CN102274023A - 一种新型脑功能检测装置及方法 - Google Patents
一种新型脑功能检测装置及方法 Download PDFInfo
- Publication number
- CN102274023A CN102274023A CN201110187223XA CN201110187223A CN102274023A CN 102274023 A CN102274023 A CN 102274023A CN 201110187223X A CN201110187223X A CN 201110187223XA CN 201110187223 A CN201110187223 A CN 201110187223A CN 102274023 A CN102274023 A CN 102274023A
- Authority
- CN
- China
- Prior art keywords
- index
- brain
- function
- calculation
- memory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种新型脑功能检测装置及方法。该发明采用系统论和信息论的理论和方法,建立了大脑的记忆、传输和响应的网络模型,表示了大脑的记忆功能、联想功能、工作负荷功能、应激响应功能。该发明包括:脑信息预处理,记忆指数计算,联想指数计算,负荷指数计算,应激指数计算,脑功能综合评价,以及为实现上述功能而设计的装置。
Description
技术领域
该项发明是一种新型脑功能检测装置及方法。它属于生物信息工程学科,处于医学、生物学、数学、计算机、电子工程多门学科相结合的边缘领域。
背景技术
人类通过记录大脑的生物电活动,认识与研究大脑的功能,始于上个世纪二十年代,至今已有八十余年的发展历史。这期间经历了几个发展时期。
大脑的生物电活动-脑电图是来自人体的一种微弱电信号,自从上世纪初,科学家从人体上记录下来,就受到医学和生物学专家的极大重视。由于脑电图信号的特殊性,采集、分析、处理有很大的困难。脑电图信号的幅度是μV级,极其微弱,要经过10的6次方放大才能在仪器上显示出来,极易受干扰,例如,来自人体的干扰有:血管、肌肉、皮肤、眼动,等;外界的干扰有:电极、导线、电磁场环境等。
更为困难的是,信号本身是一种随机现象,用常规的数学-物理方法很难表示,不像心电图那样,有一个确定的模式。所以,从上世纪三十年代之后,科学家就开始探索用各种数学-物理方法对脑电图进行解释。
最初,医生分析脑电图,采用手工方法,用尺子测量,计算波形的高度、宽度,等。三十年代之后,科学家采用微积分中谐波函数分析方法,把脑电图展开成调和级数,算出“振幅谱”、“位相谱”,作为参数提供分析。
五十年代之后,科学家采用“不确定问题”的数学理论-概率论的高层分支--随机过程的理论研究脑电图,有了新的发展。证明了脑电图属于准平稳随机过程。并建立了一套完备的数学处理模型,其处理方法如下:
脑电图→相关函数→付立叶变换→功率谱密度函数→谱密度六频段(δ,θ,α1,α2,β1,β2)
但是由于没有快速的计算方法和计算工具,上述理论只是处于研究阶段,很难实际应用。
六十年代以后,在科学界出现了一个划时代的进步,就是计算机的发明、使用,给自然科学的发展带来质的飞跃,又加上在数据分析方面发明了快速付立叶变换(FFT),使得许多科学难题得到了解决。当FFT计算方法和计算机引入脑电图的研究后,它的实际应用才获得极大的进展,脑电图的分析才真正进入实用阶段。
八十年代后,由于航天技术的飞跃发展,出现了一些新的理论和方法,其中关于飞行器轨道的测量和控制的理论和方法,被许多领域引用。脑电图研究也是采用了其中的一项技术-“自回归模型”之后,它从非参数模型(FFT)上升到参数模型(AR),进入了更精确、更严谨的阶段,因此,它的实用价值更为显著。
目前,对于脑电图的研究存在的局限是各个功能区之间是独立的,即孤立的,没有建立相互间的联系,因此功能之间的关联未能反映出来。这为今后的更高层研究产生了困难。为此,本发明提供了一个新的描述脑功能的信息模型-记忆与联想模型,比目前使用的孤立的功率谱方法更为精确。为脑功能的研究提供了一个新的方法、新的模型。
按照现代系统论的定义和分型,人的大脑属于生物系统、多功能系统、动态系统、复杂系统。根据脑电图测量的国际标准10-20系统,以及国际上常用的16导联电极模式,本模型的基本假定如下,参看“说明书附图”图1:
16个电极的总体作为主系统;
16个电极的每个电极作为一个子系统;
每个子系统有独立的功能,对信息有记忆功能、处理功能;
各子系统之间有联系、有协调,对信息有传输功能、响应功能。
依据上述基本假定,引入下述的定义:
定义1:子系统的记忆指数
子系统的记忆指数≡1.0-子系统的信息衰减率≡1.0-α≡Mem
定义2:子系统间的联想指数
子系统间的联想指数≡1.0-子系统间的信息衰减率≡1.0-β≡Asca
本发明进一步根据提出的模型在工程上予以实现,设计了一套装置。应用该装置在临床和实验室进行了实际验证,获得了预期的结果。
发明内容
本发明是一种检测脑功能的装置,其特征在于:由脑信息预处理(3)、记忆指数计算(4)、联想指数计算(5)、负荷指数计算(6)、应激指数计算(7)、脑功能综合评价(8),共六个部分组成。其中,脑信息预处理(3)包括对脑信息的筛选、数字滤波;记忆指数计算(4)是对经过预处理的脑信息计算记忆功能指数;联想指数计算(5)是对经过预处理的脑信息计算联想功能指数;负荷指数计算(6)是对经过预处理后的脑信息计算工作负荷能力指数;应激指数计算(7)是对经过预处理后的脑信息计算应激能力指数;脑功能综合评价(8)是对计算、分析的结果进行综合评价。
本发明采用的计算方法包括下述的步骤:
●脑信息预处理步骤;
●记忆指数计算步骤;
●联想指数计算步骤;
●负荷指数计算步骤;
●应激指数计算步骤;
●脑功能综合评价步骤。
附图说明
图1是本项发明的基本理论,其中每一个电极定义为一个子系统,全体子系统构成主系统。
图2是实施本发明的相关装置,其中部分3至部分8是实现本发明的具体装置。
具体实施方式
结合“说明书附图”中图2,对本发明所涉及的各项功能进行描述。
部分(1)是被检查者;
部分(2)是脑信息的采集器,包括采集、放大、传输功能;
部分(3)是对脑信息的预处理,包括筛选、数字滤波功能;
部分(4)是对经过预处理后的脑信息计算记忆指数;
部分(5)是对经过预处理后的脑信息计算联想指数;
部分(6)是对经过预处理后的脑信息计算负荷指数;
部分(7)是对经过预处理后的脑信息计算应激指数;
部分(8)是对计算、分析的结果进行综合评价;
部分(9)是输出综合评价结果。
本发明的具体实施过程为:
●脑信息采集
从被试者采集脑信息,经USB接口,进入分析处理。
●脑信息预处理
对接收到的信息,进行筛选,做数字滤波,去除外界的干扰。
●记忆指数计算
◆子系统信息衰减函数计算公式
Dec(i,k)=[∫EEG(i,t)*EEG(i,t+k)*dt]/n
其中Dec(i,k)为子系统信息衰减函数;EEG(i,t)为脑电图信号,时间序列函数;
i为导联序号,函数的自变量;k为EEG时间间隔,函数的自变量;t为EEG的时
间坐标,函数的自变量;n为EEG的记录长度;∫、dt为积分单元。
◆子系统信息衰减率计算公式
Dec_E(i)=∫Dec(i,k)*dk
其中Dec_E(i)为子系统信息衰减函数Dec(i,k)的数学期望值。
◆主系统信息衰减率计算公式
α=∫Dec_E(i)*di
◆主系统记忆指数计算公式
Mem=1-α
●联想指数计算
◆子系统间传输响应衰减函数计算公式
Tra(i,j,k)=[∫EEG(i,t)*EEG(j,t+k)*dt]/n
其中Tra(i,j,k)为子系统间传输响应衰减函数;i、j为导联序号,k为时间间隔。
EEG(i,t)、EEG(j,t+k)为脑电图信号。
◆子系统间传输响应衰减率计算公式
Tra_E(i,j)=∫Tra(i,j,k)*dk
其中Tra_E(i,j)为子系统间传输相应衰减函数Tra(i,j,k)的数学期望值。
◆主系统传输响应衰减率计算公式
β=∫[∫Tra_E(i,j)*di]*dj
◆主系统联想指数计算公式
Asca=1-β
●负荷指数计算
◆子系统负荷分布函数计算公式
Pow(i,f)=∫EEG(i,t)*EEG(i,t)*dt
其中Pow(i,f)为子系统工作负荷分布函数;i为导联序号,f为频率。
◆子系统负荷指数计算公式
Pow(i)=∫Pow(i,f)*df
其中Pow(i)为子系统工作负荷分布函数Pow(i,f)的数学期望值。
◆主系统负荷指数计算公式
Wabil=∫Pow(i)*di
●应激指数计算
◆子系统应激指数计算公式
Bal(i)=Max{Pow(i,f)}(f)
其中Bal(i)为子系统应激指数;Max为对f求极值。
◆主系统应激指数计算公式
Babil=∫Bal(i)*di
●综合评价
(a)当Mem<M1时,记忆功能差;
当M1≤Mem<M2时,记忆功能中等;
当M2≤Mem<M3时,记忆功能良好;
当M3≤Mem时,记忆功能优秀。
(b)当Asca<A1时,联想功能差;
当A1≤Asca<A2时,联想功能中等;
当A2≤Asca<A3时,联想功能良好;
当A3≤Asca时,联想功能优秀。
(c)当Wabil<W1时,工作负荷能力差;
当W1≤Wabil<W2时,工作负荷能力中等;
当W2≤Wabil<W3时,工作负荷能力良好;
当W3≤Wabil时,工作负荷能力优秀。
(d)当Babil<B1时,应激能力差;
当B1≤Babil<B2时,应激能力中等;
当B2≤Babil<B3时,应激能力良好;
当B3≤Babil≤B4时,应激能力优秀;
当B4<Babil≤B5时,应激能力良好;
当B5<Babil≤B6时,应激能力中等;
当B6<Babil时,应激能力差。
●参数范围:
M1=0.1,M2=0.15,M3=0.30
A1=0.1,A2=0.15,A3=0.30
W1=0.35,W2=0.50,W3=0.70
B1=7.0,B2=8.0,B3=9.0,B4=11.0,B5=13.0,B6=14.0
Claims (2)
1.一种新型脑功能检测装置,其特征在于:由脑信息预处理(3)、记忆指数计算(4)、联想指数计算(5)、负荷指数计算(6)、应激指数计算(7)、脑功能综合评定(8),共六个部分组成,其中,脑信息预处理(3)包括对脑信息的筛选、数字滤波;记忆指数计算(4)是对经过预处理的脑信息计算记忆功能指数;联想指数计算(5)是对经过预处理的脑信息计算联想功能指数;负荷指数计算(6)是对经过预处理后的脑信息计算工作负荷能力指数;应激指数计算(7)是对经过预处理后的脑信息计算应激能力指数;脑功能综合评价(8)是对计算、分析的结果进行综合评价。
