用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统技术方案

本发明专利技术为用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统，该检测系统包括脑电信号采集部分和用于癫痫灶定位的SEEG高频振荡信号自动检测平台；所述脑电信号采集部分用于采集脑电信号并将数据导入SEEG高频振荡信号自动检测平台；SEEG高频振荡信号自动检测平台能够通过深度学习算法判定片段是否含HFOs，输入深度学习算法前要对片段位置进行记录，深度学习算法输出后能记录判定为HFOs片段的片段位置，并将该位置进行突出显示。可以帮助医护人员快速寻找出癫痫患者的SEEG中高频振荡信号出现的位置，将枯燥、耗时、主观性强的工作交于计算机去完成，为下一阶段癫痫灶的定位做准备。备。备。

【技术实现步骤摘要】
用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统


[0001]本专利技术涉及癫痫灶定位技术与深度学习技术，特别是一种用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统。

技术介绍

[0002]癫痫是由大脑神经元异常放电而导致的大脑功能障碍，是一种全世界范围内影响广泛的神经系统疾病。癫痫发作的症状为：四肢抽搐、身体僵直、口吐白沫、神智昏迷等，较为严重时也会有咬伤唇舌的可能，部分重症患者还会表现出认知障碍和智力下降的症状。癫痫发作不受时间、地点与自我控制，因此癫痫患者为了保障生命安全必须远离某些活动，如驾驶、游泳等。癫痫患者在工作与生活中也容易受到歧视，给患者造成精神上的伤害。根据癫痫的病因及分类，合理规范的抗癫痫药物治疗可以使70％的患者癫痫发作得以控制，然而仍有30％的癫痫患者药物治疗效果不佳，成为药物难治性癫痫，需进行致痫灶切除手术，因此，致痫灶的准确定位对患者来说十分重要。
[0003]脑电信号中的高频振荡信号(high frequency oscillations，HFOs)是指频率在80～500Hz的所有生理性和病理性振荡活动。近年来，研究发现脑电信号中的HFOs可以作为致痫灶的可靠标志物，病理性HFOs通常起源于致痫灶附近，在发作前期、发作间期与发作期均有很高的出现率，可指导手术切除致痫灶范围。然而，现阶段HFOs的寻找大多靠人工来完成，这需要经验丰富的医生逐帧观察记录患者多天的脑电数据，这是一项耗时、枯燥且主观性较强的工作，使用计算机代替人工去完成这项工作已经成为临床医生的迫切需求。
[0004]虽然目前已经有很多算法用于癫痫灶的定位，但准确率仍然较低，同时无法单纯地依靠HFOs的数量判断癫痫灶的位置。因为可信度低，所以无法用于临床指导医生进行癫痫灶切除手术，临床中仍然需要经验丰富的医生综合多种手段确定癫痫灶，而医生迫切需要的，其实是一个能够快速帮助医生找到HFOs位置的系统，方便医生对该信号片段进行查看和分析，辅助医生进行癫痫灶定位，而不是完全代替医生做出决策。

技术实现思路

[0005]针对以上需求和科技发展现状，本专利技术拟解决的技术问题是，提供一种用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统。该系统能实现对用于癫痫灶定位的SEEG(立体定向脑电图(stereo electroencephalography))高频振荡信号的自动检测，其目的是代替医生进行SEEG中HFOs的查找，辅助进行癫痫灶的定位。
[0006]本专利技术解决所述技术问题采用的技术方案是：
[0007]一种用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统，该检测系统包括脑电信号采集部分和用于癫痫灶定位的SEEG高频振荡信号自动检测平台；所述脑电信号采集部分任务是采集脑电信号并将数据导入SEEG高频振荡信号自动检测平台；
[0008]SEEG高频振荡信号自动检测平台能够通过深度学习算法判定片段是否含HFOs，输入深度学习算法前要对片段位置进行记录，深度学习算法输出后能记录判定为HFOs片段的
片段位置，并将该位置进行突出显示。
[0009]SEEG高频振荡信号自动检测平台还能够对整个输入数据中各通道信号片段中属于HFOs片段的数量进行统计，并根据统计的数量大小和相应的颜色阈值进行比较，使其显示不同的颜色。
[0010]为防止界面卡顿，提高用户体验，SEEG高频振荡信号自动检测平台将用户界面和后台处理程序分为两个线程。所述用户界面提供用户交互，方便用户下达指令和查看处理结果，包括原始信号与滤波信号的显示、HFOs片段位置与各通道HFOs片段数量的显示、功率谱显示、时频图显示；所述后台处理程序接收用户指令，将计算结果返回用户界面进行显示，包括EDF文件读取程序、FIR滤波程序、功率谱计算程序、小波变换程序、HFOs检测程序；其中EDF文件读取程序用以提取EDF文件中的脑电信号时间
‑
幅值数据、采样频率、通道数、事件等有用信息；FIR滤波程序使用带通滤波器去除脑电信号中指定频率范围之外的频率分量影响；功率谱计算程序将信号幅度随时间变化的时域特征转化为功率随频率变化的频域特征，方便用户分析脑电信号的频域信息；小波变换程序可以计算出在脑电信号的每个时间点包含哪些频率成分，方便用户分析脑电信号的时频信息；HFOs检测程序调用已经训练完成的深度学习模型进行HFOs片段与普通信号片段的判断。
[0011]主线程负责与用户的交互，进行高频振荡信号检测结果的呈现、脑电分析方法的选择和分析结果的呈现；子线程负责调用深度学习模型对SEEG中的高频振荡信号进行检测、接收主线程指令和调用数据分析算法对SEEG数据进行处理并将结果返回到主线程。
[0012]与现有技术相比，本专利技术的有益效果是：
[0013]本专利技术SEEG高频振荡信号自动检测平台会标记出所有HFOs片段，代替医生完成HFOs查找的工作，帮助医生快速锁定HFOs出现的位置，并辅助医生对这些信号进行进一步分析，解决了人工进行HFOs查找时面临的耗时、主观性强、经验导向的问题，可以使医护人员脱离枯燥、重复的工作，实现脑电图高效、客观、自动化的HFOs检测。
[0014]本专利技术SEEG高频振荡信号自动检测平台会显示出所有通道信号的时序图，并用红色背景标记出HFOs片段出现的位置，用户可以通过右键拖拽选择框方便快捷地对任意位置、任意大小的信号片段进行时频分析或功率谱密度计算。此外，该平台还提供滤波、各通道HFOs片段数量统计等功能，方便与用户对信号进行分析和对可能是癫痫灶的通道进行提示。
[0015]本专利技术系统用深度学习技术判断信号片段是否是HFOs片段，进而记录HFOs片段出现的位置，标记HFOs片段，能快速锁定HFOs出现的位置，辅助医生对该信号片段进行查看和进一步分析，并最终根据医生自己的判断定位癫痫灶的位置。SEEG是一种微创性检测技术，常用于癫痫灶定位检查技术，通过置于脑实质表面和深部的电极，对癫痫放电的起源、传播形式进行记录，从时间上与空间上对癫痫灶进行定位评估，具有微创、精确、可检测范围广、减少功能区损伤、减小病人痛苦等优点。
附图说明
[0016]图1为本专利技术用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统结构示意图；
[0017]图2为脑电采集手术流程图；
[0018]图3为本专利技术的主要功能模块；
[0019]图4为本专利技术主线程流程图；
[0020]图5为本专利技术主线程中其他指令程序功能图；
[0021]图6为本专利技术子线程流程图；
[0022]图7为本专利技术一种实施例的深度学习模型的网络结构图；
[0023]图8为本专利技术脑电图绘制界面展示图；
[0024]图9为本专利技术数据分析结果展示图；
[0025]图10为本专利技术各通道HFOs片段数量统计界面展示图；
[0026]图中：
[0027]1、脑电信号采集部分；2、SEEG高频振荡信号自动检测平台；3、主线程；4、子线程；5、术前评估；6、制定电极计划本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统，该检测系统包括脑电信号采集部分和用于癫痫灶定位的SEEG高频振荡信号自动检测平台；所述脑电信号采集部分用于采集脑电信号并将数据导入SEEG高频振荡信号自动检测平台；SEEG高频振荡信号自动检测平台能够通过深度学习算法判定片段是否含HFOs，输入深度学习算法前要对片段位置进行记录，深度学习算法输出后能记录判定为HFOs片段的片段位置，并将该位置进行突出显示。2.根据权利要求1所述的检测系统，其特征在于，SEEG高频振荡信号自动检测平台还能够对整个输入数据中各通道信号片段中属于HFOs片段的数量进行统计，并根据统计的数量大小和相应的颜色阈值进行比较，使其显示不同的颜色。3.根据权利要求2所述的检测系统，其特征在于，统计所有通道中HFOs片段数量的最大值，对于HFOs片段数量高于2/3最大值的通道，在HFOs片段数量显示框处设置红色背景，对于HFOs片段数量在1/3～2/3最大值的通道，在HFOs片段数量显示框处设置黄色背景，方便用户迅速查找有用通道。4.根据权利要求1所述的检测系统，其特征在于，SEEG高频振荡信号自动检测平台将用户界面和后台处理程序分为两个线程，所述用户界面提供用户交互，方便用户下达指令和查看处理结果，包括原始信号与滤波信号的显示、HFOs片段位置与各通道HFOs片段数量的显示、功率谱显示、时频图显示；所述后台处理程序接收用户指令，将计算结果返回用户界面进行显示，包括EDF文件读取程序、FIR滤波程序、功率谱计算程序、小波变换程序、HFOs检测程序；其中EDF文件读取程序用以提取脑电信号采集部分传来的EDF文件中关于脑电的有用信息，有用信息包括：脑电信号时间
‑
幅值数据、采样频率、通道数、原始信号数据；FIR滤波程序使用带通滤波器去除脑电信号中指定频率范围之外的频率分量影响；功率谱计算程序将信号幅度随时间变化的时域特征转化为功率随频率变化的频域特征，方便用户分析脑电信号的频域信息；小波变换程序用于计算出在脑电信号的每个时间点包含哪些频率成分，方便用户分析脑电信号的时频信息；HFOs检测程序调用已经训练完成的深度学习模型进行HFOs片段与普通信号片段的判断。5.根据权利要求4所述的检测系统，其特征在于，所述深度学习模型的网络结构为：输入信号为400x2的二维脑电信号，其中第一维为使用滤波范围为80
‑
500Hz的带通滤波器滤波后的脑电信号，第二维为使用滤波范围为0
‑
80Hz的低通滤波器滤波后的脑电信号，根据两种信号的特点，采用不同的特征提取方式；其中第一维的脑电信号先使用1x1卷积核进行卷积，卷积核数量为8个，对数据进行升维，接着采用1x3与1x5的空洞卷积扩大感受野，之后经过池化层、卷积层、池化层完成第一维脑电信号中特征的初步提取；第二维的脑电信号经过两次卷积与池化完成其特征的初步提取；之后，将两个维度提取的特征融合到全连接层，之后再经过两个全连接层，最后由输出层输出该脑电信号片段是普通信号片段还是HFOs片段；其中使用Leaky ReLU函数作为神经元的激活函数，在全连接层中都使用dropout规则，最后一层输出层是Softmax层。6.根据权利要求1所述的检测系统，其特征在于，所述SEEG高频振荡信号自动检测平台内部调用深度学习模型进行HFOs自动检测，调用MNE
‑
Python工具库中的函数进行滤波、小波变换处理，由主线程控制用户界面的显示，负责与用户的交互，进行高频振荡信号检测结
果的呈现、脑电分析方法的选择和分析结果的呈现，由子线程运行后台处理程序，根据主程序发送的任务进行相应计算，并把计算结果发送到主线程。7...

【专利技术属性】
技术研发人员：伊国胜，张文普，庄伟林，蔡立辉，
申请(专利权)人：天津大学，
类型：发明
国别省市：