CN104850833B - 一种脑电混沌特性分析的方法及系统 - Google Patents
一种脑电混沌特性分析的方法及系统 Download PDFInfo
- Publication number
- CN104850833B CN104850833B CN201510230759.3A CN201510230759A CN104850833B CN 104850833 B CN104850833 B CN 104850833B CN 201510230759 A CN201510230759 A CN 201510230759A CN 104850833 B CN104850833 B CN 104850833B
- Authority
- CN
- China
- Prior art keywords
- sequence
- dull
- amplitude
- vector
- mrow
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种脑电混沌特性的分析方法,包括:对脑电信号进行滤波,并将滤波后的脑电信号分解为若干个子频段信号;提取各子频段信号的极值点和所述极值点对应的时间点,并根据所述极值点和所述时间点,生成单调振幅序列及单调周期序列;将所述单调振幅序列和单调周期序列组成向量序列,并对所述向量序列进行伪迹去除;从单调振幅和单调周期的两个维度将所述向量序列分为若干个子区间,获得每个向量分布在每个子区间的概率,并根据所述概率,获得所述脑电信号的振动熵;根据所述脑电信号的振动熵,分析所述脑电信号的混沌程度。本发明能够有效地反映脑电信号波形振动特征的分布特性。
Description
技术领域
本发明涉及脑电信号处理技术领域,尤其涉及一种脑电混沌特性分析的方法及系统。
背景技术
脑电信号具有时变非线性特征,时域的非线性分析是脑电信号处理的重要方面,包括相关维数、李雅普诺夫指数、小波熵、近似熵、多尺度熵等都是目前比较常见的方法。
振幅和周期是表达波形振动的两个重要变量,但因为脑电波形的振幅和周期的不规则变化,振动的起点和终点并不明确,所以很难确定脑电信号单次振动的振幅和周期,因此现有的脑电的非线性处理方法一般只对信号的采样点序列进行分析,而一些提取振幅、周期分析的方法通常只针对振幅、周期中的一个特性,而没有对振幅、周期的组合特性进行分析。因为信号振动间的差异可能是振幅、周期等特征的综合结果,单一对振幅、周期进行分析的方法可能不能很好地识别振动间的相似和差异,对脑电的分析造成了一定局限。
发明内容
针对现有技术不能很好地识别振动间的相似和差异,对脑电的分析造成了一定局限的缺陷,本发明提供了一种脑电混沌特性的分析方法及系统。
第一方面,本发明提供了一种脑电混沌特性的分析方法,该方法包括:
对脑电信号进行滤波,并将滤波后的脑电信号分解为若干个子频段信号;
提取各子频段信号的极值点和所述极值点对应的时间点,并根据所述极值点和所述时间点,生成单调振幅序列及单调周期序列;
将所述单调振幅序列和单调周期序列组成向量序列,并对所述向量序列进行伪迹去除;
从单调振幅和单调周期的两个维度将所述向量序列分为若干个子区间,获得每个向量分布在每个子区间的概率,并根据所述概率,获得所述脑电信号的振动熵;
根据所述脑电信号的振动熵,分析所述脑电信号的混沌程度。
优选地,该方法还包括:
根据选取的正半周期正弦子波的振幅和周期,生成多个正半周期正弦子波;
根据选取的负半周期正弦子波的振幅和周期,生成多个负半周期正弦子波;
将所述正半周期正弦子波和负半周期正弦子波按一定顺序交替排列,获得所述脑电信号的连续振动波形。
优选地,所述提取各子频段信号的极值点和所述极值点对应的时间点,并根据所述极值点和所述时间点,生成单调振幅序列及单调周期序列,包括:
提取各子频段信号的极值点和所述极值点对应的时间点,生成极值序列P={p(i)},时间点序列T={t(i)},其中,i=1,2,3,…,n;
生成序列X={0,p(i)},Y={p(i),0},令Z=Y-X,去除序列Z的首项和尾项,对Z中各项取绝对值,生成单调振幅序列A={a(j)};
生成序列L={0,t(i)},M={t(i),0},令N=M-L,去除序列N的首项和尾项,生成单调周期序列B={b(j)},其中j=1,2,3,…,n-1。
优选地,所述将所述单调振幅序列和单调周期序列组成向量序列,并对所述向量序列进行伪迹去除,包括:
获得单调振幅序列A的数据下限ad=aQ1-1.5×(aQ3-aQ1),数据上限au=aQ3+1.5×(aQ3-aQ1),标记序列A中小于ad或大于au的数据;其中,aQ1为序列A的第一四分位数,aQ3为序列A的第三四分位数;
