CN109300544A - 一种新生儿脑功能标准化七步分析方法 - Google Patents
一种新生儿脑功能标准化七步分析方法 Download PDFInfo
- Publication number
- CN109300544A CN109300544A CN201811507655.2A CN201811507655A CN109300544A CN 109300544 A CN109300544 A CN 109300544A CN 201811507655 A CN201811507655 A CN 201811507655A CN 109300544 A CN109300544 A CN 109300544A
- Authority
- CN
- China
- Prior art keywords
- amplitude
- outburst
- electroencephalogram
- signal
- less
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 210000004556 brain Anatomy 0.000 claims abstract description 42
- 230000005611 electricity Effects 0.000 claims abstract description 30
- 230000007774 longterm Effects 0.000 claims abstract description 19
- 238000012790 confirmation Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 26
- 230000005764 inhibitory process Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 208000022306 Cerebral injury Diseases 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 8
- 229940079593 drug Drugs 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 238000004880 explosion Methods 0.000 claims description 6
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000008454 sleep-wake cycle Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 206010010904 Convulsion Diseases 0.000 description 8
- 230000036461 convulsion Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 6
- 230000002920 convulsive effect Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 5
- 210000004720 cerebrum Anatomy 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 230000003444 anaesthetic effect Effects 0.000 description 2
- 239000001961 anticonvulsive agent Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000032798 delamination Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000001605 fetal effect Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000000803 paradoxical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 239000000932 sedative agent Substances 0.000 description 2
- 230000001624 sedative effect Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 208000002333 Asphyxia Neonatorum Diseases 0.000 description 1
- 206010039897 Sedation Diseases 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 230000000202 analgesic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 208000033300 perinatal asphyxia Diseases 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000036280 sedation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Neurology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种新生儿脑功能标准化自动分析方法,包括以下七个连续性标准步骤:S1获取新生儿病史数据;S2确认信号连接与信号质量;S3确定振幅整合脑电图的上下边界,进行背景模式分类,进行爆发抑制检测;S4识别睡眠觉醒周期;S5识别脑电可疑区域;S6评价振幅整合脑电的对称性;S7描述振幅整合脑电的长期趋势。本发明通过采取七个连续步骤,对新生儿脑功能的分析方法进行了标准化集成,同时实现了自动分析,其输出的结果为医生提供了可靠的医学数据,提高了效率和精准度。
