CN108245153A - 一种基于脑电量采集分析的血压值有效性判断方法 - Google Patents
一种基于脑电量采集分析的血压值有效性判断方法 Download PDFInfo
- Publication number
- CN108245153A CN108245153A CN201810038199.5A CN201810038199A CN108245153A CN 108245153 A CN108245153 A CN 108245153A CN 201810038199 A CN201810038199 A CN 201810038199A CN 108245153 A CN108245153 A CN 108245153A
- Authority
- CN
- China
- Prior art keywords
- waves
- frequency
- wavelet
- blood pressure
- brain
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 40
- 230000005611 electricity Effects 0.000 claims abstract description 26
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 17
- 230000036772 blood pressure Effects 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000002592 echocardiography Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000033764 rhythmic process Effects 0.000 claims description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000005434 White Coat Hypertension Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 150000003943 catecholamines Chemical class 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于脑电量采集分析的血压值有效性判断方法，其特征在于，包括如下步骤：步骤1)、给受试者带上脑电采集电极；步骤2)、开始采集脑电，提取50Hz内的脑电信号；步骤3)、测量受试者血压并得到结果；步骤4)、小波分解并提取血压测量阶段的脑电β波；步骤5)、对该脑电β波计算幅值；步骤6)、并与预定阈值作比较。本发明能够从根源定型分析受试者的兴奋度，将提取出来的信号进行处理与分析，并与预定阈值作比较，如超过阈值，则判定受试者处于紧张状态，该次血压测量无效；如未超过阈值，则判定受试者处于放松状态，该次血压测量有效，对血压测量有效性提供客观公正的判断依据。
Description
技术领域
本发明主要医学工程技术领域，具体涉及一种基于脑电量采集分析的血压值有效性判断方法。
背景技术
白大褂高血压(WCH)是指有些患者在医生诊室测量血压时血压升高，但在家中自测血压或24小时动态血压监测(由患者自身携带测压装置，无医务人员在场)时血压正常。这可能是由于患者见到穿白大褂的医生后精神紧张，血液中出现过多儿茶酚胺，使心跳加快，同时也使外周血管收缩，阻力增加，产生所谓“白大褂效应”，从而导致血压上升。这说明血压容易受到情绪的影响，特别是情绪紧张更容易出现心跳加快、血压一时性升高等不正常表现。
而恰恰，很多在医院体检或测量血压的人们短时间内很难适应医院这种特殊的环境，会不自觉的心情紧张，进而导致血压不准确，往往多次测量都难以得到真实有效的测量结果，影响对身体状况和疾病的判断。
发明内容
基于当今时代的需求和上述现有技术存在的缺陷，本发明提供一种基于脑电量采集分析的血压值有效性判断方法，通过该方法可有效准确的保障血压测量的准确性。
本发明的技术方案如下：一种基于脑电量采集分析的血压值有效性判断方法，其特征在于，包括如下步骤：
步骤1)、给受试者带上脑电采集电极；
步骤2)、开始采集脑电，提取50Hz内的脑电信号；
步骤3)、测量受试者血压并得到结果；
步骤4)、小波分解并提取血压测量阶段的脑电β波；
步骤5)、对该脑电β波计算幅值；
步骤6)、并与预定阈值作比较，如超过阈值，则判定受试者处于紧张状态，该次血压测量无效；如未超过阈值，则判定受试者处于放松状态，该次血压测量有效。
所述步骤2)中β波信号提取方法包括以下步骤：通过脑电帽获得原始信号，脑电帽的电极按国际10-20脑电极定位方法固定在有弹力的帽子上，通过转接电缆与电脑相连，把脑电数据传输给电脑。使用matlab软件提取脑电数据，因为脑电有用信号集中在50Hz以内，所以通过设置巴特沃斯低通滤波选择35Hz为截止频率，即为有用的脑电信号。
所述步骤4)小波分解并提取血压测量阶段的脑电β波包括以下步骤：
(1)脑电信号为离散信号，根据频率可把脑电信号分为以下4个基本节律：
δ波：频率：0.5～4Hz，振幅：20～200μV；
θ波：频率：4～7Hz，振幅：20～150μV；
α波：频率：8～13Hz，振幅：20～100μV；
β波：频率：14～30Hz，振幅：5～20μV；
(2)小波分解脑电信号：小波分解是基于尺度函数和小波函数为基函数进行分解的；用φ(t)和ψ(t)分别表示小波变化的尺度函数和小波母函数；那么根据二尺度方程可构造如下的小波基：
其中：i为节点号，j为分解级数，h(n)和g(n)＝(-1)1-nh(1-n)为一对正交镜像滤波器。
t为时间，k为平移因子。
离散小波变换(DWT)：
其中，m为伸缩因子(尺度因子)，n为平移因子，t为时间。
设x(n)表示实验采集的EEG离散信号，则x(n)的离散小波变换定义为：
采用Mallat算法，对信号进行有限层分解，即
式中，L为分解层数，AL为低通逼近分量，Dj为不同尺度下的细节分量。设脑电信号ES为x(n)的采样频率为fs，则(2)式中的AL、DL、DL-1、…、D1各分量所对应的子频带依次为
根据所要提取信号的频段，选择相应的频带对应的小波分解系数，用小波逆变换即可重构信号；x(n)＝A4++D4+D3+D2+D1,根据表1中各分量对应的子频带，分解4层即可提取β波；考虑到5层小波分解区分度更明显，所以我们确定分解层次为5层，选用db5小波对脑电信号进行5层分解，分解结果得到表1；
表1.脑电信号进行5层分解表
| 分解信号 | 频带范围/Hz | 分解的层数 |
| D1 | 32～64 | 1 |
| D2 | 16～32 | 2 |
| D3 | 8～16 | 3 |
| D4 | 4～8 | 4 |
| A4 | 0～4 | 4 |
(3)将β波提取出来并进行阈值去燥
小波分解所得β波的频率图表明，在30Hz以上噪声仍存在，因此我们采用小波阈值去燥对β波去燥。
因为噪声往往都是频率比较高，因此去噪就是去除信号当中的一些高频成分，在本次试验当中去除了30Hz以上的频率成分。
由25＝32>30可知，去除30Hz以上的频率成分相当于高频(细节)一维信号当中第五层以上的数据置为0。
与现有技术相比，本发明具有以下有益效果：
本发明提供的基于脑电量采集分析的血压值有效性判断方法，能够从根源定型分析受试者的兴奋度，将提取出来的信号进行处理与分析，并与预定阈值作比较，如超过阈值，则判定受试者处于紧张状态，该次血压测量无效；如未超过阈值，则判定受试者处于放松状态，该次血压测量有效，对血压测量有效性提供客观公正的判断依据。
附图说明
图1是将原始信号提取成有用的脑电信号的波形示意图。
图2是本发明的小波分解的细节系数的波形图。
图3是本发明的小波分解的近似系数的波形图。
图4是本发明的小波分解所得β波的频率图。
图5是本发明的小波分解所得时域β波和频域β波的频率图。
图6为本发明的β波滤波前和滤波后的波形图。
图7为本发明滤波后时域β波波形图。
具体实施方式
下面结合实施例对本发明做进一步说明。
如图1至图7，一种基于脑电量采集分析的血压值有效性判断方法，其特征在于，包括如下步骤：
步骤1)、给受试者带上脑电采集电极；
步骤2)、开始采集脑电，提取50Hz内的脑电信号；
步骤3)、测量受试者血压并得到结果；
步骤4)、小波分解并提取血压测量阶段的脑电β波；
步骤5)、对该脑电β波计算幅值；
步骤6)、并与预定阈值作比较，如超过阈值，则判定受试者处于紧张状态，该次血压测量无效；如未超过阈值，则判定受试者处于放松状态，该次血压测量有效。
所述步骤2)中β波信号提取方法包括以下步骤：通过脑电帽获得原始信号，脑电帽的电极按国际10-20脑电极定位方法固定在有弹力的帽子上，通过转接电缆与电脑相连，把脑电数据传输给电脑。使用matlab软件提取脑电数据，因为脑电有用信号集中在50Hz以内，所以通过设置巴特沃斯低通滤波选择35Hz为截止频率，即为有用的脑电信号。
所述步骤4)小波分解并提取血压测量阶段的脑电β波包括以下步骤：
(1)脑电信号为离散信号，根据频率可把脑电信号分为以下4个基本节律：
δ波：频率：0.5～4Hz，振幅：20～200μV；
θ波：频率：4～7Hz，振幅：20～150μV；
α波：频率：8～13Hz，振幅：20～100μV；
β波：频率：14～30Hz，振幅：5～20μV；
(2)小波分解脑电信号：小波分解是基于尺度函数和小波函数为基函数进行分解的；用φ(t)和ψ(t)分别表示小波变化的尺度函数和小波母函数；那么根据二尺度方程可构造如下的小波基：
其中：i为节点号，j为分解级数，h(n)和g(n)＝(-1)1-nh(1-n)为一对正交镜像滤波器。
t为时间，k为平移因子。
离散小波变换
(DWT)：
其中，m为伸缩因子(尺度因子)，n为平移因子，t为时间。
设x(n)表示实验采集的EEG离散信号，则x(n)的离散小波变换定义为：
采用Mallat算法，对信号进行有限层分解，即
式中，L为分解层数，AL为低通逼近分量，Dj为不同尺度下的细节分量。设脑电信号ES为x(n)的采样频率为fs，则(2)式中的AL、DL、DL-1、…、D1各分量所对应的子频带依次为
根据所要提取信号的频段，选择相应的频带对应的小波分解系数，用小波逆变换即可重构信号；x(n)＝A4++D4+D3+D2+D1,
根据表1中各分量对应的子频带，分解4层即可提取β波；考虑到5层小波分解区分度更明显，所以我们确定分解层次为5层，选用db5小波对脑电信号进行5
层分解，分解结果得到表1；
表1.脑电信号进行5层分解表
(3)将β波提取出来并进行阈值去燥
小波分解所得β波的频率图表明，在30Hz以上噪声仍存在，因此我们采用小波阈值去燥对β波去燥。
因为噪声往往都是频率比较高，因此去噪就是去除信号当中的一些高频成分，在本次试验当中去除了30Hz以上的频率成分。
由25＝32>30可知，去除30Hz以上的频率成分相当于高频(细节)一维信号当中第五层以上的数据置为0。
上述实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，但并不能因此理解为对本发明专利范围的限制，这里无需也无法对所有的实施方式予以穷举。应当指出的是，凡在本发明的构思、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 (3)
1.一种基于脑电量采集分析的血压值有效性判断方法，其特征在于，包括如下步骤：
步骤1)、给受试者带上脑电采集电极；
步骤2)、开始采集脑电，提取50Hz内的脑电信号；
步骤3)、测量受试者血压并得到结果；
步骤4)、小波分解并提取血压测量阶段的脑电β波；
步骤5)、对该脑电β波计算幅值；
步骤6)、并与预定阈值作比较，如超过阈值，则判定受试者处于紧张状态，该次血压测量无效；如未超过阈值，则判定受试者处于放松状态，该次血压测量有效。
2.根据权利要求1所述的基于脑电量采集分析的血压值有效性判断方法，其特征在于所述步骤2)中β波信号提取方法包括以下步骤：通过脑电帽获得原始信号，脑电帽的电极按国际10-20脑电极定位方法固定在有弹力的帽子上，通过转接电缆与电脑相连，把脑电数据传输给电脑。使用matlab软件提取脑电数据，因为脑电有用信号集中在50Hz以内，所以通过设置巴特沃斯低通滤波选择35Hz为截止频率，即为有用的脑电信号。
3.根据权利要求1所述的基于脑电量采集分析的血压值有效性判断方法，其特征在于，所述步骤4)小波分解并提取血压测量阶段的脑电β波包括以下步骤：
(1)脑电信号为离散信号，根据频率可把脑电信号分为以下4个基本节律：
δ波：频率：0.5～4Hz，振幅：20～200μV；
θ波：频率：4～7Hz，振幅：20～150μV；
α波：频率：8～13Hz，振幅：20～100μV；
β波：频率：14～30Hz，振幅：5～20μV；
(2)小波分解脑电信号：小波分解是基于尺度函数和小波函数为基函数进行分解的；用φ(t)和ψ(t)分别表示小波变化的尺度函数和小波母函数；那么根据二尺度方程可构造如下的小波基：
其中：i为节点号，j为分解级数，h(n)和g(n)＝(-1)1-nh(1-n)为一对正交镜像滤波器。t为时间，k为平移因子；离散小波变换(DWT)：
其中，m为伸缩因子(尺度因子)，n为平移因子，t为时间；
设x(n)表示实验采集的EEG离散信号，则x(n)的离散小波变换定义为：
采用Mallat算法，对信号进行有限层分解，即
式中，L为分解层数，AL为低通逼近分量，Dj为不同尺度下的细节分量。设脑电信号ES为x(n)的采样频率为fs，则(2)式中的AL、DL、DL-1、…、D1各分量所对应的子频带依次为
根据所要提取信号的频段，选择相应的频带对应的小波分解系数，用小波逆变换即可重构信号；
x(n)＝A4++D4+D3+D2+D1,根据表1中各分量对应的子频带，分解4层即可提取β波；考虑到5层小波分解区分度更明显，所以我们确定分解层次为5层，选用db5小波对脑电信号进行5层分解，分解结果得到表1；
表1.脑电信号进行5层分解表
(3)将β波提取出来并进行阈值去燥
小波分解所得β波的频率图表明，在30Hz以上噪声仍存在，因此我们采用小波阈值去燥对β波去燥。
因为噪声往往都是频率比较高，因此去噪就是去除信号当中的一些高频成分，在本次试验当中去除了30Hz以上的频率成分。
由25＝32>30可知，去除30Hz以上的频率成分相当于高频(细节)一维信号当中第五层以上的数据置为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810038199.5A CN108245153A (zh) | 2018-01-16 | 2018-01-16 | 一种基于脑电量采集分析的血压值有效性判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810038199.5A CN108245153A (zh) | 2018-01-16 | 2018-01-16 | 一种基于脑电量采集分析的血压值有效性判断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108245153A true CN108245153A (zh) | 2018-07-06 |
Family
ID=62726947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810038199.5A Pending CN108245153A (zh) | 2018-01-16 | 2018-01-16 | 一种基于脑电量采集分析的血压值有效性判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108245153A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020013001A1 (ja) * | 2018-07-13 | 2020-01-16 | オムロンヘルスケア株式会社 | 生体データ測定装置、生体データ処理方法及び生体データ処理のためのプログラム |
-
2018
- 2018-01-16 CN CN201810038199.5A patent/CN108245153A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020013001A1 (ja) * | 2018-07-13 | 2020-01-16 | オムロンヘルスケア株式会社 | 生体データ測定装置、生体データ処理方法及び生体データ処理のためのプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | The use of multivariate EMD and CCA for denoising muscle artifacts from few-channel EEG recordings | |
| Chen et al. | A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG | |
| Chen et al. | Removing muscle artifacts from EEG data: Multichannel or single-channel techniques? | |
| Islam et al. | A wavelet-based artifact reduction from scalp EEG for epileptic seizure detection | |
| Al-Qazzaz et al. | Selection of mother wavelets thresholding methods in denoising multi-channel EEG signals during working memory task | |
| WO2006034024A2 (en) | Method for adaptive complex wavelet based filtering of eeg signals | |
| Castillo et al. | Noise Suppression in ECG Signals through Efficient One‐Step Wavelet Processing Techniques | |
| KR101400362B1 (ko) | 마취 심도 측정 방법 및 장치 | |
| WO2007021645A2 (en) | Method and system for limiting interference in electroencephalographic signals | |
| Taebi et al. | Effect of noise on time-frequency analysis of vibrocardiographic signals | |
| Phinyomark et al. | The usefulness of wavelet transform to reduce noise in the SEMG signal | |
| Al-kadi et al. | Compatibility of mother wavelet functions with the electroencephalographic signal | |
| Burhan et al. | Feature extraction of surface electromyography (sEMG) and signal processing technique in wavelet transform: A review | |
| CN112294340A (zh) | 快速自动去除肌电伪迹的方法、系统、存储介质及计算机设备 | |
| Wang et al. | Wavelet transform based ECG denoising using adaptive thresholding | |
| Jamaluddin et al. | Performance of DWT and SWT in muscle fatigue detection | |
| Fehér | Denoising ECG signals by applying discrete wavelet transform | |
| CN110974196A (zh) | 一种运动状态下非接触式的呼吸和心率检测方法 | |
| CN108245153A (zh) | 一种基于脑电量采集分析的血压值有效性判断方法 | |
| KR20170004547A (ko) | 동공 크기 변화율을 이용한 뇌 정보 (EEG spectrum) 추출 방법 및 그 장치 | |
| Behera et al. | A statistical approach for ocular artifact removal in brain signals | |
| Nitzken et al. | Local wavelet-based filtering of electromyographic signals to eliminate the electrocardiographic-induced artifacts in patients with spinal cord injury | |
| Sita et al. | Wavelet domain nonlinear filtering for evoked potential signal enhancement | |
| Shete et al. | Comparison of sub-band decomposition and reconstruction of EEG signal by daubechies9 and symlet9 wavelet | |
| CN113491525A (zh) | 一种基于脑电信号分析的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |
|
| RJ01 | Rejection of invention patent application after publication |