面向癫痫视频脑电图检查的癫痫发作实时检测监控系统

1.本发明涉及医疗保健信息领域，尤其涉及一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统。


背景技术：

2.癫痫是最常见的神经疾病之一，其主要症状是频繁出现部分或整个大脑区域异常电活动的突然激增。脑电图是大脑活动的电记录，是癫痫诊断和分析的重要根据。视频脑电图结合头皮脑电图和高清视频，同时记录大脑电活动和患者行为动作，具有高时间分辨率、非侵入性等特点，是目前最常用的癫痫检测手段。视频脑电图检查持续时间长，通常需要包含清醒
‑
睡眠
‑
清醒的过程，一般在4小时以上，也可以长达24小时。现有技术没有充分融合利用陪护人员，系统和医护人员的资源。面对长时间的视频脑电图数据，医生需要花费大量的时间去目视检查，一般要求陪护人员在患者癫痫发作时，做下标记以便目视检查时能够快速定位癫痫发作时刻，但是长时间的陪护，给陪护人员带来很大负担，同时受限于陪护人员的鉴别能力，现实中会出现很多漏标和误标以及时间延迟较大等问题。并且目前由机器通过算法进行的预标注，报警次数过多，对医生的帮助有限。
3.目前主要有两类技术方案用于癫痫发作的检测，一类是按照传统机器学习方法，利用信号处理方法提取特征，筛选有效特征，通过传统机器学习方法分类，过于依赖人为的特征选择，很难适应不同癫痫类型的患者；另一类使用深度学习，将脑电时间信号经过简单预处理（滤波，去噪声，分割成一定时间长度的片段），即通过深度神经网络（特别是卷积神经网络）训练分类模型，目前的技术方案在利用深度神经网络进行癫痫检测时，直接采用时序的表示形式处理，且未充分考虑按照国际10
‑
20系统电极放置，电极之间固有的空间位置关系，将脑电图的通道按照简单的顺序一维排列，部分位置信息没有得到充分利用，没有将通道之间的相对空间关系体现出来，导致癫痫发作检测模型性能不足。癫痫疾病范围较广，个体差异较大，脑电形态存在多种形式。因为癫痫疾病类型多样，患者个体差异较大，现有技术依赖于患者个体历史脑电信号数据训练模型才能达到检测效果（召回率96%），利用其他患者脑电信号数据训练的模型检测效果较低（75%左右）；从发表期刊中，关于癫痫检测的技术方案的结果来看，目前的技术方案需要基于患者特异性的模型才能达到较好的结果，模型泛化性能较弱。


技术实现要素：

4.本发明目的在于针对现有技术的不足，提出一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统，用于解决癫痫患者视频脑电检查过程中，对患者的癫痫发作进行实时检测，以及在检测到患者癫痫发作后进行报警并记录患者癫痫发作时刻的问题。
5.本发明的目的是通过以下技术方案来实现的：一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统，该系统包括：数据处理模块：用于输入患者脑电信号数据，将脑电信号数据按照时间分割成若
干固定长度的数据片段，对分割后的脑电信号数据的每个通道进行小波分解，根据脑电电极位置，得到18个脑电信号通道，并将18个脑电信号通道按照4行5列的二维结构排布，中间一列缺少的2个通道分别根据通道位置的相对距离关系计算得到；输出为二维结构排布的信号分解后的数据；模型选择模块：构建z+3层结构的模型，其中前z层与数据处理模块中的小波分解的层数相对应，模型第一层的输入为小波分解最后一层分解后的输出；模型第二层的输入为模型第一层的输出和小波分解倒数第二层分解后的高频部分；模型第三层的输入为模型第二层的输出和小波分解倒数第三层分解后的高频部分；依次类推，模型第z层的输入为模型第z
‑
1层的输出和小波分解第一层分解后的高频部分；z+1层、z+2层和z+3层依次为卷积层、最大池化层和全连接层，输出为当前时刻癫痫未发作的概率和发作的概率；根据医院内患者库的数据，统计诊断结果中出现超过阈值次数的癫痫类型，以癫痫类型对应的患者脑电信号数据分别训练相应的癫痫发作检测模型，根据当前患者的视频脑电图检查的脑电信号数据最接近的癫痫类型，选择对应的癫痫发作检测模型来进行检测。
