CN103845052A - 基于采集脑电信号的人体昏厥预警方法 - Google Patents

Abstract

本发明提出一种基于采集脑电信号的人体昏厥预警方法。该方法包括：通过脑电图EEG采集仪采集不同G值下载人离心机的M个通道的脑电信号，其中，M为正整数；对M个通道中的脑电信号进行预处理，以获取M个通道中每个通道的低频脑电数据；根据低频脑电数据获取每个脑电信号的频段在每个数据段的参数相关率当参数相关率符合昏厥前预警条件时，进行人体昏厥预警提醒。本发明实施例的方法，可对人体昏厥前的状态进行提前识别和预警，有利于全面了解受训者的体征，指导人体训练具有实际应用价值。

Description

基于采集脑电信号的人体昏厥预警方法

技术领域

本发明涉及航空医学及生物医学工程领域，尤其涉及一种基于采集脑电信号的人体昏厥预警方法。

背景技术

高性能战斗机问世以来，高G防护已成为航空医学亟待解决的重大理论和现实问题。重力加速度引起的意识丧失（G－LOC(G-induced loss of consciousness，G-LOC）严重威胁着飞行安全。为此，在飞行和训练中，为了保证飞行员的安全，需要实时监测人体的生理状态以进行判断和预警。

目前，可通过监测飞行员的心电、耳脉信号和脑电信号来了解飞行员的身体状态。其中，心电中的心律失常经常作为训练过程中停机的指标，并且心率是选拔高G特级飞行和储备飞行员的具有价值的重要指标。当心电中的心律失常时，说明人体的心脏已出现严重异常，此时需要立即停机以免对受试者造成更大的伤害。耳脉搏和头水平血压具有一致性，通常耳脉搏可作为判断+Gz耐力终点的客观指标，其中，+Gz表示z轴正方向的重力加速度。通常耳脉搏拉平1～2秒，即可作为黑视或意识丧失的预警。现在普遍认为脑电信号是一个很好的检测指标，目前可通过缺氧、意识丧失、下体负压等各种方法来模拟高G时产生的加速度效果来间接研究高G环境下的脑电变化特征。

目前存在的问题是，由于心率的变化受个体差异影响较大，且和行为及心理活动密切相关，容易受到外界影响，因此，将其作为耐力终点判别意义不大。耳脉反映的是脑颅外动脉压的变化，并不是脑颅内动脉压的变化。此外，由于受温度的影响，所测量的耳脉信号并不准确，且不稳定。脑电信号的研究目前多基于静态脑电数据来研究人体处于昏厥或已经临近昏厥时的脑电变化特征，并且以目测分析暴发性的高幅慢波为特征，当发现肉眼可辨识的“高幅慢波”(比如δ波或θ波)时，脑功能状态可能已处于严重的抑制状态，再进行G-LOC预警已失去意义。此外，由于个体不同产生的差异，目前评价脑电变化的判断依据并不准确，缺乏客观性。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的目的在于提出一种基于采集脑电信号的人体昏厥预警方法。该方法可对人体大脑昏厥前的状态进行提前识别和预警，从而避免了对受训者造成更大的伤害，对解决高G防护问题具有重要现实意义。

为了实现上述目的，本发明实施例的基于采集脑电信号的人体昏厥预警方法，包括：通过脑电图EEG采集仪采集不同G值下载人离心机的M个通道中的脑电信号，其中，M为正整数；对所述M个通道中的脑电信号进行预处理，以获取所述M个通道中每个通道的低频脑电数据；根据所述低频脑电数据获取每个所述脑电信号的频段在每个数据段的参数相关率

当所述参数相关率

符合昏厥前预警条件时，进行人体昏厥预警提醒。

本发明实施例的基于采集脑电信号的人体昏厥预警方法，具有以下有益效果：1、通过直接在载人离心机上开展人体实验，研究离心机+Gz下的脑电变化特征，根据脑电变化特征可以充分了解到晕厥前或G-LOC前仅通过肉眼判图而无法了解的有关的脑功能状态的变化信息，并根据参数相关率的变化情况对+Gz引起的晕厥提出预警及判别方法，对于全面了解受训者的体征，指导人体训练具有实际应用价值，对于提醒飞行员在训练和执行飞行任务中及早采取相应的防护措施，解决高G防护问题具有重要现实意义；2、通过参数相关率

可以消除个体不同产生的差异，在评价人体的脑电变化时能够给出客观的和较为准确的判断依据。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中，

图1是本发明一个实施例的基于采集脑电信号的人体昏厥预警方法的流程图；

图2是alpha频带的参数相关率

随不同G值变化的示意图；以及

图3是beta频带的参数相关率

随不同G值变化的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

下面参考附图描述本发明实施例的基于采集脑电信号的人体昏厥预警方法。

目前，由于在载人离心机上对人体进行试验要求的特殊性以及+Gz环境下脑电信号易受干扰并且脑电信号的测量难度较大。因此，目前对脑电变化特征的研究多通过缺氧、意识丧失、下体负压等各种方法来间接研究高G环境下的脑电变化特征，其主要以目测分析暴发性的高幅慢波为特征。然而，当发现肉眼可辨识的“高幅慢波”时，人体脑功能状态可能已处于严重的抑制状态，此时再对G-LOC进行预警已失去意义。如果可以在不同G值下，直接采集载人离心机中的脑电信号，并对采集到的脑电信号进行综合分析以获取不同G值下人体昏厥前或G-LOC前脑电信号的变化特征，则可以更方便地了解受训者的体征变化，当飞行员或者受训者在训练和执行任务中如果脑电变化符合预设昏厥前则可进行提前预警，并及时采取相应的防护措施，从而避免了对飞行员或者受试者造成更大的伤害。为此，本发明提出了一种基于采集脑电信号的人体昏厥预警方法。

图1是本发明一个实施例的基于采集脑电信号的人体昏厥预警方法的流程图。

如图1所示，该基于采集脑电信号的人体昏厥预警方法包括。

S101，通过脑电图EEG采集仪采集不同G值（即重力加速度值）下载人离心机的M个通道中的脑电信号，其中，M为正整数。

具体而言，在新型三轴向高性能新型载人离心机中进行人体试验。其中，新型三轴向高性能新型载人离心机主臂长度为8m，具有3轴向加速度。每个轴向的加速度变化将会对人体产生不同的影响，Gz方向的加速度对人体脑电信号的影响最大，也就是说，z轴方向的重力加速度对人体脑电信号的影响最大。本发明主要研究+Gz（即，z轴正方向的重力加速度）作用下人体脑电信号的变化情况，也就是说，主要研究受训者在受到z轴正方向的重力加速度而引起的脑电信号的变化情况。因此在设计新型三轴向高性能新型载人离心机的加速度曲线时，将Gx和Gy方向的加速度值（即x轴和y轴方向的重力加速度）控制地尽可能的小。例如，可将Gx方向的加速度控制在1以下，Gy方向的加速度控制在0.5以下。

进一步而言，每一次运行的加速度曲线的具体设置为：离心机静止时，受试者感受加速度为1G。新型三轴向高性能新型载人离心机启动时先以1G/s的加速度增长率到达基线持续数秒，之后以3G/s的加速度增长率到达而各次运行的设定的最大G值，持续10s-15s后，再以3G/s的加速度增长率降为1G，回到初始状态，离心机停止。其中，直接将受试者曝露于较大G值是危险的，因此每次运行的最大G值从2.5G开始，按照0.5G的幅度递增，直至受试者到达耐力终点或出现停机指标。同时，经验丰富的医生还通过载人离心机的生理信号记录系统对受试者的耳脉和心电信号实时监测并进行记录，每次运行后询问受试者主观对座舱内周边灯和中央灯的视觉感知情况，并结合受试者的表情，对其耐力做出综合判断。

由于动态情况下的脑电信号极其微弱，且易受干扰，因此，动态情况下测量脑电信号的难度相对于静态情况较大。如果电极位置固定不好，或过程中产生松动，则采集到的脑电数据中可用的较少。为了可以准确地采集到动态情况下的脑电数据，可在通过新型三轴向高性能新型载人离心机进行试验时，选用便携式脑电记录仪安装固定在座舱内采集和记录脑电信号。电极安放时，需根据受试者头型的不同大小，为他们佩戴相应型号的紧固网帽，每个电极上加贴医用胶布以加紧固定，防止运转中松动。其中，脑电电极放置采用国际10/20标准，取16路电极，取电极F_p1，F₃，C₃，P₃，O₁，F_p2，F₄，C₄，P₄，O₂，F₇，T₃，T₅，F₈，T₄，T₆。所有电极的参考电极选用同侧耳垂处的电极A₁或A₂，选用单极导联的测量方式。具体而言，在不同G值的作用下，通过新型三轴向高性能新型载人离心机中的便携式脑电记录仪可以采集离心机中的l6路中的脑电信号，也就是说通过16路电极即可获取载人离心机中的16个通道中的脑电信号。

在本发明的实施例中，在获取16个通道中的脑电信号之后，脑电信号首先进入座舱内的干扰抑制盒经过初步的干扰处理，之后进入到座舱内的放大记录盒，以特有格式记录到SD卡上进行后续处理。例如，SD卡的采样频率128Hz。其中，干扰抑制盒和放大记录盒的位置可选取+Gz作用下，脑电信号易被采集和记录的合适位置加以固定。

S102，对M个通道中的脑电信号进行预处理，以获取M个通道中每个通道的低频脑电数据。

在本发明的实施例中，对M个通道中的脑电信号进行预处理，具体包括：可通过带通滤波器对脑电信号进行滤波，并可对滤波后的脑电信号进行伪迹干扰消除处理。

具体地，可将采集到的16个通道中的脑电信号通过带通数字滤波器进行预处理，然后选择合适的小波基，设计合理的小波包分解层数，利用小波包分解重构的方法，消除脑电信号中的肌电、工频电源、基线漂移、电极干扰等信号，主要提取出含有alpha（α）：8-13Hz、beta（β）：13-25Hz、delta（δ）：(0.5-4Hz)、theta（θ）：(4-8Hz)频带的低频脑电数据。具体而言，动态情况下采集的脑电信号中含有各种伪迹干扰，所以需选用合适的方法对其进行伪迹干扰消除，以提高数据特征提取的性能和效果。小波滤波是时频滤波中的一种方法，其可以使信号在不同部位得到相应最佳的时域和频域分辨率，从而把信号在一系列的不同层次的空间上完成分解和重构。它非常适合于对非平稳信号的瞬态特性和时变特性的分析。也就是说，在低频部分，有着较高的频率分辨率和较低的时间分辨率，而在高频部分，则有着较高的时间分辨率和较低的频率分辨率。而其中新兴的小波包方法，比小波分解更为精细，它在低频和高频部分可同时进行分解。即它能够将频带进行多层次划分，进而对多分辨率分析没有进行细分的高频部分进行进一步分解，而且能够根据被分析信号的特征自适应性地选择相应的频带，使之与信号的频谱进行匹配，进而提高时频上的分辨率。其中，脑电信号中的脑电伪迹主要有肌电图EMG（electromyography）、眼电图EOG（electro-oculogram）、体动、旋转、基线漂移及电源等。受训者在座舱内经历+Gz曝露时，不可避免地会紧张且做一定的对抗动作，因此受肌电的影响较大，该频段主要集中在35.8-51Hz的频段；EOG较难去除，它可能混杂在脑电数据的多个频带之中，在消除过程中很容易造成有用信息的丢失，因此根据实验经验可主要对0.5-1Hz频段内的信号进行去除；交流电的工频集中在50Hz左右；电极固定和基线漂移容易形成0.8Hz和0.2Hz以下的低频慢波；离心机旋转产生的干扰作用较强，不可忽视，根据实验可达到的最大G值，离心机主臂半径，通向心加速度的换算公式可计算出可知离心机旋转对信号的干扰大致主要在0.5Hz频率以下。此外，工频电源、磁场、体动等也会产生不同程度的影响。基于以上综合考虑，滤波器下限取1Hz左右，上限取35Hz左右。根据采样频率和动态脑电信号的特点，选择daubechies5小波对原始信号进行6层分解，其最小分辨率可用下式来估计，式中f_s为采样频率

通过小波包方法可较好地去除+Gz作用下的脑电信号中的EMG、工频电源、及其它高频干扰，对基线漂移、电极干扰等低频段的慢波干扰也有较明显的效果，去噪后的信噪比大幅度提高。

S103，根据低频脑电数据获取每个脑电信号的频段在每个数据段的参数相关率

在本发明的实施例中，对低频脑电数据进行分析以获取脑电信号的特征参数，其中，脑电信号的特征参数包括脑电信号特征参数包括平均幅值

平均周期能量比和平均中心频率

对脑电信号的特征参数进行归一化处理，并根据归一化处理后的特征参数获取低频脑电数据的每个频段的估计值B_z；根据每个频段的估计值B_z获取每个频段的参数相关率

其中，z表示脑电信号的各个频段，例如z可为α、β频段或者其他频段。

具体而言，在获取低频脑电数据之后，可对低频脑电数据以预设时间间隔进行周期化处理，并对周期化的脑电数据进行快速傅里叶变换FFT（Fast Fourier Transformation）。例如，可将低频脑电数据以2s为一段，分成连续的多段，以及对各个通道每段的脑电数据进行快速傅里叶变换，并做出每个2s数据段的周期图，其中，周期图由16个通道内的以0.5Hz长度分割的频域中的傅里叶成分的平方和构成。以及在获取周期图之后，可通过各周期图参数把各个通道的信号特征表达出来。

在本发明的实施例中，平均幅值

可通过以下公式计算：

$\left({\stackrel{\‾}{A}}_z\left(\mathrm{\μv}\right)\right)=\underset{j=1}{\overset{16}{\mathrm{\Σ}}}{A}_z\left(j\right)/16$

其中，A_z(j)为第j个通道z频段的脑电信号的幅度，j=1,2，...,16，其中，A_z(j)可通过以下公式计算：

$A_z\left(x\right)=6\sqrt{S_z\left(j\right)}$

其中，S_z(j)表示第j个通道z频段的脑电信号的能量。

在本发明的实施例中，平均周期能量比可通过以下公式计算：

$\left({\stackrel{\‾}{D}}_z(\%)\right)=\underset{j=1}{\overset{16}{\mathrm{\Σ}}}{D}_z\left(j\right)/16$

其中，D_z(j)为第j个通道z频段的脑电信号的周期能量比，j=1,2，...,16，其中，D_z(j)可通过以下公式计算：

D_z(j)=S_z(j)/S_T(j)×100

其中，S_z(j)表示第j个通道z频段的脑电信号的能量，j=1,2，...,16，S_T(j)表示第j个通道T（0.5-25Hz）频段的脑电信号的能量。

在本发明的实施例中，平均中心频率可通过以下公式计算：

$\left({\stackrel{\‾}{F}}_z\left(\mathrm{Hz}\right)\right)=\underset{j=1}{\overset{16}{\mathrm{\Σ}}}{F}_z\left(j\right)/16$

其中，F_z(j)为第j个通道z频段脑电信号的中心频率，j=1,2，...,16，其中，F_z(j)可通过以下公式计算：

$\left({\stackrel{\‾}{F}}_z\left(\mathrm{Hz}\right)\right)=f_z^C\left(j\right)|P_{\max },P_{\max }=\underset{f_{\mathrm{lower}}\≤f_z\left(x\right)\≤f_{\mathrm{upper}}}{\max }P\left(f_z\left(j\right)\right)$

表示第j个通道z频段中最大能量谱的中心频率，f_lower表示第j个通道z频段的下界；f_up表示第j个通道z频段的上界，P(f_z(j))表示第j个通道在z频段的能量。

在本发明的实施例中，在获取每个频道的脑电信号的平均幅值

平均周期能量比

和平均中心频率

后，可通过以下公式对脑电信号的特征参数进行归一化处理：

${\mathrm{\Φ}}_z^Q\left(i\right)=(Q_z\left(i\right)-\min Q_z\left(i\right))/(\max Q_z\left(i\right)-\min Q_z\left(i\right))$

其中，i表示数据段的序列号，Q_z(i)表示

或

或

minQ_z(i)为Q_z(i)中的最小值，maxQ_z(i)为Q_z(i)中的最大值；

具体而言，通过上述归一化公式对脑电信号的平均幅值

平均周期能量比

和平均中心频率

分别进行归一化处理。

在对脑电信号的特征参数进行归一化处理后，可通过以下公式计算估计值B_z：

$B_z\left(i\right)={\mathrm{\Φ}}_z^{\stackrel{\‾}{A}}\left(i\right){\mathrm{\Φ}}_z^{\stackrel{\‾}{D}}\left(i\right){\mathrm{\Φ}}_z^{\stackrel{\‾}{F}}\left(i\right).$

在本发明的实施例中，在获取每个频段的估计值B_z后，可通过以下公式计算参数相关率 $R_z^B(\%):$

$R_z^B\left(i\right)=B_z\left(i\right)/B_z\left(\mathrm{std}\right)\×100$

其中，i表示数据段的序列号，B_z(std)表示数据段为i时，估计值B_z中的标准值。具体而言，数据段为i时，所对应的每个频段的估计值B_z中的最大值通常被定义为该数据段i所对应的标准值。也就是说，不同数据段对应着不同的标准值。通过计算参数相关率可以很好地消除个体不同的差异，因此，在评价脑电变化时能够给出客观的和比较准确的判断依据。

S104，当参数相关率

符合昏厥前预警条件时，进行人体昏厥预警提醒。

在本发明的实施例中，通过反复试验发现，不同G值下alpha（α）：8-13Hz和beta（β）：13-25Hz频段脑电数据的参数相关率变化比较的明显，通过分析参数相关率

和是否满足预设昏厥前条件即可实现人体昏厥前预警。

具体而言，图2和图3是受试者在载人离心机中分别经过了4G和5G的重力加速度所引起的脑电信号和耳脉信号的变化图，并且图2和图3中对G值期间载人离心机的生理信号记录系统记录的耳脉信号所对应的耳脉较低和耳脉拉平的状态分别予以标出。对应耳脉的不同变化状态，参数相关率

和

表现出一定的变化特性。通过分析可以发现当耳脉拉平或者耳脉较低时，参数相关率

和

表现出较明显的变化特性。由于耳脉拉平持续2s通常被认为人体已经处于晕厥前的状态，因此重点研究对应耳脉拉平时的参数相关率

和

的变化特性。即在基于脑电信号分析人体的当前状态时，可以基于参数相关率

和

对人体的当前状态进行分析，并判断参数相关率

和

是否满足预设昏厥前预警条件。在本发明的实施例中，脑电信号的频段包括α频段和β频段，其中α频段和β频段分别为8-13Hz和13-25Hz，昏厥前预警条件为：a.α频段和β频段脑电数据的参数相关率

和

均大于90%；b.在满足条件a后的2～10s内，参数相关率

小于50%，并且参数相关率

小于50%的状态持续段数大于或者等于2。当参数相关率

和

满足预设昏厥前预警条件，即确定人体处于昏厥前状态，进行昏厥预警提醒，从而可避免对受训者造成更大的伤害。

本发明实施例的基于采集脑电信号的人体昏厥预警方法，具有以下有益效果：1、通过直接在载人离心机上开展人体实验，研究离心机+Gz下的脑电变化特征，根据脑电变化特征可以充分了解到晕厥前或G-LOC前仅通过肉眼判图而无法了解的有关的脑功能状态的变化信息，并根据参数相关率的变化情况对+Gz引起的晕厥提出预警及判别方法，对于全面了解受训者的体征，指导人体训练具有实际应用价值，对于提醒飞行员在训练和执行飞行任务中及早采取相应的防护措施，解决高G防护问题具有重要现实意义；2、通过参数相关率

可以消除个体不同产生的差异，在评价脑电变化时能够给出客观的和较为准确的判断依据。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种基于采集脑电信号的人体昏厥预警方法，其特征在于，包括：

通过脑电图EEG采集仪采集不同G值下载人离心机的M个通道中的脑电信号，其中，M为正整数；

对所述M个通道中的脑电信号进行预处理，以获取所述M个通道中每个通道的低频脑电数据；

根据所述低频脑电数据获取每个所述脑电信号的频段在每个数据段的参数相关率 $R_z^B(\%);$

当所述参数相关率符合昏厥前预警条件时，进行人体昏厥预警提醒。

2.如权利要求1所述的方法，其特征在于，所述对M个通道中的脑电信号进行预处理具体包括：

通过带通滤波器对所述脑电信号进行滤波，并对滤波后的脑电信号进行伪迹干扰消除处理。

3.如权利要求1所述的方法，其特征在于，所述根据低频脑电数据获取每个所述脑电信号的频段在每个数据段的参数相关率具体包括：

对所述低频脑电数据进行分析以获取所述脑电信号的特征参数，其中，所述脑电信号的特征参数包括平均幅值

平均周期能量比

和平均中心频率 $\left({\stackrel{\‾}{F}}_z\left(\mathrm{Hz}\right)\right);$

对所述脑电信号的特征参数进行归一化处理，并根据归一化处理后的特征参数获取所述低频脑电数据的每个频段的估计值B_z；

根据所述每个频段的估计值B_z获取每个频段的参数相关率

4.如权利要求3所述的方法，其特征在于，所述平均幅值通过以下公式计算：

$\left({\stackrel{\‾}{A}}_z\left(\mathrm{\μv}\right)\right)=\underset{j=1}{\overset{16}{\mathrm{\Σ}}}{A}_z\left(j\right)/16$

其中，A_z(j)为第j个通道z频段的脑电信号的幅度，j=1,2，...,16，所述A_z(j)可通过以下公式计算：

$A_z\left(x\right)=6\sqrt{S_z\left(j\right)}$

其中，S_z(j)表示第j个通道z频段的脑电信号的能量。

5.如权利要求3所述的方法，其特征在于，所述平均周期能量比

通过以下公式计算：

$\left({\stackrel{\‾}{D}}_z(\%)\right)=\underset{j=1}{\overset{16}{\mathrm{\Σ}}}{D}_z\left(j\right)/16$

其中，D_z(j)为第j个通道z频段的脑电信号的周期能量比，j=1,2，...,16，所述D_z(j)可通过以下公式计算：

D_z(j)=S_z(j)/S_T(j)×100

其中，S_z(j)表示第j个通道z频段的脑电信号的能量，j=1,2，...,16，S_T(j)表示第j个通道T（0.5-25Hz）频段的脑电信号的能量。

6.如权利要求3所述的方法，其特征在于，所述平均中心频率通过以下公式计算：

$\left({\stackrel{\‾}{F}}_z\left(\mathrm{Hz}\right)\right)=\underset{j=1}{\overset{16}{\mathrm{\Σ}}}{F}_z\left(j\right)/16$

其中，F_z(j)为第j个通道z频段脑电信号的中心频率，j=1,2，...,16，所述F_z(j)通过以下公式计算：

$\left({\stackrel{\‾}{F}}_z\left(\mathrm{Hz}\right)\right)=f_z^C\left(j\right)|P_{\max },P_{\max }=\underset{f_{\mathrm{lower}}\≤f_z\left(x\right)\≤f_{\mathrm{upper}}}{\max }P\left(f_z\left(j\right)\right)$

表示第j个通道z频段中最大能量谱的中心频率，f_lower表示第j个通道z频段的下界；f_up表示第j个通道z频段的上界，P(f_z(j))表示第j个通道在z频段的能量。

7.如权利要求3所述的方法，其特征在于，所述对脑电信号的特征参数进行归一化处理，并根据归一化处理后的特征参数获取所述低频脑电数据的每个频段的估计值B_z具体包括：

通过以下公式对所述脑电信号的特征参数进行归一化处理：

${\mathrm{\Φ}}_z^Q\left(i\right)=(Q_z\left(i\right)-\min Q_z\left(i\right))/(\max Q_z\left(i\right)-\min Q_z\left(i\right))$

其中，i表示数据段的序列号，Q_z(i)表示

或

或

minQ_z(i)为Q_z(i)中的最小值，maxQ_z(i)为Q_z(i)中的最大值；

在对所述脑电信号的特征参数进行归一化处理后，通过以下公式计算估计值B_z：

$B_z\left(i\right)={\mathrm{\Φ}}_z^{\stackrel{\‾}{A}}\left(i\right){\mathrm{\Φ}}_z^{\stackrel{\‾}{D}}\left(i\right){\mathrm{\Φ}}_z^{\stackrel{\‾}{F}}\left(i\right).$

8.如权利要求3所述的方法，其特征在于，所述根据估计值B_z获取每个频段的参数相关率

具体包括：

通过以下公式计算参数相关率

$R_z^B\left(i\right)=B_z\left(i\right)/B_z\left(\mathrm{std}\right)\×100,$

其中，i表示数据段的序列号，B_z(std)表示数据段为i时，估计值B_z中的标准值。

9.如权利要求1所述的方法，其特征在于，所述脑电信号的频段包括α频段和β频段，所述α频段和β频段分别为8-13Hz和13-25Hz，所述昏厥前预警条件为：

a.α频段和β频段脑电数据的参数相关率

和

均大于90%；

b.在满足条件a后的2～10s内，所述参数相关率

小于50%，且所述参数相关率

小于50%的状态持续段数大于或者等于2。

Images