一种检测癫痫脑电信号中异常放电的方法与流程

1.本发明涉及一种癫痫检测方法，尤其涉及一种检测癫痫脑电信号中异常放电的方法。

背景技术：

2.癫痫是一种严重的、反复发作的慢性神经系统疾病，是世界上最常见的神经系统疾病之一。癫痫发作的原因是大脑神经元过度同步放电，其特征表现为意识障碍或丧失、异常运动、精神或感觉障碍、或自主神经系统紊乱。由于癫痫发作的特点，癫痫病人的生活会受到一定程度影响，如无法驾驶、无法工作，严重的甚至会失去正常生活的能力。此外，随着时间地推移，癫痫发作往往会变得更加频繁、更加严重，可能会导致其他大脑功能恶化或造成身体损伤。
3.根据发作症状可将癫痫大致分为两大类——局灶性和全局性，局灶性发作是指只有大脑半球的一部分受到影响，而在全局性发作中，大脑的所有区域都受到影响。
4.传统的癫痫方法主要包括药物和手术。
5.常用的癫痫药物有丙戊酸钠、、加巴喷丁、苯妥英等，虽然有效但药物通常有一定毒性，长时间服用可能会有副作用，此外还有相当多的患者患有耐药癫痫，对药物没有反应。
6.手术方法包括根治性切除手术，如半球切除术和皮质切除术，以及不那么激进的病变切除术，如横切术和立体消融术。但是手术方法的问题也很明显，首先，手术不一定完全成功，许多癫痫病人即使接受了根治性脑外科手术后，仍无法摆脱癫痫发作。其次，这些手术方法通常有很高的并发症风险，而且会导致具有重要功能的脑区以及各种认知功能和神经系统长期受损。
7.神经刺激是一种癫痫的新兴方法，通过直接给予相应部位神经元或临近的神经组织一定的电刺激以达到效果。目前临床上应用较多的神经刺激技术主要包括迷走神经刺激(vagus nerve stimulation，vns)、深部脑刺激(deep brain stimulation，dbs)和反应性神经刺激(responsive neurostimulation，rns)。
8.vns是一种开环颅外刺激器，发展于20实际80年代，通过植入脉冲发生器于左侧前胸部，植入电极于颈部，对颈部左侧迷走神经的传入纤维进行电脉冲刺激，以实现调节脑皮质目标区域的功能。
9.dbs是一种开环颅内刺激器，需在术前实现精确定位，将电极植入目标靶区，通过对电极施加一定强度的电刺激信号，改变电极所在核团的兴奋状态实现神经调控。dbs通过调节刺激参数，抑制或者激活神经元，释放相应的神经调节因子，改变癫痫网络的内在神经生理学特征，提高癫痫发作的阈值，从而达到抑制癫痫发作的目的。
10.rns是一种闭环颅内刺激器，持续监测癫痫发作焦点处的神经活动，只有在检测到癫痫样活动时才会做出刺激反应，与连续或按照固定时间进行刺激的开环神经调节方法相比，第一，可以减少对大脑持续刺激带来的伤害和副作用；第二，可以延长刺激器电池的使
用寿命。
11.rns系统依赖于对脑电信号的采集、处理与分析，通过相应的算法提取有用的特征来判断患者的当前状态，并以此为依据输出控制信号给执行器，调整刺激参数并给予相应的刺激。因此，对于rns系统而言，对脑电信号中癫痫活动(如棘波、尖波、棘-慢波等)的检测算法就显得尤为重要。检测算法要满足以下几个要求，首先，要满足有效性，必须能准确、有效地检测出信号中的癫痫活动。其次，要满足实时性，从信号采集到信号处理、分析，再到最后输出指令，整个流程需在很短的时间内完成以满足实时控制的要求。最后，反馈算法需要考虑到单片机的内存与算力，所用数据内存不能过多，计算不能过于复杂。
12.neuropace的rns系统中所用的检测算法有三个：功率变化(power change)、带通滤波(bandpass)以及面积(area)。功率变化也称之为线长(line length)，是指一段时间长度的数据中相邻两个采样点之间的距离之和，可以反应一段时间内信号的功率。缺点是易受干扰，没有针对性，任何会导致波形发生波动的干扰都会被误识别为癫痫性活动。带通滤波用于检测特定频带内的活动，如theta、alpha、beta和gamma，缺点是需手动设定检测频带，若频带设置不准确，则检测效果会很差。面积是指信号波形与x轴所围成的区域的面积，在离散系统中，面积就是每个采样点的绝对值之和，面积过于简单，而且很少使用。