获得单调周期序列B的数据下限bd=bQ1-1.5×(bQ3-bQ1),数据上限bu=bQ3+1.5×(bQ3-bQ1),标记序列B中小于bd或大于bu的数据;其中,bQ1为序列B的第一四分位数,bQ3为序列B的第三四分位数;
将单调振幅序列A和单调周期序列B组成向量序列O={(a(j),b(j))},去除O中包含被标记数据的向量,生成向量序列Q={(a(k),b(k))},令AS={a(k)},BS={b(k)},其中k=1,2,3,…,m,m为小于等于n-1的值。
优选地,所述从单调振幅和单调周期的两个维度将所述向量序列分为若干个子区间,获得每个向量分布在每个子区间的概率,并根据所述概率,获得所述脑电信号的振动熵,包括:
获得AS的最大值amax和最小值amin,及BS的最大值bmax和最小值bmin,以amax为上界amin为下界将AS区域等分为nA个子区间,区间边界集合为LA;
以bmax为上界bmin为下界将BS区域等分为nB个子区间,区间边界集合为LB,以LA和LB为边界将序列Q的空间均分为nS=nA×nB个子区间;
求序列Q分布在每个子区间中的向量个数U={u(h)},其中h=1,2,3,…,nS;
求每个向量分布在每个子区间的概率P=U/m={P(v)},其中v=1,2,3,…,nS;
根据下式计算得到波形的振动熵:
其中,当P(v)=0时,P(v)·ln(P(v))=0。
第二方面,本发明提供了一种脑电混沌特性的分析系统,该系统包括:
信号分解单元,用于对脑电信号进行滤波,并将滤波后的脑电信号分解为若干个子频段信号;
序列生成单元,用于提取各子频段信号的极值点和所述极值点对应的时间点,并根据所述极值点和所述时间点,生成单调振幅序列及单调周期序列;
伪迹去除单元,用于将所述单调振幅序列和单调周期序列组成向量序列,并对所述向量序列进行伪迹去除;
振动熵计算单元,用于从单调振幅和单调周期的两个维度将所述向量序列分为若干个子区间,获得向量分布在每个子区间的概率,并根据所述概率,获得所述脑电信号的振动熵;
混沌分析单元,用于根据所述脑电信号的振动熵,分析所述脑电信号的混沌程度。
优选地,该系统还包括波形生成单元,用于:
根据选取的正半周期正弦子波的振幅和周期,生成多个正半周期正弦子波;
根据选取的负半周期正弦子波的振幅和周期,生成多个负半周期正弦子波;
将所述正半周期正弦子波和负半周期正弦子波按一定顺序交替排列,获得所述脑电信号的连续振动波形。
优选地,所述序列生成单元,用于:
提取各子频段信号的极值点和所述极值点对应的时间点,生成极值序列P={p(i)},时间点序列T={t(i)},其中,i=1,2,3,…,n;
生成序列X={0,p(i)},Y={p(i),0},令Z=Y-X,去除序列Z的首项和尾项,对Z中各项取绝对值,生成单调振幅序列A={a(j)};
生成序列L={0,t(i)},M={t(i),0},令N=M-L,去除序列N的首项和尾项,生成单调周期序列B={b(j)},其中j=1,2,3,…,n-1。
优选地,所述伪迹去除单元,用于:
获得单调振幅序列A的数据下限ad=aQ1-1.5×(aQ3-aQ1),数据上限au=aQ3+1.5×(aQ3-aQ1),标记序列A中小于ad或大于au的数据;其中,aQ1为序列A的第一四分位数,aQ3为序列A的第三四分位数;
获得单调周期序列B的数据下限bd=bQ1-1.5×(bQ3-bQ1),数据上限bu=bQ3+1.5×(bQ3-bQ1),标记序列B中小于bd或大于bu的数据;其中,bQ1为序列B的第一四分位数,bQ3为序列B的第三四分位数;
将单调振幅序列A和单调周期序列B组成向量序列O={(a(j),b(j))},去除O中包含被标记数据的向量,生成向量序列Q={(a(k),b(k))},令AS={a(k)},BS={b(k)},其中k=1,2,3,…,m,m为小于等于n-1的值。
优选地,所述振动熵计算单元,用于:
获得AS的最大值amax和最小值amin,及BS的最大值bmax和最小值bmin,以amax为上界amin为下界将AS区域等分为nA个子区间,区间边界集合为LA;
以bmax为上界bmin为下界将BS区域等分为nB个子区间,区间边界集合为LB,以LA和LB为边界将序列Q的空间均分为nS=nA×nB个子区间;
求序列Q分布在每个子区间中的向量个数U={u(h)},其中h=1,2,3,…,nS;
求每个向量分布在每个子区间的概率P=U/m={P(v)},其中v=1,2,3,…,nS;
根据下式计算得到波形的振动熵:
其中,当P(v)=0时,P(v)·ln(P(v))=0。
由上述技术方案可知,本发明提供一种脑电混沌特性的分析方法及系统,通过从单调振幅和单调周期两个维度,获得描述波形振动混沌程度的振动熵,能够有效地反映脑电信号波形振动特征的分布特性,从而对不同混沌状态的波形进行分析和分类。
