本发明涉及脑电异常波形的查找,具体涉及一种脑电异常波形查找方法。
背景技术:
1、在做临床脑部疾病诊断的时候,主要是通过脑电图机,采集病患相应的脑电数据,并能过专业的脑电展示软件,通过人工判断是否有异常波形。
2、异常波形,主要是一些脑部疾病导致的异常放电。异常波形,主要是体现在波幅与频率上,如棘波可以被描述为幅值为70-200微伏,频率为7-14赫兹。但是在实际临床诊断中,光满足频率与幅值,不一定是异常波。在脑电图检查过程中,因为被检测人员的一些身体动作,干扰到脑电采集,也会有产生一些棘波。另外,因为不同的年龄段,对异常波形的判断也不一样,如新生儿幅值有些可以达到300微伏。
3、目前,判断异常波形方法主要包括:(1)基于频率与幅值阀值的判断方法。主要是通过波形的频率与幅值,判断是否为异常波形。如设置一个频率与幅值的上下边界阈值,当在波形的频率与幅值在下下边界内,就认为是异常。(2)个人经验判断方法。在脑电图技师阅图时,通过个人经验,根据频率与幅值,再结合年龄、个人状态,以及技师临床病例水平,判断是有异常波形。
4、现在大部份的脑电图机,异常波形判断方法,主要由两种:(1)采用特征阀值。像传统的脑电图机,大多采用特征阀值(基于频率与幅值阀值的判断方)进行异常波形的检索。(2)基于神经网络机器学习模型下的异常波检索。基于神经网络模型,通过采集大量人工标记的异常波形数据,然后训练ai应用模型。
5、目前,现有异常波形检索,主要的缺点包括:
6、(1)基于频率与幅值阀值的判断方法。存在的缺点主要包括:
7、(1-1)在有伪痕干扰下,能检索出大量的异常波形。需脑电阅图医生人工的排除大量的伪痕下的异常波形,导致医生对检索结果接受度很低。(1-2)仅有频率与幅值二项阀值,其组合条件太少,适应面太窄。面对不同类型病患者,其检索结果可能都不正确。
8、(2)基于神经网络机器学习模型下的异常波检索。主要缺点包括:
9、(2-1)在训练模型时,需要大量样本数据,才能让ai模型识别速度,精度提高。(2-2)识别速度上面,神经网络模型的识别性能相对来说比较慢,同时需要使用大量的gpu资源。(2-3)神经网络模型,在识别数据上,具有白盒子处理模式。没办法总结特征值的阀值,不方便阅图医生总结经验。
技术实现思路
1、本发明的目的在于针对现有技术的缺陷和不足,提供一种脑电异常波形查找方法。
2、本发明所述的一种脑电异常波形查找方法,采用如下步骤:
3、s10:脑电波形特征值提取阶段;
4、s20:建立检索模板库阶段;
5、s30:特征值比较阶段;
6、s40:分类模型筛查阶段;
7、s50:调整检索结果阶段;
8、s60:根据最终检索结果,不断的进行分类模型训练,形成最终的检索方案,达到智能判断的目标。
9、进一步地,步骤s10,脑电波形特征值提取阶段,采用如下步骤:
10、s1010:带通滤波处理;通过带滤波的方式,把高频与低频的数据进行过滤掉;
11、s1020:对波形进行平滑处理;
12、s1030:基于一次平滑基础上,通过最小二乘法,每一页计算波形的趋势线;
13、s1040:波段识别;
14、s1050:识别波形状/波类型;
15、s1060:波形频率、波形幅值;根据波形,计算出相应的频率与幅值。
16、s1070:斜率计算;
17、s1080:通道与区域标识;
18、s1090:波形标准差,通过波形与趋势线做波形的标淮差值。
19、进一步地,步骤s1020中的对波形进行平滑处理,假为原据为a1,a2……an,平滑后的数据为b1,b2……bn,其处理过程,采用如下步骤:
20、s1030-1:第一个点到第三个点,即b1到b3,
21、依次取:b1=a1×0.9+a2×0.1,
22、b2=a1×0.1+a2×0.8+a3×0.1,
23、b3=a1×0.05+a2×0.15+a3×0.7+a4×0.1;
24、s1030-2:b4到bn-1个点,值为:bx=0.05×(ax-3)+0.1×(ax-2)+0.15×(ax-1)+0.7×ax+0.1×(ax+1);
25、即,ax-3点取值权重为0.05,ax-2点取值权重为0.1,ax-1点取值权重为0.15,ax取值权重为0.7,后续ax+1点取值权重为0.1;
26、s1030-2:bn取值为:0.05×(an-3)+0.1×(an-2)+0.15×(an-1)+0.8an。
27、进一步地,步骤s1030,基于一次平滑基础上,通过最小二乘法,每一页计算波形的趋势线,其采用如下步骤:
28、s1030-1:最小二乘法主要是设拟合直线的公式为:y=kx+b,
29、s1030-2:然后通过数据,计算出拟合直线的斜率为:
30、s1030-3:计算出斜率后,根据和已经确定的斜率k,利用待定系数法求出截距b。
31、本发明有益效果为:本发明所述的一种脑电异常波形查找方法,它增加了检索条件;按年龄进行区分检索类型,并将检索条件区域,标准差、斜率等,排除伪迹,提高精确度;它通过分类模型,形成了智能闭环的检索结果处理,让检索更新智能,同时又兼顾传统阀值方法。
1.一种脑电异常波形标注纠正处理方法,其特征在于:采用如下步骤:
2.根据权利要求1所述的一种脑电异常波形标注纠正处理方法,其特征在于:步骤s40中的标注头重新定位,采用如下步骤:
3.根据权利要求1所述的一种脑电异常波形标注纠正处理方法,其特征在于:步骤s50中的标注尾重新定位,采用如下步骤: