一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法与流程

1.本发明属于医学电生理辅助检查评估领域，尤其涉及一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法。


背景技术：

2.大脑执行各项功能任务是基于节点和边以串行和并行方式构成的巨大网络来完成。神经元集群被认为是一种在大脑广泛分布并相互联系的网状结构，即脑网络。大脑组织受资源配置和约束最小化的优化原则支配，符合经济原则，具有小世界属性，能够在较低连接成本的情况下提供较高的信息处理效率。
3.对于癫痫病人来说由于先天遗传或高烧、脑损伤等外界因素引起反复地癫痫发作慢慢地形成稳定的脑发作模式和发作通路，这种发作模式和通路也由一些关键的点和边构成的癫痫脑网络。在这个癫痫脑网络中，癫痫灶内的节点和边是激活整个癫痫网络的关键核心区域。因此在临床药物难治性癫痫患者，术前评估过程中界定癫痫灶核心区和边界是后续无论采用外科手术切除还是采用射频热凝损毁术等治疗手段是否成功的关键所在。
4.最近几十年来，机器学习领域的模型算法给癫痫灶预测定位提供了新的方向。总体来说算法大致分为两大类，一类是手动提取特征并用机器学习分类器进行预测分类，一类是让机器自行学习特征并分类，也就是神经网络算法。同时，癫痫分类预测的算法和模型实现可以运用到可穿戴设备上，也可以为临床诊断决策提供参考。


技术实现要素：

5.为解决上述技术问题，本发明提出了一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法，从而达到准确预测癫痫灶并辅助医生在术前的临床评估目的。
6.一方面为实现上述目的，本发明提供了一种癫痫发作前期颅内脑电网络定位癫痫灶系统，包括：获取模块、构建模块和定位模块；
7.所述获取模块用于获取癫痫患者的立体脑电图数据，并进行预处理；
8.所述构建模块用于根据预处理后的所述立体脑电图数据，构建脑网络，并根据所述脑网络构建富集枢纽俱乐部模型和机器学习模型；
9.所述定位模块用于根据所述富集枢纽俱乐部模型和所述机器学习模型进行分类预测癫痫灶的位置。
10.可选地，所述获取模块包括：采集单元和预处理单元；
11.所述获取单元用于获取癫痫患者的立体脑电图数据；
12.所述预处理单元用于对所述立体脑电图数据进行去伪迹、陷波虑波以及去线性漂移处理。
13.可选地，所述构建模块包括：第一构建单元、第二构建单元和第三构建单元；
14.所述第一构建单元用于根据预处理后的所述立体脑电图数据构建所述脑网络模型；
15.所述第二构建单元用于根据所述脑网络构建所述富集枢纽俱乐部模型；
16.所述第三构建单元用于根据所述脑网络构建所述机器学习模型。
17.可选地，所述第一构建单元包括提取子单元和第一构建子单元；
18.所述提取子单元采用互信息和加权相位一致性的方式，对预处理后的所述立体脑电图数据，提取脑网络特征；
19.所述第一构建子单元根据所述脑网络特征构建所述脑网络模型。
20.可选地，所述第二构建单元包括：划分子单元和第二构建子单元；
21.所述划分子单元用于将所述脑网络模型划分成若干个不重叠的模块，计算每个模块的各个所述脑网络特征的均值，并对所述均值进行z分数转换；
22.所述第二构建子单元用于攻击转换后的所述均值最大的模块，基于所述均值最大的模块构建所述富集枢纽俱乐部模型。
23.可选地，所述第三构建单元包括：第三构建子单元、训练子单元和评价子单元；
24.所述第三构建子单元用于根据决策树，构建所述机器学习模型；
25.所述训练子单元用于根据所述脑网络模型中的所述脑网络特征，对所述机器学习模型进行训练；
26.所述评价子单元用于设置评价指标，基于所述评价指标对训练后的所述机器学习模型进行评价。
27.可选地，所述定位模块包括第一定位单元、第二定位单元和检测单元；
28.所述第一定位单元用于根据所述富集枢纽俱乐部模型定位癫痫灶，获取第一预测结果；
29.所述第二定位单元用于根据训练后的所述机器学习模型定位癫痫灶，获取第二预测结果；
30.所述检测单元用于验证所述第一预测结果与所述第二预测结果是否相同，若相同，则定位癫痫灶成功。
31.可选地，所述脑网络特征包括：强度、特征向量中心性、介度中心性、聚类系数、局部效率、模块内度z分数和参与系数。
32.可选地，所述互信息为：
33.i(x,y)＝h(x)+h(y)-h(x,y)
34.其中，i(x,y)为x和y的互信息，h(x)为x的信息熵，h(y)为y的信息熵，h(x,y)为x和y的联合熵，x、y为两个离散时间序列；
35.所述加权相位一致性的计算方法为：
[0036][0037]
其中，f(θj,θk)≡cos(α)cos(w)+sin(α)sin(w)，θj和θk为两个信号的观测值通过转换得到的相对相位，n为所获得的信号总数，j表示第j个信号，α、w为相位偏移。
[0038]
另一方面为实现上述目的，本发明还提供了一种癫痫发作前期颅内脑电网络定位癫痫灶系统，包括：
[0039]
获取癫痫患者的立体脑电图数据，并进行预处理；
[0040]
根据预处理后的所述立体脑电图数据，构建脑网络，并根据所述脑网络构建富集枢纽俱乐部模型和机器学习模型；
[0041]
根据所述富集枢纽俱乐部模型和所述机器学习模型进行分类预测癫痫灶的位置。
[0042]
与现有技术相比，本发明具有如下优点和技术效果：
[0043]
本发明通过对获取的癫痫患者的立体脑电图数据进行预处理，降低干扰，保证初始数据更为精准；通过检测富集枢纽俱乐部，创造性地从癫痫脑的关系信息出发，结合网络分析，探寻对癫痫脑功能分化与信息整合影响最大的脑区，为癫痫灶定位提供新思路；通过使用机器学习模型，对颅内电极所在脑区进行分类预测。本发明能够准确预测癫痫灶并辅助医生在术前的临床评估。
附图说明
[0044]
构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0045]
图1为本发明实施例1的一种癫痫发作前期颅内脑电网络定位癫痫灶系统结构示意图；
[0046]
图2为本发明实施例2的一种癫痫发作前期颅内脑电网络定位癫痫灶方法流程示意图；
[0047]
图3为本发明实施例2的定位癫痫灶方法实现详细数据流程示意图；
[0048]
图4为本发明实施例1的脑电数据截取示意图；
[0049]
图5为本发明实施例1的切除区与非切除区的互信息(mi)网络特征统计学差异示意图；
[0050]
图6为本发明实施例1的切除区与非切除区的加权相位一致性(wppc)网络特征统计学差异示意图；
[0051]
图7为本发明实施例1的富集枢纽俱乐部(rich-club)检测方法流程示意图；
[0052]
图8为本发明实施例1的脑区示意图；
[0053]
图9为本发明实施例1的互信息特征向量中心性的富集枢纽俱乐部(rich-club)与切除区重叠率示意图；
[0054]
图10为本发明实施例1的富集枢纽俱乐部(rich-club)与切除区的重叠区域个体结果示意图；
[0055]
图11为本发明实施例1的决策树模型的roc曲线示意图。
具体实施方式
[0056]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0057]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0058]
实施例1
[0059]
如图1所示，本实施例提供了一种癫痫发作前期颅内脑电网络定位癫痫灶系统，包
括：获取模块、构建模块和定位模块；
[0060]
所述获取模块用于获取癫痫患者的立体脑电图数据，并进行预处理；
[0061]
所述构建模块用于根据预处理后的所述立体脑电图数据，构建脑网络，并根据所述脑网络构建富集枢纽俱乐部模型和机器学习模型；
[0062]
所述定位模块用于根据所述富集枢纽俱乐部模型和所述机器学习模型进行分类预测癫痫灶的位置。
[0063]
进一步地，所述获取模块包括：采集单元和预处理单元；
[0064]
所述获取单元用于获取癫痫患者的立体脑电图数据；
[0065]
所述预处理单元用于对所述立体脑电图数据进行去伪迹、陷波虑波以及去线性漂移处理。
[0066]
在本实施例中，获取模块中对立体脑电图数据进行采集与预处理的具体方式为：
[0067]
1.通过机器人无框架立体定向辅助系统引导进行脑深部电极置入，获取立体脑电图(seeg)数据。本专利示例共纳入研究17例影像学病灶边界清晰fcd患者，均为术后良好(随访结果无发作)。seeg电极通道数共1681电极通道，切除区有585电极通道，非切除区有1096电极通道。
[0068]
