[发明专利]癫痫脑磁图棘波检测方法及装置

说明书

本发明公开了癫痫脑磁图棘波检测方法及装置，包括：构建棘波检测模型：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，得棘波检测模型；将待检测的脑磁数据进行数据分割后，输入棘波检测模型，得该脑磁数据的棘波检测结果。本发明具有可以更加高效、准确地进行棘波自动检测，为医生提供更加有效的辅助诊断信息等优点。

技术领域

本发明涉及脑磁图数据智能分析领域。更具体地说，本发明涉及一种癫痫脑磁图棘波检测方法及装置。

背景技术

脑磁图(Magnetoencephalography，MEG)数据采集以及棘波信号检测是医学诊断癫痫疾患的重要辅助手段。临床上，将视觉检测和手动注释看作是棘波检测的“金标准”，然而，由于MEG数据量大，采用医生人工分辨棘波，耗时长、工作量大、受医生的主观判断影响、且不能做到癫痫疾病的实时诊断。因此，设计实现用于MEG信号棘波检测的自动化系统意义重大。

目前，已有的棘波自动检测和评估的常用算法有阀值法、海岸线法、模板匹配、信号增强、形态学分析、分类聚类，深度学习方法等，这些方法大部分利用了棘波信号的时频域等特征，虽然实现了多通道的棘波信号检测，但只是针对单频率一维的棘波MEG信号进行分析，而无法提取MEG中更深度的时空特征，检测准确度还有待提高。

发明内容

本发明的一个目的是提供一种癫痫脑磁图棘波检测方法及装置，以更加高效、准确地进行棘波自动检测，为医生提供更加有效的辅助诊断信息。

为了实现本发明的目的和其它优点，提供了一种癫痫脑磁图棘波检测方法，包括：

构建棘波检测模型：对训练样本的原始癫痫脑磁数据进行数据分割，得多通道多频率融合的癫痫脑磁信号；利用所述癫痫脑磁信号对基于脑磁信号的信号分类网络模型进行训练；将所述癫痫脑磁信号进行空间重建，得多通道多频率融合的癫痫脑磁视频；利用所述癫痫脑磁视频对基于脑磁视频的视频分类网络进行训练；将训练好的信号分类网络和视频分类网络进行模型融合，得棘波检测模型；

将待检测的脑磁数据进行数据分割后，输入所述棘波检测模型，得该脑磁数据的棘波检测结果。

优选的是，所述的癫痫脑磁图棘波检测方法，还包括，在数据分割前，对所述原始癫痫脑磁数据和所述待检测的脑磁数据进行伪迹去除。

优选的是，所述的癫痫脑磁图棘波检测方法，所述癫痫脑磁信号包含多个脑磁图数据片段，每个脑磁图数据片段为一个大小为M*N的二维矩阵形式的数据集，M为对应原始癫痫脑磁数据的通道数；N为对应原始癫痫脑磁数据的通道时间长度。

优选的是，所述的癫痫脑磁图棘波检测方法，所述信号分类网络包括二维空间子模型A、一维空间子模型B和二维空间子模型C；其中，所述二维空间子模型A为二维卷积神经网络模型，所述一维空间子模型B为一维卷积神经网络模型，所述二维空间子模型C为二维深度可分离卷积神经网络模型，且所述二维空间子模型A和所述二维空间子模型C的输入为所述癫痫脑磁信号，所述一维空间子模型B的输入为二维空间子模型A输出所得。

优选的是，所述的癫痫脑磁图棘波检测方法，所述视频分类网络包括三维空间子模型D和四维时序子模型E，其中，所述三维空间子模型D为三维卷积神经网络模型，所述四维时序子模型E为基于TimeSformer的无卷积时序视频分类网络模型，且所述三维空间子模型D的输入为所述癫痫脑磁视频经降维后的三维矩阵，所述四维时序子模型E的输入为脑磁视频片段，所述脑磁视频片段由多个从所述癫痫脑磁视频中采样的大小为W*H的图片帧组成，W为图像宽，H为图像高。