一种颅内脑电的检测方法、装置、电子设备及存储介质

摘要

本发明实施例提供的一种颅内脑电的检测方法、装置、电子设备及存储介质，应用于信息技术领域，可以获取待检测的颅内脑电图数据；将待检测的颅内脑电图数据输入预先训练好的深度融合模型；通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，得到典型特征向量；通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征；将典型特征向量和深层高维度特征进行特征融合，得到融合特征；通过全连接层判断融合特征中是否包含目标病灶的致病信号。可以通过全连接层自动判断融合特征中是否包含目标病灶的致病信号，不但可以实现自动化监测，还可以降低人工成本，提高监测效率。

说明书

技术领域

本发明涉及信息技术领域，特别是涉及一种颅内脑电的检测方法、装置、电子设备及存储介质。

背景技术

目前，颅内脑电技术已经有着广泛的应用。颅内脑电技术可以通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大并进行记录，通过记录的信息可以为癫痫、精神分裂症、躁狂抑郁症、精神异常等疾病的检查和治疗提供指导。

然而，目前在对获取的颅内脑电图数据进行分析的过程中，一般均是通过医生根据经验对获取的脑电图数据进行分析，不但人工成本高，耗时长，而且容易产生误判，检查效率低。

发明内容

本发明实施例的目的在于提供一种颅内脑电的检测方法、装置、电子设备及存储介质，以实现提高颅内脑电数据的检查效率。具体技术方案如下：

本申请实施例的第一方面，首先提供了一种颅内脑电的检测方法，所述方法包括：

获取待检测的颅内脑电图数据；

将所述待检测的颅内脑电图数据输入预先训练好的深度融合模型，其中，所述深度融合模型包括双向长短时记忆网络层、一维卷积神经网络层和全连接层；

通过所述双向长短时记忆网络层检测所述颅内脑电图数据随时间变化的变化趋势，得到典型特征向量；

通过所述一维卷积神经网络层对所述颅内脑电图数据进行多次下采样，得到深层高维度特征；

将所述典型特征向量和所述深层高维度特征进行特征融合，得到融合特征；

通过所述全连接层判断所述融合特征中是否包含目标病灶的致病信号。

可选的，所述将所述待检测的颅内脑电图数据输入预先训练好的深度融合模型之后，所述方法还包括：

通过Butterworth带通滤波器对所述待检测的颅内脑电图数据进行滤波处理；

对滤波后的信号进行离散小波变换，得到所述待检测的颅内脑电图数据的信号特征；

所述通过所述双向长短时记忆网络层检测所述颅内脑电图数据随时间变化的变化趋势，得到典型特征向量，包括：

通过所述双向长短时记忆网络层检测所述信号特征随时间变化的变化趋势，得到典型特征向量；

所述通过所述一维卷积神经网络层对所述颅内脑电图数据进行多次下采样，得到深层高维度特征，包括：

通过所述一维卷积神经网络层对所述信号特征进行多次下采样，得到深层高维度特征。

可选的，所述通过所述双向长短时记忆网络层检测所述信号特征随时间变化的变化趋势，得到典型特征向量，包括：

将所述信号特征划分为多个片段；

对各所述片段进行特征提取，得到各所述片段的多个维度的特征；

通过所述双向长短时记忆网络层，根据各所述片段的多个维度的特征检测所述信号特征随时间变化的变化趋势，得到典型特征向量。

可选的，所述通过所述全连接层判断所述融合特征中是否包含目标病灶的致病信号，包括：

通过所述全连接层判断所述融合特征中是否包含致痫信号。

本申请实施例的第二方面，提供了一种颅内脑电的检测装置，所述装置包括：

数据获取模块，用于获取待检测的颅内脑电图数据；

数据输入模块，用于将所述待检测的颅内脑电图数据输入预先训练好的深度融合模型，其中，所述深度融合模型包括双向长短时记忆网络层、一维卷积神经网络层和全连接层；

典型特征提取模块，用于通过所述双向长短时记忆网络层检测所述颅内脑电图数据随时间变化的变化趋势，得到典型特征向量；

深层特征提取模块，用于通过所述一维卷积神经网络层对所述颅内脑电图数据进行多次下采样，得到深层高维度特征；

特征融合模块，用于将所述典型特征向量和所述深层高维度特征进行特征融合，得到融合特征；

信号判断模块，用于通过所述全连接层判断所述融合特征中是否包含目标病灶的致病信号。

可选的，所述装置还包括：

滤波处理子模块，用于通过Butterworth带通滤波器对所述待检测的颅内脑电图数据进行滤波处理；

小波变换子模块，用于对滤波后的信号进行离散小波变换，得到所述待检测的颅内脑电图数据的信号特征；

所述典型特征提取模块，包括：

变化趋势检测子模块，用于通过所述双向长短时记忆网络层检测所述信号特征随时间变化的变化趋势，得到典型特征向量；

所述深层特征提取模块，包括：

下采样子模块，用于通过所述一维卷积神经网络层对所述信号特征进行多次下采样，得到深层高维度特征。

可选的，所述变化趋势检测子模块，包括：

信号划分子模块，用于将所述信号特征划分为多个片段；

多维特征获取子模块，用于对各所述片段进行特征提取，得到各所述片段的多个维度的特征；

多维特征检测子模块，用于通过所述双向长短时记忆网络层，根据各所述片段的多个维度的特征检测所述信号特征随时间变化的变化趋势，得到典型特征向量。

可选的，所述信号判断模块，包括：

致痫信号判断子模块，用于通过所述全连接层判断所述融合特征中是否包含致痫信号。

