技术摘要：
本发明提供了一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法，包括采用两个切比雪夫Ⅰ型数字带通滤波器分别获取原始脑电信号80Hz‑250Hz和250Hz‑500Hz频率范围的信号分量，并利用移动窗技术将滤波后的脑电信号截成多个持续时间为100ms的小段信号，得到80Hz‑250  全部
背景技术：
癫痫的诊断和治疗常常依赖于患者临床发作期或发作间期脑电图中异常放电的 精确检测。高频振荡节律是脑电图记录的反映神经元同步瞬变的脑电活动。根据频率范围， 高频振荡节律通常可以分为涟波(ripples ,80-200Hz)、快速涟波(fast  ripples ,250- 500Hz)和超高频振荡节律(very  high  frequency  oscillations,1000-2500Hz)。由于超高 频振荡节律的频率高，难以被常规电极记录，所以研究的重点是80-500Hz的涟波和快速涟 波。近20年来，大量研究表明高频振荡节律是癫痫发作始发区的显著生物标志物，它们在癫 痫发作始发区的平均发生率更高，且具有明显的特异性，可以用来确定癫痫发作始发区，协 助医生诊断和治疗癫痫。 对脑电信号进行带通滤波后，在涟波和快速涟波频带范围内进行目视检查是检测 高频振荡节律的常规方法。但脑电信号瞬态持续时间短、振幅低、具有非平稳性，在长期的 脑电记录中目视检查高频振荡节律是一项费时费力的工作。因此，亟需寻找一种能快速和 自动检测高频振荡节律的方法。同时，考虑到涟波和快速涟波的作用机制和电生理特性不 同，分别对涟波和快速涟波频带的脑电信号进行处理，有利于提高高频振荡节律(涟波和快 速涟波)的检测精度。 目前，大部分高频振荡节律检测方法是通过观察或统计学分析得到信号的特征， 然后基于这些特征进行高频振荡节律的检测。这些特征包括模糊熵、短时能量、功率比和线 长等。但是由于临床环境的复杂性，如低信噪比、癫痫手术室的环境噪声干扰等，根据这些 方法设计的高频振荡节律检测器尚未得到临床的应用。近年来，深度学习技术被广泛用于 大数据抽象特征的自动提取。栈式稀疏自编码器是目前最先进的深度学习算法之一，与传 统算法相比，它在模型性能上有很大的优势，并且在组织病理学图像分析中取得了较好的 效果。因此有望利用栈式稀疏自编码器提取高频振荡节律的特征，实现高频振荡节律的快 速和自动检测，进而促进高频振荡节律在临床中的应用。
技术实现要素：
为了解决上述问题，本发明提供了一种基于栈式稀疏自编码模型的涟波和快速涟 波检测方法，采用两个切比雪夫Ⅰ型数字带通滤波器分别获取原始脑电信号80Hz-250  Hz和 250Hz-500  Hz频率范围的信号分量，并利用移动窗技术将滤波后的脑电信号截成多个持续 时间为100ms的小段信号，得到80Hz-250  Hz和250Hz-500  Hz两类脑电信号段；利用得到的 两类脑电信号段分别训练两个栈式稀疏自编码器；利用训练后的栈式稀疏自编码器编码部 分和softmax分类器的参数重构网络，形成两个栈式稀疏自编码模型；利用得到的两个栈式 稀疏自编码模型分别检测80Hz-250  Hz脑电信号段中的涟波和250Hz-500  Hz脑电信号段中 5 CN 111588375 A 说　明　书 2/10 页 的快速涟波。 具体包括以下步骤： S101：采用通带频率为80Hz-250Hz的切比雪夫Ⅰ型数字带通滤波器获取原始脑电 信号中80Hz-250Hz频率范围的脑电信号；采用通带频率为250Hz-500  Hz的切比雪夫Ⅰ型数 字带通滤波器获取原始脑电信号中250Hz-500  Hz频率范围的脑电信号； S102：采用移动窗技术，分别将所述80Hz-250Hz频率范围的脑电信号和所述 250Hz-500  Hz频率范围的脑电信号截成多小段信号，得到80Hz-250  Hz脑电信号段和 250Hz-500  Hz脑电信号段； S103：针对涟波和快速涟波分别设计栈式稀疏自编码模型，并分别用来检测80Hz- 250  Hz脑电信号段中的涟波和250Hz-500  Hz脑电信号段中的快速涟波。 进一步地，步骤S101中，采用脑电信号记录仪器采集原始脑电信号；其中，一个脑 电记录仪具有多个导联，各个导联与大脑接触并记录接触点产生的脑电信号。 进一步地，步骤S101中，切比雪夫Ⅰ型数字带通滤波器的传递函数如下式所示： 上式中，max(M,N)为切比雪夫Ⅰ型数字带通滤波器的阶数；M为切比雪夫Ⅰ型数字带 通滤波器传递函数分子多项式的阶数；N为切比雪夫Ⅰ型数字带通滤波器传递函数分母多项 式的阶数；bm是分子第m阶的系数；an是分母第n阶的系数；z是待滤波信号，即原始脑电信号。 进一步地，步骤S102中，在得到80Hz-250  Hz频率范围的脑电信号和250Hz-500  Hz 频率范围的脑电信号的基础上，采用移动窗技术，将每个导联记录的长段脑电信号截成多 个持续时间为100ms的小段信号，得到80Hz-250  Hz和250Hz-500  Hz两类脑电信号段，即 80Hz-250  Hz脑电信号段和250Hz-500  Hz脑电信号段；其中，第r段脑电信号xr如下式所示： 上式中， 是滤波后长段脑电信号中第rLw个序列的幅值(脑电信号时间序列的 第rLw个值)；Lw是移动窗的窗长。 进一步地，步骤S103中，针对涟波和快速涟波分别设计栈式稀疏自编码模型，并分 别用来检测80Hz-250  Hz脑电信号段中的涟波和250Hz-500  Hz脑电信号段中的快速涟波； 具体为： S201：针对涟波设计的第一栈式稀疏自编码模型和针对快速涟波设计的第二栈式 稀疏自编码模型各选择5个候选模型结构； S202：利用临床标记的涟波和正常活动信号段组成第一数据集，利用临床标记的 快速涟波和正常活动信号段组成第二数据集，第一数据集和第二数据集的信号段长度均为 Lw，并采用第一数据集和第二数据集分别对所述第一栈式稀疏自编码模型的5个候选模型 和所述第二栈式稀疏自编码模型的5个候选模型进行训练和测试，得到所述第一栈式稀疏 自编码模型的5个候选模型分别对应的特异性和灵敏度和所述第二栈式稀疏自编码模型的 5个候选模型分别对应的特异性和灵敏度； S203：选择所述第一栈式稀疏自编码模型的5个候选模型中特异性和灵敏度均最 6 CN 111588375 A 说　明　书 3/10 页 高的模型作为第一最佳栈式稀疏自编码模型；若特异性和灵敏度不是同时最高，则选择灵 敏度最高的模型作为最终的第一最佳栈式稀疏自编码模型； 选择所述第二栈式稀疏自编码模型的5个候选模型中特异性和灵敏度均最高的模 型作为第二最佳栈式稀疏自编码模型；若特异性和灵敏度不是同时最高，则选择灵敏度最 高的模型作为第二最佳栈式稀疏自编码模型； S204：采用第一最佳栈式稀疏自编码模型检测所述80Hz-250  Hz脑电信号段中的 涟波，采用第二最佳栈式稀疏自编码模型检测所述250Hz-500  Hz脑电信号段中的快速涟 波。 进一步地，步骤S201中，第一栈式稀疏自编码模型用来检测80Hz-250  Hz脑电信号 段中的涟波，其5个候选模型结构的隐藏层节点数m1-m2分别为150-120、120-90、90-60、60- 30和30-10；第二栈式稀疏自编码模型用来检测250Hz-500Hz脑电信号段中的快速涟波，其5 个候选模型结构的隐藏层节点数m1-m2分别为200-150、150-120、120-90、90-60和60-30；m1- m2表示栈式稀疏自编码模型的第一个隐藏层的节点数是m1，第二个隐藏层的节点数是m2。 进一步地，步骤S202中，所述第一数据集包括多个带标签的涟波信号段和多个带 标签的正常活动信号段，所述第二数据集包括多个带标签的快速涟波信号段和多个带标签 的正常活动信号段； 利用第一数据集和第二数据集分别对所述第一栈式稀疏自编码模型的5个候选模 型中的某个候选模型和所述第二栈式稀疏自编码模型的5个候选模型中的某个候选模型进 行训练和测试，具体包括： S301：从第一数据集中随机选择80％信号段作为第一训练数据集，用来训练第一 栈式稀疏自编码模型，剩余的20％信号段作为第一测试数据集，用来测试第一栈式稀疏自 编码模型的性能； 从第二数据集中随机选择80％信号段作为第二训练数据集，用来训练第二栈式稀 疏自编码模型，剩余的20％信号段作为第二测试数据集，用来测试第二栈式稀疏自编码模 型的性能； S302：将所述第一训练数据集作为所述第一栈式稀疏自编码模型的训练数据，采 用逐层贪婪法对所述第一栈式稀疏自编码模型进行训练，得到训练好的第一栈式稀疏自编 码模型； 将所述第二训练数据集作为所述第二栈式稀疏自编码模型的训练数据，采用逐层 贪婪法对所述第二栈式稀疏自编码模型进行训练，得到训练好的第二栈式稀疏自编码模 型； S303：采用第一测试数据集对所述训练好的第一栈式稀疏自编码模型进行测试， 采用第二测试数据集对所述训练好的第二栈式稀疏自编码模型进行测试；并计算第一栈式 稀疏自编码模型和第二栈式稀疏自编码模型各自测试得到的特异性和灵敏度两个指标。 进一步地，步骤S303中，SEN和SPE的定义如下式所示： 7 CN 111588375 A 说　明　书 4/10 页 上式中，SEN为灵敏度，表示被正确检测的高频振荡节律数量占总高频振荡节律数 量的比例；SPE为特异性，表示被正确检测的正常脑电活动数量占总正常脑电活动数量的比 例；TP表示被正确检测的高频振荡节律的数量，TN表示被正确检测的正常脑电活动的数量， FP表示正常脑电活动被错误检测为高频振荡节律的数量，FN表示高频振荡节律被错误检测 为正常脑电活动的数量。 本发明提供的技术方案带来的有益效果是：实现癫痫脑电信号中涟波和快速涟波 的快速和自动检测，协助医生诊断和治疗癫痫。 附图说明 下面将结合附图及实施例对本发明作进一步说明，附图中： 图1是本发明实施例中一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法 的流程图； 图2是本发明实施例中患者1导联1的80Hz-250  Hz切比雪夫带通滤波结果； 图3是本发明实施例中患者1导联1的250Hz-500  Hz切比雪夫带通滤波结果； 图4是本发明实施例中采用移动窗技术得到的部分脑电信号段； 图5是本发明实施例中自编码器的结构示意图； 图6是本发明实施例中栈式稀疏自编码的器结构示意图； 图7是本发明实施例中栈式稀疏自编码模型。