CN105740772A - 变换域联合稀疏模型的皮层体感诱发电位的实时监测方法 - Google Patents

变换域联合稀疏模型的皮层体感诱发电位的实时监测方法 Download PDF

Info

Publication number
CN105740772A
CN105740772A CN201610046753.5A CN201610046753A CN105740772A CN 105740772 A CN105740772 A CN 105740772A CN 201610046753 A CN201610046753 A CN 201610046753A CN 105740772 A CN105740772 A CN 105740772A
Authority
CN
China
Prior art keywords
sparse
csep
evoked potential
signal
model
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.)
Pending
Application number
CN201610046753.5A
Other languages
English (en)
Inventor
余南南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Normal University
Original Assignee
Jiangsu Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Normal University filed Critical Jiangsu Normal University
Priority to CN201610046753.5A priority Critical patent/CN105740772A/zh
Publication of CN105740772A publication Critical patent/CN105740772A/zh
Pending legal-status Critical Current

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
    • 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]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • 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
    • A61B5/407—Evaluating the spinal cord
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，包括：构造CESP的稀疏字典；T?JSM模型通过变换矩阵H对连续两次脑电测量信号进行滤波处理；对滤波后的脑电信号采用联合稀疏分解，得到公共稀疏系数以及各自稀疏系数；重构得到单次CSEP信号，并进行实时监测；其中，采用联合优化算法同时求解所述变换矩阵H和稀疏系数的最优解。本发明突破从复杂的术中脑电信号中提取微弱的CSEP信号的单次提取方法，从两次脑电信号中分离相似成分，即CSEP信号，有效降低提取的难度，提高提取的准确性。且增加了变换矩阵H，从而减少了EEG对CSEP信号稀疏分解的干扰。

Description

变换域联合稀疏模型的皮层体感诱发电位的实时监测方法
技术领域
本发明属于医学信号处理以及诱发电位处理领域，具体涉及一种变换域联合稀疏模型的皮层体感诱发电位的实时监测方法。
背景技术
随着脊柱脊髓外科技术的高速发展，许多高难度手术如脊柱侧弯矫形、椎管狭窄扩大的前路或后路减压术、髓内或髓外肿瘤切除等手术逐渐常规开展，脊柱脊髓病变的治愈率也得到相应提高。然而一些术中操作如进入椎管的骨性部分切除、椎弓根螺钉、植骨块的植入、切除肿瘤时对脊髓的牵拉及电凝等，都可能会造成相应区域正常脊髓机械性损伤和缺血性损伤，进而导致患者术后不同程度的脊髓神经功能障碍。术中神经电生理监测通过电生理技术，向手术和麻醉医生反馈术中神经功能完整性的变化情况，使其能够采取防范措施以避免不可逆的损害，降低术后神经功能缺损的风险。从20世纪70年代以来，脊柱脊髓术中神经电生理监测的应用已愈来愈广泛，常用的监测方法有皮层体感诱发电位(Cortical Somatosensory Evoked Potential，CSEP)、运动诱发电位(Motor Evoked Potential，MEP)和肌电图(Electromyography，EMG)等。CSEP是指给皮肤或末梢神经以刺激，神经冲动沿传入神经经脊髓、丘脑传入大脑皮层中央后回感觉区，在刺激的对侧大脑头皮相应部位记录到的电活动。CSEP监测可反映躯体感觉传导通路的完整性，是脊柱脊髓外科术中监测的主要手段。
目前的CSEP监测技术仍然存在严重缺陷。和其他神经电信号相比，CSEP信号波幅较低，约为0.2～10微伏，临床上无法实现单次CSEP信号实时监测。从信号处理的角度分析，CSEP是一种极其微弱的，具有锁时特性(或称为准周期性)的非平稳信号，它时时刻刻隐藏在自发脑电(Electroencephalogram，EEG)等噪声信号之中，信噪比极低(低于-10dB)。目前临床上通常采用累加平均法提取CSEP信号。累加平均法是一种在强背景噪声下提取微弱锁时性信号的有力工具，并在一阶统计量意义下收敛。从理论上说，该方法需要通过无穷多次的“累加”和“平均”，才能真正提取出被噪声湮没信号的平均响应。而无穷多次是无法做到的，因此累加平均法只能提高信噪比而无法去除噪声。除此之外，累加平均法还存在两个主要问题：其一，累加平均法的前提是假定每次测量信号中的CSEP信号是相同的并且EEG等背景噪声为0均值的随机过程，这并不符合事实，大量实验已经证明，每次的CSEP之间都存在差异并且EEG具有非平稳性，并不完全符合累加平均法的前提；其二，更为重要的是，累加平均法是通过永不间断的“累加”、“平均”实现的，这样必定使脊髓损伤后的CSEP波形改变被原有的波形所掩盖，只有经过一段时间才能逐渐表现出来，累加平均技术决定了这一点。由于累加平均技术的限制，CSEP监测存在几十秒甚至几分钟的时间延迟，这就要求临床医师配合术中监测的需要，暂停手术操作等待一段时间，在一定程度上增加了术中监测的难度，增长了手术时间，同时可能使得一些术中操作引起的急性脊髓损伤不可逆转。累加平均法虽然存在一些无法避免的缺陷，但目前临床中仍然广泛的应用这种方法提取CSEP信号。
诱发电位(Evoked Potentials，EP)的实时监测是一个国际上公认的技术难题。随后，许多信号处理领域和神经电生理学学者提出了一些单次EP提取算法尝试解决这一问题。这些算法大致可以分为滤波法、模型法以及分解分离法三大类。
滤波法将EEG信号看作背景噪声，通过去除噪声来提取EP信号，经典的卡尔曼滤波、自适应滤波、神经网络及广义子空间(Generalized SubspaceApproach，GSA)等方法均被应用于其中。此类方法通常需要有关EP信号与EEG等噪声的先验知识，但是由于EP与EEG的非平稳性，使得这一要求在实际应用中往往很难实现。
模型法根据先验知识对EP信号进行建模，用一组函数或原子表示EP信号，从而实现对EP信号的提取，如Lange等人提出的模板建模法和Garoosi等人提出的Prony方法等。模型法希望通过建立模型从观测信号中提取EP，此类方法通常仅对EP信号进行建模，而将EEG信号看作噪声。但是由于EP信号时刻隐藏在EEG噪声之中，其信噪比极低，而且二者在时域与频域都存在混叠。因此，EEG信号也极易被EP信号的模型所表示，从而很难从观测信号中提取出较纯净的EP信号。
分解分离法是将观测信号看作EP与EEG的混合信号，利用盲源分离理论将二者分离，实现EP信号的提取。小波变换和独立分量分析(IndependentComponent Analysis，ICA)是两种典型的方法。小波变换方法在信号的重构中需要较多的人为干预，在一定程度上依赖于使用者的经验。而常规ICA方法分离信号的前提条件是观测信号的个数大于等于源信号的个数，但是这一条件在EP和EEG信号分离中是不成立的。
通过以上分析可知，现存的各类EP信号单次提取方法都具有明显缺陷，目前还不能广泛应用于实际问题的解决。
