【技术实现步骤摘要】
一种基于自动睡眠分期的意识障碍患者辅助诊断系统
[0001]本专利技术涉及深度学习和生物医学的
,尤其是指一种基于自动睡眠分期的意识障碍患者辅助诊断系统。
技术介绍
[0002]意识障碍作为医学疾病的一种,具体表现为:患者觉醒程度降低、意识内容减少或混乱导致其对环境刺激的应答能力发生改变。患者通常会降低或者失去各种自我保护反射和对外界环境变动的适应能力,极易出现各种继发伤害。随着重症监护技术的发展,急性重症脑损伤后存活的患者数量显著增加。虽然这些患者中的大多数在损伤后的头几天内从随后的昏迷中恢复过来,但有些人永久性地失去了所有脑功能,而另一些患者则发展到"无反应的清醒
″
状态或植物人状态。从这种状态中恢复过来的人通常会经历不同的阶段,例如在完全或部分恢复意识之前的最低意识状态。因此,检测患者所处的意识状态,以此状态为基础对患者进行针对性的治疗对患者的恢复至关重要。
[0003]VS和MCS患者之间的鉴别诊断有较高挑战性,具有误诊率较高的情况。黄金标准昏迷恢复量表修订版是诊断最低意识状态或植物人状态的最佳行为评估标准,但由于运动障碍而无法遵循命令的患者可能会得到植物人状态的错误诊断。因此,据报道,误诊率高达43%。脑电图作为一种记录大脑活动的无创、安全且相对方便的技术,它允许定量检测与意识障碍患者相关的脑电信号的变化和模式。脑电图的某些特征是皮质丘脑完整性的体征,这被认为是清醒意识的主要基础。
[0004]2020年,欧洲神经病学学会发布了昏迷和其他意识障碍诊断指南,该指南建议寻 ...
【技术保护点】
【技术特征摘要】
1.一种基于自动睡眠分期的意识障碍患者辅助诊断系统,其特征在于,包括:睡眠脑电数据采集模块,使用多导睡眠仪采集意识障碍患者的原始睡眠脑电数据,并对意识障碍患者睡眠脑电序列片段进行标记,即在规定时间标记一次;数据预处理模块,使用重参考、带通滤波和独立成分分析对睡眠脑电数据采集模块采集到的数据进行预处理;特征提取模块,用于将预处理后的数据作为输入,输入睡眠分期网络模型得到意识障碍患者的睡眠分期结果,将睡眠分期结果汇总作为睡眠分期结果的特征矩阵;意识障碍分类模块,用于将睡眠分期结果的特征矩阵作为输入,输入自适应分类网络模型,对意识障碍患者进行最终的辅助诊断。2.根据权利要求1所述的一种基于自动睡眠分期的意识障碍患者辅助诊断系统,其特征在于,所述睡眠脑电数据采集模块包括使用多导睡眠仪采集意识障碍患者睡眠数据的多导睡眠仪采集模块和用于意识障碍患者睡眠脑电序列片段的数据标记的睡眠标记模块,其中:所述多导睡眠仪采集模块使用多导睡眠仪采集多个睡眠脑电通道临床数据,存储格式包括edf、CSV、XML格式,其中,采集睡眠脑电图包括10个通道:眼电通道:EOG1、EOG2;乳突参考电极:A1、A2;脑电通道:F3、F4、C3、C4、O1、O2;实验过程中按照国际10
‑
5系统标准在测试点安放测试电极片;数据统一设置256Hz的采样点,采样的时间范围大于6小时,收集符合意识障碍患者的脑电数据,包含剔除坏导;所述睡眠标记模块将采集的意识障碍患者整晚的睡眠数据按照30为基本时间单位,根据国际AASM标准评估多导睡眠仪采集的数据记录,给出每30秒睡眠脑电信号的序列片段所对应的睡眠标记,并对存有异议的片段进行专家评估得出一致结果,将该结果设置为专家评分。3.根据权利要求2所述的一种基于自动睡眠分期的意识障碍患者辅助诊断系统,其特征在于,所述数据预处理模块执行以下操作:a、重参考:重参考是将记录电极信号的参考从单极参考转换为多极参考,以减少信号之间的相关性;采用平均参考,即将所有电极信号的平均值作为参考信号,公式如下:式中,R
i
是参考信号的第i个样本值,N是电极数,S
ij
是第i个时刻第j个电极的样本值;在进行平均参考之前,需要将原始信号去除直流成分;b、带通滤波:带通滤波是指将信号中特定频率范围内的成分保留下来,而将其它频率的成分滤除;在睡眠脑电信号处理中对脑电数据进行0.5~35Hz的带通滤波,使用的带通滤波器是二阶巴特沃斯滤波器,公式如下:y
n
=a0x
n
+a1x
n
‑1+a2x
n
‑2‑
b1y
n
‑1‑
b2y
n
‑2式中,x
n
是原始信号的第n个样本值,y
n
是滤波后信号的第n个样本值,y
n
‑1是滤波后信号的第n
‑
1个样本值,y
n
‑2是滤波后信号的第n
‑
2个样本值,a0、a1、a2是滤波器系数,b1、b2是滤波器系数;
c、独立成分分析:独立成分分析是一种信号处理方法,能用于对多通道脑电信号进行分离和降维,以提取潜在的独立成分;其基本思想是将多通道信号看作多个线性混合的成分,通过求解线性方程组,将混合后的信号分解成多个相互独立的成分,公式为:X=AS式中,X是混合信号矩阵,A是混合矩阵,S是源信号矩阵;通过求解矩阵A和S,能够得到独立成分信号,从而进行信号分析和特征提取工作。4.根据权利要求3所述的一种基于自动睡眠分期的意识障碍患者辅助诊断系统,其特征在于,在所述特征提取模块中,所述输入数据使用降采样方式将预处理后的数据降采样至100Hz,按照采样规则,每个睡眠标记所对应的30秒睡眠脑电信号含有3000个采样点;所述睡眠分期网络模型包含改进的自适应时频域特征选取模块和改进的帧内帧间长短期记忆神经网络LSTM,具体情况如下:所述改进的自适应时频域特征选取模块为一种双分支结构,分别为:时域特征提取和频域特征提取;同时,在双分支结构上分别加入通道注意力机制模块,使得该结构能在模型训练和预测过程中快速收敛于有效的时频域特征;所述时域特征提取和频域特征提取是由每个表示睡眠脑电信号序列片段Input_signal,使用Fs/2的小卷积核以Fs/16的步长提取序列片段中的时域特征,使用Fs
×
4的大卷积核以Fs/2的步长提取序列片段中的频域特征,其中Fs表示脑电信号的采样率;随后,使用一种正则化技术Dropout层,以设定比例使神经网络中的神经元随机失活,减少神经网络的过拟合风险;对于提取到的时域和频域特征再次使用卷积层提取更多的特征组合,使用最大池化层Maxpooling提取出最显著的特征,从而降低特征图的维度并减少计算量;所述通道注意力机制模块由通道注意力模块和特征重缩放模块组成,通道注意力模块是一个基于全局池化的机制,它将输入数据格式为(B
×
L
×
C)的数据使用全局平均池化层进行计算,其输出结果表现形式用于计算每个通道的重要性,其中B表示神经网络训练过程中每批次输入数据的数量,L表示神经网络计算过程中矩阵形式的数据长度,C表示神经网络计算过程中特征的数量;对于每个通道,通过对该通道的特征图进行全局池化,得到一个全局特征描述符;然后,将该全局特征描述符输入到一个包含两个全连接层的多层感知机中,以获得一个通道权重,第一个全连接层使用降维的方式将特征描述符的表述进行压缩,压缩程度表现为:(C/ratio),其中C表示神经网络计算过程中特征的数量,ratio表示对全连接层的压缩程度,其值需要能被C整除;第二个全连接层使用还原维度的方式将压缩后的表示形式进行维度上的还原,还原后的维度为输入数据的维度,其大小应该与上述神经网络计算过程中特征的数量C保持一致;最后,将所述权重乘以特征图中的每个通道,以得到加权的特征图,公式表示为:X
SE
=FC(GAP(x))式中,x表示输入的特征图,GAP表示全局平均池化,FC表示全连接层,X
SE
表示所得到的加权特征图;所述特征重缩放模块用于重新缩...
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。