[发明专利]一种睡眠中癫痫性电持续状态棘慢波指数自动量化方法

权利要求书

1.一种睡眠中癫痫性电持续状态棘慢波指数自动量化方法，其特征在于，包括构建棘慢波自动量化模型，用于脑电图(EEG)中棘波和棘慢波的定位和识别；具体步骤如下：

步骤一、获取ESES脑电图EEG数据集；

将原始的EEG数据分割为多个短窗口样本，并进行重采样；

步骤二、构建棘慢波自动量化模型，该模型包括空间滤波模块、时间特征处理模块、定位模块和分类模块；

对每个短窗口样本，用多个缺省窗口进行进一步分割；

将分割后的EEG样本输入空间滤波模块，以增加输入信号的信噪比，去除伪影；随后送入时间特征处理模块，得到输入信号的时间特征；最后输入定位模块和分类模块，将所有的缺省窗口和真实波形进行匹配，实现对样本内潜在棘波和棘慢波的定位和分类，输出调整后的缺省窗口以及潜在波形属于各类别波形的概率；

步骤三、将模型输出的潜在棘波和棘慢波与真实波形相匹配，测试不同重叠阈值下的检测性能，选取性能最好的重叠阈值；

消除识别出来的不同波形之间的重叠部分。

2.根据权利要求1所述的睡眠中癫痫性电持续状态棘慢波指数自动量化方法，其特征在于，步骤一中所述短时间窗口需要有足够长度，可以涵盖多个完整的棘波和棘慢波波形。

3.根据权利要求1所述的睡眠中癫痫性电持续状态棘慢波指数自动量化方法，其特征在于，步骤二中所述样本内缺省窗口是对特定波形构建的参数化表示，由两个参数构成：波形的中心时间和波形的持续时间，参数化表示如下：

其中，代表波形中心时间，代表波形持续时间；

缺省窗口的长度是基于棘波和棘慢波的持续时间长度进行预设的，不同缺省窗口之间可以有重叠部分，重叠部分长度可调。

4.根据权利要求1所述的睡眠中癫痫性电持续状态棘慢波指数自动量化方法，其特征在于，步骤二中所述空间滤波模块、时间特征处理模块、定位模块和分类模块均由卷积神经网络构成；其中：

所述空间滤波模块，由一层二维卷积层构成，并对信号的时间和空间通道进行转置；该操作利用卷积对输入信号进行线性的空间滤波，以增加输入信号的信噪比；

所述时间特征处理模块，由K个包含二维卷积层的块组成；其中，在一个块内包含一层二维卷积层，一层批量归一化层，使用ReLU作为激活函数，最后通过一层最大池化；在块内进行卷积时采用的填充方式为零填充；在该模块中，经多个块下采样后得到的特征图通过最后一个块后使用最近邻插值方法进行上采样，与同一尺寸的时间特征相加后通过一个卷积层，得到该尺寸下用于训练的时间特征；

在时间特征处理模块中，对于不同尺寸的卷积层，将空间滤波后信号通过下采样得到低层特征，再将低层特征进行上采样，与不同尺寸的时间特征进行融合，共同送入定位和分类模块；

所述定位模块和分类模块，均由一个二维卷积层构成；其中：

所述定位模块依据缺省窗口与真实波形之间的匹配程度执行缺省窗口的位置调整：

其中，下标i为缺省窗口索引，下标j为真实波形索引；定位模块使用线性激活函数；

所述分类模块使用softmax激活函数，输出每个缺省窗口属于各类别波形的概率。

5.根据权利要求1所述的睡眠中癫痫性电持续状态棘慢波指数自动量化方法，其特征在于，步骤三中所述将模型输出的潜在棘波和棘慢波与真实波形相匹配，测试不同重叠阈值下的检测性能，选取性能最好的重叠阈值；具体是使用Jaccard指数即IoU量化潜在波形与真实波形之间的匹配程度，通过设置不同的IoU阈值对是否正确检测到相应位置波形进行判别；在不同IoU阈值下测试检测方法的精度、召回率，并计算精度与召回率的调和平均数，即F1得分，选取F1得分最大者所对应的IoU阈值，为性能最好的重叠阈值；F1得分计算公式如下：

6.根据权利要求1所述的睡眠中癫痫性电持续状态棘慢波指数自动量化方法，其特征在于，步骤三中所述识别出不同波形之间的重叠部分，是采用非极大抑制方法去除识别出的多个潜在波形之间的重叠部分，消除重叠部分，实现EEG中棘波和棘慢波的自动检测。