技术实现要素：

13.本发明旨在解决上述缺陷，提供一种检测癫痫脑电信号中异常放电的方法。
14.为了克服背景技术中存在的缺陷，本发明解决其技术问题所采用的技术方案是：这种检测癫痫脑电信号中异常放电的方法，该检测方法基于癫痫处于不同阶段时，脑电信号有着不同的特征，由于大脑神经元过度同步的异常放电，脑电信号波形中会出现棘波、尖波的异常波，针对此特征提出锐度比算法，算法流程如下：
15.s1、首先采集癫痫患者病灶点脑电信号，将原始信号按一秒钟进行分割，分别对每一秒内的信号进行分析；
16.s2、对信号进行0.5-75hz滤波、50hz陷波，去除直流分量、高频噪声以及工频噪声；
17.s3、在s2步骤的滤波之后，对信号进行降采样，若采样率本来就很低，则此步骤省略；
18.s4、统计步骤s3信号中所有极值点peak，并对所有极值点进行筛选，若连续两个极值点之间的幅值变化程度大于一定的阈值thr 1，thr 1不宜过大，防止过滤掉有意义的极值点，则认为此极值点为符合条件的极值点peak_q；
19.s5、对符合步骤s4中的每一个极值点peak_q，分别用其幅值减去其4ms之前采样点的幅值以及4ms之后采样点的幅值，取绝对值再求二者均值，其结果称之为此极值点的锐度sharpness，再将每一个peak_q的锐度相加，与peak_q的总个数n的比值即为锐度比sharpness ratio，计算公式如下:
[0020][0021][0022]
s6、设置一个个性化阈值thr 2，将锐度比与此阈值进行对比，若超过此阈值则说
明此一秒内存在异常放电，否则就没有异常放电。
[0023]
步骤s6中的阈值thr 2取决于患者在稳定状态下的锐度比水平，不同患者有着不同的阈值，需根据患者实际脑电单独设置。
[0024]
本发明的有益效果是：
[0025]
第一、锐度比算法的优势在于：
[0026]
1、取癫痫异常波的典型特征进行描述，因此准确率较高；
[0027]
2、每次只处理一秒钟的数据，并进行降采样处理，而且计算过程简单，因此占用内存少，计算较快，既满足实时控制要求，又适合rns这种算力有限的系统。
[0028]
第二、锐度比算法的意义在于：
[0029]
1、癫痫发作是异常放电不断累加的结果，放电累计到一定程度癫痫便会发作，因此，无论是发作间期、发作前期还是发作期，只要检测到异常放电就给予一定强度的刺激，便可以在一定程度上抑制癫痫发作；
[0030]
2、通过脑电信号标记癫痫发作通常由经验丰富的神经科医生操作，但是这项工作非常耗时耗力，借助锐度比算法可以进一步实现癫痫发作自动检测算法，节约时间。
附图说明
[0031]
下面结合附图和实施例对本发明进一步说明。
[0032]
图1是异常放电典型波形，从左往右分别为尖波、棘波、棘-慢波的结构示意图；
[0033]
图2是滤波后信号波形的结构示意图；
[0034]
图3是降采样后信号波形的结构示意图；
[0035]
图4是信号中所有的极值点的结构示意图；
[0036]
图5是符合条件的极值点的结构示意图；
[0037]
图6是极值点放大示意图的结构示意图；
[0038]
图7是不存在异常放电现象的脑电波形及其锐度比的结构示意图；
[0039]
图8是存在异常放电现象的脑电波形及其锐度比的结构示意图；
[0040]
图9是癫痫发作检测的结构示意图。
具体实施方式
[0041]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
癫痫是一种严重的、反复发作的神经系统疾病，由大脑神经元过度同步的异常放电引起，异常放电在脑电图中主要表现尖波、棘波、棘-慢波等，这三种典型异常波的波形如图1所示。在发作间期或发作前期，异常放电持续时间为几秒到十几秒，异常波的幅值为几十微伏到几百微伏。而在发作期，异常放电剧烈，持续时间几十秒甚至几分钟，异常波幅值可达上千微伏。
[0043]
一种检测癫痫脑电信号中异常放电的方法，该检测方法基于癫痫处于不同阶段时，脑电信号有着不同的特征，由于大脑神经元过度同步的异常放电，脑电信号波形中会出
现棘波、尖波的异常波，针对此特征提出锐度比算法，锐度比描述的是单位时间内信号波形的尖锐程度，锐度比的值越高，说明信号中尖波的数量越多、锐度越大、幅值越高。大脑癫痫性活动主要表现为异常放电，而异常放电在脑电图中主要表现为棘波、尖波、棘-慢波等异常波，异常放电越严重，棘波、尖波越多，波形越尖锐，幅值越高。因此，锐度比可以很好的描述异常波的特征。
[0044]
锐度比算法流程如下：
[0045]
s1、首先采集癫痫患者病灶点脑电信号，将原始信号按一秒钟进行分割，分别对每一秒内的信号进行分析；
[0046]
s2、对信号进行0.5-75hz滤波、50hz陷波，去除直流分量、高频噪声以及工频噪声；
[0047]
s3、在s2步骤的滤波之后，对信号进行降采样，若采样率本来就很低，则此步骤省略；
[0048]
s4、统计步骤s3信号中所有极值点peak，并对所有极值点进行筛选，若连续两个极值点之间的幅值变化程度大于一定的阈值thr 1，thr 1不宜过大，防止过滤掉有意义的极值点，则认为此极值点为符合条件的极值点peak_q；
[0049]
s5、对符合步骤s4中的每一个极值点peak_q，分别用其幅值减去其4ms之前采样点的幅值以及4ms之后采样点的幅值，取绝对值再求二者均值，其结果称之为此极值点的锐度sharpness，再将每一个peak_q的锐度相加，与peak_q的总个数n的比值即为锐度比sharpness ratio，计算公式如下:
[0050][0051][0052]
s6、设置一个个性化阈值thr 2，将锐度比与此阈值进行对比，若超过此阈值则说明此一秒内存在异常放电，否则就没有异常放电。
[0053]
步骤s6中的阈值thr 2取决于患者在稳定状态下的锐度比水平，不同患者有着不同的阈值，需根据患者实际脑电单独设置。
[0054]
实施例：
[0055]
步骤一，首先对原始信号按照一秒进行分割，以其中一秒数据为例进行分析，此一秒数据包含一次异常放电，采样率为1024hz。
[0056]
步骤二，对信号进行0.5-75hz的带通滤波，50hz陷波，去除直流分量、高频噪声以及工频噪声，滤波后波形如图2所示。
[0057]
步骤三，对信号进行降采样，降采样的目的是为了减少非必要采样点，以提高运算速率，提高实时性。此步骤需在滤波之后，根据香农采样定理，采样率需高于信号中最高频率的两倍，若要将信号采样率降到256hz，那么步骤二中就需要将信号滤波到128hz以下，否则就会引起高频混叠。此外，若采样率本来就很低，则此步骤省略。此实施例中将信号降为256hz，降采样后信号波形如图3所示。
[0058]
对比图2和图3可以发现，降采样前后信号波形没有任何变化，但是横坐标每秒的采样点个数变成了原来的四分之一，以便于后续的计算。
[0059]
步骤四，统计信号中所有极值点peak，包括极大值和极小值，如图4所示。对所有极值点进行筛选，若连续两个极值点之间的幅值变化程度l大于一定的阈值thr 1，则认为此极值点为符合条件的极值点peak_q，筛选的目的是为了排除信号中非病理性变化，thr 1不宜过大，防止过滤掉有意义的极值点。此实施例中阈值thr 1设置为20μv，筛选后符合条件的极值点如图5所示。
[0060]
步骤五，对符合步骤四中的每一个极值点peak_q，分别用其幅值减去其4ms之前采样点的幅值以及4ms之后采样点的幅值，取绝对值再求二者均值，其结果称之为此极值点的锐度sharpness，计算公式如下：
[0061][0062]
将图5中横坐标100-120之间区域放大，如图6所示，以其中一个极值点为例，其中：
[0063]vpeak_q
＝405.48μv，v
peak_q-4ms
，＝346.25μv，v
peak_q+4ms
＝381.41μv则此极值点的锐度为：
[0064][0065]
将每一个peak_q的锐度相加，与peak_q的总个数n的比值即为锐度比sharpness ratio，计算公式如下：
[0066][0067]
经过计算此一秒信号的锐度比为14.18。
[0068]
步骤六，设置阈值thr 2，此患者thr 2设置为10，因此上述一秒信号内存在异常放电。
[0069]
下面来证明锐度比有效性，取另一名癫痫患者存在异常放电现象以及不存在异常放电现象的脑电数据各10秒，分别绘制其波形，计算锐度比。见图7和图8，上半部分为信号波形，横坐标代表时间，共10秒，纵坐标代表幅值；下半部分为锐度比，每个点对应每一秒的计算结果。在图7中，由于不存在异常放电现象，信号较为平缓，幅值较低，所计算出来的锐度比的值都较小。而在图8中，从第三秒开始信号中开始出现异常波，慢慢加剧，第5秒最为严重，然后逐步缓解，与锐度比波形描述的变化趋势完全吻合，当信号中出现异常波的时候，锐度比的值上升，当信号中异常波消失时，锐度比的值会降低，因此，此患者的阈值thr 2可以设置为5，当锐度比超过5时则判定为存在异常放电。
[0070]
与发作间期或者发作前期相比，癫痫发作时，异常放电更加剧烈，持续时间更长。以以下癫痫患者一次癫痫发作脑电数据为例进行分析，数据时长383秒，包括一次癫痫发作，采样率为1024hz，绘制其波形，计算其锐度比，如图9所示。由于癫痫发作时会出现连续且剧烈的异常放电，因此锐度比的值会更高而且会持续较长时间，直到癫痫发作停止后降低。图9中197-276秒之间，即图中虚线内，锐度比的值持续上升而且在较长时间内维持在较高的水平，因此判断此区间为癫痫发作。
[0071]
为进一步验证锐度比算法检测癫痫发作的效果，对8名癫痫患者(4男4女)约319小时的脑电数据进行分析，检测其中的癫痫发作，结果如下表所示。结果显示，虽然患者的发
作症状不尽相同，但所有30次癫痫发作均被准确检测出来。
[0072]
表1八名患者癫痫发作检测结果
[0073][0074]
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：

1.一种检测癫痫脑电信号中异常放电的方法，其特征在于，该检测方法基于癫痫处于不同阶段时，脑电信号有着不同的特征，由于大脑神经元过度同步的异常放电，脑电信号波形中会出现棘波、尖波的异常波，针对此特征提出锐度比算法，算法流程如下：s1、首先采集癫痫患者病灶点脑电信号，将原始信号按一秒钟进行分割，分别对每一秒内的信号进行分析；s2、对信号进行0.5-75hz滤波、50hz陷波，去除直流分量、高频噪声以及工频噪声；s3、在s2步骤的滤波之后，对信号进行降采样，若采样率本来就很低，则此步骤省略；s4、统计步骤s3信号中所有极值点peak，并对所有极值点进行筛选，若连续两个极值点之间的幅值变化程度大于一定的阈值thr1，thr1不宜过大，防止过滤掉有意义的极值点，则认为此极值点为符合条件的极值点peak_q；s5、对符合步骤s4中的每一个极值点peak_q，分别用其幅值减去其4
ms
之前采样点的幅值以及4
ms
之后采样点的幅值，取绝对值再求二者均值，其结果称之为此极值点的锐度sharpness，再将每一个peak_q的锐度相加，与peak_q的总个数n的比值即为锐度比sharpness ratio，计算公式如下：ratio，计算公式如下：s6、设置一个个性化阈值thr2，将锐度比与此阈值进行对比，若超过此阈值则说明此一秒内存在异常放电，否则就没有异常放电。2.如权利要求1所述的一种检测癫痫脑电信号中异常放电的方法，其特征在于：所述步骤s6中的阈值thr2取决于患者在稳定状态下的锐度比水平，不同患者有着不同的阈值，需根据患者实际脑电单独设置。

技术总结

本发明涉及检测癫痫脑电信号的技术领域，尤其涉及一种检测癫痫脑电信号中异常放电的方法。锐度比算法流程如下：首先对原始脑电信号进行0.1-75Hz滤波、50Hz陷波，去除直流分量、高频噪声以及工频噪声。统计滤波后信号中所有的极值点peak，并对到的所有极值点进行筛选，若连续两个极值点之间的幅值变化程度大于一定的阈值，则认为此极值点为符合条件的极值点peak_q，对于上述的每一个极值点peak_q，用其幅值减去其4ms之前的点的幅值以及4ms之后点的幅值，取绝对值再求二者均值，其结果称之为锐度sharpness，再将每一个peak_q的锐度相加，与peak_q总个数N的比值即为锐度比sharpnessratio。该方法计算量小、实时性高，可准确地检测出癫痫样脑电活动，为及时救助提供帮助。帮助。帮助。