荷兰癫痫诊所基金会自动检测和诊断癫痫发作

诊断和治疗癫痫需要训练有素的专家准确识别癫痫发作的体征。这通常是通过回顾脑电图结果和同步视频观察来完成的。

“用这种方法检测癫痫是很有挑战性的，”Kalitzin说。“人类观察员容易疲劳，这可能会导致他们错过癫痫发作。过滤掉无关的视频数据是很乏味的。这个过程也很昂贵，因为我们会派一名训练有素的技术人员监控每位患者，三名神经病学专家离线检查脑电图和视频数据。”

SEIN试图开发一种系统，可以根据患者视频中的动作自动识别癫痫发作。研究人员还希望使用连续的实时流媒体视频作为输入，使系统能够在癫痫发作时提醒护理人员。最后，小组需要一个集成的开发环境，支持从各种来源的图像采集、视频处理、算法开发和统计验证。

SEIN研究人员使用MATLAB、Simulink和计算机视觉工具箱™构建了一个系统，通过使用视频数据分析癫痫患者的运动来自动检测癫痫发作。

Kalitzin博士首先将项目划分为三个部分:图像采集、处理和分析以及系统输出。这促进了模块化系统设计，使研究人员能够专注于算法开发和在各种输入格式和输出选项之间切换。

该团队使用Simulink和计算机视觉工具箱从现有的AVI和MPEG文件中获取视频数据，使他们能够从数百个患者视频中测试他们的算法。

癫痫发作的特征是患者特定的运动类型:肌阵挛发作的特征是单一的抽搐，强直性发作的特征是僵硬，而阵挛发作的特征是重复的、有节奏的抽搐。SEIN研究人员使用计算机视觉工具箱使用光流技术检测视频序列中的这种运动。

他们使用计算机视觉工具箱中的光流块估计速度场，然后在多帧上平均速度场，以减少要处理的数据量。他们还隔离了正负速度元素，以避免像素之间的相互抵消。然后，该团队通过处理数千个不同位置的患者图像流来改进该算法。

在开发出检测癫痫发作的算法后，该团队使用MATLAB、统计和机器学习工具箱™、图像处理工具箱™和信号处理工具箱™，通过将结果与依赖肌电图、脑电图和视频的方法进行比较来验证结果。

然后使用Simulink模型对验证结果进行了调整。根据应用程序是用于诊断还是用于实时患者监测，可以增加模型以检测所有癫痫发作样事件，或者减少模型以降低假阳性的数量。

Kalitzin计划通过自动选择感兴趣的区域来增强算法，这将最大限度地减少由进入框架的护理人员造成的假阳性。SEIN研究人员还与其他医院合作，使用图像采集工具箱™从网络摄像头获取视频数据，对患者进行自动实时监控。