CN109770897A - 一种脑电棘波的处理识别方法及装置 - Google Patents
一种脑电棘波的处理识别方法及装置 Download PDFInfo
- Publication number
- CN109770897A CN109770897A CN201910180848.XA CN201910180848A CN109770897A CN 109770897 A CN109770897 A CN 109770897A CN 201910180848 A CN201910180848 A CN 201910180848A CN 109770897 A CN109770897 A CN 109770897A
- Authority
- CN
- China
- Prior art keywords
- spike
- doubtful
- identification
- moment point
- module
- 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.)
- Pending
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种脑电棘波的处理识别方法及装置，所述方法包括如下步骤：S1.对所需处理识别的脑电数据进行滤波处理，得到所需频率带；S2.采用斜率法识别疑似棘波；S3.去除相邻疑似棘波；S4.去除小于阈值的疑似棘波。所述装置包括：脑电数据导入模块；数字滤波器；疑似棘波识别模块；相邻疑似棘波去除模块；小于阈值棘波去除模块；棘波输出模块。本发明所述脑电棘波的处理识别方法及装置具有抗干扰能力强，识别效率高，识别结果准确，识别结果对人员的依赖弱等优点。
Description
技术领域
本发明属于脑电识别技术领域，具体涉及一种脑电棘波的处理识别方法及装置。
背景技术
癫痫是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病，癫痫发作的典型特征是神经元群体产生异常同步的动作电位。
棘波是癫痫样放电的主要特征波形，持续时间20-70ms，主要成分为负相，具有陡峭的波形，波幅多变，典型棘波上升支陡峭，下降支稍缓坡度。棘波多为病理性波。
棘波的识别可以帮助医务人员对癫痫做出辅助诊断，并进一步分型和制定相应的治疗方案，在临床实践中对棘波的识别主要依靠人工进行，其效率较低，难以大规模分析，同时，由于人的主观因数影响，不同人员对同一数据的判断也可能存在差异，致使棘波的识别结果严重依赖于识别人员的经验。
目前，棘波的识别方法主要是阈值法，其主要记录幅值大的负相尖波，可以和其他幅值小的信号分开，但阈值法抗干扰性较弱，容易产生误差，致使棘波的识别结果准确度差。
发明内容
本发明的一个目的在于提供一种脑电棘波的处理识别方法，所述方法具有抗干扰能力强，处理识别效率高，识别结果准确，识别结果对人员的依赖弱等优点。
为了实现上述目的，本发明的技术方案如下：
一种脑电棘波的处理识别方法，包括如下步骤：
S1.对所需处理识别的脑电数据进行滤波处理，得到所需频率带；
S2.采用斜率法识别疑似棘波；
S3.去除相邻疑似棘波；
S4.去除小于阈值的疑似棘波。
进一步的，S1中采用理想带通数字滤波器对脑电数据进行滤波处理。
进一步的，S2中疑似棘波的识别包括正向棘波识别和负向棘波识别；所述负向棘波的识别公式为：
X(i)-X(i-N)＞k(t)&&X(i+N)-X(i)＜k(t)；
所述正向棘波的识别公式为：
X(i)-X(i-N)＜k(t)&&X(i+N)-X(i)＞k(t)；
其中，k(t)＝ki*(ti-t(i-N))；X(i)表示第i时刻点的幅值；ki表示第i时刻点与i-N时刻点之间的斜率；ti-t(i-N)表示第i时刻点与i-N时刻点之间的间隔时间；k(t)表示第i时刻点与i-N时刻点之间的斜率与两点间隔时间的乘积；‘＆＆’表示第i时刻点需要同时满足前后两个公式。
进一步的，S3中去除相邻疑似棘波的方法为：
当L(i)-L(i-1)＜T时，去除幅值小的疑似棘波；
其中，L(i)-L(i-1)表示相邻疑似棘波点的时间间隔；T表示棘波持续时间的阈值。
本发明的再一个目的在于提供一种脑电棘波的处理识别装置，所述装置具有抗干扰能力强，识别效率高，识别结果准确，识别结果对识别人员的依赖弱等优点。
为了实现上述目的，本发明的技术方案为：
一种脑电棘波识别的装置，包括：脑电数据导入模块；数字滤波器；疑似棘波识别模块；相邻疑似棘波去除模块；小于阈值棘波去除模块；棘波输出模块；所述脑电数据导入模块用于导入所需识别的脑电数据；所述数字滤波器用于对所需识别的脑电数据进行滤波处理，得到所需频率带；所述疑似棘波识别模块用于识别出疑似棘波；所述相邻疑似棘波去除模块用于去除相邻的疑似棘波；所述小于阈值棘波去除模块用于去除小于阈值的疑似棘波；所述棘波输出模块用于输出棘波结果。
进一步的，所述数字滤波器为理想带通数字滤波器。
进一步的，所述疑似棘波识别模块采用斜率法进行疑似棘波识别，所述疑似棘波识别包括正向棘波识别和负向棘波识别；所述负向棘波的识别公式为：
X(i)-X(i-N)＞k(t)&&X(i+N)-X(i)＜k(t)；
所述正向棘波的识别公式为：
X(i)-X(i-N)＜k(t)&&X(i+N)-X(i)＞k(t)；
其中，k(t)＝ki*(ti-t(i-N))；X(i)表示第i时刻点的幅值；ki表示第i时刻点与i-N时刻点之间的斜率；ti-t(i-N)表示第i时刻点与i-N时刻点之间的间隔时间；k(t)表示第i时刻点与i-N时刻点之间的斜率与两点间隔时间的乘积；‘&&’表示第i时刻点需要同时满足前后两个公式。
进一步的，所述相邻疑似棘波去除模块去除相邻疑似棘波的方法为：当L(i)-L(i-1)＜T时，去除幅值小的疑似棘波；
其中，L(i)-L(i-1)表示相邻疑似棘波点的时间间隔；T表示棘波持续时间的阈值。
与现有技术相比，本发明的有益效果为：本发明所述的脑电棘波的处理识别方法及装置具有抗干扰能力强，识别效率高，识别结果准确，识别结果对人员的依赖弱等优点。
附图说明
图1为本发明的结构框图；
图2为本发明输出的棘波时刻点图。
具体实施方式
下面将结合具体实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明的保护范围。
实施例1
一种脑电棘波的处理识别方法，包括如下步骤：
S1.采用理想带通数字滤波器对所需处理识别的脑电数据进行滤波处理，得到所需频率带；
S2.采用斜率法识别疑似棘波，其中，疑似棘波的识别包括正向棘波识别和负向棘波识别；所述负向棘波的识别公式为：
X(i)-X(i-N)＞k(t)&&X(i+N)-X(i)＜k(t)；
所述正向棘波的识别公式为：
X(i)-X(i-N)＜k(t)&&X(i+N)-X(i)＞k(t)；
其中，k(t)＝ki*(ti-t(i-N))；X(i)表示第i时刻点的幅值；ki表示第i时刻点与i-N时刻点之间的斜率；ti-t(i-N)表示第i时刻点与i-N时刻点之间的间隔时间；k(t)表示第i时刻点与i-N时刻点之间的斜率与两点间隔时间的乘积；‘&&’表示第i时刻点需要同时满足前后两个公式；
S3.去除相邻疑似棘波，当L(i)-L(i-1)＜T时，去除幅值小的疑似棘波；
其中，L(i)-L(i-1)表示相邻疑似棘波点的时间间隔；T表示棘波持续时间的阈值；
S4.去除小于阈值的疑似棘波。
实施例2
如图1所示，一种脑电棘波的处理识别装置，包括：脑电数据导入模块；数字滤波器；疑似棘波识别模块；相邻疑似棘波去除模块；小于阈值棘波去除模块；棘波输出模块；所述脑电数据导入模块用于导入所需处理识别的脑电数据；所述数字滤波器用于对所需识别的脑电数据进行滤波处理，得到所需频率带；所述疑似棘波识别模块用于识别出疑似棘波；所述相邻疑似棘波去除模块用于去除相邻的疑似棘波；所述小于阈值棘波去除模块用于去除小于阈值的疑似棘波；所述棘波输出模块用于输出棘波结果。所述脑电棘波处理识别装置输出的脑电棘波结果如图2所示。
所述数字滤波器为理想带通数字滤波器。
所述疑似棘波识别模块采用斜率法进行疑似棘波识别，所述疑似棘波识别包括正向棘波识别和负向棘波识别；所述负向棘波的识别公式为：
X(i)-X(i-N)＞k(t)&&X(i+N)-X(i)＜k(t）；
所述正向棘波的识别公式为：
X(i)-X(i-N)＜k(t)&&X(i+N)-X(i)＞k(t)；
其中，k(t)＝ki*(ti-t(i-N))；X(i)表示第i时刻点的幅值；ki表示第i时刻点与i-N时刻点之间的斜率；ti-t(i-N)表示第i时刻点与i-N时刻点之间的间隔时间；k(t)表示第i时刻点与i-N时刻点之间的斜率与两点间隔时间的乘积；&&表示第i时刻点需要同时满足前后两个公式。
所述相邻疑似棘波去除模块去除相邻疑似棘波的方法为：
当L(i)-L(i-1)＜T时，去除幅值小的疑似棘波；
其中，L(i)-L(i-1)表示相邻疑似棘波点的时间间隔；T表示棘波持续时间的阈值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所有的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种脑电棘波的处理识别方法，包括如下步骤：
S1.对所需处理识别的脑电数据进行滤波处理，得到所需频率带；
S2.采用斜率法识别疑似棘波；
S3.去除相邻疑似棘波；
S4.去除小于阈值的疑似棘波。
2.如权利要求1所述的脑电棘波的处理识别方法，其特征在于，S1中采用理想带通数字滤波器对脑电数据进行滤波处理。
3.如权利要求2所述的脑电棘波的处理识别方法，其特征在于，S2中疑似棘波的识别包括正向棘波识别和负向棘波识别；所述负向棘波的识别公式为：
X(i)-X(i-N)＞k(t)&&X(i+N)-X(i)＜k(t)；
所述正向棘波的识别公式为：
X(i)-X(i-N)＜k(t)&&X(i+N)-X(i)＞k(t)；
其中，k(t)＝ki*(ti-t(i-N))；X(i)表示第i时刻点的幅值；ki表示第i时刻点与i-N时刻点之间的斜率；ti-t(i-N)表示第i时刻点与i-N时刻点之间的间隔时间；k(t)表示第i时刻点与i-N时刻点之间的斜率与两点间隔时间的乘积；‘＆＆’表示第i时刻点需要同时满足前后两个公式。
4.如权利要求3所述的脑电棘波的处理识别方法，其特征在于，S3中去除相邻疑似棘波的方法为：
当L(i)-L(i-1)＜T时，去除幅值小的疑似棘波；
其中，L(i)-L(i-1)表示相邻疑似棘波点的时间间隔；T表示棘波持续时间的阈值。
5.一种脑电棘波的处理识别装置，其特征在于，包括：脑电数据导入模块；数字滤波器；疑似棘波识别模块；相邻疑似棘波去除模块；小于阈值棘波去除模块；棘波输出模块；所述脑电数据导入模块用于导入所需处理识别的脑电数据；所述数字滤波器用于对所需处理识别的脑电数据进行滤波处理，得到所需频率带；所述疑似棘波识别模块用于识别出疑似棘波；所述相邻疑似棘波去除模块用于去除相邻的疑似棘波；所述小于阈值棘波去除模块用于去除小于阈值的疑似棘波；所述棘波输出模块用于输出棘波结果。
6.如权利要求5所述的脑电棘波的处理识别装置，其特征在于，所述数字滤波器为理想带通数字滤波器。
7.如权利要求6所述的脑电棘波的处理识别装置，其特征在于，所述疑似棘波识别模块采用斜率法进行疑似棘波识别，所述疑似棘波识别包括正向棘波识别和负向棘波识别；所述负向棘波的识别公式为：
X(i)-X(i-N)＞k(t)&&X(i+N)-X(i)＜k(t)；
所述正向棘波的识别公式为：
X(i)-X(i-N)＜k(t)&&X(i+N)-X(i)＞k(t)；
其中，k(t)＝ki*(ti-t(i-N))；X(i)表示第i时刻点的幅值；ki表示第i时刻点与i-N时刻点之间的斜率；ti-t(i-N)表示第i时刻点与i-N时刻点之间的间隔时间；k(t)表示第i时刻点与i-N时刻点之间的斜率与两点间隔时间的乘积；‘&&’表示第i时刻点需要同时满足前后两个公式。
8.如权利要求7所述的脑电棘波的处理识别装置，其特征在于，所述相邻疑似棘波去除模块去除相邻疑似棘波的方法为：
当L(i)-L(i-1)＜T时，去除幅值小的疑似棘波；
其中，L(i)-L(i-1)表示相邻疑似棘波点的时间间隔；T表示棘波持续时间的阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910180848.XA CN109770897A (zh) | 2019-03-11 | 2019-03-11 | 一种脑电棘波的处理识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910180848.XA CN109770897A (zh) | 2019-03-11 | 2019-03-11 | 一种脑电棘波的处理识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109770897A true CN109770897A (zh) | 2019-05-21 |
Family
ID=66488886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910180848.XA Pending CN109770897A (zh) | 2019-03-11 | 2019-03-11 | 一种脑电棘波的处理识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109770897A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110477908A (zh) * | 2019-07-16 | 2019-11-22 | 华南师范大学 | 一种智能识别癫痫灶的方法 |
| CN112022151A (zh) * | 2020-07-31 | 2020-12-04 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
| CN114081494A (zh) * | 2022-01-21 | 2022-02-25 | 浙江大学 | 一种基于大脑外侧缰核信号的抑郁状态检测系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393874A (zh) * | 2011-07-01 | 2012-03-28 | 山东大学 | 基于脑电棘波频次的预警方法和装置 |
| CN103083011A (zh) * | 2013-01-22 | 2013-05-08 | 西安交通大学 | 利用胸阻抗二阶差分图辅助实时定位心电r波峰的方法 |
| CN104068851A (zh) * | 2014-06-13 | 2014-10-01 | 广州中国科学院先进技术研究所 | 基于fpga的脑电信号采集系统和方法 |
| CN107041743A (zh) * | 2017-04-05 | 2017-08-15 | 南京大学 | 一种心电信号实时r波检测方法 |
| US9743886B2 (en) * | 2012-11-27 | 2017-08-29 | Neuropace, Inc. | Methods and systems for automatically identifying detection parameters for an implantable medical device |
| CN108577834A (zh) * | 2018-05-17 | 2018-09-28 | 西安交通大学 | 一种用于癫痫间期棘波自动检测的方法 |
| CN109700450A (zh) * | 2018-12-28 | 2019-05-03 | 联想(北京)有限公司 | 一种心率检测方法及电子设备 |
-
2019
- 2019-03-11 CN CN201910180848.XA patent/CN109770897A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393874A (zh) * | 2011-07-01 | 2012-03-28 | 山东大学 | 基于脑电棘波频次的预警方法和装置 |
| US9743886B2 (en) * | 2012-11-27 | 2017-08-29 | Neuropace, Inc. | Methods and systems for automatically identifying detection parameters for an implantable medical device |
| CN103083011A (zh) * | 2013-01-22 | 2013-05-08 | 西安交通大学 | 利用胸阻抗二阶差分图辅助实时定位心电r波峰的方法 |
| CN104068851A (zh) * | 2014-06-13 | 2014-10-01 | 广州中国科学院先进技术研究所 | 基于fpga的脑电信号采集系统和方法 |
| CN107041743A (zh) * | 2017-04-05 | 2017-08-15 | 南京大学 | 一种心电信号实时r波检测方法 |
| CN108577834A (zh) * | 2018-05-17 | 2018-09-28 | 西安交通大学 | 一种用于癫痫间期棘波自动检测的方法 |
| CN109700450A (zh) * | 2018-12-28 | 2019-05-03 | 联想(北京)有限公司 | 一种心率检测方法及电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| 刘晓欲 等: "《癫痫脑电图自动检测技术的发展》", 《国外医学生物医学工程分册》 * |
| 朱玉明等: "《高等数学》", 30 April 2018, 武汉：华中师范大学出版社 * |
| 许紹芬等: "《神经生物学（第二版）》", 31 July 2006, 上海：复旦大学出版社 * |
| 黄伟民等: "《技术物理基础》", 30 September 2002, 北京：高等教育出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110477908A (zh) * | 2019-07-16 | 2019-11-22 | 华南师范大学 | 一种智能识别癫痫灶的方法 |
| CN112022151A (zh) * | 2020-07-31 | 2020-12-04 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
| CN112022151B (zh) * | 2020-07-31 | 2023-11-14 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
| CN114081494A (zh) * | 2022-01-21 | 2022-02-25 | 浙江大学 | 一种基于大脑外侧缰核信号的抑郁状态检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109770897A (zh) | 一种脑电棘波的处理识别方法及装置 | |
| CN105496363B (zh) | 基于检测睡眠脑电信号对睡眠阶段进行分类的方法 | |
| Nallathambi et al. | Integrate and fire pulse train automaton for QRS detection | |
| CN106512206A (zh) | 植入式闭环脑深部刺激系统 | |
| CN102715911A (zh) | 基于脑电特征的情绪状态识别方法 | |
| CN103845052B (zh) | 基于采集脑电信号的人体昏厥预警装置 | |
| CN108420429A (zh) | 一种基于多视角深度特征融合的脑电癫痫自动识别方法 | |
| CN113616161B (zh) | 一种癫痫发作预测系统及方法 | |
| CN106264505A (zh) | 一种基于支持向量机的心率谱峰选择方法 | |
| CN110477908A (zh) | 一种智能识别癫痫灶的方法 | |
| CN106874872A (zh) | 工频噪声滤除装置与方法 | |
| CN109009087B (zh) | 一种心电信号r波的快速检测方法 | |
| CN106295225B (zh) | 基于互信息网络的睡眠呼吸暂停综合征的检测系统 | |
| CN106175754A (zh) | 睡眠状态分析中清醒状态检测装置 | |
| CN107361764A (zh) | 一种心电信号特征波形r波的快速提取方法 | |
| CN107374619A (zh) | 一种r波快速识别方法 | |
| CN104382589B (zh) | 基于部分按段重采样的胎儿心电图分离提取方法 | |
| Sharma | Epileptic seizure prediction using power analysis in beta band of EEG signals | |
| CN106333676B (zh) | 清醒状态下的脑电信号数据类型的标注装置 | |
| CN107616794B (zh) | 一种意识障碍大脑皮层状态检测系统和方法 | |
| CN113925482B (zh) | 心率计算方法、可穿戴电子设备和存储介质 | |
| CN106264519A (zh) | 一种基于Stockwell变换的癫痫脑电检测装置 | |
| CN106377250B (zh) | 睡眠状态下的脑电信号数据类型的标注设备 | |
| CN105193409A (zh) | 一种脑电抑制水平评估方法及系统 | |
| Nelson et al. | Detection of high frequency oscillations with Teager energy in an animal model of limbic epilepsy |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |