早期脑白质异常预测方法及装置、存储介质与流程

本发明涉及人工智能，尤其涉及一种基于多模式电磁场生物检测(包括阻抗)的早期脑白质异常检测方法及装置。

背景技术：

1、颅脑疾病如脑卒中(脑出血、脑梗塞)、脑肿瘤、脑痴呆(阿尔茨海默症)、颅内感染、脑缺血缺氧、颅脑损伤、脑积水、脑萎缩、脑炎、帕金森综合症、精神病等疾病，对人类威胁极大。脑部疾病均呈现高患病率、高死亡率、高致残率、高复发率、高治疗费等特点。特别是颅脑慢性病，病发初期体征症状不明显、甚至患者无察觉，待有明显体征症状再确诊时，基本属于病情中晚期，已经不可逆转，救治难度极大。颅脑疾病导致的脑组织损伤是不可逆的，偏瘫、失明、失语、失意等后遗症严重。后遗症患者需要终身陪护和康复治疗，人力、财力耗费严重。患者自身长期痛苦的同时，对家庭成员精力消耗，社会医疗资源占用都构成巨大负担。因此，提高颅脑重大疾病的救治率需要由“以治病为中心”向“以健康为中心”转变。并且，大多数脑部疾病都缺乏根治手段，因此，早诊早治是控制脑疾病蔓延、守护全民脑健康的首选途径。故而，脑部疾病的早期发现和筛查显得十分重要和急迫。

2、脑部疾病风险早期筛查是脑部大健康管理的重要环节，其致力于前移脑卒中、脑肿瘤、脑痴呆等重大脑部疾病的预防关口，真正实现复杂脑疾病的早发现、早治疗，积极改善国人的脑健康状况，助力形成涵盖脑健康体检、评估、管理和治疗一体化的预防诊治机制。

3、目前，颅脑疾病的检测方式有多种，例如通过机器学习方法来进行检测。但大多都是通过采集患者的多种生理指标来进行风险预测。例如，cn 111968746 a其通过用户的健康监测数据，如中性粒细胞数、淋巴细胞数、嗜酸性粒细胞数、嗜碱性粒细胞数、总蛋白数值、白蛋白数值、球蛋白数值、总胆红素数值、直接胆红素数值、钾含量比值、钠含量比值、钙含量比值、尿素氮数值、甘油三酯数值、高密度脂蛋白数值、低密度脂蛋白数值、红细胞平均体积、凝血酶原时间、活化部分凝血活酶时间、纤维蛋白原数值、是否患高血压、是否患糖尿病、是否患高脂血症等来进行机器学习。

4、电磁场生物检测技术，是目前国际上的前沿技术，特别是把该技术运用在颅脑疾病检测是今后神经学领域的一个重要方向。由于该技术的优点，例如无创、数字化、实时、可移动等，运用在颅脑疾病检测上能够实现安全、准确的要求，所以该技术受到了神经学界的高度重视。使用电磁场生物检测技术，目前世界上已有的进展就是对颅脑疾病实现一个比较粗糙的检测方式，如使用检测参数，如扰动系数、生物阻抗系数等参数，实现全脑的粗糙检测，然后根据检测结果确定治疗方案。

5、例如，本技术人提出一种基于电磁场生物检测技术的颅脑监测设备(参见cn102525458b)，以及提出一系列基于电磁场生物检测技术的颅脑疾病监护方法和检测系统。例如，cn115736876a、cn115120223a。其中，发明专利申请cn115736876a通过将四个电极片来分别固定在患者颅脑的左侧和右侧、前额位置和后枕部位置，将电极片与监护仪连接，从而左侧和前额之间的电极片生成的扰动系数，右侧和前额之间的电极片生成的扰动系数，左侧和后枕部的电极片生成的扰动系数，右左侧和后枕部的电极片生成的扰动系数，左侧和右侧的电极片生成的扰动系数或全脑的扰动系数；然后根据这五个扰动系数来判断水肿程度、是否出血或产生积水。也即通过使用四个电极，设置在颅脑不同部位，可以实现对颅脑不同部位的病变组织进行有针对性的立体空间的多参数检测。其中，发明专利申请cn115120223a通过特定位置的电极片采集到的阻抗频谱数据来进行机器学习，并利用机器学习后的模型进行早期脑梗塞和脑出血的检测。us2019021647a公开了使用干扰系数、微分阻抗和人工神经网络来筛选恶性神经胶质瘤、其他脑肿瘤和脑损伤的系统和方法。该系统在规定的频率范围内计算干扰系数和差分阻抗。干扰系数是一个加权系数，它包括许多因素，例如使用不同测量配置的差分阻抗等，差分阻抗包括具有不同配置的传输差分阻抗和接收差分阻抗。该方法包括使检测脑组织状况的灵敏度最大化的布置。它是通过发射通过人脑组织传播的规定电磁波，测量脑组织的微分阻抗，并使用人工神经网络以高灵敏度和特异性筛查恶性胶质瘤、其他脑肿瘤和脑疾病来实现的。但现有的装置及方法都不适应于进行因早期脑白质病变而导致异常的预测。

技术实现思路

1、本发明的目的在于提供一种基于多模式电磁场生物检测的早期脑白质异常检测方法及装置，部分地解决或缓解现有技术中的上述不足，可用于早期脑白质病变引起颅脑在特定激励信号下的电磁场生物信号异常检测。

2、为了解决上述所提到的技术问题，本发明具体采用以下技术方案：

3、本发明的第一方面在于，提供了样子红基于多模式电磁场生物检测的早期脑白质异常预测方法，其包括：

4、获取用户预先配置的检测参数；所述检测参数包括：第一预设检测模式组合；所述第一预设检测模式组合包括至少一种间接检测模式，以及至少一种直接检测模式；

5、通过设置在待检测用户颅脑上预设六个位置的六个电极片，获取待检测用户在所述第一预设检测模式组合下的扰动系数数据集；

6、将所述扰动系数数据集输入预先训练好的异常检测模型，预测得到所述待检测用户因早期脑白质异常而导致异常的异常预测概率；

7、将所述异常预测概率与预设阈值进行比较，得到预测结果；所述预测结果包括：无风险、疑似风险、低风险、中风险和高风险；

8、其中，所述第一预设检测模式组合包括：

9、检测模式一：将位于所述前额位置的电极片作为激励发射端，将位于所述后枕部位置的电极片作为接地端，将位于所述颅脑左前侧、所述颅脑左后侧、所述颅脑右前侧和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r1、r2、r3、r4组成的第一扰动系数数据子集；

10、检测模式二：将位于所述前额位置的电极片作为激励发射端，将位于所述后枕部位置的电极片悬空，将位于所述颅脑左前侧、所述颅脑左后侧、所述颅脑右前侧和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r5、r6、r7、r8组成的第二扰动系数数据子集；

11、检测模式三：将位于所述颅脑左后侧的电极片作为激励发射端，将位于所述颅脑右前侧的电极片作为接地端，将位于所述前额位置、所述颅脑左前侧、所述后枕部位置和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r9、r10、r11、r12组成的第三扰动系数数据子集；

12、检测模式四：将位于所述颅脑左后侧的电极片作为激励发射端，将位于所述颅脑右前侧的电极片悬空，并将位于所述前额位置、所述颅脑左前侧、所述后枕部位置和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r13、r14、r15、r16组成的第四扰动系数数据子集。

13、本发明的一些实施例中，训练得到所述异常检测模型的步骤具体包括：

14、分别周期性地获取多个健康受试者在多种预设检测模式组合下的健康扰动系数数据集，以及多个因早期脑白质病变而导致异常的异常受试者在多种预设检测模式组合下的异常扰动系数数据集，以构建训练样本库；多种所述预设检测模式组合包括所述第一预设检测模式组合；

15、利用机器学习算法对所述训练样本库中的健康扰动系数数据集进行学习，得到所述异常检测模型。

16、本发明的一些实施例中，所述第一预设检测模式组合还包括：

17、检测模式五：将位于所述颅脑右脑前侧的电极片作为激励发射端，将位于所述颅脑左脑后侧的电极片悬空，并将位于所述前额位置、所述颅脑左前侧、所述后枕部位置和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r17、r18、r19、r20组成的第五扰动系数数据子集；以及

18、检测模式六：将位于所述颅脑右脑前侧的电极片作为激励发射端，将位于所述颅脑左脑后侧的电极片接地，并将位于所述前额位置、所述颅脑左前侧、所述后枕部位置和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r21、r22、r23、r24组成的第六扰动系数数据子集；相应地，

19、所述异常扰动系数数据集还包括：前脑扰动系数差值和后脑扰动系数差值；其中，所述前脑扰动系数差值为所述检测模式五与所述检测检测模式六下，颅脑右前侧位置的电极对作为激励接收端，颅脑左前侧的电极片作为接收端时前脑区域的扰动系数之差；所述后脑扰动系数差值为所述检测模式五与所述检测检测模式六下，颅脑左后侧位置的电极片作为激励发射端，颅脑右后侧位置的电极片作为接收端时，后脑区域的扰动系数之差。

20、本发明的一些实施例中，构建所述训练样本库时，将脑前扰动系数差值与脑后扰动系数差值相同的所有所述异常扰动系数数据集划分为i类扰动系数数据集；将脑前扰动系数差值与脑后扰动系数差值两者之差大于0但小于或等于第一预设差值阈值的所有所述第一异常扰动系数数据集、所有所述第二异常扰动系数数据集划分为ii类扰动系数数据集；将两者之差大于第一预设差值阈值的所有所述第一异常扰动系数数据集、所有所述第二异常扰动系数数据集划分为iii类扰动系数数据集，并且，所述训练样本库中i、ii、iii类扰动系数数据集之比为1：5：2。

21、本发明的一些实施例中，将所述异常预测概率与预设阈值进行比较，得到预测结果的步骤，具体包括：

22、判断所述异常预测概率是否大于或等于第一预设阈值；

23、若大于或等于第一预设阈值，将所述待检测用户标记为高风险；

24、若小于所述第一预设阈值，判断所述异常预测概率是否大于或等于第二预设阈值；

25、若大于或等于所第二预设阈值，且小于所述第一预设阈值，将所述待检测用户标记为中风险；

26、若小于所述第二预设阈值，判断所述异常预测概率是否大于或等于第三预设阈值；

27、若大于或小于所述第三预设阈值，且小于所述第二预设阈值，将所述待检测用户标记为低风险；

28、若小于所述第三预设阈值，判断所述异常预测概率是否大于或等于第四预设阈值；

29、若大于或等于所述第四预设阈值，且小于所述第三预设阈值，将所述待检测用户标记为疑似风险；

30、若小于所述第四预设阈值，将所述待检测用户标记为无风险。

31、本发明的第二方面在于，提供一种基于多模式电磁场生物检测的早期脑白质异常预测装置，包括：

32、数据获取模块，用于获取预先配置的检测参数；所述检测参数包括：第一预设检测模式组合；所述预设检测模式组合包括至少一种间接检测模式，以及至少一种直接检测模式；

33、数据采集模块，用于通过设置在预设六个位置的六个电极片在所述第一预设检测模式组合下的扰动系数数据集；以及分别周期性地获取多个健康受试者在多种预设检测模式组合下的健康扰动系数数据集，以及多个因早期脑白质病变而导致的异常受试者在多种预设检测模式组合下的异常扰动系数数据集，以构建训练样本库；所述预设六个位置分别为：前额位置、后枕部位置、颅脑左前侧、颅脑左后侧、颅脑右前侧和颅脑右后侧；多种所述预设检测模式组合包括所述第一预设检测模式组合；

34、异常预测模块，用于将所述第一预设检测模式组合对应的所述扰动系数数据集分别输入预先训练好的早期脑白质异常检测模型，预测得到待检测用户因早期脑白质病变导致异常的预测结果；所述预测结果包括：无风险、疑似风险、低风险、中风险和高风险；

35、其中，所述第一预设检测模式组合包括：

36、检测模式一：将位于所述前额位置的电极片作为激励发射端，将位于所述后枕部位置的电极片作为接地端，将位于所述颅脑左前侧、所述颅脑左后侧、所述颅脑右前侧和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r1、r2、r3、r4组成的第一扰动系数数据子集；

37、检测模式二：将位于所述前额位置的电极片作为激励发射端，将位于所述后枕部位置的电极片悬空，将位于所述颅脑左前侧、所述颅脑左后侧、所述颅脑右前侧和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r5、r6、r7、r8组成的第二扰动系数数据子集；

38、检测模式三：将位于所述颅脑左后侧的电极片作为激励发射端，将位于所述颅脑右前侧的电极片作为接地端，将位于所述前额位置、所述颅脑左前侧、所述后枕部位置和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r9、r10、r11、r12组成的第三扰动系数数据子集；

39、检测模式四：将位于所述颅脑左后侧的电极片作为激励发射端，将位于所述颅脑右前侧的电极片悬空，并将位于所述前额位置、所述颅脑左前侧、所述后枕部位置和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r13、r14、r15、r16组成的第四扰动系数数据子集。

40、本发明的一些实施例中，所述早期脑白质异常预测装置，还包括：异常预测模型构建模块，用于利用机器学习算法对所述训练样本库中的健康扰动系数数据集和异常扰动系数数据集进行学习，得到所述异常检测模型。

41、本发明的一些实施例中，所述第一预设检测模式组合还包括：

42、检测模式五：将位于所述颅脑右脑前侧的电极片作为激励发射端，将位于所述颅脑左脑后侧的电极片悬空，并将位于所述前额位置、所述颅脑左前侧、所述后枕部位置和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r17、r18、r19、r20组成的第五扰动系数数据子集；以及

43、检测模式六：将位于所述颅脑右脑前侧的电极片作为激励发射端，将位于所述颅脑左脑后侧的电极片接地，并将位于所述前额位置、所述颅脑左前侧、所述后枕部位置和所述颅脑右后侧的四个电极片分别作为接收端，分别得到相应的四个扰动系数r21、r22、r23、r24组成的第六扰动系数数据子集；相应地，

44、所述异常扰动系数数据集还包括：前脑扰动系数差值和后脑扰动系数差值；其中，所述前脑扰动系数差值为所述检测模式五与所述检测检测模式六下，颅脑右前侧位置的电极对作为激励接收端，颅脑左前侧的电极片作为接收端时前脑区域的扰动系数之差；所述后脑扰动系数差值为所述检测模式五与所述检测检测模式六下，颅脑左后侧位置的电极片作为激励发射端，颅脑右后侧位置的电极片作为接收端时，后脑区域的扰动系数之差。

45、本发明的一些实施例中，所述异常预测模块具体用于通过所述异常检测模型根据所述扰动系数数据集计算得到所述待检测用户被判定为异常的异常预测概率，并将其与预设阈值进行比较；若所述异常预测概率大于或等于第一预设阈值，将所述待检测用户标记为高风险；若所述异常预测概率大于或等于第二预设阈值，且小于所述第一预设阈值，将所述待检测用户标记为中风险；若所述异常预测概率大于或等于第三预设阈值，且小于所述第二预设阈值，将所述待检测用户标记为低风险；若所述异常预测概率大于或等于第四预设阈值，且小于所述第三预设阈值，将所述待检测用户标记为疑似风险；若所述异常预测概率小于所述第四预设阈值，将所述待检测用户标记为无风险。

46、本发明的第三方面在于，提供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。

47、有益效果：现有技术中通过位于颅脑左右两侧(沿着耳朵上方的鳞状缝合线)的至少两个电极片来采集颅脑左右两侧的电磁生物检测参数(包括差分阻抗和传输阻抗等)来计算患者的干扰系数，从而比较该干扰系数与正常健康用户之间的干扰系统均值进行比较，从而筛查出疑似恶性神经胶质瘤患者。这种仅仅通过检测颅脑两侧干扰系数的方式并不适用于其他异常的检测，因为这种方式实际上是一种直接测量方式，即发展到中后期阶段的病变组织的位置非常明确地存在于左耳和右耳之间的区域，然而，对于大多数早期颅脑疾病来说，人们只清楚病变组织所在的大致位置，实际位置却不非常明确，因此，可能需要根据实际情况来调整电极片的位置从而获取得到大致区域的直接测量数据，然而，这从产品实际结构设计来说并不现实，从用户来说，手动调整位置也并不精确，更何况待检测位置本身就不是非常明确的情况下；进而导致采用这种直接测量方式误差较大，甚至可能根本无法检测出异常，自然也就无法检测出具体是因为何种疾病而导致的一侧。因此，本发明提出了一种多模式检测方式的预测方法，其通过预先采集不同检测模式组合(例如，至少一个直接检测模式和至少一个间接检测模式的组合，具体可根据不同颅脑异常来选择不同的组合方式)下，健康受试者的扰动系数数据集来进行机器学习，从而得到多模式异常预测模型，因此，后续当在指定检测模式组合下采集到相应的扰动系数数据集输入该预测模型即可得到相应预测结果，从而实现早期阶段脑白质病变而导致异常的提前预测。

48、通常来说，健康人的前脑区域的扰动系数与后脑区域的扰动系数之间基本无变化，左侧区域的扰动系数与右侧区域的扰动系数基本相等，但仅靠前脑区域的扰动系数与后脑区域的扰动系数差值来判断仅仅只能够预测出健康和异常，然而，即使不是颅脑疾病也可能会引起前脑或后脑扰动系数的异常，也并不是所有的颅脑疾病都会引起前脑与后脑之间扰动系数有较大差异，另一方面，早期阶段的脑白质病变通常前脑区域和后脑区域之间扰动系数的变化通常较小(尤其是通过直接检测前脑区域和后脑区域得到的扰动系数)。也即尚无法仅仅根据前后脑的扰动系数来预测是否是因为早期脑白质病变导致的异常(如前脑区域/后脑区域的扰动系数异常)。因此，本发明提出了一种多模式检测方式的预测方法来预测因早期脑白质病变导致的异常。其通过多种检测模式的组合来分别获取颅脑内与早期脑白质病变区域周围的多个区域的扰动系数，从而来预测因早期脑白质病变。因为即使同一区域，不同检测模式下测得的扰动系数也有差异，也即丰富了样本量。另一方面，由于采用多模式检测组合的方式，使得每次检测都会得到大量的检测参数，并且，还可根据实际需要进行周期性(例如，每天间隔预设时间检测一次，或者，每隔n天检测一次)检测，从而增大训练样本的数据量，能够很大程度上避免因为训练样本数据量，尤其是异常训练样本数据量较少的情况。另外，前脑差值和后脑差值之间的差异越小，说明其发生异常的概率也就越低，相应地，差异越大，说明发生异常的概率也就越大，但经过多次实践发现因早期脑白质病变导致异常的异常受试者的前脑差值与后脑差值两者之差普遍分布在特定区间(例如，大于0且小于第一预设阈值)时，因此，基于该前脑差值和后脑差值来构建合理布局的训练集，从而提高预测模型的准确性。