[发明专利]一种基于深度学习的HFO自动检测系统

说明书

本发明公开了一种基于深度学习的HFO自动检测系统，包括数据采集模块、数据预处理模块、阈值初始检测模块、小波变换模块、数据存储模块、端到端双分支融合模型和融合模块，采用两阶段的检测流程，第一阶段设计基于阈值的初始检测模块，得到疑似HFOs候选事件集；第二阶段为综合利用带通信号和时频图像在分辨真、伪HFOs方面的优势，提出将带通信号和经小波变换后的时频图像两种模态的数据作为深度学习模型输入，根据不同的输入分别设计有针对性的骨干网络以提取特征，最后将两个角度的特征进行融合，自动分类真、伪HFOs，提高检测的灵敏度和特异性。

技术领域

本发明涉及信号检测技术领域，尤其涉及一种基于深度学习的HFO自动检测系统。

背景技术

20世纪90年代以来，频率在80-500Hz的癫痫脑电中的高频振荡(HFO)信号受到越来越多研究学者的关注和研究。研究学者根据频率大小把HFOs分成三个类型：Rs(Ripples，80-250Hz)、FRs(Fast Ripples,250-500Hz)、VHFOs(Very high frequency oscillations,1000-2500Hz)。其中，VHFOs采集难度大并且作用机理并不明确；Rs反映了同步神经元活动的抑制场电位，从而促进了长距离的信息传递；FRs是病态的，反映自发爆发神经元的动作电位总和。研究表明，HFOs的发生与癫痫组织产生的阵发性活动密切相关，且良好的预后与手术切除高HFOs发生率的通道呈现高度的相关性，比传统的利用棘波、尖波等癫痫波定位致痫灶更为精确。在颅内间期数据的研究中，高频振荡(HFOs)已成为定位致痫灶的一种新的生物标志物。

目前用来检测脑电图中HFO信号的方法主要有视觉分析和自动检测两种。视觉评估目前仍是临床诊断中的金标准，专家根据经验对患者脑电中的高频振荡节律进行视觉标记，然而，由于HFO信号持续时间短、波幅小，因此人工分析的过程是十分耗时和繁琐的，此外，人工标记受到医生主观和各种客观因素的影响，漏标和错标是难以避免的，不同医生之间的标注一致性也难以把控。因此，探索HFO信号的自动化检测方法，具有极大的现实意义。

为了解决这一问题，自2002年以来，一系列不同的带通信号能量表征方法得到了广泛的研究和应用。在不同的研究中已经报道了许多HFO自动检测器。Staba等人提出基于带通滤波信号的均方根(RMS)特征来自动检测HFOs。Gardner等人提出使用信号的短时线长特征作为区分真、伪HFOs的标准。Chaibi等人提出一种结合了平滑Hilbert HuangTransform(HHT)和均方根(RMS)特征的HFOs检测和分类算法，取得了较高的敏感度和较低的FDR。

然而，滤波后的HFOs波形有很多与真实HFOs波形相似，如尖峰、类脉冲伪影、谐波信号等。因此，虽然上述方法最初可以检测HFOs，但它们都存在一个共同的问题，即错误识别，导致特异性较低。

进一步地，研究者开始在初始检测之后加入无监督的聚类或有监督的分类来提高系统性能。Birot等人提出在高通滤波初始检测之后，使用短时傅里叶变换或小波变换，并计算子频带能量比，以此来将初始检测之后混进真HFOs中的伪迹等分离出来。Liu等人首先利用基于振幅的初始化阈值检测器，得到HFO候选样本池，然后对原始信号从时域和时频域提取特征，利用高斯混合模型聚类将HFO事件从其他活动中分类筛选出来。

近年来，深度学习已被广泛应用于计算机视觉、信号处理等领域，它对数据高阶信息进行抽象建模，不依赖手工特征提取，且在生理信号处理等领域推广使用。研究者将深度学习技术引入HFO自动检测的第二阶段中。Zuo等人提出将采集到的候选HFOs转换成二维灰度矩阵，然后使用堆叠的卷积神经网络(Convolutional neural network,CNN)对候选事件进一步区分。Lai等人提出使用信号的短时能量特征作为初始检测器的标准，得到HFO候选样本池，进行短时傅里叶变换得到HFOs候选的时频图像，然后使用深度2d-CNN来进一步区分真、伪HFOs。