癫痫发作间期的异常放电检测方法、装置、介质及设备与流程

本公开的实施方式涉及生物医学检测，更具体地，本公开的实施方式涉及一种癫痫发作间期的异常放电检测方法、癫痫发作间期的异常放电检测装置、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、癫痫是一种大脑突发异常反应并以复发为特征的慢性神经系统疾病，是由大脑神经元的异常活动所引起的。这种神经元过度放电引起的癫痫发作通常伴有运动、感觉、情绪或精神功能的紊乱。一旦这种突发性神经系统疾病发作，患者的大脑就会停止正常工作，从而表现出昏厥、身体失衡、抽搐、肌肉收缩、失去意识和直觉等异常反应。对于任何癫痫患者来说，癫痫的发作对患者及其家庭的生活各方面都造成了很大的影响，甚至会危害患者的生命。

3、脑电图(electroencephalogram，eeg)是一种用于临床记录脑相关活动的无创信号采集方法。它具有较高的时间分辨率，在癫痫的检测、诊断、治疗、疗效评价和病理学研究中具有重要作用。目前，基于脑电图的癫痫诊断主要是癫痫发作的检测，然而，癫痫发作并不常见。相比之下，近80％的癫痫患者在发作间期存在神经元异常放电，这些在eeg中可观测到的异常放电被称为发作间期痫样放电(interictal epileptiform discharges，ied)。ied是癫痫诊断或癫痫发作风险评估的有力支持。

4、相关技术中，大多都是采集eeg，通过观测eeg中的ied确定癫痫患者的癫痫发作间期。

技术实现思路

1、然而，采集到的eeg中的ied可能是心电、和/或肌电引起的，仅通过观测eeg中的ied就确定癫痫患者的癫痫发作间期容易出现假阳现象。

2、为此，非常需要一种改进的癫痫发作间期的异常放电检测方法，以在一定程度上排除假阳现象。

3、在本上下文中，本公开的实施方式期望提供一种癫痫发作间期的异常放电检测方法、癫痫发作间期的异常放电检测装置、计算机可读存储介质及电子设备。

4、根据本公开的第一方面，提供一种癫痫发作间期的异常放电检测方法，所述方法包括：获取目标用户的待测电信号；所述待测电信号包括脑电信号、心电信号和肌电信号；将所述待测电信号输入已训练神经网络模型进行处理，输出所述待测电信号存在异常放电的预测概率；所述已训练神经网络模型由训练集训练得到；所述训练集包括多个训练样本；所述训练样本包括癫痫患者发作间期存在异常放电的电信号及对应的标签、癫痫患者发作间期不存在异常放电的电信号及对应的标签、非癫痫患者的电信号及对应的标签；所述癫痫患者发作间期存在异常放电的电信号为排除了由心电信号和/或肌电信号引起的脑电信号中出现疑似异常放电的电信号。

5、在一种实施方式中，在获取目标用户的待测电信号之后，所述方法还包括：对所述待测电信号进行短时傅里叶变换，得到所述待测电信号的时频数据；对应的，所述将所述待测电信号输入已训练神经网络模型进行处理，包括：将所述待测电信号的时频数据输入所述已训练神经网络模型进行处理。

6、在一种实施方式中，所述已训练神经网络模型包括三塔层，所述三塔层包括脑电信号塔、心电信号塔和肌电信号塔；所述将所述待测电信号输入已训练神经网络模型进行处理，包括：将所述脑电信号输入所述脑电信号塔，得到所述脑电信号的特征向量；将所述心电信号输入所述心电信号塔，得到所述心电信号的特征向量；将所述肌电信号输入所述肌电信号塔，得到所述肌电信号的特征向量。

7、在一种实施方式中，所述已训练神经网络模型还包括聚合层，所述将所述待测电信号输入已训练神经网络模型进行处理，包括：将所述三塔层输出的所述脑电信号的特征向量、所述心电信号的特征向量和所述肌电信号的特征向量输入所述聚合层进行拼接，得到特征图。

8、在一种实施方式中，所述已训练神经网络模型还包括底层，所述将所述待测电信号输入已训练神经网络模型进行处理，包括：将所述聚合层输出的特征图输入所述底层进行特征提取和分类，得到所述待测电信号存在异常放电的预测概率。

9、在一种实施方式中，训练所述已训练神经网络模型，包括：获取训练集；所述训练集包括多个训练样本；所述训练样本包括癫痫患者发作间期存在异常放电的电信号及对应的标签、癫痫患者发作间期不存在异常放电的电信号及对应的标签、非癫痫患者的电信号及对应的标签；将所述训练集输入神经网络模型，得到所述训练集的预测分类；所述预测分类包括阳性或阴性；所述阳性表示所述训练样本存在异常放电，所述阴性表示所述训练样本不存在异常放电；根据所述训练集的预测分类和所述训练集的标签，确定所述神经网络模型的损失值；根据所述损失值，对所述神经网络模型进行迭代训练，直至达到预设的收敛条件，得到所述已训练神经网络模型。

10、在一种实施方式中，所述将所述训练集输入神经网络模型，得到所述训练集的预测分类，包括：将所述训练集输入所述神经网络模型，得到所述训练样本存在异常放电的预测概率；根据所述训练样本存在异常放电的预测概率，确定所述训练样本的预测分类。

11、在一种实施方式中，所述根据所述损失值，对所述神经网络模型进行迭代训练，直至达到预设的收敛条件，得到所述已训练神经网络模型，包括：根据所述损失值，更新所述神经网络模型的模型参数；所述模型参数包括权重和偏差；在所述损失值满足预设的收敛条件时，结束训练，得到所述已训练神经网络模型。

12、在一种实施方式中，所述方法还包括：对所述待测电信号进行预处理；所述预处理包括重采样、滤波、去噪、数值标准化、分段中的至少一项。

13、根据本公开的第二方面，提供一种癫痫发作间期的异常放电检测装置，所述装置包括：数据获取模块，被配置为获取目标用户的待测电信号；所述待测电信号包括脑电信号、心电信号和肌电信号；概率预测模块，被配置为将所述待测电信号输入已训练神经网络模型进行处理，输出所述待测电信号存在异常放电的预测概率；所述已训练神经网络模型由训练集训练得到；所述训练集包括多个训练样本；所述训练样本包括癫痫患者发作间期存在异常放电的电信号及对应的标签、癫痫患者发作间期不存在异常放电的电信号及对应的标签、非癫痫患者的电信号及对应的标签；所述癫痫患者发作间期存在异常放电的电信号为排除了由心电信号和/或肌电信号引起的脑电信号中出现疑似异常放电的电信号。

14、在一种实施方式中，所述概率预测模块还被配置为：对所述待测电信号进行短时傅里叶变换，得到所述待测电信号的时频数据；将所述待测电信号的时频数据输入所述已训练神经网络模型进行处理。

15、在一种实施方式中，所述已训练神经网络模型包括三塔层，所述三塔层包括脑电信号塔、心电信号塔和肌电信号塔；所述概率预测模块还被配置为：将所述脑电信号输入所述脑电信号塔，得到所述脑电信号的特征向量；将所述心电信号输入所述心电信号塔，得到所述心电信号的特征向量；将所述肌电信号输入所述肌电信号塔，得到所述肌电信号的特征向量。

16、在一种实施方式中，所述已训练神经网络模型还包括聚合层，所述概率预测模块还被配置为：将所述三塔层输出的所述脑电信号的特征向量、所述心电信号的特征向量和所述肌电信号的特征向量输入所述聚合层进行拼接，得到特征图。

17、在一种实施方式中，所述已训练神经网络模型还包括底层，所述概率预测模块还被配置为：将所述聚合层输出的特征图输入所述底层进行特征提取和分类，得到所述待测电信号存在异常放电的预测概率。

18、在一种实施方式中，所述装置还包括模型训练模块，所述模型训练模块被配置为：获取训练集；所述训练集包括多个训练样本；所述训练样本包括癫痫患者发作间期存在异常放电的电信号及对应的标签、癫痫患者发作间期不存在异常放电的电信号及对应的标签、非癫痫患者的电信号及对应的标签；将所述训练集输入神经网络模型，得到所述训练集的预测分类；所述预测分类包括阳性或阴性；所述阳性表示所述训练样本存在异常放电，所述阴性表示所述训练样本不存在异常放电；根据所述训练集的预测分类和所述训练集的标签，确定所述神经网络模型的损失值；根据所述损失值，对所述神经网络模型进行迭代训练，直至达到预设的收敛条件，得到所述已训练神经网络模型。

19、在一种实施方式中，所述模型训练模块被配置为：将所述训练集输入所述神经网络模型，得到所述训练样本存在异常放电的预测概率；根据所述训练样本存在异常放电的预测概率，确定所述训练样本的预测分类。

20、在一种实施方式中，所述模型训练模块被配置为：根据所述损失值，更新所述神经网络模型的模型参数；所述模型参数包括权重和偏差；在所述损失值满足预设的收敛条件时，结束训练，得到所述已训练神经网络模型。

21、在一种实施方式中，所述装置还包括数据预处理模块，所述数据预处理模块被配置为：对所述待测电信号进行预处理；所述预处理包括重采样、滤波、去噪、数值标准化、分段中的至少一项。

22、根据本公开的第三方面，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任意一种方法。

23、根据本公开的第四方面，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任意一种方法。

24、根据本公开实施方式的癫痫发作间期的异常放电检测方法、癫痫发作间期的异常放电检测装置、计算机可读存储介质及电子设备，获取目标用户的待测电信号；待测电信号包括脑电信号、心电信号和肌电信号；将待测电信号输入已训练神经网络模型进行处理，输出待测电信号存在异常放电的预测概率；已训练神经网络模型由训练集训练得到；训练集包括多个训练样本；训练样本包括癫痫患者发作间期存在异常放电的电信号及对应的标签、癫痫患者发作间期不存在异常放电的电信号及对应的标签、非癫痫患者的电信号及对应的标签；癫痫患者发作间期存在异常放电的电信号为排除了由心电信号和/或肌电信号引起的脑电信号中出现疑似异常放电的电信号。如此，通过对心电信号、肌电信号的学习，模型可以避免将心电信号和/或肌电信号引起的脑电信号中出现的疑似异常放电判定为阳性的情况；从而，能够提高阳性识别的准确率。