全自动判断脑电图中有无癫痫样放电的装置 本发明涉及一种检测癫痫病的装置，具体地说，是一种全自动判断脑电图中有无癫痫样放电(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。因此，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是很重要的课题，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，来作为癫痫诊断的主要客观依据。这种方式，在临床上颇为麻烦，一是由于一些病人，其ED发生频率较低，常规记录难以记录到ED，必须延长记录时间，但带来的问题是提高了假阳性率，给医生的判读带来困难，医生必须从大量的脑电信号中去挑出少量有用的信号，十分费时、费力。随着电子计算机和微电脑技术的迅速发展，便有使用计算机自动分析脑电图中ED的研究，约经过了30年地发展，已取得了良好结果，对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”之技术方案的水平最高，他们采用分层次，多方法整合途径将自适应预测，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，取得了较好的结果，假阳性率为11.8％，识别率达90％，而且能对癫痫波进行分型。但该方法相当复杂，不利于快速识别，并且，专家系统的知识规则仍需很大补充，另外，还必须高速和大容量的计算机，成本较高，特别是在完全没有医生参与的情况下，仍不能完全由计算机来准确回答脑电图中究竟有无ED这样一个诊断癫痫病迫切需回答的问题，究其原因乃是由于：
(1)由于脑电十分微弱，外界在患者身上产生的干扰常常超过甚至远远超过脑电，干扰又是多种多样，防不胜防，在人体内部心电、肌电等都会对脑电记录产生干扰，这些非脑电的干扰称为伪差。在脑电的自动分析过程中，伪差引起的假阳性无法彻底排除，这些造成假阳性的脑电波就被当作ED。在没有医生的参与时，无法把它们剔除。这样就非常容易使没有ED的脑电图，由于伪差的作祟而被误判为有ED的脑电图，由此而可能产生错误诊断，而且错误率相当高，因此使计算机自动分析法失效；
(2)由于患者的脑电图中出现ED，不是均匀的，而是在一定时间，一定条件下才发生ED，常规脑电图记录，要患者去医院，记录仅约20分钟，因此，很可能在记录的这段时间内ED没有发生，而ED发生时又没有记录。这样由于记录时间不够长，而使脑电图中是有ED的患者，由于实际记录中没有记录到ED而被误判为脑电图中没有ED。尽管长时间记录脑电的动态脑电记录技术已达到实用，但费用昂贵，操作复杂，无法广泛使用，在农村和边远地区更不可能，因此这种情况，在临床实践中是经常发生的。至于没有医生参与，完全靠计算机自动分析，而能正确判断病人脑电图是否有ED的装置，迄今还没有见到报道。
本发明的目的是提供一种免除医生参与的全自动判断脑电图中有无癫痫样放电的装置。
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、数据采集放大器、计算机、以及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，参数暂存区等并驻留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，其特点是：a.该人工神经网络由二个三层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1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，θ1表示输出层第1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，OIN1表示第1个节点的输入值，OOUT1表示输出层第1个节点的输出值，其前馈按下列公式进行计算；HINj=Σi=1ni(Wji×Pi)+θj]]>
HOUTj＝1/(1+exp(-HINj))OIN1=Σj=1nj(W1j×HOUTj)+θ1]]>
OOUT1＝1/(1+exp(-OIN1))
对于输出层只有一个节点的子网络，左右两个子网络的输出分别表示为O1，Or，左子网络的加权系数为，则右子网络的加权系数为1-，网络的输出：
O＝O1+(1-)Or，其输出值为0～1之间的一个确定值；
b.在该计算机内存贮器驻留图4的总程序和图5的参数K0、K1确定程序，提供交叉识别曲线和峰值分布曲线，脑电图的峰值分布曲线有一个峰，则该峰之峰值增加侧用函数Y＝A(K-X)B进行拟合，其中X表示峰值，Y表示峰的个数，参数A、B、K为常数，通过拟合得出。参数K表示拟合曲线延伸到峰的个数为0时的峰值，
K≥K0判脑电图中有ED；
K≤K1判脑电图中无ED；
K1＜K＜K0判该脑电图处于边缘状态。
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，隐含层个数H＝16，左子网络加权系数＝0.5，ED与非ED模式的标准差倍数M＝10；以及K0＝0.77和K1＝0.72。
本发明的前馈逆传播学习算法网络再藉由输入患弥漫性棘波ED型病人的脑电的ED波予以训练网络，形成一基本网络，便具有令人鼓舞的识别ED性能。
本发明的优点：1、实现不需医生参与的全自动判断脑电图中有无ED的检测，且其识别结果接近有经验的医生诊断水平；
2、省却了医生的艰苦劳力，省时，省力，特别是对边远缺医地区更具明显的优越性；
3、适合远程诊断，本发明的识别ED结果可由打印机打印提供识别报告；也可联网，进行远程会诊。
4、由于计算机中驻留了确定参数K0、K1值的程序，使能在不同地区可重新确定K0、K1的最佳值，例如，在中国上海地区K0＝0.77，K1＝0.72。
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是本发明的参数K0、K1确定程序的流程。
图6是本发明测试三个病例(B、C、D)的网络输出峰值分曲线及其峰值增加侧支段的拟合曲线示图。
表1是三位病例(B、C、D)中伪差存在与滤除对K值的影响。
下面根据图1～图5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(NIHON KOHDEN)4217型脑电图机记录电脑图，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的模数转换位数为10bit，采集频率为200次/秒，计算机3采用486微计算机。
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)方法为基础，经对网络参数进行优化后的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，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，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1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，θ1表示输出层第1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；隐含层个数H＝16；左子网络加权系数＝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。OIN1表示第1个节点的输入值，OOUT1表示输出层第1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)) OIN1=Σj=1nj(W1j×HOUTj)+θ1]]>
OOUT1＝1/(1+exp(-OIN1))
对于输出层只有一个节点的子网络，左右两个子网络的输出分别表示为O1，Or。左子网络的加权系数为，则右子网络的加权系数为1-。网络的输出：
O＝O1+(1-)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P11、P12……P16；Pr1、Pr2……Pr16；网络的输出值为0～1之间的某一确定值。
请参阅图4和图5，它们分别是本发明的总流程2和参数K0、K1确定流程40，它们驻留在计算机3中。如图所示，启动本装置便自动运作，即步骤21(开机)→步骤22，是新地区新装本装置吗？如果，是则→→流程40，确定K0，K1值，待流程40执行结束返回→步骤24，如果否，则→步骤23→步骤24，打印受试者姓名、门诊号等，并存盘，之后→步骤25，如果电极未安装好→返回步骤25；如果电极已安装好→采步骤26，采集一次数据后→步骤27计算输入量→步骤28，取出网络权重等参数，计算网络输出值，→步骤29，判断是峰值？如果是，→步骤30，计算峰值分布曲线，→步骤31；如果不是，则→步骤31，记录时间到了吗？否，→返回→步骤26，采集一次数据；如果是，则→步骤32，计算参数K→步骤33，K≥K0？如果是K≥K0，则→步骤34，通知有ED→步骤38，是否测试下一位病人？，否，则关机，是，则返回步骤24，如果K＜K0→步骤35，K≤K1？如果K≤K1→步骤36，打印无ED→步骤38；如果K＞K1→步骤37，通知处于边缘状态，建议延长记录时间→步骤38；如还要再测试下一位病人，则返回步骤24，重新进行下去，否则关机；另外，在步骤23时，如K0、K1值缺省，则自动取值K0＝0.77，K1＝0.72。
关于流程40，步骤41输入受试者信息→步骤42，电极安装好吗？，否→返回步骤42；如果是，→步骤43→步骤44→步骤45，取出网络权重等参数，计算网络输出值→步骤44，是否峰值？，如果是，计算峰值分布曲线→步骤46；如果不是→步骤46，记录时间到？如果否，返回步骤43，如果记录时间到→步骤47，计算K值→步骤48，打印波形，医生判读→步骤49，医生认为有ED→步骤50，作ED标记，有ED脑电图数A+1→步骤52；如果医生认为无ED，→步骤51，作无ED标记，无ED脑电图数B+1步骤52，A＞20？如果A＞20→步骤53，B＞20？如果，是→步骤54，检查所有脑电图的有无ED和K的值，按定义求出K0和K1。并存盘，其定义为K≥K0时，所有脑电图均有ED；K＝K0-0.01时，有的脑电图无ED；K≤K1时，所有脑电图均无ED，K＝K1+0.01时，有的脑电图有ED。如果A≤20，或B≤20，则→步骤55，发出记录下一位受试者的指令，返回步骤41，输入下一位受试者信息。
本实施例中，因在中国上海市进行测试，故取K0＝0.77，K1＝0.72。本发明还对BP网络输入弥散性棘波型ED患者的脑电的ED波进行训练，即调节BP网络各层节点间的联接权重和偏置值，使ED模式输入网络时网络输出值接近1，而非ED模式输入网络时，网络输出接近0。
使用本实施例之本发明装置，在中国上海市对38位病人进行测试，取值K0＝0.77，K1＝0.72，判断结果如图6所示，而且脑电图中存在的伪差对分析也无本质性的影响，如表1所示。表1三位病例(B，C，D)中伪差存在与滤除对k值的影响k值\病例 B C D不滤除伪差 0.84 0.70 0.68用人工去除伪差 0.83 0.69 0.67用软件去除伪差 0.84 0.70 0.68