇發作預測方法,其步驟包括:利用一腦波訊號記錄單元持續記錄一癲癇患者之腦波訊號;以一處理模組對該腦波訊號進行一特徵值萃取,並將該特徵值累積轉換成一特徵樣式後,辨識該特徵樣式為一有效或無效之癲癇發作前訊號進行一分類;接著以一後處理模組對該分類進行一後處理分析,並設定該後處理模組於連續兩次出現該分類為該有效之癲癇發作前訊號時輸出一預警訊號;另一方面以一標示裝置對已儲存在特徵樣式儲存單元之過去的數個特徵樣式進行標示,讓一分類器訓練單元得以據此過去之特徵樣式及其標定進行線上重新訓練,用以更新該處理模組之參數,例如訓練之結果可更新一分類器分類單元運作所需之參數。
在本發明之一實施例中,該腦波訊號記錄單元係用以長時間持續偵測該癲癇患者腦部電位訊號的變化,並包括:複數個電極片,用以貼附在該癲癇患者之頭皮上,作為量測媒介;一接線,耦接於該電極片,用以接收該電極片所量測之一電位訊號;一收發裝置,耦接於該接線,用以接收該電位訊號後發出;以及,一腦電波儀機體,用以接收該收發裝置發出之該電位訊號,並於濾波後轉換成一數位訊號,該數位訊號即為一腦波訊號。
在本發明之一實施例中,該收發裝置係為一無線訊號收發裝置,用以發出該電位訊號至該腦波機機體。
在本發明之一實施例中,該處理模組係包括:一特徵樣式萃取單元,用以對該腦波訊號進行每隔一段固定時間之一特徵值萃取並儲存,將連續一段時間之多維度特徵值累積轉換成一較低維度之特徵樣式;一特徵樣式儲存單元,用以儲存連續多個該特徵樣式;該分類器訓練單元,用以對已儲存之特徵樣式及其標示進行線上重新訓練;以及,該分類器分類單元,用以對當下的特徵樣式作一辨識分類。
在本發明之一實施例中,該處理模組之處理步驟係包括:將該腦波訊號進行每隔一段固定時間之一特徵值萃取,接著將連續多個該特徵值累積轉換成一特徵樣式,以該分類器分類單元辨識該特徵樣式為一有效或無效之癲癇發作前訊號;再每隔一段較長時間,該分類器訓練單元可依照標示裝置所提供之標示,以及該特徵樣式儲存單元所儲存之過去的數個特徵樣式,重新進行分類器的訓練,所得之參數可以提供給該分類器分類單元,使其分類更加準確。
在本發明之一實施例中,該每隔一段固定時間產生一特徵樣式係為每隔5分鐘、每隔6分鐘、每隔7分鐘、每隔8分鐘、每隔9分鐘或每隔10分鐘;又,該每隔一段較長時間進行線上重新學習更新參數可為30分鐘或以下(如10或20分鐘等),視模組計算能力而定。
在本發明之一實施例中,該後處理分析之步驟是對至少兩次之該分類進行運算,若以該運算結果判定連續兩次為有效之癲癇發作前訊號,即對該癲癇患者發出一預警通知;若未判定有連續兩次為有效之癲癇發作前訊號,則不發出預警通知。
在本發明之一實施例中,該標示裝置係為一自動式偵測標定裝置或一被動式按鈕標定裝置,用以標定當下之特徵樣式是一癲癇發作訊號、一癲癇發作前訊號或一般訊號,再分別依兩種情形對過去之特徵樣式作一標示。以預測區間為兩小時舉例,假設當下自動監測或被動按鈕結果為一癲癇發作訊號,則兩小時前到當下之上一個特徵樣式皆會標示成發作前訊號,過去已被標示成發作訊號的特徵樣式除外。假設當下之自動監測或被動按鈕結果為一正常一般訊號,則不對過去的特徵樣式作標示。其中,該預測區間可為一小時或兩小時,但不限於此。
再者,本發明另提供一種擁有即時學習機制之癲癇發作預測模組,係用於癲癇患者之腦波偵測的同時預測出一癲癇發作前的腦波訊號,該癲癇發作預測模組包括:一腦波訊號記錄單元,用以持續記錄一癲癇患者之腦波訊號;一收發模組,耦接於該腦波訊號記錄單元,以接收該腦波訊號後發出;以及,一處理模組,耦接於該收發模組,將該接收之腦波訊號轉換成一特徵樣式後,辨別該特徵樣式是否為一癲癇發作前訊號並做出一判斷結果,傳送該判斷結果至一預設應用端。
另外,本發明進一步提供一種擁有即時學習機制之癲癇發作預測裝置,係為一電子產品,其包括:一控制電路,用以偵測、記錄及儲存一癲癇患者之腦波訊號;以及,一癲癇發作預測模組,耦接於該控制電路,用以判斷該癲癇患者之腦波訊號,並預測該癲癇患者癲癇發作前之腦波訊號,係包括有:
(a) 一收發模組,耦接於該電子產品,用以接收該腦波訊號;以及
(b) 一處理模組,耦接於該收發模組,將該接收之腦波訊號累積轉換成一特徵樣式後,辨別該特徵樣式是否為一癲癇發作前訊號並做出一判斷結果,傳送該判斷結果至一預設應用端。
在本發明之一實施例中,該預設應用端係應用於一警示裝置,以對該癲癇患者或一醫療監測者發出警示訊號,或應用於一醫療裝置,以對該癲癇患者進行癲癇治療。又,該警示裝置係為一聲音警示裝置、一震動感應裝置、一光線警示裝置或一數位警示系統。
為了讓本發明之上述及其他目的、特徵、優點能更明顯易懂,下文將特舉本發明較佳實施例,並配合所附圖式,作詳細說明如下。再者,本發明所提到的方向用語,例如「上」、「下」、「前」、「後」、「左」、「右」、「內」、「外」或「側面」等,僅是參考附加圖式的方向。因此,使用的方向用語是用以說明及理解本發明,而非用以限制本發明。
本發明為一種擁有即時學習機制之癲癇發作預測方法,其設計係為了解決習知以離線訓練方法之固定式模組作為癲癇發作預測之不足。
如第1圖所示,其係為本發明一種擁有即時學習機制之癲癇發作預測方法之流程圖,其中本發明之癲癇發作預測方法大致包括下述步驟:利用一腦波訊號記錄單元持續記錄一癲癇患者之腦波訊號,並以一收發模組接收該腦波訊號後發出;以一處理模組對該腦波訊號進行一特徵值萃取,並將該特徵值累積轉換成一特徵樣式後,辨識該特徵樣式為一有效或無效之癲癇發作前訊號,對該辨識進行一分類;接著以一後處理模組對該分類進行一後處理分析,並設定該後處理模組於連續兩次出現該分類為該有效之癲癇發作前訊號時輸出一預警訊號;進一步以一標示裝置對當下以及過去一段時間之特徵樣式做一標定,該過去一段時間係為所設定之預測區間;以及,藉由一分類器訓練單元依過去一段時間之特徵樣式以及其標定進行線上重新訓練,用以更新一分類器分類單元進行辨識分類所需之參數。其中,該預測區間可為一小時或兩小時,但不限於此。
首先,本發明利用一腦波訊號記錄單元持續記錄一癲癇患者之腦波訊號,此目的乃是藉由記錄該癲癇患者之腦波訊號建立該癲癇患者專屬資料庫,並用以進行個人最佳預測模組的選取。該腦波訊號是以一收發模組作為接收與發出之媒介,為免除過多電訊導線影響該癲癇患者於長時間記錄腦波時在進行軀體移動或肢體動作上的不方便,該收發模組是為一無線訊號收發裝置,並於接受該腦波訊號後發出至一處理模組,由該處理模組對所記錄之該腦波訊號進行一特徵值萃取,並於轉換為一特徵樣式後作一分類。該無線訊號收發裝置可以是藍芽無線訊號收發裝置,但並不限於此。
由於本發明是用以對長時間持續記錄該癲癇患者的腦波訊號進行模組化處理,又為了加速該處理模組對該腦波訊號的運算分析,故該處理模組先以一特徵值萃取單元對該腦波訊號進行一特徵值萃取,亦即於每隔一段固定時間中,僅萃取一特徵值作為該段時間內腦波訊號之代表。之後,將連續多個該特徵值累積成一特徵樣式,再將之轉換成一較低維度之特徵樣式,並以一分類器分類單元辨識該特徵樣式為一有效或無效之癲癇發作前訊號。其中,在本發明之一實施例中,該每隔一段固定時間係為每隔5分鐘、每隔6分鐘、每隔7分鐘、每隔8分鐘、每隔9分鐘或每隔10分鐘,但並不限於此。
接著,本發明以一後處理模組對該分類進行一後處理分析,此步驟之目的在於去除因外在或個人因素影響腦波訊號變化所造成的錯誤特徵值萃取,進而造成分類器分類上之錯誤。隨即設定該後處理模組於連續兩次出現該分類為該有效之癲癇發作前訊號時,即輸出一預警訊號對該癲癇患者或一醫療監測者作一癲癇發作前警示。此外,若該後處理模組未判定有連續兩次為該有效之癲癇發作前訊號,則不發出警示。
隨後,為提高對癲癇發作前預測的準確性,本發明進一步以一自動式偵測標示裝置或一被動式按鈕標示裝置對當下發作與否作一標定,亦即由該自動式偵測裝置或該癲癇患者以按鈕根據癲癇實際發作狀況對該特徵樣式作一癲癇發作訊號之確認,依此確認可用來標示過去一段時間內之連續數個特徵樣式是否為發作前訊號。最後,藉由該分類器訓練單元依過去之特徵樣式及其標示進行重新訓練,用以更新該處理模組中該分類器分類單元的參數。
如第2圖所示,本發明又提供之一種擁有即時學習機制之癲癇發作預測裝置,其中該腦波訊號記錄單元1係用以長時間持續偵測該癲癇患者腦部電位訊號的變化。首先以複數個電極片11貼附在該癲癇患者頭皮上,作為量測媒介。其中該複數個電極片之貼附範圍至少包括有頭部前端額葉部分以及遠端枕葉部分的兩個部份。接著以一接線12,耦接於該電極片11,用以接收該電極片所量測之一電位訊號,並傳輸至一收發模組2,該收發模組2係為一無線訊號收發裝置,用以發出該電位訊號至一腦電波儀機體13。由於該收發模組與該腦波儀機體之間是以無線傳輸,不需連接傳輸導線,因此該癲癇患者在腦波訊號可傳輸範圍之內的移動,並不影響該腦波訊號記錄之持續性。該無線訊號收發裝置可以是藍芽無線訊號收發裝置,但並不限於此。
之後,將該腦電波儀機體13所儲存之資料作為該癲癇患者專屬資料庫,並以一處理模組3進行該特徵值之萃取、轉換成該特徵樣式,並以該特徵樣式進行該分類器之分類。
如第3圖所示,本發明再提供之一種擁有即時學習機制之癲癇發作預測模組,係用以預測出一癲癇發作前的腦波訊號,該癲癇發作預測模組包括:一腦波訊號記錄單元1,用以持續記錄一癲癇患者之腦波訊號;一收發模組2,耦接於該腦波訊號記錄單元1,以接收該腦波訊號後發出;一處理模組3,耦接於該收發模組2,將該接收之腦波訊號轉換成一特徵樣式後,再對該特徵樣式作一分類;以及,一後處理模組4,耦接於該處理模組3,用以對至少兩次之該分類進行運算,若以該運算結果判定為連續兩次有效之癲癇發作前訊號,即對該癲癇患者或一醫療監測者發出一預警通知;若未判定有連續兩次為有效之癲癇發作前訊號,不發出警示。
如第4圖所示,本發明更提供之一種擁有即時學習機制之癲癇發作預測方法之處理模組3,其中該處理模組3係包括:一特徵值萃取單元31,用以對該腦波訊號進行每隔一段固定時間之一特徵值萃取並儲存累積轉換成特徵樣式;一特徵樣式儲存單元32,用以儲存連續多個特徵樣式;一分類器訓練單元33,利用過去之特徵樣式及其標示作一分類器的重新訓練得到更新的參數;一分類器分類單元34,用以對當下之特徵樣式以訓練所得參數作一分類;以及,一自動偵測或按鈕裝置35,用以標示過去之特徵樣式。該處理模組3係用以對該腦波訊號進行萃取、轉換及分類,其處理步驟係包括:將該腦波訊號進行每隔一段固定時間之一特徵值萃取,接著將連續多個該特徵值累積成一高維度的特徵樣式,再轉換成一較低維度之特徵樣式,以該分類器分類單元辨識該特徵樣式為一有效或無效之癲癇發作前訊號。上述每隔一段固定時間係可以為每隔5分鐘、每隔6分鐘、每隔7分鐘、每隔8分鐘、每隔9分鐘或每隔10分鐘。又,該分類器重新訓練週期可為30分鐘或以下(如10或20分鐘等),視模組計算能力而定。
如第5圖所示,本發明進一步提供之一種擁有即時學習機制之癲癇發作預測方法之實施例,係用於一癲癇患者之腦波偵測同時預測出一癲癇發作前的腦波訊號,該癲癇發作預測模組包括:一腦波訊號記錄單元1,用以持續記錄該癲癇患者之腦波訊號;一收發模組2,耦接於該腦波訊號記錄單元1,以接收該腦波訊號後發出;以及,一處理模組3,耦接於該收發模組2,以將該腦波訊號轉換成一特徵樣式後進行分類判定,並輸出該分類判定之結果。其中,該處理模組3係包括一特徵樣式萃取單元31,用以對該腦波訊號進行每隔一段固定時間之一特徵值萃取並儲存累積轉換成一特徵樣式;一特徵樣式儲存單元32,用以儲存連續多個特徵樣式;一分類器訓練單元33,用以對過去之特徵樣式及其標示作一重新訓練;一分類器分類單元34,用以對當下之特徵樣式以訓練所得參數作一分類;以及,一自動偵測或按鈕裝置35,用以對當下是否有癲癇發作進行一標示,並依此標示過去之特徵樣式。接著以一後處理模組4對該分類進行一後處理分析,並設定該後處理模組於連續兩次出現該分類為該有效之癲癇發作前訊號時輸出一預警訊號。
再者,該處理模組3係將上述判斷結果傳送該判斷結果至一預設應用端。其中,該預設應用端係應用於一警示裝置,以對該癲癇患者或一醫療監測者發出警示訊號,或應用於一醫療裝置,以對該癲癇患者進行癲癇治療。又,該警示裝置係可以為一聲音警示裝置、一震動感應裝置、一光線警示裝置或一數位警示系統。
本發明所揭示之特徵係以該癲癇患者之該腦波訊號建立專屬資料庫,再以該腦波訊號完成分類器之訓練,因而可以在長時間記錄該癲癇患者之腦電訊號的同時,加以預測癲癇是否會發生,並配合標示裝置及分類器訓練單元對該處理模組之分類器重新訓練,持續改進該預測模組,更於資訊更新的同時提升該癲癇發作前預測的準確度。因此,本發明所提供之擁有即時學習機制之癲癇發作預測裝置更是得以對該癲癇患者發出高準確度之預警訊號,改進該癲癇患者日常所需之生活品質。
雖然本發明已以較佳實施例揭露,然其並非用以限制本發明,任何熟習此項技藝之人士,在不脫離本發明之精神和範圍內,當可作各種更動與修飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
1...腦波訊號記錄單元
11...電極片
12...接線
13...腦電波儀機體
2...收發模組
3...處理模組
31...特徵樣式萃取單元
32...特徵樣式儲存單元
33...分類器訓練單元
34...分類器分類單元
35...標示裝置
4...後處理模組
第1圖係為本發明之擁有即時學習機制之癲癇發作預測方法流程圖。
第2圖係為本發明之擁有即時學習機制之癲癇發作預測裝置示意圖。
第3圖係為本發明之擁有即時學習機制之癲癇發作預測模組示意圖。
第4圖係為本發明之擁有即時學習機制之癲癇發作預測方法之處理模組示意圖。
第5圖係為本發明之擁有即時學習機制之癲癇發作預測方法之一實施例。
1...腦波訊號記錄單元
2...收發裝置
3...處理模組
31...特徵樣式萃取單元
32...特徵樣式儲存單元
33...分類器訓練單元
34...分類器分類單元
35...標示裝置
4...後處理模組
Claims (10)
- 一種擁有即時學習機制之癲癇發作預測方法,其步驟包括:利用一腦波訊號記錄單元持續記錄一癲癇患者之腦波訊號,並以一收發模組接收該腦波訊號後發出;以一處理模組對該腦波訊號進行一特徵值萃取,並將該特徵值累積轉換成一特徵樣式後,辨識該特徵樣式為一有效或無效之癲癇發作前訊號,對該辨識進行一分類;接著以一後處理模組對該分類進行一後處理分析,並設定該後處理模組於連續兩次出現該分類為該有效之癲癇發作前訊號時輸出一預警訊號;進一步以一標示裝置對該特徵樣式及過去一段時間儲存之特徵樣式做一標定;及藉由一分類器訓練單元將依過去之特徵樣式及其標定進行線上重新訓練,用以更新一分類器分類單元運作所需之參數。
- 如申請專利範圍第1項所述之擁有即時學習機制之癲癇發作預測方法,其中該腦波訊號記錄單元係用以長時間持續偵測該癲癇患者腦部電位訊號的變化,並包括:複數個電極片,用以貼附在該癲癇患者之頭皮上,作為量測媒介;一接線,耦接於該電極片,用以接收該電極片所量測之一電位訊號;一收發模組,耦接於該接線,用以接收該電位訊號後發出;及一腦電波儀機體,用以接收該收發模組發出之該電位訊號,並於濾波後轉換成一數位訊號,該數位訊號即為一腦波訊號。
- 如申請專利範圍第2項所述之擁有即時學習機制之癲癇發作預測方法,其中該收發模組係為一無線訊號收發裝置,用以無線發出該電位訊號至該腦電波儀機體。
- 如申請專利範圍第1項所述之擁有即時學習機制之癲癇發作預測方法,其中該處理模組係包括:一特徵樣式萃取單元,用以對該腦波訊號進行每隔一段固定時間之一特徵值萃取並儲存累積成一特徵樣式,再轉換成一較低維度之特徵樣式;一特徵樣式儲存單元,用以儲存連續多個該特徵樣式;該分類器分類單元,用以對該特徵樣式作一辨識分類;以及該分類器訓練單元,用以重新訓練該分類器分類單元並更新參數。
- 如申請專利範圍第4項所述之擁有即時學習機制之癲癇發作預測方法,其中該處理模組之處理步驟係包括:將該腦波訊號進行每隔一段固定時間之一特徵值萃取,接著將連續多個該特徵值累積轉換成一特徵樣式,以該分類器分類單元辨識分類該特徵樣式為一有效或無效之癲癇發作前訊號。
- 如申請專利範圍第4項所述之擁有即時學習機制之癲癇發作預測方法,其中該每隔一段固定時間產生一特徵樣式係為每隔5分鐘、每隔6分鐘、每隔7分鐘、每隔8分鐘、每隔9分鐘或每隔10分鐘;以及,該重新訓練的週期為30分鐘或以下。
- 如申請專利範圍第1項所述之擁有即時學習機制之癲癇發作預測方法,其中該後處理分析之步驟是對至少兩次之該分類進行運算,若以該運算結果判定連續兩次為有效之癲癇發作前訊號,即對該癲癇患者發出一預警通知;若未判定有連續兩次為有效之癲癇發作前訊號,則不發出警示。
- 如申請專利範圍第1項所述之擁有即時學習機制之癲癇發作預測方法,其中該標示裝置係為一自動式偵測標定裝置或一被動式按鈕標定裝置,用以標定目前之特徵樣式是一癲癇發作訊號、一癲癇發作前訊號或一般訊號,並可標示過去一段時間之特徵樣式是癲癇發作前訊號或一般訊號,該過去一段時間為一預測區間。
- 一種擁有即時學習機制之癲癇發作預測模組,係用於癲癇患者之腦波偵測,以預測出一癲癇發作前的腦波訊號,該癲癇發作預測模組包括:一腦波訊號記錄單元,用以持續記錄一癲癇患者之腦波訊號;一收發模組,耦接於該腦波訊號記錄單元,以接收該腦波訊號後發出;及一處理模組,耦接於該收發模組,將該接收之腦波訊號轉換成一特徵樣式後,辨別該特徵樣式是否為一癲癇發作前訊號並做出一判斷結果,傳送該判斷結果至一預設應用端。
- 一種擁有即時學習機制之癲癇發作預測裝置,係為一電子產品,其包括:一控制電路,用以偵測、記錄及儲存一癲癇患者之腦波訊號;及一癲癇發作預測模組,耦接於該控制電路,用以判斷該癲癇患者之腦波訊號,並預測該癲癇患者癲癇發作前之腦波訊號,係包括有:一收發模組,耦接於該電子產品,用以接收該腦波訊號;及一處理模組,耦接於該收發模組,將該接收之腦波訊號轉換成一特徵樣式後,辨別該特徵樣式是否為一癲癇發作前訊號並做出一判斷結果,傳送該判斷結果至一預設應用端。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101106823A TW201336475A (zh) | 2012-03-01 | 2012-03-01 | 擁有即時學習機制之癲癇發作預測方法、模組及裝置 |
US13/586,410 US20130231580A1 (en) | 2012-03-01 | 2012-08-15 | Seizure prediction method, module and device with on-line retraining scheme |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101106823A TW201336475A (zh) | 2012-03-01 | 2012-03-01 | 擁有即時學習機制之癲癇發作預測方法、模組及裝置 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201336475A true TW201336475A (zh) | 2013-09-16 |
Family
ID=49043222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101106823A TW201336475A (zh) | 2012-03-01 | 2012-03-01 | 擁有即時學習機制之癲癇發作預測方法、模組及裝置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20130231580A1 (zh) |
TW (1) | TW201336475A (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR102016016259A2 (pt) | 2016-07-13 | 2018-02-06 | Gomez & Gomez Ltda | Método de predição de surto epiléptico e dispositivo configurado para predição de surtos epilépticos |
US10398319B2 (en) * | 2016-11-22 | 2019-09-03 | Huami Inc. | Adverse physiological events detection |
FR3059540B1 (fr) * | 2016-12-05 | 2021-04-16 | Rythm | Procedes et dispositifs de determination d'un signal synthetique d'une activite bioelectrique |
US11723579B2 (en) | 2017-09-19 | 2023-08-15 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
US11273283B2 (en) | 2017-12-31 | 2022-03-15 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to enhance emotional response |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
US11219405B2 (en) | 2018-05-01 | 2022-01-11 | International Business Machines Corporation | Epilepsy seizure detection and prediction using techniques such as deep learning methods |
CA3112564A1 (en) | 2018-09-14 | 2020-03-19 | Neuroenhancement Lab, LLC | System and method of improving sleep |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
WO2022182722A1 (en) * | 2021-02-23 | 2022-09-01 | The Children's Medical Center Corporation | Systems for analyzing patterns in electrodermal activity recordings of patients to predict seizure likelihood and methods of use thereof |
CN113436728B (zh) * | 2021-07-05 | 2022-10-28 | 复旦大学附属儿科医院 | 新生儿临床视频脑电图自动分析的方法及设备 |
CN114224300B (zh) * | 2022-02-23 | 2022-07-12 | 广东工业大学 | 基于三维四元图卷积神经网络的癫痫分类检测***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1107693A4 (en) * | 1998-08-24 | 2003-03-19 | Univ Emory | METHOD AND APPARATUS FOR PREDICTING THE APPEARANCE OF CRISES BASED ON CHARACTERISTICS DERIVED FROM SIGNALS INDICATING BRAIN ACTIVITY |
-
2012
- 2012-03-01 TW TW101106823A patent/TW201336475A/zh unknown
- 2012-08-15 US US13/586,410 patent/US20130231580A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
US20130231580A1 (en) | 2013-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201336475A (zh) | 擁有即時學習機制之癲癇發作預測方法、模組及裝置 | |
US10441184B2 (en) | Electrocardiogram device and methods | |
Khanmohammadi et al. | Adaptive seizure onset detection framework using a hybrid PCA–CSP approach | |
US8768447B2 (en) | Processing of physiological signal data in patient monitoring | |
KR101736976B1 (ko) | 생체 신호를 측정하는 장치 및 방법 | |
JP5251270B2 (ja) | パーキンソン病の評価装置 | |
JPH0347094B2 (zh) | ||
KR20140063100A (ko) | 원격 심질환 관리 장치 및 방법 | |
CN116098602B (zh) | 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 | |
US20190183404A1 (en) | Method of indicating the probability of psychogenic non-epileptic seizures | |
AU2018285950A1 (en) | Mental state indicator | |
JP2023520573A (ja) | Eegの記録および分析 | |
US20130041275A1 (en) | System, apparatus and method for diagnosing seizures | |
KR20160120482A (ko) | 생체 신호를 이용한 사용자 행동 예측 시스템 및 방법 | |
Chang et al. | A versatile wireless portable monitoring system for brain–behavior approaches | |
CN116369853A (zh) | 一种基于脑机交互技术的嗅觉功能标准化评估装置及方法 | |
US20180140192A1 (en) | Apparatus, system, computer-readable medium, and method for controlling communication with attachable sensor attached to target patient | |
CN206007242U (zh) | 一种可穿戴心脏节律监测装置 | |
Sani | A New Approach for Identifying Patients with Obstructive Sleep Apnea Using K-Nearest Neighbor Classification | |
CN205885437U (zh) | 一种基于电极阵列的胎动实时监测的装置 | |
US20230320655A1 (en) | Systems and Methods for Using Triaxial Accelerometer Data for Sleep Monitoring | |
TWI802134B (zh) | 癲癇發作及歷程偵測系統及其資訊平台 | |
Chkirbene et al. | Eeg-based analysis study for patients receiving intravenous antibiotic medication | |
Kim et al. | Untact Abnormal Heartbeat Wave Detection Using Non-Contact Sensor through Transfer Learning | |
EP4368115A1 (en) | Cardiotocographic scanning session duration |