本发明专利技术公开了一种基于约登指数优化棘波检测方法及装置、存储介质和终端，其中方法包括：获取待检测脑电信号数据集；对脑电信号进行去噪处理；提取预设形态学特征，并通过阈值法获取假定棘波集；对假定棘波进行聚类处理，并计算每类棘波集群的质心以作为匹配模板，基于匹配模板对对应初始脑电信号进行模板匹配分析获取候选棘波，将所有候选棘波进行合并获取候选棘波集；提取候选棘波的预设特征参数，通过约登指数数据驱动方法计算最佳特征阈值，基于最佳特征阈值对所有候选棘波进行筛选，最终所有保留的候选棘波即为棘波检测结果。本发明专利技术灵敏较高，尽可能降低棘波形态漏检可能，具有足够的特异性。有足够的特异性。有足够的特异性。
【技术实现步骤摘要】
基于约登指数优化棘波检测方法和装置、存储介质和终端
[0001]本专利技术涉及棘波检测
，尤其涉及一种基于形态特征提取的棘波检测方法和装置、存储介质和终端。
技术介绍
[0002]癫痫是一种因大脑神经元电活动紊乱，对神经系统产生持久性损害的疾病，具有长期、反复和累积等特征。多种因素可影响癫痫患者的生活质量，例如疾病本身、癫痫活动、抗癫痫药物、医疗保健、遗传、心理、社会及家庭等，导致多数癫痫患者在认知、心理、精神、社会行为和睡眠等方面受到不同程度的影响，使得患者生活质量下降，进而给家庭带来严重的经济及精神负担。
[0003]癫痫日常诊治困难，其发作不可预知且难以被发现，甚至部分患者终身都难以彻底控制发作，并且部分“假性发作”患者也可能出现运动性发作的症状，因此导致临床上存在真假难辨的问题。脑电图(Electroencephalogram,EEG)是诊断和治疗癫痫的重要手段，它提供了高时间分辨率的连续的脑功能监测。而棘波是由癫痫病灶产生并传播到头皮的皮层放电引起的最基本的阵发性脑电图活动。棘波的存在与癫痫发作的发生有着重要的关系，为癫痫发作的检测提供了重要的标志物。
[0004]棘波检测算法已受到神经生理学领域的广泛关注。目前主要的检测算法有模板匹配分析、小波分析、功率谱分析和独立成分分析。近年来，机器学习技术如卷积神经网络(CNN)和循环神经网络(RNN)以及统计框架在癫痫棘波和非棘波分类方面表现良好。目前有许多棘波检测算法结合了多种方法，以提高检测性能。然而，患者之间甚至患者本身的棘波形态和背景都有很大差异，目前基于以往研究的棘波检测方法灵敏度较低，一些常见的棘波形态类型存在漏检测的可能。此外，目前的检测方法缺乏足够的特异性。
技术实现思路
[0005]本专利技术所要解决的技术问题是现有棘波检测算法灵敏较低，对一些常见的棘波形态存在漏检可能，且缺乏足够的特异性。
[0006]为了解决上述技术问题，本专利技术提供了一种基于约登指数优化的棘波检测方法，包括：
[0007]获取待检测脑电信号数据集；
[0008]对所述待检测脑电信号数据集中的脑电信号进行去噪处理，得到初始脑电信号数据集；
[0009]分别提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征，并将所述初步脑电信号数据集中所述预设形态学特征大于预设特征阈值的初始脑电信号作为假定棘波，得到假定棘波集；
[0010]对所述假定棘波集进行聚类处理获取多类棘波集群，获取每类棘波集群的质心并将所述质心作为对应类棘波集群的匹配模板，分别基于所述匹配模板对对应所述初始脑电
信号进行模板匹配分析获取候选棘波，并将所有候选棘波进行合并获取候选棘波集；
[0011]分别提取所述候选棘波集中所述候选棘波的预设特征参数，基于所有所述候选棘波的预设特征参数，通过约登指数数据驱动方法计算所述预设特征参数的最佳特征阈值，基于所述最佳特征阈值对所述候选棘波集中的候选棘波进行筛选，保留所述预设特征参数大于所述最佳特征阈值的候选棘波，最终所有保留的候选棘波即为棘波检测结果。
[0012]优选地，所述待检测脑电信号数据集中的待检测脑电信号是通过国际10
‑
20电极放置系统采集的数据。
[0013]优选地，对所述待检测脑电信号数据集中的脑电信号进行去噪处理包括：
[0014]通过小波去噪技术滤除所述待检测脑电信号中的高斯白噪声、肌电信号和眼电信号，得到基础脑电信号；
[0015]通过集成经验模态分解法滤除所述基础脑电信号中的电源工频干扰和基线漂移噪声，得到初始脑电信号。
[0016]优选地，提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征时，以预设持续时间为提取片段提取所述初始脑电信号的预设形态学特征；其中所述预设持续时间设置范围为140
‑
150ms。
[0017]优选地，所述预设形态学特征包括最大电压值、最小电压值、上升支斜率和下降支斜率；所述预设形态学特征大于预设特征阈值即为：所述最大电压值大于预设最大电压阈值，所述最小电压值大于预设最小电压阈值，所述上升支斜率大于预设上升支斜率阈值，所述下降支斜率大于预设下降支斜率阈值。
[0018]优选地，对所述假定棘波集进行聚类处理的聚类方法为K
‑
means聚类算法，所述质心计算方式为：取该类别中所有假定棘波各自维度的算术平均数。
[0019]优选地，所述预设特征参数包括非线性能量算子、峰度、偏度、持续时间和振幅；所述最佳特征阈值包括最佳非线性能量算子阈值、最佳峰度阈值、最佳偏度阈值、最佳持续时间阈值和最佳振幅阈值；所述预设特征参数大于所述最佳特征阈值即为：所述非线性能量算子大于最佳非线性能量算子阈值，所述峰度大于最佳峰度阈值，所述偏度大于最佳偏度阈值，所述持续时间大于最佳持续时间阈值，所述振幅大于最佳振幅阈值。
[0020]为了解决上述技术问题，本专利技术还提供了一种基于约登指数优化的棘波检测装置，包括数据获取模块、去噪模块、假定棘波获取模块、候选棘波获取模块和棘波检测结果获取模块；
[0021]所述数据获取模块，用于获取待检测脑电信号数据集；
[0022]所述去噪模块，用于对所述待检测脑电信号数据集中的脑电信号进行去噪处理，得到初始脑电信号数据集；
[0023]所述假定棘波获取模块，用于分别提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征，并将所述初步脑电信号数据集中所述预设形态学特征大于预设特征阈值的初始脑电信号作为假定棘波，得到假定棘波集；
[0024]所述候选棘波获取模块，对所述假定棘波集进行聚类处理获取多类棘波集群，获取每类棘波集群的质心并将所述质心作为对应类棘波集群的匹配模板，分别基于所述匹配模板对对应所述初始脑电信号进行模板匹配分析获取候选棘波，并将所有候选棘波进行合并获取候选棘波集；
[0025]所述棘波检测结果获取模块，用于分别提取所述候选棘波集中所述候选棘波的预设特征参数，基于所有所述候选棘波的预设特征参数，通过约登指数数据驱动方法计算所述预设特征参数的最佳特征阈值，基于所述最佳特征阈值对所述候选棘波集中的候选棘波进行筛选，保留所述预设特征参数大于所述最佳特征阈值的候选棘波，最终所有保留的候选棘波即为棘波检测结果
[0026]为了解决上述技术问题，本专利技术还提供了一种存储介质，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基于约登指数优化的棘波检测方法。
[0027]为了解决上述技术问题，本专利技术还提供了一种终端，其特征在于，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；
[0028]所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行基于约登指数优化的棘波检测方法。
[0029]与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
[0030]应用本专利技术实施例提供的基于约登指数优化本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于约登指数优化的棘波检测方法，包括：获取待检测脑电信号数据集；对所述待检测脑电信号数据集中的脑电信号进行去噪处理，得到初始脑电信号数据集；分别提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征，并将所述初步脑电信号数据集中所述预设形态学特征大于预设特征阈值的初始脑电信号作为假定棘波，得到假定棘波集；对所述假定棘波集进行聚类处理获取多类棘波集群，获取每类棘波集群的质心并将所述质心作为对应类棘波集群的匹配模板，分别基于所述匹配模板对对应所述初始脑电信号进行模板匹配分析获取候选棘波，并将所有候选棘波进行合并获取候选棘波集；分别提取所述候选棘波集中所述候选棘波的预设特征参数，基于所有所述候选棘波的预设特征参数，通过约登指数数据驱动方法计算所述预设特征参数的最佳特征阈值，基于所述最佳特征阈值对所述候选棘波集中的候选棘波进行筛选，保留所述预设特征参数大于所述最佳特征阈值的候选棘波，最终所有保留的候选棘波即为棘波检测结果。2.根据权利要求1所述的方法，其特征在于，所述待检测脑电信号数据集中的待检测脑电信号是通过国际10
‑
20电极放置系统采集的数据。3.根据权利要求1所述的方法，其特征在于，对所述待检测脑电信号数据集中的脑电信号进行去噪处理包括：通过小波去噪技术滤除所述待检测脑电信号中的高斯白噪声、肌电信号和眼电信号，得到基础脑电信号；通过集成经验模态分解法滤除所述基础脑电信号中的电源工频干扰和基线漂移噪声，得到初始脑电信号。4.根据权利要求1所述的方法，其特征在于，提取所述初始脑电信号数据集中初始脑电信号的预设形态学特征时，以预设持续时间为提取片段提取所述初始脑电信号的预设形态学特征；其中所述预设持续时间设置范围为140
‑
150ms。5.根据权利要求4所述的方法，其特征在于，所述预设形态学特征包括最大电压值、最小电压值、上升支斜率和下降支斜率；所述预设形态学特征大于预设特征阈值即为：所述最大电压值大于预设最大电压阈值，所述最小电压值大于预设最小电压阈值，所述上升支斜率大于预设上升支斜率阈值，所述下降支斜率大于预设下降支斜率阈值。6.根据权利要求1所述的方法，其特征在于，对所述假定棘波集进行聚类处理的聚类方法为K
‑
m...
【专利技术属性】
技术研发人员：戴珅懿，刘俊飙，吴端坡，李艳，
申请(专利权)人：杭州妞诺霄云大数据科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。