CN104958072B - 一种基于矢量多分类的大脑功能区特异性脑电检测方法 - Google Patents
一种基于矢量多分类的大脑功能区特异性脑电检测方法 Download PDFInfo
- Publication number
- CN104958072B CN104958072B CN201510257723.4A CN201510257723A CN104958072B CN 104958072 B CN104958072 B CN 104958072B CN 201510257723 A CN201510257723 A CN 201510257723A CN 104958072 B CN104958072 B CN 104958072B
- Authority
- CN
- China
- Prior art keywords
- vector
- polytypic
- specificity
- eeg signals
- function area
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
Abstract
一种基于矢量多分类的大脑功能区特异性脑电检测方法,其特征在于,包含以下顺序的步骤:首先在被检测者执行或接受特定任务状态下,采集脑电信号;然后采用矢量多分类的方法,对脑电信号进行小波分解并重构各单子频带信号,以任务事件前后的各单子频带信号能量差别作为特征量,构建多维时频域矢量;最后采用基于决策树的支持向量机多分类算法对多维时频域矢量进行分类,从而识别各电极导联上脑电信号的特异性,完成大脑功能区脑电特异性的检测。本发明的方法,能够科学、准确地检测大脑皮层功能区的脑电特异性,可广泛应用于基于脑电分析的术中脑功能定位、认知功能评估以及脑机接口等神经科学的研究与临床应用。
Description
技术领域
本发明涉及基于脑电分析的神经科学研究与临床应用领域,特别涉及一种基于矢量多分类的大脑功能区特异性脑电检测方法。
背景技术
由生命科学研究表明:脑电信号分析是人类了解人体神经系统的重要途径之一。人体的各种器官和组织活动伴随着生理电现象,而脑电是中枢神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。基于神经系统的反射弧工作原理,通过脑电信号的检测和分析可以判断人体神经系统的各种器官和组织处于什么状态;而且脑电信号的检测和分析已经应用到医学临床诊断与治疗(比如大脑皮层功能定位、睡眠分析等)、大脑神经认知功能以及脑-机接口等研究与应用中。
各功能区的脑电特异性是所有脑电信号分析及其应用的基础。然而目前脑电特异性被认为是脑电特定节律与特定功能区的简单对应关系,特异性脑电检测就是脑电特定节律检测。例如:脑电中的mu节律(8—13Hz)被认为是感觉运动区的特异性节律,High gamma频带(60Hz—200Hz)一直被视为语言区的特异性节律。但相关研究事实表明:运动时刻以及想象运动时刻,运动区也能检测到mu节律变化,High gamma频带也同样有能量变化。由此可见,特定功能区的特异性脑电具有复杂的成分,不能简单地用脑电特定节律表达;而且在应用中,脑电特定节律检测会造成特异性脑电的误检和漏检。显然,目前特异性脑电检测的方法缺乏科学性和准确性。
那么大脑皮层各功能区的脑电特异性是否存在?如果存在,又如何表示和识别检测?这些问题至今还尚无科学定论,也是目前基于脑电信号分析的神经科学研究中亟待回答的基础理论问题。而这些问题中,如何检测出各功能区的特异性脑电成为脑电特异性研究的关键。
目前国内外尚未出现一种基于矢量多分类的大脑功能区特异性脑电检测方法的报道;同时,国内外也尚无在临床上应用基于矢量多分类的大脑功能区特异性脑电检测方法。因此研发具有自主知识产权的基于矢量多分类的大脑功能区特异性脑电检测方法非常有必要。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于矢量多分类的大脑功能区特异性脑电检测方法。
本发明的目的通过以下的技术方案实现:
一种基于矢量多分类的大脑功能区特异性脑电检测方法,包含以下顺序的步骤:
S1.首先在被检测者执行或接受特定任务状态下,采集脑电信号;
S2.然后采用矢量多分类的方法,对脑电信号进行小波分解并重构各单子频带信号,以任务事件前后的各单子频带信号能量差别作为特征量,构建多维时频域矢量;
S3.最后采用基于决策树的支持向量机多分类算法对多维时频域矢量进行分类,从而识别各电极导联上脑电信号的特异性,完成大脑功能区脑电特异性的检测。
所述的步骤S2具体为:先选定小波基,根据信号的采样频率fs,对脑电信号进行J层小波分解,J取满足公式(1)的最大整数;提取各层的细节系数和逼近系数,重构各层系数的单子频带信号;在重构单子频带信号时,先把其他层的系数都置0,再重构该层系数,得到该层系数对应的单子频带信号;以任务前后的能量差别作为特征量,计算所有单子频带信号的特征量,把这些特征量组成一个多维的矢量,即得到多维时频域矢量;其中公式(1)如下所示:
J≤log2 fs (1)。
步骤S3中,所述的基于决策树的支持向量机多分类算法,在构造支持向量机多分类器时引入“类间相对分离度”的概念,在决策树的上层节点处分离出最容易分离的类,然后再分离不容易分的类,使错分尽量远离树根。
步骤S1中,所述的脑电信号是通过电极和脑电图机采集的。
本发明与现有技术相比,具有如下优点和有益效果:
本发明能够科学、准确地检测特异性脑电:脑电信号是非平稳随机信号,特定功能区的特异性脑电具有复杂的成分;本发明以时频域多维矢量为特征,可更加科学地凸显各功能区脑电信号的特异性,同时采用多分类方法,可更加准确地识别各功能区脑电的特异性,从而整体提高特异性脑电的检测准确性,减少特异性脑电的误检和漏检。
测试结果表明:矢量多分类特异性识别算法可以有效区分大脑皮层的运动、语言、感觉功能区以及非功能区脑电信号,识别率分别为95.45%、97.96%、91.3%和81.03%。由此可见,大脑皮层各功能区(运动、感觉、语言等)之间存在着相互区分的动态特异性脑电,可以表达为一个多维时频域矢量,并可以采用一种矢量多分类模型加以识别检测。
附图说明
图1为本发明所述的基于矢量多分类的大脑功能区特异性脑电检测方法的流程图;
图2为该检测方法中所用的基于决策树的支持向量机分类器的结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
一种基于矢量多分类的大脑功能区(运动区、语言区、感觉区、视觉区等)特异性脑电检测方法,应用该检测方法可科学、准确地检测大脑皮层功能区的特异性脑电。以下结合附图和实施对本发明作进一步说明。如图1所示,具体处理如下:
(1)脑电信号采集:
让检测对象分别执行重复手掌张开/闭合任务、重复数数任务和接受短周期重复性的感觉刺激;在任务状态下,用电极采集脑电信号,并用脑电图机记录脑电信号。
(2)生成脑电样本:分别在让检测对象执行手掌张开/闭合任务、重复数数以及接受感觉刺激的状态下,从脑电信号中截取脑电样本。
(3)特异性脑电提取:
采用离散db3小波对脑电样本进行J层小波分解,得到J层小波系数和J层逼近系数;并对这些系数进行单子频带重构,得到单层细节信号Sdj和单层逼近信号Saj,(j=1,2,……,J);重构单子频带信号时,只需把其他层的系数都置0,再重构该层系数,即可得到该层系数对应的单子频带信号。
以任务事件前后的能量差别作为特征量,计算2*J个重构信号(J个单层细节信号和J个单层逼近信号)的特征量,并组成一个2*J维的时频域矢量,即提取出可表示脑电特异性的多维时频域矢量。
(4)特异性脑电识别:
使用基于决策树的支持向量机分类器对每一个脑电样本的2*J维时频域矢量进行分类识别,即可检测出脑电的特异性。此处所采用的决策树的结构类型如图2所示。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种基于矢量多分类的大脑功能区特异性脑电检测方法,其特征在于,包含以下顺序的步骤:
S1.首先在被检测者执行或接受特定任务状态下,让检测对象分别执行重复手掌张开/闭合任务、重复数数任务和接受短周期重复性的感觉刺激,采集脑电信号;
S2.对脑电信号进行小波分解并重构各单子频带信号,以任务事件前后的各单子频带信号能量差别作为特征量,构建多维时频域矢量;
S3.最后采用基于决策树的支持向量机多分类算法对多维时频域矢量进行分类,从而识别各电极导联上脑电信号的特异性,完成大脑功能区脑电特异性的检测。
2.根据权利要求1所述的基于矢量多分类的大脑功能区特异性脑电检测方法,其特征在于,所述的步骤S2具体为:先选定小波基,根据信号的采样频率fs,对脑电信号进行J层小波分解,J取满足公式(1)的最大整数;提取各层的细节系数和逼近系数,重构各层系数的单子频带信号;在重构单子频带信号时,先把其他层的系数都置0,再重构该层系数,得到该层系数对应的单子频带信号;以任务前后的能量差别作为特征量,计算所有单子频带信号的特征量,把这些特征量组成一个多维的矢量,即得到多维时频域矢量;其中公式(1)如下所示:
J≤log2fs (1)。
3.根据权利要求1所述的基于矢量多分类的大脑功能区特异性脑电检测方法,其特征在于,步骤S3中,所述的基于决策树的支持向量机多分类算法,在构造支持向量机多分类器时引入“类间相对分离度”的概念,在决策树的上层节点处分离出最容易分离的类,然后再分离不容易分的类,使错分尽量远离树根。
4.根据权利要求1所述的基于矢量多分类的大脑功能区特异性脑电检测方法,其特征在于,步骤S1中,所述的脑电信号是通过电极和脑电图机采集的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510257723.4A CN104958072B (zh) | 2015-05-18 | 2015-05-18 | 一种基于矢量多分类的大脑功能区特异性脑电检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510257723.4A CN104958072B (zh) | 2015-05-18 | 2015-05-18 | 一种基于矢量多分类的大脑功能区特异性脑电检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104958072A CN104958072A (zh) | 2015-10-07 |
CN104958072B true CN104958072B (zh) | 2019-01-15 |
Family
ID=54212300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510257723.4A Active CN104958072B (zh) | 2015-05-18 | 2015-05-18 | 一种基于矢量多分类的大脑功能区特异性脑电检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104958072B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105534520A (zh) * | 2015-12-02 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 多参数家庭式脑认知检测方法、装置及系统 |
CN106166068B (zh) * | 2016-09-21 | 2019-08-13 | 广州视源电子科技股份有限公司 | 睡眠状态下的脑电信号数据类型的标注方法和系统 |
CN106491125B (zh) * | 2016-11-04 | 2019-06-14 | 广州视源电子科技股份有限公司 | 一种脑电状态识别方法及装置 |
CN107260167A (zh) * | 2017-06-30 | 2017-10-20 | 华南理工大学 | 一种术中皮质脑电信号特异性的个体化识别方法 |
CN112244767A (zh) * | 2020-09-25 | 2021-01-22 | 华南理工大学 | 一种基于脑电的认知功能评估方法 |
CN112690805B (zh) * | 2020-12-14 | 2022-03-29 | 华南理工大学 | 一种基于聚类和分类算法的ECoG术中脑功能定位方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010048438A1 (en) * | 2008-10-22 | 2010-04-29 | The Trustees Of Columbia University In The City Of New York | Images of language-sensitive neurocircuitry as a diagnostic for autism |
US8838226B2 (en) * | 2009-12-01 | 2014-09-16 | Neuro Wave Systems Inc | Multi-channel brain or cortical activity monitoring and method |
CN102508184B (zh) * | 2011-10-26 | 2015-04-08 | 中国科学院自动化研究所 | 一种基于移动平均时间序列模型的脑功能激活区检测方法 |
CN103006215B (zh) * | 2012-12-14 | 2015-02-25 | 中国科学院自动化研究所 | 基于局部平滑回归的脑功能区定位方法 |
CN103932701B (zh) * | 2014-04-13 | 2015-09-23 | 北京师范大学 | 一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法 |
-
2015
- 2015-05-18 CN CN201510257723.4A patent/CN104958072B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104958072A (zh) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104958072B (zh) | 一种基于矢量多分类的大脑功能区特异性脑电检测方法 | |
Agostini et al. | An algorithm for the estimation of the signal-to-noise ratio in surface myoelectric signals generated during cyclic movements | |
Mazilu et al. | Feature learning for detection and prediction of freezing of gait in Parkinson’s disease | |
Phinyomark et al. | Investigating long-term effects of feature extraction methods for continuous EMG pattern classification | |
Remya et al. | Classification of myocardial infarction using multi resolution wavelet analysis of ECG | |
CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
CN107530015B (zh) | 一种生命体征分析方法与系统 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN107361753A (zh) | 基于脉搏波形特征点的人体健康状态监护方法 | |
Elamvazuthi et al. | Surface electromyography (sEMG) feature extraction based on Daubechies wavelets | |
Chatterjee et al. | Comparison of decision tree based classification strategies to detect external chemical stimuli from raw and filtered plant electrical response | |
Xiong et al. | Application of the chaos theory in the analysis of EMG on patients with facial paralysis | |
Akben | Low-cost and easy-to-use grasp classification, using a simple 2-channel surface electromyography (sEMG) | |
Swathi et al. | R peak detection and feature extraction for the diagnosis of heart diseases | |
Talatov et al. | Algorithmic and software analysis and processing of ECG signals | |
Balasundaram et al. | Wavelet-based features for characterizing ventricular arrhythmias in optimizing treatment options | |
Zhang et al. | Automated localization of myocardial infarction of image-based multilead ECG tensor with Tucker2 decomposition | |
Pauk | 419. Different techniques for EMG signal processing. | |
KR102123149B1 (ko) | 침 근전도 신호를 이용한 말초신경병증 감별 장치 | |
CN103876731B (zh) | 一种胎儿心电信号提取装置及方法 | |
Andrade et al. | EMG decomposition and artefact removal | |
Bigoni et al. | An automatized method to determine latencies of motor-evoked potentials under physiological and pathophysiological conditions | |
CN106419884B (zh) | 一种基于小波分析的心率计算方法与系统 | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |