头皮脑电图棘波检测方法及系统

1.本发明属于脑电信号处理技术领域，具体涉及头皮脑电图棘波检测方法及系统。

背景技术：

2.头皮脑电图是一种用于临床记录脑活动的无创信号采集方法，用于衡量大脑电活动的量度。脑电图包含丰富的生理、心理和病理信息，是评估癫痫和其他脑部疾病的有效工具。基于脑电图的癫痫预测是癫痫社区关注的课题。然而，癫痫发作事件并不常见。在脑电图中出现的发作间期癫痫样放电(棘波)与癫痫反复发作的高可能性相关，并被广泛应用于临床评价，是癫痫的一类重要的生物标志物。与癫痫发作事件不同，癫痫样放电更频繁，并以各种形式出现在脑电图信号中，因此基于脑电图的棘波检测对诊断癫痫发作或评估癫痫发作的风险具有重要意义。
3.在用于头皮脑电图测量的国际10-20系统中，棘波的波幅较高，周期在20-200ms之间。但棘波在形态上与尖波等波形相近，容易被混淆，需要在读图时排除其干扰。现阶段，脑电图的检测分析工作都是由专业的脑电图技师根据经验和通过对患者的脑电图视觉检测完成的。经验和视觉检测都存在很多不稳定因素。庞大的脑电数据直接影响脑电技师的判断能力，导致检测结果的准确率降低。此外，由于棘波的多样性和个体差异，检测的准确性也会受到影响。一项大规模的研究显示，即使在专家之间，棘波标记也存在显著的差异。
4.到目前为止，人们提出了多种棘波检测算法，包括形态学、聚类、小波变换、模板匹配等。随着机器学习的快速发展，研究者们还根据头皮脑电图的时域、频域或非线性特征建立了特征工程方法，并通过具有一个或多个特征的分类器检测棘波，如线性判别分析lda、k近邻knn、随机森林rf和支持向量机svm。深度学习作为诸多领域的研究热点，与传统机器学习相比，在大数据驱动下的具有非线性映射的深度结构能够到更广义的样本特征。cnn模型已被一些研究人员用于癫痫棘波检测。
5.例如，专利申请号为cn202010404580.6的中国专利文献描述的一种基于多通道脑电信号的bects棘波检测方法，利用bp通道“针锋相对”现象提出候选棘波后提取特征，并采用随机森林分类模型进行棘波检测。专利申请号为cn202111279893.4的中国专利文献又描述了一种基于深度神经网络与cca特征融合的棘波检测方法，该棘波检测方法通过densenet121网络对频谱图提取2维深度特征，使用典型相关分析获得传统特征，采取相加的融合策略，结合随机森林分类算法，获得棘波分析结果。然而，上述方法在检测的准确性上仍然有局限性。
6.因此，设计一种能提高患者脑电图棘波识别率的头皮脑电图棘波检测方法及系统，就显得十分必要。

