TWI597683B - 偏頭痛發作預測系統之建立及預測方法 - Google Patents
偏頭痛發作預測系統之建立及預測方法 Download PDFInfo
- Publication number
- TWI597683B TWI597683B TW105102802A TW105102802A TWI597683B TW I597683 B TWI597683 B TW I597683B TW 105102802 A TW105102802 A TW 105102802A TW 105102802 A TW105102802 A TW 105102802A TW I597683 B TWI597683 B TW I597683B
- Authority
- TW
- Taiwan
- Prior art keywords
- migraine
- prediction system
- consistency
- attack prediction
- patient
- Prior art date
Links
- 208000019695 Migraine disease Diseases 0.000 title claims description 90
- 206010027599 migraine Diseases 0.000 title claims description 89
- 238000000034 method Methods 0.000 title claims description 21
- 238000001514 detection method Methods 0.000 title 1
- 210000004556 brain Anatomy 0.000 claims description 45
- 206010019233 Headaches Diseases 0.000 claims description 33
- 231100000869 headache Toxicity 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000000284 resting effect Effects 0.000 claims description 8
- 230000013016 learning Effects 0.000 claims description 4
- 230000002109 interictal effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000001568 sexual effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 239000003814 drug Substances 0.000 description 7
- 229940079593 drug Drugs 0.000 description 5
- 208000002193 Pain Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 206010052804 Drug tolerance Diseases 0.000 description 1
- 206010027603 Migraine headaches Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000026781 habituation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 235000015096 spirit Nutrition 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
本發明係有關一種偏頭痛預測方法，特別是指患者在靜息狀態下，偏頭痛發作預測系統之建立及預測方法。
偏頭痛是一種不明原因的頭痛，頭痛時特徵明顯，目前尚未有研究能證實引發偏頭痛的切確原因。從偏頭痛週期來看，可分為發作間期(兩次頭痛之間)、發作前期(頭痛前期)、發作期(頭痛期)和發作後期(頭痛後期)，在不同時期患者的生理狀態也會有所不同，例如腦波震盪幅度不同、習慣化程度不同、大腦皮層活化程度不同。
當患者處於頭痛前期時通常就會有些反應，例如肌肉僵硬、情緒變化、對聲音或氣味敏感等，但有時患者不一定能察覺自身的變化，因此當患者服藥時往往是正處於發作期，頭痛難忍才會服用止痛藥，而每個人對藥物的反應不一，有的人服藥之後還會疼痛一段時間才能慢慢減緩，相當影響生活品質。
目前預測偏頭痛發生通常是用光照或聲音刺激患者，藉由受刺激後的腦波變化來判斷其是否處於頭痛前期，但如此一來，患者會感到頭暈難受，很有可能促使患者偏頭痛發作。因此，本發明即提出一種在靜息狀態下，偏頭痛發作預測系統之建立及預測方法，具體架構及其實施方式將詳述於下：
本發明之主要目的在提供一種偏頭痛發作預測系統之建立及預
測方法，其方法是擷取偏頭痛患者靜息狀態的腦波訊號後，將不同腦區(每兩個通道)的腦波訊號進行一致性分析，判斷不同腦區(每二個通道)之間的相關性的程度，從而得到多通道一致性特徵值。再通過機器學習演算法，將此相關的一致性特徵值輸入或代入到機器學習演算法中。從而學習、分類、並建立出可預測的偏頭痛時期判斷模型，偏頭痛發展預測系統建立完成後，當之後收到新的偏頭痛患者在靜息狀態下的腦波訊號時，便可利用一致性特徵值和偏頭痛時期判斷模型預測識別出出該偏頭痛患者在測量腦波的當下是處於哪一個頭痛時期。
本發明之另一目的在提供一種偏頭痛發作預測系統之建立及預測方法，僅需擷取患者靜息狀態(張眼和閉眼)的腦波訊號，不需給予患者任何刺激和反應。測量靜息狀態的腦波既可以避免誘發患者偏頭痛發作，也會讓偏頭痛患者感到舒適。
本發明之再一目的在提供一種偏頭痛發作預測系統之建立及預測方法，其將腦波訊號分類為頭痛間期和頭痛前期，以輔助患者決定服藥的時機(在頭痛前期及時服藥)，減緩患者的痛苦。
為達上述之目的，本發明提供一種偏頭痛發作預測系統之建立及預測方法，包括下列步驟：擷取一患者在靜息狀態下之腦波訊號；利用一偏頭痛發作預測系統對腦波訊號進行腦區一致性分析，並得到多通道的一致性特徵值；偏頭痛發作預測系統依據分析所得到之一致性特徵值進行機器學習；在機器學習中，當學習到屬於不同時期患者之一致性特徵值後，用一致性特徵值正確分類出不同的偏頭痛時期，以建立一偏頭痛時期判斷模型；以及擷取一偏頭痛患者靜息狀態之腦波訊號，利用偏頭痛發作預測系統中之一致性特徵值及偏頭痛時期判斷模型，從腦波訊號去判斷該偏頭痛患者目前屬於偏頭痛時期中之哪一個時期。
底下藉由具體實施例詳加說明，當更容易瞭解本發明之目的、技術內容、特點及其所達成之功效。
第1圖為本發明偏頭痛發作預測系統之建立及預測方法之流程圖。
第2圖為本發明偏頭痛發作預測系統之建立及預測方法中腦區一致性分析步驟之流程圖。
第3A圖及第3B圖分別為頭痛間期及頭痛前期之腦波訊號通道示意圖。
本發明提供一種偏頭痛發作預測系統之建立及預測方法，提供偏頭痛患者頭痛間期(interictal)和頭痛前期(preictal)的個人化分類，輔助藥物治療，減緩患者的痛苦與治療的空窗期。利用偏頭痛患者在不同偏頭痛時期的腦區一致性(coherence)，找出一致性變化的指標建立預測與專家系統。
第1圖所示為本發明中偏頭痛發作預測系統之建立及預測方法之流程圖，其中步驟S10~S16為建立一偏頭痛發作預測系統之方法，步驟S18~S20為利用此偏頭痛發作預測系統去預測一偏頭痛患者之目前偏頭痛時期的方法，首先步驟S10擷取一患者在靜息狀態(張眼或閉眼)下之多通道腦波訊號，其係讓患者戴上可收錄腦波的儀器，可擷取從17通道至64通道不等的腦波訊號，在靜息狀態下，患者只需要做張眼或閉眼的動作即可；接著，步驟S12利用一偏頭痛發作預測系統對腦波訊號進行腦區一致性分析，得到複數一致性特徵值，此偏頭痛發作預測系統係為至少一主機中所安裝的可針對收集到的腦波訊號進行分析的程式，而腦區一致性分析則是看腦波每兩個通道(channel)的一致性，若一致性高，則代表此二通道中的能量有很高的相似度，反之則是相似度低；步驟S14中，偏頭痛發作預測系統依據分析所得到之一致性特徵值進行機器學
習，當學習到屬於不同時期患者之一致性特徵值後，於步驟S16中，偏頭痛發作預測系統便可將一致性特徵值分類出不同的偏頭痛時期，以建立一偏頭痛時期判斷模型，例如分類出該患者的腦波訊號為頭痛間期或頭痛前期；之後，只要擷取任何一個偏頭痛患者之腦波訊號，便可利用偏頭痛發作預測系統中之一致性特徵值及偏頭痛時期判斷模型，從腦波訊號去判斷該偏頭痛患者目前屬於偏頭痛時期中之何者，如步驟S18~S20所述。
步驟S10中的張眼和閉眼動作舉例而言，可為張眼一分鐘後閉眼一分鐘為一個回合，交替進行數個回合，持續5~10分鐘以收集這段時間的腦波訊號。
請參考第2圖，在第1圖之步驟S12中，腦區一致性步驟更包括二步驟，當步驟S10擷取到患者的腦波訊號之後，步驟S122會先濾除腦波訊號中之低頻及高頻部分後，提取其中部分之腦波資訊；之後在步驟S124中對腦波資訊進行腦區一致性分析，分析比對腦波資訊中每二個通道的特徵一致性，得到一致性特徵值，在本發明中，比對方式係利用一降維演算法對腦波資訊進行特徵提取，加權計分後得到一致性特徵值。
舉例而言，若擷取患者的腦波訊號為17個通道，則會計算17個通道中每二個通道之間的一致性，總共會有=153個一致性的值，也就是一致性特徵值，而所有的一致性特徵值(例如153個一致性值)利用降維演算法來保留重要的特性，通過加權計分得到最終的一致性特徵值。
本發明中，偏頭痛發作預測系統係利用一監督機器學習演算法辨識器或一非監督式機器學習演算法辨識器去學習一致性特徵值，得到偏頭痛時期判斷模型。但並非僅限於監督機器學習演算法辨識器或非監督式機器學習演算法辨識器，其他具有學習模式的演算法或辨識器亦可應用於本發明中。
偏頭痛時期判斷模型為偏頭痛發作預測系統利用一致性的特徵
值所學習到的判斷機制，之後收錄新的偏頭痛患者的腦波資訊時，便可正確判斷出此患者正處於頭痛間期還是頭痛前期。請參考第3A圖及第3B圖，第3A圖為頭痛間期之腦波訊號通道示意圖，第3B圖為頭痛前期之腦波訊號通道示意圖，由圖中可看出不同時期的腦波訊號是有差別的，差別大的部分一致性特徵值會有差異，從而影響偏頭痛時期判斷模型對該患者腦波訊號的分類，本發明中偏頭痛時期判斷模型的最終目的是判斷患者目前處於頭痛間期或頭痛前期，以輔助患者適時選取適合的藥物。
假設有一位偏頭痛患者，目前還沒發作，但正處於頭痛間期或頭痛前期。平常該患者每天配戴儀器收錄腦波訊號兩次，偵測他是否有進入頭痛前期，若正在頭痛前期則應立即服藥來抑制偏頭痛發生，若還在頭痛間期，亦即兩次偏頭痛之間的時期，則只需要每天保持偵測腦波訊號檢查即可。
綜上所述，本發明所提供之偏頭痛發作預測系統之建立及預測方法係先擷取偏頭痛患者的腦波訊號，利用腦波每二個通道之間的一致性給予一一致性特徵值，依據此一致性特徵值將該患者的腦波訊號分類成頭痛前期或頭痛間期，偏頭痛發作預測系統可學習出一套判斷機制，以後每當偵測患者腦波時，偏頭痛發作預測系統皆可正確判別出患者此時正處於頭痛間期或頭痛前期，而由於在偏頭痛發作之前提前預測出偏頭痛將於何時發生，因此患者可適時選取合適的藥物服用，以抑制偏頭痛發生，減緩患者的痛苦。本發明適合做為長期偏頭痛患者的居家監控與照護。
唯以上所述者，僅為本發明之較佳實施例而已，並非用來限定本發明實施之範圍。故即凡依本發明申請範圍所述之特徵及精神所為之均等變化或修飾，均應包括於本發明之申請專利範圍內。
無
Claims (5)
- 一種偏頭痛發作預測系統之建立及預測方法，其收集腦波訊號並利用至少一主機進行偏頭痛預測，該方法包括下列步驟：建立一偏頭痛發作預測系統，包括下列步驟：擷取一患者在靜息狀態下之多通道的複數腦波訊號；進行腦區一致性分析，利用該偏頭痛發作預測系統分析該等腦波訊號在不同腦區之間的一致性，濾除該等腦波訊號中之低頻及高頻部分後，提取其中部分之腦波資訊，分析比對該腦波資訊中每二個通道(channel)的特徵一致性，再利用一降維演算法對該腦波資訊進行特徵提取，加權計分後得到多通道的複數一致性特徵值；以及該偏頭痛發作預測系統將該等一致性特徵值代入一機器學習演算法中進行機器學習，當學習到屬於不同時期患者之該等一致性特徵值後，用該等一致性特徵值分類出不同的偏頭痛時期，以建立一偏頭痛時期判斷模型；以及對一偏頭痛患者進行偏頭痛時期預測，包括：擷取該偏頭痛患者在靜息狀態下之多通道的該等腦波訊號，利用該偏頭痛發作預測系統中之該等一致性特徵值及該偏頭痛時期判斷模型，從該等腦波訊號去判斷該偏頭痛患者目前屬於該等偏頭痛時期中之何者。
- 如請求項1所述之偏頭痛發作預測系統之建立及預測方法，其中該等腦波訊號為該患者在靜息狀態下做張眼和閉眼之交替動作時的該等腦波訊號，記錄該等腦波訊號5~10分鐘。
- 如請求項1所述之偏頭痛發作預測系統之建立及預測方法，其中該偏 頭痛時期包括一頭痛間期(interictal)及一頭痛前期(preictal)。
- 如請求項1所述之偏頭痛發作預測系統之建立及預測方法，其中該偏頭痛發作預測系統係利用一監督機器學習演算法辨識器或一非監督式機器學習演算法辨識器去學習該一致性特徵值，得到該偏頭痛時期判斷模型。
- 如請求項1所述之偏頭痛發作預測系統之建立及預測方法，其中該偏頭痛發作預測系統係安裝於該主機中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105102802A TWI597683B (zh) | 2016-01-29 | 2016-01-29 | 偏頭痛發作預測系統之建立及預測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105102802A TWI597683B (zh) | 2016-01-29 | 2016-01-29 | 偏頭痛發作預測系統之建立及預測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201727567A TW201727567A (zh) | 2017-08-01 |
| TWI597683B true TWI597683B (zh) | 2017-09-01 |
Family
ID=60186592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW105102802A TWI597683B (zh) | 2016-01-29 | 2016-01-29 | 偏頭痛發作預測系統之建立及預測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI597683B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN120183598B (zh) * | 2025-05-21 | 2025-09-16 | 中国人民解放军总医院第一医学中心 | 基于循证的偏头痛风险指标构建系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI418334B (zh) * | 2010-09-28 | 2013-12-11 | Univ Nat Chiao Tung | 用於生理訊號及環境訊號感測、分析及回饋之系統 |
| US20140316230A1 (en) * | 2013-04-22 | 2014-10-23 | Personal Neuro Devices Inc. | Methods and devices for brain activity monitoring supporting mental state development and training |
| TWI467521B (zh) * | 2012-08-30 | 2015-01-01 | Chun Shin Ltd | 臨床診斷之學習系統及方法 |
-
2016
- 2016-01-29 TW TW105102802A patent/TWI597683B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI418334B (zh) * | 2010-09-28 | 2013-12-11 | Univ Nat Chiao Tung | 用於生理訊號及環境訊號感測、分析及回饋之系統 |
| TWI467521B (zh) * | 2012-08-30 | 2015-01-01 | Chun Shin Ltd | 臨床診斷之學習系統及方法 |
| US20140316230A1 (en) * | 2013-04-22 | 2014-10-23 | Personal Neuro Devices Inc. | Methods and devices for brain activity monitoring supporting mental state development and training |
Non-Patent Citations (1)
| Title |
|---|
| 王署君、林進燈、柯立偉，以新式無線腦波系統建立偏頭痛預測模式(2/2)，科技部補助專題研究計畫成果報告期末報告，2015/10/31 * |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201727567A (zh) | 2017-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102041848B1 (ko) | 인공지능 기반의 음성분석을 통한 우울증, 불안증, 조기치매, 또는 자살 징후 조기판별 시스템 | |
| CN110114115B (zh) | 用于预测治疗结果的设备及方法 | |
| CN107205652B (zh) | 具有特征生成和自动映射的睡眠分析系统 | |
| US11670423B2 (en) | Method and system for early detection of neurodegeneration using progressive tracking of eye-markers | |
| US20210022670A1 (en) | Systems and methods for diagnosing sleep | |
| Cimbálník et al. | The CS algorithm: A novel method for high frequency oscillation detection in EEG | |
| US20150245800A1 (en) | Method for Detection Of An Abnormal Sleep Pattern In A Person | |
| JP2013533014A (ja) | 患者の認知機能の評価 | |
| Newman et al. | Automatic nystagmus detection and quantification in long-term continuous eye-movement data | |
| CN114176610A (zh) | 一种面向轻度认知功能障碍患者诊断的工作负荷评估方法 | |
| CN112971764A (zh) | 一种呼吸疾病患者清醒与睡眠状态检测方法及系统 | |
| Sriraam et al. | Multichannel EEG based inter-ictal seizures detection using Teager energy with backpropagation neural network classifier | |
| Finkelstein et al. | Using heart rate variability for automated identification of exercise exertion levels. | |
| Khosla et al. | Machine learning approach for predicting state transitions via shank acceleration data during freezing of gait in Parkinson’s disease | |
| Sree et al. | RETRACTED ARTICLE: Integrated learning algorithms-based epileptologist assistive tool for seizure detection and prediction | |
| TWI597683B (zh) | 偏頭痛發作預測系統之建立及預測方法 | |
| Xu et al. | Deep convolutional neural network for detection of disorders of consciousness | |
| CN111248907A (zh) | 基于精神病临床高危人群脑电信号特征的风险预测方法 | |
| Borsky et al. | Toward sleep study automation: Detection evaluation of respiratory-related events | |
| Asrithavalli et al. | Epileptic seizures detection using fusion of artificial neural network with hybrid deep learning | |
| Wankar et al. | Innovative Deep Learning Approach for Parkinson's Disease Prediction: Leveraging Convolutional Neural Networks for Early Detection. | |
| Buscema et al. | The Implicit Function as Squashing Time Model: A Novel Parallel Nonlinear EEG Analysis Technique Distinguishing Mild Cognitive Impairment and Alzheimer′ s Disease Subjects with High Degree of Accuracy | |
| Bisgaard et al. | EEG recordings as a source for the detection of IRBD | |
| Ranjan et al. | Dementia severity index: A threshold-based approach to classifying dementia level | |
| Melia et al. | Characterization of daytime sleepiness by time–frequency measures of EEG signals |