[发明专利]一种癫痫棘波自动检测与峰值定位方法

说明书

本发明公开了一种癫痫棘波自动检测与峰值定位方法，其步骤包括：1）将每一脑磁图数据拆分成多个大小相同的数据分段；2）构建深度学习网络模型，包括单通道编码模块，深度特征传递模块以及全局解码模块；其中，单通道编码模块用于对数据片段中的单通道数据进行深度特征提取，得到多种不同尺寸的深度特征并发送给深度特征传递模块进行数据降维；全局编码模块用于从尺寸最小的深度特征开始，对深度特征进行卷积与上采样计算，并将得到的深度特征与大小对应一致的深度特征进行拼接，直至处理完尺寸最大的深度特征；3）利用各数据分段训练深度学习网络模型；4）将待处理的脑磁图数据输入训练后的深度学习网络模型进行棘波检测和峰值定位。

技术领域

本发明属于生物特征识别领域中的脑磁图信号识别领域，具体为一种基于深度学习的癫痫棘波自动检测及峰值定位方法，不仅能够判断脑磁图数据中是否存在棘波，还能确定棘波峰值点的时刻，帮助临床医生减少工作量，更加准确的定位致痫灶。

背景技术

癫痫是一种常见的神经性脑疾病，其特征主要为大脑神经元过度放电异常导致的中枢神经系统功能失常。对于癫痫的诊断与治疗，其关键在于确定异常放电的大脑区域，即致痫灶。通过对致痫灶进行针对性的药物抑制或外科手术切除，是治疗癫痫疾病的有效方式。

脑磁图（Magnetoencephalography，MEG）是一种无创性检测大脑神经元放电活动的技术，其通过超过300个传感器同时记录脑组织内的神经活动。相比脑电图，脑磁图具有更好的信噪比，并且能够抵抗复杂脑组织导致的信号失真。癫痫因其异常放电产生的棘波在脑磁图具有十分明显的特异性，棘波作为一种生物标志物被广泛接受。它可以用于判断癫痫的异常放电时间，识别癫痫的发作情况，这使得癫痫患者的脑磁图棘波分析具有十分重要的临床意义。

然而，癫痫异常放电具有发作性，短暂性、反复性的特点，这些特点导致一位癫痫患者的脑磁图检查一般需要持续1.5小时。并且在临床上，棘波检测一般是由临床医生人工进行主观标注，由于脑磁图具有高时间分辨率和高采集通道数的特点，临床医生的主观检查费时费力，并且高度依赖与临床医生的经验。一位经验丰富的临床医生，对一次脑磁图数据进行完全检查，需要观察300多个通道，约6000s，1000Hz采样率的脑磁图信号，耗时在2小时左右，对于资历较浅的医生，耗时可能更长。在脑磁图的长采集时间和高诊断专业要求的共同影响下，催生出了许多自动化的、高准确度的棘波检测方法。

目前，已经有多种自动化的棘波检测算法，通过对脑磁图数据进行时域分析、频域分析、时频分析，并进行相关特征提取，从而实现固定时间片段的有无棘波检测。也有部分研究使用深度学习网络，直接从脑磁图数据入手，进行棘波检测。但是，目前已有的算法还只能满足于检测固定时间片段内是否包含棘波，并不能准确定位棘波能量最高的时刻点，即棘波峰值点。对于致痫灶的定位往往需要使用溯源算法，使用长时间段的棘波数据段并不能得到一个准确的致痫灶的定位，若使用了棘波峰值时刻点，针对峰值周围一小段数据进行溯源定位，能够得到定位更加准确的致痫灶。因此，对于相比于时间段内的棘波检测，棘波的峰值定位具有更大的实现意义。

发明内容

为了改善目前已有的算法在峰值检测上的不足，本发明提供了一种基于深度学习的癫痫棘波检测与峰值定位方法，该方法能有效的从脑磁图的原始数据中识别出癫痫棘波放电事件并且准确定位棘波峰值的时刻点。

本发明提出的深度学习网络通过对脑磁图每个通道的信号分别进行编码，获取信号的深度特征，再对深度特征进行特征融合，共同解码。在解码步骤中，将相同尺寸大小的编码数据与解码数据进行连接，提高网络对特征的复用。最终网络将输出脑磁图信号在各个时间点上的峰值点概率，通过后续的阈值算法对棘波进行判断以及准确定位棘波峰值点的位置。

本发明的技术方案为。

一种基于深度学习的脑磁图棘波检测与棘波峰值点定位方法，其步骤包括：