6.癫痫发作报警模块：用于实时获取模型选择模块中癫痫发作检测模型输出的癫痫发作的概率，将一段时间内的癫痫发作概率进行平滑处理，根据设置的阈值判断是否向陪护人员报警，并在报警后停止工作，直到陪护人员确认癫痫停止发作或者超过设定时间后恢复工作；交互式协同标注模块：用于癫痫发作报警模块、陪护人员和监控室之间的交互；陪护人员判断癫痫发作报警模块误报和漏报，并通过监控室进行复核，若确认判断癫痫发作报警模块误报和漏报，则调整报警阈值。
7.进一步地，所述数据处理模块输入的患者脑电信号数据包括来自患者数据库的用于模型训练的数据以及实时视频脑电图检查的多通道脑电信号数据。
8.进一步地，根据脑电电极位置，得到18个脑电信号通道为[fp1
‑
f7, f7
‑
t3, t3
‑
t5, t5
‑
o1, fp1
‑
f3, f3
‑
c3, c3
‑
p3, p3
‑
o1, fz
‑
cz, cz
‑
pz, fp2
‑
f4, f4
‑
c4, c4
‑
p4, p4
‑
o2, fp2
‑
f8, f8
‑
t4, t4
‑
t6, t6
‑
o2]；将18个通道排成4行5列的二维结构，第一列为[fp1
‑
f7, f7
‑
t3, t3
‑
t5, t5
‑
o1]，第二列为[fp1
‑
f3, f3
‑
c3, c3
‑
p3, p3
‑
o1]，第三列为[fz
‑
cz, cz
‑
pz]，第四列为[fp2
‑
f4, f4
‑
c4, c4
‑
p4, p4
‑
o2]，第五列为[fp2
‑
f8, f8
‑
t4, t4
‑
t6, t6
‑
o2]，中间一列由于只有2个通道，前后分别添加一个通道，用n1和n2表示，即第三列为[n1, fz
‑
cz, cz
‑
pz, n2]，n1和n2根据电极之间的相对距离关系确定。
[0009]
进一步地，fp1
‑
f3，fp2
‑
f4与fp1
‑
f7，fp2
‑
f8到n1的距离估计为1:2，考虑信号传播的指数衰减，故计算n1时两者系数比为4:1，n2同理；n1和n2的计算公式如下：
[0010]
进一步地，模型选择模块构建的模型中第z+1层卷积层的卷积核根据数据处理模块输出的二维结构排布的数据形式进行设置，由于二维结构排布为4*5的形式，因此第z+1层卷积层的卷积核中和脑电信号通道相关部分的结构设置为2*2，第z+2层最大池化层的池化核中和脑电信号通道相关部分的结构设置为3*2。
[0011]
进一步地，根据医院内患者库的数据，计算中每个患者发作间期18个通道脑电信号数据的各个频段信号数据的方差，其中各个频段与模型前z层输入的小波分解的频段相对应，得到一个表示脑电信号特征的矩阵，并且以诊断的癫痫类型作为标签；在当前患者开始进行视频脑电图检查时，计算其发作间期18个通道脑电信号数据的各个频段信号数据的方差，得到一个表示当前患者脑电信号特征的矩阵，通过k近邻算法判断最接近的癫痫类型，选择对应的癫痫发作检测模型。
[0012]
进一步地，所述k近邻算法中表示当前患者与医院内患者库内患者的距离distance计算公式如下：其中表示第i个通道对应的距离。
[0013]
进一步地，所述癫痫发作报警模块将一段时间内的个癫痫发作概率值进行平滑处理，并将阈值设置为0.9，若超过阈值，则向陪护人员报警；具体实现过程为：其中，表示t时刻癫痫发作报警模块平滑处理后的结果，表示时刻癫痫发作检测模型输出的癫痫发作的概率，t表示当前时刻。
[0014]
进一步地，所述交互式协同标注模块在癫痫发作报警模块误报时，将报警阈值上调，具体实现过程为：在癫痫发作报警模块漏报时，将报警阈值下调；具体实现过程为：其中，表示调整后的报警阈值，min()表示取最小值函数，r表示调整前的报警阈值，表示t时刻癫痫发作报警模块平滑处理后的结果，t表示当前时刻。
[0015]
进一步地，所述交互式协同标注模块确认癫痫发作报警模块误报或漏报总数超过3次，则放弃当前的癫痫发作检测模型，根据最近一段时间内的患者发作间期脑电信号数据重新进行模型选择。
[0016]
本发明的有益效果：1、将脑电通道按照物理空间中的相对位置关系，排列在二维的平面中，提高训练和测试效率，减少训练和测试过程中的时间，满足实时检测的需求。
[0017]
2、根据历史数据，将患者的脑电类型分成若干类别，分别训练模型，当有新的患者需要进行癫痫发作实时检测时，以脑电信号最接近类别的模型作为癫痫发作检测模型，提高癫痫发作检测的准确率，提升医生和陪护人员的使用体验。
[0018]
3、构建基于小波分解的卷积神经网络模型，不同通道之间共享参数，训练过程从小波分解的最后一层向前逐层学习，充分学习脑电信号不同尺度下的特征，提升癫痫发作检测模型性能。
[0019]
4、形成陪护人员，检测系统和监控室之间的协同标记，在癫痫发作自动检测报警的基础上，引入陪护人员和监控室进行交互式协同标记，提高癫痫发作标记的质量，能够提升医生的目视读图效率。
附图说明
[0020]
图1为面向癫痫视频脑电图检查的实时检测监控系统流程图；图2为国际10
‑
20系统电极位置示意图；图3为小波分解过程示意图；图4为模型结构前五层示意图；图5为癫痫发作报警模块自动报警后交互式协同标注模块工作流程图；图6为陪护人员主动报警后交互式协同标注模块工作流程图。
具体实施方式
[0021]
以下结合附图对本发明具体实施方式作进一步详细说明。
[0022]
如图1所示，本发明提供的一种面向癫痫视频脑电图检查的癫痫发作实时检测监控系统，该系统包括：数据处理模块、模型选择模块、癫痫发作报警模块和交互式协同标注模块；具体如下：1. 数据处理模块，原始输入数据来自患者数据库或者实时视频脑电图检查的多通道脑电信号，数据处理模块用于将数据分割成1s长度片段后，对数据进行离散小波变换的信号分解并将脑电信号通道按照二维结构排布；具体为：本发明采用国际10
‑
20系统规定的脑电电极放置标准，包括fp1, f7, t3, t5, o1, f3, c3, p3, fz, cz, pz, fp2, f4, c4, p4, o2, f8, t4, t6共19个电极位置，如图2所示，利用相邻双电极电位差信号，可以得到[fp1
‑
f7, f7
‑
t3, t3
‑
t5, t5
‑
o1, fp1
‑
f3, f3
‑
c3, c3
‑
p3, p3
‑
o1, fz
‑
cz, cz
‑
pz, fp2
‑
f4, f4
‑
c4, c4
‑
p4, p4
‑
o2, fp2
‑
f8, f8
‑
t4, t4
‑
t6, t6
‑
o2]的18个通道信息。
[0023]
1.1 数据分割以时间长度为1s的移动窗口的分割脑电信号，信号采样频率为256hz，得到256*18的二维信号片段。
[0024]
1.2 信号的小波分解针对每个通道的脑电信号x，利用离散小波变换的小波函数和尺度函数对信号进行分解，将输入的脑电信号，分解成高频细节和低频近似两部分，并且用同样的方式不断在低频近似部分重复操作，细分至第五层，每次分解得到的脑电信号数据长度为原来的一半，例如第一次分解时将脑电信号数据长度由256变成128。如图3所示，每个通道的脑电初始信号分解得到d1，a1，d2，a2，d3，a3，d4，a4，d5，a5，分别表示64
‑
128hz，0
‑
64hz，32
‑
64hz，0
‑
32hz，16
‑
32hz，0
‑
16hz, 8
‑
16hz，0
‑
8hz，4
‑
8hz，0
‑
4hz的一组信号（x, d1, a1, d2, a2, d3, a3, d4, a4, d5, a5），其数据长度分别为（256, 128, 128, 64, 64, 32, 32, 16, 16, 8, 8）。
[0025]
1.3 通道二维排布按目前普通采用的方式，将脑电图的通道按照简单的顺序一维排列，形成18个信
号通道，即[fp1
‑
f7, f7
‑
t3, t3
‑
t5, t5
‑
o1, fp1
‑
f3, f3
‑
c3, c3
‑
p3, p3
‑
o1, fz
‑
cz, cz
‑
pz, fp2
‑
f4, f4
‑
c4, c4
‑
p4, p4
‑
o2, fp2
‑
f8, f8
‑
t4, t4
‑
t6, t6
‑
o2]。在目前的应用中，都没有针对通道位置进行处理，只是按照固定的一种顺序来记录。本发明为了充分体现通道的空间相对位置关系，将18个通道按照表1的形式排成4行5列的二维结构，第一列为[fp1
‑
f7, f7
‑
t3, t3
‑
t5, t5
‑
o1]，第二列为[fp1
‑
f3, f3
‑
c3, c3
‑
p3, p3
‑
o1]，第三列为[fz
‑
cz, cz
‑
pz]，第四列为[fp2
‑
f4, f4
‑
c4, c4
