CN109009090A - 一种基于直方图的脑信号图显示方法 - Google Patents
一种基于直方图的脑信号图显示方法 Download PDFInfo
- Publication number
- CN109009090A CN109009090A CN201810434104.1A CN201810434104A CN109009090A CN 109009090 A CN109009090 A CN 109009090A CN 201810434104 A CN201810434104 A CN 201810434104A CN 109009090 A CN109009090 A CN 109009090A
- Authority
- CN
- China
- Prior art keywords
- peak
- histogram
- section
- value
- eeg signals
- 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.)
- Granted
Links
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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Psychology (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直方图的振幅整合脑电增强显示显示方法,其特征是:通过对一个周期T秒内的所有峰值进行直方图统计,并将其平滑处理后的分布数据换算成灰度值线性映射到振幅整合脑电图的一条数据线上,以灰度表达一个周期内的峰值分布,并以时间轴方向形成振幅整合脑电图。本发明所达到的有益效果:本方法能够在基于数字信号处理手段的基础上,借由直方图进行灰度的处理,在每一条单线上高效成功的表达出相应周期内的峰值分布,同时成功模拟传统CFM的走纸效果,提高整个图所反映的信息的数据量和准确度。
Description
技术领域
本发明涉及一种基于直方图的振幅脑电信号增强显示技术,属于图像显示处理技术领域。
背景技术
对于ICU脑功能监护的仪器,早期的是采用CFM,其所有的功能都是通过模拟电路来实现的,其在进行输出时,采用的是走笔输出,在垂直方向上的最大峰值和最小峰值之间,扫描笔的停留时间是不同的。
但是随着现代科技的发展,现通过数字信号处理的手段来对脑功能进行监护,这种方式就不能实现监护数据输出时的灰度值变化,对于脑功能的实时监护不够全面。
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直方图的脑信号图显示方法,能够在采用数字信号处理方式的基础上对于脑功能监护的输出图像实现灰度值的体现。
为了实现上述目标,本发明采用如下的技术方案:
一种基于直方图的脑信号图显示方法,其特征是,包括如下步骤:
1)获取脑电信号,并将脑电信号按照时间周期T分成若干段;找出每段脑电信号中的最大峰值和最小峰值,并进行半对数压缩处理,处理公式为其中x代表峰值数据;
2)将压缩处理后的范围[0,20]分成n个区间:
3)将每一段脑电信号中滤波整流后的信号所有介于最大峰值和最小峰值之间并包括最大峰值和最小峰值之间的采样点进行步骤1)中的半对数压缩处理;
4)将步骤3)压缩后所有值在0到20分成的n个区间做直方图统计,得到n个点的直方图;
5)将n点的直方图作平滑处理;
6)将平滑处理后的直方图从除0外的最小值到最大值线性映射至25到255灰度值,得到n点的灰度;
7)在相邻两点取该两点灰度的平均并插入,得到(2n-1)点的灰度;
8)用所得(2n-1)点的灰度显示对应的竖线,该竖线最顶端对应的是最大峰值,最底端对应的是最小峰值;
9)在时间轴上将每段脑电信号的竖线顺序显示,形成脑电监控图。
优选地,所述步骤1)中时间周期T=15s。
进一步地,所述步骤1)中找出最大峰值和最小峰值的具体步骤如下:
11)将每一段脑电信号进行非对称带通滤波处理,通过滤波器将每段脑电信号进行快速傅里叶变换,将变换结果的实虚部进行响应增益处理,最后做傅里叶变换得到滤波后的时域信号;
12)将步骤11)得到的时域信号取绝对值进行整流处理;
13)找出每一段滤波整流后的信号的所有峰值,并确立每一段中最大峰值和最小峰值。
具体地,对每一段脑电信号经过步骤12)处理后的信号数据,从头以T2为周期,选取每个周期中的最大值为峰值得到若干峰值后,在所有的峰值中找到最大峰值和最小峰值,作为该段脑电信号中的最大峰值和最小峰值。
优选地,所述T2=0.6s:
进一步地,所述步骤2)中n=41,对应的区间为[0,0.25),[0.25,0.75),[0.75,1.25),L,[18.75,19.25),[19.25,19.75),[19.75,20]。
优选地,所述步骤5)中平滑处理采用三点取平均。
本发明所达到的有益效果:本方法能够在基于数字信号处理手段的基础上,借由直方图进行灰度的处理,形成能够体现灰度值的脑功能监护图,提高整个图所反映的信息的数据量和准确度。
附图说明
图1是本算法增强得到的示意图,其中放大是为例清楚显示利用灰度来标识信号分布;其中虚线所指的增强显示的一根灰度线是由图2中15秒的原始EEG数据计算而来;
图2是原始的EEG信号图,其中放大是为例清楚显示利用灰度来标识信号分布。
具体实施方式
下面结合附图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。
本发明所涉及的基于直方图的脑信号图显示方法,下面结合具体地实施例对本发明进行介绍,具体包括如下步骤:
1)获取脑电信号,并将脑电信号按照时间周期T(本实施例中T=15s)分成若干段。之后按照如下步骤找出每段脑电信号中的最大峰值和最小峰值,并进行半对数压缩处理,处理公式为其中x代表峰值数据:
11)将每一段脑电信号进行非对称带通滤波处理,通过滤波器将每段脑电信号进行快速傅里叶变换,用于功率谱分析,将变换结果的实虚部进行响应增益处理,最后做傅里叶变换得到滤波后的时域信号。
12)将步骤11)得到的时域信号取绝对值进行整流处理。
13)从头以T2(本实施例中T2=0.6s)为周期,选取每个周期中的最大值为峰值得到若干峰值后,在所有的峰值中找到最大峰值和最小峰值,作为该段脑电信号中的最大峰值和最小峰值。
2)将压缩处理后的范围[0,20]分成41个区间:对应的区间为[0,0.25),[0.25,0.75),[0.75,1.25),L,[18.75,19.25),[19.25,19.75),[19.75,20]。
3)将每一段脑电信号中滤波整流后的信号所有介于最大峰值和最小峰值之间并包括最大峰值和最小峰值之间的采样点进行步骤1)中的半对数压缩处理;
4)将步骤3)压缩后所有值在0到20分成的41个区间做直方图统计,得到41个点的直方图;
5)将41点的直方图采用三点取平均方式作平滑处理;
6)将平滑处理后的直方图从除0外的最小值到最大值线性映射至25到255灰度值,得到41点的灰度;
7)在相邻两点取该两点灰度的平均并插入,得到81点的灰度;
8)用所得81点的灰度显示对应的竖线,该竖线最顶端对应的是最大峰值,最底端对应的是最小峰值;
9)在时间轴上将每段脑电信号的竖线顺序显示,形成脑电监控图。
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 (7)
1.一种基于直方图的脑信号图显示方法,其特征是,包括如下步骤:
1)获取脑电信号,并将脑电信号按照时间周期T分成若干段;找出每段脑电信号中的最大峰值和最小峰值,并进行半对数压缩处理,处理公式为其中x代表峰值数据;
2)将y的取值范围分成n个区间,n的选值依据经验值选取:
3)将每一段滤波整流后的脑电信号中所有介于最大峰值和最小峰值之间并包括最大峰值和最小峰值的采样点进行步骤1)中的半对数压缩处理;
4)将步骤3)压缩后的所有值在步骤2)中的n个区间做直方图统计分析,得到n个点的直方图;
5)将所得的n点直方图作平滑处理;
6)将平滑处理后的直方图从除0外的最小值到最大值线性映射至25到255灰度值,得到n个点的灰度值;
7)在相邻两点取该两点灰度的平均值并插入一点,得到(2n-1)点的灰度值;
8)用所得(2n-1)点的灰度值显示对应的本周期竖线中的每一点;
9)在时间轴上将每个脑电周期信号所对应的经过灰度处理的竖线顺序显示,形成振幅整合脑电图。
2.根据权利要求1所述的一种基于直方图的脑信号图显示方法,其特征是,所述步骤1)中时间周期T=15s。
3.根据权利要求1所述的一种基于直方图的脑信号图显示方法,其特征是,所述步骤1)中找出最大峰值和最小峰值的具体步骤如下:
11)将每一段脑电信号进行非对称带通滤波处理,通过滤波器将每段脑电信号进行快速傅里叶变换,将变换结果的实虚部进行响应增益处理,最后做傅里叶变换得到滤波后的时域信号;
12)将步骤11)得到的时域信号取绝对值进行整流处理;
13)模拟传统CFM电容充放电的速度,以0.6秒为窗口,找出每一段滤波整流后的信号的所有峰值,并确立每一段中最大峰值和最小峰值。
4.根据权利要求3所述的一种基于直方图的脑信号图显示方法,其特征是,所述步骤13)中具体步骤为:对每一段脑电信号经过步骤12)处理后的信号数据,从头以T2为周期,选取每个周期中的最大值为峰值得到若干峰值后,在所有的峰值中找到最大峰值和最小峰值,作为该段脑电信号中的最大峰值和最小峰值。
5.根据权利要求4所述的一种基于直方图的脑信号图显示方法,其特征是,所述T2=0.6s。
6.根据权利要求1所述的一种基于直方图的脑信号图显示方法,其特征是,所述步骤2)中n=41,对应的区间为[0,0.25),[0.25,0.75),[0.75,1.25),L,[18.75,19.25),[19.25,19.75),[19.75,20]。
7.根据权利要求1所述一种基于直方图的脑信号图显示方法,其特征是,所述步骤5)中采用三点移动平均值做平滑处理的方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810434104.1A CN109009090B (zh) | 2018-05-08 | 2018-05-08 | 一种基于直方图的脑信号图显示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810434104.1A CN109009090B (zh) | 2018-05-08 | 2018-05-08 | 一种基于直方图的脑信号图显示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109009090A true CN109009090A (zh) | 2018-12-18 |
CN109009090B CN109009090B (zh) | 2021-02-26 |
Family
ID=64611448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810434104.1A Active CN109009090B (zh) | 2018-05-08 | 2018-05-08 | 一种基于直方图的脑信号图显示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109009090B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022135605A1 (zh) * | 2020-12-25 | 2022-06-30 | 深圳迈瑞生物医疗电子股份有限公司 | 监护信息的显示方法、脑电异常的报警方法及监护系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1039669A (zh) * | 1988-07-21 | 1990-02-14 | 北京理工大学 | 小样本脑电信号处理系统及方法 |
CN101627909A (zh) * | 2009-05-05 | 2010-01-20 | 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 |
CN102824172A (zh) * | 2012-08-28 | 2012-12-19 | 浙江大学 | 一种脑电特征提取方法 |
US20150018705A1 (en) * | 2013-07-12 | 2015-01-15 | Innara Health | Neural analysis and treatment system |
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 |
-
2018
- 2018-05-08 CN CN201810434104.1A patent/CN109009090B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1039669A (zh) * | 1988-07-21 | 1990-02-14 | 北京理工大学 | 小样本脑电信号处理系统及方法 |
CN101627909A (zh) * | 2009-05-05 | 2010-01-20 | 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 |
CN102824172A (zh) * | 2012-08-28 | 2012-12-19 | 浙江大学 | 一种脑电特征提取方法 |
US20150018705A1 (en) * | 2013-07-12 | 2015-01-15 | Innara Health | Neural analysis and treatment system |
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 |
Non-Patent Citations (2)
Title |
---|
杨滔: "《aEEG信号图像重构及基于集成SVM的分类研究》", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
王愈: "《新生儿振幅整合脑电自动识别研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022135605A1 (zh) * | 2020-12-25 | 2022-06-30 | 深圳迈瑞生物医疗电子股份有限公司 | 监护信息的显示方法、脑电异常的报警方法及监护系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109009090B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104970773B (zh) | 一种基于双重特征筛选的自动睡眠分期方法 | |
CN104063645B (zh) | 一种基于心电信号动态自更新样本的身份识别方法 | |
CN107316653B (zh) | 一种基于改进的经验小波变换的基频检测方法 | |
CN104771178B (zh) | 身份识别的方法及装置 | |
CN105030233B (zh) | 一种心电信号st段的识别方法 | |
CN105976809A (zh) | 基于语音和面部表情的双模态情感融合的识别方法及系统 | |
CN107361766A (zh) | 一种基于emd域多维信息的情绪脑电信号识别方法 | |
CN110367980A (zh) | 基于多元经验模态分解的脑电信号情绪识别方法 | |
WO2002096181A3 (en) | Fingerprint recognition system | |
Zhang et al. | The detection of crackles based on mathematical morphology in spectrogram analysis | |
CN107361764B (zh) | 一种心电信号特征波形r波的快速提取方法 | |
Kumar et al. | Classification of seizure and seizure-free EEG signals using multi-level local patterns | |
CN109009087B (zh) | 一种心电信号r波的快速检测方法 | |
CN108420406A (zh) | 基于脉搏波睡眠分期的方法 | |
CN110123289B (zh) | 一种基于脉搏波的生物识别方法及相关装置 | |
CN109009090A (zh) | 一种基于直方图的脑信号图显示方法 | |
CN103829944A (zh) | 基于模式识别的胸阻抗信号处理方法 | |
CN109254654B (zh) | 一种结合PCA和PCANet的驾驶疲劳特征提取方法 | |
CN108470182B (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
CN1540568A (zh) | 身份识别和鉴定方法 | |
CN111870241B (zh) | 基于优化的多维样本熵的癫痫发作信号检测方法 | |
CN106843509B (zh) | 一种脑机接口系统 | |
CN113208594A (zh) | 一种基于脑电信号时空功率谱图的情绪特征表示方法 | |
CN111616680A (zh) | 一种脑力负荷自动辨识方法及系统 | |
CN112022151B (zh) | 一种脑电棘慢波的处理及识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |