基于脑电的致痫区定位装置及方法、电子设备和存储介质

1.本公开涉及脑电数据处理技术领域，尤其涉及一种基于脑电的致痫区定位装置及方法、电子设备和存储介质。


背景技术：

2.癫痫是一种反复发作的严重威胁人类健康的神经系统慢性疾病，该疾病严重影响大脑发育和功能，给社会和家庭带来了沉重负担。据统计，世界范围内癫痫患病率约为5.18~8.75
‰
，癫痫患者的伤残调整生命年（dalys）超过1300万，死亡风险比普通人群高三倍。我国约有1000万癫痫患者，其中包括药物难治性癫痫约300万，这些患者是适合接受术前评估并从手术干预中获益的潜在人群。在药物难治性癫痫的术前评估过程中，如何准确高效界定致痫区的解剖范围、进而根据解剖范围选择恰当的治疗方式，是癫痫外科的核心问题。


技术实现要素：

3.有鉴于此，本公开提出了一种致痫区定位技术方案。
4.根据本公开的一方面，提供了一种致痫区定位装置，包括：电极触点定位模块，用于根据癫痫患者在脑部植入深部电极手术前的mri影像和在脑部植入深部电极手术后的ct影像，确定所述深部电极上的电极触点的触点位置信息；高频振荡发放区定位模块，用于在所述癫痫患者处于癫痫发作间期的情况下，根据脑电波中高频振荡事件对应的电极触点导联和所述触点位置信息，确定所述癫痫患者的高频振荡发放区；癫痫起始区定位模块，用于在所述癫痫患者处于癫痫发作期的情况下，根据脑电波在电极触点导联的演变过程和所述触点位置信息，确定所述癫痫患者的癫痫起始区；诱发电位异常区定位模块，用于在所述癫痫患者处于癫痫发作间期的情况下，对一个电极触点进行电刺激，根据所述电刺激、其他电极触点的诱发电位和所述触点位置信息，确定所述癫痫患者的诱发电位异常区；致痫区定位模块，用于根据所述高频振荡发放区、所述癫痫起始区和所述诱发电位异常区，确定所述癫痫患者的致痫区。
5.在一种可能的实现方式中，所述电极触点定位模块，包括：影像配准子模块，用于以所述mri影像为基底，将所述mri影像和所述ct影像进行配准融合，得到配准影像；体素分割子模块，用于对所述配准影像进行阈值分割，得到所述配准影像中所述深部电极的体素，作为分割结果；电极位置信息确定子模块，用于根据所述分割结果，确定每根深部电极在脑部的电极位置信息；触点位置信息确定子模块，用于根据所述电极位置信息和电极触点在深部电极上的位置信息，确定所述深部电极上的每个电极触点在脑部的触点位置信息。
6.在一种可能的实现方式中，所述高频振荡发放区定位模块，包括：原始脑电信号获取子模块，用于获取所述癫痫患者在癫痫发作间期的电极触点导联的原始脑电信号；振幅阈值和包络信号获取子模块，用于根据所述原始脑电信号，得到每个所述原始脑电信号的振幅阈值和包络信号；候选高频振荡事件确定子模块，用于根据所述振幅阈值和包络信号，从所述原始脑电信号中，确定候选高频振荡事件；高频振荡发放区确定子模块，用于根据所
述候选高频振荡事件和所述触点位置信息，确定所述高频振荡发放区。
7.在一种可能的实现方式中，所述高频振荡发放区确定子模块，用于：根据所述候选高频振荡事件，得到高频振荡事件的时频图；通过神经网络的噪声分类器、高频振荡分类器对所述时频图中的噪声和高频振荡信号进行标注；从已标注的高频振荡信号中，确定病理性高频振荡信号；根据所述病理性高频振荡信号对应的电极触点导联和所述触点位置信息，确定所述高频振荡发放区。
8.在一种可能的实现方式中，所述癫痫起始区定位模块，包括：原始脑电信号获取子模块，用于获取所述癫痫患者在发作期的电极触点导联的原始脑电信号，所述原始脑电信号包括每组电极触点导联在癫痫发作前的基线期脑电信号和癫痫发作后的发作期脑电信号；演变时间确定子模块，用于根据所述原始脑电信号，确定每组电极触点导联的癫痫发作的演变时间；传播顺序确定子模块，用于根据所述演变时间，确定癫痫发作在电极触点导联的传播顺序；癫痫起始区确定子模块，用于根据所述传播顺序和所述触点位置信息，确定癫痫起始区。
9.在一种可能的实现方式中，所述演变时间确定子模块，用于：获取每组电极触点导联的基线期脑电信号的指定基线期脑电信号；根据每组导联的电极触点间的所述指定基线期脑电信号，确定每组导联的电极触点间的基线期功率谱分布；获取每组电极触点导联的指定基线期后的指定基线期后脑电信号；根据每组导联的电极触点间的所述指定基线期后脑电信号，确定每组导联的电极触点间的基线期后功率谱分布；根据所述基线期功率谱分布和所述基线期后功率谱分布，确定每组导联的电极触点间的演变时间。
10.在一种可能的实现方式中，所述诱发电位异常区定位模块，包括：诱发电位接收子模块，用于接收每一电极触点接受电刺激后其他电极触点的诱发电位；关键特征提取子模块，用于提取所述诱发电位的关键特征；电极触点导联确定子模块，用于根据关键特征，确定位于致痫区的电极触点导联；诱发电位异常区确定子模块，用于根据所述电极触点导联和所述触点位置信息，确定诱发电位异常区。
11.根据本公开的另一方面，提供了一种致痫区定位方法，包括：根据癫痫患者在脑部植入深部电极手术前的mri影像和在脑部植入深部电极手术后的ct影像，确定所述深部电极上的电极触点的触点位置信息；在所述癫痫患者处于癫痫发作间期的情况下，根据脑电波中高频振荡事件对应的电极触点导联和所述触点位置信息，确定所述癫痫患者的高频振荡发放区；在所述癫痫患者处于癫痫发作期的情况下，根据脑电波在电极触点导联的演变过程和所述触点位置信息，确定所述癫痫患者的癫痫起始区；在所述癫痫患者处于癫痫发作间期的情况下，对一个电极触点进行电刺激，根据所述电刺激、其他电极触点的诱发电位和所述触点位置信息，确定所述癫痫患者的诱发电位异常区；根据所述高频振荡发放区、所述癫痫起始区和所述诱发电位异常区，确定所述癫痫患者的致痫区。
12.在一种可能的实现方式中，所述根据癫痫患者在脑部植入深部电极手术前的mri影像和在脑部植入深部电极手术后的ct影像，确定所述深部电极上的电极触点的触点位置信息，包括：以所述mri影像为基底，将所述mri影像和所述ct影像进行配准融合，得到配准影像；对所述配准影像进行阈值分割，得到所述配准影像中所述深部电极的体素，作为分割结果；根据所述分割结果，确定每根深部电极在脑部的电极位置信息；根据所述电极位置信息和电极触点在深部电极上的位置信息，确定所述深部电极上的每个电极触点在脑部的触
点位置信息。
13.在一种可能的实现方式中，所述在所述癫痫患者处于癫痫发作间期的情况下，根据脑电波中高频振荡事件对应的电极触点导联和所述触点位置信息，确定所述癫痫患者的高频振荡发放区，包括：获取所述癫痫患者在癫痫发作间期的电极触点导联的原始脑电信号；根据所述原始脑电信号，得到每个所述原始脑电信号的振幅阈值和包络信号；根据所述振幅阈值和包络信号，从所述原始脑电信号中，确定候选高频振荡事件；根据所述候选高频振荡事件和所述触点位置信息，确定所述高频振荡发放区。
14.在一种可能的实现方式中，所述根据所述候选高频振荡事件和所述触点位置信息，确定所述高频振荡发放区，包括：根据所述候选高频振荡事件，得到高频振荡事件的时频图；通过神经网络的噪声分类器、高频振荡分类器对所述时频图中的噪声和高频振荡信号进行标注；从已标注的高频振荡信号中，确定病理性高频振荡信号；根据所述病理性高频振荡信号对应的电极触点导联和所述触点位置信息，确定所述高频振荡发放区。
15.在一种可能的实现方式中，所述在所述癫痫患者处于癫痫发作期的情况下，根据脑电波在电极触点导联的演变过程和所述触点位置信息，确定所述癫痫患者的癫痫起始区，包括：获取所述癫痫患者在发作期的电极触点导联的原始脑电信号，所述原始脑电信号包括每组电极触点导联在癫痫发作前的基线期脑电信号和癫痫发作后的发作期脑电信号；根据所述原始脑电信号，确定每组电极触点导联的癫痫发作的演变时间；根据所述演变时间，确定癫痫发作在电极触点导联的传播顺序；根据所述传播顺序和所述触点位置信息，确定癫痫起始区。
16.在一种可能的实现方式中，所述根据所述原始脑电信号，确定每组电极触点导联的癫痫发作的演变时间，包括：获取每组电极触点导联的基线期脑电信号的指定基线期脑电信号；根据每组导联的电极触点间的所述指定基线期脑电信号，确定每组导联的电极触点间的基线期功率谱分布；获取每组电极触点导联的指定基线期后的指定基线期后脑电信号；根据每组导联的电极触点间的所述指定基线期后脑电信号，确定每组导联的电极触点间的基线期后功率谱分布；根据所述基线期功率谱分布和所述基线期后功率谱分布，确定每组导联的电极触点间的演变时间。
17.在一种可能的实现方式中，所述在所述癫痫患者处于癫痫发作间期的情况下，对一个电极触点进行电刺激，根据所述电刺激、其他电极触点的诱发电位和所述触点位置信息，确定所述癫痫患者的诱发电位异常区，包括：接收每一电极触点接受电刺激后其他电极触点的诱发电位；提取所述诱发电位的关键特征；根据关键特征，确定位于致痫区的电极触点导联；根据所述电极触点导联和所述触点位置信息，确定诱发电位异常区。