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,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1是本发明一实施例提供的一种脑电混沌特性的分析方法的流程示意图;
图2是本发明一实施例提供的振动参数分段变化时脑电波的振动熵示意图;
图3是本发明一实施例提供的振幅和周期随机波形示意图;
图4是本发明一实施例提供的振动参数分段变化时不同混沌状态波形的振动熵示意图;
图5是本发明一实施例提供的振动参数分段一定时不同混沌状态波形的振动熵示意图;
图6是本发明另一实施例提供的一种脑电混沌特性的分析系统的结构示意图。
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在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明一实施例提供的一种脑电混沌特性的分析方法的流程示意图,该方法包括如下步骤:
S1:对脑电信号进行滤波,并将滤波后的脑电信号分解为若干个子频段信号。
具体来说,对脑电信号进行滤波是指:对脑电信号进行带通滤波,例如,去除小于3Hz或大于30Hz的信号,获取3Hz至30Hz之间的脑电信号。并根据脑波种类将滤波后的脑电信号分为若干个子频段信号,如8-13Hz为α波。
S2:提取各子频段信号的极值点和所述极值点对应的时间点,并根据所述极值点和所述时间点,生成单调振幅序列及单调周期序列。
具体来说,本发明所述振动参数由单调振幅和单调周期组成,单调振幅指即波形单调运动时移动的距离来表示单次振动的变化范围;单调周期指波形单调运动所用的时间来表示单次振动的快慢程度。当振动发生时,单调振幅越大表示单次振动的变化范围越大,单调周期越大表示单次振动的速度越慢。单调振幅和单调周期是波形振动的固有属性,不会因以特定母波为参考产生误差。
图2是在振动参数分段数变化时脑电波的振动熵示意图。图2所示的脑电波振动熵有以下特征:振动熵数值随振动参数分段数的增加而变大,振动参数分段数越大,脑电波振动熵数值变化越慢。
S3:将所述单调振幅序列和单调周期序列组成向量序列,并对所述向量序列进行伪迹去除。
具体来说,脑电是一种反映大脑活动的生物电信号,由于它具有很高的时变敏感性,在采集时极易收到外界的干扰。如眼球活动、眨眼、心电、肌电等都会给真实的脑电信号计入噪声(伪迹),这些噪声给脑电信号的分析处理带来了很大的困难。因此,本步骤去除脑电信号的伪迹,使得脑电信号更为准确。
S4:从单调振幅和单调周期的两个维度将所述向量序列分为若干个子区间,获得向量分布在每个子区间的概率,并根据所述概率,获得所述脑电信号的振动熵。
具体来说,信息熵是信息科学中用来表达对事物描述不确定性程度的概念,在脑电处理领域,信息熵被用来表达脑电信号变化的混沌程度。本发明引入信息熵的概念计算出波形的振动熵,对波形在单调振幅和单调周期2个维度上分布的不确定性进行测量。
S5:根据所述脑电信号的振动熵,分析所述脑电信号的混沌程度。
具体来说,振动熵的大小,能够反映脑电信号的混沌程度。若振动熵越大,则脑电信号波形越不规则,即脑电信号越混沌,若振动熵越小,则脑电信号波形越规则。
本实施例提供了一种脑电混沌特性的分析方法及系统,通过从单调振幅和单调周期两个维度,获得描述波形振动混沌程度的振动熵,能够有效地反映脑电信号波形振动特征的分布特性,从而对不同混沌状态的波形进行分析和分类。
本实施例中,该方法还包括:
A01、根据选取的正半周期正弦子波的振幅和周期,生成多个正半周期正弦子波;
具体来说,选取正半周期正弦子波的振幅ai和周期ti,组成振动序列U={(a1,t1),(a2,t2),…,(ai,ti)},选取负半周期正弦子波的振幅bi和周期ci,组成振动序列V={(b1,c1),(b2,c2),…,(bi,ci)}。用振动序列U中的参数生成i个正半周期正弦子波。
A02、根据选取的负半周期正弦子波的振幅和周期,生成多个负半周期正弦子波;
具体地,用上述振动序列V中的参数生成i个负半周期正弦子波。
A03、将所述正半周期正弦子波和负半周期正弦子波按一定顺序交替排列,获得所述脑电信号的连续振动波形。
需要说明的是,本步骤生成的振动波形在子波连接处是单调不可导的。
具体地,图3是用本申请方法生成的振幅和周期随机波形示意图。图3中只显示部分波形,其中S1的振幅和周期的随机程度都较大,S2的振幅的随机程度较大,周期的随机程度较小,S3的振幅的随机程度较小,周期随机程度较大,S4的振幅和周期的随机程度均较小。
相应地,图4是在振动参数分段数变化时不同混沌状态波形的振动熵示意图。其中S1的振幅和周期的随机程度都较大,S2的振幅的随机程度较大,周期的随机程度较小,S3的振幅的随机程度较小,周期随机程度较大,S4的振幅和周期的随机程度均较小。如图3所示,波形的振动熵数值随振动参数分段数的增加而变大,振动参数分段数越大,脑电波振动熵数值随分段数变化越慢。
图5是在振动参数分段数一定时不同混沌状态波形的振动熵示意图。如图所示,当振动参数分段数取振动熵趋于稳定时的一定数值时,S1的振动熵大于S2的振动熵,S1的振动熵大于S3的振动熵,S2的振动熵大于S4的振动熵,S3的振动熵大于S4的振动熵,说明振动熵可以反应波形在单调振幅和单调周期2个维度的混沌特性。
本实施例中,步骤S2,具体包括如下步骤:
S21:提取各子频段信号的极值点和所述极值点对应的时间点,生成极值序列P={p(i)},时间点序列T={t(i)},其中,i=1,2,3,…,n,n为正整数;
S22:生成序列X={0,p(i)},Y={p(i),0},令Z=Y-X,去除序列Z的首项和尾项,对Z中各项取绝对值,生成单调振幅序列A={a(j)};
S23:生成序列L={0,t(i)},M={t(i),0},令N=M-L,去除序列N的首项和尾项,生成单调周期序列B={b(j)},其中j=1,2,3,…,n-1。
进一步地,步骤S3,具体包括如下子步骤:
S31:获得单调振幅序列A的数据下限ad=aQ1-1.5×(aQ3-aQ1),数据上限au=aQ3+1.5×(aQ3-aQ1),标记序列A中小于ad或大于au的数据;其中,aQ1为序列A的第一四分位数,aQ3为序列A的第三四分位数;
S32:获得单调周期序列B的数据下限bd=bQ1-1.5×(bQ3-bQ1),数据上限bu=bQ3+1.5×(bQ3-bQ1),标记序列B中小于bd或大于bu的数据;其中,bQ1为序列B的第一四分位数,bQ3为序列B的第三四分位数;
S33:将单调振幅序列A和单调周期序列B组成向量序列O={(a(j),b(j))},去除O中包含被标记数据的向量,生成向量序列Q={(a(k),b(k))}令AS={a(k)},BS={b(k)},其中k=1,2,3,…,m,m为小于等于n-1的值。
进一步地,步骤S4,具体包括如下子步骤:
S41:获得AS的最大值amax和最小值amin,及BS的最大值bmax和最小值bmin,以amax为上界amin为下界将AS区域等分为nA个子区间,区间边界集合为LA;
S42:以bmax为上界bmin为下界将BS区域等分为nB个子区间,区间边界集合为LB,以LA和LB为边界将序列Q的空间均分为nS=nA×nB个子区间;
S43:求序列Q分布在每个子区间中的向量个数U={u(h)},其中h=1,2,3,…,nS;
S44:求每个向量分布在每个子区间的概率P=U/m={P(v)},其中v=1,2,3,…,nS;m为上述步骤S33中AS或BS中向量的总个数。
S45:根据下式计算得到波形的振动熵:
其中,当P(v)=0时,P(v)·ln(P(v))=0。
需要说明的是,本实施例提供的方法可应用于脑电复杂度计算,也可应用于其他存在局部极值点的振动序列或波形的复杂度计算。振动熵可作为对波形进行模式识别的特征指标,对不同混沌状态的波形进行分类。在信号处理时,信号中混有白噪声的振幅和周期是在一定范围内呈混沌的正态分布的,而信号的波形较为规律,所以本方法也可用于对信号中噪声的识别和剔除
如图6所示,为本发明另一实施例提供的一种脑电混沌特性的分析系统的结构示意图,该系统包括:信号分解单元601、序列生成单元602、伪迹去除单元603、振动熵计算单元604及混沌分析单元605。其中:
信号分解单元601,用于对脑电信号进行滤波,并将滤波后的脑电信号分解为若干个子频段信号;
序列生成单元602,用于提取各子频段信号的极值点和所述极值点对应的时间点,并根据所述极值点和所述时间点,生成单调振幅序列及单调周期序列;
伪迹去除单元603,用于将所述单调振幅序列和单调周期序列组成向量序列,并对所述向量序列进行伪迹去除;
振动熵计算单元604,用于从单调振幅和单调周期的两个维度将所述向量序列分为若干个子区间,获得向量分布在每个子区间的概率,并根据所述概率,获得所述脑电信号的振动熵;
混沌分析单元605,用于根据所述脑电信号的振动熵,分析所述脑电信号的混沌程度。
本实施例中,该系统还包括波形生成单元,用于:
根据选取的正半周期正弦子波的振幅和周期,生成多个正半周期正弦子波;
根据选取的负半周期正弦子波的振幅和周期,生成多个负半周期正弦子波;
将所述正半周期正弦子波和负半周期正弦子波按一定顺序交替排列,获得所述脑电信号的连续振动波形。
其中,所述序列生成单元602,用于:
提取各子频段信号的极值点和所述极值点对应的时间点,生成极值序列P={p(i)},时间点序列T={t(i)},其中,i=1,2,3,…,n;
生成序列X={0,p(i)},Y={p(i),0},令Z=Y-X,去除序列Z的首项和尾项,对Z中各项取绝对值,生成单调振幅序列A={a(j)};
生成序列L={0,t(i)},M={t(i),0},令N=M-L,去除序列N的首项和尾项,生成单调周期序列B={b(j)},其中j=1,2,3,…,n-1。
其中,所述伪迹去除单元603,用于:
获得单调振幅序列A的数据下限ad=aQ1-1.5×(aQ3-aQ1),数据上限au=aQ3+1.5×(aQ3-aQ1),标记序列A中小于ad或大于au的数据;其中,aQ1为序列A的第一四分位数,aQ3为序列A的第三四分位数;
获得单调周期序列B的数据下限bd=bQ1-1.5×(bQ3-bQ1),数据上限bu=bQ3+1.5×(bQ3-bQ1),标记序列B中小于bd或大于bu的数据;其中,bQ1为序列B的第一四分位数,bQ3为序列B的第三四分位数;
将单调振幅序列A和单调周期序列B组成向量序列O={(a(j),b(j))},去除O中包含被标记数据的向量,生成向量序列Q={(a(k),b(k))},令AS={a(k)},BS={b(k)},其中k=1,2,3,…,m,m为小于等于n-1的值。
其中,所述振动熵计算单元604,用于:
获得AS的最大值amax和最小值amin,及BS的最大值bmax和最小值bmin,以amax为上界amin为下界将AS区域等分为nA个子区间,区间边界集合为LA;
以bmax为上界bmin为下界将BS区域等分为nB个子区间,区间边界集合为LB,以LA和LB为边界将序列Q的空间均分为nS=nA×nB个子区间;
求序列Q分布在每个子区间中的向量个数U={u(h)},其中h=1,2,3,…,nS;
求每个向量分布在每个子区间的概率P=U/m={P(v)},其中v=1,2,3,…,nS;
根据下式计算得到波形的振动熵:
其中,当P(v)=0时,P(v)·ln(P(v))=0。
对于系统实施例而言,由于其与方法实施例基本相似,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。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上实施方式仅适于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种脑电混沌特性的分析方法,其特征在于,该方法包括:
对脑电信号进行滤波,并将滤波后的脑电信号分解为若干个子频段信号;
提取各子频段信号的极值点和所述极值点对应的时间点,并根据所述极值点和所述时间点,生成单调振幅序列及单调周期序列;
将所述单调振幅序列和单调周期序列组成向量序列,并对所述向量序列进行伪迹去除;
从单调振幅和单调周期的两个维度将所述向量序列分为若干个子区间,获得向量分布在每个子区间的概率,并根据所述概率,获得所述脑电信号的振动熵;
根据所述脑电信号的振动熵,分析所述脑电信号的混沌程度。
2.根据权利要求1所述的方法,其特征在于,该方法还包括:
根据选取的正半周期正弦子波的振幅和周期,生成多个正半周期正弦子波;
根据选取的负半周期正弦子波的振幅和周期,生成多个负半周期正弦子波;
将所述正半周期正弦子波和负半周期正弦子波按一定顺序交替排列,获得所述脑电信号的连续振动波形。
3.根据权利要求1所述的方法,其特征在于,所述提取各子频段信号的极值点和所述极值点对应的时间点,并根据所述极值点和所述时间点,生成单调振幅序列及单调周期序列,包括:
提取各子频段信号的极值点和所述极值点对应的时间点,生成极值序列P={p(i)},时间点序列T={t(i)},其中,i=1,2,3,…,n;
生成序列X={0,p(i)},Y={p(i),0},令Z=Y-X,去除序列Z的首项和尾项,对Z中各项取绝对值,生成单调振幅序列A={a(j)};
生成序列L={0,t(i)},M={t(i),0},令N=M-L,去除序列N的首项和尾项,生成单调周期序列B={b(j)},其中j=1,2,3,…,n-1。
4.根据权利要求3所述的方法,其特征在于,所述将所述单调振幅序列和单调周期序列组成向量序列,并对所述向量序列进行伪迹去除,包括:
获得单调振幅序列A的数据下限ad=aQ1-1.5×(aQ3-aQ1),数据上限au=aQ3+1.5×(aQ3-aQ1),标记序列A中小于ad或大于au的数据;其中,aQ1为序列A的第一四分位数,aQ3为序列A的第三四分位数;
获得单调周期序列B的数据下限bd=bQ1-1.5×(bQ3-bQ1),数据上限bu=bQ3+1.5×(bQ3-bQ1),标记序列B中小于bd或大于bu的数据;其中,bQ1为序列B的第一四分位数,bQ3为序列B的第三四分位数;
将单调振幅序列A和单调周期序列B组成向量序列O={(a(j),b(j))},去除O中包含的被标记的向量,生成向量序列Q={(a(k),b(k))},令AS={a(k)},BS={b(k)},其中k=1,2,3,…,m,m为小于等于n-1的值。
5.根据权利要求4所述的方法,其特征在于,所述从单调振幅和单调周期的两个维度将所述向量序列分为若干个子区间,获得向量分布在每个子区间的概率,并根据所述概率,获得所述脑电信号的振动熵,包括:
获得AS的最大值amax和最小值amin,及BS的最大值bmax和最小值bmin,以amax为上界amin为下界将AS区域等分为nA个子区间,区间边界集合为LA;
以bmax为上界bmin为下界将BS区域等分为nB个子区间,区间边界集合为LB,以LA和LB为边界将序列Q的空间均分为nS=nA×nB个子区间;
求序列Q分布在每个子区间中的向量个数U={u(h)},其中h=1,2,3,…,nS;
求每个向量分布在每个子区间的概率P=U/m={P(v)},其中v=1,2,3,…,nS;
根据下式计算得到波形的振动熵:
<mrow>
<mi>En</mi>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>S</mi>
</msub>
</munderover>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
其中,当P(v)=0时,P(v)·ln(P(v))=0。
6.一种脑电混沌特性的分析系统,其特征在于,该系统包括:
信号分解单元,用于对脑电信号进行滤波,并将滤波后的脑电信号分解为若干个子频段信号;
序列生成单元,用于提取各子频段信号的极值点和所述极值点对应的时间点,并根据所述极值点和所述时间点,生成单调振幅序列及单调周期序列;
伪迹去除单元,用于将所述单调振幅序列和单调周期序列组成向量序列,并对所述向量序列进行伪迹去除;
振动熵计算单元,用于从单调振幅和单调周期的两个维度将所述向量序列分为若干个子区间,获得每个向量分布在每个子区间的概率,并根据所述概率,获得所述脑电信号的振动熵;
混沌分析单元,用于根据所述脑电信号的振动熵,分析所述脑电信号的混沌程度。
7.根据权利要求6所述的系统,其特征在于,该系统还包括波形生成单元,用于:
根据选取的正半周期正弦子波的振幅和周期,生成多个正半周期正弦子波;
根据选取的负半周期正弦子波的振幅和周期,生成多个负半周期正弦子波;
将所述正半周期正弦子波和负半周期正弦子波按一定顺序交替排列,获得所述脑电信号的连续振动波形。
8.根据权利要求6所述的系统,其特征在于,所述序列生成单元,用于:
提取各子频段信号的极值点和所述极值点对应的时间点,生成极值序列P={p(i)},时间点序列T={t(i)},其中,i=1,2,3,…,n;
生成序列X={0,p(i)},Y={p(i),0},令Z=Y-X,去除序列Z的首项和尾项,对Z中各项取绝对值,生成单调振幅序列A={a(j)};
生成序列L={0,t(i)},M={t(i),0},令N=M-L,去除序列N的首项和尾项,生成单调周期序列B={b(j)},其中j=1,2,3,…,n-1。
9.根据权利要求8所述的系统,其特征在于,所述伪迹去除单元,用于:
获得单调振幅序列A的数据下限ad=aQ1-1.5×(aQ3-aQ1),数据上限au=aQ3+1.5×(aQ3-aQ1),标记序列A中小于ad或大于au的数据;其中,aQ1为序列A的第一四分位数,aQ3为序列A的第三四分位数;
获得单调周期序列B的数据下限bd=bQ1-1.5×(bQ3-bQ1),数据上限bu=bQ3+1.5×(bQ3-bQ1),标记序列B中小于bd或大于bu的数据;其中,bQ1为序列B的第一四分位数,bQ3为序列B的第三四分位数;
将单调振幅序列A和单调周期序列B组成向量序列O={(a(j),b(j))},去除O中包含被标记数据的向量,生成向量序列Q={(a(k),b(k))},令AS={a(k)},BS={b(k)},其中k=1,2,3,…,m,m为小于等于n-1的值。
10.根据权利要求9所述的系统,其特征在于,所述振动熵计算单元,用于:
获得AS的最大值amax和最小值amin,及BS的最大值bmax和最小值bmin,以amax为上界amin为下界将AS区域等分为nA个子区间,区间边界集合为LA;
以bmax为上界bmin为下界将BS区域等分为nB个子区间,区间边界集合为LB,以LA和LB为边界将序列Q的空间均分为nS=nA×nB个子区间;
求序列Q分布在每个子区间中的向量个数U={u(h)},其中h=1,2,3,…,nS;
求每个向量分布在每个子区间的概率P=U/m={P(v)},其中v=1,2,3,…,nS;
根据下式计算得到波形的振动熵:
<mrow>
<mi>En</mi>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>S</mi>
</msub>
</munderover>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
其中,当P(v)=0时,P(v)·ln(P(v))=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510230759.3A CN104850833B (zh) | 2015-05-07 | 2015-05-07 | 一种脑电混沌特性分析的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510230759.3A CN104850833B (zh) | 2015-05-07 | 2015-05-07 | 一种脑电混沌特性分析的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104850833A CN104850833A (zh) | 2015-08-19 |
CN104850833B true CN104850833B (zh) | 2018-05-01 |
Family
ID=53850468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510230759.3A Active CN104850833B (zh) | 2015-05-07 | 2015-05-07 | 一种脑电混沌特性分析的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104850833B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105193412B (zh) * | 2015-08-25 | 2018-04-24 | 中国医学科学院生物医学工程研究所 | 一种用于经颅磁刺激大脑诱发脑电伪迹去除的方法 |
CN106156737A (zh) * | 2016-07-05 | 2016-11-23 | 北京工业大学 | 基于二维空间的时间序列样本熵的计算方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7966156B1 (en) * | 2002-10-11 | 2011-06-21 | Flint Hills Scientific Llc | Method, computer program, and system for intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale |
CN102824172A (zh) * | 2012-08-28 | 2012-12-19 | 浙江大学 | 一种脑电特征提取方法 |
CN103876734A (zh) * | 2014-03-24 | 2014-06-25 | 北京工业大学 | 一种基于决策树的脑电信号特征选择方法 |
CN103876736A (zh) * | 2014-04-11 | 2014-06-25 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电预测和诊断方法 |
-
2015
- 2015-05-07 CN CN201510230759.3A patent/CN104850833B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7966156B1 (en) * | 2002-10-11 | 2011-06-21 | Flint Hills Scientific Llc | Method, computer program, and system for intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale |
CN102824172A (zh) * | 2012-08-28 | 2012-12-19 | 浙江大学 | 一种脑电特征提取方法 |
CN103876734A (zh) * | 2014-03-24 | 2014-06-25 | 北京工业大学 | 一种基于决策树的脑电信号特征选择方法 |
CN103876736A (zh) * | 2014-04-11 | 2014-06-25 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电预测和诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于改进功率谱嫡的抑郁症脑电信号活跃性研究;王凯明 等;《物理学报》;20141231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104850833A (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Recent advancements in empirical wavelet transform and its applications | |
CN101732047B (zh) | 复合下肢想象动作脑电的能量特征提取方法 | |
Allen et al. | Signal analysis: time, frequency, scale, and structure | |
JP7462126B2 (ja) | 脳波信号から被験者の視覚的注意の集中を決定する方法、コンピュータプログラム、コンピュータシステムおよび脳波信号から被験者の視覚的注意の集中を決定するシステム | |
CN103699226B (zh) | 一种基于多信息融合的三模态串行脑-机接口方法 | |
Mert | ECG feature extraction based on the bandwidth properties of variational mode decomposition | |
CN104503592A (zh) | 头部动作确定方法和装置 | |
CN104850833B (zh) | 一种脑电混沌特性分析的方法及系统 | |
CN110059564A (zh) | 基于功率谱密度和互相关熵谱密度融合的特征提取方法 | |
Swami et al. | Robust expert system design for automated detection of epileptic seizures using SVM classifier | |
Guo et al. | Envelope detection based on online ICA algorithm and its application to motor imagery classification | |
Soorma et al. | Feature extraction of ECG signal using HHT algorithm | |
CN109034015A (zh) | Fsk-ssvep的解调系统及解调算法 | |
CN106323330A (zh) | 基于WiFi动作识别系统的非接触式计步方法 | |
Ma et al. | EEG based topography analysis in string recognition task | |
CN115357126B (zh) | 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置 | |
Myers et al. | Delay parameter selection in permutation entropy using topological data analysis | |
CN106156737A (zh) | 基于二维空间的时间序列样本熵的计算方法及系统 | |
JP5846165B2 (ja) | 特徴量抽出装置、方法、およびプログラム | |
Bandt | Autocorrelation type functions for big and dirty data series | |
CN115310574A (zh) | 运动计数方法、装置、电子设备及计算机可读介质 | |
CN104083163A (zh) | 一种非线性参数脑电地形图的方法 | |
Mehboob et al. | Information quantification of empirical mode decomposition and applications to field potentials | |
CN115376156A (zh) | 手势识别方法、装置及电子设备 | |
Khan et al. | Non stationary signal analysis and classification using FTT transform and Naive Bayes classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |