【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及基于3d残差网络和空间聚类先验的棘波检测方法。
技术介绍
1、癫痫是一种常见、多发的神经系统疾病，是脑部神经元突发异常放电导致中枢神经系统功能短暂性失常的慢性脑部疾病，全球约有5000万人患有癫痫，是全球最常见的神经系统疾病之一。尽管癫痫的发病机制尚未完全明了，但监测患者脑内电磁信号对于医生的诊断和治疗具有至关重要的作用。在癫痫病人群体中，约30%无法通过抗癫痫药物治疗，需要神经调控以减轻癫痫发作，或外科手术切除致痫病灶组织以消除癫痫发作。而神经调控和癫痫外科手术能否取得良好效果和积极预后，至关重要的是精准定位癫痫致痫灶在大脑的空间位置。
2、脑磁图发作间期癫痫样放电（interictal epileptic discharges，ieds），以棘波为代表，是一种癫痫生理标志，通常认为能够显示致痫灶。目前临床上主要是通过医生结合病人患病史和脑磁图的观察对于棘波时刻点进行标注，但临床产生数据量很大，手工标注效率低，多有遗漏，且主观性很强，依赖于医生的诊疗水平，为此产生了多种棘波检测辅助算法，如阈值法、模板匹配法、特征工程+传统机器学习、深度学习等。
3、阈值法可以根据棘波的高振幅特性从原始信号中提取棘波，而模板匹配法则依据已知的棘波形状进行筛选。这两种技术都具备良好的可解释性，支持手动干预，并能够进行自我调整。尽管如此，由于这些模型的简易性，它们在处理复杂波形数据时表现不佳，尤其是在检测伪迹和非标准棘波时，准确度有所欠缺。
4、在结合特征工程的传统机器学习算法中，
5、深度学习技术近年来发展迅速，一些主流的模型架构也在棘波检测领域有所应用，但是这些架构的应用方式比较简单，缺乏对于棘波检测领域的针对性，且在多通道信号输入情况下通常效果不佳，同时缺乏对癫痫研究领域内已有先验知识进行合理利用的研究。
技术实现思路
1、基于
技术介绍
存在的技术问题，本专利技术提出了基于3d残差网络和空间聚类先验的棘波检测方法，提升了棘波检测的准确率、查准率和查全率。
2、本专利技术提出的基于3d残差网络和空间聚类先验的棘波检测方法，包括如下步骤：
3、步骤一、对通过多个传感器采集到的癫痫病人发作间期的脑磁图数据进行预处理，并将预处理后的脑磁图数据按照传感器原始顺序排列，得到传感器数据；
4、步骤二、根据多个传感器的物理位置和癫痫病人头部之间的位置关系建立直角坐标系，获得在直角坐标系下每个传感器的三维位置坐标；
5、步骤三、基于每个传感器的三维位置坐标结合k-means对传感器进行聚类，得到g组传感器组，对每组传感器组所对应的传感器数据进行时间长度切片并堆叠，得到聚类后的脑磁图数据；对聚类后的脑磁图数据，按照传感器种类维度进行堆叠得到重组后的脑磁图数据，所述k-means为k均值聚类算法；
6、步骤四、将重组后的脑磁图数据输入到已训练完成的3d残差网络模型，以输出重组后的脑磁图数据中每个数据切片中是否存在棘波的预测标签；
7、步骤五、对于预测标签显示存在棘波的片段，按照信号幅值筛选棘波位置时刻点，最终得到与所述脑磁图数据对应的预测棘波时刻点序列。
8、进一步地，在步骤一中对通过多个传感器采集到的癫痫病人发作间期的脑磁图数据进行预处理，具体为：
9、对所采集到的脑磁图数据通过50hz的陷波滤波参数进行陷波滤波处理，以去除电源频率的干扰；
10、对陷波滤波后的脑磁图数据通过3hz-80hz的带通滤波参数进行带通滤波处理；
11、对带通滤波处理后的脑磁图数据通过独立成分分析算法进行去眼动、心动伪迹处理；
12、对去伪迹处理后的脑磁图数据分别通过梯度计和磁力计进行归一化操作，得到预处理后的脑磁图数据。
13、进一步地，其特征在于，在步骤二中，根据多个传感器的物理位置和癫痫病人头部之间的位置关系建立直角坐标系，具体为：
14、根据脑磁图采集设备的传感器物理位置，将脑磁图采集设备的头盔近似视为半球面，使用极大似然估计法确定半球面的球心位置，以所述球心为原点建立三维直角坐标系；
15、获得在所述三维直角坐标系下各个传感器的位置坐标，对于同一传感器中的磁力计和梯度计分配同一位置坐标。
16、进一步地，在步骤三中，重组后的脑磁图数据生成如下：
17、基于每个传感器的三维位置坐标结合k-means对传感器进行聚类，将所有传感器分为g组，每组包含c个传感器，对于组内传感器数量不足c个传感器的组，在组内随机位置填充空传感器，所述空传感器为在任意时刻点的采样均为零的虚拟传感器；
18、对g组传感器组在时间维度按照各个传感器采集的传感器数据划分为时间长度为t的传感器数据片段，并对传感器数据片段按照g组传感器组的分组方式进行组间和组内位置堆叠，得到三维多组数据矩阵，将三维多组数据矩阵作为聚类后的脑磁图数据；
19、将聚类后的脑磁图数据按照传感器的线圈种类进行拼接，得到的四维多传感器多组数据块，将四维多传感器多组数据块作为重组后的脑磁图数据，所述传感器的线圈种类包括磁力计和梯度计，每个传感器包括一个磁力计和两个不同方向的梯度计。
20、进一步地，在步骤四中，3d残差网络模型包括依次连接的第一层1d卷积模块、meeg基本层、自适应平均池化层和全连接层；
21、meeg基本层包括l层的meeg基本块，每一层meeg基本块包括两个依次连接的meeg块，上一层meeg基本块的输出作为当前层meeg基本块的输入，最后一层meeg基本块的输出连接到自适应平均池化层的输入，全连接层输出每个数据切片中是否存在棘波的预测标签。
22、进一步地，所述meeg块包括3d卷积模块、1d卷积模块和空间注意力模块，3d卷积模块的输入用于输入上一阶段输出的数据、输出分别连接到1d卷积模块和空间注意力模块的输入，将1d卷积模块的输出数据、空间注意力模块的输出数据以及3d卷积模块输入的数据进行矩阵相加，输出特征数据；
23、同一层meeg基本块中，第一个meeg块输出的特征数据作为第二个meeg块的输入；
24、上一层第二个meeg块输出的特征数据作为当前层meeg基本块中第一个meeg块的输入，最后一层meeg基本块中的第二个meeg块输出的特征数据传递到自适应平均池化层中。
25、进一步地，所述3d残差网络模型的训练过程如下：
26、获取脑磁图癫痫数据集，并对脑磁图癫痫数据集中的脑磁图癫痫数据标注棘波时刻点序列，得到标注后的脑磁图癫痫数据集；
27、对标注后的脑磁图癫痫数据集进行预处理，并对预处理后的脑磁图癫痫数据集进行重新排列和在时间上的划分，得到切片四维多传感器多本文档来自技高网...
【技术保护点】
1.基于3D残差网络和空间聚类先验的棘波检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于3D残差网络和空间聚类先验的棘波检测方法，其特征在于，在步骤一中对通过多个传感器采集到的癫痫病人发作间期的脑磁图数据进行预处理，具体为：
3.根据权利要求1所述的基于3D残差网络和空间聚类先验的棘波检测方法，其特征在于，在步骤二中，根据多个传感器的物理位置和癫痫病人头部之间的位置关系建立直角坐标系，具体为：
4.根据权利要求1所述的基于3D残差网络和空间聚类先验的棘波检测方法，其特征在于，在步骤三中，重组后的脑磁图数据生成如下：
5.根据权利要求1所述的基于3D残差网络和空间聚类先验的棘波检测方法，其特征在于，在步骤四中，3D残差网络模型包括依次连接的第一层1D卷积模块、MEEG基本层、自适应平均池化层和全连接层；
6.根据权利要求5所述的基于3D残差网络和空间聚类先验的棘波检测方法，其特征在于，所述MEEG块包括3D卷积模块、1D卷积模块和空间注意力模块，3D卷积模块的输入用于输入上一阶段输出的数据、输出分别连接到
7.根据权利要求5所述的基于3D残差网络和空间聚类先验的棘波检测方法，其特征在于，所述3D残差网络模型的训练过程如下：
8.根据权利要求7所述的基于3D残差网络和空间聚类先验的棘波检测方法，其特征在于，根据交叉熵构建3D残差网络模型的目标损失函数：
...【技术特征摘要】
1.基于3d残差网络和空间聚类先验的棘波检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于3d残差网络和空间聚类先验的棘波检测方法，其特征在于，在步骤一中对通过多个传感器采集到的癫痫病人发作间期的脑磁图数据进行预处理，具体为：
3.根据权利要求1所述的基于3d残差网络和空间聚类先验的棘波检测方法，其特征在于，在步骤二中，根据多个传感器的物理位置和癫痫病人头部之间的位置关系建立直角坐标系，具体为：
4.根据权利要求1所述的基于3d残差网络和空间聚类先验的棘波检测方法，其特征在于，在步骤三中，重组后的脑磁图数据生成如下：
5.根据权利要求1所述的基于3d残差网络和空间聚类先验的棘波检测方法，其特征在于，在步骤四中，3d残差网络模型包括依...
【专利技术属性】
技术研发人员：董瀚阳，盛书荣，肖坤涛，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
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。