CN105615877A - 癫痫脑电信号特征的定位方法及其系统 - Google Patents
癫痫脑电信号特征的定位方法及其系统 Download PDFInfo
- Publication number
- CN105615877A CN105615877A CN201610097557.0A CN201610097557A CN105615877A CN 105615877 A CN105615877 A CN 105615877A CN 201610097557 A CN201610097557 A CN 201610097557A CN 105615877 A CN105615877 A CN 105615877A
- Authority
- CN
- China
- Prior art keywords
- threshold
- brain wave
- signal
- dynamic signal
- epileptic
- 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.)
- Granted
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]
-
- 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
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Abstract
本发明涉及一种癫痫脑电信号特征的定位方法及其系统,其中,癫痫脑电信号特征的定位方法,包括以下步骤:对癫痫患者的脑电波动信号进行采样,得到脑电波动信号的样本总数;根据样本总数,获取脑电波动信号的幅值的均方根;根据脑电波动信号的波动周期和预设的截止频率,获取脑电波动信号的持续时间阈;获取均方根的第一阈值和持续时间阈的第二阈值,根据第一阈值和第二阈值对脑电波动信号进行幅度滤波,得到脑电波动信号的特征信号。本发明能够提取癫痫脑电信号中的高频振荡节律,从而快速确定癫痫脑电特征信号所在区域,实现癫痫脑电特征信号的快速定位,降低癫痫手术风险。
Description
技术领域
本发明涉及信号处理技术领域,特别是涉及一种癫痫脑电信号特征的定位方法及其系统。
背景技术
癫痫作为发病率极高的神经系统疾病之一,对致痫灶的精确定位成为当前的研究热点。准确地定位致痫灶对癫痫手术的成功具有举足轻重的意义。
切除致痫灶作为控制癫痫病发作以及根治癫痫的有效措施,该手术成功的关键是术前癫痫病灶精确定位。常规脑电图中的脑电异常活动,也就是低频频率成分很容易受到其他信号的干扰,使得癫痫病灶定位出错,进而使得切除手术出错或者失败;从发现疑似波形到进行开颅手术,确认病灶位置,再到病灶切除,这个过程非常耗时,而病人开颅时间不宜过长,手术风险过大。在没有确定致痫灶位置或者致痫灶位置确认出错的情况下,可能需要进行多次开颅手术,极大地提高了手术的风险。因此,癫痫特征波形提取和癫痫病灶的精确定位就成为临床的关键技术性问题。
高频振荡(high-frequencyoscillations,HFOs):100Hz以上的癫痫脑电频率成分,与作为癫痫病灶主要特征之一的发作始发区关系密切,能够有效确定该病灶的位置,具有很高的特异性。高频振荡节律是由脑内神经元异常发电产生的,能够体现神经元的同步化活动。根据频率范围可以将高频振荡节律分为三种:1)“ripples”。频率范围为80-200Hz,出现在人类的海马旁回结构中,表征抑制性突触电位同步化放电,是一种正常性的HFOs;2)“fastripples(FRs)”。频率范围为200-500Hz,出现在人类的内侧型颞叶结构中,表征神经元高度同步化放电,是一种病理性的HFOs,研究表明该节律成分能够定位癫痫发病的核心区;3)“VHFO”。频率范围为1000-2500Hz,能够由10kHz电极采集得到,表征神经元非同步化放电,与癫痫的关系不大,有可能表征其他的神经性病理波。
在实现过程中,发明人发现传统技术中至少存在如下问题:
传统脑电图方法,作为癫痫发作始发区定位的核心技术,重点关注40Hz以下的脑电频率成分的突发异常情况。该方法实现定位的过程如下:首先,利用32导常规脑电图机,实时监测癫痫患者的脑电波信号;其次,观测并分析癫痫患者的脑电波形,一旦发现癫痫疑似波形,进行开颅手术;最后,开颅后植入深部电极采集癫痫信号,确认癫痫病灶位置,再进行切除手术。但是,该方法存在很大的弊病,一方面,常规脑电图中的脑电异常活动,也就是低频频率成分很容易受到其他信号的干扰,使得癫痫病灶定位出错,进而使得切除手术出错或者失败;另一方面,从发现疑似波形到进行开颅手术,确认病灶位置,再到病灶切除,这个过程非常耗时,而病人开颅时间不宜过长,手术风险过大。