‑
p4, p4
‑
o2]，第五列为[fp2
‑
f8, f8
‑
t4, t4
‑
t6, t6
‑
o2]，中间一列由于只有2个通道，前后分别添加一个通道，用n1和n2表示，即第三列为[n1, fz
‑
cz, cz
‑
pz, n2]，n1和n2分别根据相邻的电极计算得到，作为空缺处的填充值，n1和n2的计算公式如下，将18个线性记录的信号通道，转换为4行5列的二维通道排布结构。
[0026]
如图2所示，考虑到电极之间的相对距离关系，fp1
‑
f3，fp2
‑
f4与fp1
‑
f7，fp2
‑
f8到中间空缺通道处的距离大约为1:2，考虑信号传播的指数衰减，故计算n1时两者系数比为4:1，n2同理。
[0027]
本发明采用将脑电信号通道进行二维排布，可以充分利用通道之间的相对位置关系，结合卷积神经网络，可以减少模型训练参数，提高模型训练的速度，有效地解决本发明基于不同癫痫发作类型训练癫痫发作检测模型，对应的癫痫发作训练样本减少，需要训练多个模型的现实情况。
[0028]
表1 本发明信号通道空间排布表2. 模型选择模块，设计适合于小波分解后一系列数据的模型结构，对出现频率最高的癫痫发作类型的患者分别训练癫痫发作检测模型，构成癫痫发作检测模型集，并根据患者脑电信号的信号特征，利用k近邻算法，从模型集中选择适合当前患者使用的癫痫发作检测模型；2.1 模型构建模型构建基于小波分解和通道二维排布处理后的脑电信号数据，其构建过程如图4所示，具体为：1）模型的输入以数据处理模块的输出为基础，以各阶小波的高频细节d1, d2, d3, d4, d5和最后一阶小波的低频近似a5作为模型的输入；2）模型的第一层输入为d5，a5，数据长度均为8，信号通道为4*5的二维结构，故第一层输入数据的结构为(2*8)*4*5，卷积参数矩阵为(2*2)*1*1@4，其中@表示其后的数字为该层提取的特征数，步长为(1,2,1,1)，计算结果的结构为(1*4)*4*5*4，保持通道结构不
变，对信号结构进行调整，作为第一层的输出c5，同时也是下一层输入的一部分，其结构为(1*16)*4*5；3）模型的第二层的输入为第一层的输入c5和d4，数据长度为16，信号通道仍为4*5的二维结构，故第二层输入数据的结构为(2*16)*4*5，卷积参数矩阵为(2*2)*4*5@4，步长为(1,2,1,1)，计算结果的结构为(1*8)*4*5*4，保持通道结构不变，对信号结构进行调整，作为第二层的输出c4，同时也是下一层输入的一部分，其结构为(1*32)*4*5；4）模型的第三至五层的结构可按上述第二层类推，得到输出第三的输出c3，第四的输出c2，第五的输出c1结构分别为(1*64)*4*5，(1*128)*4*5，(1*256)*4*5；5）模型第六层的输入为第五层的输出c1，(1*256)*4*5，去除长度为1的维度，即为256*4*5，卷积参数矩阵为8*2*2@4，步长设置为(8,1,1)，其输出的结构为16*3*4*4;6）模型的第七层为(1,3,2,1)的最大池化层，其输入为第六层的输出，计算结果的结构为(16*1*2*4)，进一步转换为长度为128的一维向量，输入最后一层；7）模型的最后一层为全连接层，输入为上一层输出，输出为长度为2的向量，经过softmax函数的归一化处理，分别表示当前时刻癫痫未发作的概率和发作的概率；8）本模型均采用修正线性单元函数relu最为激活函数，最后一层采用softmax函数对输出进行归一化处理，训练过程使用交叉熵作为损失函数，如下式。
[0029]
其中l表示损失函数，其中m表示每次训练的样本数量，i表示第i个样本，表示第i个样本的真实类别，表示第i个样本预测为正类的概率。
[0030]
2.2 模型选择根据医院内既有的患者库数据，包含患者既往就诊人员的脑电信号数据和脑电图报告，统计诊断结果中出现超过阈值次数的癫痫类型，根据癫痫类型对应的患者脑电信号数据分别训练相应模型，其中阈值为根据训练得到的模型精度确定，一般取值为15，构成一组模型。计算包含在这组模型中的每个患者发作间期18个通道脑电信号数据的0
‑
4hz, 4
‑
8hz, 8
‑
16hz, 16
‑
32hz, 32
‑
64hz, 64
‑
128hz共6个频段信号的方差，得到一个18*6的矩阵表示脑电信号特征，并且以脑电图报告中诊断的癫痫类型作为其标签，计算每个通道的每个频段脑电信号数据的均值和方差。
[0031]
其中x[i]表示每个通道的每个频段的脑电信号数据的第i个采样点的数值，n表示每个通道的每个频段脑电信号数据x的长度，avr表示每个通道的每个频段脑电信号数据的均值，var表示每个通道的每个频段脑电信号数据的方差。
[0032]
当有新患者需要开始进行视频脑电图检查时，在脑电信号开始正常记录后，取癫痫发作间期的5分钟数据，计算其各通道6个频段信号的方差，得到一个表示当前患者脑电信号特征的矩阵，利用k近邻算法（本发明k值设置为8）判断当前患者的脑电信号数据更接近于哪一种癫痫类型患者的脑电信号数据，以最接近的一类所对应的模型，作为当前患者的癫痫发作检测模型。k近邻算法的两个患者之间的距离计算公式为：其中表示第i个通道对应的距离，表示当前患者0
‑
4hz频段的方差，表示当前患者4
‑
8hz频段的方差，表示当前患者64
‑
128hz频段的方差。至则表示用于比较的患者库中患者对应频段的方差。distance为用于k近邻算法比较的距离。
[0033]
3. 癫痫发作报警模块，用于当前患者癫痫发作时，本发明系统及时地向监控室和陪护人员报警，也可以由陪护人员发起，向监控室发送报警；癫痫发作检测模型实时输出当前这一秒依据患者脑电判断为癫痫发作的可能性，本发明综合考虑癫痫发作检测的敏感性，错误报警比率和实时性，连续3s输出的概率值进行平滑，将阈值设置为0.9，若超过阈值，则系统向陪护人员和监控室报警，警报发出后，报警模块会进入3分钟的免疫时间，此期间内不再重复发出警报。
[0034]
其中，表示t时刻癫痫发作报警模块平滑处理后的结果，为癫痫发作事件发生的可能性，越大，癫痫发作事件发生的可能性越大，表示t时刻癫痫发作检测模型输出的癫痫发作概率。
[0035]
4. 交互式协同标注模块，用于本发明系统中癫痫发作报警模块、陪护人员和监控室之间的人机交互，涉及系统自动报警和人工确认的协调，以及人工主动标记对系统检测的反馈调节；交互式协同标注模块主要是陪护人员和监护室与癫痫发作报警模块之间的人机交互，其主体是陪护人员和癫痫发作报警模块之间的交互，监控室起到确认和安全保障的作用。
[0036]
如图5所示，当癫痫发作报警模块检测到癫痫发作时，自动向陪护人员和值班室发出警报，提示陪护人员在接下来的3分钟内保持注意，同时在监控室的所有监控对象中，提示该患者正在癫痫发作状态，保持关注。若确有癫痫发作，则记录患者癫痫发作时的症状；若未观察到癫痫发作，则向监控室发送误报信息，监控室查看前3分钟记录确认情况，若确认癫痫发作报警模块误报，则通过交互式协同标注模块将癫痫发作报警模块的报警阈值上调，并记录这次误报，其报警阈值上调的具体实现过程为：其中，表示调整后的报警阈值，min()表示取最小值函数，r表示调整前的报警
阈值，表示t时刻癫痫发作报警模块平滑处理后的结果，t表示当前时刻。
[0037]
若监控室确认的确存在癫痫发作，则记录下发作时刻，若监控室无法确认，则暂时标记为可疑，待医生判断。若癫痫发作持续时间较长或者比较严重，陪护人员可以通过系统向监控室求助，监控室可以第一时间通过视频看到现场情况并提供指导和帮助。
[0038]
如图6所示，当陪护人员在陪护过程中发现患者癫痫发作，而癫痫发作报警模块未报警，则陪护人员可以手动报警，向监控室发送漏报信息，监控室通过视频和脑电的综合分析，形成初步判断。若监控室确认此次陪护人员的报警是由于非特异动作引起的误报，将反馈给陪护人员；若监控室对此次报警无法确认，则标记为可疑，待医生目视读图时分析；若监控室确认癫痫发作，会反馈至癫痫发作报警模块，将阈值下调，并记录一次癫痫发作报警模块漏报，其报警阈值下调的具体实现过程为：其中，表示调整后的报警阈值，min()表示取最大值函数，r表示调整前的报警阈值，表示t时刻癫痫发作报警模块平滑处理后的结果，t表示当前时刻。
[0039]
若自动检测系统在1小时的误报或漏报总数超过3次，则放弃当前模型，根据这1小时内的间期脑电重新计算各通道信号方差，回到模型选择模块，重新进行模型选择。
[0040]
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。