СПОСОБ ДЕТЕКТИРОВАНИЯ ЭПИЛЕПТИФОРМНЫХ РАЗРЯДОВ В ДЛИТЕЛЬНОЙ ЗАПИСИ ЭЭГ Российский патент 2021 года по МПК G06N20/00 A61B5/31 

ОБЛАСТЬ ТЕХНИКИ

Настоящее техническое решение относится к областям медицины и вычислительной техники, в частности к компьютерно-реализуемому способу автоматизированного детектирования генерализованных эпилептиформных разрядов (далее – ГЭР) в длительной записи электроэнцефалограммы (далее – ЭЭГ).

УРОВЕНЬ ТЕХНИКИ

Наиболее заметные проявления эпилепсии – приступы – плохо подходят для регулярного наблюдения за ходом заболевания в силу своей непредсказуемости и опасности для здоровья. Однако у большинства больных на записи ЭЭГ можно наблюдать характерные паттерны эпилептиформной активности – эпилептиформные разряды (ЭР), оценивая частоту которых можно сделать вывод об интенсивности и динамике заболевания. Наличие ЭР на ЭЭГ с большой вероятностью говорит о наличии эпилепсии.

ЭР обычно определяются специалистами эпилептологами при визуальном осмотре длительных записей ЭЭГ (запись должна включать сигнал, снятый во сне, для повышения точности заключения). Это очень монотонный и утомительный процесс, так как требует от человека просмотреть и вручную разметить примерно 10 или более часов записи. Специалист должен пометить каждый ЭР, а после на основе полученной разметки определить локализацию в случае фокальных эпилептиформных разрядов (далее – ФЭР) и подсчитать индексы эпилептиформной активности для оценки состояния и написания заключения. Такая работа занимает 3-4 часа и имеет следующий ряд проблем.

Большие временные затраты на разметку приводят к тому, что эта работа отдается не самым квалифицированным сотрудникам. Опытный специалист берет на себя только функцию первичной диагностики типа разряда и валидации результата. А разметку и подсчет индексов, как правило, берет на себя менее опытный специалист. Такой процесс создает вынужденные ошибки разметки.

При достаточно большом потоке пациентов специалисты вынуждены начать размечать не всю запись, а отдельные короткие интервалы (как правило по 10 минут), оценивая по ним общее количество ЭР. Так как ЭР могут возникать неравномерно по времени – это приводит к возникновению неконтролируемых погрешностей в вычислении индексов.

Эксперименты показывают, что разметка ЭР разных специалистов может существенно отличаться в силу субъективности определения ЭР человеком в силу того, что паттерны ЭР могут существенно отличаться между собой и при этом походить на артефакты или некоторые нормальные паттерны.

Из уровня техники известен источник информации US 8,972,001 B2 03.03.2015, раскрывающий способ и систему отображения данных, в котором множество эпох сшиты вместе с перекрывающейся секцией, чтобы представить непрерывную запись ЭЭГ. Уменьшение артефактов выполняется в эпохах, а затем эпохи объединяются вместе с перекрывающимися секциями, предпочтительно от двух до четырех секунд. При этом осуществляют генерирование исходного сигнала ЭЭГ из машины, содержащей множество электродов и процессор; разбивают исходный сигнал ЭЭГ на множество эпох, причем каждая из множества эпох имеет длительность продолжительности эпохи и приращение перекрытия; выполняют уменьшение артефактов для множества эпох, чтобы сформировать множество эпох с уменьшенными артефактами; а также объединяют множество эпох с уменьшенным артефактом для генерирования непрерывной обработанной записи ЭЭГ, при этом каждая из множества эпох с уменьшенным артефактом имеет длительность эпохи, равную двум секундам, и приращением в одну секунду, при этом каждая из множества эпох с уменьшенным артефактом перекрывается уменьшенная эпоха смежных артефактов для получения непрерывной обработанной записи ЭЭГ без разрывов в непрерывной обработанной записи ЭЭГ, причем каждая из множества эпох с уменьшенным артефактом и смежных эпох с уменьшенным артефактом объединяются с использованием взвешенного среднего, причем вес пропорционален отношению расстояний к центрам эпох, где значение из каждой из множества эпох с уменьшенным артефактом взвешивается выше для перекрывающаяся часть ближе к центру каждой из множества эпох с уменьшенным артефактом, и значение из соседней эпохи с уменьшенным артефактом взвешивается выше для перекрывающейся части ближе к центру соседней эпохи с уменьшенным артефактом.

Предлагаемое решение направлено на автоматическую разметку фокальных эпилептиформных разрядов сигнала ЭЭГ.

Наиболее близким аналогом является программный пакет Persyst 13, в котором посредством автоматической процедуры размечается только 60% спайков. Это говорит врачу о том, что при использовании пакета, 40% разрядов останутся не отмеченными и означает необходимость внимательно просмотреть весь исходный сигнал, чтобы убедиться, что ничего важного пропущено не было. Необходимость внимательно просмотреть весь сигнал увеличивает время работы на обработку сигнала.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Технической проблемой, на решение которой направлено заявленное техническое решение, является создание компьютерно-реализуемого способа детектирование генерализованных эпилептиформных разрядов в длительной записи ЭЭГ, который охарактеризован в независимом пункте формулы. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах изобретения.

Технический результат заключается в обеспечении точного детектирование генерализованных эпилептиформных разрядов, уменьшении числа пропускаемых разрядов и сокращении времени на детектирование генерализованных эпилептиформных разрядов.

Заявленный результат достигается за счет осуществления компьютерно-реализуемого способа автоматизированного детектирование генерализованных эпилептиформных разрядов в длительной записи ЭЭГ, содержащий этапы, на которых:

на вычислительном устройстве осуществляют предобработку по меньшей мере одного сигнала ЭЭГ, где в по меньшей мере одном сигнале ЭЭГ выделяются локальные экстремумы с окном в 0.02 секунды, при этом каждый экстремум маркируются в соответствие с имеющейся разметкой;

для каждого экстремума вычисляются признаки на основе исходного сигнала ЭЭГ и вейвлет-преобразования исходного сигнала ЭЭГ;

выборка из признаков и маркированных отметок поступает на вход классификатора;

для уменьшения количества ложноотрицательных срабатываний устанавливают порог вероятности, равный 5%;

осуществляют постобработку полученных результатов классификатора близкие экстремумы, помеченные как эпилептиформные, объединяют в один эпилептиформный разряд.

В частном варианте реализации предлагаемого способа, для экстремума вычисляются по меньшей мере следующие признаки:

- модуль амплитуды фильтрованного сигнала в точке локального экстремума

- временное расстояние до следующего и/или послеследующего локальных экстремумов;

- максимальная амплитуда в окне 0.05 секунды вокруг экстремума.

- среднеквадратичное отклонение градиента сигнала в окне 0.05 секунды вокруг экстремума.

- модуль разности усредненного градиента сигнала справа и слева от экстремума в окне 0.05 секунды.

ОПИСАНИЕ ЧЕРТЕЖЕЙ

Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:

Фиг.1 иллюстрирует характеристику генерализованных эпилептиформных разрядов.

Фиг.2 иллюстрирует общую схему работы предлагаемого способа.

Фиг. 3 иллюстрирует пример общей схемы вычислительного устройства.

ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ

В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.

Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.

С точки зрения локализации источника, у больных эпилепсией можно выделить

два типа эпилептиформной активности вне приступов: генерализованные эпилептиформные разряды (ГЭР) или фокальные эпилептиформные разряды (ФЭР). Количество интериктальных разрядов в момент времени используется как один из основных индикаторов динамики состояния пациента врачами эпилептологами.

Настоящее изобретение направлено на осуществление компьютерно-реализуемого способа детектирование генерализованных эпилептиформных разрядов в длительной записи ЭЭГ.

В предлагаемом способе разработан алгоритм, на основе которого создана предсказательная модель для разметки ГЭР на длительной записи ЭЭГ на основе ансамблей решающих деревьев, который позволяет получить достаточную для постановки заключения специалистом точность и имеющий достаточно быструю скорость работы. Разметка десятичасовой записи предлагаемым способом занимает до 5 минут, в то время как при ручной разметке специалист затрачивает на обработку такой записи порядка трех часов.

Точность работы предлагаемого способа на предоставленных контрольных примерах составила в среднем 5.8% пропущенных ГЭР на кросс-валидации по пациентам, что на 39.6% лучше базовой модели с 9.6% пропущенных разрядов.

ЭР могут иметь различную форму, однако, как правило, содержат в себе общий элемент - спайк или острую волну. Эти паттерны отличаются только длительностью (у спайки 20-70 мс, у острой волны 70-200 мс) и не несут иного качественного различия, поэтому для простоты далее везде будет употребляться термин спайк, кроме случаев, когда требуется явно разделить эти понятия. Спайк – это всплеск активности в форме явно различимого глазом на сигнале короткого острого пика. Часто после спайка следует медленная волна – высокоамплитудное холмообразное возмущение длительностью 150-350 мс на спектральной частоте порядка 3.5-4 Гц. Сочетание этих паттернов называют комплекс спайк-медленная волна.

ГЭР может иметь довольно разнообразную форму, обычно выделяют следующие типы формы разрядов (их вид приведен на фиг. 1):

A – спайк

B - острая волна

C - комплексы спайк-волна

D - комплекс острая-медленная волна

E - комплекс медленная-спайк и медленная волна

F - комплекс полиспайки – волна

G - комплекс множественные острые и медленные волны

H - комплекс полиспайки

I & J - множественные острые волны

Можно видеть, что все виды паттернов ГЭР, которые определяет специалист, содержат в себе явно выраженный спайк. Спайкообразные формы (потенциальные спайки) можно быстро и надежно находить в сигнале, используя набор простых правил:

- это должен быть экстремум определенной ширины и достаточной остроты. Это наблюдение позволяет при построении цепочки рассматривать как кандидаты в разряды

- только участки сигнала, содержащие потенциальные спайки, а не весь сигнал, что приводит к существенной экономии времени при обработке длительных записей.

Многие паттерны ГЭР состоят из более чем одного спайка и могут быть довольно протяженными (до нескольких секунд), поэтому в способе должно учитываться, что несколько спайков относятся к одному разряду и объединять их в одну метку. Кроме того, такое объединение повышает долю размеченных ГЭР, так как может компенсировать пропуск одного спайка в длительном разряде, если разметились спайки рядом с ним.

Задача предлагаемого способа, в автоматическом режиме, вывести специалисту разметку ГЭР и подсчитанные по разметке индексы эпилептиформной активности. Под индексами эпилептиформной активности понимается численный показатель в заключении, на основании которого делается оценка о тяжести и динамике состояния, а также об эффективности терапии и соответственно конечным результатом предлагаемого способа. Точность определения индексов зависит от числа пропущенных разрядов и количества не исправленных вручную ложноположительных срабатываний. Решение задачи осуществляется в построении алгоритма, который на основе обучающей выборки (набора пар X-Y) с помощью решения задачи несбалансированной классификации строит модель, способную различать доброкачественные и эпилептиформные ЭЭГ паттерны у пациентов, которые не входили в обучающую выборку.

Специалист имеет предварительную информацию о том, что на записи энцефалограмма человека, у которого при предварительном осмотре обнаружили активность похожую на ГЭР. К каждой ЭЭГ записи прилагается экспертная разметка с указанием мест и длительностей, обнаруженных ГЭР. Также к каждому пациенту приложено заключение с информацией о состоянии человека и значениями индексов. Разметка и заключение составлены в соответствии с действующими стандартами. Указанные данные находятся в базе данных. Специалист загружает на вычислительное устройство файл с длительной записью ЭЭГ (7-12 часов), сделанной по системе 10-20 и запускает предлагаемый способ разметки ГЭР. Под системой 10-20 понимается система стандартизованного расположения скальповых электродов, рекомендованная Международной федерацией клинической нейрофизиологии (IFCN). В соответствии с этой системой место электродов определяется измерением головы между внешними ориентирами и взятием 10 или 20% от этих измерений.

На этапе 101 предлагаемого решения, на вычислительном устройстве осуществляют предобработку по меньшей мере одного сигнала ЭЭГ из базы данных, где в по меньшей мере одном сигнале ЭЭГ выделяются локальные экстремумы с окном в 0.02 секунды, при этом каждый экстремум маркируются в соответствие с имеющейся разметкой.

В качестве препроцессинга производится выделение локальных экстремумом в сигнале, которые считались “кандидатами” в ЭР, кроме этого оценивается численная производная сигнала по времени.

Для формирования обучающей выборки в исходном ЭЭГ сигнале были выделены локальные экстремумы с окном в 0.02 секунды. Предполагается, что это окно достаточно маленькое, чтобы не пропустить ЭР, длительность которых в соответствие со стандартом не может быть меньше 0.02 секунды. Каждый экстремум был маркирован как эпилептиформный или нормальный, в соответствие с имеющейся разметкой специалистов. Затем вокруг каждого экстремума было выделены окно сигнала, в котором подсчитаны признаки. Полученная выборка из признаков и маркированных отметок составила обучающую выборку для предсказательной модели.

На этапе 102 прилагаемого решения для каждого экстремума вычисляются признаки на основе исходного сигнала ЭЭГ и вейвлет-преобразования исходного сигнала ЭЭГ.

Исходя из известных факторов, ассоциированных с эпилептиформными разрядами и анализа литературы, для решения задачи классификации использовались две основные группы признаков, подсчитанные по ЭЭГ сигналу. Первая группа состояла из различных статистик над исходным сигналом. Вторая группа признаков содержала статистики на основе вейвлет-преобразования сигнала.

Первая группа имеет следующие общие признаки:

A_fltr_abs - модуль амплитуды фильтрованного (4 - 70 Гц) сигнала в точке локального экстремума. Такая фильтрация уменьшает амплитуду медленной волны, практически не затрагивая амплитуду спайка, что позволяет этому признаку различить их.

next, next2 - временное расстояние до следующего / послеследующего локальных экстремумов. Потенциально могут выделить участки монотонности сигнала, а значит, медленную волну.

max_A_w0.05 - максимальная амплитуда в окне 0.05 секунды вокруг экстремума.

std_grad_w0.05 - среднеквадратичное отклонение градиента сигнала в окне 0.05 секунды вокруг экстремума.

delta_grad_w0.05 - модуль разности усредненного градиента сигнала справа и слева от экстремума в окне 0.05 секунды ("острота").

В результате получили 6 признаков:

'A_fltr_abs', 'next', 'next2', 'max_A_w0.05', 'delta_grad_w0.05', 'std_grad_w0.05'.

Вторая группа – вейвлет признаки - состояла из статистик над вейвлет-преобразованием исходного ЭЭГ сигнала. За основу было взято четырехуровневое вейвлет-преобразования Добеши (db4) в окне 0.57 секунды. Это преобразование дает пять наборов коэффициентов, отвечающих различным частотным компонентам сигнала: A4, D4, D3, D2, D1. Для каждого набора были подсчитаны 6 статистик, включающих минимум, максимум, среднее, среднеквадратичное отклонение, среднее по локальным минимумам и среднее и по локальным максимумам коэффициентов.

В результате получили 31 признак:

'db4_A4_max', 'db4_A4_min', 'db4_A4_mean', 'db4_A4_std', 'db4_A4_mean_relmin', 'db4_A4_mean_relmax', 'db4_D4_max', 'db4_D4_min', 'db4_D4_mean', 'db4_D4_std', 'db4_D4_mean_relmin', 'db4_D4_mean_relmax', 'db4_D3_max', 'db4_D3_min', 'db4_D3_mean', 'db4_D3_std', 'db4_D3_mean_relmin', 'db4_D3_mean_relmax', 'db4_D2_max', 'db4_D2_min', 'db4_D2_mean', 'db4_D2_std', 'db4_D2_mean_relmin', 'db4_D2_mean_relmax', 'db4_D1_max', 'db4_D1_min', 'db4_D1_mean', 'db4_D1_std', 'db4_D1_mean_relmin', 'db4_D1_mean_relmax', 'db4_D4_mean_abs', признак «'db4_D4_mean_abs'» получен по модулю.

Благодаря способности выделять частотные компоненты сигнала, вейвлет-преобразование может быть использовано, в частности, для нахождения участков быстрой и медленной изменчивости сигнала, что представляется полезным при выделении спайков и медленных волн.

Следующим этапом (103) предлагаемого способа является подача выборка из признаков и маркированных отметок на вход классификатора.

В предлагаемом способе рассматривается задача обучения с учителем.

Вход алгоритма: выборка данных Σ = {Xi, Yi}i=1,n

где:

n - объем выборки;

Xi - набор переменных, характеризующих различные предподсчитанные характеристики небольшого отрезка ЭЭГ сигнала;

Yi - бинарная переменная, характеризующая наличие эпилептиформных паттернов в течение этого отрезка сигнала, которая является меткой специалиста. Данная переменная берется из базы данных.

Выход алгоритма: предсказательная модель, принимающая на вход Xi и оценивающая вероятность присутствия эпилептиформных паттернов в соответствующем отрезке сигнала (действительное число в диапазоне [0, 1]).

В предлагаемом решении используют библиотеку XGBoost (EXtreme Gradient Boosting) реализующую модель градиентного бустинга. Метод заключается в создании ансамбля последовательно уточняющих друг друга деревьев решений.

Типичным способом учета несбалансированности классов во многих методах, в том числе в XGBoost, состоит в введении шкалирующего коэффициента, повышающего вклад каждого из элементов положительного класса в общую оптимизируемую функцию ошибки.

В качестве предсказательной модели мы использовали XGBoost модель с оптимизацией 3х гимерпараметров: max_depth перебирался по сетке значений [3, 4, 5,6], общее число деревьев в ансамбле n_estimators - по сетке [50, 100, 300, 1000], множитель для шкалирования вклада минорного класса в функцию ошибки scale_pos_weight - по сетке [1, 5000, 10000].

Для уменьшения количества ложноотрицательных срабатываний, на этапе 104 устанавливают порог вероятности, равный 5%.

Так как наличие ложноотрицательных срабатываний критично, то дополнительно был сдвинут порог вероятности, на основании которого модель принимает решение до 5%. По умолчанию, классификатор считает эпилептиформными те события, для которых оцененная им вероятность превышает 50%.

На этапе 105 осуществляют постобработку полученных результатов классификатора, близкие экстремумы, помеченные как эпилептиформные, объединяют в один эпилептиформный разряд.

Осуществляют объединение предсказанных событий, которые находятся ближе 0.5 секунд.

Выводят результат детектирования на экран.

Было осуществлено сравнение предлагаемого способа с решением, предлагаемым программным пакетом Persyst 13.. При запуске Persyst 13 одновременно пытается разметить и фокальные и генерализованные разряды, поэтому для полноты сравнения значения метрик предлагаемого способа сравнивали с двумя разметками Persyst: с разметкой, содержащей только предсказанные генерализованные разряды, и разметкой, содержащая все типы разрядов.

Это было вызвано тем, что было обнаружено, что Persyst размечает как фокальные некоторые разряды, которые были помечены специалистами как генерализованные. Результаты сравнения алгоритмов - количество пропущенных (непокрытых) ЭР и общее количество предсказанных ЭР - представлены в Таблицах 1, 2.

Таблица 1

Код пациента Предлагаемый способ, % Persyst (все),% Persyst (ген.),% Пациент 1 0 3 17 Пациент 2 7 21 38 Пациент 3 4 6 17 Пациент 4 6 12 25 Пациент 5 12 6 17 Среднее 5.8 9.6 22.8

Таблица 2.

Код пациента Количество ЭР размеченное специалистом Предлагаемый способ,% Persyst (все),% Persyst (ген.),% Пациент 1 231 388 727 400 Пациент 2 29 42 65 38 Пациент 3 144 184 421 245 Пациент 4 52 155 528 200 Пациент 5 149 215 790 392

Из таблиц можно видеть, что оба варианта разметки Persyst пропускают в среднем на 39% больше ЭР и при этом генерируют большее число ложных срабатываний, чем предложенная схема.

Оценка времени обработки длительной ЭЭГ записи вручную и с помощью рассматриваемых решений приведена в Таблице 3. Отметим, что требуемое время рассчитывается в предположении, что специалист вручную правит ложноположительные срабатывания на разметке алгоритма. Если предполагать, что ручных правок нет, то время разметки уменьшается до чистого времени работы алгоритма.

Таблица 3.

Тип разметки Требуемое время, мин Чистое время, мин Вручную 182 - Persyst 78,8 45 Предлагаемый способ 16,25 4

На Фиг. 3 далее будет представлена общая схема вычислительного устройства (300), обеспечивающего обработку данных, необходимую для реализации заявленного решения.

В общем случае устройство (300) содержит такие компоненты, как: один или более процессоров (301), по меньшей мере одну память (302), средство хранения данных (303), интерфейсы ввода/вывода (304), средство В/В (305), средства сетевого взаимодействия (306).

Процессор (301) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (300) или функциональности одного или более его компонентов. Процессор (301) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (302).

Память (302), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал.

Средство хранения данных (303) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (303) позволяет выполнять долгосрочное хранение различного вида информации, например, вышеупомянутых файлов с наборами данных пользователей, базы данных, содержащих записи измеренных для каждого пользователя временных интервалов, идентификаторов пользователей и т.п.

Интерфейсы (304) представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п.

Выбор интерфейсов (304) зависит от конкретного исполнения устройства (300), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.

В качестве средств В/В данных (305) в любом воплощении системы, реализующей описываемый способ, должна использоваться клавиатура. Аппаратное исполнение клавиатуры может быть любым известным: это может быть, как встроенная клавиатура, используемая на ноутбуке или нетбуке, так и обособленное устройство, подключенное к настольному компьютеру, серверу или иному компьютерному устройству. Подключение при этом может быть, как проводным, при котором соединительный кабель клавиатуры подключен к порту PS/2 или USB, расположенному на системном блоке настольного компьютера, так и беспроводным, при котором клавиатура осуществляет обмен данными по каналу беспроводной связи, например, радиоканалу, с базовой станцией, которая, в свою очередь, непосредственно подключена к системному блоку, например, к одному из USB-портов. Помимо клавиатуры, в составе средств В/В данных также может использоваться: джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.

Средства сетевого взаимодействия (306) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi-Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (305) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM.

Компоненты устройства (300) сопряжены посредством общей шины передачи данных (310).

В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.

Изобретение относится к медицине и вычислительной технике. Техническим результатом является обеспечение точного детектирования генерализованных эпилептиформных разрядов, уменьшение числа пропускаемых разрядов и сокращение времени на детектирование генерализованных эпилептиформных разрядов. Способ содержит этапы, на которых на вычислительном устройстве осуществляют предобработку по меньшей мере одного сигнала ЭЭГ, где в по меньшей мере одном сигнале ЭЭГ выделяются локальные экстремумы с окном в 0.02 секунды, при этом каждый экстремум маркируется в соответствие с имеющейся разметкой; для каждого экстремума вычисляются признаки на основе исходного сигнала ЭЭГ и вейвлет-преобразования исходного сигнала ЭЭГ; выборка из признаков и маркированных отметок поступает на вход классификатора, предназначенного для оценки вероятности присутствия эпилептиформных паттернов в отрезке сигнала; для уменьшения количества ложноотрицательных срабатываний устанавливают порог вероятности, равный 5%; осуществляют постобработку полученных результатов классификатора, близкие экстремумы, помеченные как эпилептиформные, объединяют в один эпилептиформный разряд. 1 з.п. ф-лы, 3 табл., 3 ил.

1. Компьютерно-реализуемый способ автоматизированного детектирования генерализованных эпилептиформных разрядов в длительной записи ЭЭГ, содержащий этапы, на которых:

на вычислительном устройстве осуществляют предобработку по меньшей мере одного сигнала ЭЭГ, где в по меньшей мере одном сигнале ЭЭГ выделяются локальные экстремумы с окном в 0.02 секунды, при этом каждый экстремум маркируется в соответствии с имеющейся разметкой;

для каждого экстремума вычисляются признаки на основе исходного сигнала ЭЭГ и вейвлет-преобразования исходного сигнала ЭЭГ;

выборка из признаков и маркированных отметок поступает на вход классификатора, предназначенного для оценки вероятности присутствия эпилептиформных паттернов в отрезке сигнала;

для уменьшения количества ложноотрицательных срабатываний устанавливают порог вероятности, равный 5%;

осуществляют постобработку полученных результатов классификатора, близкие экстремумы, помеченные как эпилептиформные, объединяют в один эпилептиформный разряд.

2. Способ по п. 1, отличающийся тем, что для экстремума вычисляются по меньшей мере следующие признаки:

- модуль амплитуды фильтрованного сигнала в точке локального экстремума;

- временное расстояние до следующего и/или послеследующего локальных экстремумов;

- максимальная амплитуда в окне 0.05 секунды вокруг экстремума;

- среднеквадратичное отклонение градиента сигнала в окне 0.05 секунды вокруг экстремума;

- модуль разности усредненного градиента сигнала справа и слева от экстремума в окне 0.05 секунды.