异常放电检测方法、模型训练方法、装置、介质及设备

本公开的实施方式涉及人工智能，更具体地，本公开的实施方式涉及大脑异常放电检测方法、异常放电检测模型的训练方法、大脑异常放电检测装置、异常放电检测模型的训练装置、计算机可读存储介质及电子设备。

背景技术：

1、本部分旨在为权利要求中陈述的本公开的实施方式提供背景或上下文，此处的描述不因为包括在本部分中就承认是现有技术。

2、癫痫是一种慢性脑部疾病，是脑部神经元的异常放电所引起的。目前，一般是基于病人的脑电图来人工判断病人是否存在大脑异常放电现象。

技术实现思路

1、然而，上述方案智能化程度较低，并且，对于医生而言，工作量较大。

2、为此，非常需要一种大脑异常放电检测方法，可以快速的输出准确度较高的异常检测结果，以为医生提供较高的辅助参考价值，降低医生的工作量。

3、在本上下文中，本公开的实施方式期望提供一种大脑异常放电检测方法、异常放电检测模型的训练方法、大脑异常放电检测装置、异常放电检测模型的训练装置、计算机可读存储介质及电子设备。

4、根据本公开实施方式的第一方面，提供一种大脑异常放电检测方法，包括：获取受测对象的生物医学信号及视频监控数据；将所述生物医学信号和所述视频监控数据输入至训练好的异常放电检测模型中，得到所述受测对象的异常放电检测结果；其中，所述异常放电检测模型用于根据所述生物医学信号和所述视频监控数据，确定出针对所述受测对象的异常放电检测结果。

5、在一种可选的实施方式中，所述获取受测对象的生物医学信号及视频监控数据，包括：以预设时间点作为起始时间，根据预设单位时长分段采集所述受测对象对应的生物医学信号；以及，以所述预设时间点作为所述起始时间，根据所述预设单位时长分段采集所述受测对象对应的视频监控数据。

6、在一种可选的实施方式中，在获取受测对象的生物医学信号及视频监控数据之后，所述方法还包括：从所述视频监控数据中提取所述受测对象的人体特征信息；将所述生物医学信号和所述人体特征信息输入至所述训练好的异常放电检测模型中，得到所述受测对象的异常放电检测结果。

7、在一种可选的实施方式中，所述人体特征信息包括人体关键点位置序列；所述从所述视频监控数据中提取所述受测对象的人体特征信息，包括：从所述视频监控数据中提取所述受测对象的人体关键点位置，得到所述受测对象的人体关键点位置序列；其中，所述人体关键点包括面部关键点和/或肢体关键点。

8、根据本公开的第二方面，提供一种异常放电检测模型的训练方法，包括：获取训练样本，所述训练样本包括生物医学信号样本、视频监控数据样本以及所述生物医学信号样本对应的标签；所述标签用于表征所述生物医学信号样本的异常放电标注结果；将所述训练样本输入至待训练的异常放电检测模型中，得到异常放电检测结果；根据所述异常放电检测结果和所述标签的差异程度，确定所述待训练的异常放电检测模型的损失值；根据所述损失值，对所述待训练的异常放电检测模型进行迭代训练，直至得到训练好的异常放电检测模型。

9、在一种可选的实施方式中，所述根据所述损失值，对所述待训练的异常放电检测模型进行迭代训练，直至得到训练好的异常放电检测模型，包括：根据所述损失值，更新所述待训练的异常放电检测模型的模型参数；直至所述损失值满足预设的收敛条件时，得到训练好的异常放电检测模型。

10、在一种可选的实施方式中，所述待训练的异常放电检测模型包括神经网络模型。

11、根据本公开的第三方面，提供一种大脑异常放电检测装置，包括：获取模块，用于获取受测对象的生物医学信号及视频监控数据；检测结果确定模块，用于将所述生物医学信号和所述视频监控数据输入至训练好的异常放电检测模型中，得到所述受测对象的异常放电检测结果；其中，所述异常放电检测模型用于根据所述生物医学信号和所述视频监控数据，确定出针对所述受测对象的异常放电检测结果。

12、根据本公开的第四方面，提供一种异常放电检测模型的训练装置，包括：获取模块，用于获取训练样本，所述训练样本包括生物医学信号样本、视频监控数据样本以及所述生物医学信号样本对应的标签；所述标签用于表征所述生物医学信号样本的异常放电标注结果；检测结果确定模块，用于将所述训练样本输入至待训练的异常放电检测模型中，得到异常放电检测结果；损失值确定模块，用于根据所述异常放电检测结果和所述标签的差异程度，确定所述待训练的异常放电检测模型的损失值；模型训练模块，用于根据所述损失值，对所述待训练的异常放电检测模型进行迭代训练，直至得到训练好的异常放电检测模型。

13、根据本公开实施方式的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的大脑异常放电检测方法，和/或，上述第二方面所述的异常放电检测模型的训练方法。

14、根据本公开实施方式的第六方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的大脑异常放电检测方法，和/或，上述第二方面所述的异常放电检测模型的训练方法。

15、根据本公开实施方式的大脑异常放电检测方法、大脑异常放电检测装置、计算机可读存储介质及电子设备，通过借助异常放电检测模型快速输出准确度较高的大脑异常放电检测结果，一方面，解决了相关技术中需要医生人工识图才能得出检测结果所导识别效率低的技术问题，提升了识别效率；进一步的，该异常放电检测结果可以为医生提供较高的参考价值，使得医生无需细致观察所有的数据，仅大致浏览一些关键数据或指标，再结合上述异常放电检测结果，便可快速的得出就诊对象的诊断结果，节省了医生的工作量，便于广泛应用于临床实践中；另一方面，通过输出准确度较高的大脑异常放电检测结果，本公开能够为癫痫等神经系统疾病的术前定位提供辅助支持，提高术前定位的准确性，从而有助于提升后续的手术成功率。

技术特征：

1.一种大脑异常放电检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述获取受测对象的生物医学信号及视频监控数据，包括：

3.根据权利要求1或2所述的方法，其特征在于，在获取受测对象的生物医学信号及视频监控数据之后，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，所述人体特征信息包括人体关键点位置序列；

5.一种异常放电检测模型的训练方法，其特征在于，包括：

6.根据权利要求5所述的方法，其特征在于，所述根据所述损失值，对所述待训练的异常放电检测模型进行迭代训练，直至得到训练好的异常放电检测模型，包括：

7.一种大脑异常放电检测装置，其特征在于，包括：

8.一种异常放电检测模型的训练装置，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6任一项所述的方法。

10.一种电子设备，其特征在于，包括：

技术总结
本公开实施方式涉及大脑异常放电检测方法、异常放电检测模型的训练方法、大脑异常放电检测装置、异常放电检测模型的训练装置、计算机存储介质与电子设备，涉及人工智能技术领域。所述大脑异常放电检测方法包括：获取受测对象的生物医学信号及视频监控数据；将所述生物医学信号和所述视频监控数据输入至训练好的异常放电检测模型中，得到所述受测对象的异常放电检测结果；其中，所述异常放电检测模型用于根据所述生物医学信号和所述视频监控数据，确定出针对所述受测对象的异常放电检测结果。本公开能够快速输出准确度较高的异常放电检测结果，为医生提供较高的辅助参考价值，便于医生快速得出针对受测对象的诊断结果。

技术研发人员：林楠,赵栋,卢强,崔丽英,陈俊晖,胡鹏,李恋,戴朝约,高伟芳,许盛辉,孙善元,董一粟,贺海波
受保护的技术使用者：中国医学科学院北京协和医院
技术研发日：
技术公布日：2024/1/13