CN108830865B - 一种用于动态脑电图像的稳定上下边界的确定方法 - Google Patents
一种用于动态脑电图像的稳定上下边界的确定方法 Download PDFInfo
- Publication number
- CN108830865B CN108830865B CN201810433468.8A CN201810433468A CN108830865B CN 108830865 B CN108830865 B CN 108830865B CN 201810433468 A CN201810433468 A CN 201810433468A CN 108830865 B CN108830865 B CN 108830865B
- Authority
- CN
- China
- Prior art keywords
- boundary
- microvolts
- less
- lower boundary
- window
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000003925 brain function Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种用于动态脑电图像的稳定上下边界的确定方法,其特征是,通过对动态脑电图像的上边界和下边界的变化程度进行分段后,对每一段进行滤波确定稳定的上下边界,最后进行背景模式分类。本发明所达到的有益效果:本方法通过对动态脑电图进行处理,采用逐步分段筛选后,并加入滤波手段的方法,使得处理后的图像,能够充分反馈监护对象的状态,其所进行的处理效率高,且对原始数据的影响低,减弱了动态脑电图产生过程中所附带的随机噪声,对于脑电波监控领域有着很强的意义。
Description
技术领域
本发明涉及一种用于动态脑电图像的稳定上下边界的确定方法,属于脑电图图像处理技术领域。
背景技术
振幅整合EEG(aEEG)是临床上脑功能监护和评估的重要方法,是一种广泛使用的脑电趋势图。通过aEEG上下边界的确定来对aEEG进行背景分类是临床上确定脑功能状态和损伤严重度的最重要的方法之一。目前临床上主要通过有经验的电生理医生人工读图来进行分类。本专利提出的自动上下边界确定方法在临床上解决专业电生理医生不足和规模使用脑功能监护上具有重大意义。图一是人工读图的示意。
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用于动态脑电图像的稳定上下边界的确定方法,通过对得到的脑电图经过分段筛选后进行滤波处理,使得脑电图像的上下边界的随机噪声降低,形成能够良好反馈监护对象状态的脑电图。
为了实现上述目标,本发明采用如下的技术方案:
一种用于动态脑电图像的稳定上下边界的确定方法,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;
2)对于分段结果进行筛选,时长小于t1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t1的段落进行下一步骤;
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上边界和下边界进行中值滤波,得到滤波后的上边界和下边界;
4)在每一段内将滤波后的上边界和下边界每t2时长分成一个窗口,取每个窗口内上边界和下边界的平均值作为该窗口的上边界和下边界,并根据每个窗口的上边界和下边界进行背景模式分类;
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。
进一步地,所述步骤4)中的背景模式分类准则为:
1)连续正常电压:下边界大于等于5微伏但小于10微伏,上边界大于等于10微伏;
2)不连续正常电压:下边界小于5微伏,上边界大于等于10微伏;
3)爆发抑制:下边界小于等于2微伏,上边界大于等于25微伏;
4)低电压:下边界小于5微伏,上边界小于10微伏但大于5微伏;
5)Inactive Flat:上下边界都小于5微伏。
优选地,所述步骤2)中t1=15min。
优选地,所述步骤3)中中值滤波采用20点的窗口范围。
优选地,所述步骤4)中t2=30min。
本发明所达到的有益效果:本方法通过对动态脑电图进行处理,采用逐步分段筛选后,并加入滤波手段的方法,使得处理后的图像,能够充分反馈监护对象的状态,其所进行的处理效率高,且对原始数据的影响低,减弱了动态脑电图产生过程中所附带的随机噪声,对于脑电波监控领域有着很强的意义。
附图说明
图1是本发明自动确定上下边界进行aEEG背景分类示例图;
图2是临床上人工分类aEEG背景示例图。
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。
首先对于本发明所涉及的动态脑电图像上下边界确定方法,其主要是针对目前动态脑电图像中往往伴随很强的随机噪声的现象,为了要找到图像中稳定的上边界和下边界,才使用本方法中的内容来进行处理,结合具体的例子,进行说明。
本方法包括如下步骤:
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上边界和下边界进行20点的中值滤波,得到滤波后的上边界和下边界。
步骤4)在每一段内将滤波后的上边界和下边界每30分钟分成一个窗口,取每个窗口内上边界和下边界的平均值作为该窗口的上边界和下边界,并根据每个窗口的上边界和下边界进行背景模式分类。
进行窗口分割时:若最后的窗口小于15分钟,则将其与之前的30分钟的窗口合并处理;若最后的窗口大于15分钟但小于15分钟,则作为独立窗口处理。
背景模式分类准则为:
1)连续正常电压:下边界大于等于5微伏但小于10微伏,上边界大于等于10微伏;
2)不连续正常电压:下边界小于5微伏,上边界大于等于10微伏;
3)爆发抑制:下边界小于等于2微伏,上边界大于等于25微伏;
4)低电压:下边界小于5微伏,上边界小于10微伏但大于5微伏;
5)Inactive Flat:上下边界都小于5微伏。
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 (6)
1.一种用于动态脑电图像的稳定上下边界的确定方法,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;
2)对于分段结果进行筛选,时长小于t1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t1的段落进行下一步骤;
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上边界和下边界进行中值滤波,得到滤波后的上边界和下边界;
4)在每一段内将滤波后的上边界和下边界每t2时长分成一个窗口,取每个窗口内上边界和下边界的平均值作为该窗口的上边界和下边界,并根据每个窗口的上边界和下边界进行背景模式分类;
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;
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。
2.根据权利要求1所述的一种用于动态脑电图像的稳定上下边界的确定方法,其特征是,所述n=10,a=3,b=20,n0=4。
3.根据权利要求1所述的一种用于动态脑电图像的稳定上下边界的确定方法,其特征是,所述步骤4)中的背景模式分类准则为:
1)连续正常电压:下边界大于等于5微伏但小于10微伏,上边界大于等于10微伏;
2)不连续正常电压:下边界小于5微伏,上边界大于等于10微伏;
3)爆发抑制:下边界小于等于2微伏,上边界大于等于25微伏;
4)低电压:下边界小于5微伏,上边界小于10微伏但大于5微伏;
5)Inactive Flat:上下边界都小于5微伏。
4.根据权利要求1所述的一种用于动态脑电图像的稳定上下边界的确定方法,其特征是,所述步骤2)中t1=15min。
5.根据权利要求1所述的一种用于动态脑电图像的稳定上下边界的确定方法,其特征是,所述步骤3)中中值滤波采用20点的窗口范围。
6.根据权利要求1所述的一种用于动态脑电图像的稳定上下边界的确定方法,其特征是,所述步骤4)中t2=30min。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810433468.8A CN108830865B (zh) | 2018-05-08 | 2018-05-08 | 一种用于动态脑电图像的稳定上下边界的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810433468.8A CN108830865B (zh) | 2018-05-08 | 2018-05-08 | 一种用于动态脑电图像的稳定上下边界的确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830865A CN108830865A (zh) | 2018-11-16 |
CN108830865B true CN108830865B (zh) | 2021-06-15 |
Family
ID=64148550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810433468.8A Active CN108830865B (zh) | 2018-05-08 | 2018-05-08 | 一种用于动态脑电图像的稳定上下边界的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830865B (zh) |
Families Citing this family (2)
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 |
CN113476059B (zh) * | 2021-06-02 | 2023-06-27 | 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判断左右脑对称性的方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7299088B1 (en) * | 2002-06-02 | 2007-11-20 | Nitish V Thakor | Apparatus and methods for brain rhythm analysis |
US9282934B2 (en) * | 2010-09-21 | 2016-03-15 | Cortical Dynamics Limited | Composite brain function monitoring and display system |
JP6129082B2 (ja) * | 2011-03-11 | 2017-05-17 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 生理学的信号を監視する監視装置 |
CN103070683B (zh) * | 2012-12-20 | 2015-06-03 | 中山大学 | 基于生物电阻抗的睡眠呼吸模式识别方法及装置 |
CN103976740B (zh) * | 2014-05-23 | 2016-03-30 | 清华大学 | 一种面向网络环境的脑电信号身份识别系统及识别方法 |
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 |
US20160081616A1 (en) * | 2014-09-23 | 2016-03-24 | Boe Technology Group Co., Ltd. | Apparatus and method for processing electroencephalogram, and sleep monitoring wearable device |
CN105962929A (zh) * | 2015-03-13 | 2016-09-28 | 胡渐佳 | 脑波数据分段记录方法以及记录和显示装置 |
CN104644160A (zh) * | 2015-03-18 | 2015-05-27 | 电子科技大学 | 心电图伪差信号识别方法及装置 |
CN105708451B (zh) * | 2016-01-29 | 2018-10-09 | 中山衡思健康科技有限公司 | 一种脑电信号质量实时判定方法 |
CN106618559B (zh) * | 2016-12-06 | 2020-08-25 | 华东师范大学 | 一种aEEG信号图像特征重构表示和提取方法 |
CN106889986B (zh) * | 2017-03-08 | 2020-01-10 | 浙江大学 | 一种基于卡诺模型的脑电信号标定方法 |
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 |
-
2018
- 2018-05-08 CN CN201810433468.8A patent/CN108830865B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108830865A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830865B (zh) | 一种用于动态脑电图像的稳定上下边界的确定方法 | |
CN105787902B (zh) | 利用分块排序检测噪声的图像降噪方法 | |
CN106997391B (zh) | 一种快速筛选大规模过程数据中的稳态工况数据的方法 | |
CN109416749B (zh) | 一种图像的灰阶分类方法、装置以及可读存储介质 | |
CN109850518B (zh) | 一种基于红外图像的实时矿用胶带预警撕裂检测方法 | |
CN111144332A (zh) | 一种图片聚档方法、装置和电子设备 | |
CN111598897A (zh) | 基于Otsu和改进Bernsen的红外图像分割方法 | |
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 | |
CN111558849A (zh) | 盘铣刀加工参数优化方法及装置、电子设备及存储介质 | |
CN109948622B (zh) | 一种头颈体动脉瘤检测方法、装置及计算机可读存储介质 | |
Wang et al. | An improved region growing method for medical image selection and evaluation based on Canny edge detection | |
CN111513675A (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 | |
KR101615479B1 (ko) | 적응적 전/후처리 필터링을 이용하는 초해상도 영상 처리 방법 | |
JP2009151539A (ja) | 顔検出装置、顔検出方法、及び、顔検出プログラム | |
Aramesh et al. | A new method for segmentation of retinal blood vessels using Morphological image processing technique | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
US20230169637A1 (en) | Method for grain size analysis | |
JP2020135659A (ja) | パラメータ決定方法、パラメータ決定装置、及びプログラム | |
Karthikeyan et al. | Efficient decision based algorithm for the removal of high density salt and pepper noise in images | |
Jiang et al. | An improved canny operator in the application of medical image segmentation | |
Pan et al. | A modified adaptive median filter method and its applications in medical images | |
CN113989186A (zh) | 血管影像中血管结构或形态异常的检测方法及相关产品 | |
CN112419304A (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
CN116008735A (zh) | 一种基于密度的局部放电信号提取方法及系统 | |
CN111507238B (zh) | 人脸数据筛选方法、装置及电子设备 |
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 |