CN108703753B - 一种基于动态脑电图的新生儿睡眠觉醒周期检测方法 - Google Patents
一种基于动态脑电图的新生儿睡眠觉醒周期检测方法 Download PDFInfo
- Publication number
- CN108703753B CN108703753B CN201810434109.4A CN201810434109A CN108703753B CN 108703753 B CN108703753 B CN 108703753B CN 201810434109 A CN201810434109 A CN 201810434109A CN 108703753 B CN108703753 B CN 108703753B
- Authority
- CN
- China
- Prior art keywords
- peak
- effective
- lower boundary
- period
- value
- 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
Images
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/04—Babies, e.g. for SIDS detection
- A61B2503/045—Newborns, e.g. premature baby monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,首先对动态脑电图的下边界分段滤波处理,然后确定每段的波峰和波谷,并进行优化形成有效波峰以及对应的有效周期,最后对有效周期进行检验做出结论。本发明所达到的有益效果:本方法通过对动态脑电图的下边界进行检测,对睡眠觉醒周期形成规范化检测,对于新生儿的脑电监护有重大意义。
Description
技术领域
本发明涉及一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,属于图像处理技术领域。
背景技术
睡眠觉醒周期的出现是新生儿脑发育成熟的最重要标志之一,具有重要的临床意义。大量实验证明足月新生儿在出生后第二天基本上都会出现睡眠觉醒周期,一次睡眠觉醒周期的平均时长为70分钟左右。早产儿出生后其脑电表现为不成熟,其脑发育趋于成熟的一个很重要的标志就是睡眠觉醒周期的出现。睡眠觉醒周期的出现对于新生儿预后也具有很重要的临床意义。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,解决目前对于新生儿睡眠觉醒周期监控的空白,对于新生儿的监护起到一定的保障作用。
为了实现上述目标,本发明采用如下的技术方案:
一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,包括如下步骤:
1)采集动态脑电图图像,基于该图像的下边界值进行分段,形成若干动态脑电图段落;
2)对于分段结果进行筛选:时长不小于t1的段落进行下一步骤;
3)在每一动态脑电图段落内,对段落对应的原始图像的下边界进行中值滤波,得到滤波后的下边界;
4)将滤波后的下边界进行低通零相移滤波得到平滑的下边界;
5)对于每一个动态脑电图段落内的平滑的下边界,若平滑的下边界某一点的值大于其左右各n1点的值,则将该点确定为一个波峰;依此方式,找出所有波峰作为原始波峰;
6)在相邻两个原始波峰之间找到波谷,若某一个原始波峰与相应波谷的幅度差值小于δ1微伏,则标记该原始波峰为无效波峰;
所有原始波峰去除无效波峰后形成有效波峰;
7)如果某一有效波峰左右存在相邻的无效波峰并且幅度相差小于δ2微伏,则将该有效波峰与相邻的无效波峰合并为一个新的有效波峰;
8)将每一个有效波峰到下一个相邻有效波峰之间作为一个周期,计算周期的长度和幅度,周期的长度定为两个相邻波峰位置的时间差,幅度定为两个波峰的平均幅值和相应波谷幅值的差;
如果周期长度介于设定区间之间,该周期即为一个有效周期;所述设定区间依据经验值设定。
9)在每一个动态脑电图段落内,将所有有效周期的长度相加,得到有效周期总长度;将所有有效周期的幅度平均得到相应段落的周期幅度。
10)对每一个动态脑电图段落,对有效周期总长度和周期幅度进行对比,判定是否具备周期性;
11)对于所有的动态脑电图段落的周期性进行判断:
若任何一段有明显周期性,总体视为有明显周期性;
若任何一段有不明显周期性,总体视为有不明显周期性;
若所有分段都没有周期性,总体视为没有周期性。
进一步地,所述步骤1)中分段的具体步骤如下:
101)取开始n点的动态脑电图图像的下边界值作为参考边界集合,取集合的中值作为参考边界;
102)从第(n+1)点开始,比较当前动态脑电图图像的下边界值与参考边界的差别,并进行分段;
103)不断重复101)和102)的处理直至分段结束。
进一步地,所述步骤102)中分段准则是:
I)若两者相差小于或等于a微伏,则将当前下边界值加入参考边界集合;
II)若新的参考边界集合元素超过b个,则去除最前面的那个元素;然后取新的参考边界集合的中值作为新的参考边界,继续检测后续采样直到新的分段出现或信号记录结束;
III)若两者相差大于a微伏,如果有连续n0个下边界值与参考边界相差都大于a微伏,则确定为新的平稳段的开始并进行分段;如果少于n0点,则作为异常值不做分段,也不更新参考边界,继续检测后续采样直到新的分段出现或信号记录结束。
优选地,所述n=10,a=3,b=20,n0=4。
优选地,所述步骤4)中低通零相移滤波采用0.001HZ。
进一步地,所述步骤7)中合并方式为:将相关波峰的位置的均值和幅值的均值作为新的有效波峰的位置和幅值;如果某一有效波峰左右不存在相邻的且幅度相差小于δ2微伏的无效波峰的话,则原有效波峰即作为新的有效波峰。
进一步地,所述步骤10)中判定准则为:如果有效周期总长度小于该段落长度的20%,则视为无周期性;如果有效周期总长度介于该段落长度的20%到40%或幅度小于1.0微伏,则视为有不明显周期性;如果有效周期总长度不小于该段落长度的40%并且幅度不小于1.0微伏,则视为有明显周期性。
优选地,所述n1=10,δ1=0.5,δ2=0.2。
优选地,所述步骤8)中设定区间为30至100分钟之间。
本发明所达到的有益效果:本方法通过对动态脑电图的下边界进行检测,对睡眠觉醒周期形成规范化自动检测。在临床上可以辅助脑电医生缺乏的新生儿科展开睡眠觉醒周期评估,另外本算法的结果还可以和其它一些算法指标结合形成脑成熟度评估的量表算法或者人工智能算法,这些应用对于新生儿的脑电监护有重大意义。
附图说明
图1是新生儿的睡眠觉醒周期示意图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
新生儿睡眠觉醒周期主要是指动态脑电图中下边界出现的周期性上下起伏,本发明所涉及的睡眠觉醒周期检测方法,通过对动态脑电图像的下边界进行分段处理,对睡眠觉醒周期进行检测,具体包括如下步骤:
步骤1)采集动态脑电图图像,基于该图像的下边界值进行分段:分段的具体步骤如下:
101)取开始10点的动态脑电图图像的下边界值作为参考边界集合,取集合的中值作为参考边界;
102)从第11点开始,比较当前动态脑电图图像的下边界值与参考边界的差别,并进行分段,分段准则是:
I)若两者相差小于或等于3微伏,则将当前下边界值加入参考边界集合;
II)若新的参考边界集合元素超过20个,则去除最前面的那个元素;然后取新的参考边界集合的中值作为新的参考边界,继续检测后续采样直到新的分段出现或信号记录结束;
III)若两者相差大于3微伏,如果有连续4个下边界值与参考边界相差都大于3微伏,则确定为新的平稳段的开始并进行分段;如果少于4点,则作为异常值不做分段,也不更新参考边界,继续检测后续采样直到新的分段出现或信号记录结束。
103)不断重复101)和102)的处理直至分段结束。
步骤2)对于分段结果进行筛选,时长小于15分钟的段落将不确定上边界和下边界,且不做背景模式分类,时长不小于15分钟的段落进行下一步骤。
步骤3)根据步骤2)的分段筛选结果,在每一段内,对段落对应的原始图像的下边界进行20点的中值滤波,得到滤波后的下边界。
4)将滤波后的下边界进行0.001HZ低通零相移滤波得到平滑的下边界;
5)对于每一个动态脑电图段落内的平滑的下边界,若平滑的下边界某一点的值大于其左右各10点的值,则将该点确定为一个波峰;依此方式,找出所有波峰作为原始波峰;
6)在相邻两个原始波峰之间找到波谷,若某一个原始波峰与相应波谷的幅度差值小于0.5微伏,则标记该原始波峰为无效波峰;
所有原始波峰去除无效波峰后形成有效波峰;
7)如果某一有效波峰左右存在相邻的无效波峰并且幅度相差小于0.2微伏,则将该有效波峰与相邻的无效波峰合并为一个新的有效波峰。
合并方式为:将相关波峰的位置的均值和幅值的均值作为新的有效波峰的位置和幅值;如果某一有效波峰左右不存在相邻的且幅度相差小于0.2微伏的无效波峰的话,则原有效波峰即作为新的有效波峰。
8)将每一个有效波峰到下一个相邻有效波峰之间作为一个周期,计算周期的长度和幅度,周期的长度定为两个相邻波峰位置的时间差,幅度定为两个波峰的平均幅值和相应波谷幅值的差;
如果周期长度介于设定区间之间,该周期即为一个有效周期;本实施例中设定区间为30至100分钟之间。
9)在每一个动态脑电图段落内,将所有有效周期的长度相加,得到有效周期总长度;将所有有效周期的幅度平均得到相应段落的周期幅度。
10)对每一个动态脑电图段落,对有效周期总长度和周期幅度进行对比,判定是否具备周期性。
判定准则为:如果有效周期总长度小于该段落长度的20%,则视为无周期性;如果有效周期总长度介于该段落长度的20%到40%或幅度小于1.0微伏,则视为有不明显周期性;如果有效周期总长度不小于该段落长度的40%并且幅度不小于1.0微伏,则视为有明显周期性。
11)对于所有的动态脑电图段落的周期性进行判断:
若任何一段有明显周期性,总体视为有明显周期性;
若任何一段有不明显周期性,总体视为有不明显周期性;
若所有分段都没有周期性,总体视为没有周期性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,包括如下步骤:
1)采集动态脑电图图像,基于该图像的下边界值进行分段,形成若干动态脑电图段落;
2)对于分段结果进行筛选:时长不小于t1的段落进行下一步骤;
3)在每一动态脑电图段落内,对段落对应的原始图像的下边界进行中值滤波,得到滤波后的下边界;
4)将滤波后的下边界进行低通零相移滤波得到平滑的下边界;
5)对于每一个动态脑电图段落内的平滑的下边界,若平滑的下边界某一点的值大于其左右各n1点的值,则将该点确定为一个波峰;依此方式,找出所有波峰作为原始波峰;
6)在相邻两个原始波峰之间找到波谷,若某一个原始波峰与相应波谷的幅度差值小于δ1微伏,则标记该原始波峰为无效波峰;所有原始波峰去除无效波峰后形成有效波峰;
7)如果某一有效波峰左右存在相邻的无效波峰并且幅度相差小于δ2微伏,则将该有效波峰与相邻的无效波峰合并为一个新的有效波峰;
8)将每一个有效波峰到下一个相邻有效波峰之间作为一个周期,计算周期的长度和幅度,周期的长度定为两个相邻波峰位置的时间差,幅度定为两个波峰的平均幅值和相应波谷幅值的差;
如果周期长度介于设定区间之间,该周期即为一个有效周期;所述设定区间依据经验值设定;
9)在每一个动态脑电图段落内,将所有有效周期的长度相加,得到有效周期总长度;将所有有效周期的幅度平均得到相应段落的周期幅度;
10)对每一个动态脑电图段落,对有效周期总长度和周期幅度进行对比,判定是否具备周期性;
11)对于所有的动态脑电图段落的周期性进行判断:
若任何一段有明显周期性,总体视为有明显周期性;
若任何一段有不明显周期性,总体视为有不明显周期性;
若所有分段都没有周期性,总体视为没有周期性。
2.根据权利要求1所述的一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,所述步骤1)中分段的具体步骤如下:
101)取开始n点的动态脑电图图像的下边界值作为参考边界集合,取集合的中值作为参考边界;
102)从第(n+1)点开始,比较当前动态脑电图图像的下边界值与参考边界的差别,并进行分段;
103)不断重复101)和102)的处理直至分段结束。
3.根据权利要求2所述的一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,所述步骤102)中分段准则是:
I)若两者相差小于或等于a微伏,则将当前下边界值加入参考边界集合;
II)若新的参考边界集合元素超过b个,则去除最前面的那个元素;然后取新的参考边界集合的中值作为新的参考边界,继续检测后续采样直到新的分段出现或信号记录结束;
III)若两者相差大于a微伏,如果有连续n0个下边界值与参考边界相差都大于a微伏,则确定为新的平稳段的开始并进行分段;如果少于n0点,则作为异常值不做分段,也不更新参考边界,继续检测后续采样直到新的分段出现或信号记录结束。
4.根据权利要求3所述的一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,所述n=10,a=3,b=20,n0=4。
5.根据权利要求1所述的一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,所述步骤4)具体为:
将滤波后的下边界进行0.001HZ低通零相移滤波得到平滑的下边界。
6.根据权利要求1所述的一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,所述步骤7)中合并方式为:将相关波峰的位置的均值和幅值的均值作为新的有效波峰的位置和幅值;如果某一有效波峰左右不存在相邻的且幅度相差小于δ2微伏的无效波峰的话,则原有效波峰即作为新的有效波峰。
7.根据权利要求1所述的一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,所述步骤10)中判定准则为:如果有效周期总长度小于该段落长度的20%,则视为无周期性;如果有效周期总长度介于该段落长度的20%到40%或幅度小于1.0微伏,则视为有不明显周期性;如果有效周期总长度不小于该段落长度的40%并且幅度不小于1.0微伏,则视为有明显周期性。
8.根据权利要求1所述的一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,所述n1=10,δ1=0.5,δ2=0.2。