18.根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述致痫区定位装置。
19.根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述致痫区定位装置。
20.在本公开实施例中，先根据mri影像与ct影像，得到的深部电极的精确位置，在此基础上，通过癫痫发作间期获得的高频振荡发放区、发作期获得的癫痫起始区和癫痫发作间期皮层-皮层诱发电位得到的诱发电位异常区的结合，确定最终的致痫区定位。该过程
中，通过深部电极的精准定位以及多个癫痫相关区域的共同定位，提高了致痫区定位的准确度和稳定性，同时由于无需人工判读脑电图中的大量脑电原始数据，提高了临床工作效率。
21.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
22.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
23.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
24.图1示出致痫区定位的现状示意图。
25.图2示出根据本公开一实施例的致痫区定位装置的框图。
26.图3示出根据本公开一实施例的高频振荡发放区与致痫区的密切关系的示意图。
27.图4示出根据本公开一实施例的通过发作期脑电获取演变时间的示意图。
28.图5示出根据本公开一应用示例的电极触点定位装置的框图。
29.图6示出根据本公开一应用示例的电极触点定位的效果图。
30.图7示出根据本公开一应用示例的高频振荡发放区定位装置的框图。
31.图8示出根据本公开一应用示例的高频振荡发放区定位的效果图。
32.图9示出根据本公开一应用示例的癫痫起始区定位装置的框图。
33.图10示出根据本公开一应用示例的癫痫起始区定位的效果图。
34.图11示出根据本公开一应用示例的诱发电位异常区定位装置的框图。
35.图12示出根据本公开一应用示例的诱发电位异常区定位的效果图。
36.图13示出根据本公开一应用示例的致痫区定位装置的框图。
37.图14示出根据本公开一实施例的致痫区定位方法的流程图。
38.图15示出根据本公开实施例的一种电子设备的框图。
39.图16示出根据本公开实施例的一种电子设备的框图。
具体实施方式
40.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
41.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
42.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
43.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。
本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
44.外科手术是目前难治性癫痫的主要治疗手段之一，手术成功依赖于准确定位和完全切除或切断致痫区与周围脑组织的连接。其中，致痫区定义为控制癫痫发作必须切除的最小皮层数量。
45.癫痫的本质是神经元的异常放电，脑电图检查在致痫区定位中不可或缺，以立体脑电图（stereoelectroencephalography，seeg）为代表的颅内脑电技术兼具优异的时间与空间分辨率，在致痫区定位过程中具有重要价值。然而对于颅内脑电图的判读而言，目前仍较为依赖具有较强技术专业能力的医师。此外，颅内脑电图长时程监测往往带来大量脑电原始数据，人工判读耗时长、工作量大，影响了临床工作效率。
46.图1显示了目前致痫区定位的现状，图1中a为药物难治性癫痫术前评估过程中植入立体定向深部脑电用于致痫区定位；图1中b为颅内脑电图监测记录波形。通过记录到的发作期脑电，人工判读最早出现的脑电演变的导联，结合导联的解剖位置信息，协助定位致痫区。如图1所示，术前评估高度依赖发作期颅内脑电的判读，根据脑电的起始与传播来定位致痫区，面对脑电监测过程中的大量数据，传统的人工判读需要极大的工作量，分析处理效率较低，且人工专家判读受到技术人员的经验限制，具有较高的主观性，使得基于颅内脑电的致痫区定位信息难以满足效率和准确率的要求。
47.图2示出根据本公开一实施例的致痫区定位装置的框图，该致痫区定位装置可以为终端设备、服务器或者其他处理设备等。其中，终端设备可以为用户设备（user equipment，ue）、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理（personal digital assistant，pda）、手持设备、计算设备、车载设备、可穿戴设备等。
48.在一些可能的实现方式中，该致痫区定位装置可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
49.如图2所示，所述致痫区定位装置20可以包括：电极触点定位模块21，用于根据癫痫患者在脑部植入深部电极手术前的mri影像和在脑部植入深部电极手术后的ct影像，确定所述深部电极上的电极触点的触点位置信息。
50.其中，深部电极是通过立体定向的方式植入并暂时固定于特定脑区，通过其上的电极触点记录大脑皮层放电的医用电极。电极触点记录到的颅内脑电信号将用于癫痫患者的致痫区定位，因此，对于每个电极触点的精准定位对于致痫区的定位十分必要。
51.mri影像和ct影像都是三维切片影像，但是两者又有不同，前者对软组织分辨率高，后者对高密度组织显像清楚。同时，在脑部植入深部电极后，由于深部电极的相关组件中有磁性材料，不可使用mri，只能使用ct。在一种可能的实现方式中，可以在深部电极植入手术前对癫痫患者的脑部进行核磁共振成像（mri），获得脑组织的mri影像，在深部电极植入手术后对癫痫患者的脑部进行电子计算机断层扫描（ct），获得包含深部电极的脑组织的ct影像，通过mri影像和ct影像，实现深部电极（高密度）在脑组织（低密度）中的精确定位。在本实施例中，由于ct影像无法分辨各脑软组织的界限，无法辨析各脑组织的精细结构和部位，而mri影像在这方面具有很高的优越性，因此，通过mri影像与ct影像两种影像进行深部电极的协同定位，可以提高深部电极上的电极触点位置的定位精度。
52.高频振荡发放区定位模块22，用于在所述癫痫患者处于癫痫发作间期的情况下，根据脑电波中高频振荡事件对应的电极触点导联和所述触点位置信息，确定所述癫痫患者的高频振荡发放区。
53.癫痫发作间期是癫痫发作之间的时期，占据癫痫患者一生的大部分时间，尽管在癫痫发作间期没有癫痫临床发作，但是癫痫发作间期的脑电图通常可见癫痫样放电，对癫痫的诊断有重要的参考价值。
54.发作间期高频振荡（hfo）为短暂的阵发性（约8-60毫秒）电活动，hfo的最新定义为：在对脑电进行80hz高通滤波之后，至少出现连续4个周期的明显高于背景的振荡活动。按照频率，hfo主要分为涟波（ripple，80-250hz）和快速涟波（fast ripple，250-500hz）两类，尤其是其中的快速涟波发放与癫痫致痫区关系密切。图3示出了高频振荡发放区与致痫区的密切关系，图3中a显示高频振荡发放区（hfo发放区）与致痫区关系密切，可为指导手术方案提供依据；图3中b为癫痫患者的颅内深部电极植入示意图；图3中c为颅内脑电记录显示hfo发放事件（80hz高通滤波）；图3中d为时频分析显示hfo事件中包含涟波（ripple）和快速涟波（fast ripple）成分。
55.在一种可能的实现方式中，可以通过对癫痫发作间期的脑电信号进行记录，并对癫痫发作间期的脑电信号中的高频振荡事件进行检测，根据高频振荡事件对应的电极触点导联和已得到的触点位置信息，进行高频振荡发放区的精准定位，为致痫区的定位提供基础。
56.癫痫起始区定位模块23，用于在所述癫痫患者处于癫痫发作期的情况下，根据脑电波在电极触点导联的演变过程和所述触点位置信息，确定所述癫痫患者的癫痫起始区。
57.癫痫起始区为癫痫发作时发生的皮层区域，在进行颅内脑电评估过程中，发作期颅内脑电的起始与传播是定位致痫区（epileptogenic zone，ez）的电生理重要标准。
58.在一种可能的实现方式中，可以通过对癫痫发作期的脑电信号进行记录，并对发作期的脑电信号进行分析，确定发作期脑电在电极触点导联的演变过程，即确定脑电在电极触点导联的起始和传播顺序，并结合触点位置信息，进行癫痫起始区的精准定位，为致痫区的定位提供基础。
59.诱发电位异常区定位模块24，用于在所述癫痫患者处于癫痫发作间期的情况下，对一个电极触点进行电刺激，根据所述电刺激、其他电极触点的诱发电位和所述触点位置信息，确定所述癫痫患者的诱发电位异常区。
60.皮层-皮层诱发电位，是指在癫痫发作间期通过对颅内电极进行电刺激，并对其它电极的诱发电位响应情况进行记录，由于电刺激和诱发电位具有高因果性，可以为描绘癫痫网络提供高级别证据。而癫痫网络的描绘对于指导致痫区定位非常重要。
61.在一种可能的实现方式中，可以在所述癫痫患者处于癫痫发作间期的情况下，通过对深部电极上的一个电极触点进行电刺激，获得其他电极的诱发电位响应情况，依次对深部电极上的所有电极触点进行电刺激，并从电刺激产生的诱发电位中筛选出异常诱发电位（该电刺激和异常诱发电位即构成致痫区内的导联），根据诱发电位、异常诱发电位对应的电极触点，结合触点位置信息，进行诱发电位异常区的精准定位，为致痫区的定位提供基础。
62.应当理解的是，高频振荡发放区定位模块22、癫痫起始区定位模块23和诱发电位
异常区定位模块24的执行顺序可以根据实际情况而定，本公开对此不作具体限制。
63.致痫区定位模块25，用于根据所述高频振荡发放区、所述癫痫起始区和所述诱发电位异常区，确定所述癫痫患者的致痫区。
64.在一种可能的实现方式中，可以将高频振荡发放区、癫痫起始区和诱发电位异常区的重叠部位作为最终的致痫区。在一种可能的实现方式中，可以将高频振荡发放区、癫痫起始区和诱发电位异常区包括的所有部位作为最终的致痫区。本公开对根据高频振荡发放区、癫痫起始区和诱发电位异常区得到致痫区的方式不做具体限定，可根据实际情况灵活限定。
65.应当理解的是，本公开中的致痫区的定位结果仅用于预测癫痫患者的致痫区，致痫区的最终位置还需要使用其他手段去综合判断。该装置的直接目的是获得中间结果以辅助医生诊断而非诊断结果。
66.在本公开实施例中，先根据mri影像与ct影像，得到的深部电极的精确位置，在此基础上，通过癫痫发作间期获得的高频振荡发放区、发作期获得的癫痫起始区和癫痫发作间期的皮层-皮层诱发电位得到的诱发电位异常区的结合，确定最终的致痫区定位。该过程中，通过深部电极的精准定位以及多个癫痫相关区域的共同定位，提高了致痫区定位的准确度和稳定性，同时由于无需人工判读脑电图中的大量脑电原始数据，提高了临床工作效率。
67.在一种可能的实现方式中，电极触点定位模块21，包括：影像配准子模块，用于以所述mri影像为基底，将所述mri影像和所述ct影像进行配准融合，得到配准影像；体素分割子模块，用于对所述配准影像进行阈值分割，得到所述配准影像中所述深部电极的体素，作为分割结果；电极位置信息确定子模块，用于根据所述分割结果，确定每根深部电极在脑部的电极位置信息；触点位置信息确定子模块，用于根据所述电极位置信息和电极触点在深部电极上的位置信息，确定所述深部电极上的每个电极触点在脑部的触点位置信息。
68.其中，影像配准是将不同时间、不同探测器或不同条件下获取的两幅或多幅影像进行匹配、叠加的影像处理技术。由于mri影像和ct影像存在平移和旋转偏差，ct影像和mri影像的融合需要进行两种影像的配准。在一种可能的实现方式中，可以根据所述mri影像，对所述ct影像进行影像配准融合，得到配准影像。该配准融合的影像由于结合了ct影像和mri影像各自的优势，可以实现复杂构造的脑部中的深部电极的精准定位。本公开对配准融合的具体执行方法不作具体限定，可以根据情况进行选择。
69.由于深部电极密度和脑组织的密度差距较大，在一种可能的实现方式中，可以通过阈值分割的方式，得到配准影像中深部电极的体素。由于构成深部电极的数量已知，且相邻深部电极之间存在一定距离，在一种可能的实现方式中，可以通过分层聚类的方式，根据分割结果确定每根深部电极包含的体素，进而方便从配准影像中过滤出噪声，确定深部电极的具体位置。由于触点在电极上的位置是固定的，在得到电极位置信息后，在一种可能的实现方式中，可以根据所述电极位置信息和电极触点在电极上的位置信息，确定所述深部电极上的每个电极触点在脑部的触点位置信息。
70.在对配准影像进行阈值分割的过程中，与电极密度相近的脑部骨骼以及深部电极上的外部导线等会干扰对深部电极的分割，因此，有必要将脑组织以外的电极触点排除，降低之后的电极触点定位的计算量。在一种可能的实现方式中，可以根据所述mri影像，得到
所述癫痫患者的脑组织掩模图像，所述脑组织包括灰质、白质和脑脊液。进一步的，在所述以所述mri影像为基底，将所述mri影像和所述ct影像进行配准融合，得到配准影像之后和所述对所述配准影像进行阈值分割，得到所述配准影像中所述深部电极的体素，作为分割结果之前，电极触点定位模块21，用于根据所述脑组织掩模图像和所述配准影像，得到所述深部电极中位于脑组织内的影像。进一步的，所述体素分割子模块，用于对脑组织内的影像进行阈值分割，得到位于脑组织内的深部电极体素；所述电极位置信息确定子模块，用于根据所述分割结果，确定每根深部电极在脑部的靶点坐标和入点坐标；所述触点位置信息确定子模块，用于根据所述靶点坐标、所述入点坐标和电极触点在深部电极上的位置信息，确定所述深部电极上的位于脑组织内的每个电极触点在脑部的触点位置信息。通过脑组织掩膜图像的应用，可以排除脑组织外的电极和脑组织外的脑部骨骼等的干扰，进一步的，该过程减少了配准影像中进行阈值分割计算量和电极触点定位的计算量，提高了电极触点定位的速度。
71.同样的，由于脑组织中的白质和脑脊液不包含神经元，不参与高频振荡发放区、癫痫起始区和诱发电位异常区的定位，通过将灰质以外的电极部分排除，可进一步降低电极触点定位的计算量。在一种可能的实现方式中，可以根据所述mri影像，得到所述癫痫患者的灰质掩模图像。进一步的，在所述根据所述电极位置信息和电极触点在深部电极上的位置信息，确定所述深部电极上的每个电极触点在脑部的触点位置信息后，电极触点定位模块21，用于根据所述灰质掩模图像和所述每个电极触点在脑部的触点位置信息，得到所述深部电极中位于灰质内的电极触点的灰质触点位置信息。可以看出，灰质掩膜图像将后续用于确定高频振荡发放区、癫痫起始区和诱发电位异常区的计算量进一步减少。
72.根据癫痫患者的脑组织掩模图像和灰质掩模图像，依次排除了脑部外的电极触点和灰质外的电极触点，进一步避免了无关电极触点的干扰，提高了电极触点定位的准确度，同时减少了通过电极触点间的脑电信息确认致痫区的过程中的计算量。
73.在一种可能的实现方式中，电极触点定位模块21，用于对电极触点进行标注。具体的，电极触点标注可以包括电极名称标注和电极触点名称标注。对电极触点进行标注有利于对脑电图中的脑电波所属的电极触点导联进行识别。
74.在本公开实施例中，通过mri影像和ct影像的配准融合，得到配准影像，结合了ct影像和mri影像各自的优势，消除了医学影像的位置、角度偏差；通过阈值分割，有效从配准影像中将深部电极体素从脑组织中分离出来；根据分割结果，确定电极位置信息；通过电极位置信息和每根电极上电极触点的固有位置，得到电极触点的位置信息。该过程通过对无位置和角度偏差的配准影像的分割，实现了电极位置的精准定位，进而进一步提高了电极触点定位的准确度。
75.在一种可能的实现方式中，高频振荡发放区定位模块22，包括：原始脑电信号获取子模块，用于获取所述癫痫患者在癫痫发作间期的电极触点导联的原始脑电信号；振幅阈值和包络信号获取子模块，用于根据所述原始脑电信号，得到每个所述原始脑电信号的振幅阈值和包络信号；候选高频振荡事件确定子模块，用于根据所述振幅阈值和包络信号，从所述原始脑电信号中，确定候选高频振荡事件；高频振荡发放区确定子模块，用于根据所述候选高频振荡事件和所述触点位置信息，确定所述高频振荡发放区。
76.获取癫痫患者在癫痫发作间期的脑电信号是确定高频诊断发放区的前提。由于癫
痫发作间期的脑电信号会存在工频及其谐波干扰、以及双极导联间的系统参考电压干扰。在对癫痫发作间期的脑电信号进行处理得到高频振荡发放区的时候，可以先对脑电信号进行预处理。所述预处理可以包括陷波滤波、双极重参考等。具体的，陷波滤波（notch filter）可以采用3阶巴特沃斯（butterworth）滤波器，考虑到分析的频段并排除50hz的工频及其谐波干扰；双极重参考（bipolar re-reference）能够最大程度的抵消干扰，同时反映触点间局部脑区的电活动。
77.具体的，双极导联重参考的方式如公式（1）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，a1、a2代表双极参考导联，ref代表系统参考，可见经过重参考后系统参考电压被抵消。
78.经过预处理的脑电信号中高频信号的随机性仍较高，在一种可能的实现方式中，可以采取分时间窗计算标准差并取中位数的方法来确定振幅阈值，以筛选高频振荡信号。具体的，在每个导联当中，取100ms时间窗，计算该时间窗内的标准差，随后以100ms作为步长滑动窗口依次计算每个时间窗内的标准差，最终形成每个导联的标准差池，取标准差池的中位数的5倍作为最终振幅的阈值。该阈值可从原始脑电信号中确认高频振荡事件。阈值与中位数的倍数关系可以根据实际情况确定，本公开对此不作限定。
79.得到振幅阈值后，计算高通信号取绝对值后的包络信号，通过适当平滑后用于检测高频振荡事件。如果包络信号超过了振幅阈值，且在此基础上，以前后包络信号高于或低于3倍中位数作为此次突出于背景的事件的起始与结束，事件的持续时间》 6ms，则认为检测到一次候选高频振荡事件，取该事件最大幅值对应的时间点作为该信号的时间戳。具体的，上述阈值计算、包络信号计算以及基于阈值的高频振荡信号候选事件检测在80hz以及250hz以上的数据分析中分别进行两次，最终高频振荡信号候选事件取二者的并集，如果在二者中检测到的高频振荡信号候选事件时间差《50ms，则认为二者属于同一事件，进行合并处理。
80.在本公开实施例中，根据确定癫痫发作间期每个原始脑电信号的振幅阈值和包络信号，可以从原始脑电信号中，确定候选高频振荡事件，再结合触点位置信息即可确定高频振荡发放区。该过程对高频振荡事件进行了筛选，并结合触点位置信息确定了高频振荡发放区，进一步有效协助定位致痫区。
81.为实现对候选高频振荡事件的进一步分析，排除事件中的噪声（肌电、运动、线材连接状态等产生）产生的伪迹的干扰，在一种可能的实现方式中，可以对候选高频振荡事件进行时频转换，对转换后的候选高频振荡信号中的噪声进行排除。在一种可能的实现方式中，所述高频振荡发放区确定子模块，用于：根据所述候选高频振荡事件，得到高频振荡事件的时频图；通过神经网络的噪声分类器、高频振荡分类器对所述时频图中的噪声和高频振荡信号进行标注；从已标注的高频振荡信号中，确定病理性高频振荡信号；根据所述病理性高频振荡信号对应的电极触点导联和所述触点位置信息，确定所述高频振荡发放区。
82.在一种可能的实现方式中，在事件水平，可以根据上述检测到的候选高频振荡事件的时间戳进行事件提取，时间截取时间戳前后各300ms共计600ms时长的信号进行时频转换绘制时频图。通过连续小波变换进行时频变换提取不同频段的能量特征形成候选高频振荡事件对应的时频图。在一种可能的实现方式中，时频图仅纳入时间戳前后各100ms共计
200ms时长的数据，目的是通过边缘的缓冲区（buffer）减少时频变换时边缘效应的影响。为消减脑电信号能量的1/f频谱规律影响，在一种可能的实现方式中，可以将时频转换后的原始能量进行取对数处理。在此步骤绘制的候选高频振荡事件的时频图将用于后续的候选高频振荡分类当中。
83.由于高频振荡事件包含涟波（ripple）和快速涟波（fast ripple）成分，尤其是其中的快速涟波发放与局灶性癫痫致痫区关系密切，在一种可能的实现方式中，高频振荡分类器可包括涟波分类器和快速涟波分类器，其中，涟波分类器用于识别该事件是否包含涟波成分；快速涟波分类器用于识别该事件是否包含快速涟波成分。
84.进一步的，由于致痫区外的导联也会记录到生理性的高频振荡信号，对定位结果产生影响，故需对生理性高频振荡信号发放导联进行标注、排除。在一种可能的实现方式中，所述从所述原始脑电信号中，确定候选高频振荡信号，包括：从高频振荡信号中，确定病理性高频振荡信号。即，从高频振荡信号中，排除生理性高频振荡信号。具体的，在上述生成的候选高频振荡信号的基础上，提取包括发放节律性、形态刻板性以及相位振幅耦合三类在内的四种量化特征，该4种量化特征在致痫区内以及致痫区外导联均存在显著差异。在一种可能的实现方式中，可以使用机器学习xgboost分类器，以该4种特征为基础，在导联水平进行分类，从而识别并标注出生理性高频振荡信号发放的导联，进行生理性高频振荡信号的排除，仅保留病理性高频振荡信号，以提高癫痫发作间期的高频振荡发放区的定位准确度，进一步提高致痫区定位的准确度。
85.在本公开实施例中，通过分类器对候选高频振荡事件时频转换后的时频图中信号进行分离，对噪声和高频振荡信号都进行了标注，一方面，排除了肌电等产生的伪迹的干扰，提高了检测的可靠性；另一方面，可以从高频振荡事件中区分出高频振荡信号，并排除其中的生理性高频振荡信号，进一步提高了高频振荡发放区确定的准确度。
86.在一种可能的实现方式中，癫痫起始区定位模块23，可以包括：原始脑电信号获取子模块，用于获取所述癫痫患者在发作期的电极触点导联的原始脑电信号，所述原始脑电信号包括每组电极触点导联在癫痫发作前的基线期脑电信号和癫痫发作后的发作期脑电信号；演变时间确定子模块，用于根据所述原始脑电信号，确定每组电极触点导联的癫痫发作的演变时间；传播顺序确定子模块，用于根据所述演变时间，确定癫痫发作在电极触点导联的传播顺序；癫痫起始区确定子模块，用于根据所述传播顺序和所述触点位置信息，确定癫痫起始区。
87.其中，每一电极触点导联在发作期的脑电可以显示癫痫发作的时间点，在此时间点之前，脑电信号正常，在此起始点之后，癫痫开始发作，癫痫发作时的脑电与起始点前的脑电不同，因此，通过确定每一电极触点导联的癫痫演变时间（包括起始时间和传播时间），可以进一步推断癫痫发作在电极触点导联的传播顺序，进一步确定癫痫发作的起始位置。为确保选取的脑电包括癫痫发作的时间点，在一种可能的实现方式中，发作期脑电需选取最早演变出现前至少15秒的数据，且需尽量包含癫痫发作过程中的充分的演变和传播。同时，为了避免伪迹干扰，在一种可能的实现方式中，发作期脑电在选取数据时需尽可能少的包含伪迹。演变时间的确定方法，可以根据实际情况灵活选择，具体可参考后续相关内容，此处不作详细介绍。
88.在得到了癫痫发作在每一电极触点导联的传播顺序后，可以将传播顺序中的先出
现癫痫发作的数个导联之间的范围确定为癫痫起始区。在一种可能的实现方式中，可以将最早出现癫痫发作的导联以及该时间点后3秒内出现癫痫发作的导联所覆盖的范围确定为癫痫起始区。因此，可以根据所述传播顺序和所述触点位置信息，确定癫痫起始区。本公开对根据所述传播顺序和所述触点位置信息确定癫痫起始区的具体实现方法不作具体限定，可以根据实际情况灵活选择。
89.在一种可能的实现方式中，在对获取的发作期的原始脑电信号进行处理前，可以先进行预处理，所述预处理的主要步骤包括格式转换、陷波滤波工频干扰（50hz）及其谐波、双极重参考。
90.在本公开实施例中，根据确定每一电极触点导联的癫痫发作的演变时间，可以确定癫痫在电极触点间的传播顺序，再结合触点位置信息即可确定癫痫起始区。该过程量化显示了癫痫从起始到传播的电生理过程，并结合触点位置信息确定了癫痫起始区，进一步有效协助定位致痫区。
91.研究发现，在癫痫发作前一分钟功率谱与发作期的功率谱相比有明显变化，可以根据癫痫发作后的功率谱与癫痫发作前的功率谱进行对比，确定癫痫发作的演变时间。在一种可能的实现方式中，所述演变时间确定子模块，用于：获取每组电极触点导联的基线期脑电信号的指定基线期脑电信号；根据每组导联的电极触点间的所述指定基线期脑电信号，确定每组导联的电极触点间的基线期功率谱分布；获取每组电极触点导联的指定基线期后的指定基线期后脑电信号；根据每组导联的电极触点间的所述指定基线期后脑电信号，确定每组导联的电极触点间的基线期后功率谱分布；根据所述基线期功率谱分布和所述基线期后功率谱分布，确定每组导联的电极触点间的演变时间。
92.其中，指定基线期为发作演变前的一个时间段，可以由工作人员手动指定，也可设置算法自动指定，本公开对指定基线期的获取方式不作具体限定。由于较短的基线将对应较低的检测灵敏度，在一种可能的实现方式中，可以将最早出现发作演变前10秒作为基线期。在获取指定基线期后，可以分别获取指定基线期的脑电波和指定基线期后的脑电波，并以此获取每组导联的电极触点间的基线期功率谱和基线期后功率谱，将基线期功率谱和发作功率谱进行比较，即可得到演变时间。在一种可能的实现方式中，可以取第n个时间窗内与基线功率谱相比基线期后功率谱上差值最大的z(n)值作为特征信号，构建函数z(n)，形成z(n)值分布曲线，在出现演变的时间段，z(n)值将远高于基线，以此可确定出现演变的时间点。构建的函数如公式（2）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中，n代表时间窗序号，z(n)是第n个时间窗内功率谱差值的最大值，zavg为前n个时间窗内z(n)累计求和的平均值。
93.在一种可能的实现方式中，可以构建定位函数来求演变时间点，具体的，定位函数如公式（3）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）其中，n代表时间窗序号，zc(n)为累计最大功率谱差异分布，z(n)是第n个时间窗内功率谱差值的最大值，zavg为z(n)累计求和的平均值，v代表阈值参数。具体的，通常v设定为5可使zc(n)在基线期单调递减，在脑电出现演变时单调递增，所对应的拐点（zc(n)的最小值）即为脑电发生演变的时间点。
94.图4为通过发作期脑电获取演变时间的示意图。其中，图4中a为原始发作期颅内脑电；图4中b为经过算法自动检测后识别发作起始与传播的时间戳，虚线代表该导联出现发作起始或演变的时间；图4中c为发作起始导联放大图，显示通过滑动窗计算功率谱分布；图4中d为基线的功率谱计算；图4中e为基线条件下叠加平均的功率谱分布；图4中f为与基线相比不同时间窗内的最大功率谱差值频率点；图4中g为功率谱差值在不同频率上的分布；图4中h为最大功率谱差值的时间分布（公式（2））；图4中i为通过最小值拐点检测信号出现演变的准确时间点（公式（3））。
95.在本公开实施例中，通过计算指定基线期和指定基线期后的功率谱，并将基线期功率谱和基线期后功率谱进行比较，获取演变时间，该过程无需专业性强的医生进行癫痫发作期演变时间的检测，大大提高了演变时间获取的效率和准确度。
96.在一种可能的实现方式中，诱发电位异常区定位模块24，包括：诱发电位接收子模块，用于接收每一电极触点接受电刺激后其他电极触点的诱发电位；关键特征提取子模块，用于提取所述诱发电位的关键特征；电极触点导联确定子模块，用于根据关键特征，确定位于致痫区的电极触点导联；诱发电位异常区确定子模块，用于根据所述电极触点导联和所述触点位置信息，确定诱发电位异常区。
97.在一种可能的实现方式中，所述电刺激可以为单脉冲电刺激。具体的，单脉冲电刺激的方式可以为：患者清醒平卧与病床，选取的电刺激物理参数为：脉宽300μs，电流强度6ma，频率0.5hz，波形双相方波，脉冲数量40次。对相邻的触点逐一进行电刺激，其余电极用于记录。本公开对电刺激的方式不作具体限定，可以根据具体情况选择对一个电极触点进行刺激并得到其他电极触点的诱发电位的电刺激方式。
98.在对电极触点进行电刺激后，可以对得到的诱发电位进行预处理。具体的，预处理的过程可以包括：双极重参考、1hz高通滤波。双极导联参考可以消减远处信号源的干扰。滤波可以提高原始数据的信噪比。陷波滤波排除掉50hz交流电的工频干扰。高通滤波通常设置为1hz，低通滤波通常设置为300hz。
99.在一种可能的实现方式中，所述预处理后还需对诱发电位进行脑电分割，即根据时间戳确定每一电刺激产生的具体的诱发电位。具体的，可以将连续的时间序列切分，根据是否存在ttl脉冲导联标记刺激时间点，选取ttl导联或者刺激伪迹确认单脉冲刺激的时间戳。随后以该时间戳作为时间0点进行分割。切分的时间窗为1500ms，刺激前500ms和刺激后1000ms。为了凸显刺激后的响应，需要有控制数据的对比。在一种可能的实现方式中，可以选取的基线校准的时间段为刺激前200ms到刺激前10ms。所有的数据经过人工检查，剔除被伪迹污染的数据。刺激伪迹范围选择为-10-5ms，去除刺激伪迹后采用线性插值法填充数据。
100.在一种可能的实现方式中，所述确定诱发电位特征，包括：提取诱发电位的时间序列特征和波峰特征。具体的，所述时间序列特征为诱发电位的原始时间序列数据；所述波峰特征为通过阈值设定法得到超过阈值的第一个显著波峰的潜伏期、幅值、显著性、达峰时间、峰宽以及曲线下面积。
101.由于诱发电位特征较多，难免存在一些高度相关的特征，因此，需要在诱发电位特征中进行关键特征的提取。在一种可能的实现方式中，所述关键特征的提取可以包括数据降维。具体的，所述数据降维的方式可以包括：过滤式（通过统计检验的方式进行单特征选
择，对特征进行组间差异的检验，筛选出具有显著性的特征用于后续分析）、包裹式（先利用基模型进行多轮迭代训练，每一轮过后排除对预测贡献最小的特征，直到余下的特征满足要求为止）两种方法。
102.关键特征的提取后，在一种可能的实现方式中，可以利用机器学习算法建立致痫区导联预测模型以确定位于致痫区的电极触点导联。在特征选择的基础上利用机器学习算法建立致痫区导联预测模型以实现定位目的。其中，监督学习模型，可以为罗杰斯特回归（logistics regression）、支持向量机（supportvector machine, svm）、随机森林（random forest）或人工神经网络（artificial neural networks）。监督学习主要分为两个步骤即训练和测试。在训练阶段，各个样本的关键特征和实际的临床判定的致痫区与否的标签被送入到模型中，通过迭代训练降低损失函数值达到优化模型参数的目的，并且在训练过程中不断地利用交叉验证判断模型是否达到最优状态。在测试阶段，直接输入待测样本的关键特征，评估模型预测值和实际的临床标签的差异，选择性能最优模型实施判定位于致痫区的导联，辅助定位致痫区。机器学习模型在确定诱发电位异常区过程中的应用，可以提高确定诱发电位异常区的效率，降低诱发电位异常区定位的难度，同时提高诱发电位异常区定位的实用性和泛化能力。
103.在得到位于致痫区的电极触点导联后，可以结合触点位置信息描绘癫痫网络，即确定诱发电位异常区，进一步确定致痫区的具体位置。本公开对根据所述电极触点导联和所述触点位置信息确定诱发电位异常区的方式不作具体限制。
104.在本公开实施例中，根据对每一电极触点进行电刺激后其他电极触点的诱发电位的关键特征，确定位于致痫区的电极触点导联，并结合触点位置信息，实现了诱发电位异常区的确定。该过程通过确定每一电极触点关联的诱发电位，实现了基于诱发电位的描绘癫痫发作网络的直观描绘，为致痫区的定位提供了基础。
105.应用场景示例一立体脑电图在当前的致痫区定位过程中具有重要价值，其通过深部电极记录的颅内脑电信号定位癫痫患者的致痫区，因此，对于深部电极上每个电极触点的精准定位对于致痫区的定位十分必要。
106.图5示出根据本公开一应用示例的示意图，如图5所示，本公开实施例提出了一种电极触点定位装置，该电极触点定位装置可以大致分为两大模块：影像预处理模块。该模块主要用于影像配准和脑组织掩模处理。其中，影像配准是以所述mri影像为基底，将所述mri影像和所述ct影像进行配准融合，得到配准影像。脑组织掩模处理是将配准影像通过mri影像制作的脑组织掩模处理，得到位于脑组织内的配准影像。
107.电极定位与标注模块。该模块主要用于阈值分割、分层聚类、靶点入点位置确认、脑组织内电极触点位置确认、灰质掩膜处理和灰质内电极触点标注。具体的，所述阈值分割，为对位于脑组织内的配准影像进行阈值分割，得到脑组织内的配准影像中所述深部电极的体素，作为分割结果；所述分层聚类，为对分割结果进行分层聚类处理，确定每根深部电极包含的体素；所述靶点入点位置确认，为根据每根深部电极包含的体素，确认每根深部电极上靶点和入点的位置信息；所述脑组织内电极触点位置确认，为根据每根深部电极上靶点和入点的位置信息和电极触点在深部电极上的位置信息，确认深部电极上每个电极触
点在脑部的触点位置信息；所述灰质掩膜处理，为对脑组织内的电极触点进行灰质掩膜处理，得到位于灰质内的电极触点的位置信息；所述灰质内电极触点标注，为对灰质内的每个电极触点的名称进行标注。
108.实施效果：表1为7例癫痫患者信息数据，共计植入80根深部电极，包括1030个电极触点。图6为对这些电极触点标注结果的示例图，其中，图6中a为触点自动解剖标注结果的截面示意图，图6中b为灰白质触点的立体透视图，图6中c和图6中d为触点解剖位置的标注结果。
109.自动标注结果显示746（72.43%）个触点被标记为灰质触点。自动标注结果与人工标注的结果的吻合率分别为95.83%（灰白质标注）和90.78%（基于aal图谱的解剖标注）。根据表1和图6可知，该装置的电极触点定位结果均较为准确。
110.在本公开实施例中，通过mri影像和ct影像的配准融合，得到配准影像，结合了ct影像和mri影像各自的优势，消除了医学影像的位置、角度偏差；通过阈值分割，有效从配准影像中将深部电极体素从脑组织中分离出来；通过分层聚类实现了每根电极体素的自动划分，根据得到的电极位置信息；通过每根电极上触点的固有位置，得到电极触点的位置信息。该过程通过对无位置和角度偏差的配准影像的分割和聚类，实现了电极位置的精准定位，进而进一步提高了电极触点定位的准确度。
111.表 1：纳入分析的7例癫痫患者临床数据m: 男性; f: 女性; l: 左侧; r: 右侧; b: 双侧; f: 额叶; t: 颞叶; p: 顶叶; o: 枕叶; i: 岛叶。
112.应用场景示例二大量研究表明hfo，尤其是其中的快速涟波发放与局灶性癫痫致痫区关系密切。人工判读目前仍然是hfo分析的常规方式，但其存在耗时严重、主观性强、分析者间结果一致性差等缺点，若要得到可靠结果通常需要两位以上的判读者进行事件标注分析。
113.图7示出根据本公开一应用示例的示意图，如图7所示，本公开实施例提出了一种高频振荡发放区定位装置，该高频振荡发放区定位装置可以大致分为七个模块：原始脑电信号获取模块。用于在电极触点定位的基础上，获取癫痫患者在癫痫发作间期的电极触点导联的原始脑电信号。
114.原始脑电信号的预处理模块。用于陷波滤波、双极重参考。具体的，陷波滤波采用3阶巴特沃斯（butterworth）滤波器，考虑到分析的频段并排除50hz的工频及其谐波干扰；双
极重参考（bipolar re-reference）抵消系统参考电压。
115.候选高频振荡事件检测模块。用于振幅阈值计算、包络信号计算和候选高频振荡事件（即候选hfo事件）检测。具体的，所述振幅阈值计算，为在每个导联当中，取100ms时间窗，计算该时间窗内的标准差，随后以100ms作为步长滑动窗口依次计算每个时间窗内的标准差，最终形成每个导联的标准差池，取标准差池的中位数的5倍作为最终振幅的阈值；所述包络信号计算，为计算高通信号取绝对值后的包络信号，且对包络信号进行适当平滑；所述候选高频振荡事件检测，为在计算出包络信号后，如果包络信号超过了上述5倍标准差的阈值，且在此基础上，以前后包络信号高于或低于3倍标准差作为此次突出于背景的事件的起始与结束，事件的持续时间》6ms，则认为检测到一次hfo候选事件，取该事件最大幅值对应的时间点作为该事件的时间戳。上述阈值计算、包络信号计算以及基于阈值的hfo候选事件检测在80hz以及250hz以上的数据分析中分别进行两次，最终hfo候选事件取二者的并集，如果在二者中检测到的hfo候选事件时间差 《 50ms，则认为二者属于同一事件，进行合并处理。
116.候选高频振荡事件时频转换模块。用于根据上述检测到的候选高频振荡事件的时间戳进行事件提取，时间截取时间戳前后各300ms共计600ms时长的信号进行时频转换绘制时频图。通过连续小波变换进行时频变换提取不同频段的能量特征形成候选高频振荡事件对应的时频图。
117.时频图中事件分类模块。用于通过一包含噪声分类器、涟波分类器和快速涟波分类器的神经网络对候选振荡事件对应的时频图中的事件进行分类，获取包括涟波和快速涟波的高频振荡信号。
118.导联分类模块。用于提取候选高频振荡事件中包括发放节律性、形态刻板性以及相位振幅耦合三类在内的四种量化特征，随后使用机器学习xgboost分类器，以该4种特征为基础，对第五步得到的高频振荡信号对应的电极触点导联进行分类，从而识别并标注生理性hfo发放的导联，进行排除。
119.高频振荡发放区定位模块。用于根据第六步得到的包括涟波和快速涟波的高频振荡信号对应的电极触点导联和已知的触点位置信息，确定高频振荡发放区。
120.实施效果：表2为对20名癫痫患者中hfo检测与分类结果的实施效果。
121.表2 20名癫痫患者当中hfo自动检测与分类结果预测致痫区的auc
chfo: 候选hfo事件（candidate high frequency oscillation）；qhfo: 去除伪迹的hfo事件（quality high frequency oscillation）； fr：快速涟波；auc: 曲线下面积（area under the curve）。
122.从表2可以看出，总体上，候选hfo事件、去除伪迹的hfo事件和包含fr的去除伪迹的hfo事件的auc值较高，检测效果良好，且去除伪迹的hfo事件的auc优于候选hfo事件的auc，去除伪迹的hfo事件中快速涟波的auc值也高于候选hfo事件的auc。
123.图8为hfo特征构建筛选生理性hfo与病理性hfo导联的应用效果。其中，图8中a显示致痫区内与致痫区外导联在hfo刻板性上存在显著差异；图8中b和图8中c为hfo发放的时间间隔分布，采用分布的峰度和偏度计量，结果显示致痫区的hfo发放节律性较高，即发放的时间间隔较为恒定；图8中d显示致痫区内外hfo的相位振幅耦合特征同样存在差异；图8中e显示在上述特征提取的基础上，使用机器学习xgboost分类器进行分类，能够达到良好的区分度，auc = 0.89；图8中f为不同特征对于分类结果的贡献度；图8中h显示在分类前
hfo分布与实际临床判定的致痫区（红色范围）存在差异；图8中i显示在分类后保留病理性hfo导联，其分布与实际临床判定的致痫区一致性较高。
124.在本公开实施例中，根据确定癫痫发作间期每个原始脑电信号的振幅阈值和包络信号，可以从原始脑电信号中，确定候选高频振荡事件，再结合触点位置信息即可确定高频振荡发放区。该过程对高频振荡事件进行了筛选，并结合触点位置信息确定了高频振荡发放区，进一步有效协助定位致痫区。
125.应用场景示例三在进行颅内脑电评估过程中，发作期颅内脑电的起始与演变传播是定位致痫区的电生理重要标准。人工判读标注每个导联的演变起始仍是目前临床工作的主流路径。科研方面，仅有的数种方法仅针对发作期脑电的高成分进行量化建模，难以适用于具有多种频段演变的临床实际发作形式。
126.图9示出根据本公开一应用示例的示意图，如图9所示，本公开实施例提出了一种癫痫起始区定位装置，该癫痫起始区定位装置可以大致分为四个模块：原始脑电信号获取模块，用于在电极触点定位的基础上，获取发作期的电极触点导联的原始脑电信号。其中，所述原始脑电信号包括每组电极触点导联在癫痫发作前的基线期脑电信号和癫痫发作后的发作期脑电信号。
127.原始脑电信号的预处理模块。主要用于格式转换、陷波滤波工频干扰（50hz）及其谐波、双极重参考。
128.基线选择模块。主要用于人工指定基线期，该基线期为最早出现发作演变的前10秒。
129.基于滑动窗的演变时间点检测模块。主要用于基线期功率谱计算、基线期后功率谱计算和演变时间确定。所述基线期和基线期后功率谱计算，为通过滑动窗的方式计算每个滑动窗内的功率谱，滑动窗定义为1秒的方窗，时间窗重叠度为0.9秒，如此便提供100毫秒的时间分辨率，计算整个数据截取长度下每个导联的功率谱分布；所述演变时间确定，为将基线期后功率谱与基线期功率谱分布进行比较，取滑动窗内与基线分布相比全频段上差值最大的z值作为特征信号，从而形成z值分布曲线，在出现演变的时间点，z值将远高于基线，以此为基础设计自动检测函数，确定出现演变的时间点。
130.实施效果：图10为发作期的癫痫起始区的定位效果。图10中a中为5种不同的癫痫发作起始类型的检测结果，可以看出，不同类型的癫痫发作起始均能被方法准确检测；图10中b为同一患者不同电极触点导联的检测结果，同一患者内，不同导联显示了癫痫从起始到传播的过程，起始和传播脑电演变类别不同，但均可被自动检测方法准确识别，从而量化显示癫痫从起始到传播的电生理过程，协助定位致痫区。
131.在本公开实施例中，根据确定每一电极触点导联的癫痫发作的演变时间，可以确定癫痫在电极触点间的传播顺序，再结合触点位置信息即可确定癫痫起始区。该过程量化显示了癫痫从起始到传播的电生理过程，并结合触点位置信息确定了癫痫起始区，进一步有效协助定位致痫区。
132.应用场景示例四发作间期皮层-皮层诱发电位是指在所述癫痫患者处于癫痫发作间期的情况下，
通过颅内电极进行单脉冲电刺激，可以为描绘癫痫网络提供高级别证据。而癫痫网络的描绘对于指导致痫区定位与切除范围至关重要。
133.图11示出根据本公开一应用示例的示意图，如图11所示，本公开实施例提出了一种诱发电位异常区定位装置，该诱发电位异常区定位装置可以大致分为五个模块：诱发电位获取模块，用于在电极触点定位的基础上，获取诱发电位。具体的，轮流对所有灰质内电极触点进行单脉冲电刺激，并记录其他电极触点的诱发电位。单脉冲电刺激的方式可以为：患者清醒平卧与病床，选取的电刺激物理参数为：脉宽300μs，电流强度6ma，频率0.5hz，波形双相方波，脉冲数量40次。对相邻的触点逐一进行电刺激，其余电极用于记录。
134.诱发电位预处理模块。主要用于包括：双极重参考、1hz高通滤波。双极导联参考可以消减远处信号源的干扰。滤波可以提高原始数据的信噪比。陷波滤波排除掉50hz交流电的工频干扰。高通滤波通常设置为1hz，低通滤波通常设置为300hz。
135.基于单脉冲时间戳的脑电分割模块。用于根据时间戳确定每一电刺激产生的具体的诱发电位。具体的，可以将连续的时间序列切分，根据是否存在ttl脉冲导联标记刺激时间点，选取ttl导联或者刺激伪迹确认单脉冲刺激的时间戳。随后以该时间戳作为时间0点进行分割。切分的时间窗为1500ms，刺激前500ms和刺激后1000ms。为了凸显刺激后的响应，需要有控制数据的对比。在一种可能的实现方式中，选取的基线校准的时间段为刺激前200ms到刺激前10ms。所有的数据经过人工检查，剔除被伪迹污染的数据。刺激伪迹范围选择为-10-5ms，去除刺激伪迹后采用线性插值法填充数据。
136.诱发电位特征提取模块。用于提取诱发电位的时间序列特征和波峰特征。具体的，所述时间序列特征为诱发电位的原始时间序列数据；所述波峰特征为通过阈值设定法得到超过阈值的第一个显著波峰的潜伏期、幅值、显著性、达峰时间、峰宽以及曲线下面积。在一种可能的实现方式中，在特征选择的基础上，可以利用机器学习算法建立致痫区导联预测模型以实现定位目的。
137.确定位于致痫区的电极触点导联模块。用于利用机器学习算法建立致痫区导联预测模型以确定位于致痫区的电极触点导联。在特征选择的基础上利用机器学习算法建立致痫区导联预测模型以实现定位目的。主要分为两个步骤即训练和测试。在训练阶段，各个样本的关键特征和实际的临床判定的致痫区与否的标签被送入到模型中，通过迭代训练降低损失函数值达到优化模型参数的目的，并且在训练过程中不断地利用交叉验证判断模型是否达到最优状态。在测试阶段，直接输入待测样本的关键特征，评估模型预测值和实际的临床标签的差异，选择性能最优模型实施判定位于致痫区的导联，辅助定位致痫区。
138.实施效果：前期应用效果显示，与传播（pz）和非累及区（niz）内诱发电位响应相比，致痫区（ez）内响应最强。另外，含有ez和pz的响应通常比含有niz的响应要强。此外，不同区域之间的响应存在一种相对对称的连接模式，例如ez到pz的响应和pz到ez的响应之前无显著差异。统计结果显示，刺激ez、pz和niz的平均反应在区域间（ancova，f（2,71）=44.50，p《0.001）和相互之间（tukey hsd事后检验）均有显著性差异。刺激ez时，响应的中位z标准化数为0.58 (-0.45 到 1.08)；刺激pz时，响应的中位z标准化数为-0.19 (-0.65 到 0.92)；刺激niz时，响应的中位z标准化数为-0.49 (-0.78 到 0.19)。在对所有电极进行轮流进行
电刺激时，在ez、pz和niz上记录到的平均响应强度在区域间（ancova，f（2,71）=141.15，p《0.001）和相互之间（tukey事后检验）有显著差异。ez上记录到的响应中位z标准化数为0.70 (0.08 到 1.13)；pz上记录到的响应中位z标准化数为0.01 (-0.53 到 0.59)；niz上记录到的响应中位z标准化数为-0.70 (-1.02 到
ꢀ‑
0.34)。
139.图12为在对诱发电位进行特征提取和降维之后，通过机器学习支持向量机（svm）模型，对致痫区内外的电极进行分类的效果图。图12中a为通过训练集数据完成训练后支持向量机模型的效果评估；图12中b为训练后的支持向量机模型在测试数据集中的分类性能评估结果，初步结果显示在测试集中auc能够达到0.78，提示具有良好的电极分类（即致痫灶定位）价值。
140.在本公开实施例中，根据对每一电极触点进行电刺激后其他电极触点的诱发电位的关键特征，确定位于致痫区的电极触点导联，并结合触点位置信息，实现了诱发电位异常区的确定。该过程通过确定每一电极触点关联的异常诱发电位，实现了基于诱发电位的描绘癫痫发作网络的直观描绘，为致痫区的定位提供了基础。
141.应用场景示例五近年来，立体脑电定位致痫灶技术已在临床种逐渐推广开展，然而对于颅内脑电图的判读而言，目前仍较为依赖具有较强技术专业能力的医师。此外，颅内脑电图长时程监测往往带来大量脑电原始数据，人工判读耗时长、工作量大，影响了临床工作效率。
142.本发明为解决基于颅内脑电的致痫灶定位问题，提出了包括深部电极空间定位、癫痫发作间期高频振荡发放区检测、癫痫发作期癫痫起始区检测以及电刺诱发电位异常区检测四个模块为一体的总体解决思路框架，并通过临床实际数据分别进行了完备的技术验证，以保证本发明的可行性。
143.如图13所示，该致痫区定位装置可以大致分为五个模块：电极触点定位模块。具体内容可以参见应用场景示例一。
144.高频振荡发放区定位模块。具体内容可以参见应用场景实施例二。
145.癫痫起始区定位模块。具体内容可以参见应用场景实施例三。
146.诱发电位异常区定位模块。具体内容可以参见应用场景实施例四。
147.致痫区定位模块。用于根据高频振荡发放区、癫痫起始区和诱发电位异常区，确定癫痫患者的致痫区。具体的，可以用于将高频振荡发放区、癫痫起始区和诱发电位异常区三者共同重合的部位作为致痫区。
148.实施效果：以植入10根深部电极为例，本发明所述装置完成电极定位人工操作时间仅需约5分钟，触点的空间位置坐标误差＜1mm，与人工判读相比自动标注灰质触点准确度》95%。在电极准确定位的基础上，通过高频振荡、发作期脑电演变时间自动标注以及基于单脉冲电刺激的诱发电位三种量化处理技术，结合特征提取与机器学习分类模型相关技术，判断三种装置定位结果的一致性以及相互之间的重叠关系，能够有效实现对位于致痫区内的导联标注，从而实现致痫区定位的目的。
149.在本公开实施例中，先根据mri影像与ct影像，得到的深部电极的精确位置，在此基础上，通过癫痫发作间期获得的高频振荡发放区、发作期获得的癫痫起始区和癫痫发作间期皮层-皮层诱发电位得到的诱发电位异常区的结合，确定最终的致痫区定位。该过程
中，通过深部电极的精准定位以及多个癫痫相关区域的共同定位，提高了致痫区定位的准确度和稳定性，同时由于无需人工判读脑电图中的大量脑电原始数据，提高了临床工作效率。
150.可以理解，本公开提及的上述各个装置实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述装置中，各模块的具体执行顺序应当以其功能和可能的内在逻辑确定。
151.此外，本公开还提供了致痫区定位方法、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种致痫区定位制作，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
152.图14示出根据本公开一实施例的致痫区定位方法的流程图，该方法可以应用于致痫区定位装置，致痫区定位装置可以为终端设备、服务器或者其他处理设备等。其中，终端设备可以为用户设备（user equipment，ue）、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理（personal digital assistant，pda）、手持设备、计算设备、车载设备、可穿戴设备等。
153.在一些可能的实现方式中，该致痫区定位方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
154.如图14所示，所述致痫区定位方法可以包括：步骤s141，根据癫痫患者在脑部植入深部电极手术前的mri影像和在脑部植入深部电极手术后的ct影像，确定所述深部电极上的电极触点的触点位置信息；步骤s142，在所述癫痫患者处于癫痫发作间期的情况下，根据脑电波中高频振荡事件对应的电极触点导联和所述触点位置信息，确定所述癫痫患者的高频振荡发放区；步骤s143，在所述癫痫患者处于癫痫发作期的情况下，根据脑电波在电极触点导联的演变过程和所述触点位置信息，确定所述癫痫患者的癫痫起始区；步骤s144，在所述癫痫患者处于癫痫发作间期的情况下，对一个电极触点进行电刺激，根据所述电刺激、其他电极触点的诱发电位和所述触点位置信息，确定所述癫痫患者的诱发电位异常区；步骤s145，根据所述高频振荡发放区、所述癫痫起始区和所述诱发电位异常区，确定所述癫痫患者的致痫区。
155.在一种可能的实现方式中，所述根据癫痫患者在脑部植入深部电极手术前的mri影像和在脑部植入深部电极手术后的ct影像，确定所述深部电极上的电极触点的触点位置信息，包括：以所述mri影像为基底，将所述mri影像和所述ct影像进行配准融合，得到配准影像；对所述配准影像进行阈值分割，得到所述配准影像中所述深部电极的体素，作为分割结果；根据所述分割结果，确定每根深部电极在脑部的电极位置信息；根据所述电极位置信息和电极触点在深部电极上的位置信息，确定所述深部电极上的每个电极触点在脑部的触点位置信息。
156.在一种可能的实现方式中，所述在所述癫痫患者处于癫痫发作间期的情况下，根据脑电波中高频振荡事件对应的电极触点导联和所述触点位置信息，确定所述癫痫患者的高频振荡发放区，包括：获取所述癫痫患者在癫痫发作间期的电极触点导联的原始脑电信
号；根据所述原始脑电信号，得到每个所述原始脑电信号的振幅阈值和包络信号；根据所述振幅阈值和包络信号，从所述原始脑电信号中，确定候选高频振荡事件；根据所述候选高频振荡事件和所述触点位置信息，确定所述高频振荡发放区。
157.在一种可能的实现方式中，所述根据所述候选高频振荡事件和所述触点位置信息，确定所述高频振荡发放区，包括：根据所述候选高频振荡事件，得到高频振荡事件的时频图；通过神经网络的噪声分类器、高频振荡分类器对所述时频图中的噪声和高频振荡信号进行标注；从已标注的高频振荡信号中，确定病理性高频振荡信号；根据所述病理性高频振荡信号对应的电极触点导联和所述触点位置信息，确定所述高频振荡发放区。
158.在一种可能的实现方式中，所述在所述癫痫患者处于癫痫发作期的情况下，根据脑电波在电极触点导联的演变过程和所述触点位置信息，确定所述癫痫患者的癫痫起始区，包括：获取所述癫痫患者在发作期的电极触点导联的原始脑电信号，所述原始脑电信号包括每组电极触点导联在癫痫发作前的基线期脑电信号和癫痫发作后的发作期脑电信号；根据所述原始脑电信号，确定每组电极触点导联的癫痫发作的演变时间；根据所述演变时间，确定癫痫发作在电极触点导联的传播顺序；根据所述传播顺序和所述触点位置信息，确定癫痫起始区。
159.在一种可能的实现方式中，所述根据所述原始脑电信号，确定每组电极触点导联的癫痫发作的演变时间，包括：获取每组电极触点导联的基线期脑电信号的指定基线期脑电信号；根据每组导联的电极触点间的所述指定基线期脑电信号，确定每组导联的电极触点间的基线期功率谱分布；获取每组电极触点导联的指定基线期后的指定基线期后脑电信号；根据每组导联的电极触点间的所述指定基线期后脑电信号，确定每组导联的电极触点间的基线期后功率谱分布；根据所述基线期功率谱分布和所述基线期后功率谱分布，确定每组导联的电极触点间的演变时间。
160.在一种可能的实现方式中，所述在所述癫痫患者处于癫痫发作间期的情况下，对一个电极触点进行电刺激，根据所述电刺激、其他电极触点的诱发电位和所述触点位置信息，确定所述癫痫患者的诱发电位异常区，包括：接收每一电极触点接受电刺激后其他电极触点的诱发电位；提取所述诱发电位的关键特征；根据关键特征，确定位于致痫区的电极触点导联；根据所述电极触点导联和所述触点位置信息，确定诱发电位异常区。
161.本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
162.本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述装置。
163.本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的致痫区定位装置的指令。
164.本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的致痫区定位装置的操作。
165.电子设备可以被提供为终端、服务器或其它形态的设备。
166.图15示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以
是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
167.参照图15，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出接口812，传感器组件814，以及通信组件816。
168.处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
169.存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（sram），电可擦除可编程只读存储器（eeprom），可擦除可编程只读存储器（eprom），可编程只读存储器（prom），只读存储器（rom），磁存储器，快闪存储器，磁盘或光盘。
170.电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
171.多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（lcd）和触摸面板（tp）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
172.音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风（mic），当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
173.输入/输出接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
174.传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评价。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，
如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
175.通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信（nfc）模块，以促进短程通信。例如，在nfc模块可基于射频识别（rfid）技术，红外数据协会（irda）技术，超宽带（uwb）技术，蓝牙（bt）技术和其他技术来实现。
176.在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路（asic）、数字信号处理器（dsp）、数字信号处理设备（dspd）、可编程逻辑器件（pld）、现场可编程门阵列（fpga）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
177.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
178.图16示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图16，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
179.电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出（i/o）接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows server
tm
，mac os x
tm
，unix
tm
, linux
tm
，freebsd
tm
或类似。
180.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
181.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
182.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、静态随机存取存储器（sram）、便携式压缩盘只读存储器（cd-rom）、数字多功能盘（dvd）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
183.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/
处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
184.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（isa）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（fpga）或可编程逻辑阵列（pla），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
185.这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
186.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
187.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
188.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
189.该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
190.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。