买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:大连理工大学;中国科学院深圳先进技术研究院
摘要:本发明公开了一种基于复杂脑网络和Fiedler值分析的癫痫发作预测方法,属于脑电图癫痫发作预测领域。针对癫痫EEG数据进行了滤波预处理,将23组双极导联视为23个点,并将其划分为六个脑区。通过计算各电极信号之间的传递熵,并进行阈值处理以生成邻接矩阵,进而构建脑网络并计算其Fiedler值。通过多项式拟合曲线描述Fiedler值随时间的变化得到标准曲线,并与单个患者的实际拟合曲线进行对比,计算动态时间规整距离DTW。结果显示,大部分标准曲线与实际曲线之间具有较高的相似性,验证了该方法的有效性和准确性。总体而言,该方法在识别癫痫患者特征方面表现出较高的可靠性,可以为后续诊断和治疗提供重要参考依据。
主权项:1.一种基于复杂脑网络和Fiedler值分析的癫痫发作预测方法,其特征在于,步骤如下:步骤A:对EEG数据进行滤波处理并对数据进行分期选取;使用巴特沃斯滤波器和零相位滤波器以实现对不同频率范围和时间结构的信号的滤波处理;滤波处理后得到四个频段的脑电信号分别是:全频段0.5-60Hz、alpha频段8-13Hz、beta频段14-29Hz以及gamma频段30-60Hz;然后对于每个频段的整体数据集根据癫痫发作的时间先后顺序进行分期选取,得到发作时、发作前五分钟、发作前5-10分钟、发作前10-15分钟、发作前15-20分钟、发作前20-25分钟的分期数据段,一共得到不同频段、不同分期的24个分期数据段;步骤B:划分脑区;数据集采用了双极导联的方法记录EEG,每个受试者使用23个双极通道进行记录;将这23个双极通道作为脑网络的节点,划分到六个脑区,分别为左侧区域:FP1-F7、F7-T7、T7-P7、P7-O1,左中区域:FP1-F3、F3-C3、C3-P3、P3-O1,右中区域:FP2-F4、F4-C4、C4-P4、P4-O2,右侧区域:FP2-F8、F8-T8、T8-P8、P8-O2,中央区域:FZ-CZ、CZ-PZ,周围区域:P7-T7、T7-FT9、FT9-FT10、FT10-T8、T8-P8;步骤C:计算每个受试者、每次癫痫发作的每一个分期数据段对应的每个脑区内节点之间的传递熵,得到相应的传递熵矩阵;步骤D:对于传递熵矩阵进行阈值处理,生成邻接矩阵并构建网络;首先,将所有受试者、所有癫痫发作时每一个分期数据段得到的传递熵矩阵进行对应均值处理,得到共24个均值矩阵;然后,对每个均值矩阵中的数据按照数值大小进行排序,根据需要选择百分位数作为阈值,将均值矩阵中的数据与阈值进行比较,小于阈值的数据设为0,其他数据不变,得到邻接矩阵;接下来,将邻接矩阵转换为图的形式,形成脑网络;脑网络图中的节点之间的边具有方向性,箭头表示连接的方向;边的粗细反映了节点间连接的强弱,边越粗表示连接关系越强;步骤E:计算六个脑区对应的每一个分期数据段内的Fiedler值;步骤F:对于得到的每个频段、每个脑区的六个分期数据段内的Fiedler值,使用多项式拟合的方法绘制Fiedler值随时间变化的拟合曲线,每个频段均会得到六个脑区的标准曲线;所有频段进行同样的处理,共得到24条标准曲线,再对单个患者的数据进行实验,得到相对应的24条单个患者的曲线,作为实际曲线;步骤G:使用动态时间规整距离DTW来衡量患者实际曲线与对应的标准曲线之间的相似程度;步骤H:确定权重,整合动态时间规整距离值;根据步骤D得到的24个邻接矩阵中的数据并对不同频段、不同脑区赋予权重,然后将每个脑区、每个频段的动态时间规整距离值与权重相乘后再加和,整合得到每个频段下的动态时间规整距离值;计算公式如下: 其中,Total_sum是所有邻接矩阵中同一频段下的所有值的和,TEk是第k个脑区的邻接矩阵中的数据,Weightk是每个脑区的权重,是每个频段下的整合后的动态时间规整距离值,是第k个脑区在频段f下的动态时间规整距离值。
全文数据:
权利要求:
百度查询: 大连理工大学 中国科学院深圳先进技术研究院 一种基于复杂脑网络和Fiedler值分析的癫痫发作预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。