2.根据权利要求1所述的脑功能检测装置,与其相关联的计算步骤,其特征为:
(A)记忆指数计算方法;
(B)联想指数计算方法;
(C)负荷指数计算方法;
(D)应激指数计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110187223XA CN102274023A (zh) | 2011-07-06 | 2011-07-06 | 一种新型脑功能检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110187223XA CN102274023A (zh) | 2011-07-06 | 2011-07-06 | 一种新型脑功能检测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102274023A true CN102274023A (zh) | 2011-12-14 |
Family
ID=45099998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110187223XA Pending CN102274023A (zh) | 2011-07-06 | 2011-07-06 | 一种新型脑功能检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102274023A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102715889A (zh) * | 2012-06-11 | 2012-10-10 | 天津大学 | 一种脑力负荷检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1552284A (zh) * | 2003-12-18 | 2004-12-08 | 常州市第一人民医院 | 儿童认知功能发育测试系统 |
US20090198145A1 (en) * | 2008-02-06 | 2009-08-06 | Chow Harrison | Compositions, methods, and systems for rapid induction and maintenance of continuous rem sleep |
-
2011
- 2011-07-06 CN CN201110187223XA patent/CN102274023A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1552284A (zh) * | 2003-12-18 | 2004-12-08 | 常州市第一人民医院 | 儿童认知功能发育测试系统 |
US20090198145A1 (en) * | 2008-02-06 | 2009-08-06 | Chow Harrison | Compositions, methods, and systems for rapid induction and maintenance of continuous rem sleep |
Non-Patent Citations (1)
Title |
---|
王宪举 等: "《信息的记忆与联想》", 《现代电生理学杂志》, vol. 16, no. 4, 31 December 2009 (2009-12-31), pages 217 - 222 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102715889A (zh) * | 2012-06-11 | 2012-10-10 | 天津大学 | 一种脑力负荷检测方法 |
CN102715889B (zh) * | 2012-06-11 | 2014-01-29 | 天津大学 | 一种脑力负荷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | On Holo-Hilbert spectral analysis: a full informational spectral representation for nonlinear and non-stationary data | |
Jarque-Bou et al. | A systematic review of EMG applications for the characterization of forearm and hand muscle activity during activities of daily living: Results, challenges, and open issues | |
Rehman et al. | Multivariate empirical mode decomposition | |
Liu et al. | Edge deep learning for neural implants: a case study of seizure detection and prediction | |
Zhang et al. | MFFNet: Multi-dimensional Feature Fusion Network based on attention mechanism for sEMG analysis to detect muscle fatigue | |
AlOmari et al. | Analysis of extracted forearm sEMG signal using LDA, QDA, K-NN classification algorithms | |
Nodera et al. | Deep learning for waveform identification of resting needle electromyography signals | |
CN109512395B (zh) | 一种生物信号的分析处理方法、装置及设备 | |
Shen et al. | A High‐Precision Fatigue Detecting Method for Air Traffic Controllers Based on Revised Fractal Dimension Feature | |
Xu et al. | A novel SE-CNN attention architecture for sEMG-based hand gesture recognition | |
Jaramillo-Yanez et al. | Short-term hand gesture recognition using electromyography in the transient state, support vector machines, and discrete wavelet transform | |
Ellis et al. | A Systematic Approach for Explaining Time and Frequency Features Extracted by Convolutional Neural Networks From Raw Electroencephalography Data | |
CN118230971A (zh) | 医疗信息抽取方法、装置、电子设备和存储介质 | |
Wang et al. | A study on the classification effect of sEMG signals in different vibration environments based on the lda algorithm | |
Tang et al. | Epileptic seizure detection based on path signature and bi-LSTM network with attention mechanism | |
AlOmari et al. | Novel hybrid soft computing pattern recognition system SVM–GAPSO for classification of eight different hand motions | |
Sriramoju et al. | SKETCHING-BASED HIGH-PERFORMANCE BIG DATA PROCESSING ACCELERATOR | |
Liu et al. | An automatic ECG signal quality assessment method based on resnet and self-attention | |
CN116473556A (zh) | 一种基于多位点皮肤生理响应的情感计算方法及系统 | |
Irungu et al. | ML-ECG-COVID: A Machine Learning-Electrocardiogram Signal Processing Technique for COVID-19 Predictive Modeling | |
Chen et al. | ICA-based muscle–tendon units localization and activation analysis during dynamic motion tasks | |
CN102274023A (zh) | 一种新型脑功能检测装置及方法 | |
Zhou et al. | A smart universal single-channel blind source separation method and applications | |
CN115299960A (zh) | 基于短时变分模态分解的电信号分解方法及脑电信号分解装置 | |
Zhang et al. | EEG-based real-time diagnostic system with developed dynamic 2TEMD and dynamic ApEn algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111214 |