本发明属于癫痫检测，具体涉及一种基于多脑区综合分析的癫痫预测方法及系统。
背景技术：
1、癫痫是一种由异常的大脑活动引起的大脑神经系统疾病，其特征是反复发作并具有持久倾向，患病人群涉及全年龄段个体，且患病人数近年来呈现出持续增长的趋势。预测癫痫发作可以降低疾病发作给患者带来的损伤风险，并且有助于改善患者的疾病预后。
2、目前癫痫的临床诊断中，主要通过医生长时间的视频和脑电同步监控来记录病人的发作症状，从而判断癫痫的类型。由于脑电图具有非入侵性且可以提供大脑的全局信息，因此目前被广泛用于癫痫的发作预测研究中。然而在实际操作中，通过观看视频和脑电的软件同步查看患者发作和脑电状态往往需要花费大量的时间，且随着时间的推移，人力监测的准确性和效率逐渐下降。此外，通过异常脑电的识别来判断大脑的放电区域和异常情况从而进行诊断和治疗，对医生的专业度要求也比较高。
3、为了改进现有的不足，目前也有研究提出基于人工智能来预测癫痫发作的概率。例如文献资料《基于人工智能的癫痫发作预测研究综述》（202404）中提出相较于人工提取特征的经典机器学习模型，机器深度学习技术在癫痫发作预测中具有更重要的价值。然而该文献技术依赖于多个癫痫脑电图数据集进行分析。特别是，该文献提出，未处理的脑电信号包含多种伪迹，分为生理伪迹（眼动、心跳等产生的生理电信号）和非生理伪迹（外界环境干扰）。因此需要对采集的脑电图进行预处理，尽可能减少或消除这些伪迹的影响。可见，该专利技术虽然借助了人工智能的手段，但分析的数据依然是脑电。因此，有必要基于现有的情况提出改进。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于多脑区综合分析的癫痫预测方法及癫痫预测系统，以缓解或部分缓解本领域目前存在的不足，具体技术方案如下。
2、一种基于多脑区综合分析的癫痫预测方法，所述癫痫预测方法基于一种多脑区综合分析的癫痫预测系统实施，所述癫痫预测系统包括：
3、信号采集模块，被设置为用于采集被监测受试者在不同眼跳任务范式下的特征信号，所述特征信号包括眼跳任务参数；
4、信息预处理模块，与所述信息采集模块相连，被设置为用于对所述信号采集模块采集到的多个特征信号进行整理归类和初步筛选；
5、信息筛选与分析模块，与所述预处理模块相连，被设置为用于建立逻辑回归模型，并对初步筛选出的眼跳任务参数进一步筛选和排除；还被设置为用于建立第2逻辑回归模型，用于将筛选出的眼跳任务参数和所述第1逻辑回归模型输出的结果进行整合；
6、数据输出模块，与信息筛选与分析模块相连，被设置为输出所述第2逻辑回归模型结果，所述结果为基于多脑区综合分析的癫痫患病概率；
7、所述癫痫预测方法的步骤如下：
8、s01：在所述信息采集模块中收集受试者在不同眼跳任务范式下的眼跳任务参数，所述眼跳任务包括正向眼跳任务、反向眼跳任务、记忆眼跳任务、双步眼跳任务以及其他可能的眼跳任务；
9、s02：在所述信息预处理模块中对收集到的受试者在不同眼跳任务下的眼跳任务参数进行整理归类和初步筛选，初步筛选出受试者之间具有差异性的眼跳任务参数，最好是具有显著性差异的眼跳任务参数；所述受试者包括癫痫患者和健康志愿者；
10、s03：在所述信息筛选与分析模块中，基于s01中的每个眼跳任务范式分别建立单个眼跳任务范式逻辑回归模型；
11、s04：在所述信息筛选与分析模块中，基于s02初步筛选出的多个眼跳任务参数进行组合，得到多个包含不同眼跳任务参数的数据集，所述数据集中同时包含速度类参数和空间类参数；
12、s05：在所述信息筛选与分析模块中，将多个数据集分别输入单个眼跳任务范式的逻辑回归模型，输出每个模型的第1结果，所述结果为基于单个眼跳任务范式的癫痫患病概率值；
13、s06：在所述信息筛选与分析模块中，分别计算每个数据集的基于单个眼跳任务范式的癫痫患病概率值的auc，排除auc小于0.6的数据集；进一步排除数据集中的静态类参数，得到包含特异性眼跳任务参数的特异性数据集；
14、s07：在所述信息筛选与分析模块中，将所述特异性数据集中的眼跳任务参数输入单个眼跳任务范式的逻辑回归模型，得到4个特异性眼跳任务范式模型，输出每个模型的第2结果，所述第2结果为基于单个特异性眼跳任务范式的癫痫患病概率值；然后基于每个特异性眼跳任务范式模型的第2结果建立综合逻辑回归模型；所述综合逻辑回归模型为：
15、；
16、其中，ppro代表基于正向眼跳任务判断受试者为癫痫的概率值，panti代表基于反向眼跳任务判断受试者为癫痫的概率值，pmemory代表基于记忆眼跳任务判断受试者为癫痫的概率值，pdouble代表基于双步眼跳任务判断受试者为癫痫的概率值；
17、s08：在所述数据输出模块输出所述综合逻辑回归模型的第3结果，所述第3结果为基于多脑区综合分析的判断受试者患有癫痫的概率。
18、进一步，所述特异性眼跳任务参数包括正向眼跳范式的正确率、反向眼跳范式的平均速度、反向眼跳范式的空间误差、记忆眼跳范式的空间误差、记忆眼跳范式的纠正眼跳潜伏期、双步眼跳的平均速度和双步眼跳的空间误差。
19、进一步，所述眼跳任务范式的逻辑回归模型包括正向眼跳范式模型。
20、进一步，所述眼跳范式的逻辑回归模型包括反向眼跳范式模型。
21、进一步，所述眼跳范式的逻辑回归模型包括记忆眼跳范式模型。
22、进一步，所述眼跳范式的逻辑回归模型包括双步眼跳范式模型。
23、进一步，所述s06中进一步排除数据集中的静态类参数，使所述数据集中的静态类参数不多于2个。
24、进一步，所述信息预处理模块还用于排除干扰信号，所述干扰信息包括对眼跳结果产生偏移和影响的信号，例如需要排除癫痫患者和健康志愿者性别、年龄和/或学历特征对眼跳结果的偏移和影响。
25、一种基于多脑区综合分析的癫痫预测系统，所述癫痫预测系统包括：
26、信号采集模块，被设置为用于采集被监测受试者在不同眼跳任务范式下的特征信号，所述信号特征包括眼跳任务参数；
27、信息预处理模块，与所述信息采集模块相连，被设置为用于对所述信号采集模块采集到的多个特征信号进行整理归类和初步筛选，还被设置为用于排除干扰信号；
28、信息筛选与分析模块，与所述预处理模块相连，被设置为用于建立第1逻辑回归模型，并基于所述建立的第1逻辑回归模型对初步筛选出的眼跳任务参数进行筛选和排除；还被设置为用于建立第2逻辑回归模型，用于将筛选出的眼跳任务参数和所述第1逻辑回归模型输出的结果进行整合；
29、数据输出模块，与所述数据分析模块相连，被设置为输出所述第2逻辑回归模型结果，所述结果为基于多脑区综合分析的判断受试者患有癫痫的概率。
30、进一步，所述受试者包括癫痫患者和健康志愿者。
31、有益技术效果
32、本发明提出的基于多脑区综合分析的癫痫预测方法，区别于目前主流方法采用的通过脑电信息对癫痫进行分析预测，采用甚至被主流研究中认为应该排除的眼跳伪迹来实现，解决受试者是否患有癫痫的预测问题。本发明提出的方法涉及到较为复杂的参数筛选和模型训练，旨在得到更为准确和客观的预测结果。
33、首先，由于不同眼跳参数对应不同脑区的功能分析，本发明方法对眼跳任务参数进行了多次排除及筛选，形成了包含特异性眼跳参数的数据集。其次，本发明还构建了多个逻辑回归模型旨在实现对多脑区癫痫发作的综合性预测。由于不同的眼跳范式分析的脑区存在重合，因此相较于基于单一眼跳范式进行癫痫患病的预测，本发明提出的综合性系统及方法的预测准确率更高，对于癫痫的漏诊和误诊具有指导意义。此外，眼跳信号/参数的采集具有更高的便捷性、更短的时间操作周期、对实验人员的要求相对更低。
34、由于不同的病症可能引起的脑区异常有重合，因此不同的病症可能会涉及到考察相同的眼跳范式，例如现有技术中公开了一种用于检测偏头痛的生物标志物组及其方法，该现有技术使用了正向眼跳范式、反向眼跳范式、记忆眼跳范式和双步眼跳范式分析偏头痛发生的概率。但相同眼跳范式里的不同眼跳参数所反映的脑区功能体现是不同的，因此筛选出准确的具有特异性的眼跳参数才可能实现不同疾病的预测。该现有技术中公开了的眼跳参数，包括正向眼跳的潜伏期、正向眼跳的中断注视率、反向眼跳的潜伏期、记忆眼跳的正确率、记忆眼跳的潜伏期、双步眼跳的最终眼跳落点误差和双步眼跳的中断注视率，这些眼跳参数都是静态类的参数。而本发明提出的基于多脑区综合分析的癫痫预测方法及系统中，包含了多个速度类和空间类的参数，在癫痫预测领域具有开创性。
1.一种基于多脑区综合分析的癫痫预测方法，其特征在于，所述癫痫预测方法基于一种多脑区综合分析的癫痫预测系统实施，所述癫痫预测系统包括：
2.如权利要求1所述的基于多脑区综合分析的癫痫预测方法，其特征在于，所述特异性眼跳任务参数包括正向眼跳范式的正确率、反向眼跳范式的平均速度、反向眼跳范式的空间误差、记忆眼跳范式的空间误差、记忆眼跳范式的纠正眼跳潜伏期、双步眼跳的平均速度和双步眼跳的空间误差。
3.如权利要求1所述的基于多脑区综合分析的癫痫预测方法，其特征在于，所述眼跳任务范式的逻辑回归模型包括正向眼跳范式模型：
4.如权利要求1所述的基于多脑区综合分析的癫痫预测方法，其特征在于，所述眼跳范式的逻辑回归模型包括反向眼跳范式模型：
5.如权利要求1所述的基于多脑区综合分析的癫痫预测方法，其特征在于，所述眼跳范式的逻辑回归模型包括记忆眼跳范式模型：
6.如权利要求1所述的基于多脑区综合分析的癫痫预测方法，其特征在于，所述眼跳范式的逻辑回归模型包括双步眼跳范式模型：
7.如权利要求1所述的基于多脑区综合分析的癫痫预测方法，其特征在于，所述s06中进一步排除数据集中的静态类参数，使所述数据集中的静态类参数不多于2个。
8.如权利要求1所述的基于多脑区综合分析的癫痫预测方法，其特征在于，所述信息预处理模块还用于排除干扰信号，所述干扰信息包括对眼跳结果产生偏移和影响的信号。
9.一种基于多脑区综合分析的癫痫预测系统，其特征在于，所述癫痫预测系统包括：
10.如权利要求9所述的基于多脑区综合分析的癫痫预测系统，其特征在于，所述受试者包括癫痫患者和健康志愿者。