发明内容
基于此,有必要针对传统技术中对癫痫脑电信号特征的定位方法易出错且过程耗时的问题,提供一种癫痫脑电信号特征的定位方法及其系统。
为了实现上述目的,本发明技术方案的实施例为:
一方面,提供了一种癫痫脑电信号特征的定位方法,包括以下步骤:
对癫痫患者的脑电波动信号进行采样,得到脑电波动信号的样本总数;
根据样本总数,获取脑电波动信号的幅值的均方根;
根据脑电波动信号的波动周期和预设的截止频率,获取脑电波动信号的持续时间阈;
获取均方根的第一阈值和持续时间阈的第二阈值,根据第一阈值和第二阈值对脑电波动信号进行幅度滤波,得到脑电波动信号的特征信号。
另一方面,提供了一种癫痫脑电信号特征的定位系统,包括:
采样单元,用于对癫痫患者的脑电波动信号进行采样,得到脑电波动信号的样本总数;
第一处理单元,用于根据样本总数,获取脑电波动信号的幅值的均方根;
第二处理单元,用于根据脑电波动信号的波动周期和预设的截止频率,获取脑电波动信号的持续时间阈;
特征提取单元,用于获取均方根的第一阈值和持续时间阈的第二阈值,根据第一阈值和第二阈值对脑电波动信号进行幅度滤波,得到脑电波动信号的特征信号。
上述技术方案具有如下有益效果:
本发明癫痫脑电信号特征的定位方法及其系统,根据均方根的阈值和持续时间阈的阈值对脑电波动信号进行幅度滤波,能够提取癫痫脑电信号中的高频振荡节律,从而快速确定癫痫脑电特征信号所在区域,实现癫痫脑电特征信号的快速定位,降低癫痫手术风险。同时可以基于高频振荡与癫痫发作始发区的时空一致性分析,确定癫痫病灶位置和癫痫发作时间,提高癫痫病灶的检出率。
附图说明
图1为本发明癫痫脑电信号特征的定位方法及其系统的一应用场景中癫痫脑电特征波示意图;
图2为本发明癫痫脑电信号特征的定位方法及其系统的一应用场景中“ripples”特征波示意图;
图3为本发明癫痫脑电信号特征的定位方法及其系统的一应用场景中“FRs”特征波示意图;
图4为本发明癫痫脑电信号特征的定位方法实施例1的流程示意图;
图5为本发明癫痫脑电信号特征的定位方法一具体实施例中实际采集的脑电图形示意图;
图6为本发明癫痫脑电信号特征的定位方法一具体实施例中经过倍频陷波处理后的脑电波动形状示意图;
图7为本发明癫痫脑电信号特征的定位方法一具体实施例中经过带通提取后的高频振荡信号示意图;
图8为本发明癫痫脑电信号特征的定位方法一具体实施例中用频谱图作为性能分析指标提取后的频谱图;
图9为本发明癫痫脑电信号特征的定位方法一具体实施例中确定癫痫病灶所在区域的示意图;
图10为本发明癫痫脑电信号特征的定位系统实施例1的结构示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明癫痫脑电信号特征的定位方法及其系统的一应用场景介绍:
癫痫脑电特征波可以划分为图1所示的几种情况,图1为本发明癫痫脑电信号特征的定位方法及其系统的一应用场景中癫痫脑电特征波示意图;如图1所示:
图1中描述的棘波,其最主要特点为相对于常规脑电图,有明显的突发变化,波形上升部分和下降部分均陡而直,一旦棘波成规律出现,则提示病人即将发作癫痫。图1中描述的尖波,波形上升部分陡而直,跟棘波波形是一致的,下降部分相对于棘波较为平缓,周期在70ms-200ms之间,尖波幅值通常在100μV-200μV之间。图1中描述的棘波-慢波的复合波,慢波为主要成份,棘波不定时出现在慢波上。图1中描述的尖波-慢波的复合波,表征患者脑内有大范围的癫痫病灶,波形由尖波和慢波共同组成,慢波为主要成份,尖波不定时出现在慢波上。图1中描述的节律波,表征癫痫患者正在发作期,波形由正常脑电波组成,不过在正常脑电波的波峰上出现高频波动,出现时间短,消失快。
高频振荡节律分为“ripples”和“fastripples(FRs)”,其中,“ripples”的特点为频率范围为80-200Hz,出现在人类的海马旁回结构中,表征抑制性突触电位同步化放电,病理意义是感官信息处理及记忆,如图2所示。图2为本发明癫痫脑电信号特征的定位方法及其系统的一应用场景中“ripples”特征波示意图;“fastripples(FRs)”的频率范围为200-500Hz,出现在人类的内侧型颞叶结构中,表征神经元高度同步化放电,是一种病理性的HFOs,研究表明该节律成分能够定位癫痫发病的核心区,如图3所示。图3为本发明癫痫脑电信号特征的定位方法及其系统的一应用场景中“FRs”特征波示意图;
可以明确的是,“ripples”的频率范围为80-200Hz,“FRs”的频率范围为200-500Hz。本发明重点关注80-500Hz频带的ripples和FRs,研究这两种节律的自动检测方法,通过本发明改进的带通滤波器提取80-500Hz频率段的高频信号,并分析其与癫痫发作始发区之间的关系,实现癫痫病灶的快速定位。
本发明癫痫脑电信号特征的定位方法实施例1:
为了解决传统技术中对癫痫脑电信号特征的定位方法易出错且过程耗时的问题,本发明提供了一种癫痫脑电信号特征的定位方法实施例1;图4为本发明癫痫脑电信号特征的定位方法实施例1的流程示意图,如图4所示,可以包括以下步骤:
步骤S410:对癫痫患者的脑电波动信号进行采样,得到脑电波动信号的样本总数;
一般而言,未经过滤波等预处理的原始癫痫脑电信号没有明显的脑电信号波动规律,本发明中的脑电波动信号指的是经过预处理后的具有脑电波动规律的波动信号;而脑电波动信号的样本总数可以通过对采集到的脑电信号进行截取以及倍频陷波处理得到;
步骤S420:根据样本总数,获取脑电波动信号的幅值的均方根;
步骤S430:根据脑电波动信号的波动周期和预设的截止频率,获取脑电波动信号的持续时间阈;
具体而言,持续时间阈指的是通过计算获取到的脑电波动信号的“连续”阈限DT(DurationThreshold);
步骤S440:获取均方根的第一阈值和持续时间阈的第二阈值,根据第一阈值和第二阈值对脑电波动信号进行幅度滤波,得到脑电波动信号的特征信号。
具体而言,本发明中的特征信号指的是80-500Hz频率段的高频信号;第一阈值和第二阈值可以依据脑电采集设备参考电极的额定参数来获取。
在一个具体的实施例中,步骤S440中根据第一阈值和第二阈值对脑电波动信号进行幅度滤波,得到脑电波动信号的特征信号的步骤可以包括:
在均方根大于第一阈值且持续时间阈大于第二阈值时,提取该均方根对应的脑电波动信号作为特征信号。
具体而言,满足本发明中均方根大于第一阈值且持续时间阈大于第二阈值条件的脑电信号,属于80-500Hz频率段的高频信号,可以通过分析其与癫痫发作始发区之间的关系,实现癫痫病灶的快速定位。
在一个具体的实施例中,癫痫脑电信号特征的定位方法实施例1还可以包括步骤:
对癫痫患者的脑电信号进行滤波预处理,获取脑电波动信号。具体而言,可以通过50Hz倍频陷波器对所述癫痫脑电信号进行工频噪声滤波,得到脑电波动信号。
在一个具体的实施例中,步骤S420根据脑电波动信号的样本总数,获取脑电波动信号的幅值的均方根的步骤可以包括:
根据脑电波动信号的样本总数,基于以下公式计算均方根:
其中,RMS为均方根;t为当前时间;N为样本总数;x(k)为脑电波动信号。
在一个具体的实施例中,步骤S430根据脑电波动信号的波动周期和预设的截止频率,获取脑电波动信号的持续时间阈的步骤可以包括:
获取脑电波动信号的波动周期,根据预设的截止频率,基于以下公式计算持续时间阈:
其中,DT为持续时间阈;Fmax为预设的截止频率;C为波动周期;预设的截止频率的取值范围为80~500Hz。
具体而言,癫痫脑电信号x(k)的波动周期C,在假设高频振荡节律仅有一个特征频率时,波动周期C是可见的;可根据高频振荡节律的特征频率的持续时间,找出癫痫脑电信号x(k)中最能表征癫痫脑电信号x(k)特征的时间间隔,即波动周期C。此外,可以设置切比雪夫带通滤波器的截止频率为Fmin=80,Fmax=500,即预设的截止频率的取值范围为80~500Hz,在一个具体的实施例中,可以取Fmax=450Hz。具体而言,可通过本发明改进的带通滤波器实现获取均方根、持续时间阈、第一阈值和第二阈值的目的。目前经过实践数据验证经改进的切比雪夫带通滤波器所达到的效果最好,此外,也可使用巴特沃斯等其他类型滤波器实现上述目的。
在一个具体的实施例中,步骤S440中获取第一阈值和第二阈值的步骤可以包括:
获取脑电采集设备参考电极的额定参数,基于以下公式分别获取第一阈值和第二阈值:
RMSmax=β*0.962
其中,RMSmax为第一阈值;β为额定参数;
DTmax=β*0.808
其中,DTmax为第二阈值;β为额定参数;
具体而言,上述公式中的0.96以及0.808属于本领域的经验参数,通过临床数据验证得来。
为了详细阐述本发明癫痫脑电信号特征的定位方法的技术方案,特以本发明运用在实际癫痫脑电特征信号的提取为例,说明本发明方法实施例1的实现过程:
脑电图仪采集到的癫痫脑电信号通常含有50Hz的工频噪声干扰,实际采集到的脑电图形如图5所示,没有经过50Hz倍频陷波的原始癫痫脑电信号没有明显的脑电信号波动规律,采用50Hz倍频陷波器(50Hz,100Hz,150Hz,200Hz,250Hz,…)对信号进行工频噪声滤波预处理,传输函数如下:
其中,A为脑电波动信号的幅值;S为拉普拉斯算子,ω0为50Hz倍频陷波器的截止频率;Q为Q值,表示借助预设分贝的带宽进行监控。
经过50Hz倍频陷波处理后的波形如图6所示,可见经倍频陷波之后,图5中的曲线才呈现出明显的脑电波动形状。
假设经过倍频陷波后的脑电波动信号为x(k),样本总数为N。经50Hz倍频陷波后,针对ripples和FRS这两种节律,采用切比雪夫带通滤波器进行通带提取。设计切比雪夫带通滤波器,具体而言即根据传递函数设置,通带频率为80-500Hz,利用MATLAB工具箱即可获得传输函数参数值,切比雪夫带通滤波器传输函数如下:
其中,A为脑电波动信号的幅值;S为拉普拉斯算子,ω0为带通滤波器的截止频率;Q为Q值,表示借助预设分贝的带宽进行监控,,在一个具体实施例中,预设分贝可以是3dB。
根据脑电波动信号的样本总数N,基于以下公式计算均方根(RMS:RootMeanSquare):
其中,RMS为均方根;t为当前时间;N为样本总数;x(k)为脑电波动信号。
然后,获取脑电波动信号的波动周期,根据预设的截止频率,基于以下公式计算持续时间阈(连续阈限DT:DurationThreshold):
其中,DT为持续时间阈;Fmax为预设的截止频率;C为波动周期;预设的截止频率的取值范围为80~500Hz。癫痫脑电信号x(k)的波动周期C,在假设高频振荡节律仅有一个特征频率时,波动周期C是可见的;可根据高频振荡节律的特征频率的持续时间,找出该频段范围内最能表征癫痫脑电信号x(k)特征的时间间隔,即波动周期C。此外,可以设置切比雪夫带通滤波器的截止频率为Fmin=80,Fmax=500,预设的截止频率的取值范围为80~500Hz,在一个具体的实施例中,Fmax可以取值为450Hz。
获取脑电采集设备参考电极的额定参数β,基于以下公式分别获取均方根阈值(第一阈值)和持续时间阈的阈值(第二阈值):
RMSmax=β*0.962
其中,RMSmax为第一阈值;β为额定参数;
DTmax=β*0.808
其中,DTmax为第二阈值;β为额定参数;
具体而言,上述公式中的0.96以及0.808属于本领域的经验参数,通过临床数据验证得来。
基于改进切比雪夫带通滤波器,设定均方根值RMS和持续时间阈DT两个指标进行幅度滤波。当DT>DTmax且RMS>RMSmax时,则将该段信号认为是高频振荡信号,经过上述方法提取得到的高频振荡信号如图7所示,图7为本发明癫痫脑电信号特征的定位方法一具体实施例中经过带通提取后的高频振荡信号示意图;如图7所示,经过切比雪夫带通滤波和时间幅值阈限(DTmax和RMSmax)特征提取后,信号曲线呈现明显的高频振荡节律特征,尤其是4×104×0.5ms以后的曲线,均是高频部分,提取效果明显。
为了方便地分析带通滤波的效果,采用频谱图作为性能分析指标,提取后的频谱图如图8所示,图8为本发明癫痫脑电信号特征的定位方法一具体实施例中用频谱图作为性能分析指标提取后的频谱图;由图8的频谱图可以发现,频率范围确实已经在80-500Hz之间,达到了滤波提取的效果。
在一个具体的实施例中,针对病人A的B个通道数据进行上述高频振荡分析提取,找到高频振荡成分最多的通道R1,次多的通道R2,R3,...,Rx,其中x取值为1~B-1。
根据上述脑电系统电极分布图,找到R1与R2、R3...之间的空间位置关系,通常R2、R3分布在R1周围。可以确定R1为癫痫发作始发区,R2、R3为高频振荡节律的扩散区域。
在癫痫发作始发区前,通常出现30ms左右的短时振荡。发作始发区定位之后,1s左右出现长时HFOs,开始检测。能够快速确定癫痫病灶所在区域,实现癫痫病灶快速定位,如图9所示,图9为本发明癫痫脑电信号特征的定位方法一具体实施例中确定癫痫病灶所在区域的示意图。
本发明癫痫脑电信号特征的定位方法实施例1,根据均方根的阈值和持续时间阈的阈值对脑电波动信号进行幅度滤波,能够提取癫痫脑电信号中的高频振荡节律,从而快速确定癫痫脑电特征信号所在区域,实现癫痫脑电特征信号的快速定位,降低癫痫手术风险。同时可以基于高频振荡与癫痫发作始发区的时空一致性分析,确定癫痫病灶位置和癫痫发作时间,提高癫痫病灶的检出率。
本发明癫痫脑电信号特征的定位系统实施例1:
为了解决传统技术中对癫痫脑电信号特征的定位方法易出错且过程耗时的问题,同时基于上述方法实施例的技术思想,本发明还提供了一种癫痫脑电信号特征的定位系统实施例1;图10为本发明癫痫脑电信号特征的定位系统实施例1的结构示意图。如图10所示,可以包括:
采样单元110,用于对癫痫患者的脑电波动信号进行采样,得到脑电波动信号的样本总数;
第一处理单元120,用于根据样本总数,获取脑电波动信号的幅值的均方根;
第二处理单元130,用于根据脑电波动信号的波动周期和预设的截止频率,获取脑电波动信号的持续时间阈;
特征提取单元140,用于获取均方根的第一阈值和持续时间阈的第二阈值,根据第一阈值和第二阈值对脑电波动信号进行幅度滤波,得到脑电波动信号的特征信号。
在一个具体的实施例中,特征提取单元140可以用于在均方根大于第一阈值且持续时间阈大于第二阈值时,提取均方根对应的脑电波动信号作为特征信号。
在一个具体的实施例中,第一处理单元120,用于根据脑电波动信号的样本总数,基于以下公式计算均方根:
其中,RMS为均方根;t为当前时间;N为样本总数;x(k)为脑电波动信号;
第二处理单元130,用于获取脑电波动信号的波动周期,根据预设的截止频率,基于以下公式计算持续时间阈:
其中,DT为持续时间阈;Fmax为预设的截止频率;C为波动周期;预设的截止频率的取值范围为80~500Hz。在一个具体的实施例中,可以取Fmax=450Hz。
在一个具体的实施例中,特征提取单元140获取脑电采集设备参考电极的额定参数,基于以下公式分别获取第一阈值和第二阈值:
RMSmax=β*0.962
DTmax=β*0.808
其中,RMSmax为第一阈值;DTmax为第二阈值;β为额定参数;
具体而言,上述公式中的0.96以及0.808属于本领域的经验参数,通过临床数据验证得来。
本发明癫痫脑电信号特征的定位系统实施例1,根据均方根的阈值和持续时间阈的阈值对脑电波动信号进行幅度滤波,能够提取癫痫脑电信号中的高频振荡节律,从而快速确定癫痫脑电特征信号所在区域,实现癫痫脑电特征信号的快速定位,降低癫痫手术风险。同时可以基于高频振荡与癫痫发作始发区的时空一致性分析,确定癫痫病灶位置和癫痫发作时间,提高癫痫病灶的检出率。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种癫痫脑电信号特征的定位方法,其特征在于,包括以下步骤:
对癫痫患者的脑电波动信号进行采样,得到所述脑电波动信号的样本总数;
根据所述样本总数,获取所述脑电波动信号的幅值的均方根;
根据所述脑电波动信号的波动周期和预设的截止频率,获取所述脑电波动信号的持续时间阈;
获取所述均方根的第一阈值和所述持续时间阈的第二阈值,根据所述第一阈值和所述第二阈值对所述脑电波动信号进行幅度滤波,得到所述脑电波动信号的特征信号。
2.根据权利要求1所述的癫痫脑电信号特征的定位方法,其特征在于,根据所述第一阈值和所述第二阈值对所述脑电波动信号进行幅度滤波,得到所述脑电波动信号的特征信号的步骤包括:
在所述均方根大于所述第一阈值且所述持续时间阈大于所述第二阈值时,提取所述均方根对应的脑电波动信号作为所述特征信号。
3.根据权利要求1所述的癫痫脑电信号特征的定位方法,其特征在于,还包括步骤:
对癫痫患者的脑电信号进行滤波预处理,获取所述脑电波动信号。
4.根据权利要求3所述的癫痫脑电信号特征的定位方法,其特征在于,获取所述脑电波动信号的步骤包括:
通过50Hz倍频陷波器对所述癫痫脑电信号进行工频噪声滤波,得到所述脑电波动信号。
5.根据权利要求1至4任意一项所述的癫痫脑电信号特征的定位方法,其特征在于,根据所述样本总数,获取所述脑电波动信号的幅值的均方根的步骤包括:
根据所述脑电波动信号的样本总数,基于以下公式计算所述均方根:
其中,RMS为所述均方根;t为当前时间;N为所述样本总数;x(k)为所述脑电波动信号。
6.根据权利要求1至4任意一项所述的癫痫脑电信号特征的定位方法,其特征在于,根据所述脑电波动信号的波动周期和预设的截止频率,获取所述脑电波动信号的持续时间阈的步骤包括:
获取所述脑电波动信号的波动周期,根据预设的截止频率,基于以下公式计算所述持续时间阈:
其中,DT为所述持续时间阈;Fmax为所述预设的截止频率;C为所述波动周期;所述预设的截止频率的取值范围为80~500Hz。
7.根据权利要求1至4任意一项所述的癫痫脑电信号特征的定位方法,其特征在于,获取所述第一阈值和所述第二阈值的步骤包括:
获取脑电采集设备参考电极的额定参数,基于以下公式分别获取所述第一阈值和所述第二阈值:
RMSmax=β*0.962
其中,RMSmax为所述第一阈值;β为所述额定参数;
DTmax=β*0.808
其中,DTmax为所述第二阈值;β为所述额定参数。
8.一种癫痫脑电信号特征的定位系统,其特征在于,包括:
采样单元,用于对癫痫患者的脑电波动信号进行采样,得到所述脑电波动信号的样本总数;
第一处理单元,用于根据所述样本总数,获取所述脑电波动信号的幅值的均方根;
第二处理单元,用于根据所述脑电波动信号的波动周期和预设的截止频率,获取所述脑电波动信号的持续时间阈;
特征提取单元,用于获取所述均方根的第一阈值和所述持续时间阈的第二阈值,根据所述第一阈值和所述第二阈值对所述脑电波动信号进行幅度滤波,得到所述脑电波动信号的特征信号。
9.根据权利要求8所述的癫痫脑电信号特征的定位系统,其特征在于,
所述特征提取单元,用于在所述均方根大于所述第一阈值且所述持续时间阈大于所述第二阈值时,提取所述均方根对应的脑电波动信号作为所述特征信号。
10.根据权利要求8或9所述的癫痫脑电信号特征的定位系统,其特征在于,
所述第一处理单元,用于根据所述样本总数,基于以下公式计算所述均方根:
其中,RMS为所述均方根;t为当前时间;N为所述样本总数;x(k)为所述脑电波动信号;
所述第二处理单元,用于获取所述脑电波动信号的波动周期,根据预设的截止频率,基于以下公式计算所述持续时间阈:
其中,DT为所述持续时间阈;Fmax为所述预设的截止频率;C为所述波动周期;所述预设的截止频率的取值范围为80~500Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610097557.0A CN105615877B (zh) | 2016-02-22 | 2016-02-22 | 癫痫脑电信号特征的定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610097557.0A CN105615877B (zh) | 2016-02-22 | 2016-02-22 | 癫痫脑电信号特征的定位系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105615877A true CN105615877A (zh) | 2016-06-01 |
CN105615877B CN105615877B (zh) | 2018-11-27 |
Family
ID=56031541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610097557.0A Active CN105615877B (zh) | 2016-02-22 | 2016-02-22 | 癫痫脑电信号特征的定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105615877B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463908A (zh) * | 2017-08-09 | 2017-12-12 | 杨小枫 | 一种基于最大波峰点分布计算基线的高频振荡自动检测系统 |
CN108542384A (zh) * | 2018-03-09 | 2018-09-18 | 王永新 | 一种脑电波智能监测系统及其方法 |
CN110290746A (zh) * | 2017-12-30 | 2019-09-27 | 深圳迈瑞生物医疗电子股份有限公司 | 一种高频射频干扰去除装置及方法 |
CN110477908A (zh) * | 2019-07-16 | 2019-11-22 | 华南师范大学 | 一种智能识别癫痫灶的方法 |
CN110584598A (zh) * | 2019-08-07 | 2019-12-20 | 中国地质大学(武汉) | 基于时频分析的自动分离高频振荡节律中尖峰活动方法 |
CN113499083A (zh) * | 2021-05-18 | 2021-10-15 | 生物岛实验室 | 一种头皮脑电高频振荡自动检测方法 |
WO2022135448A1 (zh) * | 2020-12-22 | 2022-06-30 | 北京航空航天大学 | 基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 |
CN114886388A (zh) * | 2022-07-12 | 2022-08-12 | 浙江普可医疗科技有限公司 | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101259016A (zh) * | 2007-03-06 | 2008-09-10 | 李小俚 | 实时自动检测癫痫特征波的方法 |
CN102423259A (zh) * | 2011-09-22 | 2012-04-25 | 上海师范大学 | 一种癫痫灶定位装置及方法 |
CN102429657A (zh) * | 2011-09-22 | 2012-05-02 | 上海师范大学 | 一种癫痫脑电信号分类检测装置及方法 |
US20130072809A1 (en) * | 2011-09-19 | 2013-03-21 | Persyst Development Corporation | Method And System For Analyzing An EEG Recording |
