脑部异常放电检测方法、系统、装置、设备及产品

所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。在一些可能的实施例中，根据本公开的电子设备可以至少包括至少一个处理单元、以及至少一个存储单元。其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的脑部异常放电检测方法中的步骤。例如，所述处理单元可以执行如图2中所示的步骤s210，获取受测对象的脑电数据；步骤s220，对脑电数据进行通道间特征提取，得到脑电数据的通道间互信息特征；步骤s230，基于通道间互信息特征对脑电数据进行通道内特征提取，得到脑电数据中各通道的通道内特征；以及步骤s240，根据多个通道内特征，确定受测对象的异常放电检测结果。下面参考图8，以通用计算设备的形式对电子设备进行示例性说明。应当理解，图8显示的电子设备800仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来限制。如图8所示，电子设备800可以包括：处理器810、存储器820、总线830、i/o(输入/输出)接口840、网络适配器850、显示器860。存储器820可以包括易失性存储器，例如ram 821、缓存单元822，还可以包括非易失性存储器，例如rom 823。存储器820还可以包括一个或多个程序模块824，这样的程序模块824包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。例如，程序模块824可以包括上述装置中的各模块。处理器810可以包括一个或多个处理单元，例如：处理器810可以包括ap(application processor，应用处理器)、调制解调处理器、gpu(graphics processingunit，图形处理器)、isp(image signal processor，图像信号处理器)、控制器、编码器、解码器、dsp(digital signal processor，数字信号处理器)、基带处理器和/或npu(neural-network processing unit，神经网络处理器)等。处理器810可用于执行存储器820中存储的可执行指令，如可以执行上述脑部异常放电检测方法。总线830用于实现电子设备800的不同组件之间的连接，可以包括数据总线、地址总线和控制总线。电子设备800可以通过i/o接口840与一个或多个外部设备900(例如键盘、鼠标、外置控制器等)进行通信。电子设备800可以通过网络适配器850与一个或者多个网络通信，例如网络适配器850可以提供如3g/4g/5g等移动通信解决方案，或者提供如无线局域网、蓝牙、近场通信等无线通信解决方案。网络适配器850可以通过总线830与电子设备800的其它模块通信。电子设备800可以通过显示器860显示图形用户界面，如显示脑部异常放电检测结果与脑电数据的界面等。尽管图8中未示出，还可以在电子设备800中设置其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。应当注意，尽管在上文详细描述中提及了脑部异常放电检测装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。虽然已经参考若干具体实施方式描述了本公开的精神和原理，但是应该理解，本公开并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

背景技术：

1、本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

2、人脑异常放电由脑细胞的异常活动造成，能够引起癫痫等神经系统疾病，脑电图是癫痫的诊治的重要检查工具，癫痫样放电是癫痫等疾病的重要标志指标。随着对癫痫等疾病的认识及重视程度增加，脑电图监测数量也随之增加，由于分析脑电数据的工作繁重，且专家对脑电癫痫样放电的评判一致性低，因此对于脑电自动分析的需求越来越高，通过建立标准性评判，减轻工作负荷，降低人为偏差，提高准确性。人工智能的发展使得脑电自动分析的设想得以有机会实现。

技术实现思路

1、然而，目前人脑异常放电检测的准确性有待提高。

2、相关技术中，使用人工智能技术(如深度学习模型)进行癫痫样放电信号检测，现有的深度学习模型普遍不能同时兼顾时间信息、空间信息和eeg通道的互信息，使得脑电信号中的信息并未得到充分利用，算法模型精度仍有进步空间。

3、为此，本公开提出一种改进的脑部异常放电检测方法，以使对脑电数据进行特征提取，不仅可以捕捉到脑电数据不同通道间的互信息，还可以提取到单通道的时频域信息，使得异常放电检测结果具有更高的检测精度。

4、在本上下文中，本公开的实施方式期望提供一种脑部异常放电检测方法、脑部异常放电检测系统、脑部异常放电检测装置、电子设备、计算机可读存储介质及计算机程序产品。

5、在本公开实施方式的第一方面中，提供了一种脑部异常放电检测方法，包括：获取受测对象的脑电数据；对所述脑电数据进行通道间特征提取，得到所述脑电数据的通道间互信息特征；基于所述通道间互信息特征对所述脑电数据进行通道内特征提取，得到所述脑电数据中各通道的通道内特征；根据多个所述通道内特征，确定所述受测对象的异常放电检测结果。

6、在本公开的一个实施方式中，所述获取受测对象的脑电数据，包括：获取所述受测对象的初始脑电信号，将所述初始脑电信号划分为多个时间窗口；对各所述时间窗口内的初始脑电信号进行特征变换处理，得到所述脑电数据，所述脑电数据为所述初始脑电信号的时频谱图。

7、在本公开的一个实施方式中，所述方法还包括：对所述脑电数据进行初始特征提取处理，得到初始特征图；对所述初始特征图进行维度变换处理，调整所述初始特征图的通道维度位置，得到各通道的维度变换数据；对多个所述维度变换数据分别进行卷积处理，得到各所述通道的降维特征数据；对每个所述通道的降维特征数据进行数据展开处理，得到各所述通道对应的一维通道数据。

8、在本公开的一个实施方式中，所述对所述脑电数据进行通道间特征提取，得到所述脑电数据的通道间互信息特征，包括：获取所述脑电数据中各通道对应的一维通道数据；对多个所述一维通道数据进行编码处理，以对所述脑电数据进行通道间特征提取，得到所述通道间互信息特征。

9、在本公开的一个实施方式中，所述通道间互信息特征包括第一通道间互信息特征与第二通道间互信息特征，所述对多个所述一维通道数据进行编码处理，以对所述脑电数据进行通道间特征提取，得到所述通道间互信息特征，包括：对多个所述一维通道数据进行编码处理，得到所述第一通道间互信息特征；对所述第一通道间互信息特征进行卷积处理，得到降维通道特征；对所述降维通道特征进行编码处理，得到所述第二通道间互信息特征。

10、在本公开的一个实施方式中，所述基于所述通道间互信息特征对所述脑电数据进行通道内特征提取，得到所述脑电数据中各通道的通道内特征，包括：获取所述脑电数据对应的初始特征图；对所述初始特征图进行通道内特征提取，得到各所述通道的初始单通道特征；基于所述通道间互信息特征确定各所述通道对应的通道权重；根据所述通道权重与所述初始单通道特征，确定各所述通道的通道内特征。

11、在本公开的一个实施方式中，所述基于所述通道间互信息特征确定各所述通道对应的通道权重，包括：对所述通道间互信息特征进行解码处理，得到所述脑电数据中每个通道对应的通道解码数据；根据所述通道解码数据确定每个通道的通道值，将所述通道值作为各所述通道的通道权重。

12、在本公开的一个实施方式中，所述根据所述通道权重与所述初始单通道特征，确定各所述通道的通道内特征，包括：获取经过当前卷积处理得到的初始单通道特征；根据所述通道权重，调整所述初始单通道特征的通道权重；基于调整后的通道权重与初始单通道特征，确定所述通道内特征。

13、在本公开实施方式的第二方面中，提供了一种脑部异常放电检测系统，包括：数据确定模块，用于获取受测对象的脑电数据，对所述脑电数据进行初始特征提取处理，得到初始特征图；通道权重确定模块，用于根据所述初始特征图确定各通道对应的一维通道数据，对多个所述一维通道数据进行编码处理，得到所述脑电数据的通道间互信息特征；以及基于所述通道间互信息特征确定各所述通道对应的通道权重；融合卷积模块，用于对所述初始特征图进行通道内特征提取，得到各所述通道的初始单通道特征，根据所述通道权重与所述初始单通道特征，确定每个所述通道的通道内特征；异常检测模块，用于根据多个所述通道内特征，确定所述受测对象的异常放电检测结果。

14、在本公开的一个实施方式中，所述通道权重确定模块包括：维度变换单元，用于对所述初始特征图进行维度变换处理，调整所述初始特征图的通道维度位置，得到各所述通道的维度变换数据；一维卷积单元，用于对多个所述维度变换数据分别进行卷积处理，得到各所述通道的降维特征数据；数据展开单元，用于对每个所述通道的降维特征数据进行数据展开处理，得到各所述通道对应的一维通道数据。

15、在本公开的一个实施方式中，所述通道间互信息特征包括第一通道间互信息特征与第二通道间互信息特征，所述通道权重确定模块还包括第一编码单元与第二编码单元，第二编码单元包括卷积层；所述第一编码单元，用于基于注意力机制对多个所述一维通道数据进行编码处理，得到第一通道间互信息特征；所述卷积层，用于对所述第一通道间互信息特征进行卷积处理，得到降维通道特征；所述第二编码单元，用于基于所述注意力机制对所述降维通道特征进行编码处理，得到第二通道间互信息特征。

16、在本公开的一个实施方式中，所述融合卷积模块包括：融合卷积单元，用于对所述初始特征图进行通道内特征提取，得到各所述通道的初始单通道特征；特征确定单元，用于根据所述初始特征图中各通道对应的通道权重与所述初始单通道特征，确定各所述通道的通道内特征。

17、在本公开实施方式的第三方面中，提供了一种脑部异常放电检测装置，包括：数据获取模块，用于获取受测对象的脑电数据；第一特征提取模块，用于对所述脑电数据进行通道间特征提取，得到所述脑电数据的通道间互信息特征；第二特征提取模块，用于基于所述通道间互信息特征对所述脑电数据进行通道内特征提取，得到所述脑电数据中各通道的通道内特征；检测结果确定模块，用于根据多个所述通道内特征，确定所述受测对象的异常放电检测结果。

18、在本公开的一个实施方式中，所述数据获取模块包括数据获取单元，用于：获取所述受测对象的初始脑电信号，将所述初始脑电信号划分为多个时间窗口；对各所述时间窗口内的初始脑电信号进行特征变换处理，得到所述脑电数据，所述脑电数据为所述初始脑电信号的时频谱图。

19、在本公开的一个实施方式中，所述脑部异常放电检测装置还包括初始处理模块，用于：对所述脑电数据进行初始特征提取处理，得到初始特征图；对所述初始特征图进行维度变换处理，调整所述初始特征图的通道维度位置，得到各通道的维度变换数据；对多个所述维度变换数据分别进行卷积处理，得到各所述通道的降维特征数据；对每个所述通道的降维特征数据进行数据展开处理，得到各所述通道对应的一维通道数据。

20、在本公开的一个实施方式中，所述第一特征提取模块包括第一特征提取单元，用于：获取所述脑电数据中各通道对应的一维通道数据；对多个所述一维通道数据进行编码处理，以对所述脑电数据进行通道间特征提取，得到所述通道间互信息特征。

21、在本公开的一个实施方式中，所述通道间互信息特征包括第一通道间互信息特征与第二通道间互信息特征，所述第一特征提取单元包括第一特征提取子单元，用于：对多个所述一维通道数据进行编码处理，得到所述第一通道间互信息特征；对所述第一通道间互信息特征进行卷积处理，得到降维通道特征；对所述降维通道特征进行编码处理，得到所述第二通道间互信息特征。

22、在本公开的一个实施方式中，所述第二特征提取模块包括第二特征提取单元，用于：获取所述脑电数据对应的初始特征图；对所述初始特征图进行通道内特征提取，得到各所述通道的初始单通道特征；基于所述通道间互信息特征确定各所述通道对应的通道权重；根据所述通道权重与所述初始单通道特征，确定各所述通道的通道内特征。

23、在本公开的一个实施方式中，所述第二特征提取单元包括权重确定子单元，用于：对所述通道间互信息特征进行解码处理，得到所述脑电数据中每个通道对应的通道解码数据；根据所述通道解码数据确定每个通道的通道值，将所述通道值作为各所述通道的通道权重。

24、在本公开的一个实施方式中，所述第二特征提取单元包括第二特征提取子单元，用于：获取经过当前卷积处理得到的初始单通道特征；根据所述通道权重，调整所述初始单通道特征的通道权重；基于调整后的通道权重与初始单通道特征，确定所述通道内特征。

25、在本公开实施方式的第四方面中，提供了一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上述所述的脑部异常放电检测方法。

26、根据本公开实施方式的第五方面中，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的脑部异常放电检测方法。

27、根据本公开实施例的第六方面中，提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任意一项所述的脑部异常放电检测方法。

28、根据本公开实施方式的技术方案，一方面，对脑电数据进行特征提取，不仅可以捕捉到脑电数据不同通道间的互信息，还可以提取到单通道的时频域信息，实现了从多个角度全面充分地提取到脑电数据的特征，将其用于异常放电检测结果的确定过程。另一方面，有效地同时利用脑电数据的空间互信息与单通道的时频域信息，使得异常放电检测结果具有更高的检测精度。