技术实现要素：

7.本发明是为了克服现有技术中，由于棘波的多样性和个体差异，现有脑电图的检测分析方法存在检测准确性差的问题，提供了一种能提高患者脑电图棘波识别率的头皮脑
电图棘波检测方法及系统。
8.为了达到上述发明目的，本发明采用以下技术方案：
9.头皮脑电图棘波检测方法，包括如下步骤：
10.s1，对采集的原始头皮脑电信号进行预处理操作；
11.s2，采用自适应模板匹配的方法检测候选棘波；
12.s3，在步骤s2检测到的候选棘波的峰值位置处，提取1s片段，同时从候选棘波中提取阳性样本和阴性样本，构成平衡数据集；
13.s4，利用构建好的平衡数据集，训练cnn网络模型；
14.s5，采用测试数据对训练好的cnn网络模型进行测试，并统计混淆矩阵的四个基本参数，对模型的识别性能进行衡量。
15.作为优选，步骤s1包括如下步骤：
16.s11，将原始头皮脑电信号通过0.016hz-70hz的5阶iir巴特沃斯滤波，去除伪迹；
17.s12，对滤波后的头皮脑电信号进行z-score标准化处理。
18.作为优选，步骤s2包括如下步骤：
19.s21，根据脑电信号棘波的形态特征，定义一个通用模板；
20.s22，设置窗口长度为200ms，对脑电信号进行通用模板匹配操作，得到候选棘波；
21.s23，采用k-means方法对候选棘波进行聚类，根据候选棘波的波形分成不同的簇；
22.s24，统计每个聚类簇中的候选棘波个数，如果数目小于总候选棘波数的4％，则剔除对应簇，同时计算剩下簇的质心，将质心作为新的模板；
23.s25，分别使用每个簇的质心作为模板进行新一轮的模板匹配过程，并对检测到的候选棘波求和，得到最终的检测结果。
24.作为优选，步骤s3包括如下步骤：
25.s31，在步骤s2检测到的候选棘波峰值位置处，按照峰值前300ms和后700ms的区间，提取1s片段；
26.s32，根据标记信息，从候选棘波中提取棘波片段作为阳性样本，剩余片段作为非棘波片段；随机从非棘波片段中选择特定数目作为阴性样本，构成平衡数据集；所述特定数目等于棘波数目。
27.作为优选，步骤s4包括如下步骤：
28.s41，搭建1d-cnn棘波检测模型，所述1d-cnn棘波检测模型包括1d卷积层、批归一化层、1d池化层和全连接层；
29.s42，将构建的平衡数据集馈送到1d-cnn棘波检测模型中进行训练；训练完成后，保存最佳1d-cnn棘波检测模型权重。
30.作为优选，步骤s5包括如下步骤：
31.s51，将测试数据输入训练好的cnn网络模型中，得到测试数据脑电信号片段的检测结果；
32.s52，统计混淆矩阵的四个基本参数，所述基本参数分别为真阳、真阴、假阳和假阴；
33.所述真阳为识别结果正确样本中含棘波的样本数量，所述真阴为识别结果正确样本中不含棘波的样本数量，所述假阳为识别结果错误样本中不含棘波的样本数量，所述假
阴为识别结果错误样本中含棘波的样本数量。
34.本发明还提供了头皮脑电图棘波检测系统，包括：
35.预处理模块，用于对采集的原始头皮脑电信号进行预处理操作；
36.自适应模板匹配模块，用于采用自适应模板匹配的方法检测候选棘波；
37.数据集构建模块，用于在检测到的候选棘波的峰值位置处，提取1s片段，同时从候选棘波中提取阳性样本和阴性样本，构成平衡数据集；
38.模型训练模块，用于利用构建好的平衡数据集，训练cnn网络模型；
39.模型测试模块，用于采用测试数据对训练好的cnn网络模型进行测试，并统计混淆矩阵的四个基本参数，对模型的识别性能进行衡量。
40.本发明与现有技术相比，有益效果是：(1)本发明提供了一种基于自适应模板匹配和卷积神经网络的棘波检测方法，为一种基于深度学习的分类模型；(2)本发明采用自适应模板匹配方法获得候选棘波，大大减少了样本数量，有效去除大量误检棘波；(3)本发明采用1d-cnn，与2d-cnn相比，包含的参数少了10-100倍，因此只需要相对较少的数据和训练时间，且训练速度快，模型泛化能力强，分类效果优于其他分类器。
附图说明
41.图1为本发明实施例提供的头皮脑电图棘波检测方法的一种流程图；
42.图2为本发明实施例提供的通用模板的一种示例图；
43.图3为本发明实施例提供的典型棘波和非棘波1s片段的一种示例图；
44.图4为本发明实施例提供的卷积神经网络模型的一种架构图。
具体实施方式
45.为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。
46.实施例：
47.如图1所示，本发明提供了头皮脑电图棘波检测方法，包括如下步骤：
48.步骤1，对输入的经过预标记的原始脑电信号进行预处理操作，所述的预标记为对原始脑电信号标记棘波和非棘波时间点；所述的预处理操作包括巴特沃斯带通滤波和标准化。
49.步骤2，对经过预处理后的脑电信号进行自适应模板匹配，首先根据患者脑电棘波大致形态确定通用模板进行通用模板匹配，接着对候选棘波进行时域聚类，将聚类的簇中心作为新的模板，进行模板匹配，得到所有可能的候选棘波。图2为通用模板匹配的示例图。
50.步骤3，根据候选棘波峰值点的位置，按照峰值前300ms，峰值后700ms，提取1s脑电图候选片段。图3为典型的棘波和非棘波1s片段示例图。从所有候选片段中提取棘波片段作为阳性样本，从剩余片段中随机选取与棘波数量相等的片段作为阴性样本，构建平衡数据集。
51.步骤4，根据平衡数据集，训练cnn网络模型。训练完成之后保存最佳模型权重。图4
为cnn模型架构图。
52.步骤5，采用测试数据对训练好的cnn网络模型进行测试，并统计混淆矩阵的四个基本参数，用于衡量模型的分类性能。
53.步骤1的具体实现如下：
54.s11，滤波去噪，使用带通滤波器去除基线漂移噪音，工频干扰噪音。本发明实施例中采用了0.016hz-70hz iir巴特沃斯滤波器进行滤波，通过滤波处理能够有效的去除eeg数据中的各种伪迹带来的干扰，从而进一步提高棘波自动检测的正确率。
55.s12，行标准化(z-score)处理，使得数据符合标准正态分布。
56.上述预处理手段为本领域内技术人员的基础技术手段，本发明中不再详细描述。
57.步骤2的具体实现如下：
58.s21，如图2所示，本发明实施例中，通用模板是由一个持续时间为60ms和振幅为200μv的三角形组成的棘波模板。
59.s22，如图2所示，本发明实施例中，用于进行模板匹配计算的窗口宽度为200ms。采用归一化互相关和形态特征作为棘波模板和待检测脑电片段相似程度的判断依据。按时间顺序对脑电信号进行通用模板匹配操作，得到候选棘波信号；
60.s23，使用标准的k-means算法将候选棘波信号进行聚类，根据波形差异划分为多个簇；
61.s24，统计每个聚类簇中的候选棘波个数，如果数目小于总候选棘波数的4％，则剔除该簇。最后计算剩下簇的质心，将质心作为新的模板；
62.s25，使用步骤s24获得的新模板进行新一轮的模板匹配过程。最后对检测到的所有候选棘波求和，得到最终的检测结果。
63.步骤3的具体实现如下：
64.根据获得的候选棘波位置，需要将数据进行分段，构建平衡数据集，方便后续模型的训练。
65.s31，如图3所示，本发明实施例中采取1s的时间间隔对其进行分段，即每个片段的时间长度为1000ms。本发明实施例中，根据候选棘波峰值点的位置，按照峰值前300ms，峰值后700ms，提取候选片段。
66.s32，从所有候选片段中提取棘波片段作为阳性样本，从剩余片段中随机选取与棘波数量相等的片段作为阴性样本，构建平衡数据集。
67.所述步骤4的具体实现如下：
68.棘波检测模型详细描述如下：
69.卷积神经网络是一种多层的前馈神经网络。网络的权值通过错误反向传播的过程进行更新。cnn的体系结构包含多个层：输入层、卷积层、池化层、全连接层和一个输出层。本发明应用反向传播算法对cnn进行了训练。通过这种方式，可以从输入层中提取低级和高级特征，从而发现数据潜在分布形式。目前该算法常用于图像处理，比如图像分类、分割，而且在声音识别等领域也被证明了其相对于传统算法更具有效性，具备更加精准的识别精度和更加高效的处理速度。
70.本发明中把基于1d的卷积神经网络应用到了eeg波形数据的棘波自动检测中，并通过滤波去噪、归一化等预处理方法，成功地应用到了棘波自动检测任务上，能够更加高
效、准确地进行棘波自动检测，为医生、患者提供有效的辅助信息。
71.本实施例中的具体实现了如下结构的棘波检测模型：
72.如图4所示是本发明实施例的基于深度学习的棘波检测模型，其利用1d卷积神经网络模型提取时间片段中的深度非线性特征，包括了1d卷积层、1d池化层、全连接层等的组合，其中1d卷积层、1d池化层的组合应用于特征的提取工作，全连接层应用于卷积层的最后。
73.本发明中卷积层的输出函数为relu。由于批归一化层可以逐层独立地对每个标量特征进行归一化，因此避免了梯度消失和梯度爆炸问题。且批归一化可以在训练期间产生更快的收敛，并且可以提高作为正则化技术的泛化性能。因此，使用批量归一化层，并将其放置在每个卷积层和后续的relu层之间。
74.棘波检测模型由1*1000*1的脑电数据作为输入，连接上三个卷积块。卷积块由激活函数为relu的1d卷积神经网络(conv1d)、批归一化(batch normalization)和池化层(maxpooling)组成。卷积块中，在conv1d和relu之间加入batch normalization，加速收敛。之后连接maxpooling，在保留主要特征的情况下，减少参数量，防止过拟合。三个卷积块之后连接一个dropout层，随机丢弃一定比例的训练参数，防止潜在的过拟合。然后，将数据压平(flatten)，展开成1维数据，后续再连接全连接(dense)层，增加非线性拟合能力，最后连接上输出(output)层，用于棘波的二分类。
75.输入数据：数据经过预处理后，每条数据记录中包含有1000个采样点(数据是以1000hz的采样频率进行记录的)。
76.一个卷积块由一个1d卷积层、batch normalization层、activation层和maxpooling层组成。
77.第一个卷积块中，1d卷积层(cnn)：定义了卷积核大小为3的滤波器(也称为特征检测器)。只有定义了一个滤波器，神经网络才能够学习到一个单一的特征。因此本发明定义8个滤波器。这样就在网络的第一层中训练得到8个不同的特性。第一个神经网络层的输出是一个1000*8的矩阵。batch normalization层：为了产生更快的收敛加速训练过程，在经过处理后，输出维度不变，还是1000*8的矩阵。activation层：增加数据的非线性表示能力，在经过处理后，输出维度不变，还是1000*8的矩阵。maxpooling层：为了减少输出的复杂度和防止数据的过拟合，在cnn层之后经常会使用池化层。在本发明实施例中选择了大小为2步长为2的池化层。这意味着这个层的输出矩阵的大小只有输入矩阵的二分之一，经过最大池化后，输出维度为500*8的矩阵。
78.第二个卷积块中，1d cnn层：上述经过cnn处理后的输出结果将被输入到第二个cnn层中。本发明将在这个网络层上定义16个卷积核大小为5滤波器进行训练。按照与第一个卷积块相同处理方式，经过maxpooling层后的输出矩阵的大小为250*16。
79.第三个卷积块中，1d cnn层：上述经过cnn处理后的输出结果将被输入到第三个cnn层中。本发明将在这个网络层上定义32个卷积核大小为7滤波器进行训练。与第一、二卷积块不同的是选了择大小为2步长为1的池化层，其余处理方式相同，输出矩阵的大小为250*32。
80.dropout层：为了防止数据过拟合的层，每次训练迭代时都会随机地为让网络中的神经元失效。本发明实施例中选择了0.5的比率，则50％的神经元将会失效，变成零权重。经
过dropout层输出维度不变，还是250*32的矩阵。
81.flatten层：将特征压平，展开为1维特征向量。输出矩阵的大小为1*8000。每个特征检测器在神经网络的这一层中只剩下一个权重。
82.全连接层(dense层):dense层使用激活函数为relu，用于增加非线性拟合能力，输出维度变为1*100的矩阵。
83.输出层：使用sigmoid激活的dense层,把特征向量长度为100的向量降为长度为1的向量，输出值将表示棘波出现的概率。
84.模型训练过程中采用的优化函数是sgd，学习率设置为1e-3，采用了二元交叉熵(binary_crossentropy)作为损失函数，训练的批量大小(batch size)为128。在训练过程中采取了早停技术(early stopping)，随着训练轮数增加，如果在验证集上发现误差上升，直到网络达到特定的耐心水平，则停止模型的训练，将停止之后的权重作为模型的最终参数，用于防止过拟合。在本发明实施例中，耐心水平的阈值被设置为20。其中网络中的参数更新则采取了梯度反向传播技术，为本领域内专业人士基础知识，已实现在开源的深度学习框架下，本技术内不再细致描述其细节。
85.模型训练完成后，将其模型参数及其网络结构完整保存下来，存为h5格式模型文件。
86.步骤5的具体实现如下：
87.当需要检测新的eeg测试数据的棘波时，需要对其进行预处理和数据分割操作。由于训练阶段保存了模型文件，在预测时，只需要加载其模型文件，得到该eeg测试数据中棘波的分类结果。其检测结果为0到1之间的数值，表达了该片段是否是棘波的概率，其输出结果1表示该片段包含棘波,而结果0表示该片段不存在棘波。最后，计算混淆矩阵所需四个参数真阳(true positive)、真阴(true negative)、假阳(false positive)和假阴(false negative)。
88.本发明还提供了头皮脑电图棘波检测系统，包括：
89.预处理模块，用于对采集的原始头皮脑电信号进行预处理操作；
90.自适应模板匹配模块，用于采用自适应模板匹配的方法检测候选棘波；
91.数据集构建模块，用于在检测到的候选棘波的峰值位置处，提取1s片段，同时从候选棘波中提取阳性样本和阴性样本，构成平衡数据集；
92.模型训练模块，用于利用构建好的平衡数据集，训练cnn网络模型；
93.模型测试模块，用于采用测试数据对训练好的cnn网络模型进行测试，并统计混淆矩阵的四个基本参数，对模型的识别性能进行衡量。
94.本发明提供了一种基于自适应模板匹配和卷积神经网络的棘波检测方法，为一种基于深度学习的分类模型；本发明采用自适应模板匹配方法获得候选棘波，大大减少了样本数量，有效去除大量误检棘波；本发明采用1d-cnn，与2d-cnn相比，包含的参数少了10-100倍，因此只需要相对较少的数据和训练时间，且训练速度快，模型泛化能力强，分类效果优于其他分类器。
95.以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

技术特征：

1.头皮脑电图棘波检测方法，其特征在于，包括如下步骤：s1，对采集的原始头皮脑电信号进行预处理操作；s2，采用自适应模板匹配的方法检测候选棘波；s3，在步骤s2检测到的候选棘波的峰值位置处，提取1s片段，同时从候选棘波中提取阳性样本和阴性样本，构成平衡数据集；s4，利用构建好的平衡数据集，训练cnn网络模型；s5，采用测试数据对训练好的cnn网络模型进行测试，并统计混淆矩阵的四个基本参数，对模型的识别性能进行衡量。2.根据权利要求1所述的头皮脑电图棘波检测方法，其特征在于，步骤s1包括如下步骤：s11，将原始头皮脑电信号通过0.016hz-70hz的5阶iir巴特沃斯滤波，去除伪迹；s12，对滤波后的头皮脑电信号进行z-score标准化处理。3.根据权利要求1所述的头皮脑电图棘波检测方法，其特征在于，步骤s2包括如下步骤：s21，根据脑电信号棘波的形态特征，定义一个通用模板；s22，设置窗口长度为200ms，对脑电信号进行通用模板匹配操作，得到候选棘波；s23，采用k-means方法对候选棘波进行聚类，根据候选棘波的波形分成不同的簇；s24，统计每个聚类簇中的候选棘波个数，如果数目小于总候选棘波数的4％，则剔除对应簇，同时计算剩下簇的质心，将质心作为新的模板；s25，分别使用每个簇的质心作为模板进行新一轮的模板匹配过程，并对检测到的候选棘波求和，得到最终的检测结果。4.根据权利要求1所述的头皮脑电图棘波检测方法，其特征在于，步骤s3包括如下步骤：s31，在步骤s2检测到的候选棘波峰值位置处，按照峰值前300ms和后700ms的区间，提取1s片段；s32，根据标记信息，从候选棘波中提取棘波片段作为阳性样本，剩余片段作为非棘波片段；随机从非棘波片段中选择特定数目作为阴性样本，构成平衡数据集；所述特定数目等于棘波数目。5.根据权利要求1所述的头皮脑电图棘波检测方法，其特征在于，步骤s4包括如下步骤：s41，搭建1d-cnn棘波检测模型，所述1d-cnn棘波检测模型包括1d卷积层、批归一化层、1d池化层和全连接层；s42，将构建的平衡数据集馈送到1d-cnn棘波检测模型中进行训练；训练完成后，保存最佳1d-cnn棘波检测模型权重。6.根据权利要求1所述的头皮脑电图棘波检测方法，其特征在于，步骤s5包括如下步骤：s51，将测试数据输入训练好的cnn网络模型中，得到测试数据脑电信号片段的检测结果；s52，统计混淆矩阵的四个基本参数，所述基本参数分别为真阳、真阴、假阳和假阴；
所述真阳为识别结果正确样本中含棘波的样本数量，所述真阴为识别结果正确样本中不含棘波的样本数量，所述假阳为识别结果错误样本中不含棘波的样本数量，所述假阴为识别结果错误样本中含棘波的样本数量。7.头皮脑电图棘波检测系统，其特征在于，包括：预处理模块，用于对采集的原始头皮脑电信号进行预处理操作；自适应模板匹配模块，用于采用自适应模板匹配的方法检测候选棘波；数据集构建模块，用于在检测到的候选棘波的峰值位置处，提取1s片段，同时从候选棘波中提取阳性样本和阴性样本，构成平衡数据集；模型训练模块，用于利用构建好的平衡数据集，训练cnn网络模型；模型测试模块，用于采用测试数据对训练好的cnn网络模型进行测试，并统计混淆矩阵的四个基本参数，对模型的识别性能进行衡量。

技术总结

本发明属于脑电信号处理技术领域，具体涉及头皮脑电图棘波检测方法及系统。方法包括如下步骤：S1，对采集的原始头皮脑电信号进行预处理操作；S2，采用自适应模板匹配的方法检测候选棘波；S3，在步骤S2检测到的候选棘波的峰值位置处，提取1s片段，同时从候选棘波中提取阳性样本和阴性样本，构成平衡数据集；S4，利用构建好的平衡数据集，训练CNN网络模型；S5，采用测试数据对训练好的CNN网络模型进行测试，并统计混淆矩阵的四个基本参数，对模型的识别性能进行衡量。本发明具有能提高患者脑电图棘波识别率的特点。波识别率的特点。波识别率的特点。