CN108742606B - 昏迷病人预后评价装置 - Google Patents

昏迷病人预后评价装置 Download PDF

Info

Publication number
CN108742606B
CN108742606B CN201810662454.3A CN201810662454A CN108742606B CN 108742606 B CN108742606 B CN 108742606B CN 201810662454 A CN201810662454 A CN 201810662454A CN 108742606 B CN108742606 B CN 108742606B
Authority
CN
China
Prior art keywords
data
electroencephalogram data
resting state
electroencephalogram
stimulation
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
Application number
CN201810662454.3A
Other languages
English (en)
Other versions
CN108742606A (zh
Inventor
胡南
孙兵
陈婷婷
陆士奇
陈国林
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN201810662454.3A priority Critical patent/CN108742606B/zh
Publication of CN108742606A publication Critical patent/CN108742606A/zh
Application granted granted Critical
Publication of CN108742606B publication Critical patent/CN108742606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/24—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
    • A61B5/38—Acoustic or auditory stimuli
    • 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

本发明涉及昏迷病人预后评价装置，合理设置了采集脑电信号的电极位置，满足了临床病人实际情况以及阻抗的要求；放宽刺激产生诱发电位时需要数据采集与刺激严格同步的条件，简化硬件；设计脑电成分自动检测方法使得在确定检测虚警概率时保证检测的准确度；削弱预后评价效果受自发脑电信号实时变化和随机噪声的影响；在保证预测灵敏度的前提下保证特异度。

Description

昏迷病人预后评价装置
技术领域
本发明涉及昏迷检测技术领域，特别是涉及昏迷病人预后评价装置。
背景技术
作为一种由特定周期声音刺激诱发的脑电信号，40Hz听觉稳态响应(40HzAuditory steady-state response,40Hz ASSR)是一种呈对应周期性的稳态反应，由短纯音以40次/s的速率引出，在1981年由Galambos等首次提出。
40Hz ASSR起源广泛，不仅起源于包括听觉传导通路在内的广泛的大脑皮质和脑干区域，还起源于某些不常见的部位如额叶、扣带回及小脑，故为评估脑功能的完整性提供了可能性，目前在听觉检测、麻醉监控、神经功能评估等临床医学领域上有一定的应用研究。
40Hz ASSR的波形要比静息态脑电信号的波形要小得多，在未经处理的脑电数据中无法直接识别。传统提取ASSR的方法基于叠加平均理论，对刺激过程中产生的脑电数据进行多次扫描平均，通过比较频谱图上目标频点的幅度是否比相邻频域上的幅度大，判断该频点处是否具有ASSR。如图1所示，在39.1Hz出现的峰值代表了一个多次平均后听觉刺激频率为39.1Hz的听力稳态响应(即通常所说的40Hz ASSR)成功示出的例子(图1中对双耳同时进行频率为39.1Hz的听觉刺激，在Fp1电极上记录时长100s的数据，经20次叠加平均，图示频谱图上在39.1Hz的频点出现峰值，此时表明可引出40Hz ASSR)。然而基于叠加平均理论提取ASSR的方法存在刺激与信号采集需要严格同步的问题，在多次平均过程中ASSR的相位需要保持严格一致来避免叠加时消除相位的影响，数据的采集对硬件的要求较高。Dutton等研究证实了40Hz ASSR的缺失与意识水平变化相匹配，但目前40Hz ASSR在昏迷病人预后评估方面的应用还停留在通过观察响应脑电的波形来对病人的预后作预测的阶段，而仅靠观察判断不能实现虚警概率确定条件下的40Hz ASSR的自动检测，容易受被试个体差异和医疗工作者个人经验差异等主观或客观因素的影响。
格拉斯哥昏迷评分法(GCS,Glasgow Coma Scale)由英国格拉斯哥大学的两位神经外科教授GrahamTeasdale与Bryan J.Jennett在1974年发明，将包括睁眼反应、语言反应和肢体运动三个方面的分数合并作为昏迷指数，在医学上评估病人昏迷程度最为常用，然而GCS的主观性较强且对重症昏迷病人预后评价效果较差。此外，也有一些神经电生理评估方法应用于重症病人监测，包括动态脑电图监测、短潜伏期体感诱发电位(SSEPs)，脑干听觉诱发电位(BAEP)和脑电双频指数(BIS)等。这些技术偏重于初级感觉功能，一定程度上能对昏迷患者的不良预后进行判断，但总体特异度偏低。
与本发明相关的专利申请公开包括：
1、“一种评估昏迷程度的方法及装置”(申请公布号：CN 107468243 A)评估昏迷程度的步骤有：获取脑电数据，经预处理后获得纯净脑电，计算昏迷样本熵，最后对应预先学习模型得出昏迷预测结果。这种方法存在的问题：脑电数据属于非刺激响应，特异度不足；计算昏迷样本熵值、量化脑电分布特点、波形特征时需要人为观测，得出的结果具有很大的不确定性。
2、“一种基于非线性与复杂性多重指标的昏迷程度评价方法”(申请公布号：CN102178514 A)介绍了一种基于脑电数据的昏迷程度评价方法，具体步骤包含：采集EEG信号、预处理、提取信号特征，即近似熵、复杂度、李亚普诺夫指数等作为脑电信号的特征参数，昏迷状态指数融合，最后根据对照数据库，确定昏迷状态指数对应的昏迷程度。此方法基于静息态脑电数据对病人的昏迷状况进行预测，而脑电数据属于非刺激响应，同样存在特异度不足的问题。
3、“一种昏迷患者苏醒预测方法”(申请公布号：CN 104605839 A)通过对神经电生理的事件诱发电位N100、MMN、P3a三个指数的采集与分析，实时监测昏迷患者的意识恢复情况,对昏迷患者进行苏醒预测，具体步骤包含：对N100、MMN、P3a三种刺激进行编排，采集事件相关电位，波形处理、识别，根据偏差刺激在频率、音长、空间位置、音强、刺激间隔几种属性上的差异，对昏迷病人进行苏醒预测。这种预测方法存在的问题是，一方面事件诱发电位N100、MMN、P3a引出困难，波幅小，难以提取；另一方面声音刺激时间精度需要精确控制，增加了对硬件的要求；另外刺激实验的编排较复杂，影响了其可操作性。
传统技术存在以下技术问题：
1、现有技术采集脑电信号的电极位置往往由于昏迷病人进行过开颅手术难以布置，另外在有头发的头皮位置布置电极在临床应用上很难满足阻抗要求。
2、现有技术在通过刺激产生诱发电位时，需要数据采集与刺激严格同步，对硬件要求较高。
3、现有技术需要人为识别特异性脑电成分，没有提供任何自动检测方法，无法在确定检测虚警概率的条件下评估其检测的准确度。
4、现有技术易受自发脑电信号实时变化和随机噪声的影响。
5、现有技术虽然可以达到一定程度的预测灵敏度，但其特异度较差。
发明内容
基于此，有必要针对上述技术问题，提供一种昏迷病人预后评价装置，合理设置了采集脑电信号的电极位置，满足了临床病人实际情况以及阻抗的要求；放宽刺激产生诱发电位时需要数据采集与刺激严格同步的条件，简化硬件；设计脑电成分自动检测方法使得在确定检测虚警概率时保证检测的准确度；削弱预后评价效果受自发脑电信号实时变化和随机噪声的影响；在保证预测灵敏度的前提下保证特异度。
一种昏迷病人预后评价装置，包括：计算机，所述计算机被编程以便执行如下步骤：
接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；
将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；
利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；
设置40Hz ASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；
将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40Hz ASSR是否引出；
由多范式40Hz ASSR引出结果判断昏迷病人预后；
若多个实验范式均未引出40Hz ASSR，提示此患者预后不良。
上述昏迷病人预后评价装置，合理设置了采集脑电信号的电极位置，满足了临床病人实际情况以及阻抗的要求；放宽刺激产生诱发电位时需要数据采集与刺激严格同步的条件，简化硬件；设计脑电成分自动检测方法使得在确定检测虚警概率时保证检测的准确度；削弱预后评价效果受自发脑电信号实时变化和随机噪声的影响；在保证预测灵敏度的前提下保证特异度。
附图说明
图1为本申请实施例提供的一种昏迷病人预后评价装置中40Hz ASSR的示意图。
图2为本申请实施例提供的一种昏迷病人预后评价装置中计算机执行的流程图。
图3为本申请实施例提供的一种昏迷病人预后评价装置中电极分布的示意图。
图4为本申请实施例提供的一种昏迷病人预后评价装置中检测器的结构示意图。
图5为本申请实施例提供的一种昏迷病人预后评价装置中静息态脑电在不同时间段频谱图的示意图。
图6为本申请实施例提供的一种昏迷病人预后评价装置中每种范式对应的ROC曲线的示意图。
图7为本申请实施例提供的一种昏迷病人预后评价装置中多种实验范式对应的多因素logistic回归模型的预测预后不良概率的ROC曲线的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种昏迷病人预后评价装置，包括：计算机，所述计算机被编程以便执行如下步骤：
接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；
将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；
利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；
设置40Hz ASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；
将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40Hz ASSR是否引出；
由多范式40Hz ASSR引出结果判断昏迷病人预后；
若多个实验范式均未引出40Hz ASSR，提示此患者预后不良。
上述昏迷病人预后评价装置，合理设置了采集脑电信号的电极位置，满足了临床病人实际情况以及阻抗的要求；放宽刺激产生诱发电位时需要数据采集与刺激严格同步的条件，简化硬件；设计脑电成分自动检测方法使得在确定检测虚警概率时保证检测的准确度；削弱预后评价效果受自发脑电信号实时变化和随机噪声的影响；在保证预测灵敏度的前提下保证特异度。
在另外的一个实施例中，“接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；”中，采集的静息态脑电数据及40Hz声刺激响应脑电数据具体包括：
确定电极放置位置，其中位于前额FP1和FP2两个位置上的电极作为数据采集通道，两个位于耳后乳突的电极作为参考电极；
降低皮肤与电极间阻抗，以使电极与皮肤间阻抗在5KΩ以下，并使用导电膏粘合电极与皮肤；
采集一段时长大约200s的静息态脑电数据，并标记大致的时间节点，采样频率为1000Hz；
编制4种实验范式，通过声卡输出，使用入耳式耳机对患者进行听觉刺激，每种刺激范式下的脑电数据采集时长200s；
这四种范式分别为：
调制频率为40Hz，载波为500Hz的调幅音对左耳进行声音刺激，右耳以白噪声屏蔽，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为1000Hz的调幅音对左耳进行声音刺激，右耳以白噪声屏蔽，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为500Hz的调幅音对双耳进行连续刺激，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为1000Hz的调幅音对双耳进行连续刺激，刺激声的声强为90dB，持续时间为200s。
在另外的一个实施例中，“将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；”具体包括：
根据采集脑电信号时标记的粗略的时间节点，分离静息态数据及声音刺激实验数据；
以秒为时间单位，以开始采集到时间节点前一秒的数据作为静息态数据，以节点后一秒到采集结束的数据作为声音刺激实验数据；
以1023个采样点为长度单位，对数据进行分段；采样频率为1000Hz，刺激信号频率为39.1Hz的前提下，1023个采样点对应时长1.023s，恰为刺激信号40个整周期长度，可保证每段数据中包含的ASSR成分的初始相位不变；
将数据通过滤波范围为40Hz附近的频域，带宽为w带通滤波器；
去除伪迹干扰，剔除幅值超过40μV的数据段；
以N＝L×1023个采样点作为平均单位进行n次叠加平均，n为正整数，得到长度为N的待检测数据段；静息态数据经过以上预处理，得到数据向量；刺激实验数据经过以上预处理，得到数据向量。
在另外的一个实施例中，L和n取值8～12。
在另外的一个实施例中，“利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；”具体包括：
计算静息态数据的平均功率z和z的n阶矩<zn>，其中
Figure BDA0001707078270000071
||·||2为L2范数。
将z和<zn>代入复合K分布形状参数ν的表达式：
Figure BDA0001707078270000072
对ν进行估计；
将ν和<zn>代入复合K分布尺度参数b的表达式：
Figure BDA0001707078270000073
对b进行估计；
将静息态数据向量u1通过带宽为w1的带通滤波器，滤出仅含电噪声的频段，得到数据向量u'，求得噪声功率
Figure BDA0001707078270000081
在另外的一个实施例中，“设置40Hz ASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；”中
设置虚警概率，确定检测器门限，包括：
设置虚警概率PFA；
将静息态实验数据向量u1送入检测器ξ，计算静息态脑电统计量ξ(u1)，记为T0；
由虚警概率PFA和T0，确定检测器门限T。
在另外的一个实施例中，“将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40Hz ASSR是否引出；”中
检测统计量计算公式为
Figure BDA0001707078270000082
其中u为待检测数据向量，u的长度N＝L×1023；pi＝cos(2πf0·i),i＝1,2,…,N，f0＝为声音刺激信号的频率值，等于39.1Hz；
Figure BDA0001707078270000083
b和ν分别是复合K分布的尺度参数和形状参数，Kν(·)是阶数为ν的第二类修正贝塞尔函数。
在另外的一个实施例中，“将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40Hz ASSR是否引出；”中，
判断40Hz ASSR是否引出包括：
确定检测统计量函数的参数为由静息态数据所估计得的复合K分布参数、和噪声功率；
将送入检测器，计算声音刺激试验脑电信号的检测统计量；
比较统计量与门限的大小；
当统计量大于等于门限时，判断该实验范式下40Hz听觉稳态诱发响应引出，否则，判定响应未引出。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；
将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；
利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；
设置40Hz ASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；
将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40Hz ASSR是否引出；
由多范式40Hz ASSR引出结果判断昏迷病人预后；
若多个实验范式均未引出40Hz ASSR，提示此患者预后不良。
在另外的一个实施例中，“接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；”中，采集的静息态脑电数据及40Hz声刺激响应脑电数据具体包括：
确定电极放置位置，其中位于前额FP1和FP2两个位置上的电极作为数据采集通道，两个位于耳后乳突的电极作为参考电极；
降低皮肤与电极间阻抗，以使电极与皮肤间阻抗在5KΩ以下，并使用导电膏粘合电极与皮肤；
采集一段长大于200s的静息态脑电数据，并标记大致的时间节点，采样频率为1000Hz；
编制4种实验范式，通过声卡输出，使用入耳式耳机对患者进行听觉刺激，每种刺激范式下的脑电数据采集时长200s；
这四种范式分别为：
调制频率为40Hz，载波为500Hz的调幅音对左耳进行声音刺激，右耳以白噪声屏蔽，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为1000Hz的调幅音对左耳进行声音刺激，右耳以白噪声屏蔽，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为500Hz的调幅音对双耳进行连续刺激，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为1000Hz的调幅音对双耳进行连续刺激，刺激声的声强为90dB，持续时间为200s。
在另外的一个实施例中，“将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；”具体包括：
根据采集脑电信号时标记的粗略的时间节点，分离静息态数据及声音刺激实验数据；
以秒为时间单位，以开始采集到时间节点前一秒的数据作为静息态数据，以节点后一秒到采集结束的数据作为声音刺激实验数据；
以1023个采样点为长度单位，对数据进行分段；采样频率为1000Hz，刺激信号频率为39.1Hz的前提下，1023个采样点对应时长1.023s，恰为刺激信号40个整周期长度，可保证每段数据中包含的ASSR成分的初始相位不变；
将数据通过滤波范围为40Hz附近的频域，带宽为w带通滤波器；
去除伪迹干扰，剔除幅值超过40μV的数据段；
以N＝L×1023个采样点作为平均单位进行n次叠加平均，n为正整数，得到长度为N的待检测数据段；静息态数据经过以上预处理，得到数据向量；刺激实验数据经过以上预处理，得到数据向量。
在另外的一个实施例中，L和n取8～12。
在另外的一个实施例中，“利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；”具体包括：
计算静息态数据的平均功率z和z的n阶矩<zn>，其中
Figure BDA0001707078270000111
将z和<zn>代入复合K分布形状参数ν的表达式：
Figure BDA0001707078270000112
对ν进行估计；
将ν和<zn>代入复合K分布尺度参数b的表达式：
Figure BDA0001707078270000113
对b进行估计；
将静息态数据向量u1通过带宽为w1的带通滤波器，滤出仅含电噪声的频段，得到数据向量u'，求得噪声功率
Figure BDA0001707078270000114
在另外的一个实施例中，“设置40Hz ASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；”中，
设置虚警概率，确定检测器门限，包括：
设置虚警概率PFA；
将静息态实验数据向量u1送入检测器ξ，计算静息态脑电统计量ξ(u1)，记为T0；
由虚警概率PFA和T0，确定检测器门限T。
在另外的一个实施例中，“将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40Hz ASSR是否引出；”中
检测统计量计算公式为
Figure BDA0001707078270000121
其中u为待检测数据向量，u的长度N＝L×1023；pi＝cos(2πf0·i),i＝1,2,…,N，f0＝为声音刺激信号的频率值，等于39.1Hz；
Figure BDA0001707078270000122
b和ν分别是复合K分布的尺度参数和形状参数，Kν(·)是阶数为ν的第二类修正贝塞尔函数。
在另外的一个实施例中，“将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40Hz ASSR是否引出；”中，
判断40Hz ASSR是否引出包括：
确定检测统计量函数的参数为由静息态数据所估计得的复合K分布参数、和噪声功率；
将送入检测器，计算声音刺激试验脑电信号的检测统计量；
比较统计量与门限的大小；
当统计量大于等于门限时，判断该实验范式下40Hz听觉稳态诱发响应引出，否则，判定响应未引出。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行如下步骤：
接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；
将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；
利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；
设置40Hz ASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；
将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40Hz ASSR是否引出；
由多范式40Hz ASSR引出结果判断昏迷病人预后；
若多个实验范式均未引出40Hz ASSR，提示此患者预后不良。
在另外的一个实施例中，“接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；”中，采集的静息态脑电数据及40Hz声刺激响应脑电数据具体包括：
确定电极放置位置，其中位于前额FP1和FP2两个位置上的电极作为数据采集通道，两个位于耳后乳突的电极作为参考电极；
降低皮肤与电极间阻抗，以使电极与皮肤间阻抗在5KΩ以下，并使用导电膏粘合电极与皮肤；
采集一段长大于200s的静息态脑电数据，并标记大致的时间节点，采样频率为1000Hz；
编制4种实验范式，通过声卡输出，使用入耳式耳机对患者进行听觉刺激，每种刺激范式下的脑电数据采集时长200s；
这四种范式分别为：
调制频率为40Hz，载波为500Hz的调幅音对左耳进行声音刺激，右耳以白噪声屏蔽，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为1000Hz的调幅音对左耳进行声音刺激，右耳以白噪声屏蔽，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为500Hz的调幅音对双耳进行连续刺激，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为1000Hz的调幅音对双耳进行连续刺激，刺激声的声强为90dB，持续时间为200s。
在另外的一个实施例中，“将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；”具体包括：
根据采集脑电信号时标记的粗略的时间节点，分离静息态数据及声音刺激实验数据；
以秒为时间单位，以开始采集到时间节点前一秒的数据作为静息态数据，以节点后一秒到采集结束的数据作为声音刺激实验数据；
以1023个采样点为长度单位，对数据进行分段；采样频率为1000Hz，刺激信号频率为39.1Hz的前提下，1023个采样点对应时长1.023s，恰为刺激信号40个整周期长度，可保证每段数据中包含的ASSR成分的初始相位不变；
将数据通过滤波范围为40Hz附近的频域，带宽为w带通滤波器；
去除伪迹干扰，剔除幅值超过40μV的数据段；
以N＝L×1023个采样点作为平均单位进行n次叠加平均，n为正整数，得到长度为N的待检测数据段；静息态数据经过以上预处理，得到数据向量；刺激实验数据经过以上预处理，得到数据向量。
在另外的一个实施例中，n取8～12。
在另外的一个实施例中，“利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；”具体包括：
计算静息态数据的平均功率z和z的n阶矩<zn>，其中
Figure BDA0001707078270000141
将z和<zn>代入复合K分布形状参数ν的表达式：
Figure BDA0001707078270000142
对ν进行估计；
将ν和<zn>代入复合K分布尺度参数b的表达式：
Figure BDA0001707078270000151
对b进行估计；
将静息态数据向量u1通过带宽为w1的带通滤波器，滤出仅含电噪声的频段，得到数据向量u'，求得噪声功率。
在另外的一个实施例中，“设置40Hz ASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；”中
设置虚警概率，确定检测器门限，包括：
设置虚警概率PFA；
将静息态实验数据向量u1送入检测器ξ，计算静息态脑电统计量ξ(u1)，记为T0；
由虚警概率PFA和T0，确定检测器门限T。
在另外的一个实施例中，“将预处理后的刺激响应脑电数据送入检测器，计算检测器输出，与门限T相比，确定40Hz ASSR是否引出；”中
检测统计量计算公式为
Figure BDA0001707078270000152
其中u为待检测数据向量，u的长度N＝L×1023；pi＝cos(2πf0·i),i＝1,2,…,N，f0＝为声音刺激信号的频率值，等于39.1Hz；
Figure BDA0001707078270000153
b和ν分别是复合K分布的尺度参数和形状参数，Kν(·)是阶数为ν的第二类修正贝塞尔函数。
在另外的一个实施例中，“将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40Hz ASSR是否引出；”中，
判断40Hz ASSR是否引出包括：
确定检测统计量函数的参数为由静息态数据所估计得的复合K分布参数、和噪声功率；
将送入检测器，计算声音刺激试验脑电信号的检测统计量；
比较统计量与门限的大小；
当统计量大于等于门限时，判断该实验范式下40Hz听觉稳态诱发响应引出，否则，判定响应未引出。
下面介绍一个本发明的具体应用场景：
一种基于40Hz听觉稳态诱发电位自动检测的昏迷病人预后评价方法，包括：
步骤1.采集静息态脑电数据及40Hz声刺激响应脑电数据；
步骤2.将采集的静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；
步骤3.利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；
步骤4.设置40Hz ASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；
步骤5.将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40Hz ASSR是否引出；
步骤6.由多范式40Hz ASSR引出结果判断昏迷病人预后。若多个实验范式均未引出40Hz ASSR，提示此患者预后不良。
1.听觉刺激与脑电数据采集包括：
首先，确定电极放置位置，其中位于前额FP1和FP2两个位置上的电极作为数据采集通道，两个位于耳后乳突的电极作为参考电极，如图3所示：
然后，降低皮肤与电极间阻抗，以使电极与皮肤间阻抗在5KΩ以下，并使用导电膏粘合电极与皮肤；
其次，采集一段长大于200s的静息态脑电数据，并标记大致的时间节点，采样频率为1000Hz。
最后，编制4种实验范式，通过声卡输出，使用入耳式耳机对患者进行听觉刺激，每种刺激范式下的脑电数据采集时长200s。这四种范式分别为：
1)调制频率为40Hz，载波为500Hz的调幅音对左耳进行声音刺激，右耳以白噪声屏蔽，刺激声的声强为90dB，持续时间为200s；
2)调制频率为40Hz，载波为1000Hz的调幅音对左耳进行声音刺激，右耳以白噪声屏蔽，刺激声的声强为90dB，持续时间为200s；
3)调制频率为40Hz，载波为500Hz的调幅音对双耳进行连续刺激，刺激声的声强为90dB，持续时间为200s；
4)调制频率为40Hz，载波为1000Hz的调幅音对双耳进行连续刺激，刺激声的声强为90dB，持续时间为200s。
2.数据预处理包括：
首先，根据采集脑电信号时标记的粗略的时间节点，分离静息态数据及声音刺激实验数据。以秒为时间单位，以开始采集到时间节点前一秒的数据作为静息态数据，以节点后一秒到采集结束的数据作为声音刺激实验数据。
然后，以1023个采样点为长度单位，对数据进行分段；采样频率为1000Hz，刺激信号频率为39.1Hz的前提下，1023个采样点对应时长1.023s，恰为刺激信号40个整周期长度，可保证每段数据中包含的ASSR成分的初始相位不变；
其次，将数据通过滤波范围为40Hz附近的频域，带宽为w带通滤波器；
再次，去除伪迹干扰，剔除幅值超过40uV的数据段；
最后，以N为数据平均长度单位进行n次叠加平均，N＝L×1023(经验下L和n取值范围为8～12。)，得到长度为N的待检测数据段。静息态数据经过以上预处理，得到数据向量u1；刺激实验数据经过以上预处理，得到数据向量u2。
3.以静息态脑电数据估计复合K分布参数和噪声功率pn：
首先，计算静息态数据的平均功率z和z的n阶矩<zn>，其中
Figure BDA0001707078270000181
其次，将z和<zn>代入复合K分布形状参数ν的表达式：
Figure BDA0001707078270000182
对ν进行估计；
然后，将ν和<zn>代入复合K分布尺度参数b的表达式：
Figure BDA0001707078270000183
对b进行估计；
最后，将静息态数据向量u1通过带宽为w1的带通滤波器，滤出仅含电噪声的频段，得到数据向量u'，求得噪声功率
Figure BDA0001707078270000184
4.检测统计量计算公式为
Figure BDA0001707078270000185
其中u为待检测数据向量，u的长度N＝L×1023；pi＝cos(2πf0·i),i＝1,2,…,N，f0＝为声音刺激信号的频率值，等于39.1Hz；
Figure BDA0001707078270000186
b和ν分别是复合K分布的尺度参数和形状参数，Kν(·)是阶数为ν的第二类修正贝塞尔函数。
5.设置虚警概率，确定检测器门限，包括：
首先，设置虚警概率PFA；
然后，将静息态实验数据向量u1送入检测器ξ，计算静息态脑电统计量ξ(u1)，记为T0；
最后，由虚警概率PFA和T0，确定检测器门限T。
6.判断40Hz ASSR是否引出包括：
首先，确定检测统计量函数ξ(u)的参数为由静息态数据所估计得的复合K分布参数b、ν和噪声功率pn。
然后，将u2送入检测器，计算声音刺激试验脑电信号的检测统计量ξ(u2)。
最后，比较统计量ξ(u2)与门限T的大小。当统计量大于等于门限T时，判断该实验范式下40Hz听觉稳态诱发响应引出，否则，判定响应未引出。检测流程如图4所示。
附：检测器形式的理论推导过程
(1)基于广义似然比准则，得出检测器初级形式
检测混杂在静息态脑电和噪声中的40Hz ASSR，可以用以下的二元假设表示。脑电采样数据y(t)可表示为:
Figure BDA0001707078270000191
其中H1和H0假设分别代表40Hz ASSR存在和不存在的两种情况：y(t)表示在t采样时刻采集到的信号，e(t)代表静息态自发脑电，n(t)表示分布近似于高斯白噪声的电噪声，而s(t)就是待检测信号—40Hz ASSR，有如下形式：
s＝Aejθp,pt＝cos(2πf0·t), (2)
其中A是40Hz ASSR的幅值，θ是初始相位，f0＝39.1Hz是刺激信号的频率。本发明中,A和θ是确定、未知的参数。在广义似然比检测方法的框架下，得到检测器ξ0，检测器判断为H1时检测器的输出应大于门限κ：
Figure BDA0001707078270000201
ASSR不存在的情况下，检测器判断为H1的概率，为虚警概率PFA，而检测概率PD指的是检测器在H1为真时判决结果也为H1的概率。
对公式(3)两边取对数，得到检测器ξ的新形式如下，其中门限T＝logκ：
Figure BDA0001707078270000202
其中f(·)表示概率密度函数，由(4)式可见，ASSR自动检测的主要问题在于响应的幅度和相位未知，而不能直接运用检测理论中常用于检测已知正弦信号的检测方法进行检测。所以，正确估计ASSR响应对应的未知参数，是检测器设计的关键点之一。
(2)以复合K分布模型对静息态自发脑电建模
为提高检测器检测性能，应对ASSR响应所处的噪声背景进行合理地估计，得到符合实际的概率密度函数f(·)。基于自发脑电的非平稳性、其平均功率会随着时间发生变化的事实(如图5所示，选择4段长度为2s，时间间隔5s的数据，带通滤波器对原始数据进行滤波，画出对应的频谱图，可以看出脑电功率大小和分布会随时间发生较大变化)，本发明提出以复合K分布模型估计静息态脑电，并利用复合K分布的已知统计特性对检测器进行设计。
静息态下采集的脑电数据(是自发脑电信号和电噪声两者之和)的强度z满足如下指数分布：
Figure BDA0001707078270000203
其中
Figure BDA0001707078270000204
为长度为N的静息态脑电数据平均功率，包括自发脑电信号和电噪声两个部分。为避免不同数据段的初始相位不同，N的取值被限定为1023的整数倍(采样频率为1000Hz)。自发脑电参数x满足Gamma分布：
Figure BDA0001707078270000211
其中b和ν分别是尺度参数和形状参数。对x积分得到复合K分布的概率分布函数
Figure BDA0001707078270000212
(3)估计复合K分布参数
复合K分布的矩和波动指数为
Figure BDA0001707078270000213
其中n阶矩
Figure BDA0001707078270000214
可以得到b、ν的估计表达式如下
Figure BDA0001707078270000215
数据段已知时，即可对b、ν进行估计：
(4)复合K分布的显式近似估计
令x'＝x+pn，代入式(7)得到
Figure BDA0001707078270000216
对(x-pn)ν-1进行泰勒展开得到
Figure BDA0001707078270000217
由于电噪声功率pn相对于自发脑电成分来说很小，pn的高阶无穷小可以忽略不计。故将(x-pn)ν-1的泰勒展开的二阶以上项忽略后，式(10)变形为
Figure BDA0001707078270000221
由K分布的概率密度函数的积分为1，可知有如下公式成立：
Figure BDA0001707078270000222
其中Γ(·)是伽马函数，Kν(·)是阶数为ν的第二类修正贝塞尔函数，b和ν分别是尺度参数和形状参数。由式(13)可知
Figure BDA0001707078270000223
若参考式(14)对式(12)进行积分，复合K分布的概率分布的显式形式可以确定为
Figure BDA0001707078270000224
将变量z用向量
Figure BDA0001707078270000225
的形式表示，式(15)变为
Figure BDA0001707078270000226
其中：
Figure BDA0001707078270000227
(5)基于信号的最大似然估计，化简检测器
将式(16)代入到式(4)中，检测器可改写成
Figure BDA0001707078270000228
将u分别向沿着p和垂直于p的方向进行分解，得到up和正交分量u⊥:
Figure BDA0001707078270000234
其中信号的幅度和相位构成的Aejθ可以用最大似然估计的方法进行估计。只有正确估计参数Aejθ时，检测器输出结果最大，因此可以其最大似然估计
Figure BDA0001707078270000231
将其代入到式(18)中，得到如下形式：
Figure BDA0001707078270000232
将式(20)代入式(17)中，检测器最终的形式为：
Figure BDA0001707078270000233
以某医院重症病房收治的32名颅脑损伤致昏迷的患者为研究对象，进行40HzASSR实验并采集患者脑电数据。
1.数据采集
首先，以位于前额的两个电极FP1和FP2作为数据采集通道，两个位于耳后乳突的电极作为参考电极，电极安放参考图3；
然后，降低电极与皮肤间阻抗在5KΩ以下；
然后，采集一段长约200s的静息态脑电数据，并标记时间节点；
最后，根据编制范式要求，使用插入式耳机对患者进行听觉刺激，每种实验范式下采集脑电数据时长约为200s。
2.数据预处理：
首先，根据时间节点，分离静息态数据及响应数据；
其次，以1023个采样点为长度单位，对数据进行分段；
然后，数据通过滤波范围为40Hz附近频域，带宽为w的带通滤波器。
然后，去除伪迹干扰，剔除幅值超过40uV的数据段；
最后，以N为长度单位叠加平均10次，N＝L×1023(L取10)。静息态数据经过以上预处理，得到数据向量u1；刺激实验数据经过以上预处理，得到数据向量u2。
3.估计复合K分布参数和噪声功率pn：
首先，计算静息态数据的平均功率z，和z的n阶矩<zn>。
其次，将z和<zn>代入复合K分布形状参数ν的表达式：
Figure BDA0001707078270000241
对ν进行估计；
然后，将ν和<zn>代入复合K分布尺度参数b的表达式：
Figure BDA0001707078270000242
对b进行估计；
最后，将静息态数据向量u1通过带宽为w1的带通滤波器，滤出仅含电噪声的频段，得到数据向量u'，求得噪声功率
Figure BDA0001707078270000243
4.设置虚警概率，确定检测器门限：
首先，设置虚警概率PFA＝0.01；
最后，将u1送入检测器ξ，计算静息态脑电统计量ξ(u1)，记为T0，由虚警概率PFA和T0确定检测器门限T。
5.判断40Hz ASSR是否引出：
首先，将复合K分布参数b、ν和噪声功率pn、虚警PFA以及门限T代入检测器，确定参数。然后，将u2送入检测器ξ，计算刺激实验脑电统计量ξ(u2)。
最后，比较统计量ξ(u2)与门限T的大小。当统计量大于等于门限T时，判断40Hz听觉稳态诱发响应引出，否则，判定响应未引出。
4预测：若多种范式ASSR响应均未引出，提示预后不良。
多种范式下的不同预测方法：
将32名重症昏迷患者的多种范式ASSR响应引出情况，对照收集到的患者生存资料，进行logistic回归，并以ROC曲线和曲线下的相关面积(AUC)来评估各个范式的预测性能。
基于单因素logistic回归模型的预测概率评价：以4组数据(每组2个电极)共8组数据为协变量，死亡与否为因变量，进行logistic回归。其中Fp11、Fp21分别表示实验一Fp1、Fp2引出情况，Fp12、Fp22、Fp13、Fp23、Fp14、Fp24分别表示实验二、三、四中各电极的引出情况，每种范式对应的ROC曲线见图6。
基于多因素logistic回归模型的预测概率评价：以8组ASSR数据为协变量，死亡与否为因变量做LR Logistic回归模型，以似然比检验结果剔除变量，得到该回归模型预测概率的ROC曲线如图7所示。由此图可见，本发明的昏迷病人预后评价结果在保证预测灵敏度的前提下保证了特异度。
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 (8)

1.一种昏迷病人预后评价装置，其特征在于，包括：计算机，所述计算机被编程以便执行如下步骤：
接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；
将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；
利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；
设置40HzASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；
将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40HzASSR是否引出；
由多范式40HzASSR引出结果判断昏迷病人预后；
若多个实验范式均未引出40HzASSR，提示此患者预后不良。
2.根据权利要求1所述的昏迷病人预后评价装置，其特征在于，“接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；”中，采集静息态脑电数据及40Hz声刺激响应脑电数据具体包括：
确定电极放置位置，其中位于前额FP1和FP2两个位置上的电极作为数据采集通道，两个位于耳后乳突的电极作为参考电极；
降低皮肤与电极间阻抗，以使电极与皮肤间阻抗在5KΩ以下，并使用导电膏粘合电极与皮肤；
采集一段时长大约200s的静息态脑电数据，并标记大致的时间节点，采样频率为1000Hz；
编制4种实验范式，通过声卡输出，使用入耳式耳机对患者进行听觉刺激，每种刺激范式下的脑电数据采集时长200s；
这四种范式分别为：
调制频率为40Hz，载波为500Hz的调幅音对左耳进行声音刺激，右耳以白噪声屏蔽，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为1000Hz的调幅音对左耳进行声音刺激，右耳以白噪声屏蔽，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为500Hz的调幅音对双耳进行连续刺激，刺激声的声强为90dB，持续时间为200s；
调制频率为40Hz，载波为1000Hz的调幅音对双耳进行连续刺激，刺激声的声强为90dB，持续时间为200s。
3.根据权利要求1所述的昏迷病人预后评价装置，其特征在于，“将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；”具体包括：
根据采集脑电信号时标记的粗略的时间节点，分离静息态数据及声音刺激实验数据；
以秒为时间单位，以开始采集到时间节点前一秒的数据作为静息态数据，以节点后一秒到采集结束的数据作为声音刺激实验数据；
以1023个采样点为长度单位，对数据进行分段；采样频率为1000Hz，刺激信号频率为39.1Hz的前提下，1023个采样点对应时长1.023s，恰为刺激信号40个整周期长度，可保证每段数据中包含的ASSR成分的初始相位不变；
将数据通过中心频率为40Hz、带宽为w的带通滤波器；
剔除幅值超过40μV的数据段以去除伪迹；
以N＝L×1023个采样点作为平均单位进行n次叠加平均，n为正整数，得到长度为N的待检测数据段；静息态数据经过以上预处理，得到数据向量u1；刺激实验数据经过以上相同的预处理，得到数据向量u2。
4.根据权利要求3所述的昏迷病人预后评价装置，其特征在于，在不超过数据总长度的前提下L和n可取8～12。
5.根据权利要求1所述的昏迷病人预后评价装置，其特征在于，“设置40Hz ASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；”中
设置虚警概率，确定检测器门限，包括：
设置虚警概率PFA；
将静息态实验数据向量u1送入检测器ξ，计算静息态脑电统计量ξ(u1)，记为T0；
由虚警概率PFA和T0，确定检测器门限T。
6.根据权利要求1所述的昏迷病人预后评价装置，其特征在于，
“将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40HzASSR是否引出；”中，
判断40HzASSR是否引出包括：
确定检测统计量函数的参数为由静息态数据所估计得的复合K分布参数和噪声功率；
将刺激响应脑电数据送入检测器，计算声音刺激试验脑电信号的检测统计量；
比较统计量与门限的大小；
当统计量大于等于门限时，判断该实验范式下40Hz听觉稳态诱发响应引出，否则，判定响应未引出。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如下步骤：
接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；
将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；
利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；
设置40HzASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；
将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40HzASSR是否引出；
由多范式40HzASSR引出结果判断昏迷病人预后；
若多个实验范式均未引出40HzASSR，提示此患者预后不良。
8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行如下步骤：
接收采集的静息态脑电数据及40Hz声刺激响应脑电数据；
将所述静息态脑电数据及40Hz声刺激响应脑电数据进行预处理，先分离静息态脑电数据及刺激响应脑电数据，然后分别经过分段、滤波、去伪迹和叠加平均处理，得到预处理后的静息态脑电数据u1和预处理后的刺激响应脑电数据u2；
利用预处理后的静息态脑电数据u1估计其满足的复合K分布的参数ν、b和噪声功率pn；
设置40HzASSR检测器的虚警概率PFA，并结合由静息态脑电数据估计所得的复合K分布的参数ν、b和噪声功率pn，给出对应的检测器门限T；
将预处理后的刺激响应脑电数据u2送入检测器，计算检测器输出ξ(u2)，与门限T相比，确定40HzASSR是否引出；
由多范式40HzASSR引出结果判断昏迷病人预后；
若多个实验范式均未引出40HzASSR，提示此患者预后不良。
CN201810662454.3A 2018-06-25 2018-06-25 昏迷病人预后评价装置 Active CN108742606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810662454.3A CN108742606B (zh) 2018-06-25 2018-06-25 昏迷病人预后评价装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810662454.3A CN108742606B (zh) 2018-06-25 2018-06-25 昏迷病人预后评价装置

Publications (2)

Publication Number Publication Date
CN108742606A CN108742606A (zh) 2018-11-06
CN108742606B true CN108742606B (zh) 2020-09-29

Family

ID=63976882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810662454.3A Active CN108742606B (zh) 2018-06-25 2018-06-25 昏迷病人预后评价装置

Country Status (1)

Country Link
CN (1) CN108742606B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2330607C2 (ru) * 2001-06-13 2008-08-10 Компьюмедикс Лимитед Способ и устройство для мониторинга сознания
US20080097235A1 (en) * 2006-08-25 2008-04-24 Technion Research & Development Foundation, Ltd Subjective significance evaluation tool, brain activity based
CN101273887A (zh) * 2008-05-07 2008-10-01 张炳熙 患者手术全麻知晓的定量监测指标设备
CN102178514A (zh) * 2011-05-09 2011-09-14 浙江大学 一种基于非线性与复杂性多重指标的昏迷程度评价方法
CN104888346B (zh) * 2014-12-21 2020-10-13 徐志强 对昏迷大脑进行神经刺激的方法及装置
CN104605839A (zh) * 2015-02-05 2015-05-13 广州市润杰医疗器械有限公司 一种昏迷患者苏醒预测方法
CN107468243A (zh) * 2017-09-01 2017-12-15 北京大智商医疗器械有限公司 一种评估昏迷程度的方法及装置

Also Published As

Publication number Publication date
CN108742606A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
Fan et al. Detecting abnormal pattern of epileptic seizures via temporal synchronization of EEG signals
Zou et al. Automatic identification of artifact-related independent components for artifact removal in EEG recordings
Athanasiou et al. Functional brain connectivity during multiple motor imagery tasks in spinal cord injury
Mishra et al. Artifact removal from biosignal using fixed point ICA algorithm for pre-processing in biometric recognition
Kanoga et al. Review of artifact rejection methods for electroencephalographic systems
Goshvarpour et al. Dynamical analysis of emotional states from electroencephalogram signals
Fadlallah et al. Quantifying cognitive state from EEG using dependence measures
Lee et al. Single-trial event-related potential extraction through one-unit ICA-with-reference
Tsai et al. Development of an adaptive artifact subspace reconstruction based on Hebbian/anti-Hebbian learning networks for enhancing BCI performance
Binias et al. Real-time detection and filtering of eye movement and blink related artifacts in EEG
KR20170004547A (ko) 동공 크기 변화율을 이용한 뇌 정보 (EEG spectrum) 추출 방법 및 그 장치
US11666285B2 (en) Method for detecting a conversion from mild cognitive impairment to Alzheimer disease
Li et al. A spatiotemporal filtering methodology for single-trial ERP component estimation
Sarraf EEG-based movement imagery classification using machine learning techniques and Welch’s power spectral density estimation
Cakmak et al. Neuro signal based lie detection
CN108742606B (zh) 昏迷病人预后评价装置
Phothisonothai et al. EEG signal classification method based on fractal features and neural network
Echtioui et al. Automated EEG artifact detection using independent component analysis
Abásolo1 et al. Approximate entropy of EEG background activity in alzheimer's disease patients
Kar et al. EEG source localization by memory network analysis of subjects engaged in perceiving emotions from facial expressions
Chen et al. Epileptic EEG visualization and sonification based on linear discriminate analysis
Khatter et al. Study of various automatic eeg artifact removal techniques
Nancy et al. A brain EEG classification system for the mild cognitive impairment analysis
Feng et al. A new recognition method for the auditory evoked magnetic fields
Gomez-Pilar et al. Novel measure of the weigh distribution balance on the brain network: Graph complexity applied to schizophrenia

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