9.根据权利要求1所述的一种基于动态脑电图的新生儿睡眠觉醒周期检测方法,其特征是,所述步骤8)中设定区间为30至100分钟之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810434109.4A CN108703753B (zh) | 2018-05-08 | 2018-05-08 | 一种基于动态脑电图的新生儿睡眠觉醒周期检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810434109.4A CN108703753B (zh) | 2018-05-08 | 2018-05-08 | 一种基于动态脑电图的新生儿睡眠觉醒周期检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108703753A CN108703753A (zh) | 2018-10-26 |
CN108703753B true CN108703753B (zh) | 2020-10-27 |
Family
ID=63868781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810434109.4A Active CN108703753B (zh) | 2018-05-08 | 2018-05-08 | 一种基于动态脑电图的新生儿睡眠觉醒周期检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108703753B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300544B (zh) * | 2018-12-10 | 2024-04-26 | 南京伟思医疗科技股份有限公司 | 一种新生儿脑功能标准化七步分析方法 |
CN111513675B (zh) * | 2020-04-07 | 2023-09-22 | 南京伟思医疗科技股份有限公司 | 一种基于振幅整合脑电图的新生儿睡眠觉醒周期检测方法 |
CN114549843B (zh) * | 2022-04-22 | 2022-08-23 | 珠海视熙科技有限公司 | 频闪条纹检测及消除方法、装置、摄像设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016187130A1 (en) * | 2015-05-15 | 2016-11-24 | The General Hospital Corporation | System and methods for early diagnosis of autism spectrum disorders |
CN106618559A (zh) * | 2016-12-06 | 2017-05-10 | 华东师范大学 | 一种aEEG信号图像特征重构表示和提取方法 |
CN107788976A (zh) * | 2017-09-22 | 2018-03-13 | 复旦大学 | 基于振幅整合脑电图的睡眠监测系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101627909B (zh) * | 2009-05-05 | 2014-06-11 | 复旦大学附属儿科医院 | 一种数字化振幅整合脑功能监护仪 |
CN104173046B (zh) * | 2014-09-01 | 2016-02-24 | 清华大学 | 一种色彩标记振幅整合脑电图的提取方法 |
-
2018
- 2018-05-08 CN CN201810434109.4A patent/CN108703753B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016187130A1 (en) * | 2015-05-15 | 2016-11-24 | The General Hospital Corporation | System and methods for early diagnosis of autism spectrum disorders |
CN106618559A (zh) * | 2016-12-06 | 2017-05-10 | 华东师范大学 | 一种aEEG信号图像特征重构表示和提取方法 |
CN107788976A (zh) * | 2017-09-22 | 2018-03-13 | 复旦大学 | 基于振幅整合脑电图的睡眠监测系统 |
Non-Patent Citations (3)
Title |
---|
Automated Sleep-Wake Detection in Neonates from Cerebral Function Monitor Signals;J. Mikael Eklund 等;《2014 IEEE 27th International Symposium on Computer-Based Medical Systems》;20140825;第22-27页 * |
新生儿振幅整合脑电自动识别研究;王愈;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151015(第10期);第15-63页 * |
正常新生儿振幅整合脑电图特征及其成熟规律的研究;施亿赟;《中国博士学位论文全文数据库 医药卫生科技辑》;20101115(第11期);第15-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108703753A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108703753B (zh) | 一种基于动态脑电图的新生儿睡眠觉醒周期检测方法 | |
Chen et al. | An automatic screening approach for obstructive sleep apnea diagnosis based on single-lead electrocardiogram | |
CN109300544B (zh) | 一种新生儿脑功能标准化七步分析方法 | |
CN111513675B (zh) | 一种基于振幅整合脑电图的新生儿睡眠觉醒周期检测方法 | |
CN110236491B (zh) | 一种睡眠分期监控方法 | |
CN106618560B (zh) | 脑电波信号的处理方法和装置 | |
Coppieters’t Wallant et al. | Automatic artifacts and arousals detection in whole-night sleep EEG recordings | |
CN110916636A (zh) | 一种基于动态二阶差分阈值的bcg信号心率计算方法及系统 | |
Zhang et al. | The detection of crackles based on mathematical morphology in spectrogram analysis | |
Jennekens et al. | Topography of maturational changes in EEG burst spectral power of the preterm infant with a normal follow-up at 2 years of age | |
Nidhal et al. | A novel cardiotocography fetal heart rate baseline estimation algorithm | |
WO2023226223A1 (zh) | Ppg信号质量评估方法及装置以及ppg信号处理方法及系统 | |
Navarro et al. | Artifact rejection and cycle detection in immature breathing: Application to the early detection of neonatal sepsis | |
Lee et al. | Periodicity-based nonlocal-means denoising method for electrocardiography in low SNR non-white noisy conditions | |
CN108830865B (zh) | 一种用于动态脑电图像的稳定上下边界的确定方法 | |
Krajca et al. | Automatic detection of sleep stages in neonatal EEG using the structural time profiles | |
Das et al. | A novel approach for extraction and analysis of variability of baseline | |
CN112914588A (zh) | 一种脑电爆发抑制指数计算方法及系统 | |
Rivolta et al. | Effects of the series length on Lempel-Ziv Complexity during sleep | |
CN114010185B (zh) | 一种呼吸障碍的监测方法、装置、设备及介质 | |
CN113436728B (zh) | 新生儿临床视频脑电图自动分析的方法及设备 | |
CN113273992A (zh) | 信号处理方法及装置 | |
CN113598810B (zh) | 一种基于分割网络的胎心率基线自动计算方法 | |
CN106377251B (zh) | 基于脑电信号的睡眠状态识别模型训练方法和系统 | |
Molnár et al. | Establishing sleep stages using Delta, Theta and Gamma oscillations from long term Local Field Potential (LFP) recordings in mice |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |