癫痫检测方法和装置制造方法及图纸

本申请实施例提供一种癫痫检测方法和装置，涉及终端技术领域，方法包括：获取第一数据；从加速度计数据中提取第一运动幅度特征数据以及深度特征数据；从加速度计数据中提取第二运动幅度特征数据；将第一运动幅度特征数据和深度特征数据输入至第一神经网络模型，得到跌倒检测结果；将第二运动幅度特征数据输入至第二神经网络模型，得到抽搐检测结果；当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时，确定第一数据对应的状态为癫痫发作状态。这样，终端设备可以基于用户的跌倒、抽搐或肌肉僵硬等状态识别用户是否处于癫痫发作状态，可以实现对于癫痫检测的准确性和实时性。性。性。

【技术实现步骤摘要】
癫痫检测方法和装置


[0001]本申请涉及终端
，尤其涉及一种癫痫检测方法和装置。

技术介绍

[0002]癫痫是一种脑部慢性非传染性疾病，该病的特点是反复发作。当癫痫发作时，身体的某一部位或整个身体可以短暂的进行非自主性抽搐(或称为部分性发作或全身性发作)，有时癫痫发作也伴随着用户的意识丧失或尿便失禁等情况，目前癫痫已经影响到了全球大约5000万人。因此，癫痫的检测具有较为重要的意义。
[0003]通常情况下，可以利用专业的检测设备，如脑电图设备等，检测癫痫患者的大脑神经元的异常放电情况，进而确定癫痫患者是否处于癫痫发作状态。
[0004]然而，由于癫痫的反复性和突发性，上述癫痫的检测方法，无法实现癫痫患者的发病情况的实时检测。

技术实现思路

[0005]本申请实施例提供一种癫痫检测方法和装置，可以实现癫痫的实时检测。
[0006]第一方面，本申请实施例提供一种癫痫检测方法，终端设备包括加速度传感器和电感传感器，方法包括：终端设备获取第一数据；第一数据包括加速度计数据和电信号数据；加速度计数据是加速度传感器采集的，电信号数据是电感传感器采集的；终端设备从加速度计数据中提取第一运动幅度特征数据以及深度特征数据；第一运动幅度特征数据为用于跌倒检测的数据；终端设备从加速度计数据中提取第二运动幅度特征数据；第二运动幅度特征数据为用于抽搐检测的数据；终端设备将第一运动幅度特征数据和深度特征数据输入至第一神经网络模型，得到跌倒检测结果；终端设备将第二运动幅度特征数据输入至第二神经网络模型，得到抽搐检测结果；第一运动幅度大于第二运动幅度；当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时，终端设备确定第一数据对应的状态为癫痫发作状态；肌肉僵硬检测结果为基于电信号数据的检测得到的；或者，当跌倒检测结果不满足第一预设条件、抽搐检测结果不满足第二预设条件、和/或肌肉僵硬检测结果不满足第三预设条件时，终端设备确定第一数据对应的状态为非癫痫发作状态。这样，终端设备可以基于用户的发病特征，例如跌倒、抽搐或肌肉僵硬等状态识别用户是否处于癫痫发作状态，可以实现对于癫痫检测的准确性和实时性。
[0007]其中，第一运动幅度特征数据可以为本申请实施例中描述的跌倒检测方法中的传统特征，深度特征数据可以为本申请实施例中描述的跌倒检测方法中的深度特征，第一神经网络模型可以为本申请实施例中描述的跌倒检测模型；第二运动幅度特征数据可以为本申请实施例中描述的抽搐检测方法中的传统特征，第二神经网络模型可以为本申请实施例中描述的抽搐检测模型；第一预设条件可以为跌倒检测结果中指示第一数据对应的状态满足跌倒状态，第二预设条件可以为抽搐检测结果中指示第一数据对应的状态满足抽搐状
态，第三预设条件可以为当该电信号数据的变化率超过变化率阈值，则肌肉僵硬检测结果中指示第一数据对应的状态为肌肉僵硬状态；第一运动幅度可以理解为跌倒检测状态的运动幅度；第二运动幅度可以理解为抽搐检测状态的运动幅度。
[0008]在一种可能的实现方式中，深度特征数据为终端设备利用第三神经网络模型，对加速度计数据进行深度特征提取得到的。这样，对加速度计数据的进行深度特征提取，可以利用深度特征实现对于跌倒状态的精准识别。
[0009]其中，第三神经网络模型可以为本申请实施例中描述的跌倒检测方法中的卷积神经网络模型。
[0010]在一种可能的实现方式中，第三神经网络模型为终端设备基于加速度计样本数据训练得到的，第三神经网络模型中包括输入模块、深度卷积模块、点卷积模块和输出模块，深度卷积模块中包括核为3*3的卷积计算层、第一归一化层以及第一拉伸至同一纬度层，点卷积模块中包括核为1*1的卷积计算层、第二归一化层以及第二拉伸至同一纬度层。
[0011]在一种可能的实现方式中，第一运动幅度特征数据包括以下至少一项：加速度强度矢量SMV，SMV最大值，SMV最小值、SMV最大值与最小的差值，FFT特征向量，加速度变化速率，SMV平均值，加速度方差，x轴的加速度均值，y轴的加速度均值或z轴的加速度均值。
[0012]在一种可能的实现方式中，第二运动幅度特征数据包括以下至少一项：SMV平均值，加速度方差，平均偏差，x轴最大加速度计数据与最小加速度计数据的差值，y轴最大加速度计数据与最小加速度计数据的差值，或z轴最大加速度计数据与最小加速度计数据的差值。
[0013]在一种可能的实现方式中，第一神经网络模型为基于加速度计样本数据对应的运动幅度特征样本数据，以及加速度计数据对应的深度特征样本数据训练得到的，第一神经网络模型为四层全连接的神经网络模型，第一神经网络模型中包括输入层、第一隐含层、第二隐含层和输出层；输入层的节点中包含第一运动幅度特征数据对应的节点数以及深度特征数据对应的节点数。
[0014]其中，该加速度计样本数据对应的运动幅度特征样本数据可以为本申请实施例中描述的跌倒检测方法中的加速度计数据的传统特征样本数据；该加速度计数据对应的深度特征样本数据可以为本申请实施例中描述的跌倒检测方法中的加速度计数据的深度特征样本数据。
[0015]在一种可能的实现方式中，输入层的节点数为45，第一运动幅度特征数据对应的节点数为10，深度特征数据对应的节点数为35，输出层的节点数为2。
[0016]在一种可能的实现方式中，终端设备从加速度计数据中提取第二运动幅度特征数据，包括：终端设备利用均值滤波对加速度计数据进行滤波处理，得到滤波处理后的数据；终端设备确定滤波处理后的数据是否满足第一状态、第二状态和/或第三状态；第一状态为滤波处理后的数据中的相邻加速度计数据的差值为0的状态，第二状态为滤波处理后的数据中的相邻加速度计数据的差值满足第一差值范围的状态；第三状态为滤波处理后的数据中的相邻加速度计数据的差值满足第二差值范围的状态；当终端设备确定滤波处理后的数据不满足第一状态、第二状态和/或第三状态时，终端设备从滤波处理后的数据中提取第二运动幅度特征数据。这样，终端设备可以通过对于当前运动状态的判断，避免静止状态、走或跑状态和/或相位微动状态对于抽搐检测的影响，进而提高终端设备对于抽搐检测的准
确性。
[0017]其中，第一状态可以为本申请实施例中描述的静止状态，第二状态可以为本申请实施例中描述的走或跑状态，第三状态可以为本申请实施例中描述的相位微动状态；第一差值范围可以大于第二差值范围。
[0018]在一种可能的实现方式中，终端设备从加速度计数据中提取第一运动幅度特征数据以及深度特征数据，包括：终端设备利用滤波器对加速度计数据进行滤波处理，得到滤波处理后的数据；终端设备对滤波处理后的数据进行降采样处理，得到降采样处理后的数据；终端设备从降采样处理后的数据中提取第一运动幅度特征数据以及深度特征数据。这样，上述处理过程可以去除数据中的噪声影响，并降低上述数据在后续模型中的内存的占用。
[0019]在一种可能的实现方式中，滤波器为窗长为L1，幅值为的滤波器，滤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种癫痫检测方法，其特征在于，终端设备包括加速度传感器和电感传感器，所述方法包括：所述终端设备获取第一数据；所述第一数据包括加速度计数据和电信号数据；所述加速度计数据是所述加速度传感器采集的，所述电信号数据是所述电感传感器采集的；所述终端设备从所述加速度计数据中提取第一运动幅度特征数据以及深度特征数据；所述第一运动幅度特征数据为用于跌倒检测的数据；所述终端设备从所述加速度计数据中提取第二运动幅度特征数据；所述第二运动幅度特征数据为用于抽搐检测的数据；所述终端设备将所述第一运动幅度特征数据和所述深度特征数据输入至第一神经网络模型，得到跌倒检测结果；所述终端设备将所述第二运动幅度特征数据输入至第二神经网络模型，得到抽搐检测结果；所述第一运动幅度大于所述第二运动幅度；当所述跌倒检测结果满足第一预设条件、所述抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时，所述终端设备确定所述第一数据对应的状态为癫痫发作状态；所述肌肉僵硬检测结果为基于所述电信号数据的检测得到的；或者，当所述跌倒检测结果不满足所述第一预设条件、所述抽搐检测结果不满足所述第二预设条件、和/或所述肌肉僵硬检测结果不满足所述第三预设条件时，所述终端设备确定所述第一数据对应的状态为非癫痫发作状态。2.根据权利要求1所述的方法，其特征在于，所述深度特征数据为所述终端设备利用第三神经网络模型，对所述加速度计数据进行深度特征提取得到的。3.根据权利要求2所述的方法，其特征在于，所述第三神经网络模型为所述终端设备基于加速度计样本数据训练得到的，所述第三神经网络模型中包括输入模块、深度卷积模块、点卷积模块和输出模块，所述深度卷积模块中包括核为3*3的卷积计算层、第一归一化层以及第一拉伸至同一纬度层，所述点卷积模块中包括核为1*1的卷积计算层、第二归一化层以及第二拉伸至同一纬度层。4.根据权利要求1所述的方法，其特征在于，所述第一运动幅度特征数据包括以下至少一项：加速度强度矢量SMV，SMV最大值，SMV最小值、所述SMV最大值与所述最小的差值，FFT特征向量，加速度变化速率，SMV平均值，加速度方差，x轴的加速度均值，y轴的加速度均值或z轴的加速度均值。5.根据权利要求1所述的方法，其特征在于，所述第二运动幅度特征数据包括以下至少一项：SMV平均值，加速度方差，平均偏差，x轴最大加速度计数据与最小加速度计数据的差值，y轴最大加速度计数据与最小加速度计数据的差值，或z轴最大加速度计数据与最小加速度计数据的差值。6.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型为基于加速度计样本数据对应的运动幅度特征样本数据，以及所述加速度计数据对应的深度特征样本数据训练得到的，所述第一神经网络模型为四层全连接的神经网络模型，所述第一神经网络模型中包括输入层、第一隐含层、第二隐含层和输出层；所述输入层的节点中包含所述第一运动幅度特征数据对应的节点数以及所述深度特征数据对应的节点数。7.根据权利要求6所述的方法，其特征在于，所述输入层的节点数为45，所述第一运动
幅度特征数据对应的节点数为10，所述深度特征数据对应的节点数为35，所述输出层的节点数为2。8.根据权利要求1所述的方法，其特征在于，所述终端设备从所述加速度计数据中提取第二运动幅度特征数据，包括：所述终端设备利用均值滤波对所述加速度计数据进行滤波处理，得到滤波处理后的数据；所述终端设备确定所述滤波处理后的数据是否满足第一状态、第二状态和/或第三状态；所述第一状态为所述滤波处理后的数据中的相邻加速度计数据的差值为0的状态，所述第二状态为所述滤波处理后的数据中的相邻加速度计数据的差值满足第一差值范围的状态；所述第三状态为所述滤波处理后的数据中的相邻加速度计数据的差值满足第二差值范围的状态；当所述终端设备确定所述滤波处理后的数据不满足所述第一状态、所述第二状态和/或所述第三状态时，所述终端设备从所述滤波处理后的数据中提取所述第二运动幅度特征数据。9.根据权利要求1所述的方法，其特征在于，所述终端设备从所述加速度计数据中提取第一运动幅度特征数据以及深度特征数据，包括：所述终端设备利用滤波器对所述加速度计数据进行滤波处理，得到滤波处理后的数据；所述终端设备对所述滤波处理后的数据进行降采样处理，得到降采样处理后的数据；所述终端设备从所述降采样处理后的数据中提取所述第一运动幅度特征数据以及所述深度特征数据。10.根据权利要求9所述的方法，其特征在于，所述滤波器为窗长为L1，幅值为的滤波器，所述滤波处理后的数据Acc
L
(t)满足下述公式：其中，所述Acc(t)为所述加速度计数据，所述i为大于或等于0的整数。11.根据权利要求1所述的方法，其特征在于，所述方法还包括：所述终端设备显示第一界面；所述第一界面中包括告警信息；所述告警信息用于指示用户处于所述癫痫发作状态；当所述终端设备接收到针对所述告警信息的操作时，所述终端设备显示第二界面；所述第二界面为所述终端设备的桌面对应的界面。12.根据权利要求1所述的方法，其特征在于，所述方法还包括：所述终端设备将所述癫痫发作状态发送至其他设备，所述其他设备为所述终端设备记录的癫痫发作时的紧急联系人对应的设备。13.根据权利要求1所述的方法，其特征在于，所述电信号数据为表面肌电信号sEMG。14.根据权利要求1
‑
13任一项所述的方法，其特征在于，所述第一数据还包括温度数据和心率数据，所述当所述跌倒检测结果满足第一预设条件、所述抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时，包括：
当所述跌倒检测结果满足所述第一预设条件、所述抽搐检测结果满足所述第二预设条件和/或所述肌肉僵硬检测结果满足所述第三预设条件，并且，所述心率数据满足第四预设条件和/或所述温度数据满足第五预设条件时；其中，所述终端设备还包括温度传感器和接近光传感器，所述温度数据是所述温度传感器采集的，所述心率数据是所述接近光传感器采集的。15.一种癫痫检测装置，其特征在于，终端设备包括加速度传感器和电感传感器，所述装置包括：处理单元，用于获取第一数据；所述第一数据包括加速度计数据和电信号数据；所述加速度计数据是所述加速度传感器采集的，所述电信号数据是所述电...

【专利技术属性】
技术研发人员：邸皓轩，李丹洪，张晓武，
申请(专利权)人：荣耀终端有限公司，
类型：发明
国别省市：