一种癫痫发作判断模型的建模方法、癫痫监控方法及装置

1.本发明属于医疗设备技术领域，具体涉及一种癫痫发作判断模型的建模方法、癫痫监控方法及装置。


背景技术：

2.癫痫的发作具有随机性的，难以预测发作的时间，因此患者可能时刻面临癫痫发作的危险，及其它连锁反应带来的危险，比如在睡梦中发作，可能会意外掩盖口鼻导致窒息死亡，在无人监护时发作可能跌倒导致意外伤害等。
3.因此针对癫痫患者，现有技术中开发出了各种癫痫发作报警系统，其目的在于及时通知患者的监护人和护理人员对患者提供帮助，并且同时记录下患者的发作情况，形成发作日志，以便于医师进行诊治，为临床医学提供新的随访方式和辅助治疗方式。
4.例如，中国专利“cn111643092a-一种癫痫报警装置及癫痫检测方法”公开了利用运动传感器监控癫痫发作及其数据处理方法。中国专利“cn101340846-医学状况的检测和报警装置”公开了一种利用运动传感器与心电传感器结合来分析癫痫发作的装置。中国专利“cn109480833a-基于人工智能的癫痫患者脑电信号的预处理和识别方法”，公开了通过脑电分析癫痫发作时的数据，并且公开了在分析癫痫患者的脑电数据时，应当提出肌电信号的数据。
5.目前，该类癫痫监控装置的问题在于对癫痫发作判断的准确性不足，若单用一种生理传感器的数据进行分析，容易出现假阳性(fp，false positive)和假阴性(fn，false negative)的错误判断；若采用多种生理传感器进行协同测试判断，则存在当多种生理传感器的判断结果矛盾时如何准确得出最终判断结果的问题。


技术实现要素：

6.针对现有技术中，癫痫监控装置对癫痫发作判断的准确性不足的问题，本发明提供一种癫痫发作判断模型的建模方法、癫痫监控方法及装置，其目的在于：提供多种生理传感器协同对癫痫患者进行监控的方法、装置，并提供了利用多种生理传感器采集的数据对癫痫发作判断模型进行建模和训练的方法，从而提高了癫痫发作判断结果的准确性的效果。
7.一种癫痫发作自动识别模型的建模方法，包括如下步骤：
8.(1)采集癫痫监控对象的至少两种类型的生理信号，所述生理信号包括癫痫发作时的生理信号及未发作时的生理信号；
9.(2)对每一种生理信号的数据进行处理得到训练数据集，所述训练数据集包括特征构成特征向量和对应时刻癫痫是否发作构成的结果向量，对每一种生理信号选择一个模型，利用所述训练数据集对所选择的模型训练，得到第一层模型；
10.(3)将第一层模型的预测结果作为新的特征得到新的特征向量，根据所述新的特征向量和对应时刻癫痫是否发作构成的结果向量得到新的训练数据集，选择模型，利用新
的训练数据集对所选择的模型进行训练，得到第二层模型。
11.优选的，生理信号包括运动信号、肌电信号、体温信号、皮肤电活动信号或心电信号中的至少两种；
12.优选的，所述运动信号包括三轴加速度和/或三轴陀螺仪采集到的三个轴上的加速度、合加速度、三个轴上的角速度和合角速度中的至少一种；
13.优选的，生理信号为运动信号和肌电信号两种，或为运动信号、肌电信号和心电信号三种。
14.优选的，步骤(2)中，所述特征包括生理信号的时域特征和频域特征的至少一种，所述时域特征包括最大值、最小值、均值、均方根、方差、标准差、上下四分位差、持续时间、最大最小值差值、过零率和能量的至少一种，所述频域特征包括小波变换、短时傅里叶变换、维格纳分布和匹配小波变换中的至少一种进行变换后提取的特征；
15.优选的，所述生理信号包括心电信号，所述特征包括心率、心率变异性和rr间期长度中的至少一种。
16.优选的，步骤(2)中，所述生理信号的数据的处理具体包括如下步骤：
17.(a)对采集到的生理传感器的数据进行低通滤波，去除高频信号；
18.(b)将生理传感器的数据进行分割，得到有效的活动片段；
19.(c)对步骤(b)得到的有效的活动片段进行提取得到特征，并对特征进行归一化处理；
20.(d)对步骤(c)得到的特征进行特征工程，得到用于构成所述训练数据集的特征；
21.优选的，所述对数据进行分割的步骤包括：筛选出生理传感器的数据中活动片段，合并相邻时间间隔小于阈值b的活动片段，舍弃持续时间小于阈值c的活动片段；所述b值的选择取决于癫痫监控对象一次发作事件中多次阵挛间停顿的时间，所述c值的选择取决于癫痫监控对象一次发作事件持续的时间；
22.优选的，所述生理传感器的数据包括合加速度，步骤(b)筛选出生理传感器的数据中活动片段的具体步骤为：使用长度为l的滑动窗，以半窗口长度l/2为步长进行滑动，每次滑动后对滑动窗内的合加速度计算标准差，当标准差大于阈值a时，判断为活动开始；当连续t时间内的滑动窗内标准差都小于阈值a时，判断为活动结束；从活动开始到活动结束构成一个活动片段；所述l为1-5秒，所述a的选择取决于癫痫监控对象癫痫发作的阵挛频率，所述t的选择取决于癫痫监控对象发作的持续时间；
23.优选的，所述特征工程的方法包括特征选择和特征降维中的至少一种，所述特征选择包括过滤式特征选择法、包装式特征选择或嵌入式特征选择中的至少一种，所述特征降维包括主成分分析法或线性判别分析中的至少一种。
24.优选的，步骤(2)和步骤(3)中，模型训练通过n折交叉检验进行。
25.优选的，步骤(2)和步骤(3)中，所述第一层模型和第二层模型为模型训练中得到的代价函数最小的模型，所述代价函数为：
26.cost(β)＝-[2
×
sensitivity(β)+ppv(β)]，
[0027]
其中，β为模型中的参数，sensitivity(β)为模型的灵敏度，ppv(β)为模型的真阳性概率。
[0028]
优选的，步骤(2)和步骤(3)中模型选自逻辑回归模型、自适应提升算法、梯度下降
决策树模型、分类提升算法、极端梯度提升模型、支持向量机模型或随机森林模型。
[0029]
本发明还提供一种癫痫监控方法，包括如下步骤：
[0030]
(ⅰ)实时采集癫痫监控对象的至少两种类型的生理信号；
[0031]
(ⅱ)对生理信号的数据进行处理得到特征构成的检测数据；
[0032]
(ⅲ)将检测数据输入上述建模方法得到的第一层模型中进行预测，将预测结果作为新的特征并作为检测数据输入上述建模方法得到的第二层模型中进行预测，得到癫痫是否发作的实时结果。
[0033]
本发明还提供一种用于上述癫痫监控方法的装置，包括第一微处理器，所述第一微处理器的通过电路或无线传输模块连接有至少两种生理传感器，所述第一微处理器的输入端还设置有发作标记键，所述第一微处理器的输出端还连接有警报模块。
[0034]
优选的，包括可穿戴环装置和心电衣，所述第一微处理器设置在可穿戴环装置中，所述第一微处理器通过电路连接有运动传感器、肌电传感器和第一蓝牙传输模块；
[0035]
所述心电衣中设置有第二微处理器，所述第二微处理器通过电路连接有心电传感器和第二蓝牙传输模块；所述可穿戴环装置和心电衣通过第一蓝牙传输模块和第二蓝牙传输模块进行配对。
[0036]
本发明提供的建模方法中，将模型分为两层，第一层模型为各种传感器检测到的生理信号分别进行训练后得到的判断模型，之后根据第一层模型的判断结果，再次训练得到第二层模型用于最终结果的判断。该模型应用于癫痫监控使得使用多种传感器协同监控癫痫患者判断癫痫发作的准确性更高，根据患者不同的类型和发作特征，建立不同的模型，减少了误判，解决了不同生理信号预测结果不同的矛盾。
[0037]
此外，在优选方案中，考虑到在判断癫痫发作时，在正常活动时误报警的代价比没能识别出癫痫发作的代价要小，因此本发明采用的代价函数中灵敏度的权重比真阳性概率的权重取值更大，使得检测方法更加保险。
[0038]
通过本发明采用的监控方法和装置，多传感器结合的检测方式会比用单一传感器进行检测的准确度更高。作为一种优选的方案中，采用的三种传感器分别为运动传感器(包括三轴加速度和三轴陀螺仪)、皮肤表面肌电传感器和心电传感器。运动传感器已经在我们的先前实验中被证实可以在检测阵挛类型的癫痫发作时取得较高的成功率，然而它对强直类发作并不敏感，肌电传感器的加入可以弥补这一不足。另外，有三分之一的癫痫发作前会出现心动过速的特征，因此心电传感器的加入可以使得系统尽早判断癫痫发作事件的发生。
[0039]
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0040]
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
[0041]
图1为实施例1中对第一层模型和第二层模型进行训练的示意图
[0042]
图2为实施例1和实施例2中对生理传感器的数据进行分割的算法流程图；
[0043]
图3为实施例2中可穿戴环装置的硬件架构示意图；
[0044]
图4为实施例2中心电衣的硬件架构示意图。
具体实施方式
[0045]
下面通过具体的实施例对本发明的技术方案作进一步的说明。需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
[0046]
实施例1
[0047]
本实施例提供用于癫痫监控装置和监控方法的癫痫发作判断模型的建模方法。建模过程的示意图如图1所示。
[0048]
本实施例建模方法包括如下步骤：
[0049]
(1)采集癫痫监控对象的至少两种类型的生理信号，所述生理信号包括癫痫发作时的生理信号及未发作时的生理信号；
[0050]
(2)对每一种生理信号的数据进行处理，本实施例对生理信号的数据进行处理得到特征的过程与如下步骤1)-步骤4)。
[0051]
1)数据预处理阶段
[0052]
人体动作中动作性颤抖的频率范围是3-5hz，姿态性颤抖的频率范围是6-12hz，静止性颤抖的频率范围是3-6hz，这些颤抖在运动信号和肌电信号中一直存在。因此首先对运动信号和肌电信号，首先进行低通滤波，去除高频信号以降低后续步骤中数据运算量。
[0053]
2)数据分割阶段
[0054]
由于监测数据是24小时的连续数据，若对其直接进行数据分析计算量过大，因此应先进行数据分割，去除掉不包含有效信息的片段，只保留患者活动中的片段。本步骤算法流程如图2所示。
[0055]
活动片段的筛选是根据运动信号中的合加速度信息计算的，由此得到所有活动片段的起止时间点后，可以使用这些时间点对运动信号中的其他数据、肌电信号和心电信号进行划分。保留活动片段，除去静止的片段，就可以得到所有活动片段的运动信号、肌电信号和心电信号。
[0056]
上述筛选过程的具体分割过程为：使用长度为l的滑动窗，以半窗口长度l/2为步长进行滑动，每次滑动后对滑动窗内的合加速度计算标准差或者均方差，当标准差或者均方差大于阈值a时，判断为活动开始；当连续t时间内的滑动窗内标准差都小于阈值a时，判断为活动结束。从活动开始到活动结束构成一个活动片段。所述l可选1秒、2秒、5秒等，过长会影响识别发作的时效性。a可选0.2g，g为重力加速度，根据患者癫痫发作的通常阵挛频率选择。t可选10秒、15秒等，根据患者癫痫发作的通常持续时间选择。
[0057]
筛选出所有活动片段后，对这些活动片段进行二次筛选：如果相邻两片段的时间间隔小于b，则合并这两个片段；如果活动片段的持续时间小于c，则舍弃这个片段。最后得到有效的活动片段。b值的选择取决于患者一次发作事件中多次阵挛间停顿的时间，c值的选择取决于患者一次发作事件持续的时间。
[0058]
3)特征提取阶段
[0059]
对所有有效地活动片段内的数据进行提取得到特征。提取出特征值后，对其进行
归一化处理。
[0060]
本实施例中所述数据包括三个轴上的加速度、合加速度、三个轴上的角速度、合角速度、肌电信号和心电信号中的至少一种。
[0061]
特征包括时域特征或频域特征中的至少一种。
[0062]
时域特征包括最大值、最小值、均值、均方根、方差、标准差、上下四分位差、持续时间、最大最小值差值、过零率和能量中的至少一种。频域特征包括小波变换、短时傅里叶变换、维格纳分布和匹配小波变换中的至少一种进行变换后提取的特征。
[0063]
特别地，心电是规律信号，再对其提取心率、心率变异性、rr间期长度等。
[0064]
4)特征工程阶段
[0065]
所述特征工程的方法包括特征选择和特征降维中的至少一种，所述特征选择包括过滤式特征选择法、包装式特征选择或嵌入式特征选择中的至少一种，所述特征降维包括主成分分析法或线性判别分析中的至少一种。
[0066]
特征选择的三种方法：一是使用过滤式特征选择法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。二是包装式特征选择，根据预测效果评分，每次选择若干特征，或者排除若干特征，不断迭代，使用启发式搜索等方法找到最合适的特征。三是嵌入式特征选择，先确定建模阶段使用的模型，然后用模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。
[0067]
特征降维的两种方法：一是使用主成分分析法；二是使用线性判别分析。其中主成分分析法是为了让映射后的样本具有最大的分散性，而线性判别分析是为了让映射后的样本有最后的分类性能。
[0068]
作为一种优选的技术方案，使用过滤式特征选择法中的相关系数法，先计算各个特征的特征值对癫痫发作与否的相关系数ρ
xy
以及相关系数ρ
xy
的p值，然后根据p值选择特征。p值即概率，即当原假设为真时，比所得到的样本观察结果更极端的结果出现的概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的p值，一般以p《0.05为显著，p《0.01为非常显著。
[0069]
相关系数ρ
xy
计算公式为：
[0070][0071]
其中，x为任意一个特征向量，y为癫痫是否发作的结果向量，μ
x
和μy为x和y的均值，σ
x
和σy为x和y的标准差。所述特征向量是用于建模的事件的某一特征的特征值构成的向量，所述结果向量是用于建模的事件中癫痫发作(赋值为1)与未发作(赋值为0)构成的向量。
[0072]
经过特征工程后，即得到训练数据集。所述训练数据集包括特征构成特征向量和对应时刻癫痫是否发作构成的结果向量，对每一种生理信号选择一个模型，采用所述训练数据集通过n折交叉检验对所选择的模型训练，得到第一层模型。
[0073]
(3)将第一层模型的预测结果作为新的特征，与对应时刻癫痫是否发作作共同构成新的特征向量和结果向量的训练数据集，选择模型，利用新的训练数据集对所选择的模型进行训练，得到第二层模型。
[0074]
步骤(2)和步骤(3)的训练过程中，以代价函数作为模型评估指标，选择代价函数
最小的模型作为第一层模型和第二层模型，所述代价函数为：
[0075]
cost(β)＝-[2
×
sensitivity(β)+ppv(β)]，
[0076]
其中，β为所选择的模型中的参数，其可能为一个值，也可能为多个值。比如支持向量机模型中β指模型中的正则化参数和核函数，对于本实施例，支持向量机的核函数应该选择高斯核函数，sensitivity(β)为模型的灵敏度，ppv(β)为模型的真阳性概率。
[0077]
灵敏度sensitivity＝tp/(tp+fn)；
[0078]
真阳性概率ppv＝tp/(tp+fp)。
[0079]
tp(true positive)为正确识别出的正例，tn(true negative)为正确识别出的负例，fp(false positive)为误判为正例的负例，fn(false negative)为误判为负例的正例。
[0080]
在判断癫痫发作时，在正常活动时误报警的代价比没能识别出癫痫发作的代价要小，故本实施例在上述模型评估指标中，灵敏度的权重比真阳性概率的权适当取大一些。
[0081]
所述步骤(2)和步骤(3)中第一层模型和第二层模型选自逻辑回归模型、自适应提升算法、梯度下降决策树模型、分类提升算法、极端梯度提升模型、支持向量机模型或随机森林模型。
[0082]
实施例2
[0083]
本实施例提供一种癫痫监控装置和监控方法。
[0084]
本实施例的癫痫监控装置包括可穿戴环装置及心电衣，其硬件架构如图3、4所示。
[0085]
可穿戴环装置中设置有第一微处理器，第一微处理器连接有电源管理芯片，电源管理芯片用于管理可充电电池，所述可充电电池连续使用时间可超过24小时。第一微处理器的输入端设有一个开关机键和一个发作标记键，发作标记键用于患者在发作后对发作事件和时间进行标记，用于对癫痫发作判断模型的训练和优化。模型的训练需要在后端设备上实现。而模型的优化可通过第一微处理器实现，在优化阶段，如果出现漏报、误报情况，可以根据标记进行算法升级，比如调整算法模型中函数里的惩罚系数、阈值和权重。
[0086]
第一微处理器还连接有运动传感器和肌电传感器，运动传感器设置在可穿戴环装置中，可穿戴环装置可佩戴部位包括小臂、大臂、大腿和小腿。肌电传感器可设置在可穿戴环装置上或通过线路连接分离设置，肌电传感器的佩戴位置可选择在胸锁乳突肌，三角肌，肱二头肌，肱三头肌，股二头肌，股四头肌或胫骨前肌。
[0087]
可穿戴环装置连接有第一蓝牙传输模块和警报模块，所述警报模块包括依次连接的数模转换芯片、功放模块和声音模块。通过本发明的监控方法实时识别出癫痫发作事件后，警报模块将立刻播放报警声音提醒监护人对其提供帮助，同时通过第一蓝牙传输模块将发作信息传送到通过蓝牙配对的手机上，进行生成发作日志和自动联系监护人等操作。
[0088]
此外，模型的训练需要在后端设备上实现。因此，第一蓝牙传输模块还将第一微处理器记录的发作事件、时间及对应的生物信息发送至用于模型训练的后端设备上。
[0089]
本实施例中，可穿戴环装置可单独使用，也可和心电衣共同使用。所述心电衣中设置有第二微处理器，所述第二微处理器通过电路连接有开关机按键、电源管理模块、心电传感器(即图4中的专用电极)和第二蓝牙传输模块。心电传感器的佩戴位置位于癫痫监控对象的前胸部位。可穿戴环装置和心电衣通过第一蓝牙传输模块和第二蓝牙传输模块进行配对，实现将检测到的心电信号传输到第一微处理器中，从而将心电信号加入监控方法的算法分析步骤中。
[0090]
本实施例的监控方法步骤如下：
[0091]
(ⅰ)通过上述癫痫监控装置实时采集癫痫监控对象的至少两种类型的生理信号；
[0092]
(ⅱ)对生理信号的数据进行处理得到特征构成的检测数据；
[0093]
(ⅲ)将检测数据输入模型中进行预测，得到癫痫是否发作的实时结果。
[0094]
上述步骤(ⅱ)中对生理信号的数据进行处理得到特征的过程与实施例1中的步骤1)-步骤4)相同。
[0095]
通过实施例1提供的建模方法建模，并通过实施例2的装置和方法对癫痫患者进行监控，能够更加准确地判断癫痫发作并及时发出警报。使得癫痫患者发作时能够及时得到帮助，避免意外发生。