本申请实施的另一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述任一颅内脑电的检测方法。

本申请实施的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述任一颅内脑电的检测方法。

本发明实施的另一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一颅内脑电的检测方法。

本发明实施例有益效果：

本发明实施例提供的一种颅内脑电的检测方法、装置、电子设备及存储介质，可以获取待检测的颅内脑电图数据；将待检测的颅内脑电图数据输入预先训练好的深度融合模型，其中，深度融合模型包括双向长短时记忆网络层、一维卷积神经网络层和全连接层；通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，得到典型特征向量；通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征；将典型特征向量和深层高维度特征进行特征融合，得到融合特征；通过全连接层判断融合特征中是否包含目标病灶的致病信号。可见通过本申请实施的方法，既可以通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，还可以通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征，从而通过全连接层自动判断融合特征中是否包含目标病灶的致病信号，不但可以实现自动化监测，还可以降低人工成本，提高监测效率。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。

图1为本申请实施例提供的颅内脑电的检测方法的一种流程示意图；

图2为本申请实施例提供的一种iEEG信号的实例图；

图3为本申请实施例提供的双向长短时记忆网络层一种结构示意图；

图4为本申请实施例提供的一维卷积神经网络层的一种结构示意图；

图5为本申请实施例提供的深度融合模型的一种结构示意图；

图6为本申请实施例提供的颅内脑电的检测方法的实例流程图；

图7为本申请实施例提供的预处理的一种流程示意图；

图8为本申请实施例提供的获取典型特征向量的一种流程示意图；

图9为本申请实施例提供的模型的性能对比评估图；

图10为本申请实施例提供的颅内脑电的检测装置的一种结构示意图；

图11为本申请实施例提供的电子设备的一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例的第一方面，首先提供了一种颅内脑电的检测方法，上述方法包括：

获取待检测的颅内脑电图数据；

将待检测的颅内脑电图数据输入预先训练好的深度融合模型，其中，深度融合模型包括双向长短时记忆网络层、一维卷积神经网络层和全连接层；

通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，得到典型特征向量；

通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征；

将典型特征向量和深层高维度特征进行特征融合，得到融合特征；

通过全连接层判断融合特征中是否包含目标病灶的致病信号。

可见通过本申请实施的方法，既可以通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，还可以通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征，从而通过全连接层自动判断融合特征中是否包含目标病灶的致病信号，不但可以实现自动化监测，还可以降低人工成本，提高监测效率。

具体的，参见图1，图1为本申请实施例提供的颅内脑电的检测方法的一种流程示意图，包括：

步骤S11，获取待检测的颅内脑电图数据。

其中，待检测的颅内脑电图数据可以是通过颅内脑电技术，对待检测的人员进行检测所得到的颅内脑电图数据。实际使用过程中待检测的颅内脑电图数据可以是两通道iEEG(颅内脑电图)信号。

本申请实施例的颅内脑电的检测方法应用于智能终端，可以通过智能终端实施，具体的，该智能终端可以是电脑或服务器等。

步骤S12，将待检测的颅内脑电图数据输入预先训练好的深度融合模型。

其中，深度融合模型包括双向长短时记忆网络层、一维卷积神经网络层和全连接层。其中，预先训练好的深度融合模型的训练过程可以后续实施例，此处不再赘述。

步骤S13，通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，得到典型特征向量。

通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，得到典型特征向量分析信号时序序列的依赖关系和细微变化。例如，将iEEG脑电信号使用滑动窗口划分为4个连续片段，对每个片段分别进行特征提取，提取得到12项时域特征，6项频域特征，2项时频域特征，以及10项非线性特征分析的熵特征。然后，通过构建的基于注意力机制的双向长短时记忆网络，利用包含时间变化特性的特征向量矩阵，来分析信号时序序列的依赖关系和细微变化。其中，基于注意力增强的方法，可以学习不同患者的特定特征进而调整模型权重参数，以提升iEEG信号识别的性能。参见图2，图2为本申请实施例提供的一种iEEG信号的实例图。

其中，Bi-LSTM(双向长短时记忆网络)可以是循环神经网络(RNN)，通过学习长期和短期依赖性来解决消失和爆炸的梯度问题。LSTM(长短时记忆网络)可以从左到右处理iEEG序列的同时从右到左处理，

其中，注意力机制，可以通过注意具有类别增强信息的特定输入来提高Bi-LSTM的性能。为了捕获每个输入段的重要性，定义如下：

u

v

其中，v

步骤S14，通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征。

其中，一维卷积神经网络层可以包括多个卷积层，通过多个卷积层进行多次下采样，得到深层高维度特征。例如，一维卷积神经网络层包括4个卷积层和2个全连接层，每个卷积层由卷积层、批处理规范化层，激活层和池化层组成。

其中，一维卷积神经网络，与2D或3D-CNN(2维/3维卷积神经网络)相比，参数更少，训练速度更快，是具有不同窗口大小的多个滤波器在iEEG数据序列上移动以执行一维卷积。随着滤波器的移动，会生成许多特征数据，这些特征数据捕获了信号和微小变化前后的局部相关性。但是，信号的数据点对其前后的数据点影响最大，并且与远离该数据点的数据点关系微弱。因此，每个神经元只需要本地连接到上一层，这等效于扫描每个神经元周围的一小块区域，然后共享许多神经元的权重等效于扫描全局神经元，从而形成特征图。在池化层中，应用了最大池化操作以图中捕获最有用的特征。而且，它可以压缩数据和参数数量并减少过拟合。池化层没有参数，只是向下采样上层给出的结果。本申请实施例中通过添加激活函数以增加模型的非线性表达能力。参见图4，图4为本申请实施例提供的一维卷积神经网络层的一种结构示意图。

步骤S15，将典型特征向量和深层高维度特征进行特征融合，得到融合特征。

其中，将典型特征向量和深层高维度特征进行特征融合，可以通过多种方式进行融合，融合特征的维度可以为典型特征向量和深层高维度特征之和。例如，经典特征的维度是1*128，深度学习特征是1*128，因此，深度学习融合特征的维度为1*256。具体的，可以参见图5，图5为本申请实施例提供的深度融合模型的一种结构示意图。

步骤S16，通过全连接层判断融合特征中是否包含目标病灶的致病信号。

可选的，通过全连接层判断融合特征中是否包含目标病灶的致病信号，包括：通过全连接层判断融合特征中是否包含致痫信号。当应用于致痫信号检测时，将融合特征输入到全连接层后，可以映射为两类，即致痫信号和非致痫信号。具体的，可以参见图6，图6为本申请实施例提供的颅内脑电的检测方法的实例流程图。

可见通过本申请实施的方法，既可以通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，还可以通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征，从而通过全连接层自动判断融合特征中是否包含目标病灶的致病信号，不但可以实现自动化监测，还可以降低人工成本，提高监测效率。

可选的，参见图7，步骤S12将待检测的颅内脑电图数据输入预先训练好的深度融合模型之后，上述方法还包括：

步骤S21，通过Butterworth(巴特沃斯)带通滤波器对待检测的颅内脑电图数据进行滤波处理。

其中，在实际使用过程中，待检测的颅内脑电图数据可以是两通道iEEG信号，通过Butterworth带通滤波器对待检测的颅内脑电图数据进行滤波处理，可以分别对各通道的信号进行滤波处理。通过滤波处理可以进行去除坏导、噪声伪迹和滤波等预处理操作。

步骤S22，对滤波后的信号进行离散小波变换，得到待检测的颅内脑电图数据的信号特征。

当待检测的颅内脑电图数据为两通道iEEG信号时，可以分别对各通道进行离散小波变换，然后将各通道得到的特征取平均值，得到信号特征。

例如，对于公开数据集，分别对两通道iEEG信号使用Butterworth带通滤波器来获取从0.5-80hz的信号，然后使用离散小波变换将信号分解为子带，然后平均两个通道获得的小波系数。其中，公开数据集包括五种患有药物难治性颞叶癫痫的癫痫患者的两类颅内脑电图记录，广泛用于癫痫研究中，以区分信号是源自致痫脑区还是非致痫脑区，iEEG信号以1024Hz的采样率记录了20s，然后下采样到512Hz，每个数据段显示10240个数据点。在本发明的实验中，利用整个公开数据集共3750对致痫信号和3750对非致痫信号进行分类，以训练和验证所提出的模型。

当待检测的颅内脑电图数据为单通道数据时，可以直接对待检测的颅内脑电图数据，通过Butterworth带通滤波器对待检测的颅内脑电图数据进行滤波处理，然后对滤波后的信号进行离散小波变换，得到待检测的颅内脑电图数据的信号特征。例如，对于临床数据集，进行预处理去除了临床数据中位于功能区域中的坏导，然后将信号分段放入巴特沃斯带通滤波器，以得到0.5hz至256hz的信号，然后进行离散小波变换，得到信号特征。其中，临床数据集由某医院神经内科收集并维护，用于总共5例癫痫患者，包括海马硬化和错构瘤，对于每位患者，通过尼高力256通道SEEG(立体脑电图)检测系统以2048Hz的采样率收集SEEG记录。其中，选择5名患者处于睡眠状态的发作间期SEEG，单次采集时间为2小时。将时间序列划分为每个10s的连续段，每个段包含20480个数据点。整个数据集共有64888条SEEG信号。根据临床专家的诊断和经验，将来自致痫导联标记为起点的信号标记为致痫信号。否则，将其标记为非致痫信号。

当对待检测的颅内脑电图数据进行预处理时，步骤S13通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，得到典型特征向量，包括：通过双向长短时记忆网络层检测信号特征随时间变化的变化趋势，得到典型特征向量；步骤S14通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征，包括：通过一维卷积神经网络层对信号特征进行多次下采样，得到深层高维度特征。

可选的，参见图8，步骤S13通过双向长短时记忆网络层检测信号特征随时间变化的变化趋势，得到典型特征向量，包括：

步骤S131，将信号特征划分为多个片段；

步骤S132，对各片段进行特征提取，得到各片段的多个维度的特征；

步骤S133，通过双向长短时记忆网络层，根据各片段的多个维度的特征检测信号特征随时间变化的变化趋势，得到典型特征向量。

例如，将iEEG脑电信号使用滑动窗口划分为4个连续片段，对每个片段分别进行特征提取，提取得到12项时域特征，6项频域特征，2项时频域特征，以及10项非线性特征分析的熵特征。然后通过基于注意力机制的双向长短时记忆网络，利用包含时间变化特性的特征向量矩阵，来分析信号时序序列的依赖关系和细微变化，得到典型特征向量。其中，基于注意力机制的双向长短时记忆网络可以学习不同患者的特定特征进而调整模型权重参数，以提升iEEG信号识别的性能。

可见，通过本申请实施例的方法，根据各片段的多个维度的特征检测信号特征随时间变化的变化趋势，得到典型特征向量，从而基于得到的典型特征向量进行病灶的分析。

本申请实施例中的预先训练好的深度融合模型可以通过如下训练步骤训练：

1、将多个预先标注的颅内脑电图的样本数据输入待训练的深度融合模型；

2、通过待训练的深度融合模型对多个预先标注的颅内脑电图的样本数据进行分类，判断各样本数据是否包含目标病灶的致病信号；

3、根据判断结果计算待训练的深度融合模型的当前损失，根据当前损失对待训练的深度融合模型的参数进行调整，返回通过待训练的深度融合模型对多个预先标注的颅内脑电图的样本数据进行分类，判断各样本数据是否包含目标病灶的致病信号的步骤继续执行；

根据判断结果计算待训练的深度融合模型的当前损失，可以通过二进制交叉熵损失函数：

计算待训练的深度融合模型的当前损失，其中，

4、当计算得到的当前损失小于预设阈值时，得到训练好的深度融合模型。

为了说明本申请实施例的有益效果，以下结合致痫信号的检测的具体实验结果进行说明。

其中所述性能评估为：致痫信号检测评价指标使用准确率Accuracy(ACC)、敏感度Sensitivity(SE)、特异性Specificity(SP)作为衡量指标。致痫信号检测效率通过对颅内脑电信号进行检测时，模型的训练和预测速度来衡量。

真阳性(TP)表示正确识别出致痫信号的例数，真阴性(TN)表示正确识别出非致痫信号的例数，假阳性(FP)代表在非致痫信号中错误发现为致痫信号的例数，而假阴性(FN)代表在致痫信号中错误发现为非致痫信号的例数。具体公式如下：

实验一：为了验证本发明对致痫信号特征提取方法的有效性和较好的检测效果，本申请实施例利用公开数据集与多种不同的方法进行对比，实验结果对比见表1。

表1实验结果对比表

本发明随机选择所有iEEG信号中的70％作为训练样本，其余30％作为测试样本。深度学习融合模型在包含5名患者的7500个信号的Bern-Barcelona公共数据集中实现了具有较高准确性，准确度(97.60％)，敏感性(97.78％)和特异性(97.42％)的癫痫信号检测，这是所有实验比较中最高的性能。

实验二：利用临床数据集与多种不同的方法进行对比，实验结果对比见表2。

表2实验结果与其他研究方法对比表

本实施例的致痫信号检测准确性为92.53％(平均值±标准差＝92.53％±0.0338)，灵敏度为93.18％(平均值±标准差＝93.18％±0.0297)和特异性为91.80％(平均值±标准差＝91.80％±0.0395)。

实验三：为了选择最佳的输入时间窗口大小以进行致痫信号检测，本申请实施例通过不同的时间窗口大小以评估性能。20s的分割长度由于其较高的时间分辨率而表现出更好的性能，即使5s的分割长度也可以达到高于87.35％的灵敏度。实验结果如图9所示。

实验四：致痫信号检测效率通过对信号进行致痫检测时，模型的训练和预测速度来衡量。实验结果如表3所示：

表3致痫信号效率对比评估

本申请实施例的第二方面，提供了一种颅内脑电的检测装置，参见图10，上述装置包括：

数据获取模块1001，用于获取待检测的颅内脑电图数据；

数据输入模块1002，用于将待检测的颅内脑电图数据输入预先训练好的深度融合模型，其中，深度融合模型包括双向长短时记忆网络层、一维卷积神经网络层和全连接层；

典型特征提取模块1003，用于通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，得到典型特征向量；

深层特征提取模块1004，用于通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征；

特征融合模块1005，用于将典型特征向量和深层高维度特征进行特征融合，得到融合特征；

信号判断模块1006，用于通过全连接层判断融合特征中是否包含目标病灶的致病信号。

可选的，上述装置还包括：

滤波处理子模块，用于通过Butterworth带通滤波器对待检测的颅内脑电图数据进行滤波处理；

小波变换子模块，用于对滤波后的信号进行离散小波变换，得到待检测的颅内脑电图数据的信号特征；

典型特征提取模块，包括：

变化趋势检测子模块，用于通过双向长短时记忆网络层检测信号特征随时间变化的变化趋势，得到典型特征向量；

深层特征提取模块，包括：

下采样子模块，用于通过一维卷积神经网络层对信号特征进行多次下采样，得到深层高维度特征。

可选的，变化趋势检测子模块，包括：

信号划分子模块，用于将信号特征划分为多个片段；

多维特征获取子模块，用于对各片段进行特征提取，得到各片段的多个维度的特征；

多维特征检测子模块，用于通过双向长短时记忆网络层，根据各片段的多个维度的特征检测信号特征随时间变化的变化趋势，得到典型特征向量。

可选的，信号判断模块1006，具体用于通过全连接层判断融合特征中是否包含致痫信号。

可见通过本申请实施的装置，既可以通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，还可以通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征，从而通过全连接层自动判断融合特征中是否包含目标病灶的致病信号，不但可以实现自动化监测，还可以降低人工成本，提高监测效率。

本发明实施例还提供了一种电子设备，如图11所示，包括处理器1101、通信接口1102、存储器1103和通信总线1104，其中，处理器1101，通信接口1102，存储器1103通过通信总线1104完成相互间的通信，

存储器1103，用于存放计算机程序；

处理器1101，用于执行存储器1103上所存放的程序时，实现如下步骤：

获取待检测的颅内脑电图数据；

将待检测的颅内脑电图数据输入预先训练好的深度融合模型，其中，深度融合模型包括双向长短时记忆网络层、一维卷积神经网络层和全连接层；

通过双向长短时记忆网络层检测颅内脑电图数据随时间变化的变化趋势，得到典型特征向量；

通过一维卷积神经网络层对颅内脑电图数据进行多次下采样，得到深层高维度特征；

将典型特征向量和深层高维度特征进行特征融合，得到融合特征；

通过全连接层判断融合特征中是否包含目标病灶的致病信号。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一颅内脑电的检测方法的步骤。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一颅内脑电的检测方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、存储介质、计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。