针对术中EP实时监测这个临床医学问题，国内外研究较少。1998年，香港大学Fung等人应用神经网络和小波变换技术提高单次脊柱侧凸术中体感诱发电位信号的信噪比，以实现单次提取。2007年，意大利米兰大学的Rossi等人考虑脊柱侧凸术中体感诱发电位和H反射的联合监测情况下EP信号的实时监测问题，使用外加输入的自回归滤波器(AutoRegressive filter witheXogenous input，ARX)技术从EEG背景噪声中提取EP信号。同年，意大利米兰理工大学的Cerutti教授对ARX算法进行改进，提出基于径向基神经网络(Radial Basis Function Neural Network，RBFNN)的单次体感诱发电位信号提取算法。以上三种算法是对在手术中进行EP信号实时监测的有益探索，单独或联合使用了神经网络、小波变换和自适应滤波法，通过前面的分析可以看出这些算法都存在一定的局限性，其有效性和可靠性尚不能完全满足术中监测的需要，目前临床上仍然不得不继续使用从上世纪七十年代沿用至今的累加平均法。
其次，利用EP与EEG信号的稀疏性，以及EP信号的准周期性和EEG信号的随机性，又有使用JSR(Joint Sparse Representation，JSR)算法实现少次术中EP信号的提取，被称为联合稀疏表示的双次诱发电位提取算法。该算法中，首先应用术前的EP信号进行建模，构造稀疏字典，应用冗余DCT构建EEG的稀疏字典，然后使用JSR算法提取少次脑电信号中的相同部分即为EP信号。
其中，JSR算法可以表示为下述，信号为ri和ti的混合信号，他们对应不同的冗余字典Φr和Φt，其中ri是相同或相似的。设ri的公共成分为rC、各自成分为则
y i = r i + t i = r C + r i U + t i = Φ r θ C + Φ r θ i U + Φ t τ i
其中θC、和τi为相对应的稀疏系数。
已知：yi、Φr和Φt；求解：ri和ti。
步骤1：对所有信号yi进行联合稀疏表示，有
步骤2：稀疏分解
令与 Δ Φ θ = Φ r θ 1 U . . . Φ r θ I U , 则
θ ^ = arg min θ | | θ | | 0 s . t . | | y ‾ - Ω θ | | 2 ≤ ϵ
其中ε为ΔΦθ的方差。
步骤3重构信号。
rC＝ΦrθC，ti＝Φtτi。
上述方法利用EP信号的稀疏性和两次测量信号之间的联合稀疏性，分离信号中的EP和EEG成分，实现了EP信号公共成分的提取。JSR算法的问题：EEG信号近似于0均值的随机过程，无法通过样本训练得到专用的稀疏字典，并且在时域和频域都和CSEP有重复之处，使得部分CSEP易被错误的划分。
针对上述问题，本发明提出利用T-JSM模型(Transform Joint Sparse Model)实现CSEP信号的实时监测。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种变换域联合稀疏模型的皮层体感诱发电位的实时监测方法。
为实现以上目的，本发明采用如下技术方案:
变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，包括：
构造CESP的稀疏字典；
T-JSM模型通过变换矩阵H对连续两次脑电测量信号进行滤波处理；
对滤波后的脑电信号采用联合稀疏分解，得到公共稀疏系数以及各自稀疏系数；
重构得到单次CSEP信号，并进行实时监测；
其中，采用联合优化算法同时求解所述变换矩阵H和稀疏系数的最优解。
上述变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其中，构造CESP的稀疏字典还包括：以皮肤切开后脊柱暴露完全时200次叠加平均CSEP作为模板信号，并根据波峰提取子模板，对所述子模板进行前后平移，得到若干的基，组成所述稀疏字典。
上述变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其中，所述方法还包括：在T-JSM模型的代价函数中增加负的行列式对数惩罚项，用于对所述变换矩阵H的范数进行约束。
上述变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其中，所述代价函数表示为所述滤波后的脑电信号和所述CSEP信号之差l2范数的最小化，并对CSEP稀疏系数的l0范数给予约束。
上述变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其中，在每次更新所述变换矩阵H和计算所述稀疏系数过程中，使所述代价函数单调递减，并通过实验确定收敛条件及收敛速度。
上述变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其中，在第一次计算所述稀疏系数时，赋予所述变换矩阵H一初始值。
上述变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其中，通过所述模板信号计算CSEP的自相关矩阵，应用GSA算法确定所述变换矩阵H的初始值，并在后续计算中对所述变换矩阵H进行矫正，并重新计算所述稀疏系数。
上述变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其中，根据脊柱暴露、麻醉水平稳定后的CSEP信号作为术中基准值，实时获得并提取VIA以及VIL指数，对术中由操作引起的脊髓神经功能损伤发出报警。
上述变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其中，通过波幅和潜伏期变化的百分比计算所述VIA以及VIL指数。
上述变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其中，通过50/10标准计算所述VIA以及VIL指数的正常范围、临界值以及报警范围。
本发明采用以上技术方案，充分利用CSEP的准周期性和稀疏性，使用基于变换域联合稀疏模型(Transform Joint Sparse Model，T-JSM)的信号处理方法同时更新变换矩阵和计算稀疏系数，在脊柱脊髓手术过程中真正实现CSEP信号的实时监测，对术中操作引起脊髓神经功能的变化给出快速反映，并及时发出警报。本发明实施例的实现，可以在不改变现行手术硬件条件的前提下，显著提高术中监测技术水平，进一步减少术中医源性损伤，对于提高手术安全性和减少术后并发症，丰富和发展医学信号处理的理论和方法具有积极作用。
附图说明
图1为本发明实施例一种变换域联合稀疏模型的皮层体感诱发电位的实时监测方法的流程图；
图2为本发明实施例一种变换域联合稀疏模型的皮层体感诱发电位的实时监测方法具体的流程图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
本发明实施例提供一种变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，如图1所示，所述方法包括：
步骤101，构造CESP的稀疏字典；
步骤102，T-JSM模型通过变换矩阵H对连续两次脑电测量信号进行滤波处理；
步骤103，对滤波后的脑电信号采用联合稀疏分解，得到公共稀疏系数以及各自稀疏系数；
步骤104，重构得到单次CSEP信号，并进行实时监测；
其中，采用联合优化算法同时求解所述变换矩阵H和稀疏系数的最优解。具体的，当变换矩阵H为最优时，滤波后的脑电测量信号中只包含CSEP成分，而EEG成分被滤除，此时的脑电信号的稀疏性是最强的，而变换矩阵和稀疏系数都是无法事先估计的，因此本实施例采用联合优化算法同时求解稀疏系数和变换矩阵，是解决这一问题的有效途径。
具体的，在术中CSEP(Cortical Somatosensory Evoked Potential)信号监测中，为了能够满足准确性和实时性两项要求，本发明实施例通过T-JSM模型，即联合稀疏模型(Transform Joint Sparse Model)实现CSEP信号的实时监测。T-JSM模型在联合稀疏分解之前使用变换矩阵H对脑电测量信号进行滤波处理，以减小EEG的干扰，突出CSEP信号的稀疏性；然后使用联合稀疏模型计算滤波后连续两次脑电测量信号中CSEP的公共稀疏系数和各自稀疏系数，并重构得到CSEP信号。
本发明实施例突破从复杂的术中脑电信号中提取微弱的CSEP信号的单次提取方法，从两次脑电信号中分离相似成分，即CSEP信号，有效降低提取的难度，提高提取的准确性。且增加了变换矩阵H，从而减少了EEG对CSEP信号稀疏分解的干扰。
本发明实施例提供的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，较佳的，所述方法还包括：在所述代价函数中增加负的行列式对数惩罚项，用于对所述变换矩阵H的范数进行约束。具体的，为了避免零解，可以对H的范数进行约束。但同时范数约束排除不了H中包含重复行的情况，当H中某一非零行相对于其他行给出了稀疏化的最小误差，则通过对H的更新，H中的所有行都将等于此行。满秩约束是一个有效的选择，但是它一个非凸、非平滑的约束。因此在假定H为方阵的前提下，在代价函数中增加负的行列式对数惩罚项。
本发明实施例提供的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，较佳的，代价函数表示为所述滤波后的脑电信号和所述CSEP信号之差l2范数的最小化，并对CSEP稀疏系数的l0范数给予约束。具体的，由于变换矩阵H最优时，滤波后的脑电信号中包含最少的EEG成分，因此代价函数可以表示为滤波后脑电信号和CSEP信号之差l2范数的最小化。
本发明实施例提供的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，较佳的，在每次更新所述变换矩阵H和计算所述稀疏系数过程中，使所述代价函数单调递减。具体的，为了确保本发明实施例中的算法收敛，在每次更新变换矩阵和计算稀疏系数过程中，因此需使代价函数单调递减。
本发明实施例提供的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，较佳的，所述方法还包括：通过实验确定收敛条件及收敛速度。
本发明实施例提供的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，较佳的，在第一次计算所述稀疏系数时，赋予所述变换矩阵H一初始值。
本发明实施例提供的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，较佳的，通过所述模板信号计算CSEP的自相关矩阵，应用GSA(Generalized Subspace Approach)算法确定所述变换矩阵H的初始值，并在后续计算中对其进行矫正。具体的，GSA算法在EP信号提取中得到一定的效果，但是由于CSEP和EEG的非平稳性无法准确估计信号的自相关矩阵，使得变换矩阵的计算存在较大误差。因此通过研究所述模板信号计算CSEP的自相关矩阵，应用GSA算法确定变换阵的初始值，并在后续计算中对其进行矫正。已知变换矩阵，代价函数的求解转换为稀疏系数计算问题，一些优化算法可以被考虑，如OMP(Orthogonal Matching Pursuit)，Lasso等。当已知稀疏系数更新变换矩阵H，代价函数的求解转换为一个无约束的最小化问题。使用Armijo型线搜索下的共轭梯度法更新变换矩阵。
本发明实施例提供的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，较佳的，选择脊柱暴露、麻醉水平稳定后的CSEP信号作为术中基准值，实时获得并提取VIA以及VIL指数，对术中由操作引起的脊髓神经功能损伤发出报警。较佳的，通过波幅和潜伏期变化的百分比计算VIA(VariabilityIndex of Amplitude)以及VIL(Variability Index of Latency)指数。具体的，为了简化脊柱脊髓术中监测过程，本项目通过稀疏系数直接计算出CSEP的N20和P40成分的VIA和VIL指数，这将更便于手术医生及时观察术中操作对脊髓神经功能的影响。通过比较术中和样本脑电信号的稀疏系数，可以在不重构诱发电位信号的情况下，直接计算出N20和P40成分的VIA和VIL指数。
本发明实施例提供的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，较佳的，通过50/10标准计算VIA以及VIL指数的正常范围、临界值以及报警范围。所述50/10标准即波幅降低>50％和潜伏期延长>10％。
本发明实施例提供的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，较佳的，构造CESP的稀疏字典还包括：以皮肤切开后脊柱暴露完全时200次叠加平均CSEP作为模板信号，并根据波峰提取子模板，对所述子模板进行前后平移，得到若干的基，组成所述稀疏字典。
本发明实施例提供一最优的实施例，如图2所示，本发明实施例的方法大致可分为三部分，首先为CSEP稀疏字典的构造，再经过联合优化算法得到变换矩阵以及稀疏系数，最后在实时监测中来分析算法的有效性。具体的，在CSEP稀疏字典的构造过程中，获得脊柱脊髓术中的CSEP检测数据，基于模版的字典构造方法，获得模版信号以及子模版信号；同时在术中操作以及术中麻醉时，分别分析N20和P40成分的变化以及CSEP信号的变化，最终得到稀疏字典。在联合优化算法中，将稀疏字典应用于T-JSM模型代价函数来求解变换矩阵以及稀疏系数。具体的，求解变换矩阵和稀疏系数时应用交替求解法。其中，在分析CSEP信号变化中应用GSA算法确定变换矩阵的初始值，根据已知的变换矩阵能够计算得到稀疏系数；再根据已知的稀疏系数，更新变换矩阵，以便不断对其进行矫正。在每次更新变换矩阵和稀疏系数时，要确保算法收敛。
在实时监测过程中，将脊柱暴露、麻醉水平稳定后的CSEP值作为术中基准值，实时提取VIA和VIL指数，分析算法的有效性，并实时对术中操作引起的脊髓神经功能损伤发出报警。
本发明实施例所提供的T-JSM模型在联合稀疏分解之前使用变换矩阵对脑电测量信号进行滤波处理，以减小EEG的干扰，突出CSEP信号的稀疏性；然后使用联合稀疏模型计算滤波后连续两次脑电测量信号中CSEP的公共稀疏系数和各自稀疏系数，并重构得到CSEP信号。T-JSM模型中包含两个未知量：变换矩阵H和稀疏系数。T-JSM模型对这两个未知量进行联合求解，通过优化算法同时寻找二者的最优值，当变换矩阵H为最优时，滤波后的脑电测量信号中只包含CSEP成分，而EEG成分被滤除，显然，此时脑电信号的稀疏性是最强的。
因此T-JSM模型和现有技术中JSR算法相比，增加了变换矩阵H，从而减少了EEG对CSEP信号稀疏分解的干扰。
综上所述，为了突破CSEP极低信噪比和EEG非平稳性两大障碍，本发明根据CSEP和EEG信号的特点，充分利用CSEP的准周期性和稀疏性，使用基于变换域联合稀疏模型(Transform Joint Sparse Model，T-JSM)的信号处理方法同时更新变换矩阵和计算稀疏系数，在脊柱脊髓手术过程中真正实现CSEP信号的实时监测，对术中操作引起脊髓神经功能的变化给出快速反映，并及时发出警报。本发明实施例的实现，可以在不改变现行手术硬件条件的前提下，显著提高术中监测技术水平，进一步减少术中医源性损伤，对于提高手术安全性和减少术后并发症，丰富和发展医学信号处理的理论和方法具有积极作用。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，所述方法包括：
构造CESP的稀疏字典；
T-JSM模型通过变换矩阵H对连续两次脑电测量信号进行滤波处理；
对滤波后的脑电信号采用联合稀疏分解，得到公共稀疏系数以及各自稀疏系数；
重构得到单次CSEP信号，并进行实时监测；
其中，采用联合优化算法同时求解所述变换矩阵H和稀疏系数的最优解。
2.根据权利要求1所述的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，构造CESP的稀疏字典还包括：以皮肤切开后脊柱暴露完全时200次叠加平均CSEP作为模板信号，并根据波峰提取子模板，对所述子模板进行前后平移，得到若干的基，组成所述稀疏字典。
3.根据权利要求1所述的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，所述方法还包括：在T-JSM模型的代价函数中增加负的行列式对数惩罚项，用于对所述变换矩阵H的范数进行约束。
4.根据权利要求3所述的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，所述代价函数表示为所述滤波后的脑电信号和所述CSEP信号之差l2范数的最小化，并对稀疏系数的l0范数给予约束。
5.根据权利要求4所述的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，在每次更新所述变换矩阵H和计算所述稀疏系数过程中，使所述代价函数单调递减，并通过实验确定收敛条件及收敛速度。
6.根据权利要求2所述的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，在第一次计算所述稀疏系数时，赋予所述变换矩阵H一初始值。
7.根据权利要求6所述的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，通过所述模板信号计算CSEP的自相关矩阵，应用GSA算法确定所述变换矩阵H的初始值，并在后续计算中对所述变换矩阵H进行矫正，并重新计算所述稀疏系数。
8.根据权利要求1所述的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，根据脊柱暴露、麻醉水平稳定后的CSEP信号作为术中基准值，实时获得并提取VIA以及VIL指数，对术中由操作引起的脊髓神经功能损伤发出报警。
9.根据权利要求8所述的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，通过波幅和潜伏期变化的百分比计算所述VIA以及VIL指数。
10.根据权利要求9所述的变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，通过50/10标准计算所述VIA以及VIL指数的正常范围、临界值以及报警范围。
CN201610046753.5A 2016-01-22 2016-01-22 变换域联合稀疏模型的皮层体感诱发电位的实时监测方法 Pending CN105740772A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610046753.5A CN105740772A (zh) 2016-01-22 2016-01-22 变换域联合稀疏模型的皮层体感诱发电位的实时监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610046753.5A CN105740772A (zh) 2016-01-22 2016-01-22 变换域联合稀疏模型的皮层体感诱发电位的实时监测方法

Publications (1)

Publication Number Publication Date
CN105740772A true CN105740772A (zh) 2016-07-06

Family

ID=56247360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610046753.5A Pending CN105740772A (zh) 2016-01-22 2016-01-22 变换域联合稀疏模型的皮层体感诱发电位的实时监测方法

Country Status (1)

Country Link
CN (1) CN105740772A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103325A (zh) * 2017-04-20 2017-08-29 湘潭大学 一种组织病理图像分类方法
CN107423668A (zh) * 2017-04-14 2017-12-01 山东建筑大学 基于小波变换和稀疏表达的脑电信号分类系统与方法
CN108836301A (zh) * 2018-05-04 2018-11-20 江苏师范大学 一种基于奇异谱分析和稀疏表示的单次诱发电位提取方法
CN110443194A (zh) * 2019-08-05 2019-11-12 哈尔滨工业大学 基于spi稀疏约束的时变信号成分提取方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101254310A (zh) * 2006-10-27 2008-09-03 中山大学 人神经营养素-3受体基因重组腺病毒在制备治疗神经损伤药物中的应用

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101254310A (zh) * 2006-10-27 2008-09-03 中山大学 人神经营养素-3受体基因重组腺病毒在制备治疗神经损伤药物中的应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘佳: "细胞移植治疗脊髓损伤的优化方案及PDGF-B在脊髓修复中的作用", 《中国博士学位论文全文数据库》 *
李国峰: "基于生物医学信号的体域网低功耗设计与研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423668A (zh) * 2017-04-14 2017-12-01 山东建筑大学 基于小波变换和稀疏表达的脑电信号分类系统与方法
CN107103325A (zh) * 2017-04-20 2017-08-29 湘潭大学 一种组织病理图像分类方法
CN108836301A (zh) * 2018-05-04 2018-11-20 江苏师范大学 一种基于奇异谱分析和稀疏表示的单次诱发电位提取方法
CN110443194A (zh) * 2019-08-05 2019-11-12 哈尔滨工业大学 基于spi稀疏约束的时变信号成分提取方法
CN110443194B (zh) * 2019-08-05 2021-09-07 哈尔滨工业大学 基于spi稀疏约束的时变信号成分提取方法

Similar Documents

Publication Publication Date Title
Blinowska et al. Practical biomedical signal analysis using MATLAB®
Kar et al. EEG signal analysis for the assessment and quantification of driver’s fatigue
Mammone et al. Automatic artifact rejection from multichannel scalp EEG by wavelet ICA
DE60116132T2 (de) Vorrichtung zur schnellen bestimmung des zerebralen zustands eines patienten
CN105740772A (zh) 变换域联合稀疏模型的皮层体感诱发电位的实时监测方法
Schönwald et al. Quantifying chirp in sleep spindles
Lo et al. The nonlinear and nonstationary properties in EEG signals: probing the complex fluctuations by Hilbert–Huang transform
De Munck et al. A maximum-likelihood estimator for trial-to-trial variations in noisy MEG/EEG data sets
CN109524112A (zh) 一种基于部分定向相干法的脑功能网络构建方法
Porée et al. Blind source separation for ambulatory sleep recording
Choi et al. Quantifying time-varying multiunit neural activity using entropy-based measures
Antonakakis et al. Synchronization coupling investigation using ICA cluster analysis in resting MEG signals in reading difficulties
CN111736690B (zh) 基于贝叶斯网络结构辨识的运动想象脑机接口
Lavanga et al. A perinatal stress calculator for the neonatal intensive care unit: an unobtrusive approach
Akay et al. Investigating the contamination of electroencephalograms by facial muscle electromyographic activity using matching pursuit
Chen et al. EEG-based seizure detection using discrete wavelet transform through full-level decomposition
Erem et al. Combined delay and graph embedding of epileptic discharges in EEG reveals complex and recurrent nonlinear dynamics
Khouaja et al. Enhancing eeg surface resolution by using a combination of kalman filter and interpolation method
Zhang et al. Human pulse recognition based on wavelet transform and BP network
Rappelsberger et al. Coherence and phase relations between EEG traces recorded from different locations
Macauda Artifacts removal and application of cross-frequency coupling to EEG signals of epileptic patients
Palendeng Removing noise from electroencephalogram signals for BIS based depth of anaesthesia monitors
Mohammed et al. Penalized functional connectivity maps for patients with focal epilepsy
Sheela et al. MVME-RCMFDE framework for discerning hyper-responsivity in Autism Spectrum Disorders
Çalışkan et al. Nonlinear surface EMG analysis to detect the neuroprotective effect of citicoline in rat sciatic nerve crush injury

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160706