用于检测和分类从eeg记录中获得的信号段的方法和系统
技术领域
1.本发明涉及一种用于检测从单通道eeg记录中获得的信号段并将所述信号段分类为目标信号段或非目标信号段的方法。本发明还涉及一种设备和系统，所述设备和系统被配置和设置为执行根据本发明的方法。
背景技术：2.谵妄是一种严重的意识和认知紊乱，其通常随着时间的推移而波动。作为一种常见疾病，据报道，在重症监护病房(icu)住院期间谵妄的发病率超过60％，在老年病房或中等护理病房中谵妄的发病率超过15％。谵妄意味着更高的死亡率、更长的住院时间、长期认知障碍和更高的治疗费用。根据精神运动行为的差异，谵妄可分为三种不同的亚型，即活动抑制型谵妄、活动亢奋型谵妄和混合型谵妄。
3.尽管谵妄的发生频率和影响很大，但医疗保健专业人员对谵妄的认识却很差。例外情况是活动亢奋型谵妄，但这种类型的谵妄相对罕见。此外，研究发现，延迟治疗icu患者的谵妄症状会增加死亡率。为了改善早期诊断和治疗，危重病医学会和美国精神病学协会建议每天监测icu患者的谵妄情况。
4.现已开发了各种谵妄评估工具，包括例如用于icu的模糊评估法(cam-icu)，以及使用例如单通道脑电图(eeg)记录的涉及eeg的方法和系统。
5.t.numan等人于2019年1月1日在british journal of anaesthesia的第122卷第1期第60-68页公开的文献“delirium detection using relative delta power based on 1-minute single-channel eeg:a multicentre study”中公开了使用基于频谱分析的eeg分析算法的谵妄检测。在所述算法中，将所谓的delta eeg频带(1-4hz)和1-6hz频带中的功率除以1-30hz的总eeg频带中的功率，得出归一化的delta功率，即所谓的相对delta功率。
6.使用单通道eeg记录的已知谵妄评估方法和系统的缺点在于，它们无法可靠区分单通道eeg记录的目标信号段和非目标信号段，特别是当单通道eeg记录的目标信号段和非目标信号段看起来相似时。应注意的是，在本发明的上下文中，单通道eeg记录的目标信号段应解释为例如指示患者精神混乱或患有相关脑病的信号段，然而，单通道eeg记录的非目标信号段应解释为指示非目标大脑信号或伪影的信号段，所述伪影包括例如眼睛伪影、与肌肉活动相关的伪影或与此类伪影的组合相关的伪影。
7.鉴于使用单通道eeg记录的已知谵妄评估方法和系统的上述缺点，需要提供一种能够更好地区分单通道eeg记录的目标信号段和非目标信号段的方法和系统。
技术实现要素：8.本发明的目的在于提供一种用于检测从单通道eeg记录中获得的信号段并将所述信号段分类为目标信号段或非目标信号段的方法，以预防或至少减少与使用单通道eeg记录的已知谵妄评估方法相关的上述缺点和/或其他缺点。
9.本发明的目的还在于提供一种设备和系统，用于执行根据本发明的方法。
10.本发明的各方面在随附的独立和从属权利要求中进行了阐述。从属权利要求的特征可以酌情与独立权利要求的特征相结合，而不仅仅是如同权利要求中明确规定的那样。
11.上述目的中的至少一个目的通过数据处理方法实现，所述数据处理方法用于检测从单通道eeg记录中获得的信号段并将所述信号段分类为目标信号段或非目标信号段，所述方法包括：
12.·
提供从单通道eeg记录中获得的信号；
13.·
将目标参数集应用于所述信号，以检测所述信号的第一信号段并将检测到的第一信号段分类为目标信号段，其中，所述目标参数集指示从参考单通道eeg记录中获得的多个参考目标信号段，所述目标参数集包括使用多个参考目标信号段的小波分解确定的小波系数；
14.·
将第一时间戳分配给检测到的第一信号段；
15.·
将非目标参数集应用于所述信号，以检测所述信号的第二信号段并将检测到的第二信号段分类为非目标信号段，其中，所述非目标参数集指示从参考单通道eeg记录中获得的多个参考非目标信号段，所述非目标参数集包括使用多个参考非目标信号段的小波分解确定的小波系数；
16.·
将第二时间戳分配给检测到的第二信号段；
17.·
确定第一时间戳和第二时间戳的时间邻近度；
18.·
基于所确定的时间邻近度，确定是否需要投票过程来确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确；以及
19.·
在确定需要所述投票过程后，执行所述投票过程。
20.这样，可以更好地区分从单通道eeg记录中获得的信号的目标信号段和非目标信号段，因此可以减少针对该问题的假阳性检测或错误分类。
21.所述多个参考目标信号段和所述多个参考非目标信号段可以从由单通道eeg记录中获得的信号中获得。本领域技术人员将理解，可以通过各种已知方式获得单通道eeg记录，包括例如使用差分电极对、使用单个电极与参考(ref)电极或接地(gnd)电极相结合，或使用差分电极对与ref电极或gnd电极相结合。根据后一个示例性电极配置，可以根据ref电极例如位于患者的耳朵上的扩展的10-20eeg系统，将差分电极对的各个电极布置在特定的中线额部，例如fz，中线顶点，例如cz，中线顶骨，例如pz，左内侧颞部，例如t3，右内侧颞部，例如t4，患者头皮上的位置。
22.除了上述用于获取单通道eeg记录的示例外，本领域技术人员将了解的是，在本发明的上下文中，单通道eeg记录也可以是针对该问题来自标准10-20eeg剪辑或来自任何其他多通道eeg剪辑的单通道。关于短语“单通道eeg记录”的后一种解释，应注意的是，在本发明的上下文中，仅从单通道的数据中获得所述多个参考目标信号段和所述多个参考非目标信号段。
23.用于获得所述多个参考目标信号段和所述多个参考非目标信号段的单通道eeg记录可以具有例如15分钟的预定义持续时间。然而，本领域技术人员将理解，只要获取的单通道eeg记录能够获得合适的参考目标信号段和参考非目标信号段，就可以使用任何合适的预定义持续时间。
24.所述多个参考目标信号段中的参考目标信号段可以互不相同。所述多个非目标信
号段中的参考非目标信号段也可以互不相同。所述多个参考目标信号段例如可以包括不止1000个参考目标信号段。对于多个非目标信号段而言也是如此。
25.可以通过处理和分析所述多个参考目标信号段中的参考目标信号段来确定指示所述多个参考目标信号段的目标参数集。可以使用训练过程完成上述处理和分析，所述训练过程涉及例如可以使用深度神经网络的机器学习算法。例如，可以在频域中进行所述处理和分析。目标参数集可以被解释为聚合参数集，因为所述目标参数集包括指示多个参考目标信号段的参数。
26.在确定目标参数集后，所述目标参数集可用于检测以上述方式之一获取的单通道eeg记录的第一信号段，并将检测到的第一信号段分类为目标信号段，即指示患者精神错乱或患有相关脑病的信号段。在检测到第一信号段后，可以通过向所述第一信号段分配第一时间戳来对其进行标记。
27.类似地，可以通过处理和分析多个参考非目标信号段中的参考非目标信号段来确定指示多个参考非目标信号段的非目标参数集。可以使用另一训练过程来完成上述处理和分析，所述另一训练过程涉及例如可以使用深度神经网络的另一机器学习算法。例如，可以在频域中进行所述处理和分析。非目标参数集可以解释为聚合参数集，因为所述非目标参数集包括指示多个参考非目标信号段的参数。
28.在确定非目标参数集后，所述非目标参数集可用于检测从通过上述方式之一获得的单通道eeg记录中获得的同一信号的第二信号段，并将检测到的第二信号段分类为非目标信号段，即指示伪影的信号段，所述伪影包括例如眼睛伪影、与肌肉活动相关的伪影、或与此类伪影的组合相关的伪影。在检测到第二信号段后，可以通过向所述第二信号段分配第二时间戳来对其进行标记。
29.根据本发明，可以通过若干不同的方式确定第一时间戳和第二时间戳的时间邻近度。
30.实现这一点的第一示例性方式涉及将获得的第一信号按照预定义长度的时间间隔划分。优选地，这些时间间隔具有预定义的相等长度。这些时间间隔可以称为仓(bin)。优选地，这些时间间隔或仓具有预定义的相等长度。可以根据特定要求(例如所需精度)选择这些时间间隔的预定义长度。这些时间间隔的合适的预定义长度范围在0.25秒和3秒之间。优选地，这些时间间隔的预定义长度为1秒。确定第一时间戳和第二时间戳的时间邻近度是基于确定第一时间戳和第二时间戳是否在同一时间间隔内。如果第一时间戳和第二时间戳位于同一时间间隔或仓内，则投票过程是需要的，并将执行投票过程以确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确。如果第一时间戳和第二时间戳位于不同的时间间隔内，即第一时间戳和第二时间戳不在同一个仓内，则不需要投票过程，并且优选地不执行投票过程。在这种情况下，将检测到的第一信号段分类为目标信号段和将检测到的第二信号段分类为非目标信号段很可能都是正确的。
31.确定第一时间戳和第二时间戳的时间邻近度的第二种方式涉及确定第一时间戳和第二时间戳之间的时间差。将所确定的时间差与预定义阈值进行比较。本领域技术人员将理解，选择预定义阈值以使得当第一时间戳和第二时间戳之间的所确定的时间差小于所述阈值时，将检测到的第一信号段分类为目标信号段和将检测到的第二信号段分类为非目标信号段不可能或根本不可能都正确。因此，当所确定的时间差小于预定义阈值时，投票过
程是需要的，以确定将检测到的第一信号段分类为目标信号段或者将检测到的第二信号段分类为非目标信号段是否正确。如果所确定的时间差等于或大于所述阈值，则将检测到的第一信号段分类为目标信号段和将检测到的第二信号段分类为非目标信号段很可能都是正确的。
32.本领域技术人员将理解，可以选择任何合适的预定义阈值，只要该预定义阈值允许确定将检测到的第一信号段分类为目标信号段和/或将检测到的第二信号段分类为非目标信号段是否正确。预定义阈值的合适值的范围在0.25秒和3秒之间。优选地，该阈值为1秒。
33.基于上述内容，显而易见，投票过程去除了其中一种分类。因此，根据本发明的方法可以减少针对该问题的假阳性检测或错误分类。
34.基于上述内容，根据本发明的数据处理方法的示例是一种用于检测从单通道eeg记录中获得的信号段并将所述信号段分类为目标信号段或非目标信号段的方法，所述方法包括：
35.·
提供从单通道eeg记录中获得的信号；
36.·
将目标参数集应用于所述信号，以检测第一信号段并将检测到的第一信号段分类为目标信号段，其中，所述目标参数集指示从参考单通道eeg记录中获得的多个参考目标信号段；
37.·
将第一时间戳分配给检测到的第一信号段；
38.·
将非目标参数集应用于所述信号，以检测第二信号段并将检测到的第二信号段分类为非目标信号段，其中，所述非目标参数集指示从参考单通道eeg记录中获得的多个参考非目标信号段；
39.·
将第二时间戳分配给检测到的第二信号段；
40.·
确定第一时间戳和第二时间戳的时间邻近度；
41.·
基于所确定的时间邻近度，确定是否需要投票过程来确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确；以及
42.·
在确定需要所述投票过程后，执行所述投票过程。
43.在根据本发明的方法的实施例中，执行所述投票过程包括：
44.·
生成包括检测到的第一信号段的第一信号样本；
45.·
将第一信号样本与多个参考目标信号段匹配，以确定最佳目标匹配；
46.·
生成包括检测到的第二信号段的第二信号样本；
47.·
将第二信号样本与多个参考非目标信号段匹配，以确定最佳非目标匹配；
48.·
将度量应用于第一信号样本、最佳目标匹配、第二信号样本和最佳非目标匹配，以确定：
[0049]-将检测到的第一信号段分类为目标信号段是否正确；或
[0050]-将检测到的第二信号段分类为非目标信号段是否正确。
[0051]
根据本发明，将第一信号样本与多个参考目标信号段匹配以确定最佳目标匹配可以涉及例如第一信号样本与多个参考目标信号段的时域曲线拟合。以类似方式，将第二信号样本与多个参考非目标信号段匹配以确定最佳非目标匹配可以涉及例如第二信号样本与多个参考非目标信号段的时域曲线拟合。
[0052]
根据本发明，时域曲线拟合可以包括将第一信号样本的信号形状与多个参考目标信号段中的参考目标信号段的信号形状进行比较，以及将第二信号样本的信号形状与多个参考非目标信号段中的参考非目标信号段的信号形状进行比较。在这种情况下，可以选择产生例如最小残差的曲线拟合来分别确定最佳目标匹配和最佳非目标匹配。然而，与曲线拟合过程相关的其他方面当然也可以被视为分别确定最佳目标匹配和最佳非目标匹配。
[0053]
本领域技术人员将理解，时域曲线拟合仅为可用于分别确定最佳目标匹配和最佳非目标匹配的可用分析方法的示例。分析方法的示例包括例如快速傅立叶变换(fft)、涉及确定相干性的线性信号分析技术、涉及确定相位同步和/或广义同步的非线性信号分析技术、模板匹配以及包括使用小波的参数化模型。
[0054]
根据本发明，可以通过若干不同的方式将度量应用于第一信号样本、最佳目标匹配、第二信号样本和最佳非目标匹配。第一种方式是在时域中建立和比较相关性。第二种方式是在小波域中建立并比较拟合优度。通过应用这些技术中的任何一种，可以确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确。
[0055]
综上所述，显而易见，投票过程可以消除两种分类中的一种，从而将最终分类确定为目标信号段或非目标信号段。因此，可以减少针对该问题的假阳性分类或错误检测。
[0056]
在根据本发明的方法的实施例中，执行所述投票过程包括：
[0057]
·
生成包括检测到的第一信号段的第一信号样本；
[0058]
·
将第一信号样本与基于多个参考目标信号段的一组参考目标信号段进行匹配，以确定最佳目标匹配；
[0059]
·
生成包括检测到的第二信号段的第二信号样本；
[0060]
·
将第二信号样本与基于多个参考非目标信号段的一组参考非目标信号段进行匹配，以确定最佳非目标匹配；
[0061]
·
将度量应用于第一信号样本、最佳目标匹配、第二信号样本和最佳非目标匹配，以确定：
[0062]-将检测到的第一信号段分类为目标信号段是否正确；或
[0063]-将检测到的第二信号段分类为非目标信号段是否正确。
[0064]
本领域技术人员将理解，上述有关本发明先前实施例的考量同样适用于本发明当前提及的实施例的、将第一信号样本和第二信号样本与基于多个参考目标信号样本的一组参考目标信号段以及基于多个参考非目标信号样本的一组参考非目标信号段进行匹配的步骤。
[0065]
此外，本领域技术人员将理解，上述有关本发明先前实施例的考量同样适用于本发明当前提及的实施例的、将度量应用于第一信号样本、最佳目标匹配、第二信号样本和最佳非目标匹配的步骤。
[0066]
此外，显而易见，通过使用基于多个参考目标信号段的一组参考目标信号段和基于多个参考非目标信号段的一组参考非目标信号段，投票过程可以消除两种分类中的一种，而不必分别使用多个参考目标信号段中的所有参考目标信号段和多个参考非目标信号段中的所有参考非目标信号段。因此，可以更快地执行投票过程。
[0067]
在根据本发明的方法的实施例中，所述方法还包括去除检测到的第一信号段的基
于投票过程确定的不正确分类或检测到的第二信号段的基于投票过程确定的不正确分类。本领域技术人员将理解，根据本发明的方法的投票过程导致所谓的优胜者，即将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是正确的。根据投票过程而被视为不正确的分类将被去除。
[0068]
在根据本发明的方法的实施例中，应用基于目标参数集和/或非目标参数集确定的预定检测边界，所述预定检测边界允许将检测到的信号段分类为目标信号段或非目标信号段。检测边界例如可以是小波系数特征空间中的边界平面，所述边界平面通过在目标信号段和非目标信号段的标记训练集上进行训练而被确定。这样，可以提供另一种区分单通道eeg记录的目标信号段和非目标信号段的方法。因此，可以减少针对该问题的假阳性检测或错误分类。
[0069]
在根据本发明的方法的示例中，基于目标参数集和/或非目标参数集来确定检测边界，所述检测边界允许将检测到的信号段分类为目标信号段或非目标信号段。
[0070]
在根据本发明的方法的实施例中，目标参数集包括使用多个参考目标信号段的小波分解确定的小波系数，非目标参数集包括使用多个参考非目标信号段的小波分解确定的小波系数。
[0071]
小波系数可以通过多个参考目标信号段中的参考目标信号段的小波分解和多个参考非目标信号段中的参考非目标信号段的小波分解来确定。一旦确定了参考目标信号段和参考非目标信号段各自的小波系数，就可以使用涉及机器学习算法的训练过程来分别识别最能代表参考目标信号段和参考非目标信号段的小波系数。例如，机器学习算法可以使用深度神经网络。本领域技术人员将理解，目标参数集优选地包括对参考目标信号段最具代表性的小波系数，并且非目标参数集优选地包括对参考非目标信号段最具代表性的小波系数。本领域技术人员将理解，由此获得的目标参数集和非目标参数集可以分别包括最能代表多个参考目标信号段的小波系数的统计平均值和最能代表多个参考非目标信号段的小波系数的统计平均值。
[0072]
在根据本发明的方法的实施例中，所述方法还包括确定优化目标参数集和/或优化非目标参数集，所述优化目标参数集包括特别地指示多个参考目标信号段的小波系数，所述优化非目标参数集包括特别地指示多个参考非目标信号段的小波系数。
[0073]
可以通过若干方式确定优化目标参数集和优化非目标参数集。实现这一点的第一种方式涉及将目标参数集的小波系数和非目标参数集的小波系数进行比较，其中，从目标参数集和/或从非目标参数集中去除在目标参数集和非目标参数集中均出现的小波系数。这样，可以减少目标参数集和非目标参数集之间的重叠。
[0074]
确定优化目标参数集和优化非目标参数集的第二种方式涉及使用如下系统(例如分类器单元)的结果灵敏度和特异性，也即所述系统适于将检测到的第一信号段分类为目标信号段并将检测到的第二信号段分类为非目标信号段。
[0075]
得益于上述第一种方式和第二种方式中的任何一种方式，由此优化的目标参数集和非目标参数集能够更好地区分单通道eeg记录的目标信号段和非目标信号段。因此，可以减少针对该问题的假阳性检测或错误分类。
[0076]
在根据本发明的方法的实施例中，基于优化目标参数集和/或优化非目标参数集，可以确定检测边界，所述检测边界允许将检测到的信号段改进分类为目标信号段或非目标
信号段。这样，可以更好地区分单通道eeg记录的目标信号段和非目标信号段。因此，可以减少针对该问题的假阳性检测或错误分类。
[0077]
根据本发明的另一方面，提供了一种设备，所述设备被配置和设置为与如下系统一起使用，也即所述系统被配置和设置为检测从单通道eeg记录中获得的信号段并将所述信号段分类为目标信号段或非目标信号段，具有数据库的所述设备包括以下至少一项：
[0078]
·
从参考单通道eeg记录中获得的多个参考目标信号段；
[0079]
·
基于所述多个参考目标信号段的一组参考目标信号段；
[0080]
·
从参考单通道eeg记录中获得的多个参考非目标信号段；
[0081]
·
基于所述多个参考非目标信号段的一组参考非目标信号段；
[0082]
·
指示所述多个参考目标信号段的目标参数集，以及
[0083]
·
指示多个参考非目标信号段的非目标参数集。
[0084]
所述设备可以被解释为包括专用参数集的检测器，所述专用参数集即为指示多个参考目标信号段的目标参数集以及指示多个参考非目标信号段的非目标参数集，其中，专用参数集可以通过上述各个训练过程获得，这些训练过程可能涉及各个机器学习算法，这些机器学习算法可能使用各自的深度神经网络。
[0085]
根据本发明的设备能够更好地区分从单通道eeg记录中获得的信号的目标信号段和非目标信号段。因此，可以减少如上讨论的针对该问题的假阳性检测或错误分类。
[0086]
根据本发明的另一方面，提供了一种系统，所述系统被配置和设置为检测从单通道eeg记录中获得的信号段并将所述信号段分类为目标信号段或非目标信号段，所述系统包括处理器，所述处理器被配置和设置为在可操作地连接到根据本发明的设备时对所述信号执行根据本发明的方法。
[0087]
这样，当所述系统和设备可操作地连接时，所述系统和设备可用于更好地区分从单通道eeg记录中获得的信号的目标信号段和非目标信号段。因此，可以减少如上讨论的针对上述问题的假阳性检测或错误分类。本领域技术人员将理解，所述设备和系统可以作为单独的单元来实施。然而，所述设备和系统也可作为集成单元来实施。
[0088]
根据本发明的另一方面，提供了一种系统，所述系统被配置和设置为检测从单通道eeg记录中获得的信号段并将所述信号段分类为目标信号段或非目标信号段，所述系统包括处理器，所述处理器被配置和设置为在可操作地连接到根据本发明的设备时对所述信号执行以下过程步骤：
[0089]
·
提供从单通道eeg记录中获得的信号；
[0090]
·
将目标参数集应用于所述信号，以检测所述信号的第一信号段并将检测到的第一信号段分类为目标信号段，其中，所述目标参数集指示从参考单通道eeg记录中获得的多个参考目标信号段，所述目标参数集包括使用所述多个参考目标信号段的小波分解确定的小波系数；
[0091]
·
将第一时间戳分配给检测到的第一信号段；
[0092]
·
将非目标参数集应用于所述信号，以检测所述信号的第二信号段并将检测到的第二信号段分类为非目标信号段，其中，所述非目标参数集指示从参考单通道eeg记录中获得的多个参考非目标信号段，所述非目标参数集包括使用所述多个参考非目标信号段的小波分解确定的小波系数；
[0093]
·
将第二时间戳分配给检测到的第二信号段；
[0094]
·
确定第一时间戳和第二时间戳的时间邻近度；
[0095]
·
基于所确定的时间邻近度，确定是否需要投票过程来确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确；以及
[0096]
·
在确定需要所述投票过程后，执行所述投票过程。
[0097]
这样，可以更好地区分从单通道eeg记录中获得的信号的目标信号段和非目标信号段，因此，可以减少针对该问题的假阳性检测或错误分类。
[0098]
所述多个参考目标信号段和所述多个参考非目标信号段可从由单通道eeg记录中获得的信号中获得。本领域技术人员将理解，可以通过各种已知方式获得单通道eeg记录，所述方式包括例如使用差分电极对、使用单个电极与参考(ref)电极或接地(gnd)电极相结合、或使用差分电极对与ref电极或gnd电极相结合。根据后一示例性电极配置，根据ref电极例如位于患者的耳朵上的扩展的10-20eeg系统，可将差分电极对的各个电极布置在特定的中线额部，例如fz，中线顶点，例如cz，中线顶骨，例如pz，左内侧颞部，例如t3，右内侧颞部，例如t4，患者头皮上的位置。用于获得所述多个参考目标信号段和所述多个参考非目标信号段的单通道eeg记录可以具有例如15分钟的预定义持续时间。然而，本领域技术人员将理解，只要获取的单通道eeg记录能够获得合适的参考目标信号段和参考非目标信号段，就可以使用任何合适的预定义持续时间。
[0099]
所述多个参考目标信号段中的参考目标信号段可以互不相同。所述多个非目标信号段中的参考非目标信号段也可以互不相同。所述多个参考目标信号段例如可以包括不止1000个参考目标信号段。对于多个非目标信号段而言也是如此。
[0100]
可以通过处理和分析所述多个参考目标信号段中的参考目标信号段来确定指示所述多个参考目标信号段的目标参数集。可以使用训练过程完成上述处理和分析，所述训练过程涉及例如可以使用深度神经网络的机器学习算法。例如，可以在频域中进行所述处理和分析。目标参数集可以被解释为聚合参数集，因为所述目标参数集包括指示多个参考目标信号段的参数。所述目标参数集包括使用多个参考目标信号段的小波分解确定的小波系数。
[0101]
在确定目标参数集后，所述目标参数集可用于检测以上述方式之一获取的单通道eeg记录的第一信号段，并将检测到的第一信号段分类为目标信号段，即指示患者精神错乱或患有相关脑病的信号段。在检测到第一信号段后，可以通过向所述第一信号段分配第一时间戳来对其进行标记。
[0102]
类似地，可以通过处理和分析多个参考非目标信号段中的参考非目标信号段来确定指示多个参考非目标信号段的非目标参数集。可以使用另一训练过程来完成上述处理和分析，所述另一训练过程涉及例如可以使用深度神经网络的另一机器学习算法。例如，可以在频域中进行所述处理和分析。非目标参数集可以解释为聚合参数集，因为所述非目标参数集包括指示多个参考非目标信号段的参数。所述非目标参数集包括使用多个参考非目标信号段的小波分解确定的小波系数。
[0103]
小波系数可以通过多个参考目标信号段中的参考目标信号段的小波分解和多个参考非目标信号段中的参考非目标信号段的小波分解来确定。在确定参考目标信号段和参考非目标信号段各自的小波系数后，可以使用涉及机器学习算法的训练过程来分别识别最
能代表参考目标信号段和参考非目标信号段的小波系数。例如，机器学习算法可以使用深度神经网络。本领域技术人员将理解，目标参数集优选地包括对参考目标信号段最具代表性的小波系数，并且非目标参数集优选地包括对参考非目标信号段最具代表性的小波系数。本领域技术人员将理解，由此获得的目标参数集和非目标参数集可以分别包括最能代表多个参考目标信号段的小波系数的统计平均值和最能代表多个参考非目标信号段的小波系数的统计平均值。
[0104]
在确定非目标参数集后，所述非目标参数集可用于检测从通过上述方式之一获得的单通道eeg记录中获得的同一信号的第二信号段，并将检测到的第二信号段分类为非目标信号段，即指示伪影的信号段，所述伪影包括例如眼睛伪影、与肌肉活动相关的伪影、或与此类伪影的组合相关的伪影。在检测到第二信号段后，可以通过向所述第二信号段分配第二时间戳来对其进行标记。
[0105]
根据本发明，可以通过若干不同的方式确定第一时间戳和第二时间戳的时间邻近度。
[0106]
实现这一点的第一示例性方式涉及将获得的第一信号按照预定义长度的时间间隔划分。优选地，这些时间间隔具有预定义的相等长度。这些时间间隔可以称为仓。优选地，这些时间间隔或仓具有预定义的相等长度。可以根据特定要求(例如所需精度)选这些择时间间隔的预定义长度。这些时间间隔的合适的预定义长度范围在0.25秒和3秒之间。优选地，这些时间间隔的预定义长度为1秒。确定第一时间戳和第二时间戳的时间邻近度是基于确定第一时间戳和第二时间戳是否在同一时间间隔内。如果第一时间戳和第二时间戳位于同一时间间隔或仓内，则投票过程是需要的，并将执行投票过程以确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确。如果第一时间戳和第二时间戳位于不同的时间间隔内，即第一时间戳和第二时间戳不在同一个仓内，则不需要投票过程，并且优选地不执行投票过程。在这种情况下，将检测到的第一信号段分类为目标信号段和将检测到的第二信号段分类为非目标信号段很可能都是正确的。
[0107]
确定第一时间戳和第二时间戳的时间邻近度的第二种方式涉及确定第一时间戳和第二时间戳之间的时间差。将所确定的时间差与预定义阈值进行比较。本领域技术人员将理解，选择预定义阈值以使得当第一时间戳和第二时间戳之间的所确定的时间差小于所述阈值时，将检测到的第一信号段分类为目标信号段和将检测到的第二信号段分类为非目标信号段不可能或根本不可能都正确。因此，当所确定的时间差小于预定义阈值时，投票过程是需要的，以确定将检测到的第一信号段分类为目标信号段或者将检测到的第二信号段分类为非目标信号段是否正确。如果所确定的时间差等于或大于所述阈值，则将检测到的第一信号段分类为目标信号段和将检测到的第二信号段分类为非目标信号段很可能都是正确的。
[0108]
本领域技术人员将理解，可以选择任何合适的预定义阈值，只要该预定义阈值允许确定将检测到的第一信号段分类为目标信号段和/或将检测到的第二信号段分类为非目标信号段是否正确。预定义阈值的合适值的范围在0.25秒和3秒之间。优选地，该阈值为1秒。
[0109]
基于上述内容，显而易见，投票过程去除了其中一种分类。因此，根据本发明的系统可以减少针对该问题的假阳性检测或错误分类。
[0110]
在根据本发明的系统的示例中，提供了一种系统，所述系统被配置和设置为检测从单通道eeg记录中获得的信号段并将所述信号段分类为目标信号段或非目标信号段，所述系统包括处理器，所述处理器被配置和设置为在可操作地连接到根据本发明的设备时对所述信号执行根据本发明的方法。
[0111]
在根据本发明的系统的实施例中，所述处理器被配置和设置为执行所述投票过程，包括以下过程步骤：
[0112]
·
生成包括检测到的第一信号段的第一信号样本；
[0113]
·
将第一信号样本与多个参考目标信号段匹配，以确定最佳目标匹配；
[0114]
·
生成包括检测到的第二信号段的第二信号样本；
[0115]
·
将第二信号样本与多个参考非目标信号段匹配，以确定最佳非目标匹配；
[0116]
·
将度量应用于第一信号样本、最佳目标匹配、第二信号样本和最佳非目标匹配，以确定：
[0117]-将检测到的第一信号段分类为目标信号段是否正确；或
[0118]-将检测到的第二信号段分类为非目标信号段是否正确。
[0119]
根据本发明，将第一信号样本与多个参考目标信号段匹配以确定最佳目标匹配可以涉及例如第一信号样本与多个参考目标信号段的时域曲线拟合。以类似方式，将第二信号样本与多个参考非目标信号段匹配以确定最佳非目标匹配可以涉及例如第二信号样本与多个参考非目标信号段的时域曲线拟合。
[0120]
根据本发明，时域曲线拟合可以包括将第一信号样本的信号形状与多个参考目标信号段中的参考目标信号段的信号形状进行比较，以及将第二信号样本的信号形状与多个参考非目标信号段中的参考非目标信号段的信号形状进行比较。在这种情况下，可以选择产生例如最小残差的曲线拟合来分别确定最佳目标匹配和最佳非目标匹配。然而，与曲线拟合过程相关的其他方面当然也可以被视为分别确定最佳目标匹配和最佳非目标匹配。
[0121]
本领域技术人员将理解，时域曲线拟合仅为可用于分别确定最佳目标匹配和最佳非目标匹配的可用分析方法的示例。分析方法的示例包括例如快速傅立叶变换(fft)、涉及确定相干性的线性信号分析技术、涉及确定相位同步和/或广义同步的非线性信号分析技术、模板匹配以及包括使用小波的参数化模型。
[0122]
根据本发明，可以通过若干不同的方式将度量应用于第一信号样本、最佳目标匹配、第二信号样本和最佳非目标匹配。第一种方式是在时域中建立和比较相关性。第二种方式是在小波域中建立并比较拟合优度。通过应用这些技术中的任何一种，可以确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确。
[0123]
综上所述，显而易见，所述投票过程可以消除两种分类中的一种，从而将最终分类确定为目标信号段或非目标信号段。因此，可以减少针对该问题的假阳性分类或错误检测。
[0124]
在根据本发明的系统的实施例中，所述处理器被配置和设置为执行所述投票过程，包括以下过程步骤：
[0125]
·
生成包括检测到的第一信号段的第一信号样本；
[0126]
·
将第一信号样本与基于多个参考目标信号段的一组参考目标信号段进行匹配，以确定最佳目标匹配；
[0127]
·
生成包括检测到的第二信号段的第二信号样本；
[0128]
·
将第二信号样本与基于多个参考非目标信号段的一组参考非目标信号段进行匹配，以确定最佳非目标匹配；
[0129]
·
将度量应用于第一信号样本、最佳目标匹配、第二信号样本和最佳非目标匹配，以确定：
[0130]-将检测到的第一信号段分类为目标信号段是否正确；或
[0131]-将检测到的第二信号段分类为非目标信号段是否正确。
[0132]
本领域技术人员将理解，上述有关本发明先前实施例的考量同样适用于本发明当前提及的实施例的、将第一信号样本和第二信号样本与基于多个参考目标信号样本的一组参考目标信号段以及基于多个参考非目标信号样本的一组参考非目标信号段进行匹配的步骤。
[0133]
此外，本领域技术人员将理解，上述有关本发明先前实施例的考量同样适用于本发明当前提及的实施例的、将度量应用于第一信号样本、最佳目标匹配、第二信号样本和最佳非目标匹配的步骤。
[0134]
此外，显而易见，通过使用基于多个参考目标信号段的一组参考目标信号段和基于多个参考非目标信号段的一组参考非目标信号段，投票过程可以消除两种分类中的一种，而不必分别使用多个参考目标信号段中的所有参考目标信号段和多个参考非目标信号段中的所有参考非目标信号段。因此，可以更快地执行投票过程。
[0135]
在根据本发明的系统的实施例中，所述处理器被配置和设置为去除检测到的第一信号段的基于投票过程确定的不正确分类或检测到的第二信号段的基于投票过程确定的不正确分类。本领域技术人员将理解，投票过程导致所谓的优胜者，即将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是正确的。根据投票过程而被视为不正确的分类将被去除。
[0136]
在根据本发明的系统的实施例中，所述处理器被配置和设置为应用基于目标参数集和/或非目标参数集确定的预定检测边界，所述检测边界允许将检测到的信号段分类为目标信号段或非目标信号段。所述检测边界例如可以是小波系数特征空间中的边界平面，所述边界平面通过在目标信号段和非目标信号段的标记训练集上进行训练而被确定。这样，可以提供另一种区分单通道eeg记录的目标信号段和非目标信号段的方法。因此，可以减少针对该问题的假阳性检测或错误分类。
[0137]
在根据本发明的系统的实施例中，所述处理器被配置和设置为确定优化目标参数集和/或优化非目标参数集，所述优化目标参数集包括特别地指示多个参考目标信号段的小波系数，所述优化非目标参数集包括特别地指示多个参考非目标信号段的小波系数。可以通过若干方式确定优化目标参数集和优化非目标参数集。实现这一点的第一种方式涉及对目标参数集的小波系数和非目标参数集的小波系数进行比较，其中，从目标参数集和/或从非目标参数集中去除在目标参数集和非目标参数集中均出现的小波系数。这样，可以减少目标参数集和非目标参数集之间的重叠。
[0138]
确定优化目标参数集和优化非目标参数集的第二种方式涉及使用如下系统(例如分类器单元)的结果灵敏度和特异性，也即所述系统适于将检测到的第一信号段分类为目标信号段并将检测到的第二信号段分类为非目标信号段。
[0139]
得益于上述第一种方式和第二种方式中的任何一种方式，由此优化的目标参数集和非目标参数集能够更好地区分单通道eeg记录的目标信号段和非目标信号段。因此，可以减少针对该问题的假阳性检测或错误分类。
[0140]
在根据本发明的系统的实施例中，所述处理器被配置和设置为应用基于优化目标参数集和/或优化非目标参数集确定的预定检测边界，所述检测边界允许将检测到的信号段改进分类为目标信号段或非目标信号段。这样，可以更好地区分单通道eeg记录的目标信号段和非目标信号段。因此，可以减少针对该问题的假阳性检测或错误分类。
[0141]
在根据本发明的系统的实施例中，所述系统还包括数据存储单元，所述数据存储单元可操作地连接到所述处理器，其中所述数据存储单元被配置和设置为存储以下中的至少一者：单通道eeg记录、从单通道eeg记录中获得的信号、以及根据处理器执行的方法而将所述信号的检测到的信号段归为目标信号段或非目标信号段的分类。
[0142]
在根据本发明的系统的实施例中，所述系统被配置和设置为可与两个电极连接，所述两个电极可设置在受试者的头皮上并被配置为记录单通道eeg记录并将单通道eeg记录传输到数据存储单元。本领域技术人员将理解，与两个以上电极(例如三个或四个电极或任何其他合适数目的电极)相连以记录单通道eeg记录的系统也落入本发明的范围内，因为这种系统也与根据本发明的系统的这个示例性实施例所限定的两个电极相连。
附图说明
[0143]
通过根据本发明的方法以及用于执行根据本发明方法的设备和系统的示例性和非限制性实施例，本发明的更多特征和优点将从本发明的描述中变得显而易见。
[0144]
本领域技术人员将理解，所描述的根据本发明的方法的实施例以及用于执行根据本发明的方法的设备和系统在性质上仅为示例性的，不应被解释为以任何方式限制保护范围。本领域技术人员将认识到，在不脱离本发明的保护范围的情况下，可以构思并简化根据本发明的方法以及用于执行根据本发明的方法的设备和系统的替代方案和等效实施例。
[0145]
参考所附附图中的图。这些图本质上是示意图，因此不一定按比例绘制。此外，相同的附图标记表示相同或相似的部件。在所附的附图页上：
[0146]
图1示出了如何使用根据本发明的方法将从单通道eeg记录中获得的测试信号的目标信号段分类为目标信号段或非目标信号段。对于确定分配给测试信号的检测到的第一信号段的第一时间戳t1与分配给测试信号的检测到的第二信号段的第二时间戳t2之间的时间邻近度的步骤，提供了两种示例性方式；以及
[0147]
图2示出了根据本发明的设备和系统的示例性且非限制性实施例的示意图。
具体实施方式
[0148]
图1示出了如何使用根据本发明的方法将从单通道eeg记录中获得的测试信号1的目标信号段分类为目标信号段或非目标信号段。图1中示意性表示的测试信号1可以从单通道eeg记录中获得。检测到的测试信号1可以呈现给根据本发明的设备2和系统3。图2示出了根据本发明的设备2和系统3的示例性且非限制性实施例的示意图。
[0149]
在根据本发明的方法的第一步骤20中，图1中示出的测试信号1可以从单通道eeg记录中获得。可以通过各种已知方式获得单通道eeg记录，包括例如使用差分电极对、使用
单个电极与参考(ref)电极或接地(gnd)电极相结合、或使用差分电极对与ref电极或gnd电极相结合。根据后一示例性电极配置，根据ref电极例如位于患者的耳朵上的扩展的10-20eeg系统，差分电极对的各个电极可以布置在特定的中线额部，例如fz，中线顶点，例如cz，中线顶骨，例如pz，左内侧颞部，例如t3，右内侧颞部，例如t4，患者头皮上的位置。
[0150]
本领域技术人员将理解，以同样的方式，单通道eeg记录可用于获得多个参考目标信号段和多个参考非目标信号段。
[0151]
应注意，在本发明的上下文中，单通道eeg记录的目标信号段应解释为指示患者精神错乱或患有相关脑病的信号段，然而，单通道eeg记录的非目标信号段应解释为指示伪影的信号段，例如眼睛伪影、与肌肉活动相关的伪影或与此类伪影的组合相关的伪影。
[0152]
多个参考目标信号样本中的参考目标信号样本和多个参考非目标信号样本中的参考非目标信号样本可以具有例如15分钟的预定义持续时间。然而，只要获取的单通道eeg记录能够获得合适的参考目标信号段和参考非目标信号段，就可以使用任何合适的预定义持续时间。
[0153]
所述多个参考目标信号段中的参考目标信号段可以互不相同。所述多个非目标信号段中的参考非目标信号段也可以互不相同。所述多个参考目标信号段例如可以包括不止1000个参考目标信号段。对于多个非目标信号段而言也是如此。
[0154]
根据本发明的方法，将指示多个参考目标信号段的目标参数集应用于测试信号1，以检测第一信号段并将检测到的第一信号段分类为目标信号段。在本示例中，目标参数集包括最能代表参考目标信号段的小波系数。已使用可涉及机器学习算法的训练过程、基于多个参考目标信号样本来确定小波系数。机器学习算法可以使用例如神经网络或深度神经网络。
[0155]
一旦检测到第一信号段，就可以向所述第一信号段分配第一时间戳t1。
[0156]
接下来，将指示多个参考非目标信号段的非目标参数集应用于同一测试信号1，以检测第二信号段并将检测到的第二信号段分类为非目标信号段。在本示例中，非目标参数集包括最能代表参考非目标信号段的小波系数。基于多个参考非目标信号样本，使用另一训练过程来确定这些小波系数，所述另一训练过程可涉及另一机器学习算法，所述另一机器学习算法例如可以使用神经网络或深度神经网络。
[0157]
一旦检测到第二信号段，就可以向所述第二信号段分配第二时间戳t2。
[0158]
在根据本发明的方法的示例性实施例中，可以对目标参数集的小波系数和非目标参数集的小波系数进行比较，以通过从目标参数集和非目标参数集中的任何一者中去除在两者中均出现的小波系数来优化目标和非目标参数集。这样，可以减少目标参数集和非目标参数集之间的重叠。因此，可以获得优化目标参数集和优化非目标参数集，所述优化目标参数集包括特别地指示多个参考目标信号段的小波系数，所述优化非目标参数集包括特别地指示多个参考非目标信号段的小波系数。因此，优化目标参数集和优化非目标参数集能够更好地区分单通道eeg记录的目标信号段和非目标信号段。因此，可以减少针对该问题的假阳性检测或错误分类。
[0159]
在根据本发明的方法的下一个步骤中，确定第一时间戳t1和第二时间戳t2的时间邻近度。本领域技术人员将理解，可以通过若干不同的方式确定第一时间戳t1和第二时间戳t2的时间邻近度。图1中示出了确定时间邻近度的两种示例性方式。
[0160]
在图1的步骤21中解释的用于实现这一点的第一示例性方式涉及将获得的测试信号1按照预定义长度的时间间隔划分。这些时间间隔可以称为仓。优选地，这些时间间隔或仓具有预定义的相等长度。可以根据特定要求(例如所需精度)选择这些时间间隔的预定义长度。这些时间间隔的合适的预定义长度范围在0.25秒和3秒之间。优选地，这些时间间隔的预定义长度为1秒。确定第一时间戳t1和第二时间戳t2的时间邻近度是基于确定第一时间戳t1和第二时间戳t2是否落入同一时间间隔内。这在图1的步骤22中示出。如果第一时间戳t1和第二时间戳t2落入同一时间间隔或仓内，则图1的步骤23中示出的投票过程是需要的，并将执行投票过程，以确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确。如果第一时间戳t1和第二时间戳t2落入不同的时间间隔内，即第一时间戳t1和第二时间戳t2不在同一个仓内，则不需要投票过程，并且优选地不执行投票过程。在这种情况下，将检测到的第一信号段分类为目标信号段和将检测到的第二信号段分类为非目标信号段很可能都是正确的。这在图1的步骤24中示出。
[0161]
在图1的步骤25中解释的用于确定第一时间戳t1和第二时间戳t2的时间邻近度的第二种方式涉及确定第一时间戳t1和第二时间戳t2之间的时间差δt,deter。将所确定的时间差δt,deter与预定义阈值δt,threshold进行比较。本领域技术人员将理解，阈值δt,threshold的选择使得当所确定的时间差δt,deter小于阈值δt,threshold时，将检测到的第一信号段的分类指定为目标信号段以及将检测到的第二信号段的分类指定为非目标信号段不可能或根本不可能同时正确。因此，如图1的步骤26所示，当所确定的时差δt,deter小于阈值δt,threshold时，则执行图1的步骤23中所示的投票过程，以确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确。
[0162]
然而，如果所确定的时间差δt,deter等于或大于阈值δt,threshold，则将检测到的第一信号段分类为目标信号段以及将检测到的第二信号段分类为非目标信号段很可能都是正确的。这在图1的步骤24中示出。
[0163]
本领域技术人员将理解，可以选择任何合适的预定义阈值δt,threshold，只要该预定义阈值δt,threshold允许确定将检测到的第一信号段分类为目标信号段和/或将检测到的第二信号段分类为非目标信号段是否正确。预定义阈值的合适值的范围在0.25秒和3秒之间。优选地，所述阈值为1秒。基于上述内容，显而易见，投票过程去除了其中一种分类。因此，根据本发明的方法可以减少针对该问题的假阳性检测或错误分类。
[0164]
根据本发明的方法的投票过程包括步骤23a：生成包括检测到的第一信号段的第一信号样本10，其中，所述第一信号段被分配第一时间戳t1。
[0165]
在投票过程的下一个步骤23b中，将所生成的第一信号样本10与多个参考目标信号段相匹配，以确定最佳目标匹配。
[0166]
类似地，投票过程的另一个步骤23c为生成包括检测到的第二信号段的第二信号样本12，其中，所述第二信号段被分配第二时间戳t2。然后，在投票过程的下一个步骤23d中，将第二信号样本12与多个参考非目标信号段相匹配，以确定最佳非目标匹配。
[0167]
根据本发明，将第一信号样本10与多个参考目标信号段匹配以确定最佳目标匹配可以涉及例如第一信号样本10与多个参考目标信号段的时域曲线拟合。以类似方式，将第二信号样本12与多个参考非目标信号段匹配以确定最佳非目标匹配可以涉及例如第二信号样本12与多个参考非目标信号段的时域曲线拟合。时域曲线拟合可以包括将第一信号样
本10的信号形状与多个参考目标信号段中的参考目标信号段的信号形状进行比较，以及将第二信号样本12的信号形状与多个参考非目标信号段中的参考非目标信号段的信号形状进行比较。在这种情况下，可以选择产生例如最小残差的曲线拟合来分别确定最佳目标匹配和最佳非目标匹配。然而，与曲线拟合过程相关的其他方面当然也可以被视为分别确定最佳目标匹配和最佳非目标匹配。
[0168]
本领域技术人员将理解，时域曲线拟合仅为可用于分别确定最佳目标匹配和最佳非目标匹配的可用分析方法的示例。分析方法的示例包括例如快速傅立叶变换(fft)、涉及确定相干性的线性信号分析技术、涉及确定相位同步和/或广义同步的非线性信号分析技术、模板匹配以及包括使用小波的参数化模型。
[0169]
在投票过程的下一个步骤23e中，将度量应用于第一信号样本10、最佳目标匹配、第二信号样本12和最佳非目标匹配，以确定将检测到的第一信号段分类为目标信号段是否正确，或者将检测到的第二信号段分类为非目标信号段是否正确。
[0170]
根据本发明，可以通过若干不同的方式将度量应用于第一信号样本10、最佳目标匹配、第二信号样本12和最佳非目标匹配。第一种方式是在时域中建立和比较相关性。第二种方式是在小波域中建立并比较拟合优度。通过应用这些技术中的任何一种，可以确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确。
[0171]
综上所述，显而易见，根据本发明的方法的投票过程将导致所谓的优胜者，即投票过程可以消除两种分类中的一种，从而将最终分类确定为目标信号段或非目标信号段。因此，可以减少针对该问题的假阳性分类或错误检测。失败者被去除。这在图1的步骤23f中示出。
[0172]
图2示出了根据本发明的设备2和系统3的示例性且非限制性实施例的示意图。设备2可以被解释为检测器，所述检测器被配置和设置为与系统3一起使用，所述系统3被配置和设置为检测从单通道eeg记录中获得的信号段并将所述信号段分类为目标信号段或非目标信号段。设备2具有数据库4，所述数据库4包括以下中的至少一者：从由参考单通道eeg记录中获得的信号中获得的多个参考目标信号段、基于多个参考目标信号段的一组参考目标信号段、从由参考单通道eeg记录中获得的信号中获得的多个参考非目标信号段、基于多个参考非目标信号段的一组参考非目标信号段、指示多个参考目标信号段的目标参数集以及指示多个参考非目标信号段的非目标参数集。如上所述，目标参数集和非目标参数集可以通过各自的训练过程获得，这些训练过程可能涉及可能使用各自的深度神经网络的各自的机器学习算法。
[0173]
根据本发明的设备2能更好地区分从单通道eeg记录中获得的信号的目标信号段和非目标信号段。因此，可以减少如上讨论的针对上述问题的假阳性检测或错误分类。
[0174]
根据本发明的系统3被配置和设置为根据本发明的方法，来检测从单通道eeg记录中获得的信号段并将所述信号段分类为目标信号段或非目标信号段。所述系统3包括处理器5，所述处理器5被配置和设置为在可操作地连接到根据本发明的设备2时对所述信号执行根据本发明的方法。
[0175]
这样，当所述系统3和所述设备2可操作地连接时，所述系统3和所述设备2可更好地区分从单通道eeg记录中获得的信号的目标信号段和非目标信号段。因此，可以减少如上
讨论的针对上述问题的假阳性检测或错误分类。本领域技术人员将理解，所述设备2和系统3可以作为单独的单元来实施，如图2中示意性示出的。然而，所述设备2和系统3也可作为集成单元(未示出)来实施。
[0176]
图2中示出的系统3进一步包括可操作地连接到所述处理器5的数据存储单元6。所述数据存储单元6被配置和设置为存储以下中的至少一者：单通道eeg记录、从单通道eeg记录中获得的信号、以及根据处理器5执行的方法而将所述信号的检测到的信号段归为目标信号段或非目标信号段的分类。
[0177]
在图2所示的系统3的示例性且非限制性实施例中，所述系统3与两个电极7连接，所述两个电极7可设置在受试者的头皮上并用于记录单通道eeg记录并将单通道eeg记录传输到数据存储单元6。所述系统3被进一步配置为包括应用软件8和显示单元9(例如屏幕)。
[0178]
本发明可概括为涉及一种用于检测从eeg记录中获得的信号1的分段并将信号段分类为目标信号段或非目标信号段的方法。所述方法包括投票过程，以确定将信号的第一检测到的分段分类为目标信号段或将信号的第二检测到的分段分类为非目标信号段是否正确。本发明还涉及设备2和系统3，被配置和设置为执行根据本发明的方法。
[0179]
本领域技术人员将清楚，本发明的范围不限于上文中讨论的示例，而是可以在不脱离所附权利要求所限定的本发明范围的情况下对其进行若干修正和修改。特别是，本发明各个方面的特定特征可以进行组合。通过添加关于本发明另一方面而描述的特征，可以进一步有利地增强本发明的一个方面。虽然本发明已在附图和说明书中详细说明和描述，但此类说明和描述仅被视为说明性或示例性的，而非限制性的。
[0180]
本发明不限于所公开的实施例。本领域技术人员在实施本发明时，通过对附图、说明书和所附权利要求的研究，可以理解并实现对所公开实施例的修改。在权利要求中，措辞“包含”不排除其他步骤或元素，不定冠词“一个”不排除复数。在互不相同的从属权利要求中叙述了某些措施的事实并不表明这些措施的组合不能用于突出优点。权利要求中的任何附图标记不应被解释为限制本发明的范围。
技术特征：1.一种数据处理方法，用于检测从单通道eeg记录中获得的信号(1)的信号段并将所述信号段分类为目标信号段或非目标信号段，所述方法包括：
·
提供从单通道eeg记录中获得的信号(1)；
·
将目标参数集应用于所述信号(1)，以检测所述信号(1)的第一信号段并将检测到的第一信号段分类为目标信号段，其中，所述目标参数集指示从参考单通道eeg记录中获得的多个参考目标信号段，所述目标参数集包括使用所述多个参考目标信号段的小波分解确定的小波系数；
·
将第一时间戳(t1)分配给检测到的第一信号段；
·
将非目标参数集应用于所述信号(1)，以检测所述信号(1)的第二信号段并将检测到的第二信号段分类为非目标信号段，其中，所述非目标参数集指示从所述参考单通道eeg记录中获得的多个参考非目标信号段，所述非目标参数集包括使用所述多个参考非目标信号段的小波分解确定的小波系数；
·
将第二时间戳(t2)分配给检测到的第二信号段；
·
确定所述第一时间戳(t1)和所述第二时间戳(t2)的时间邻近度；
·
基于所确定的时间邻近度，确定是否需要投票过程来确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确；以及
·
在确定需要所述投票过程后，执行所述投票过程。2.根据权利要求1所述的数据处理方法，其中，执行所述投票过程包括：
·
生成包括检测到的第一信号段的第一信号样本(10)；
·
将所述第一信号样本(10)与所述多个参考目标信号段进行匹配，以确定最佳目标匹配；
·
生成包括检测到的第二信号段的第二信号样本(12)；
·
将所述第二信号样本与所述多个参考非目标信号段进行匹配，以确定最佳非目标匹配；
·
将度量应用于所述第一信号样本(10)、所述最佳目标匹配、所述第二信号样本(12)和所述最佳非目标匹配，以确定：-将检测到的第一信号段分类为目标信号段是否正确；或-将检测到的第二信号段分类为非目标信号段是否正确。3.根据权利要求1所述的数据处理方法，其中，执行所述投票过程包括：
·
生成包括检测到的第一信号段的第一信号样本(10)；
·
将所述第一信号样本(10)与基于所述多个参考目标信号段的一组参考目标信号段进行匹配，以确定最佳目标匹配；
·
生成包括检测到的第二信号段的第二信号样本(12)；
·
将所述第二信号样本(12)与基于所述多个参考非目标信号段的一组参考非目标信号段进行匹配，以确定最佳非目标匹配；
·
将度量应用于所述第一信号样本(10)、所述最佳目标匹配、所述第二信号样本(12)和所述最佳非目标匹配，以确定：-将检测到的第一信号段分类为目标信号段是否正确；或-将检测到的第二信号段分类为非目标信号段是否正确。
4.根据前述权利要求中任一项所述的数据处理方法，还包括去除基于所述投票过程确定的、检测到的第一信号段的不正确分类或检测到的第二信号段的不正确分类。5.根据前述权利要求中任一项所述的数据处理方法，其中，应用基于所述目标参数集和/或所述非目标参数集确定的预定检测边界，所述预定检测边界允许将检测到的信号段分类为所述目标信号段或所述非目标信号段。6.根据前述权利要求中任一项所述的数据处理方法，还包括确定优化目标参数集和/或优化非目标参数集，所述优化目标参数集包括特别指示所述多个参考目标信号段的小波系数，且所述优化非目标参数集包括特别指示所述多个参考非目标信号段的小波系数。7.根据权利要求6所述的数据处理方法，其中，基于所述优化目标参数集和/或所述优化非目标参数集，确定检测边界，所述检测边界允许将检测到的信号段改进分类为所述目标信号段或所述非目标信号段。8.一种检测器(2)，所述检测器(2)被配置和设置为与系统(3)协作，所述系统(3)被配置和设置为执行根据权利要求1-7中任一项所述的数据处理方法以检测从单通道eeg记录中获得的信号(1)的信号段并将所述信号段分类为目标信号段或非目标信号段，所述检测器(2)具有数据库(4)，所述数据库(4)包括以下至少一项：
·
从参考单通道eeg记录中获得的多个参考目标信号段；
·
基于所述多个参考目标信号段的一组参考目标信号段；
·
从参考单通道eeg记录中获得的多个参考非目标信号段；
·
基于所述多个参考非目标信号段的一组参考非目标信号段；
·
指示所述多个参考目标信号段的目标参数集，其中所述目标参数集包括使用所述多个参考目标信号段的小波分解确定的小波系数；以及
·
指示多个参考非目标信号段的非目标参数集，其中所述非目标参数集包括使用所述多个参考非目标信号段的小波分解确定的小波系数。9.一种系统(3)，所述系统(3)被配置和设置为检测从单通道eeg记录中获得的信号(1)的信号段并将所述信号段分类为目标信号段或非目标信号段，所述系统(3)包括处理器(5)，所述处理器(5)被配置和设置为在可操作地连接到根据权利要求8所述的设备(2)时对所述信号(1)执行以下过程步骤：
·
提供从单通道eeg记录中获得的信号(1)；
·
将目标参数集应用于所述信号(1)，以检测所述信号(1)的第一信号段并将检测到的第一信号段分类为目标信号段，其中，所述目标参数集指示从参考单通道eeg记录中获得的多个参考目标信号段，所述目标参数集包括使用所述多个参考目标信号段的小波分解确定的小波系数；
·
将第一时间戳(t1)分配给检测到的第一信号段；
·
将非目标参数集应用于所述信号(1)，以检测所述信号(1)的第二信号段并将检测到的第二信号段分类为非目标信号段，其中，所述非目标参数集指示从参考单通道eeg记录中获得的多个参考非目标信号段，所述非目标参数集包括使用所述多个参考非目标信号段的小波分解确定的小波系数；
·
将第二时间戳(t2)分配给检测到的第二信号段；
·
确定所述第一时间戳(t1)和所述第二时间戳(t2)的时间邻近度；
·
基于所确定的时间邻近度，确定是否需要投票过程来确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确；以及
·
在确定需要所述投票过程后，执行所述投票过程。10.根据权利要求9所述的系统(3)，其中，所述处理器(5)被配置和设置为执行所述投票过程，所述投票过程包括以下过程步骤：
·
生成包括检测到的第一信号段的第一信号样本(10)；
·
将所述第一信号样本(10)与所述多个参考目标信号段进行匹配，以确定最佳目标匹配；
·
生成包括检测到的第二信号段的第二信号样本(12)；
·
将所述第二信号样本与所述多个参考非目标信号段进行匹配，以确定最佳非目标匹配；
·
将度量应用于所述第一信号样本(10)、所述最佳目标匹配、所述第二信号样本(12)和所述最佳非目标匹配，以确定：-将检测到的第一信号段分类为目标信号段是否正确；或-将检测到的第二信号段分类为非目标信号段是否正确。11.根据权利要求9所述的系统(3)，其中，所述处理器(5)被配置和设置为执行所述投票过程，所述投票过程包括以下过程步骤：
·
生成包括检测到的第一信号段的第一信号样本(10)；
·
将所述第一信号样本(10)与基于所述多个参考目标信号段的一组参考目标信号段进行匹配，以确定最佳目标匹配；
·
生成包括检测到的第二信号段的第二信号样本(12)；
·
将所述第二信号样本(12)与基于所述多个参考非目标信号段的一组参考非目标信号段进行匹配，以确定最佳非目标匹配；
·
将度量应用于所述第一信号样本(10)、所述最佳目标匹配、所述第二信号样本(12)和所述最佳非目标匹配，以确定：-将检测到的第一信号段分类为目标信号段是否正确；或-将检测到的第二信号段分类为非目标信号段是否正确。12.根据权利要求9-11中任一项所述的系统(3)，其中，所述处理器(5)被配置和设置为去除基于所述投票过程确定的、检测到的第一信号段的不正确分类或检测到的第二信号段的不正确分类。13.根据权利要求9-12中任一项所述的系统(3)，其中，所述处理器(5)被配置和设置为应用基于所述目标参数集和/或所述非目标参数集确定的预定检测边界，所述检测边界允许将检测到的信号段分类为目标信号段或非目标信号段。14.根据权利要求9-13中任一项所述的系统(3)，其中，所述处理器(5)被配置和设置为确定优化目标参数集和/或优化非目标参数集，所述优化目标参数集包括特别指示所述多个参考目标信号段的小波系数，且所述优化非目标参数集包括特别指示所述多个参考非目标信号段的小波系数。15.根据权利要求14所述的系统(3)，其中，所述处理器(5)被配置和设置为应用基于所述优化目标参数集和/或所述优化非目标参数集确定的预定检测边界，所述检测边界允许
将检测到的信号段改进分类为目标信号段或非目标信号段。16.根据权利要求9-15中任一项所述的系统(3)，还包括数据存储单元(6)，所述数据存储单元(6)可操作地连接到所述处理器(5)，其中所述数据存储单元(6)被配置和设置为存储以下中的至少一者：所述单通道eeg记录、从所述单通道eeg记录中获得的所述信号、以及根据所述处理器(5)执行的所述方法而将所述信号的检测到的信号段归为目标信号段或非目标信号段的分类。17.根据权利要求16所述的系统(3)，其中，所述系统(3)被配置和设置为能够与两个电极(7)连接，所述两个电极(7)能够设置在受试者的头皮上并被配置为记录所述单通道eeg记录并将所述单通道eeg记录传输到所述数据存储单元(6)。
技术总结本发明涉及一种数据处理方法，用于检测从单通道EEG记录中获得的信号(1)的信号段并将所述信号段分类为目标信号段或非目标信号段。所述方法包括投票过程，以确定将检测到的第一信号段分类为目标信号段或将检测到的第二信号段分类为非目标信号段是否正确。本发明还涉及一种设备(2)和系统(3)，被配置和设置为执行根据本发明的数据处理方法。根据本发明的数据处理方法。根据本发明的数据处理方法。
技术研发人员：P
受保护的技术使用者：布洛里拉私人有限公司
技术研发日：2020.11.20
技术公布日：2022/11/1