2.立体脑电图(seeg)数据预处理方法和流程：
[0069]
(1)经专业的癫痫科医生分析识别癫痫发作的起始时间，随机截取睡眠发作前一分钟的无伪迹seeg数据。脑电数据截取示意图如图4。
[0070]
(2)去除线性漂移、陷波滤波48-52hz去除50hz的工频干扰。
[0071]
(3)参考以往颅内脑电研究，进行双极参考；为减少计算负担，降采样至1024hz。
[0072]
进一步地，所述构建模块包括：第一构建单元、第二构建单元和第三构建单元；
[0073]
所述第一构建单元用于根据预处理后的所述立体脑电图数据构建所述脑网络模型；
[0074]
所述第二构建单元用于根据所述脑网络构建所述富集枢纽俱乐部模型；
[0075]
所述第三构建单元用于根据所述脑网络构建所述机器学习模型。
[0076]
进一步地，所述第一构建单元包括提取子单元和第一构建子单元；
[0077]
所述提取子单元采用互信息和加权相位一致性的方式，对预处理后的所述立体脑电图数据，提取脑网络特征；
[0078]
所述第一构建子单元根据所述脑网络特征构建所述脑网络模型。
[0079]
进一步地，所述第二构建单元包括：划分子单元和第二构建子单元；
[0080]
所述划分子单元用于将所述脑网络模型划分成若干个不重叠的模块，计算每个模块的各个所述脑网络特征的均值，并对所述均值进行z分数转换；
[0081]
所述第二构建子单元用于攻击转换后的所述均值最大的模块，基于所述均值最大的模块构建所述富集枢纽俱乐部模型。
[0082]
进一步地，所述第三构建单元包括：第三构建子单元、训练子单元和评价子单元；
[0083]
所述第三构建子单元用于根据决策树，构建所述机器学习模型；
[0084]
所述训练子单元用于根据所述脑网络模型中的所述脑网络特征，对所述机器学习模型进行训练；
[0085]
所述评价子单元用于设置评价指标，基于所述评价指标对训练后的所述机器学习
模型进行评价。
[0086]
在本实施例中，构建模块构建脑网络模型、富集枢纽俱乐部模型和机器学习模型，具体为：
[0087]
1.脑网络构建及特征提取。
[0088]
互信息(mi)是一种能够测量线性和非线性关系中相关程度的方法，它用信息论中的概念来测量多个时间序列之间的相互依赖程度。对于两个离散时间序列分别为x、y，根据香农熵理论可以算得x和y的信息熵分别为：
[0089][0090][0091]
事件{x＝xi,y＝yi}的概率为p
ij
，时间序列x和y的联合熵为：
[0092][0093]
则x和y的互信息则可定义为：
[0094]
i(x,y)＝h(x)+h(y)-h(x,y)
[0095]
加权相位一致性(wppc)的样本估计是其相应总体参数的无偏差且一致的估计量，能够有效克服锁相值和相干分析的局限性。加权相位一致性的计算：
[0096][0097]
其中，f(θj,θk)≡cos(α)cos(w)+sin(α)sin(w)，θj和θk是两个信号的观测值通过转换(如希尔伯特变换)得到的相对相位。加权相位一致性的取值范围为-1到1，数值越大表明同步性越强。
[0098]
根据构建的脑网络，提取的特征有强度(strength)、特征向量中心性(eigenvectorcentrality)、介度中心性(betweenness centrality)、聚类系数(clustering coefficient)、局部效率(local efficiency)、模块内度z分数(within-module degree z-score)、参与系数(participation coefficient)。
[0099]
在经过统计学分析后，使用mi时切除区特征向量中心性c,强度c显著大于(***p《0.001)非切除区，如图5所示。使用wppc时切除区特征向量中心性c,强度c,局部效率e,聚类系数c在δ,θ,α,γ频段显著大于(***p《0.001)非切除区，如图6所示。
[0100]
2.富集枢纽俱乐部(rich-club)模型构建。
[0101]
具体做法是找到网络特征值(如特征向量中心性)最高的子模块，对该模块所有连接边的强度降低50％，计算连接边强度降低后全局效率的下降率，对随机网络进行相同的步骤，若癫痫网络的全局效率下降率显著高于随机网络，说明该模块对整体网络的功能分
化与整合具有重要作用，为富集枢纽俱乐部，富集枢纽俱乐部的检测流程如图7所示。
[0102]
同时对术后效果良好患者，期待富集枢纽俱乐部完全落在切除区(b完全被c所包含，a为0)，如图8所示。并且本发明用富集枢纽俱乐部和切除区的重叠率(overlap)进行量化，这样可以扩大切除，同时重叠率越大，说明hub被包含在切除区内。互信息特征向量中心性的富集枢纽俱乐部与切除区重叠率如图9所示，富集枢纽俱乐部与切除区的重叠区域个体结果如图10所示。
[0103][0104][0105]
3.机器学习模型选取及评价
[0106]
将提取好的网络特征数据以矩阵的形式导入决策树支持向量机机器学习模型中进行训练和测试，决策树的准确率、灵敏度、特异性、auc分别为73.82％、62.91％、79.73％、0.77，也可以选用导入支持向量机(svm)机器学习模型中进行训练和测试，svm的准确率、灵敏度、特异性分别为68.63％、42.02％、83.05％。同时决策树模型的roc曲线如图11所示，曲线下的auc面积越大，模型效果越好。
[0107]
本实施例中为结合多网络特征分类预测癫痫灶的位置，选取支持向量机或决策树机器学习模型进行后续的训练和验证。
[0108]
决策树是一种符合问答规则的简单机器学习算法，容易实现，有较强的解释性，一般用来解决分类问题，常采用树形结构。决策树大体结构包含根节点、内部节点、叶节点三部分。根节点包含了所有样本集，内部节点代表着单个特征属性，叶节点是最终的分类(决策)结果。从最初利用信息增益选择特征，到引入信息增益比，最后用基尼系数取代信息熵模型，决策树算法不仅可以用于分类，也可以解决回归预测问题。
[0109]
支持向量(svm)方法是基于结构风险最小化理论和vc维理论，以求解二次规划问题为主要手段，以在高维空间中求解最优分类超平面为主要目标，以求解支持向量为结果的一种新机器学习方法，在解决中小型数据样本、非线性和高维的分类问题中具有优势。它一方面可以克服神经网络等方法所固有的过拟合和欠拟合问题，另一方面又有很强的非线性分类能力，通过引入核函数，将输入空间的样本映射到高维特征空间，输入空间的线性不可分问题就转化为特征空间的线性可分问题。
[0110]
模型评价时，通过计算准确率，特异性，敏感度、auc等指标评价所构建决策树和svm机器学习模型对癫痫灶预测定位的性能。
[0111]
真阳性(tp)：将正样本预测为正类的正确分类数量；
[0112]
真阴性(tn)：将负样本预测为负类的正确分类数量；
[0113]
假阳性(fp)：将负样本预测为正类的误报数量；
[0114]
假阴性(fn)：将正样本预测为负类的漏报数量。
[0115]
判别是否为正例只需要设一个概率阈值t，预测概率大于阈值t的为正类，小于阈值t的为负类，默认就是0.5。
[0116]
准确率(accuracy)是简单直观的评价指标，表示的是模型整体预测结果的正确与
否。
[0117][0118]
灵敏度(sensitive)表示的是所有正样本中被分类正确的比例，衡量了分类器对正样本的识别能力。
[0119][0120]
特异性(specificity)表示的是所有负样本中被分类正确的比例，衡量了分类器对负样本的识别能力。
[0121][0122]
roc(receiver operating characteristic)曲线，即受试者工作特征曲线，是以假阳性率(false positive rate，fpr)为纵坐标，真阳性率(true positive rate，tpr)的曲线。它是在不设置阈值的条件下来评估模型，获得的结果更具有真实性。同时当测试集中的正负样本分布发生变化时，roc曲线可以保持不变，这也极大消除了正负样本不均衡对结果的影响。
[0123][0124][0125]
auc(area under curve)是指处于roc曲线下方的面积，并且auc值不依赖于阈值的选择。根据roc曲线的特点，roc曲线下方面积越大表明模型综合预测性能越好。
[0126]
4.训练过程
[0127]
按照10折交叉验证方法划分训练集和测试集，使用编写的数据预处理代码进行处理，对特征数据进行打乱，导入模型训练测试，可以得到癫痫灶预测的训练结果。并采用准确率、特异性、敏感度、auc等指标评价训练性能。
[0128]
进一步地，所述定位模块包括第一定位单元、第二定位单元和检测单元；
[0129]
所述第一定位单元用于根据所述富集枢纽俱乐部模型定位癫痫灶，获取第一预测结果；
[0130]
所述第二定位单元用于根据训练后的所述机器学习模型定位癫痫灶，获取第二预测结果；
[0131]
所述检测单元用于验证所述第一预测结果与所述第二预测结果是否相同，若相同，则定位癫痫灶成功。
[0132]
在本实施例中将新获取的立体脑电图(seeg)数据输入至充分训练得到的决策树或者支持向量机机器学习模型中，分类预测癫痫灶的位置。
[0133]
实施例2
[0134]
如图2所示，本实施例公开了一种癫痫发作前期颅内脑电网络定位癫痫灶方法，包括：
[0135]
获取癫痫患者的立体脑电图数据，并进行预处理；
[0136]
根据预处理后的所述立体脑电图数据，构建脑网络，并根据所述脑网络构建富集枢纽俱乐部模型和机器学习模型；
[0137]
根据所述富集枢纽俱乐部模型和所述机器学习模型进行分类预测癫痫灶的位置。
[0138]
在本实施例中，定位癫痫灶方法实现的详细数据流程情况如图3所示：
[0139]
1.通过机器人无框架立体定向辅助系统引导进行脑深部电极置入，获取立体脑电图(seeg)数据。本专利示例共纳入研究17例影像学病灶边界清晰fcd患者，均为术后良好(随访结果无发作)。seeg电极通道数共1681电极通道，切除区有585电极通道，非切除区有1096电极通道。
[0140]
2.立体脑电图(seeg)数据预处理方法和流程：
[0141]
(1)经专业的癫痫科医生分析识别癫痫发作的起始时间，随机截取睡眠发作前一分钟的无伪迹seeg数据。脑电数据截取示意图如图4。
[0142]
(2)去除线性漂移、陷波滤波48-52hz去除50hz的工频干扰。
[0143]
(3)参考以往颅内脑电研究，进行双极参考；为减少计算负担，降采样至1024hz。
[0144]
3.脑网络构建及特征提取。
[0145]
互信息(mi)是一种能够测量线性和非线性关系中相关程度的方法，它用信息论中的概念来测量多个时间序列之间的相互依赖程度。对于两个离散时间序列分别为x、y，根据香农熵理论可以算得x和y的信息熵分别为：
[0146][0147][0148]
事件{x＝xi,y＝yi}的概率为p
ij
，时间序列x和y的联合熵为：
[0149][0150]
则x和y的互信息则可定义为：
[0151]
i(x,y)＝h(x)+h(y)-h(x,y)
[0152]
加权相位一致性(wppc)的样本估计是其相应总体参数的无偏差且一致的估计量，能够有效克服锁相值和相干分析的局限性。加权相位一致性的计算：
[0153][0154]
其中，f(θj,θk)≡cos(α)cos(w)+sin(α)sin(w)，θj和θk是两个信号的观测值通过转换(如希尔伯特变换)得到的相对相位。加权相位一致性的取值范围为-1到1，数值越大表明同步性越强。
[0155]
根据构建的脑网络，提取的特征有强度(strength)、特征向量中心性(eigenvector centrality)、介度中心性(betweenness centrality)、聚类系数(clustering coefficient)、局部效率(local efficiency)、模块内度z分数(within-module degree z-score)、参与系数(participation coefficient)。
[0156]
在经过统计学分析后，使用mi时切除区特征向量中心性c,强度c显著大于(***p《0.001)非切除区，如图5所示。使用wppc时切除区特征向量中心性c,强度c,局部效率e,聚类系数c在δ,θ,α,γ频段显著大于(***p《0.001)非切除区，如图6所示。
[0157]
4.富集枢纽俱乐部(rich-club)模型构建。
[0158]
具体做法是找到网络特征值(如特征向量中心性)最高的子模块，对该模块所有连接边的强度降低50％，计算连接边强度降低后全局效率的下降率，对随机网络进行相同的步骤，若癫痫网络的全局效率下降率显著高于随机网络，说明该模块对整体网络的功能分化与整合具有重要作用，为富集枢纽俱乐部，富集枢纽俱乐部的检测流程如图7所示。
[0159]
同时对术后效果良好患者，期待富集枢纽俱乐部完全落在切除区(b完全被c所包含，a为0)，如图8所示。并且本发明用富集枢纽俱乐部和切除区的重叠率(overlap)进行量化，这样可以扩大切除，同时重叠率越大，说明hub被包含在切除区内。互信息特征向量中心性的富集枢纽俱乐部与切除区重叠率如图9所示，富集枢纽俱乐部与切除区的重叠区域个体结果如图10所示。
[0160][0161][0162]
5.机器学习模型选取及评价
[0163]
将提取好的网络特征数据以矩阵的形式导入决策树支持向量机机器学习模型中进行训练和测试，决策树的准确率、灵敏度、特异性、auc分别为73.82％、62.91％、79.73％、0.77，也可以选用导入支持向量机(svm)机器学习模型中进行训练和测试，svm的准确率、灵敏度、特异性分别为68.63％、42.02％、83.05％。同时决策树模型的roc曲线如图11所示，曲线下的auc面积越大，模型效果越好。
[0164]
本实施例中为结合多网络特征分类预测癫痫灶的位置，选取支持向量机和决策树机器学习模型进行后续的训练和验证。
[0165]
决策树是一种符合问答规则的简单机器学习算法，容易实现，有较强的解释性，一般用来解决分类问题，常采用树形结构。决策树大体结构包含根节点、内部节点、叶节点三部分。根节点包含了所有样本集，内部节点代表着单个特征属性，叶节点是最终的分类(决策)结果。从最初利用信息增益选择特征，到引入信息增益比，最后用基尼系数取代信息熵模型，决策树算法不仅可以用于分类，也可以解决回归预测问题。
[0166]
支持向量(svm)方法是基于结构风险最小化理论和vc维理论，以求解二次规划问题为主要手段，以在高维空间中求解最优分类超平面为主要目标，以求解支持向量为结果的一种新机器学习方法，在解决中小型数据样本、非线性和高维的分类问题中具有优势。它一方面可以克服神经网络等方法所固有的过拟合和欠拟合问题，另一方面又有很强的非线
性分类能力，通过引入核函数，将输入空间的样本映射到高维特征空间，输入空间的线性不可分问题就转化为特征空间的线性可分问题。
[0167]
模型评价时，通过计算准确率，特异性，敏感度、auc等指标评价所构建决策树和svm机器学习模型对癫痫灶预测定位的性能。
[0168]
真阳性(tp)：将正样本预测为正类的正确分类数量；
[0169]
真阴性(tn)：将负样本预测为负类的正确分类数量；
[0170]
假阳性(fp)：将负样本预测为正类的误报数量；
[0171]
假阴性(fn)：将正样本预测为负类的漏报数量。
[0172]
判别是否为正例只需要设一个概率阈值t，预测概率大于阈值t的为正类，小于阈值t的为负类，默认就是0.5。
[0173]
准确率(accuracy)是简单直观的评价指标，表示的是模型整体预测结果的正确与否。
[0174][0175]
灵敏度(sensitive)表示的是所有正样本中被分类正确的比例，衡量了分类器对正样本的识别能力。
[0176][0177]
特异性(specificity)表示的是所有负样本中被分类正确的比例，衡量了分类器对负样本的识别能力。
[0178][0179]
roc(receiver operating characteristic)曲线，即受试者工作特征曲线，是以假阳性率(false positive rate，fpr)为纵坐标，真阳性率(true positive rate，tpr)的曲线。它是在不设置阈值的条件下来评估模型，获得的结果更具有真实性。同时当测试集中的正负样本分布发生变化时，roc曲线可以保持不变，这也极大消除了正负样本不均衡对结果的影响。
[0180][0181][0182]
auc(area under curve)是指处于roc曲线下方的面积，并且auc值不依赖于阈值的选择。根据roc曲线的特点，roc曲线下方面积越大表明模型综合预测性能越好。
[0183]
6.训练过程
[0184]
按照10折交叉验证方法划分训练集和测试集，使用编写的数据预处理代码进行处理，对特征数据进行打乱，导入模型训练测试，可以得到癫痫灶预测的训练结果。并采用准确率、特异性、敏感度、auc等指标评价训练性能。
[0185]
7.将新获取的立体脑电图(seeg)数据输入至充分训练得到的决策树或者支持向
量机机器学习模型中，分类预测癫痫灶的位置。
[0186]
以上，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。