用於減少基於eeg的癲癇發作檢測器中的通道數目的方法和裝置的製作方法

2023-12-03 10:53:21

專利名稱：用於減少基於eeg的癲癇發作檢測器中的通道數目的方法和裝置的製作方法
用於減少基於EEG的癲癇發作檢測器中的通道數目的方法
和裝置相關申請的交叉引用
本申請主張2007年8月23日提交的美國臨時專利申請60/965，890的利益，其整 個公開通過引用併入本文。政府利益聲明本發明是在美國國防部NO. DAMD-17-02-2-0006的政府支持下進行的。
背景技術：
使用頭皮腦電圖(「EEG」)來檢測癲癇發作的電開始可以有助於許多診斷、治療和 警報應用。在某些情況下，發作檢測用於在發作的電開始之後不久，開始神經影像研究，例 如發作期SPECT。通過縮短發作開始和研究開始之間的延遲來提高發作期SPECT定義發作 的腦起源的可信度。發作開始檢測還用於在發作開始之後不久觸發神經刺激器，諸如迷走 神經刺激器。使用迷走神經刺激來影響發作的進程的可能性似乎降低了發作開始和刺激開 始之間的延遲長度。此外，發作開始檢測可以促使個體尋找安全或自管理快速作用抗痙攣 藥；這對於將個體發作的電開始和身體衰弱症狀的開始及時充分分開是可能的。雖然上面 所提到的應用在效用和目的上變化，但是它們都需要以最小的延遲、高靈敏度和高特異性 來檢測發作的電開始；然而，要做到這一點已經被證明是困難的任務。出於三個主要原因，從頭皮EEG來魯棒檢測發作的開始是具有挑戰性的。首先，在 不同個體的發作(發作期)和非發作(發作間期)EEG兩者中存在可變性。其次，對於任何 給定的個體，某些非發作活動(發作間期癲癇樣的爆發)可以近乎類似於發作開始。最後， 頭皮EEG容易被生理的和非生理的偽跡(artifacts)所破壞。已經提出了用於從頭皮EEG檢測發作開始的許多算法。這些算法歸為兩大類，即 「特定患者」和「非特定患者」算法。開發非特定患者算法的研究人員犧牲了實用性的性能， 所述實用性具有準備在任何時間用在任何個體上的算法。相比之下，開發特定患者方法的 研究人員付出了收集訓練數據的成本，因為他們相信個體的發作和非發作EEG的一致性和 相對可分性可以被用來提高性能。量化患者特異性影響發作開始檢測器的性能的程度將使 這些折衷凸顯出來。此外，動態特定患者癲癇發作檢測器需要使用具有一直貼在患者身上以檢測發 作開始的多達21個電極的笨重的設備和足夠用來收集和處理來自那些電極的信號的電 池。一個這種動態系統使用檢測器來檢測發作開始，所述檢測器包括具有21EEG通道的帽 子、捕獲和處理那些通道所需的硬體和給硬體供電所需的電池。這類設備採用了產生特 定患者檢測器的機器學習和支持向量機，當所述特定患者檢測器與全部21通道EEG導聯 (montages) 一起使用時其對於大多數患者具有極好的靈敏度、特異性和延遲。然而，一直戴 在患者身上的帽子是笨重的並且是侵入式的。如果顯著地減少通道數目，則可以極大地減 輕系統對於患者和檢測發作開始中的必需分析的繁重負擔。減少通道數目也將減小獲取和 處理數據所需的能量的量，因此減小了電池的大小或延長了電池的壽命。
本發明解決這些問題。

發明內容
本發明的實施例包括用於減少基於EEG的癲癇發作檢測器中的通道數目的方法 和系統。根據一個實施例，提出了一種用於從檢測患者的癲癇發作所需的多個m EEG通道中 選擇特定患者的電極子集的方法。該方法包括收集來自多個m EEG通道的發作EEG數據， 接著選擇多個m EEG通道的有效通道子集η。響應於通道子集η構建檢測器並且估計檢測 器在檢測發作方面的性能。本發明的另一方面包括通過採用遞歸特徵消除法使用多個m通道來構建檢測器， 並且估計檢測器的性能，以此來選擇有效的通道子集η。從多個m通道中去除最無用的通 道並且估計剩餘的多個通道的性能。去除最無用的通道和估計剩餘通道的性能的步驟被重 復，直到剩餘的多個通道的性能比之前多個通道的性能差。接著將η設置為等於多個通道 中的通道數目，即等於引起剩餘的多個通道性能降低的通道數目加1。說明性的實施例的另一方面包括採用遞歸特徵添加法以通過使用多個m通道來 構建檢測器並且估計檢測器的性能。為了確定最佳通道子集的大小n，將組S初始化為最佳 通道子集的大小n-1。從多個m通道中添加最有用的通道。通過估計使用大小為n-1的最 佳通道子集和這個通道構建的檢測器的性能來確定最有用的通道。大小為0的最佳通道子 集是空子集。重複這個過程直到已經滿足停止標準。一個標準可以包括當特定的通道子集 的性能不比使用多個m通道的檢測器的性能差時。可替換地，可以重複該過程直到已經確 定m通道子集。接著基於最大化特定目標函數，從m通道子集中選擇最有用的通道子集。另一實施例包括特定患者癲癇發作檢測器，其包括對應於多個mEEG通道的多個 電極。處理器被配置為使用遞歸特徵消除法來選擇多個m EEG通道的通道子集η。響應於 通道子集η構建檢測器。估計器被配置為估計檢測器在檢測發作方面的性能。實施例的特徵包括檢測器，在其中子集η包括減去多個最無用的通道的多個m通 道。通過以下步驟來確定最無用的通道從多個m通道中遞歸地去除最無用的通道並且估 計剩餘的多個通道的性能，直到剩餘的多個通道的性能比多個m通道的性能差。子集η等 於多個通道中的通道數目，即等於引起剩餘的多個通道的性能比多個m通道的性能差的多 個通道中的通道數目加1。又一個實施例包括特定患者癲癇發作檢測器，其包括對應於多個mEEG通道的多 個電極。處理器被配置為使用遞歸特徵添加法來選擇多個m EEG通道的通道子集η。響應 於通道子集η來構建檢測器。估計器被配置為估計檢測器在檢測發作方面的性能。實施例的特徵包括檢測器，在其中子集η包括減去多個最無用的通道的多個m通 道。通過遞歸地將最有用的通道遞增地添加到之前確定的最佳通道子集來確定子集η。重 復這個過程直到已經滿足停止標準。一個標準可以包括當特定的通道子集的性能不比使用 多個m通道的檢測器的性能差時。可替換地，可以重複這個過程直到已經確定m通道子集。 接著基於最大化特定目標函數，從m通道子集中選擇最有用的通道子集。


從下面詳細的描述和附圖中，本發明的這些實施例和其他方面將容易顯而易見，所述描述和附圖意在說明而不是限制本發明，並且在其中圖1是根據本發明的實施例的二元特定患者檢測器的處理階段的圖示；圖2是根據本發明的實施例的特徵提取濾波器組的圖示；圖3是根據本發明的實施例的一元特定患者檢測器的處理階段的圖示；圖4是根據本發明的實施例的EEG數據組特性表；圖5至圖10是檢測器類型的性能對比圖；圖11至圖12描繪了根據本發明的實施例的與檢測延遲關聯的電描記發作狀態；圖13是描繪了根據本發明的實施例的選定通道子集的方法的流程圖；圖14是表示根據本發明的實施例的檢測器的性能結果的表；圖15是表示根據本發明的實施例在選擇處理期間選定的通道的一系列柱狀圖；圖16是描繪了根據本發明的實施例的從患者的EEG檢測到的發作的一部分；圖17描繪了根據本發明的實施例的從另一患者的EEG檢測到的發作的一部分；圖18表示了根據本發明的實施例的EEG檢測器的輸出。
具體實施例方式本發明的實施例包括用於檢測發作的方法和裝置。第一檢測器在來自測試個體的 發作和非發作EEG兩者的示例上進行訓練，並且在本文中被稱為二元特定患者檢測器。第 二檢測器僅在來自該測試個體的非發作EEG的示例上進行訓練，並且被稱為一元特定患者 檢測器。第三檢測器不在來自該測試個體的任何EEG上進行訓練，並且在此被稱為特定患 者檢測器。檢測方法EEG是使用分布在受試者頭皮上或顱內的電極陣列而收集到的腦活動的電記錄。 通道被定義為一對(一般是相鄰的)電極或一個電極和參考電極之間記錄的電勢差。二元現在轉而參考圖1，其示出了二元特定患者檢測器的處理階段。在這個示例中，通 過18個通道獲取數據。二元檢測器通過特徵提取器傳遞來自18個EEG通道中的每一個通 道的2秒時段。相應地，特徵提取器為每一通道編配特徵向量，所述特徵向量的7個元素對 應於由圖2中所示的濾波器組提供的7條頻帶內的能量。這些頻帶共同地覆蓋了在其內觀 察生理的和病理生理的頭皮EEG活動的頻率範圍。接著將從18個通道中的每一個通道提取的元素或特徵聯繫起來以形成捕獲通道 之間的空間相關性的特徵向量。通過使用兩類支持向量機(「SVM」)分類器，將產生的特 徵向量分配到發作類或非發作類，所述分類器在來自相同個體的非發作EEG數據(清醒、睡 眠、發作間期癲癇樣的爆發)和發作開始EEG數據上進行訓練。根據一個實施例，當4秒的 EEG活動被分類為與個體的發作開始EEG數據一致時，二元檢測器宣布發作開始。根據一個實施例，可以使用SVM包來實現在二元特定患者檢測器中使用的兩類支 持向量機，所述SVM包諸如由英國劍橋MicrosoftResearch的Anton Schwaighofer開發 的工具箱包或由紐約伊薩卡的康奈爾大學的計算機科學系的Thorsten Joachims開發的 SVMlight軟體包)。根據一個實施例，對於發作類和非發作類兩者，使用具有核參數、=1 的徑向基核，以及訓練誤差和容限(margin)之間的折衷C = 10。

圖3中的方框圖示出了一元特定患者檢測器的處理階段。一元檢測器使用標準技 術來抑制其2秒時段被偽跡汙染的任何輸入通道。一元檢測器為每一無偽跡通道編配特徵 向量，所述特徵向量的元素仍然對應於使用圖2所示的濾波器組得到的頻帶內的能量。接 著一元檢測器使用一類SVM分類器來確定來自每個通道的特徵向量是否與來自相同通道 的訓練非發作EEG數據一致。如果有任何通道顯示出與非發作訓練數據不一致的活動持續 7秒，則宣布發作開始。在不同的實施例中，只有所選擇的7秒時段與非特定患者的癲癇樣 活動的標準一致，才宣布發作。在一個實施例中，使用由臺灣臺北的國立臺灣大學計算機科學與信息工程系的 Chih-Chung Chang和Chih-Jen Lin開發的LIBSVM軟體包來實現一類SVM。在這個實施例 中，徑向基核具有核參數Y = 7和支持向量片段(fractiorOv = 0.0075。在一個實施例中，典型地在檢測發作開始的一類SVM中用於檢測/預測頭顱 內EEG的發作開始的顱內EEG特徵(例如平均曲線長度、平均能量、平均Teager能量) (A. Gardner,A. M. Krieger,G. Vachtsevanos,B. Litt. "One-Class Novelty Detection for Seizure Analysis from IntracranialEEG.，，Journal of Machine Learning Research 7(200) :1025-1044)被替換為使用圖2中的濾波器組計算出的頻譜能量特徵。頻譜能量 特徵在使用的頭皮EEG數據集上產生低檢測延遲和高特異性。在一個實施例中，在處理中 包括自動的偽跡抑制，即處理所有可用的EEG通道而不是僅處理已知在其上發生發作的通 道，並且評價在包括清醒和睡眠周期兩者的連續的頭皮EEG記錄上的修改。非特定患者在一個實施例中使用的非特定患者檢測器是已知為Reveal算法的商業可用 實現。Reveal算法通過使用匹配追蹤(Matching Pursuit)算法將來自每個輸入通道 的2秒EEG時段分解為時頻原子，如在Wilson、Scheuer, Emerson、Gabor在Clinical Neurophysiology 20040ct ；115 (10) :2280_91 中的論文「Seizure Detection =Evaluation of RevealAlgorithm」中詳細論述的。接著Reveal算法採用手編的神經網絡規則來確定從 通道的時頻原子得出的特徵是否與在那個通道發生的發作一致。通過使用原型發作和來自 不具有癲癇症的患者的非發作時段兩者來確定用於某些神經網絡規則的閾值；不採用任何 來自測試個體的數據調整Reveal算法。根據一個實施例，Reveal算法被設置為當在95%的可信度水平下15秒分段被分 類為發作的一部分時，就宣布發作。具有20秒分段和50%可信度水平的典型的預設檢測器 配置產生不能接受的許多誤檢測。評價在本發明的測試實施例中，使用來自在波士頓(Boston)兒童醫院的癲癇症監控 部門的兒科住院病人的頭皮EEG來測試上面所描述的三種發作檢測方法。以256Hz對EEG 進行採樣，並且使用18通道雙極導聯來記錄EEG。總的來說，測試組(圖4)包含來自16個 受試者的536小時連續記錄的EEG。對於每個受試者，清醒和睡眠EEG周期均被記錄。在測試開始時確定檢測方法中的所有SVM參數，並且在所有測試的過程中將其保 持恆定。將屬於每個患者的EEG數據組織為連續的一小時記錄。N表示對於給定患者的無 發作一小時記錄的數目，M表示對於給定患者的包含一個或多個發作的一小時記錄的數目。評價非特定患者檢測器在每個患者的N+M個記錄上的性能。記錄丟失的發作數目、宣布檢 測到的發作的電開始的平均延遲和誤檢測的數目。接著評價使用兩個研究的二元特定患者檢測器的性能。在第一個研究中，在患者 的N個非發作記錄和包含發作的M-I個記錄上訓練檢測器。接著使用檢測器檢測第M個發 作記錄中的發作；該記錄是從訓練集中保留的。重複這個過程M次，使得M個發作記錄中的 每一個都被檢測一次。發作記錄M從不同時存在於訓練集和測試集中。
在第二個研究中，在患者的M個發作記錄和N-I個非發作記錄上訓練二元特定患 者檢測器。接著使用檢測器來處理第N個非發作記錄；該記錄是從訓練集中保留的。重複 這個過程N次，使得N個非發作記錄中的每一個都被測試一次；非發作記錄N從不同時存在 於訓練集和測試集中。在完成這兩個測試之後，在患者的所有N+M個記錄上測試二元特定
患者檢測器。記錄丟失的發作數目、宣告檢測到的發作的電開始的平均延遲和誤檢測的數 目。對於一元特定患者檢測器，進行另一對研究。在第一個研究中，在患者的N個非發 作記錄上訓練檢測器。接著使用檢測器來檢測從訓練集中保留的M個發作記錄中的發作。在第二個研究中，在N-I個非發作記錄上訓練一元特定患者檢測器。接著使用檢 測器來處理第N個非發作記錄；該記錄是從訓練集中保留的。重複這個過程N次，使得N個 非發作記錄中的每一個都被測試一次。作為這兩個測試的結果，在患者的N+M個記錄上測 試一元特定患者檢測器。報告丟失的發作數目、宣告檢測到的發作的電開始的平均延遲和 誤檢測的數目。MM圖5示出了三種發作檢測方法在發作檢測延遲和每小時誤報警方面表現如何。圖 上的每個數據點代表測試受試者。在性能平面上的最佳點是原點{0每小時誤報警，0秒檢 測延遲}。圖5示出了二元特定患者檢測器具有最佳平均性能坐標{0. 2+/-0. 7每小時誤報 警，6· 8+/-2· 4 秒}。然而，如果在低誤檢測率上評估低檢測延遲，如可以是出於迷走神經刺激目的的 發作開始檢測的應用的情況，則一元特定患者檢測器{2. 3+/-1. 3,9. 2+/"4. 2}勝過非特定 患者檢測器{2. 0+/-5. 3，17. 8+/-10. 0}。圖5中未示出非特定檢測器對其表現得特別差 的三個受試者受試者15 {0. 19，49. 3}，受試者3 {0. 15，丟失所有發作}，受試者9 {22. 0， 12. 8}。如果通過選定使用95%可信度閾值和7秒分段的配置來將非特定檢測器設置為 提早檢測發作，則檢測延遲降低並且誤檢測率增加，如圖6所示。未示出非特定檢測器對其 表現得特別差的兩個受試者受試者3 {0. 63，丟失所有發作}，受試者9 {53. 2，4. 6}。圖7示出了三種方法在靈敏度(檢測到的個體發作的分數)和每小時誤報警方面 是如何表現的。在性能平面上的最佳點是點{0每小時誤報警，1靈敏度}。二元特定患者 檢測器具有最佳平均性能坐標{O. 2+/-0. 7每小時誤報警，0. 93靈敏度}。再次，依賴於如 何在靈敏度和特異性之間進行折衷，一元特定患者檢測器{2. 3+/-1.3,0. 94}或非特定患 者檢測器{2. 0+/-5. 3,0. 66}將呈現為最好的選擇。圖6未示出非特定檢測器對其表現得 特別差的一個受試者受試者9 {22. 0,0. 55}。圖8至圖10示出了對於每一患者，發作檢測方法相對於彼此表現得如何好。圖8描繪了對於每一患者的檢測器延遲；圖9描繪了對於每一患者的誤檢測率；以及圖10描繪 了對於每一患者的檢測器靈敏度。從左邊起的第一欄是二元檢測器，第二欄代表一元檢測 器以及第三欄代表非特定檢測器。圖11至圖12示出了在受試者1上與每一方法的檢測延遲關聯的電描記發作狀 態。圖11中在虛線之後示出了受試者發作的病灶電描記開始(focal electrographic onset)。二元檢測器宣布在這個病灶階段期間，即在電描記開始之後平均6. 77+/_3. 0秒， 發作正在進行。一元檢測器也檢測到局灶發作階段，即在電描記開始之後平均12. 8+/3. 2 秒。非特定患者檢測器宣布在發作的全面發作階段(圖12中所示)期間發作正在進行。非 特定檢測器宣布在電描記開始之後平均30. 1+/-15. 4秒發作正在進行。更多的特定患者的信息提高了發作檢測器的性能，這個發現基於以下事實通過利用更多的特定患者的信息，可使檢測問題變得更容易。為了檢測發作的電開始，二元特定 患者檢測器僅需要確定來自所觀察的EEG波形的特徵是否都落入在本文中稱為「發作開始 區域」的小的特定區域的特徵空間內。這個區域的位置由個體發作訓練數據限定，該區域的 大小由個體發作訓練數據和非發作訓練數據限定。看起來與個體發作開始不同的波形(例 如睡眠、清醒、發作間期癲癇樣爆發、偽跡)被分類為非發作波形，因為它們沒有落入發作 開始區域的邊界內。這是由於二元特定患者檢測器展現的高靈敏度和高特異性。一元特定患者檢測器面臨更困難的檢測問題。只要當來自所觀察的EEG波形的特 徵與從非發作訓練EEG數據集中提取的特徵不同時，一元檢測器宣布發作。結果，看起來與 訓練集中的波形不同的任何波形都會觸發檢測器；這包括所期望的發作波形和在訓練集中 可能未被充分表示的清醒、睡眠和偽跡波形的不期望的變形。這是由於一元特定患者檢測 器具有與二元特定患者檢測器相匹配的靈敏度但是具有較差的特異性。非特定患者檢測器面臨最困難的檢測任務。只要當來自所觀察的EEG波形的特徵 與從原型發作(即非特定患者)中提取的特徵相似時，非特定檢測器宣布發作。這種方法 對於那些發作和非發作EEG符合原型圖案的個體能夠很好地工作。另一方面，這種方法對 於那些發作與原型發作不同的個體或那些非發作EEG展現出與原型發作相似的活動的個 體表現得差。如果不仔細地檢查個體的EEG並且理解它如何與一組原型發作相關，非特定 患者檢測器對測試個體表現的性能就不能得到保證。所有這些都是因為非特定患者檢測器 展現了相對於二元特定患者檢測器較低的性能。通道減少根據本發明的一個實施例，可以使用遞歸特徵消除(「RFE」)法或其他方法來選擇 通道組，從而減少檢測發作所需的EEG通道的數目。[參考未決專利RFE-SVM]。如下面更 詳細地解釋的，檢測癲癇發作所需的通道組根據患者變化很大。對於某些患者，具有1通道 檢測器的實施例可以像具有21通道檢測器的實施例那樣工作得一樣好，而對於其他患者， 可能需要具有15通道的實施例來獲得與21通道檢測器相當的性能。在圖13中概述了用於確定所需的通道數目的蠻力計算法(bruteforce)。根據一 個實施例，基本概念是通過使用變化的通道數目來估計檢測器的預期性能，並且接著選定 最少的通道數目，該最少通道數目使其預期性能與21通道檢測器的預期性能相當。不幸的 是，由於該方法包括在大約221種不同的通道組合上的訓練和測試，因此這種方法在計算上 是難以處理的。
解決這個問題的本發明的一個實施例包括使用RFE來設計使用少量電極數目的 基於SVM的檢測器的方法。下面給出的結果表明少得驚人的電極數目(如少到2個)通常 足夠用來構建與使用全部21通道導聯的檢測器表現得一樣好的檢測器。根據一個實施例，基於EEG的特定患者發作檢測器使用小波分析來從21通道的頭 皮EEG數據和使用徑向基函數(RBF)核建立的SVM中提取特徵。由於檢測器的實施例是特 定患者的，通過僅在來自那個患者的數據上訓練來對於特定的患者進行訓練。根據一個實施例，圖1的步驟2被下述步驟所代替2)對於1和20之間的n，使用遞歸特徵消除法來選定η個最佳通道。估計使用那 些通道建立的檢測器的性能。下面更詳細地描述了選定η的過程。根據其假陽性(「FP」)率、假陰性(「FN」)率和延遲來評價檢測器的性能。如上 面所討論的，當檢測器在專業人員識別發作的時間窗口之外宣布發作時，假陽性發生，其中 所述專業人員標註數據集。當檢測器沒有在專業人員識別發作的時間窗口期間的任何時間 上宣布發作時，假陰性發生。延遲是當標註專業人員(labeling professional)標記發作 開始時和當檢測器宣布發作時之間的秒數。除了 FP、FN和延遲之外，本發明的實施例可以 根據其他標準(例如能量消耗)或任何其他度量來估計檢測器的性能。由於從原始的21通道中可以產生有221種不同可能的子集，因此執行蠻力窮舉搜 索來找到檢測器通過其獲得對於特定患者的最佳性能的子集是不實際的。可替換地，在一 個實施例中，使用RFE(—種「貪婪算法」)來選定子集，每個子集的大小似乎給檢測器提供 足夠的信息以在將來的輸入上很好地執行。由於RBF核是非線性的，因此使用用於非線性 SVM核的RFE版本。在一個實施例中，RFE使用SVM機來排列正在被用於檢測的通道組中的每個通道 的貢獻。可以在RFE框架內使用其他排列方法來排列每個通道的貢獻。一旦RFE算法排列 出當前的η通道組，則除去在組中排列為最不重要的通道。這產生一組η-1通道。在該η 通道組上重複這種排列除去處理，該η通道組產生一組η-2通道。該處理繼續直到剩餘一 個通道。當將RFE應用到一組η通道時，它產生總共η-1子集。雖然不能保證找到的每個 子集的確是那個大小的最佳子集，但是有充分理由相信，RFE找到了更好的子集中的一個。經常使用「留一法」交叉驗證來估計使用機器學習建立的分類器的泛化性能 (generalization performance)。在一個研究中，分析十個患者，產生包括平均每患者5. 5 次發作的數據集。根據那些結果，每次發作被嵌在包含非發作EEG的較大EEG流中。對於 每一患者，使用「留一發作文件法(leave-one-seizure-file-out) 」交叉驗證方法來評價使 用不同通道數目建立的說明性檢測器的性能。留一發作文件法處理可以被描述如下「找到全部導聯的平均性能」Init(aveAl IPerf)for s = each seizure in set of seizures SC = all 21 channelsd = buildDetector(C，S_{s})update (aveAlIPerf, d, s)
end函數update (avePer, d，s)計算當在文件s上使用時檢測器的性能d，並且 更新平均性能avePer的測量。「找到具有至少與aveAllPerf —樣好的平均性能的最少的通道數目」numNeeded = 21for η = 20 to 1init(aveSubsetPerf)for s = each seizure in set of seizures SS，=S_{s}C = RFE(n，S，) "Find η best channels，，d = build detector (C, S，)update (aveSubsetPerf, d, s)if aveSubsetPerf = aveAllPerfnum needed = ηreturn numNeeded上面列出的說明性處理找到最少的通道數目n，從而使得使用η通道建立的檢測 器的平均交叉驗證性能(關於假陰性率、假陽性率和延遲中的每一個)至少與用於21通道 檢測器的平均交叉驗證一樣好。在其他實施例中，可以使用較少嚴格的選擇標準。在上面 所描述的算法中，函數buildDetectoHC，S，)通過使用C中的η通道建立SVM檢測器，而 同時在S』中的文件上訓練檢測器。函數RFE(n，S』 )找到通道組S』中的最佳的η個通道。 S』必須包含至少η個通道。值aveAllPerf是當使用在S中的發作組的所有通道運行時檢 測器的平均性能。對於使用buildDetector為大小為η的通道子集建立的所有檢測器，通 過使用平均假陽性率、平均假陰性率和平均延遲來計算aveSubsetPerf。重要的是，雖然該過程找到了要使用的通道數目，但是沒有直接計算使用哪個通 道。該處理找到了用於每個〈size，cross validation set> (〈大小，交叉驗證組 >)對的一 組通道，然而RFE可以找到根據一個實施例的用於不同交叉驗證組的不同通道。一旦已經確定了通道數目，通過使用S中的所有文件來運行RFE以選定一組通道。 接著在那些通道和S中所有的文件上訓練檢測器，以創建動態檢測器。通過為在留一發作 文件法交叉驗證期間建立的所有η通道檢測器測量的平均FP率、平均FN率和平均延遲，來 估計產生的檢測器的性能。因為通道中的數據是兩個電極之間的頭皮電勢差，由於相鄰通道可以共享一個電 極，因此通道數目與動態檢測系統所需的電極數目不一樣。圖14呈現了表格，其示出了對於每一患者，從η通道檢測器的實施例導出的預期 的假陰性率、假陽性率和延遲。通過構建，η通道檢測器表現得至少與21通道檢測器一樣 好。對於某些患者，雖然減少通道的檢測器在某些方面表現得比21通道檢測器稍微更勝一 籌，然而該差別在統計上不顯著。不同的數據子集可以導致用於相同患者的不同的通道選擇。圖15示出了每個通 道被選定用於每個患者的頻率。例如，為2號患者檢測四個發作文件。對於留一法測試中 的三個，RFE選定通道1 (電極FPl和電極F7)，以及對於測試中的一個，其選定通道21 (電極F7和電極T7)。圖16包含從為2號患者收集的EEG中得出的發作的一部分。發作具有 陡峭的並且無誤的開始，在其期間通道1和通道21 (圖16中頂部的兩個通道)表現得類似。 建立用於這個患者的η通道檢測器的說明性處理選定單個通道，即通道1。一般來說，對於僅需要少量通道數目的那些患者，通道聚集在頭部的相同區域中。 相比之下，對於需要許多通道的那些患者(例如9號患者)，通道一般廣泛地分散開。圖17 包含從為9號患者收集的EEG得出的發作的一部分。即使似乎包括比用於2號患者的通道 更少的通道，其也需要更多的通道來可靠地檢測發作。這是因為，有時通道子集示出不發展 為臨床發作的類發作活動，如圖18中看到的。建立用於該患者的η通道檢測器的說明性方 法選定包括21電極中的18電極的15通道。未使用的通道僅是通道5、通道6、通道7、通道 10、通道11和通道12。這與圖16中柱狀圖所預期的一致。雖然從10個患者的少量EEG數據的研究中形成確定性的結論應該謹慎，但是圖14中的數據暗示了對於某些患者，以非常少的通道數目執行癲癇發作開始檢測是可能的。根 據本發明的一個實施例，對於10個患者之外的6個患者，最少用3個通道就足以檢測在測 試期間所觀察的類型的發作。患者所需的通道數目意料之中地依賴於患者的發作的特性。某些患者的發作起初 是局灶發作並且一貫地產生於腦的單個小區域。對於那些患者，放在病灶上的少量數目的 電極可以是足夠的。對於全面發作(generalized seizures)，在其中發作活動呈現在大部 分(如果不是全部)電極上，任何電極可以是與任何其他電極一樣好，並且同樣少量數目的 電極可以是足夠的。某些患者具有帶有不同起源的不同類型的發作。這些患者將需要更多的電極。此 夕卜，某些通道可能容易比其他通道噪聲大或可能產生混淆的數據(例如不導致臨床發作的 發作間期的爆發)。在這種情況下，可能需要更多的通道來迅速地將發作與其他活動區分 開。通道添加在本發明的另一實施例中，算法使用機器學習來選擇一組EEG通道，用以建立篩 選檢測器(screening detector)。在這個實施例中並且相比於使用遞歸特徵消除法的上述 方法，本發明的這個實施例使用「遞歸特徵添加」方法，在其中基於最有用的通道，將選中的 通道遞增地添加到通道子集。基於使用各種子集的學習算法在未知數據上的表現，來選定通道子集。說明性算 法使用原始檢測器D ig和一組數據作為輸入。如果F是通道組，則通道選擇處理可以被抽 象地描述如下1.創建一組S對，其中每一對由訓練數據和測試數據組成。訓練數據和測試數據 是原始數據的子集。2.對於通道組F的每個子集f，對於每個對s e S，a)使用s的訓練數據和f中的通道建立檢測器D』。b)獲得D』在s的測試數據上的性能。3.使用性能數據選擇最佳通道子集f』。4.使用所有數據和f』中的通道訓練最後的檢測器。
在步驟1中，從可用數據中形成訓練子集和測試子集。在可用數據上評價學習算 法的一種通常方式是從數據集中去除一個樣本並且在其餘的樣本上訓練。接著可以在被去 除的樣本上測試算法的性能。可以使用這種留一法來產生組S的元素。在步驟2中，使用機器學習來構建檢測器。在步驟2a中，使用來標註訓練數 據。使用從子集f中的通道提取的特徵來形成新的檢測器。估計這個檢測器的性能。可以 以許多方式來估計性能。在這個實施例中，將篩選檢測器與0。&組合以形成新的檢測器D』。 對於組S的所有元素重複該過程。通過使用在步驟2中獲取的性能數據，可以使用合適的標準來選定最佳子集。一 旦選定了子集f』，就通過使用所有可用的訓練數據來訓練使用通道子集的檢測器。上面所描述的方法是窮舉的蠻力計算法。給定m通道，有2m可能的通道，因此這 個方法是不實際的。作為檢查所有子集的替代，可以使用貪婪算法，其仍然使用機器學習來 建立檢測器，但是遞增地執行評價哪一子集的決定。在正向選擇處理中，首先選定最佳單個 通道子集。基本上嘗試所有可能的單個通道並且使用未知數據來估計每一單通道檢測器的 性能。基於選擇標準，從所有可能的單通道子集中選擇最佳單通道子集。接下來，將剩餘的 m-Ι個通道中的一個添加到單通道子集，因此找到了最佳的2通道子集。重複這個處理直到 有一組m-Ι通道子集。從這些通道子集中選擇子集f 』，以通過使用性能度量和選擇函數來 建立最後的檢測器。可替換地，可以重複該處理直到滿足一組停止標準。可以用來確定檢 測器的性能的標準可以包括但不限於FP、FN、延遲、能量消耗、靈敏度、特異性或其他測量。根據一個實驗，收集來自具有發作的13個患者的數據。對於每個患者，使用從如 上所述(原始檢測器)工作的之前訓練的特定患者檢測器算法獲得的數據和包含前面研究 中收集的EEG數據的文件的集合。文件的長度變化範圍從2分鐘到30分鐘並且每個文件 包含一個發作。在這個實施例中，選擇函數與檢測器的特異性、靈敏度和能量消耗相關。為了減小 多通道檢測器的能量消耗，選定選擇函數。使用通道子集來構建檢測器，在本文表示為「篩 選檢測器」，並且該檢測器與原始檢測器組合以減小能量消耗。使用正向選擇方法來執行用 於篩選檢測器的通道選擇。因此，隨著算法的運行，建立通道子集。對於每個患者，使用上 面所描述的留一法來產生訓練數據和測試數據對。由於已經將數據劃分為文件，因此每個 文件被視為一個單元。因此，對於具有F文件的患者，呈現了 F個不同的訓練_測試文件 對。對於建立的每個篩選檢測器，組合檢測器被形成並且接著在合適的測試文件上執行以 獲得用於每個通道子集的假陰性率和成本信息。通過將原始檢測器Dtffig在測試文件上輸出 的標註與組合檢測器輸出的標註進行比較，來確定標註性能。組合檢測器的成本可以被描 述為C = NsCs+N。C。+NbCb這裡Cs、C0和Cb分別是篩選檢測器的成本、原始檢測器的成本和兩個檢測器的成 本。NS、N。和Nb代表篩選檢測器、原始檢測器和兩個檢測器被調用的次數。獨立項被引入用 於兩個檢測器，因為一般來說，當考慮空閒時間時，C。+Cs Φ Cb。根據一個實施例，通過找到允許篩選檢測器的訓練的子集來選擇最佳通道子集， 其中當所述篩選檢測器與原始檢測器組合時具有最低平均成本。此外，沒有一個個體組合 檢測器應該具有大於0.25的假陰性率。這個值基於下述分析假定發作的長度是N。為了檢測發作，必須找到3個連續的陽性窗口。因此，丟失發作的概率是Pr[ffliss]=這裡α是假陰性率或誤標註單個窗口的概率。如果將N選定為來自數據集的發 作的最小長度(即9)並且選定0.001作為丟失發作的可接受的概率，則α =0.32。雖然α = 0. 32是假陰性率的可接受的值，但是在一個實施例中，選定更小的值以
增加檢測到發作的機率。此外，由於預期的檢測延遲是:牆口，因此較小的α也將降 低延遲。
雖然參照說明性實施例已經描述了本發明，但是本領域技術人員應明白，可以進 行各種其他改變、刪除和/或添加並且可以將實質等價物替代其元件而不偏離本發明的精 神和範圍。此外，可以進行許多修改以使特定情況或材料適合本發明的教導而不偏離其範 圍。因此，意在使本發明不限於所公開的用於實施本發明的特定實施例，而是本發明包括落 入所附權利要求範圍內的所有實施例。此外，除非特別地聲明，否則術語第一、第二等的任 何使用不表示任何順序或重要性，而是用來將一個元件與另一元件區分開。
權利要求
一種用於從檢測患者的癲癇發作所需的多個m EEG通道中選擇特定患者的電極子集的方法，所述方法包括以下步驟收集來自所述多個m EEG通道的發作EEG數據；選擇所述多個m EEG通道的有效通道子集n；響應於所述通道子集n構建檢測器；以及估計所述檢測器在檢測發作方面的性能。
2.根據權利要求1所述的方法，其中選擇所述多個mEEG通道的所述有效通道子集n 的所述步驟包括遞歸特徵消除法。
3.根據權利要求2所述的方法，其中遞歸特徵消除法包括以下步驟a.使用所述多個m通道構建檢測器；b.估計所述檢測器的所述性能；c.從所述多個m通道中去除最無用的通道；d.估計剩餘的多個通道的性能；e.重複步驟c和d，直到所述剩餘的多個通道的所述性能滿足標準；以及f.將n設置為等於所述多個通道中的所述通道數目，其等於滿足所述標準的所述多個 通道中的所述通道數目加1。
4.根據權利要求3所述的方法，其中所述標準包括所述剩餘的多個通道的所述性能比 所述多個m通道的所述性能差。
5.根據權利要求1所述的方法，其中選擇所述多個mEEG通道的所述有效通道子集n 的所述步驟包括遞歸特徵添加法。
6.根據權利要求5所述的方法，其中遞歸特徵添加法包括以下步驟a.使用所述多個m通道中的一個通道構建檢測器；b.估計所述檢測器的所述性能；c.將所述多個m通道中最有用的通道添加到所述子集n;d.估計子集n中所述多個通道的所述性能；e.重複步驟c和d，直到子集n中的所述多個通道的所述性能滿足判據；以及f.將n設置為等於滿足所述標準的所述多個通道中的所述通道數目。
7.根據權利要求6所述的方法，其中所述標準包括所述剩餘的多個通道的所述性能不 比所述多個m通道的所述性能差。
8.根據權利要求1所述的方法，其中估計所述檢測器的所述性能包括評價由假陽性 率、假陰性率和延遲組成的組中的至少一個。
9.根據權利要求1所述的方法，其中估計所述檢測器的所述性能的所述步驟是用交叉 驗證法完成的。
10.根據權利要求1所述的方法，其中所述檢測器是基於支持向量機的檢測器。
11.根據權利要求10所述的方法，其中所述基於支持向量機的檢測器包括徑向基核。
12.根據權利要求11所述的方法，其中所述徑向基核是非線性的。
13.一種特定患者癲癇發作檢測器，包括 對應於多個m EEG通道的多個電極；處理器，其被配置為使用遞歸特徵消除法來選擇所述多個m EEG通道的通道子集n，響應於所述通道子集n構建所述檢測器；以及估計器，其被配置為估計所述檢測器在檢測發作方面的性能。
14.根據權利要求13所述的檢測器，其中所述子集n包括減去多個最無用的通道的所 述多個m通道，其中通過從所述多個m通道中遞歸地去除所述最無用的通道並且估計所述 剩餘的多個通道的所述性能，直到所述剩餘的多個通道的所述性能滿足標準，以此確定所 述最無用的通道，所述子集n等於所述多個通道中的所述通道數目，其等於滿足所述標準 的所述多個通道中的所述通道數目加1。
15.根據權利要求13所述的檢測器，其中所述估計器估計所述檢測器的所述性能，所 述檢測器的所述性能來自由假陽性率、假陰性率和延遲組成的組中的至少一個。
16.根據權利要求13所述的檢測器，其中所述檢測器是基於支持向量機的檢測器。
17.根據權利要求16所述的檢測器，其中所述基於支持向量機的檢測器包括徑向基核。
18.根據權利要求17所述的檢測器，其中所述徑向基核是非線性的。
19.一種特定患者癲癇發作檢測器，包括 對應於多個m EEG通道的多個電極；處理器，其被配置為使用遞歸特徵添加法來選擇所述多個m EEG通道的通道子集n，響 應於所述通道子集n構建所述檢測器；以及估計器，其被配置為估計所述檢測器在檢測發作方面的性能。
20.根據權利要求19所述的檢測器，其中所述子集n包括減去多個最無用的通道的所 述多個m通道，其中通過添加所述多個m通道中最有用的通道並且估計所述子集n中的所 述通道的所述性能，直到所述子集n中的所述通道的所述性能滿足標準，以此來遞增地確 定所述子集n，所述子集n等於滿足所述標準的所述多個通道中的所述通道數目。
全文摘要
提供了一種基於頭皮EEG信號的動態特定患者癲癇發作檢測器。也提供了一種用於從檢測所述患者的癲癇發作所需的多個m EEG通道中選擇特定患者的電極子集的方法。從所述多個m EEG通道收集發作EEG數據。使用遞歸特徵處理來選擇所述多個m EEG通道的有效通道子集n，並且根據所述通道子集n構建檢測器。接著估計所述檢測器在檢測發作方面的所述性能。
文檔編號A61B5/0476GK101835420SQ200880112786
公開日2010年9月15日 申請日期2008年8月22日 優先權日2007年8月23日
發明者A·舒伯, E·I·謝, E·L·格拉斯曼, J·V·戛泰戈 申請人:麻省理工學院