CN104055513A (zh) * | 2014-06-18 | 2014-09-24 | 电子科技大学 | 一种癫痫发作源的定位装置及方法 |
US20140341456A1 (en) * | 2013-05-16 | 2014-11-20 | The Regents Of The University Of California | Fully automated localization of electroencephalography (eeg) electrodes |
-
2016
- 2016-02-22 CN CN201610097557.0A patent/CN105615877B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101259016A (zh) * | 2007-03-06 | 2008-09-10 | 李小俚 | 实时自动检测癫痫特征波的方法 |
US20130072809A1 (en) * | 2011-09-19 | 2013-03-21 | Persyst Development Corporation | Method And System For Analyzing An EEG Recording |
CN102423259A (zh) * | 2011-09-22 | 2012-04-25 | 上海师范大学 | 一种癫痫灶定位装置及方法 |
CN102429657A (zh) * | 2011-09-22 | 2012-05-02 | 上海师范大学 | 一种癫痫脑电信号分类检测装置及方法 |
US20140341456A1 (en) * | 2013-05-16 | 2014-11-20 | The Regents Of The University Of California | Fully automated localization of electroencephalography (eeg) electrodes |
CN104055513A (zh) * | 2014-06-18 | 2014-09-24 | 电子科技大学 | 一种癫痫发作源的定位装置及方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463908A (zh) * | 2017-08-09 | 2017-12-12 | 杨小枫 | 一种基于最大波峰点分布计算基线的高频振荡自动检测系统 |
CN110290746A (zh) * | 2017-12-30 | 2019-09-27 | 深圳迈瑞生物医疗电子股份有限公司 | 一种高频射频干扰去除装置及方法 |
CN108542384A (zh) * | 2018-03-09 | 2018-09-18 | 王永新 | 一种脑电波智能监测系统及其方法 |
CN110477908A (zh) * | 2019-07-16 | 2019-11-22 | 华南师范大学 | 一种智能识别癫痫灶的方法 |
CN110584598A (zh) * | 2019-08-07 | 2019-12-20 | 中国地质大学(武汉) | 基于时频分析的自动分离高频振荡节律中尖峰活动方法 |
CN110584598B (zh) * | 2019-08-07 | 2020-07-03 | 中国地质大学(武汉) | 基于时频分析的自动分离高频振荡节律中尖峰活动方法 |
WO2022135448A1 (zh) * | 2020-12-22 | 2022-06-30 | 北京航空航天大学 | 基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 |
CN113499083A (zh) * | 2021-05-18 | 2021-10-15 | 生物岛实验室 | 一种头皮脑电高频振荡自动检测方法 |
CN113499083B (zh) * | 2021-05-18 | 2023-10-20 | 生物岛实验室 | 一种头皮脑电高频振荡自动检测方法 |
CN114886388A (zh) * | 2022-07-12 | 2022-08-12 | 浙江普可医疗科技有限公司 | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 |
CN114886388B (zh) * | 2022-07-12 | 2022-11-22 | 浙江普可医疗科技有限公司 | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105615877B (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105615877A (zh) | 癫痫脑电信号特征的定位方法及其系统 | |
CN101449973B (zh) | 用于心电干扰信号识别的判断指标的生成方法及装置 | |
CN104545949A (zh) | 一种基于脑电的麻醉深度监测方法 | |
CA3058261A1 (en) | Method for identification of pathological brain activity from scalp electroencephalogram | |
CN109009087B (zh) | 一种心电信号r波的快速检测方法 | |
Nayak et al. | A biomedical approach to retrieve information on driver's fatigue by integrating EEG, ECG and blood biomarkers during simulated driving session | |
CN107510453A (zh) | 一种前额区脑电分析方法 | |
EP1985230A1 (en) | Method for filtering out artefacts of deep brain stimulation | |
CN103425983A (zh) | 一种基于网络同步性的脑网络拓扑差异的快速提取方法 | |
CN104055513A (zh) | 一种癫痫发作源的定位装置及方法 | |
Huang et al. | Empirical mode decomposition improves detection of SSVEP | |
CN110179456A (zh) | 心电噪声识别模型训练及心电噪声检测方法、装置 | |
Pagana et al. | Time–frequency analysis of the endocavitarian signal in paroxysmal atrial fibrillation | |
Fadzal et al. | Welch power spectral density of EEG signal generated from dyslexic children | |
Ji et al. | Multi-channel template extraction for automatic EEG spike detection | |
Krikid et al. | A comparative study between three epileptic high frequency oscillations detection strategies | |
Jrad et al. | A Page-Hinkley based method for HFOs detection in epileptic depth-EEG | |
CN105975943A (zh) | 一种基于脑电波的冥想检测方法 | |
Wang et al. | Lesion localization algorithm of high-frequency epileptic signal based on Teager energy operator | |
Grigorovsky et al. | Cross-frequency coupling features of postictal generalized EEG suppression state | |
Clariá et al. | Time-frequency representation of the HRV: a tool to characterize sudden cardiac death in hypertrophy cardiomyopathy patients | |
Giller et al. | EEG sonification for epilepsy surgery: A clinical work-in progress | |
CN113499083B (zh) | 一种头皮脑电高频振荡自动检测方法 | |
AT515873A1 (de) | EKG-Gerät | |
Ince et al. | Analysis and visualization of ERD and ERS with adapted local cosine transform |
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 |