全自动定量检测脑电图中癫痫样放电的装置

本发明涉及一种检测癫痫病情的装置，具体地说，是一种全自动定量检测脑电图中癫痫样放电(Epileptiform Discharges，简称ED)的装置。

众所周知，癫痫是一种常见病，患病率约占人口的0.4％，患者发病时常有失去知觉倒地，全身抽搐等表征，是危害人民健康的重要疾病。首先要正确地诊断是否癫痫，使之和其它有类似症状的疾病区分开来，采取正确的治疗措施，目前常用的方法是记录患者的脑电图，再由医生来分析脑电图，看其中是否有癫痫样放电，作为癫痫诊断的主要客观依据，关于这方面，本申请人已于1998年12月30日向中国专利局提交名称为“全自动判断脑电图中有无癫痫样放电的装置”的发明专利申请(申请号CN 98122894.1)，在这份申请中主要解决“有”和“没有”ED的定性判断。这对于采取正确的治疗路线是十分重要的。对于有ED的病人，如综合其他病症判断为癫痫病人，接着医生就需要了解病人的癫痫病发作的具体情况，发作频繁程度如何，ED的数量和在什么时间、什么情况下发作等等，以决定用什么药、用药量多少等，在治疗一阶段以后，医生需要知道治疗的效果如何、有效、无效、效果好不好等等，考虑是否继续用同类药继续治疗下去，药量是否要增减，还是改用另一种药。癫痫病的病情可主要在ED的数量和其时间分布上看到。除非病人的发作十分频繁，则在医院里，常规的脑电图记录中也可以看到ED，一般需要作动态脑电记录，就是连续记录24小时的病人脑电，由医生来人工分析动态脑电图是十分费时、费力的，因为24小时记录得到的数据量十分庞大，如果逐页显示，再由医生来判读，每一份动态脑电图就需要花费医生几个小时的时间，而且还得不到定量的结果。只是一个定性印象，如果要做定量测量，那么医生再要做很多测量和统计工作，还要把结果绘成图表，这样一天时间也许医生只能处理一个病人的动态脑电记录，有丰富经验的脑电分析医生目前在大城市中还不多，自然中小城市则更少，甚至没有，而广大农村、边缘地区，更是没有这方面专业人才，因此癫痫病人将不可能得到有效的、有针对性的治疗。

对于动态脑电的判读迫切需要计算机的自动化，这项工作国际学术界经过了20多年的努力，效果已明显改进，尤其是近年来用“人工神经网络”来检测ED，更是把这项工作推向一个新水平，ED的识别率已明显提高，假阳性率已大大下降，到目前为止以张彤等在《(中国生物医学工程学报》1998，17(1)：1-11发表的“脑电图癫痫波的自动检测与分类”之技术方案水平最高，他们采用分层次，多方法整合途径将自动适应预测、小波变换、人工神经网络、模糊识别系统、专家系统等信号处理技术结合起来，检测癫痫波取得了良好的结果，还能对癫痫波进行分型。但该方法相当复杂，需用高速和大容量计算机，成本较高，也不利于快速识别。该论文距实用、特别是到广大小城市、边疆地区去推广应用尚有很大距离，如果把该文所得的具体方法、参数、网络连接权重等固定下来，推广应用，则由于癫痫病人的情况多种多样，不同地区、民族也可能有所不同等等，所得的测试结果不可能都好，也很有可能出现较大性能下降的情况。此时怎么办？应该修改方法、参数、重新训练网络等等，还要增加专家规则、修改程序，这些工作由谁来做？需要有经验的医生和技术高超的工程师。即使再经过相当长时间努力改进，得到了一套性能较好的方法，参数、网络连接权重等，把这一套固定下来去检测全国的病人，也很难保持高性能指标。而高性能是张彤系统的核心，要保持高性能就需要医生和工程师的参与。因此仍然迫切需要“全自动的”，无需医生和工程师参与的高性能的癫痫波检测系统，才能使它应用于广大的小城镇和边疆等我国大部分人居住的地区，即使在大城市，也需要这样的测量系统，才能把脑电医生从繁重的劳动中解脱出来，才能为更多的病人服务；才能使检测的费用大幅地降下来，这样的测量系统至今还未见报导。究其原因乃是由于：(1)由于脑电十分微弱，伪差常常干扰脑电的记录。伪差系指来自脑外电位活动在脑电图中的反映，伪差的来源很多，如：肌电、电极晃动、外界电磁干扰等，伪差的出现对于分析有明显的影响，大多数ED分析者挑选脑电图中没有伪差干扰的片段来分析，而在实际记录中，伪差的存在是普遍的，在没有医生参与下，如何消除伪差的影响是一大难题，至今尚未解决。

(2)由于癫痫病人脑内ED发生的区域不同，有的是弥漫型的，有的是局灶型的，有的发生在这一部位，有的则发生在另一部位，ED的波形也不同，有棘波(波宽在70ms左右)、有尖波(波宽在100～200ms)，有棘慢复合波等等。如果用一个固定的人工神经网络对所有的病人进行检测，则检测的结果自然不会对所有的病人都很好，为了要得到好的效果，应“具体情况具体分析”，针对每一个病人，挑选该病人的ED波作为ED模式来专门训练网络，得到其各项参数特别适合于该病人的神经网络，再来测量该病人，这样效果自然就会大大改善。但是谁来挑选该病人的ED波作为ED模式？如果要“全自动”，那么这项任务应该由计算机来承担，这也是一个难题。

(3)人工神经网络识别ED，需要一个阈值，网络输出超过阈值，就判定它是ED，低于阈值就判定它不是ED，这个阈值如何确定呢？以往主要由医生来确定，有经验的医生还要先设定一个值，看看效果，识别率如何，假阳性率如何，再细细调节阈值，使之识别率很高，假阳性率仍很低，达到最佳状态，这是一个相当复杂和工作量相当大的过程，有的ED分析者就用固定的阈值，这样可以避免医生的繁重工作，但是我们在实验中看到，即使是一个网络，对不同病人的ED识别的阈值是不同的，有的甚至相差较大，规定固定阈值，就会因阈值不准确而影响识别结果，有时甚至使性能大大下降，很难适应对所有病人的ED自动检测。如果要求“全自动”，没有医生参与而且要保持良好的检测性能，那么这项确定阈值的任务也必须由计算机自动完成，这是一个文献上未见报导的难题，也是本申请要解决的关键难题。

综上所述，由于上述种种困难，这类“没有医生参与的，完全靠计算机自动分析而能定量检测脑电图中癫痫样放电的装置”迄今为止还没见到报导。

本发明的目的是提供一种免除医生参与的全自动定量检测脑电图中癫痫样放电的装置。

本发明是这样实现的，其包括依次以电路联结的多路脑电放大器、数据采集器、计算机及打印机构成该装置的硬件(图1，图2)，在该计算机中的内存储器中建立人工神经网络的输入暂存区，参数暂存器，并驻留有BP(前馈逆传播学习算法)算法程序，每一路脑电信号在该神经网络中有相应的输入节点，该人工神经网络(图3)由二个三层BP子网络组成，分别称为左子网络和右子网络，左子网络和右子网络的输出经加权平均后，组成网络输出O，左、右子网络各有三层：输入层、隐含层和输出层，在该计算机的内存中分别设置输入层数据存贮区、隐含层数据存贮区和输出层数据存储区，对于一个BP子网络，Wji表示输入层第i个节点到隐含层第j个节点的联接权重，Wlj表示隐含层第j个节点到输出层第l个节点的联接权重，隐含层和输出层的节点含有偏置值；θj表示隐含层第j个节点的偏置值，θl表示输出层第l个节点的偏置值；隐含层节点和输出层节点的输入输出激励函数采用“S”型函数：f(X)＝1/(1+exp(-X))；一个输入层有ni个节点，隐含层有nj个节点，输出层有nl个节点的子网络，Pi表示子网络第i个节点的输入值，HINj表示隐含层第j个节点的输入值，HOUTj表示隐含层第j个节点的激活值，OINl表示输出层第l个节点的输入值，OOUTl表示输出层第l个节点的输出值，其前馈按下列前馈公式进行计算；HINj=Σi=1ni(Wji×Pi)+θj]]>HOUTj＝1/(1+exp(-HINj))OINl=Σj=1nj(Wlj×HOUTj)+θl]]>OOUTl＝1/(1+exp(-OINl))输出层只有一个节点，左、右两个子网络的输出分别表示为Ol和Or，左子网络的加权系数为φ，则右子网络的加权系数为1-φ，网络的输出：O＝φOl+(1-φ)Or，其输出值为0～1之间的一个确定值；

特点是在该计算机内存贮器中驻留如后面要说明的如图4所示的总程序，其包括的伪差滤除子程序模块、病人ED模式选取子程序模块，训练专用神经网络子程序模块、确定阈值子程序模块、全自动脑电记录检测子程序模块和输出子程序模块。其中伪差滤除子程序模块如图5所示。病人ED模式选取子程序模块如图6所示。训练专用神经网络子程序模块如图7所示，确定阈值子程序模块如图8所示，脑电中ED的检测子程序模块如图9所示，输出子程序模块如图10所示，脑电信号输入本发明装置后，经过伪差滤除程序的处理后，把含有伪差干扰ED识别的片段登记下来，这些片段不再参加以后的处理，再经过ED模式选取程序处理后在病人脑电中找出符合要求的一定数量的片段，作为ED模式对人工神经网络进行训练。训练完成后得到适合该病人ED检测的专用人工神经网络，用专用网络处理病人脑电，网络输出的峰值组成峰值分布曲线，据此曲线经阈值确定程序处理后，产生确定的阈值，用此专用网络和阈值，再对该病人的脑电进行ED检测，网络输出超过此阈值的脑电波信号判为ED波，低于此阈值的均为非ED波，就可以得到ED的总数和ED发生随时间分布等结果，最后由打印机打印报告。

上述的与多路脑电放大器相连接的电极，其安置系采用国际10-20系统，头皮单极16通道记录结构；而该前馈逆传播学习算法网络的误差函数预置值E＝0.01，学习因子η＝0.01；动量因子α＝0.05，隐含层节点个数H＝16，左子网络加权系数φ＝0.5，ED与非ED模式的标准差倍数M＝10。

本装置处理的病人是用“全自动判断脑电图中有无癫痫样放电装置”分析过而且判定为有ED的病人。

本装置用BP网络再藉由输入患弥漫性棘波ED型病人的脑电中ED波予以训练网络，形成一基本网络，作为本装置中ED模式选取的出发点和依据。

本发明的优点：1、实现不需医生参与的全自动定量检测脑电图中癫痫样放电，其结果接近有经验医生的检测水平。

2、省却了医生的繁琐、艰苦的劳动，省时，省力，因此特别适用于广大的小城镇、农村和边远地区，因为那里根本就没有有经验的脑电医生。病人得癫痫病后，必须到大中城市才能治疗、费钱又费时。

3、适合远程诊断，把测试结果通过网络可传送到大城市的医疗中心，由专家分析后决定下一步治疗方案，药物可以邮寄。必要时可以进行远程会诊。

4、由于本装置对于每个病人，训练出适合该病人的专用网络，再对该病人进行检测，因此有很强的适应能力，可以在不同地区、不同民族的区域内应用。

本发明的附图简单说明如下：图1是本发明的方块示意图。

图2是本发明的数据采集器电路原理图。

图3是本发明的BP网络的拓扑结构图。

图4是本发明软件的总流程图。

图5是本发明软件中伪差滤除子程序的流程图。

图6是本发明软件中病人ED模式选取子程序的流程图。

图7是本发明软件中训练专用神经网络子程序的流程图。

图8是本发明软件中确定阈值子程序的流程图。

图9是本发明软件中脑电中ED检测子程序的流程图。

图10是本发明软件中输出子程序流程图。

下面根据图1～图10给出本发明一个较好实施例，并予以详细描述，以使能更好地说明本发明的结构特征、功能，而不是用来限制本发明的权利要求保护范围。

请参阅图1和图2，如图所示，本发明装置包括依次以电路联结的多路脑电放大器1、数据采集器2和计算机3，该计算机3的输出信号可由打印机4打印，也可由显示屏显示，也可上网进行远距离传送。在本实施例中，多路脑电放大器1为16道脑电放大器；实验时采用日本光电公司(NIHONKOHDEN)4217型脑电图机记录脑电图，记录电极的安置采用国际10-20系统头皮单极16道记录，经高通0.3Hz和低通60Hz滤波后描记在纸上，同时对放大后的脑电信号送入数据采集器2、该数据采集器2的模数转换的位数为10bit，采集频率为200次/秒，计算机3采用486微型计算机。

请参阅图3，它显示本发明的人工神经网络的拓扑结构，它是以盖博(Gabor)等的方法为基础，经对网络参数优化后的BP网络，它由二个三层BP子网络组成，分别称为左子网络和右子网络，各有三层：输入层、隐含层和输出层，对于一个BP子网络，Wji表示输入层第i个节点到隐含层第j个节点的联接权重，Wlj表示隐含层第j个节点到输出层第l个节点的联接权重，隐含层和输出层的节点含有偏置值。θj表示隐含层第j个节点的偏置值，θl表示输出层第l个节点的偏置值。隐含层节点和输出层节点的输入输出激励函数采用“S”型函数：

f(X)＝1/(1+exp(-X))该网络的误差函数预置值E＝0.01；学习因子η＝0.01；动量因子α＝0.05；输入层节点和隐含层节点个数均为16，输出层节点数为1。左子网络加权系数φ＝0.5；ED与非ED模式之间的标准差倍数M＝10。

设对于一个输入层有ni个节点，隐含层有nj个节点，输出层有nl个节点的子网络，Pi表示子网络第i个节点的输入值，HINj为隐含层第j个节点的输入值。HOUTj表示隐含层第j个节点的激活值。OINl表示输出层第l个节点的输入值。OOUTl表示输出层第l个节点的输出值，本发明的前馈按下列公式进行计算；HINj=Σi=1ni(Wji×Pi)+θj,]]>HOUTj＝1/(1+exp(-HINj))，OINl=Σj=1nj(Wlj×HOUTj)+θl,]]>OOUTl＝1/(1+exp(-OINl))。

输出层只有一个节点，左右两个子网络的输出分别表示为Ol和Or。左子网络的加权系数为φ，右子网络的加权系数为1-φ，则网络输出为：O＝φOl+(1-φ)Or我们在计算机3的内存区建立了上述BP网络的算法，16路脑电信号送入BP网络的相应的16个输入节点Pl1、Pl2……Pl16；Pr1、Pr2……Pr16；网络输出值为0～1之间的某一确定值。

请参阅图4，启动本发明装置后，按程序进行工作。程序依次执行伪差滤除子程序模块5、病人ED模式选取子程序模块6、训练专用神经网络子程序模块7、确定阈值子程序模块8、自动脑电记录检测子程序模块9和输出子程序模块10。如图5所示，该伪差滤除子程序模块5包括步骤50，将脑电信号输入基本神经网络、步骤51，求网络输出值达到峰值(极大值)＞0.84的时间tio、步骤52求该峰的宽度twi、步骤53，判别该宽度twi＜45ms吗？，如果twi＜45ms，则进入步骤54，判定该输入信号为肌电干扰信号，记录下该tio，进入步骤55；如果twi＞45ms，则直接跳进步骤55，测水平线持续时间thi和出现水平线的脑电记录仪之通道数Di后，进入步骤56，判断thi≥50ms，如果是，进入步骤561，判断Di＞5？如果是，执行步骤562，判定为脑电放大器阻塞，记录下该tio并进入步骤57；如果thi＜50ms，或Di≤5，均直接执行步骤57，测量输入信号斜率Xi，并进入步骤58；若Xi≥24μv/ms，则执行步骤581，判定为脑电放大器阻塞，记录下tio，并进入步骤59；若Xi＜24μv/ms，则直接执行步骤59，判别信号输入完毕了吗？若输入完毕则结束而执行子程序模块6，若未完毕，则跳转执行步骤50，即再继续执行伪差滤除子程序模块5。

要说明的是：a.我们通过实验知道许多常见的伪差如个别电极晃动，眼动和大部分的参考电极晃动等，并不能使人工神经网络输出超过阈值，因此，不会被误判为ED，这类伪差可以忽略。而有些伪差如肌电、放大器阻塞等，易使网络输出超过阈值而被误判为ED，这类伪差必须滤除。本子程序当网络输出＞0.84时(有可能超过阈值时)，进行伪差判定，若被判为伪差，就记录下发生的时间tio，在tio附近的脑电片段就被除去，不再参加以后的处理。

b.最靠近峰值(tio)的前后二个极小值发生的时间差定义为峰的宽度twic.某一路脑电信号在一段时间thi内变化连续≤10μv，称为水平线，thi称为水平线持续时间，有Di道信号同时产生水平线，则称为出现水平线的通道数为Did.斜率Xi指任一路脑电信号的变化率，取绝对值。

请参阅图6，它显示出本发明中的病人ED模式选取子程序之流程，其程序进程如下：伪差滤除子程序执行后进入步骤60，将滤除伪差后的病人脑电信号输入基本人工神经网络→步骤61，测量网络输出峰值PVi→步骤62，判断是否PVi≥0.82，如果PVi之值为≥0.82，则→步骤63，将此段脑电信号作为ED模式的候补者→步骤64，判别在规定的选取分布中该PVi≥是否已达规定的数目？如果是，则→步骤66，如果不是，则→步骤65，将此段脑电信号选作ED模式→步骤66，判别规定选取分布是否都已选满？如果是，程序结束；如果不是或在步骤62中，PVi＜0.82，则→步骤67，判别脑电信号输入是否完毕，若已完毕，则→步骤68，由规定分布空缺处附近的候补者替代，选作ED模式，将规定分布尽量填满→本子程序运行结束，若步骤67判别结果为脑电信号输入尚未完毕，则程序跳回步骤60，继续重复前述运作。

我们通过实验知道在ED模式选取中，要选取使网络输出峰值PVi为大于等于0.82的多种波作为ED模式效果较好，实验数据告诉我们总共要选取15个ED模式，而且它们的PVi要有一个适宜的分布，宜选取PVi＝0.92的1个，PVi＝0.90的2个，PVi在0.89～0.87间的8个，PVi＝0.86的2个，PVi＝0.84的1个，PVi＝0.82的1个。如来了一个波，其PVi＝0.90，这时若PVi＝0.90的波选中的不足2个，则此波被选作ED模式，如果PVi＝0.90的波已选取2个，这个波就暂不选取。如果上述分布中所需的波都已选出，则ED模式选取工作结束。如果病人的脑电信号已经输入完毕，规定的分布仍未选满，则尽量以PVi相近的波代替，如PVi＝0.86的还缺1个，候补者中有PVi＝0.92的、0.88的、0.85的各若干个，则挑PVi＝0.85的一个作为ED模式，如果替代后仍不能达到规定分布的要求，则选出多少就多少、选模式仍然结束。

请参阅图7，它示出训练专用神经网络子程序模块的结构图，其包括步骤70，提取ED模式的特征量→步骤71，以M＝10，从每个ED模式计算出一个非ED模式→步骤72，随机化决定人工神经网络的连接权重Wji，Wlj，偏置值θj，θl等，→步骤73，计算各ED模式和各非ED模式的网络输入量Pl和Pr→步骤74，将各模式的网络输入量输入人工神经网络，按网络的前馈公式算出各模式的网络输出，→步骤75，计算“误差”，→步骤76，判别误差≤E？如果不是，→步骤77后返回步骤74，如果是则→执行步骤78后→确定阈值子程序模块，上述之步骤77是按公知的前馈逆传播学习算法，以η＝0.01和α＝0.05修改连接权重Wji，Wlj和偏置值θj和θl，步骤78是训练完成，所得的Wji，Wlj，θj和θl，和φ构成该病人的专用人工神经网络。还要说明的是：注：1、步骤70～73参照盖博Gabor的方法，其中M为非ED模式标准差倍数经我们优化后取M＝10。

2、ED模式的理想网络输出值为1.0，非ED模式的理想网络输出值为0，各模式理想网络输出值和实际网络输出值的差再平方，再相加即为“误差”。

3、E为误差函数预置值，经优化取E＝0.01，使训练速度快，识别率高。

4、η为学习因子，α为动量因子，经优化取η＝0.01，α＝0.05使训练速度快，识别率高。

5、φ为左子网络加权导数，优化得φ＝0.5，识别率高。

请参阅图8，它示出了本发明的确定阈值子程序的流程图。其步骤如下：子程序开始→步骤80，将病人脑电信号输入该病人的专用人工神经网络→步骤81，测量网络输出峰值PV，计算PV与其出现次数y的关系，即峰值分布曲线y＝f(PV)→步骤82，判别峰值的总个数≥3000吗？若小于3000个，则返回步骤80，若大于等于3000个，则→步骤83，找出PV在0.70以下范围内的y的最大值yo，此时PV＝PVo，则→步骤84，从PVo开始逐渐增大PV值，找出PVw，使Y(PVw)≤(1/8)yo，令PVk＝PVw，→步骤841，从PVo到PVk的峰值分布曲线用幂函数yc＝A(C-PV)B进行拟合，→步骤842，将此拟合曲线从PVk向PV值增加的方向逐步外推，并计算yc，→步骤85，判别yc≤0？若yc≤0执行步骤86，若Yc＞0则执行步骤851，若y≥yc，则返回，执行步骤842，若Y＜Yc，→步骤852，使PVk＝PVi，并返回执行步骤841；若执行步骤85时之yc≤0，则执行步骤86，拟合曲线结束，近似认为yc＝A(C-PV)B是非ED的网络输出峰值分布曲线，→步骤87，计算ED分布曲线ye＝g(PV)即在相同PV时，ye＝y-yc，若在某一PVi值时y＜yc，则此时令g(PVi)＝0，→步骤88，计算各PV值时的假阳性率，→步骤89，设在PV＝PVs时假阳性率最接近10％，则定义阈值PVT＝PVs，子程序结束。

由于ED和非ED都可能使专用人工神经网络形成一个峰，所以得到的峰值分布曲线是由ED和非ED叠加形成的，本算法的核心是将此峰值分布曲线分解为ED峰值分布曲线和非ED峰值分布曲线。

10例病人脑电图分析表明，峰值分布曲线可明确的分为三个区域，ED区、非ED区和中间的混合区。在ED区内，ED占95％以上，在非ED区内，非ED占95％以上。而且非ED的峰值分布曲线可用幂函数y＝A(C-PV)B来拟合，其相关系数r大于相关系数临界值r0.01。说明用幂函数方程来拟合是有效的。

首先近似认为非ED区内全部是非ED，用幂函数对非ED区内的峰值分布曲线进行拟合(步骤83～841)，然后将该此曲线向混合区外推(步骤841～851)，我们观察到，在某一峰值处的波接近或全部为非ED，那么小于该峰值处的区域内ED就非常少，可以近似认为全部为非ED，为提高拟合精度，再进一步做曲线拟合，一直到外推过程中遇不到这种情况，拟合就结束，把拟合曲线Yc＝A(C-PV)B就近似作为非ED分布曲线(步骤86)，用峰值分布曲线减去非ED分布曲线就剩下ED分布曲线(步骤87)。根据ED分布曲线可算出ED的总线TN，在某一阈值PV以上区域内非ED的个数FN，则可算出相对于该阈值PV时的假阳性率FP＝FN/TN就可以据此定出阈值(步骤88-89)。

定义假阳性率多少时为阈值，国际上并不一致，有的定为20％、有10％、也有5％。比较下来10％比较适中，因此选定这个值，这说明根据本算法定出的阈值而确定ED中约有10％的假阳性率。

请参阅图9，该自动脑电记录检测子程序模块9的流程结构包括步骤90，其令N＝0，m＝1，计算md＝T/ΔT在m＝1到m＝md范围内使Fm＝0，→步骤91，将病人脑电输入该病人的专用神经网络，→步骤92，判别网络输出达到峰值吗？如果未达到峰值，→步骤95；如果达到峰值，则→步骤93，判断峰值PV＞PVT？，如果PV≤PVT→步骤95；如果PV＞PVT，则→步骤94；作N＝N+1，Fm＝Fm+1，→步骤95，判断单元时间到了吗？如果单元时间未到，则返回步骤91，重复执行已有程序过程，如果单元时间已到，则执行步骤96，作m＝m+1→步骤97；，判别m≤md？如果是，则返回执行步骤91，如果不是，即m＞md，→则本子程序结束，→输出子程序模块10。该输出子程序模块10如图10所示，其包括步骤100，打印出病人姓名，测试日期等信息，→101，读出病人脑电记录中ED的总个数N→步骤102，打印“ED总个数＝N”，→步骤103，读出每个时间单元中ED的数目Fm，→步骤104，打印出Fm随时间变化图，→程序结束。