CN102525422B - 基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法 - Google Patents
基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法 Download PDFInfo
- Publication number
- CN102525422B CN102525422B CN201110442356.7A CN201110442356A CN102525422B CN 102525422 B CN102525422 B CN 102525422B CN 201110442356 A CN201110442356 A CN 201110442356A CN 102525422 B CN102525422 B CN 102525422B
- Authority
- CN
- China
- Prior art keywords
- lambda
- epsiv
- hhb
- delta
- wavelength
- 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.)
- Expired - Fee Related
Links
Images
Abstract
Description
技术领域
本发明涉及一种信号提取方法,具体涉及基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法。
背景技术
近红外光谱技术能提供脑功能活动过程中的大脑皮层血氧代谢信息——氧合血红蛋白浓度变化Δ[HbO2]和还原血红蛋白浓度变化Δ[HHb],可用于脑功能活动的检测。然而,通过近红外光谱技术进行诱发激励时脑功能活动的检测,会受到人体的生理活动如心脏跳动、呼吸、低频振荡、超低频振荡的影响,称之为生理干扰。这种生理干扰不但出现在头皮、颅骨和脑脊液等外层脑组织中,也出现在脑灰质和脑白质等深层脑组织中,严重影响了脑功能活动信号的准确提取。
由于生理干扰来源于人体不同的生理活动,因而具有多个成分。当脑组织非均匀性严重时,将造成不同生理活动在空间不同位置上对生理干扰的“贡献”不同。对于这种情况,比较可行的办法是对不同类型的干扰进行单独估计。一种方法是通过血压检测仪,呼吸计等仪器获得每个生理干扰的参考信号,然后通过卡尔曼滤波跟踪不同的生理干扰,但这种方法需要借助额外的设备;另一种方法是通过多个先验频率的正弦或余弦信号作为生理干扰的参考信号,通过卡尔曼滤波进行生理干扰的估计,但这需要知道被测者生理干扰频率信息的先验知识,但由于个体差异这在实际应用中往往并不易于实现。
发明内容
本发明的目的是为了解决当脑组织非均匀性严重时采用近红外光谱技术检测脑功能活动过程中氧合血红蛋白浓度变化Δ[HbO2]和还原血红蛋白浓度变化Δ[HHb]难以检测的问题。
本发明方法包括以下步骤:
步骤一、在待测脑组织的头皮表面放置由双波长光源S和检测器D1和D2构成的近红外探头,其中,双波长光源S到检测器D1之间的直线距离为r1,5mm≤r1≤10mm,用于敏感外层脑组织的血液动力学变化;双波长光源S到检测器D2之间的直线距离为r2,30mm≤r2≤45mm,能够敏感大脑皮质的血液动力学变化,通过检测器记录大脑安静状态下的漫反射光强和大脑处于诱发激励时的漫反射光强,以获得两个不同波长λ1和λ2时的光密度变化量的时间序列:和,和,k为时间,k=1,2,...,N;N为正整数,表示在双波长光源S到检测器D1之间的直线距离为r1且波长为λ1时光密度变化量的时间序列,表示在双波长光源S到检测器D1之间的直线距离为r1且波长为λ2时光密度变化量的时间序列,表示在双波长光源S到检测器D2之间的直线距离为r2且波长为λ1时光密度变化量的时间序列,表示在双波长光源S到检测器D2之间的直线距离为r2且波长为λ2时光密度变化量的时间序列;
步骤二、根据步骤一获得的光密度变化量的时间序列并采用修正朗伯比尔定律获取r1测得的氧合血红蛋白浓度变化量的时间序列Δ[HbO2]N(k)和还原血红蛋白浓度变化量的时间序列Δ[HHb]N(k),r2测得的氧合血红蛋白浓度变化量的时间序列Δ[HbO2]F(k)和还原血红蛋白浓度变化量的时间序列Δ[HHb]F(k);
其中,εHHb(λ1)为探头光源的波长为λ1时的消光系数,
DPF为差分路径因子;
步骤三、用x(k)表示步骤二中的Δ[HbO2]N(k)或Δ[HHb]N(k),用经验模态分解将x(k)分解为N个固态模式函数分量IMF分量,将剩余分量作为最后的IMF分量,则x(k)表示为
其中,ci(k)为分解的IMF分量;
步骤四、用d(k)表示步骤二中的Δ[HbO2]F(k)或Δ[HHb]F(k),d(k)中包含脑功能活动信号r(k)和生理干扰i(k),即d(k)=r(k)+i(k),采用线性映射关系,用ci(k)的线性组合表示i(k)的估计,即
其中,e(k)为脑功能活动信号估计;
进一步表示为
其中,χ为指数加权因子,χ=0.99;n=1,…k,k为正整数,i=1,2,...,N,N为正整数,求解使J(k)最小的wi(k),获得脑功能活动信号估计e(k)。
本发明的优点:本发明方法在多距测量方法的基础上,考虑近端检测器D1获得的血液动力学参数和远端检测器D2受到的生理干扰具有相关性以及每一类型的生理干扰对测量结果的影响可能不同的特点,通过经验模态分解对近端测量结果进行分解得到IMF分量,并通过对IMF分量建立线性映射来估计测量信号中的生理干扰。经验模态分解能将复合信号分解为一系列的固态模式函数,并且分解的固态模式函数具有很好的瞬时频率特性,适用于非线性非平稳信号的分析。本发明通过用经验模态分解算法分解近端检测器测得的外层组织血液动力学参数,从而获得表示外层组织血液动力学参数的固态模式函数分量,并通过优化算法调节不同固态模式函数分量来估计期望信号中的生理干扰,实现对脑功能信号的准确提取的目的。
附图说明
图1是基于多距测量方法的近红外脑功能活动检测探头结构,其中a表示头皮,b表示颅骨,c表示脑脊液,d表示脑灰质,e表示脑白质;图2为基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法原理框图,其中f表示经验模态分解,g表示递归最小二乘算法。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式方法包括以下步骤:
步骤一、在待测脑组织的头皮表面放置由双波长光源S和检测器D1和D2构成的近红外探头,其中,双波长光源S到检测器D1之间的直线距离为r1,5mm≤r1≤10mm,用于敏感外层脑组织的血液动力学变化;双波长光源S到检测器D2之间的直线距离为r2,30mm≤r2≤45mm,能够敏感大脑皮质的血液动力学变化,通过检测器记录大脑安静状态下的漫反射光强和大脑处于诱发激励时的漫反射光强,以获得两个不同波长λ1和λ2时的光密度变化量的时间序列:和 和k为时间,k=1,2,...,N;N为正整数,表示在双波长光源S到检测器D1之间的直线距离为r1且波长为λ1时光密度变化量的时间序列,表示在双波长光源S到检测器D1之间的直线距离为r1且波长为λ2时光密度变化量的时间序列,表示在双波长光源S到检测器D1之间的直线距离为r2且波长为λ1时光密度变化量的时间序列,表示在双波长光源S到检测器D1之间的直线距离为r2且波长为λ2时光密度变化量的时间序列;
步骤二、根据步骤一获得的光密度变化量的时间序列并采用修正朗伯比尔定律获取r1测得的氧合血红蛋白浓度变化量的时间序列Δ[HbO2]N(k)和还原血红蛋白浓度变化量的时间序列Δ[HHb]N(k),r2测得的氧合血红蛋白浓度变化量的时间序列Δ[HbO2]F(k)和还原血红蛋白浓度变化量的时间序列Δ[HHb]F(k);
其中,εHHb(λ1)为探头光源的波长为λ1时的消光系数,
DPF为差分路径因子;
步骤三、用x(k)表示步骤二中的Δ[HbO2]N(k)或Δ[HHb]N(k),用经验模态分解将x(k)分解为N个固态模式函数分量IMF分量,将剩余分量作为最后的IMF分量,则x(k)表示为
其中,ci(k)为分解的IMF分量;
步骤四、用d(k)表示步骤二中的Δ[HbO2]F(k)或Δ[HHb]F(k),d(k)中包含脑功能活动信号r(k)和生理干扰i(k),即d(k)=r(k)+i(k),采用线性映射关系,用ci(k)的线性组合表示i(k)的估计,即
其中,e(k)为脑功能信号,r(k)为e(k)的脑功能信号估计;
进一步表示为
其中,χ为指数加权因子,χ=0.99;n=1,…k,k为正整数,i=1,2,...,N,N为正整数,求解使J(k)最小的wi(k),获得脑功能信号e(k)。
具体实施方式二、本实施方式与具体实施方式一的区别在于:步骤一所述的双波长光源发出的两种波长分别为λ1=760nm,λ2=850nm。
具体实施方式三、本实施方式与具体实施方式一的区别在于:步骤一所述的光源S与检测器D1的间距为10mm,发光源S与检测器D2的间距为40mm。
其中:为探头光源的波长为λ1时,大脑处于安静状态下时检测器D1测得的出射光强;为探头光源的波长为λ1时,大脑处于安静状态下时检测器D2测得的出射光强;为探头光源的波长为λ1时,大脑处于诱发激励时检测器D1测得的出射光强;为探头光源的波长为λ1时,大脑处于诱发激励时检测器D2测得的出射光强。
其中:为探头光源的波长为λ2时,大脑处于安静状态下时检测器D1测得的出射光强,为探头光源的波长为λ2时,大脑处于诱发激励时检测器D1测得的出射光强;为探头光源的波长为λ2时,大脑处于安静状态下时检测器D2测得的出射光强,为探头光源的波长为λ2时,大脑处于诱发激励时检测器D2测得的出射光强。
具体实施方式五、本实施方式与具体实施方式一的区别在于:步骤六的脑功能信号e(k)的获得方法为:
步骤六一、通过最小二乘估计准则表示使脑功能信号e(k)的累计平方误差性能函数J(k)最小,J(k)表示为
步骤六二、求解最优系数wi(k):
通过对J(k)相对于wi(k)求导,将求导结果置为0,即
由上式得到
或
其中,Pj(k)和Rij(k)的表达式为
其矩阵形式的表示为
可进一步简化为
R(k)w(k)=p(k)
若矩阵R(k)非奇异,最优系数通过下式计算得到
w*(k)=R-1(k)p(k)
其中,w*(k)表示为w(k)的最优解,
R-1(K)为R(K)的逆矩阵,
步骤六三、求解脑功能信号e(k):
e(k)=d(k)-cT(k)w*(k),
其中cT(k)表示的是c(k)的转置矩阵,w*(k)表示求解的最优系数向量。
通过单光源双检测器的探头结构,光源采用双波长光源λ1=760nm,λ2=850nm,光源S到检测器D1的直线距离即光源检测器间距为10mm,光源S到检测器D2的直线距离即光源检测器间距为40mm。光源检测器间距为近红外光探测深度的两倍,这样设置能够使D2检测的近红外光可有效穿入大脑皮层,D1检测的近红外光仅穿头外层脑组织。将获得的光密度变化通过修正朗伯比尔定律转变为氧合血红蛋白浓度变化量的时间序列Δ[HbO2]N(k)、Δ[HbO2]F(k)和还原血红蛋白浓度变化量的时间序列Δ[HHb]N(k)、Δ[HHb]F(k)。通过经验模态分解算法对近端血液动力学变化Δ[HbO2]N(k)或Δ[HHb]N(k)分解为固态模式函数分量。将IMF分量进行线性组合估计Δ[HbO2]F(k)或Δ[HHb]F(k)中的生理干扰,通过自适应滤波算法将构建脑功能活动信号e(k)。通过最小二乘估计准则求解使脑功能信号e(k)的累计平方误差性能函数J(k)最小,e(k)即是通过自适应滤波剔除生理干扰的脑功能活动信号。
Claims (5)
1.基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法,其特征在于:它包括以下步骤:
步骤一、在待测脑组织的头皮表面放置由双波长光源S和检测器D1和D2构成的近红外探头,其中,双波长光源S到检测器D1之间的直线距离为r1,5mm≤r1≤10mm,用于敏感外层脑组织的血液动力学变化;双波长光源S到检测器D2之间的直线距离为r2,30mm≤r2≤45mm,能够敏感大脑皮质的血液动力学变化,通过检测器记录大脑安静状态下的漫反射光强和大脑处于诱发激励时的漫反射光强,以获得两个不同波长λ1和λ2时的光密度变化量的时间序列:和,和,k为时间,k=1,2,...,N;N为正整数,表示在双波长光源S到检测器D1之间的直线距离为r1且波长为λ1时光密度变化量的时间序列,表示在双波长光源S到检测器D1之间的直线距离为r1且波长为λ2时光密度变化量的时间序列,表示在双波长光源S到检测器D2之间的直线距离为r2且波长为λ1时光密度变化量的时间序列,表示在双波长光源S到检测器D2之间的直线距离为r2且波长为λ2时光密度变化量的时间序列;
步骤二、根据步骤一获得的光密度变化量的时间序列并采用修正朗伯比尔定律获取r1测得的氧合血红蛋白浓度变化量的时间序列Δ[HbO2]N(k)和还原血红蛋白浓度变化量的时间序列Δ[HHb]N(k),r2测得的氧合血红蛋白浓度变化量的时间序列Δ[HbO2]F(k)和还原血红蛋白浓度变化量的时间序列Δ[HHb]F(k);
其中,εHHb(λ1)为探头光源的波长为λ1时的消光系数,
DPF为差分路径因子;
步骤三、用x(k)表示步骤二中的Δ[HbO2]N(k)或Δ[HHb]N(k),用经验模态分解将x(k)分解为N个固态模式函数分量IMF分量,将剩余分量作为最后的IMF分量,则x(k)表示为
其中,ci(k)为分解的IMF分量;
步骤四、用d(k)表示步骤二中的Δ[HbO2]F(k)或2[HHb]F(k),d(k)中包含脑功能活动信号r(k)和生理干扰i(k),即d(k)=r(k)+i(k),采用线性映射关系,用ci(k)的线性组合表示i(k)的估计,即
其中,为i(k)的估计,i=1,2,...,N,wi(k)为第i个IMF分量的权系数;
其中,e(k)为脑功能活动信号估计;
进一步表示为
其中,χ为指数加权因子,χ=0.99;n=1,…k,k为正整数,i=1,2,...,N,N为正整数,求解使J(k)最小的wi(k),获得脑功能活动信号估计e(k)。
2.根据权利要求1所述的基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法,其特征在于:步骤一所述的双波长光源发出的两种波长分别为λ1=760nm,λ2=850nm。
3.根据权利要求1所述的基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法,其特征在于:步骤一所述的光源S与检测器D1的间距为10mm,光源S与检测器D2的间距为40mm。
其中:为探头光源的波长为λ1时,大脑处于安静状态下时检测器D1测得的出射光强;为探头光源的波长为λ1时,大脑处于安静状态下时检测器D2测得的出射光强;为探头光源的波长为λ1时,大脑处于诱发激励时检测器D1测得的出射光强;为探头光源的波长为λ1时,大脑处于诱发激励时检测器D2测得的出射光强,
5.根据权利要求1所述的基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法,其特征在于:步骤六的脑功能活动信号估计e(k)的获得方法为:
步骤六一、通过最小二乘估计准则表示使脑功能活动信号估计e(k)的累计平方误差性能函数J(k)最小,J(k)表示为
步骤六二、求解最优系数wi(k):
通过对J(k)相对于wi(k)求导,将求导结果置为0,即
由上式得到
或
其中,Pj(k)和Rij(k)的表达式为
其矩阵形式的表示为
可进一步简化为
R(k)w(k)=p(k)
若矩阵R(k)非奇异,最优系数通过下式计算得到
w*(k)=R-1(k)p(k)
其中,w*(k)表示为w(k)的最优解,
R-1(K)为R(K)的逆矩阵,
步骤六三、求解脑功能活动信号估计e(k):
e(k)=d(k)-cT(k)w*(k),
其中cT(k)表示的是c(k)的转置矩阵,w*(k)表示求解的最优系数向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110442356.7A CN102525422B (zh) | 2011-12-26 | 2011-12-26 | 基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110442356.7A CN102525422B (zh) | 2011-12-26 | 2011-12-26 | 基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102525422A CN102525422A (zh) | 2012-07-04 |
CN102525422B true CN102525422B (zh) | 2014-04-02 |
Family
ID=46334398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110442356.7A Expired - Fee Related CN102525422B (zh) | 2011-12-26 | 2011-12-26 | 基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102525422B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102973279B (zh) * | 2012-12-18 | 2014-09-17 | 哈尔滨工业大学 | 独立成分分析联合最小二乘法的近红外脑机接口的信号检测方法 |
CN104182645A (zh) * | 2014-09-01 | 2014-12-03 | 黑龙江省计算中心 | 基于经验模态分解和滑动时间窗加权最小二乘法的脑机接口信号提取方法 |
CN104224165B (zh) * | 2014-09-17 | 2016-05-11 | 哈尔滨工业大学 | 基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法 |
CN105962950A (zh) * | 2016-07-07 | 2016-09-28 | 哈尔滨工业大学 | 基于最小二乘支持向量机的近红外脑功能信号提取方法 |
CN107174204B (zh) * | 2017-05-12 | 2020-07-24 | 哈尔滨工业大学 | 基于总体最小二乘法的近红外脑功能信号处理方法 |
CN108464813A (zh) * | 2018-01-30 | 2018-08-31 | 东南大学 | 采用高-低双密度光极配置的功能性近红外脑功能成像系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4281645A (en) * | 1977-06-28 | 1981-08-04 | Duke University, Inc. | Method and apparatus for monitoring metabolism in body organs |
CN101972148A (zh) * | 2010-11-19 | 2011-02-16 | 哈尔滨工业大学 | 基于经验模态分解的近红外脑功能检测的扰动消除方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10315574A1 (de) * | 2003-04-05 | 2004-10-28 | ETH Zürich | Vorrichtung zur Bestimmung des Blutflusses in einem Organ |
US8082015B2 (en) * | 2004-04-13 | 2011-12-20 | The Trustees Of The University Of Pennsylvania | Optical measurement of tissue blood flow, hemodynamics and oxygenation |
-
2011
- 2011-12-26 CN CN201110442356.7A patent/CN102525422B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4281645A (en) * | 1977-06-28 | 1981-08-04 | Duke University, Inc. | Method and apparatus for monitoring metabolism in body organs |
CN101972148A (zh) * | 2010-11-19 | 2011-02-16 | 哈尔滨工业大学 | 基于经验模态分解的近红外脑功能检测的扰动消除方法 |
Non-Patent Citations (2)
Title |
---|
基于经验模态分解的近红外光谱预处理方法;蔡剑华等;《光学学报》;20100131;第30卷(第1期);267-271 * |
蔡剑华等.基于经验模态分解的近红外光谱预处理方法.《光学学报》.2010,第30卷(第1期),267-271. |
Also Published As
Publication number | Publication date |
---|---|
CN102525422A (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102525422B (zh) | 基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法 | |
CN102512142B (zh) | 基于多距测量方法的递归最小二乘自适应滤波近红外脑功能活动信号提取方法 | |
CN101972148B (zh) | 基于经验模态分解的近红外脑功能检测的扰动消除方法 | |
US10825569B2 (en) | Universal non-invasive blood glucose estimation method based on time series analysis | |
CN102973279B (zh) | 独立成分分析联合最小二乘法的近红外脑机接口的信号检测方法 | |
CN101502414B (zh) | 用于确定生理参数的装置和方法 | |
US20150105666A1 (en) | Narrow band feature extraction from cardiac signals | |
EP2353506A1 (en) | System and apparatus for non-invasive measurement of glucose levels in blood | |
CN110338813B (zh) | 一种基于频谱分析的无创血糖检测方法 | |
EP1885235A1 (en) | Improved method for spectrophotometric blood oxygenation monitoring | |
Zhang et al. | RLS adaptive filtering for physiological interference reduction in NIRS brain activity measurement: a Monte Carlo study | |
WO2009100423A1 (en) | Improved method for spectrophotometric blood oxygenation monitoring | |
Addison et al. | Secondary wavelet feature decoupling (SWFD) and its use in detecting patient respiration from the photoplethysmogram | |
Ram et al. | Adaptive reduction of motion artifacts from PPG signals using a synthetic noise reference signal | |
Ram et al. | On the performance of Time Varying Step-size Least Mean Squares (TVS-LMS) adaptive filter for MA reduction from PPG signals | |
WO2011110491A1 (en) | A non-invasive system and method for diagnosing and eliminating white coat hypertention and white coat effect in a patient | |
EP3610787B1 (en) | Wearable device, and method and apparatus for eliminating exercise interference | |
Ramasahayam et al. | Noninvasive estimation of blood glucose concentration using near infrared optodes | |
CN104182645A (zh) | 基于经验模态分解和滑动时间窗加权最小二乘法的脑机接口信号提取方法 | |
Pathirage et al. | Removing subject dependencies on non-invasive blood glucose measurement using hybrid techniques | |
CN109596552B (zh) | 利用单距离光源-探测器对测量组织血氧饱和度的方法 | |
JP6795453B2 (ja) | 測定装置及び測定方法 | |
CN110755089A (zh) | 血氧检测方法、血氧检测装置和终端设备 | |
CN112914564A (zh) | 一种婴幼儿血氧饱和度监测方法及智能监测装置 | |
JP6813848B2 (ja) | 成分濃度測定装置及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140402 Termination date: 20141226 |
|
EXPY | Termination of patent right or utility model |