【技术实现步骤摘要】
本专利技术属于脑电信号处理领域，尤其是涉及基于多位点跨频耦合的颞叶癫痫个性化预测系统及设备。
技术介绍
1、癫痫是一种由大脑神经元异常放电引发的慢性神经系统疾病，临床表现为反复发作的神经功能紊乱。该疾病不仅导致患者认知功能进行性下降，还可能诱发焦虑、抑郁等心理障碍，对患者生活质量构成严重威胁。当前临床治疗主要依赖抗癫痫药物控制病情，但约30%-40%患者会出现药物耐受现象，发展为药物难治性癫痫（drug resistant epilepsy,dre）。对于dre患者群体，手术切除致痫灶是重要的治疗手段，然而受限于致痫灶定位精度、手术风险及术后并发症等因素，仍有相当比例患者无法通过手术获得有效治疗。在此背景下，癫痫发作预测技术的研究价值日益凸显——通过精准预测癫痫发作的起始时间，患者可提前采取防护措施（如调整体位、启动神经调控装置），从而显著降低发作期意外伤害风险，同时缓解因发作不确定性导致的心理负担。更重要的是，可靠的预测结果可为临床医生优化治疗方案提供依据，避免过度医疗干预，整体提升疾病管理水平。
2、现有的癫痫预测方法主要依赖脑电图（electroencephalogram，eeg）信号的分析，诸如线性分析、非线性动力学分析、时频分析等方法已被广泛应用于癫痫预测研究中。传统的癫痫预测方法通常往往难以捕捉到大脑不同频段之间的动态耦合关系。尤其是，神经振荡在不同频段之间的相互作用，往往在癫痫发作前发生显著变化，这种变化传统特征往往无法有效捕捉。为此，近年来基于相位幅值耦合（phase amplitude coupli
3、相较于传统eeg特征，pac技术体系具有多维优势：首先，在特征敏感性方面，pac能够动态反映不同频段耦合强度的演变过程，尤其是癫痫发作前数十分钟内频段耦合关系的显著增强现象，这种时变特性通过常规功率谱分析极易被忽略；其次，在时间分辨率方面，pac基于瞬时相位与幅值计算的特征值可实现秒级更新，有利于捕捉发作前的细微电生理变化；其次，在抗干扰能力方面，pac特征对eeg信号中常见的肌电伪迹、运动噪声具有较强鲁棒性，这对提高床旁监测设备的实用性至关重要。反观传统时域特征（如信号斜率、峰峰值）易受噪声干扰产生特征漂移，直接影响预测模型的稳定性。
4、尽管pac技术在癫痫预测领域展现出独特价值，现有方法仍存在局限性：1）特征提取维度单一化问题。当前研究普遍采用调制指数（modulation index, mi）的最大值作为核心特征，这种方法虽可反映特定频带组合的耦合强度，但无法描述相位中心频率与幅值中心频率的动态迁移规律（如发作前期频段相位向频段迁移、频段幅值向ripple频段扩展）。依赖固定阈值或全局统计量的策略，导致对发作前网络状态变化的敏感度不足；2）个体化适配能力缺失。现有方法多预设单一频带组合（如θ相位-γ幅值耦合），忽视了不同癫痫类型（如额叶癫痫与颞叶癫痫）或病理机制（如结构性病变与基因突变）导致的非典型耦合模式。例如，临床数据显示部分dre患者存在相位与ripple频段幅值的异常耦合，而传统预设频带分析方法对此类变异模式存在检测盲区；3）特征可解释性局限。mi指标作为数学统计量，其计算结果与神经生理机制缺乏明确关联，难以解释致痫网络中兴奋-抑制平衡的具体改变模式，这严重制约了临床医生对预测结果的信任度。针对上述问题，本专利提出三重核心技术突破：突破了传统固定频带分析范式；构建个性化癫痫预测模型解析个体化pac模式，有效捕捉额叶癫痫-ripple耦合、药物难治性癫痫-超高频耦合等非典型跨频交互特征；创新性提出平均耦合强度特征，通过相位/幅值贡献度权重融合，建立特征值与神经振荡失同步化机制的病理关联。该方案通过动态频带追踪、个体化模式适配及生理可解释性增强三个维度的协同创新，构建了更适应临床复杂场景的癫痫预测特征体系，为精准预警系统开发提供新的方法论框架。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于多位点跨频耦合的颞叶癫痫个性化预测系统及设备，解决了上述
技术介绍
中所提出的问题。
2、一种基于多位点跨频耦合的颞叶癫痫个性化预测系统，包括：
3、信号采集模块，用于同步采集在脑部多个位点的脑电信号；
4、信号预处理模块，用于对采集的脑电信号进行预处理，绘制跨频耦合的共调制图，分割频段；
5、特征提取模块，用于提取相位幅值耦合特征，包括平均耦合中心相位频率、平均耦合中心幅值频率和平均耦合强度；
6、预测模块，用于将相位幅值耦合特征输入预训练的机器学习模型，输出颞叶癫痫的预测结果；
7、预警模块，用于根据预测结果生成预警信号。
8、进一步地，对采集的脑电信号进行预处理，包括：
9、采用陷波去工频噪声和均值滤波处理；
10、将陷波去工频噪声和均值滤波处理后的连续电信号按固定划分时间长度划分成处理窗口，同时保证相邻窗口重叠一定重叠时间长度，重叠时间长度小于固定划分时间长度。
11、进一步地，所述跨频耦合的共调制图绘制过程为：
12、对每个处理窗口内的电信号，利用复小波变换提取低频振荡的瞬时相位和高频振荡的瞬时幅值，使用调制指数计算公式计算mi；以横坐标为相位频率，纵坐标为幅值频率，得到处理窗口内不同频带之间相位频率-幅值频率跨频耦合的共调制图（co-modulationmap）；该共调制图用于描述多位点信号的相位幅值耦合强度；
13、进一步地，调制指数mi计算公式为：
14、；
15、其中，时刻低频振荡的瞬时相位定义为，高频振荡的瞬时幅值定义为；为瞬时相位频率为，瞬时幅值频率为时的调制指数；为虚数单位，用于构建复平面上的旋转向量。
16、进一步地，分割频段包括：
17、低频振荡分割为4种频带，分别为波、波、波、整体低频段，高频振荡分割为的4种频带，分别为low 波、high 波、ripple波和整体高频段。
18、进一步地，所述相位幅值耦合特征的计算过程为：
19、将分割频段得到的4种低频段和4种高频段组成16种跨频耦合模式，进一步计算平均耦合中心相位频率、平均耦合中心幅值频率及平均耦合强度特征；其中：
20、平均耦合中心相位频率：
21、；
22、平均耦合中心幅值频率：
23、；
24、平均耦合强度特征：
25、；
26、其中，和分别代表调制指数矩阵的行和列索引，表示时间时矩阵中位置（）处的值；和分别为相位频率维度和幅值频率维度。
27、所述的机器学习模型为支持向量机，用于将所有通道对应的16种组合特征输入进行分类，验证性能筛选个体最优预测通道及频段组合，保存模型参数并输出颞叶癫痫的预测结果。
28、进一步本文档来自技高网...
【技术保护点】
1.一种基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，包括：
2.根据权利要求1所述的基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，对采集的脑电信号进行预处理，包括：
3.根据权利要求1所述的基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，所述跨频耦合的共调制图绘制过程为：
4.根据权利要求1所述的基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，所述的分割频段包括：
5.根据权利要求1所述的基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，所述相位幅值耦合特征的计算过程为：
6.根据权利要求1所述的基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，所述的机器学习模型为支持向量机，用于将所有通道对应的16种组合特征输入进行分类，验证性能筛选个体最优预测通道及频段组合，保存模型参数并输出颞叶癫痫的预测结果。
7.根据权利要求1所述的基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，所述的颞叶癫痫个性化预测系统还包括后处理模块，用于对预测结果进行优化，后处理模块
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1~7中任一项所述的颞叶癫痫个性化预测系统的功能。
...【技术特征摘要】
1.一种基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，包括：
2.根据权利要求1所述的基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，对采集的脑电信号进行预处理，包括：
3.根据权利要求1所述的基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，所述跨频耦合的共调制图绘制过程为：
4.根据权利要求1所述的基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，所述的分割频段包括：
5.根据权利要求1所述的基于多位点跨频耦合的颞叶癫痫个性化预测系统，其特征在于，所述相位幅值耦合特征的计算过程为：
6.根据权利要求...
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。