Description
技术领域
本发明涉及一种基于振幅整合脑电图分析的新生儿脑功能标准化分析方法,属于脑信号监测与分析技术领域。
背景技术
目前,在临床上出现了各种各种的对于新生儿脑功能进行监测的设备,如早期采用的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。且该种设备通常只能进行单方面监测,如本申请人在2018.05.08申请的发明专利2018104325674、2018104334688和2018104341094等,分别针对新生儿的爆发抑制、背景模式分类以及觉醒周期等进行检测,表征的是监测方法的创新,但并未给出最终的结果的输出方法。
而综合检测结果的整合以及自动输出,并通过有效的结果显示方式进行直观显示,才能实现检测的标准化、自动化以及对结果的有效描述。
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新生儿脑功能标准化七步分析方法。
为了实现上述目标,本发明采用如下的技术方案:
一种新生儿脑功能标准化七步分析方法,基于可应用的新生儿脑电测量设备和测量设备内的分析系统,对新生儿脑功能数据进行标准化的分析,所述的分析方法包括以下步骤:
S1获取新生儿病史数据:
将新生儿的受孕龄、药物使用情况及可疑脑损伤病史数据输入到测量设备的测量系统中,形成新生儿病史数据;
具体为:描述受孕龄,所述的受孕龄=出生胎龄+出生后日龄;
描述药物使用情况:如抗惊厥药物,镇静镇痛药物,麻醉药物,分娩过程中给予的药物等;
掌握可疑脑损伤病史:描述临床表现,临床诊断,检查及治疗情况等。
S2确认信号连接与信号质量:
将测量设备与新生儿之间建立信号连接,并使用分析系统内的信号监测模块,实时监测信号质量,对数据采集过程中发生的事件进行标记;;
具体为:头皮备皮:确认头皮状况如何,是否有创伤,胎发如何,是否需要剃头,头皮是否充分去角质。
选择合适电极:如脑电帽:三种头围尺寸满足27-42周新生儿;盘状电极:满足所有胎龄新生儿开展长程监护;凝胶电极:3-5小时脑损伤筛查,一次性电极。
维持阻抗良好,红灯黄灯为调整,绿灯为采集,实现实时监测,及时干预。
S3确定振幅整合脑电图的上下边界,进行背景模式分类,以及进行爆发抑制检测:
采集视频脑电图,计算振幅整合脑电图,并确定振幅整合脑电图上下边界;进行背景模式分类,并对分类后的背景模式进行颜色标记,颜色通过显示终端进行显示;
脑电信号经过滤波、集成、平移后得到单通道信号,再对单通道信号的每一个采样点逐个进行检测,与分析系统中阈值进行比较,确定爆发抑制周期,根据爆发抑制周期确认是否为爆发抑制,并通过颜色进行标记,颜色通过显示终端进行显示;
S4睡眠觉醒周期检测:
采集脑电数据,基于脑电数据的下边界值进行分段,形成若干脑电图段落,确定脑电图段落内的有效波峰,并最终得到每一个脑电图段落内的有效周期总长度和周期幅度,对每一个脑电图段落内的有效周期总长度和周期幅度进行对比,对比结果进行颜色标记,颜色通过显示终端进行显示;
S5识别振幅整合脑电的可疑区域:
自动识别系统会对振幅整合脑电的可疑区域进行色彩标记,根据S1步骤中的病史数据采集、S2步骤中的信号质量监测及事件标记,以及S3步骤中的监护视频及脑电数据对振幅整合脑电的的可疑区域进行识别和判断,如出现惊厥事件,标记为红色,再通过回放监护视频、以及查看原始EEG,从而判断可疑区域,出现了惊厥或伪差;
S6评价振幅整合脑电的对称性:
根据S3步骤中的振幅整合脑电图数据对大脑左右半球不同导联的图形进行对称性评估,为单侧脑损伤提供数据,具体为:采集位点C3-P3(左半脑);C4-P4(右半脑),比较两通道振幅整合脑电图图形的对称性,从而比较左右半球电活动对称性;
S7描述振幅整合脑电的长期趋势:
利用颜色标记描述S3步骤的背景模式和爆发抑制、S4步骤的睡觉觉醒周期和S5步骤的可疑区域,输出振幅整合脑电图长期趋势,可通过3-5小时的监护、筛查,描述背景活动,可分为三个级别,分别是正常,中度异常和重度异常;描述是否具有睡眠觉醒周期;描述有无惊厥。也可通过24-72小时的长程监护、筛查,描述振幅整合脑电图的趋势变化,对后期的治疗方案的有效性以及进行远期预后评估。
进一步,上述的S3步骤中所述的背景模式分类准则为:
(1)连续正常电压(CNV):下边界电压大于等于5微伏但小于10微伏,上边界电压大于等于10微伏,标记为绿色;
(2)不连续正常电压(DNV):下边界电压小于5微伏,上边界电压大于等于10微伏,标记为黄绿色;
(3)爆发抑制(BS):下边界电压小于等于2微伏,上边界电压大于等于25微伏,标记为橙色;
(4)连续低电压(LV):下边界电压小于5微伏,上边界电压小于10微伏但大于5微伏,标记为黄色;
(5)平坦波(FT):上下边界电压都小于5微伏,标记为红色。
S3步骤中所述的确定振幅整合脑电图的上下边界,包括以下步骤:
a采集脑电图图像,基于该图像的下边界值进行分段;
b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;
c根据步骤b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;
d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,且进行窗口分割时:若最后的窗口小于则将其与之前的t2时长的窗口合并处理;若最后的窗口大于分钟但小于t2分钟,则作为独立窗口处理。
所述的进行爆发抑制检测,具体包括以下步骤:
1)采集N道脑电信号,将每道信号进行带通滤波;
2)将滤波后的所有各通道信号集成为一道复合信号,集成公式为其中,xci表示第i个通道的第c道脑电信号,c=1,2,…,N,yi表示第i个通道复合后的信号;
3)取时间为t0的窗口,对单通道复合信号做移动平均,得到平滑的单通道检测信号;
4)对单通道检测信号的每一个采样点逐个进行检测,逐一检测时:若超出给定阈值,则暂定为爆发开始,继续测试后续采样点,如果找到后续某一采样点的值低于给定阈值,则暂定为抑制开始;按照上述检测方法寻找下一个爆发开始的采样点,作为抑制结束点,相邻的爆发开始点至抑制结束点作为可能的爆发抑制周期;
给定阈值采用相对阈值,通过如下步骤进行计算:
4.1)对阈值进行初始化,相对阈值记为R,初始阈值记为T;
4.2)从单通道检测信号的第一个采样点开始,逐点比较检测信号的幅值与阈值T的大小,如果检测信号的幅值小于阈值T,则更新T为检测信号的幅值;如果检测信号的幅值大于T/R,则将当前采样点作为第一个可能的爆发起始,并更新阈值T为T/R;
4.3)从第一个可能的爆发开始,逐点检查检测信号的幅值并记录最大幅值,更新阈值T为最大幅值乘相对阈值R直到第一个可能的抑制开始;
4.4)每当确认检测到一个爆发抑制,更新阈值T为当前相邻两个爆发抑制中检测信号最大值的平均值乘以相对阈值R;
4.5)当找到一个爆发抑制的开始后,再检测可能的抑制结束时,如果满足以下条件:
4.51)当前抑制阶段的最小检测信号的幅值大于2微伏;
4.52)当前检测信号的幅值小于阈值T;
4.53)当前检测信号的幅值大于当前抑制阶段的最小检测信号的幅值除以相对阈值R;
在这种情况下,将当前检测信号的采样点作为抑制结束点,并更新阈值T为当前抑制阶段的最小检测信号的幅值除以相对阈值R;
5)对经过步骤4)得到的可能的爆发抑制周期进行检测并确认是否为爆发抑制:如果抑制时间小于t1,则将其归为爆发的一部分,如果爆发时间小于t2,则将其归为抑制的一部分;
确认为爆发抑制的条件为:
5.1)抑制时间大于t1;
5.2)爆发时间大于t2;
5.3)爆发抑制周期小于t3;
其中,t1、t2、t3依据经验值确定。
S4步骤中所述的睡眠觉醒周期检测,具体包括以下步骤:
(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。
S5步骤中所述的伪差包括:
1)生理性伪差:心电伪差、脉搏伪差、眼动伪差、瞬目伪差、肌电伪差和呼吸伪差;
2)设备伪差:接地不良、电极脱落、电极短路;
3)环境伪差:交流电干扰、高频震荡干扰;
4)运动伪差。
且S5步骤中所述的惊厥的分类准则为:
1)单次惊厥发作;
2)反复惊厥发作:30分钟内≥3次;
3)持续惊厥:惊厥持续发作≥30分钟,振幅整合脑电图表现为锯齿状。
本发明的有益之处在于:本发明通过采取七个连续步骤,对新生儿脑功能的分析方法进行了标准化集成,同时实现了自动分析,其输出的结果为医生提供了可靠的医学数据,提高了效率和精准度。
附图说明
图1是本发明一实施例的流程示意图;
图2是本发明自动确定上下边界进行振幅整合脑电图背景分类示例图;
图3是新生儿的睡眠觉醒周期示意图;
图4为实施例1振幅整合脑电的长期趋势示意图;
图5为实施例2振幅整合脑电的长期趋势示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
图1是本发明一实施例的流程示意图。
如图1所示:新生儿脑功能标准化七步分析方法,基于可应用的新生儿脑电测量设备和测量设备内的分析系统,对新生儿脑功能数据进行标准化的分析,所述的分析方法包括以下步骤:
第一步,即步骤S1,获取新生儿病史数据:
将新生儿的受孕龄(出生胎龄+出生后日龄)、药物使用情况(如抗惊厥药物,镇静镇痛药物,麻醉药物,分娩过程中给予的药物等)及可疑脑损伤病史数据(描述临床表现,临床诊断,检查及治疗情况等)输入到测量设备的测量系统中,形成新生儿病史数据;
第二步,即步骤S2,确认信号连接与信号质量:
将测量设备与新生儿之间建立信号连接,并使用分析系统内的信号监测模块,实时监测信号质量,对数据采集过程中发生的事件进行标记;;
具体为:头皮备皮:确认头皮状况如何,是否有创伤,胎发如何,是否需要剃头,头皮是否充分去角质。
选择合适电极:如脑电帽:三种头围尺寸满足27-42周新生儿;盘状电极:满足所有胎龄新生儿开展长程监护;凝胶电极:3-5小时脑损伤筛查,一次性电极。
维持阻抗良好,红灯黄灯为调整,绿灯为采集,实现实时监测,及时干预。
第三步,即步骤S3,确定振幅整合脑电图的上下边界,进行背景模式分类,以及进行爆发抑制检测:
采集视频脑电图,计算振幅整合脑电图,并确定振幅整合脑电图上下边界,具体步骤为:
a采集脑电图图像,基于该图像的下边界值进行分段,分段的具体步骤为:
a1)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;
a2)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。
a3)不断重复a1)和a2)的处理直至分段结束。
b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。
c根据步骤b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。
d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,且进行窗口分割时: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30分钟分钟,则作为独立窗口处理。
进行背景模式分类,并对分类后的背景模式进行颜色标记,颜色通过显示终端进行显示,背景模式分类准则为:
(1)连续正常电压(CNV):下边界电压大于等于5微伏但小于10微伏,上边界电压大于等于10微伏,标记为绿色;
(2)不连续正常电压(DNV):下边界电压小于5微伏,上边界电压大于等于10微伏,标记为黄绿色;
(3)爆发抑制(BS):下边界电压小于等于2微伏,上边界电压大于等于25微伏,标记为橙色;
(4)连续低电压(LV):下边界电压小于5微伏,上边界电压小于10微伏但大于5微伏,标记为黄色;
(5)平坦波(FT):上下边界电压都小于5微伏,标记为红色。
以上背景模式分类情况如图2所示,且标记后的颜色可通过显示终端进行显示。
脑电信号经过滤波、集成、平移后得到单通道信号,再对单通道信号的每一个采样点逐个进行检测,与分析系统中阈值进行比较,确定爆发抑制周期,根据爆发抑制周期确认是否为爆发抑制,并通过颜色进行标记,颜色通过显示终端进行显示,爆发抑制检测具体步骤为:
1)采集N道脑电信号,将每道信号进行带通滤波,由于伪迹和肌电噪声很强的情况下通常无法正确判断爆发抑制,本步骤中对干扰信号作了特殊处理,具体处理方法为:
11)将带通滤波后的每一道信号每隔5s分成一数据段;
12)逐一对每一数据段进行检测,检测准则如下:
I)如果某一道信号在某一数据段内信号最大幅值大于300微伏,在当前数据段和下一数据段内,该道信号将不被纳入单道检测信号;
II)如果某一道信号在某一数据段内,信号在30Hz到50Hz的频带内的标准方差大于4微伏,在当前数据段和下一数据段内,该道信号将不被纳入单道检测信号;
13)如果在某一数据段内没有任何一道信号纳入单道检测信号,则从下一个数据段按照步骤12)重新开始检测。
2)将滤波后的所有各通道信号集成为一道复合信号,集成公式为其中,xci表示第i个通道的第c道脑电信号,c=1,2,…,N,yi表示第i个通道复合后的信号;
3)取时间为t0(本实施方式中t0=0.5s)的窗口,对单通道复合信号做移动平均,得到平滑的单通道检测信号;步骤2)把多通道信号复合为单通道,对这个单通道信号做移动平均平滑处理(moving average),移动平均的窗口大小取t0。
4)对单通道检测信号的每一个采样点逐个进行检测,逐一检测时:若超出给定阈值,则暂定为爆发开始,继续测试后续采样点,如果找到后续某一采样点的值低于给定阈值,则暂定为抑制开始;按照上述检测方法寻找下一个爆发开始的采样点,作为抑制结束点,相邻的爆发开始点至抑制结束点作为可能的爆发抑制周期;
对于以上步骤中,给定阈值在现有技术中,可以用绝对域值或相对域值,在成人ICU中通常用绝对域值,缺省值取9微伏,而当用于新生儿的监护时,因为没有一致的标准,在本方法中,给定阈值采用相对阈值,通过如下步骤进行计算:
4.1)对阈值进行初始化,相对阈值记为R,初始阈值记为TT(本实施方式中,相对阈值记R的缺省值设为0.5,初始阈值T设为9微伏);
4.2)从单通道检测信号的第一个采样点开始,逐点比较检测信号的幅值与阈值T的大小,如果检测信号的幅值小于阈值T,则更新T为检测信号的幅值;如果检测信号的幅值大于T/R,则将当前采样点作为第一个可能的爆发起始,并更新阈值T为T/R;
4.3)从第一个可能的爆发开始,逐点检查检测信号的幅值并记录最大幅值,更新阈值T为最大幅值乘相对阈值R直到第一个可能的抑制开始;
4.4)每当确认检测到一个爆发抑制,更新阈值T为当前相邻两个爆发抑制中检测信号最大值的平均值乘以相对阈值R;
4.5)当找到一个爆发抑制的开始后,再检测可能的抑制结束时,如果满足以下条件:
4.51)当前抑制阶段(即爆发抑制开始后到抑制结束的阶段)的最小检测信号的幅值大于2微伏;
4.52)当前检测信号的幅值小于阈值T;
4.53)当前检测信号的幅值大于当前抑制阶段的最小检测信号的幅值除以相对阈值R;
在这种情况下,将当前检测信号的采样点作为抑制结束点,并更新阈值T为当前抑制阶段的最小检测信号的幅值除以相对阈值R;
5)对经过步骤4)得到的可能的爆发抑制周期进行检测并确认是否为爆发抑制:如果抑制时间小于t1,则将其归为爆发的一部分,如果爆发时间小于t2,则将其归为抑制的一部分;
而确认为爆发抑制的条件为:
I)抑制时间大于t1;
II)爆发时间大于t2;
III)爆发抑制周期小于t3;
其中,t1、t2、t3依据经验值确定,这里,优先选取t1=1s,t2=0.5s.t3=60s。
第四步,即步骤S4,睡眠觉醒周期检测,具体步骤为:
采集脑电数据,基于脑电数据的下边界值进行分段,形成若干脑电图段落,确定脑电图段落内的有效波峰,并最终得到每一个脑电图段落内的有效周期总长度和周期幅度,对每一个脑电图段落内的有效周期总长度和周期幅度进行对比,对比结果进行颜色标记,颜色通过显示终端进行显示,睡眠觉醒周期检测,具体包括以下步骤:
(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;
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。
(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;
(3)根据步骤(2)的分段筛选结果,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;所述设定区间为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;
具体判断结果如图3所示。
S5识别振幅整合脑电的可疑区域:
自动识别系统会对振幅整合脑电的可疑区域进行色彩标记,根据S1步骤中的病史数据采集、S2步骤中的信号质量监测及事件标记,以及S3步骤中的监护视频及脑电数据对振幅整合脑电的的可疑区域进行识别和判断,如出现惊厥事件,标记为红色,再通过回放监护视频、以及查看原始EEG,从而判断可疑区域,出现了惊厥或伪差,其中伪差包括:
1)生理性伪差:心电伪差、脉搏伪差、眼动伪差、瞬目伪差、肌电伪差和呼吸伪差;
2)设备伪差:接地不良、电极脱落、电极短路;
3)环境伪差:交流电干扰、高频震荡干扰;
4)运动伪差。
而惊厥的分类准则则为:
1)单次惊厥发作;
2)反复惊厥发作:30分钟内≥3次;
3)持续惊厥:惊厥持续发作≥30分钟,振幅整合脑电图表现为锯齿状;
S6评价振幅整合脑电的对称性:
根据S3步骤中的振幅整合脑电图数据对大脑左右半球不同导联的图形进行对称性评估,为单侧脑损伤提供数据,具体为:采集位点C3-P3(左半脑);C4-P4(右半脑),比较两通道振幅整合脑电图图形的对称性,从而比较左右半球电活动对称性;
S7描述振幅整合脑电的长期趋势:
利用颜色标记描述S3步骤的背景模式和爆发抑制、S4步骤的睡觉觉醒周期和S5步骤的可疑区域,输出振幅整合脑电图长期趋势,可通过3-5小时的监护、筛查,描述背景活动,可分为三个级别,分别是正常,中度异常和重度异常;描述是否具有睡眠觉醒周期;描述有无惊厥。也可通过24-72小时的长程监护、筛查,描述振幅整合脑电图的趋势变化,对后期的治疗方案的有效性以及进行远期预后评估。
实施例1:
S1获取新生儿病史数据:
姓名:马**;性别:女;
出生时间:2018/11/15;
出生胎龄:37W2d;生后天数:7d;受孕龄:38W2d
新生儿身长:50cm;新生儿体重:3.5kg
Apgar评分:3-5-7分/1-5-10分钟
主要诊断:新生儿窒息/肺炎
最近3日是否使用镇静剂:无
S2确认信号连接与信号质量:
电极:脑电帽
阻抗:4千欧左右,良好,绿灯常亮
采集部位:C3-P3/C4-P4
S3确定振幅整合脑电图的上下边界,进行背景模式分类,进行爆发抑制检测;
背景活动颜色标识:黄绿色,不连续正常电压;下边界<5微伏,上边界>10微伏;
无爆发抑制。
S4识别睡眠觉醒周期
睡眠觉醒颜色标识:无色,无睡眠觉醒周期
S5识别脑电可疑区域:
尖棘波自动颜色标识:出现红色线条,查阅该时间点对应原始脑电图,波形为棘慢波,查阅该时间点对应视频,宝宝右上肢小范围规律性抽动,高度怀疑大脑皮层异常放电。
S6评价振幅整合脑电的对称性:
左右半球电活动基本一致,右侧图形下边界较左侧偏低,提示右侧损伤程度可能较左侧严重。
S7描述振幅整合脑电图长期趋势:
监测时间:120分钟。
图4为实施例1振幅整合脑电的长期趋势示意图。
如图4所示:
1)背景活动:出现不连续正常电压,提示中度异常
2)睡眠觉醒周期:无睡眠觉醒周期,提示该患儿脑发育成熟度可能滞后
3)惊厥发作:监测期间有单次发作,提示可能存在惊厥异常放电。
4)对称性:不对称,右侧图形下边界较左侧偏低,提示右侧损伤程度可能较左侧严重。
意见:可能存在脑损伤,右侧损伤程度可能较左侧严重。可能存在脑发育成熟度滞后。建议跟踪复查。
实施例2:
S1获取新生儿病史数据;
姓名:孙**;性别:男;
出生时间:2018/11/8;
出生胎龄:35W1d;生后天数:14d;受孕龄:37W1d
新生儿身长:48cm;新生儿体重:3.3kg
Apgar评分:8-10-10分/1-5-10分钟
主要诊断:新生儿肺炎
最近3日是否使用镇静剂:无
S2确认信号连接与信号质量;
电极:脑电帽
阻抗:4千欧左右,良好,绿灯常亮
采集部位:C3-P3/C4-P4
S3确定振幅整合脑电图的上下边界,进行背景模式分类,进行爆发抑制检测;背景活动颜色标识:绿色,连续正常电压;下边界>5微伏,上边界>10微伏;无爆发抑制。
S4识别睡眠觉醒周期
睡眠觉醒颜色标识:绿色,成熟的睡眠觉醒周期
每个周期持续时间约60分钟
S5识别脑电可疑区域
尖棘波自动颜色标识:没有出现红色线条,无可疑区域
S6评价振幅整合脑电的对称性;
左右半球电活动基本一致
S7描述振幅整合脑电图长期趋势
监测时间:120分钟。
图5为实施例2振幅整合脑电的长期趋势示意图。
如图5所示:
1)背景活动:出现连续正常电压,提示正常;
2)睡眠觉醒周期:成熟的睡眠觉醒周期;
3)惊厥发作:监测期间无异常放电;
4)对称性:对称。
意见:振幅整合脑电图未见异常。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (5)
1.一种新生儿脑功能标准化七步分析方法,其特征在于,基于可应用的新生儿脑电测量设备和测量设备内的分析系统,对新生儿脑功能数据进行标准化的分析,所述的分析方法包括以下步骤:
S1获取新生儿病史数据:
将新生儿的受孕龄、药物使用情况及可疑脑损伤病史数据输入到测量设备的测量系统中,形成新生儿病史数据;
S2确认信号连接与信号质量:
将测量设备与新生儿之间建立信号连接,并使用分析系统内的信号监测模块,实时监测信号质量,对数据采集过程中发生的事件进行标记;
S3确定振幅整合脑电图的上下边界,进行背景模式分类,以及进行爆发抑制检测:
采集视频脑电图,计算振幅整合脑电图,并确定振幅整合脑电图上下边界;进行背景模式分类,并对分类后的背景模式进行颜色标记,颜色通过显示终端进行显示;
脑电信号经过滤波、集成、平移后得到单通道信号,再对单通道信号的每一个采样点逐个进行检测,与分析系统中阈值进行比较,确定爆发抑制周期,根据爆发抑制周期确认是否为爆发抑制,并通过颜色进行标记,颜色通过显示终端进行显示;
S4睡眠觉醒周期检测:
采集脑电数据,基于脑电数据的下边界值进行分段,形成若干脑电图段落,确定脑电图段落内的有效波峰,并最终得到每一个脑电图段落内的有效周期总长度和周期幅度,对每一个脑电图段落内的有效周期总长度和周期幅度进行对比,对比结果进行颜色标记,颜色通过显示终端进行显示;
S5识别振幅整合脑电的可疑区域:
自动识别系统会对振幅整合脑电的可疑区域进行色彩标记,根据S1步骤中的病史数据采集、S2步骤中的信号质量监测及事件标记,以及S3步骤中的监护视频及脑电数据对振幅整合脑电的的可疑区域进行识别和判断;
S6评价振幅整合脑电的对称性:
根据S3步骤中的振幅整合脑电图数据对大脑左右半球不同导联的图形进行对称性评估,为单侧脑损伤提供数据;
S7描述振幅整合脑电的长期趋势:
利用颜色标记描述S3步骤的背景模式和爆发抑制、S4步骤的睡觉觉醒周期和S5步骤的可疑区域,输出振幅整合脑电图长期趋势。
2.根据权利要求1所述的一种新生儿脑功能标准化七步分析方法,其特征在于,S3步骤中所述的背景模式分类准则为:
(1)连续正常电压:下边界电压大于等于5微伏但小于10微伏,上边界电压大于等于10微伏;
(2)不连续正常电压:下边界电压小于5微伏,上边界电压大于等于10微伏;
(3)爆发抑制:下边界电压小于等于2微伏,上边界电压大于等于25微伏;
(4)连续低电压:下边界电压小于5微伏,上边界电压小于10微伏但大于5微伏;
(5)平坦波:上下边界电压都小于5微伏。
3.根据权利要求1或2所述的一种新生儿脑功能标准化七步分析方法,其特征在于,S3步骤中所述的确定振幅整合脑电图的上下边界,包括以下步骤:
a采集脑电图图像,基于该图像的下边界值进行分段;
b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;
c根据步骤b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;
d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,且进行窗口分割时:若最后的窗口小于则将其与之前的t2时长的窗口合并处理;若最后的窗口大于分钟但小于t2分钟,则作为独立窗口处理。
4.根据权利要求1所述的一种新生儿脑功能标准化七步分析方法,其特征在于,S3步骤中所述的进行爆发抑制检测,具体包括以下步骤:
1)采集N道脑电信号,将每道信号进行带通滤波;
2)将滤波后的所有各通道信号集成为一道复合信号,集成公式为其中,xci表示第i个通道的第c道脑电信号,c=1,2,…,N,yi表示第i个通道复合后的信号;
3)取时间为t0的窗口,对单通道复合信号做移动平均,得到平滑的单通道检测信号;
4)对单通道检测信号的每一个采样点逐个进行检测,逐一检测时:若超出给定阈值,则暂定为爆发开始,继续测试后续采样点,如果找到后续某一采样点的值低于给定阈值,则暂定为抑制开始;按照上述检测方法寻找下一个爆发开始的采样点,作为抑制结束点,相邻的爆发开始点至抑制结束点作为可能的爆发抑制周期;
给定阈值采用相对阈值,通过如下步骤进行计算:
4.1)对阈值进行初始化,相对阈值记为R,初始阈值记为T;
4.2)从单通道检测信号的第一个采样点开始,逐点比较检测信号的幅值与阈值T的大小,如果检测信号的幅值小于阈值T,则更新T为检测信号的幅值;如果检测信号的幅值大于T/R,则将当前采样点作为第一个可能的爆发起始,并更新阈值T为T/R;
4.3)从第一个可能的爆发开始,逐点检查检测信号的幅值并记录最大幅值,更新阈值T为最大幅值乘相对阈值R直到第一个可能的抑制开始;
4.4)每当确认检测到一个爆发抑制,更新阈值T为当前相邻两个爆发抑制中检测信号最大值的平均值乘以相对阈值R;
4.5)当找到一个爆发抑制的开始后,再检测可能的抑制结束时,如果满足以下条件:
4.51)当前抑制阶段的最小检测信号的幅值大于2微伏;
4.52)当前检测信号的幅值小于阈值T;
4.53)当前检测信号的幅值大于当前抑制阶段的最小检测信号的幅值除以相对阈值R;
在这种情况下,将当前检测信号的采样点作为抑制结束点,并更新阈值T为当前抑制阶段的最小检测信号的幅值除以相对阈值R;
5)对经过步骤4)得到的可能的爆发抑制周期进行检测并确认是否为爆发抑制:如果抑制时间小于t1,则将其归为爆发的一部分,如果爆发时间小于t2,则将其归为抑制的一部分;
确认为爆发抑制的条件为:
5.1)抑制时间大于t1;
5.2)爆发时间大于t2;
5.3)爆发抑制周期小于t3;
其中,t1、t2、t3依据经验值确定。
5.根据权利要求1所述的一种新生儿脑功能标准化七步分析方法,其特征在于,S4步骤中所述的睡眠觉醒周期检测,具体包括以下步骤:
(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811507655.2A CN109300544B (zh) | 2018-12-10 | 2018-12-10 | 一种新生儿脑功能标准化七步分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811507655.2A CN109300544B (zh) | 2018-12-10 | 2018-12-10 | 一种新生儿脑功能标准化七步分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109300544A true CN109300544A (zh) | 2019-02-01 |
CN109300544B CN109300544B (zh) | 2024-04-26 |
Family
ID=65141809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811507655.2A Active CN109300544B (zh) | 2018-12-10 | 2018-12-10 | 一种新生儿脑功能标准化七步分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109300544B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111317446A (zh) * | 2020-02-27 | 2020-06-23 | 中国人民解放军空军特色医学中心 | 基于人体肌肉表面电信号的睡眠结构自动分析方法 |
CN111513675A (zh) * | 2020-04-07 | 2020-08-11 | 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 |
CN111700610A (zh) * | 2020-06-04 | 2020-09-25 | 浙江普可医疗科技有限公司 | 一种脑电爆发抑制模式的分析方法、装置、系统及其存储介质 |
CN111938631A (zh) * | 2020-08-07 | 2020-11-17 | 南京伟思医疗科技股份有限公司 | 一种基于新生儿脑电信号的惊厥检测方法 |
CN112545535A (zh) * | 2020-12-07 | 2021-03-26 | 杭州沃维医疗科技有限公司 | 一种基于振幅整合脑电图的睡眠觉醒周期的分析方法 |
CN112971778A (zh) * | 2021-02-09 | 2021-06-18 | 北京师范大学 | 脑功能成像信号获得方法、装置及电子设备 |
CN113208615A (zh) * | 2021-06-07 | 2021-08-06 | 山东大学 | 一种用于心肺复苏仪的连续脑电监测及反馈系统与方法 |
CN113436728A (zh) * | 2021-07-05 | 2021-09-24 | 复旦大学附属儿科医院 | 新生儿临床视频脑电图自动分析的方法及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040077967A1 (en) * | 2001-02-13 | 2004-04-22 | Jordan Kenneth George | Automated realtime interpretation of brain waves |
CN105046111A (zh) * | 2015-09-10 | 2015-11-11 | 济南市儿童医院 | 一种振幅整合脑电图结果自动识别系统及方法 |
CH709839A2 (de) * | 2014-07-02 | 2016-01-15 | Andreas Von Allmen | Verfahren zur automatischen Detektion von epileptischen und atypischen epilepsieähnlichen Ausbrüchen im EEG und zur Auslösung eines Triggers in Echtzeit. |
CN105916441A (zh) * | 2013-11-20 | 2016-08-31 | 昆士兰医学研究所理事会 | 爆发分析 |
WO2016200228A1 (ko) * | 2015-06-12 | 2016-12-15 | 주식회사 메디아나 | 자동 심폐소생술장치 |
WO2017096358A1 (en) * | 2015-12-04 | 2017-06-08 | University Of Iowa Research Foundation | Apparatus, systems and methods for predicting, screening and monitoring of encephalopathy / delirium |
KR101754696B1 (ko) * | 2016-04-12 | 2017-07-06 | 대전대학교 산학협력단 | 뇌기능 평가 장치 및 그 제어 방법 |
CN107530023A (zh) * | 2015-03-31 | 2018-01-02 | 塞勒尼恩有限公司 | 用于脑电图检查的装置和方法 |
CN108703753A (zh) * | 2018-05-08 | 2018-10-26 | 南京伟思医疗科技股份有限公司 | 一种基于动态脑电图的新生儿睡眠觉醒周期检测方法 |
CN108830865A (zh) * | 2018-05-08 | 2018-11-16 | 南京伟思医疗科技股份有限公司 | 一种用于动态脑电图像的稳定上下边界的确定方法 |
-
2018
- 2018-12-10 CN CN201811507655.2A patent/CN109300544B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040077967A1 (en) * | 2001-02-13 | 2004-04-22 | Jordan Kenneth George | Automated realtime interpretation of brain waves |
CN105916441A (zh) * | 2013-11-20 | 2016-08-31 | 昆士兰医学研究所理事会 | 爆发分析 |
CH709839A2 (de) * | 2014-07-02 | 2016-01-15 | Andreas Von Allmen | Verfahren zur automatischen Detektion von epileptischen und atypischen epilepsieähnlichen Ausbrüchen im EEG und zur Auslösung eines Triggers in Echtzeit. |
CN107530023A (zh) * | 2015-03-31 | 2018-01-02 | 塞勒尼恩有限公司 | 用于脑电图检查的装置和方法 |
WO2016200228A1 (ko) * | 2015-06-12 | 2016-12-15 | 주식회사 메디아나 | 자동 심폐소생술장치 |
CN105046111A (zh) * | 2015-09-10 | 2015-11-11 | 济南市儿童医院 | 一种振幅整合脑电图结果自动识别系统及方法 |
WO2017096358A1 (en) * | 2015-12-04 | 2017-06-08 | University Of Iowa Research Foundation | Apparatus, systems and methods for predicting, screening and monitoring of encephalopathy / delirium |
KR101754696B1 (ko) * | 2016-04-12 | 2017-07-06 | 대전대학교 산학협력단 | 뇌기능 평가 장치 및 그 제어 방법 |
CN108703753A (zh) * | 2018-05-08 | 2018-10-26 | 南京伟思医疗科技股份有限公司 | 一种基于动态脑电图的新生儿睡眠觉醒周期检测方法 |
CN108830865A (zh) * | 2018-05-08 | 2018-11-16 | 南京伟思医疗科技股份有限公司 | 一种用于动态脑电图像的稳定上下边界的确定方法 |
Non-Patent Citations (2)
Title |
---|
傅勇;王克煊;: "振幅整合脑电图与新生儿脑功能监测", 中国儿童保健杂志, no. 08, 20 June 2016 (2016-06-20), pages 835 - 837 * |
陈妍;王治平;: "新生儿脑电图背景活动在判断神经发育预后中的作用", 国际儿科学杂志, no. 01, 26 January 2006 (2006-01-26), pages 61 - 64 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111317446A (zh) * | 2020-02-27 | 2020-06-23 | 中国人民解放军空军特色医学中心 | 基于人体肌肉表面电信号的睡眠结构自动分析方法 |
CN111513675A (zh) * | 2020-04-07 | 2020-08-11 | 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 |
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 |
CN111700610A (zh) * | 2020-06-04 | 2020-09-25 | 浙江普可医疗科技有限公司 | 一种脑电爆发抑制模式的分析方法、装置、系统及其存储介质 |
CN111700610B (zh) * | 2020-06-04 | 2023-04-07 | 浙江普可医疗科技有限公司 | 一种脑电爆发抑制模式的分析方法、装置、系统及其存储介质 |
CN111938631B (zh) * | 2020-08-07 | 2023-01-31 | 南京伟思医疗科技股份有限公司 | 一种基于新生儿脑电信号的惊厥检测方法 |
CN111938631A (zh) * | 2020-08-07 | 2020-11-17 | 南京伟思医疗科技股份有限公司 | 一种基于新生儿脑电信号的惊厥检测方法 |
CN112545535A (zh) * | 2020-12-07 | 2021-03-26 | 杭州沃维医疗科技有限公司 | 一种基于振幅整合脑电图的睡眠觉醒周期的分析方法 |
CN112971778A (zh) * | 2021-02-09 | 2021-06-18 | 北京师范大学 | 脑功能成像信号获得方法、装置及电子设备 |
CN113208615A (zh) * | 2021-06-07 | 2021-08-06 | 山东大学 | 一种用于心肺复苏仪的连续脑电监测及反馈系统与方法 |
CN113208615B (zh) * | 2021-06-07 | 2023-02-28 | 山东大学 | 一种用于心肺复苏仪的连续脑电监测及反馈系统与方法 |
CN113436728A (zh) * | 2021-07-05 | 2021-09-24 | 复旦大学附属儿科医院 | 新生儿临床视频脑电图自动分析的方法及设备 |
CN113436728B (zh) * | 2021-07-05 | 2022-10-28 | 复旦大学附属儿科医院 | 新生儿临床视频脑电图自动分析的方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109300544B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300544A (zh) | 一种新生儿脑功能标准化七步分析方法 | |
US8064991B2 (en) | Method of fetal and maternal ECG identification across multiple EPOCHS | |
Mietus et al. | Detection of obstructive sleep apnea from cardiac interbeat interval time series | |
US8700141B2 (en) | Method and apparatus for automatic evoked potentials assessment | |
US9173610B2 (en) | EEG seizure analysis | |
CN105916441B (zh) | 爆发分析 | |
US11684303B2 (en) | Method for identification of pathological brain activity from scalp electroencephalogram | |
Yan et al. | Significant low-dimensional spectral-temporal features for seizure detection | |
CN106295225B (zh) | 基于互信息网络的睡眠呼吸暂停综合征的检测系统 | |
Jiang et al. | A multi-scale parallel convolutional neural network for automatic sleep apnea detection using single-channel EEG signals | |
CN114596279B (zh) | 一种基于计算机视觉的非接触式呼吸检测方法 | |
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 | |
Zhang et al. | Automatic sleep onset detection using single EEG sensor | |
CN106175698B (zh) | 睡眠状态分析中睡眠周期检测装置 | |
US20190029550A1 (en) | Method for detecting elements of interest in electrophysiological signals and detector | |
CN106333674B (zh) | 睡眠状态分析中睡眠周期检测方法和系统 | |
Khan et al. | Automatic detection of non-convulsive seizures using AR modeling | |
CN106377250B (zh) | 睡眠状态下的脑电信号数据类型的标注设备 | |
Gagliano et al. | Unsupervised clustering of HRV features reveals preictal changes in human epilepsy | |
Al-Bakri et al. | Effect of Vigilance Changes on the Incidence of High Frequency Oscillations in the Epileptic Brain | |
US20200155057A1 (en) | Automatic detection of aspiration-penetration using swallowing accelerometry signals | |
Conradsen et al. | Seizure onset detection based on one sEMG channel | |
CN112022151A (zh) | 一种脑电棘慢波的处理及识别方法 | |
Nagasubramanian et al. | On-line neonatal seizure detection based on multi-scale analysis of EEG using wavelets as a tool | |
Zeljković et al. | Pre-Ictal phase detection algorithm based on one dimensional EEG signals and two dimensional formed images analysis |
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 |