CN110338787A - 一种对静态脑电信号的分析方法 - Google Patents

一种对静态脑电信号的分析方法 Download PDF

Info

Publication number
CN110338787A
CN110338787A CN201910634840.6A CN201910634840A CN110338787A CN 110338787 A CN110338787 A CN 110338787A CN 201910634840 A CN201910634840 A CN 201910634840A CN 110338787 A CN110338787 A CN 110338787A
Authority
CN
China
Prior art keywords
eeg signals
complexity
static
subject
follows
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
Application number
CN201910634840.6A
Other languages
English (en)
Inventor
梁振虎
吴昀哲
程振仕
吕喆
张重阳
李楠
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN201910634840.6A priority Critical patent/CN110338787A/zh
Publication of CN110338787A publication Critical patent/CN110338787A/zh
Pending legal-status Critical Current

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
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种对静态脑电信号的分析方法，本发明通过采集受试者静态的脑电信号对其进行有效分析，获得准确的脑电信号的复杂度，可利用复杂度值进一步衡量脑功能数据；对于准确获得脑电信号的复杂度值，在本发明中通过将静态脑电信号进行降采样、带通滤波处理后，再次进行多变量模态分解，并去除最高层分量和最低层分量，有效计算出组合后的时间序列的复杂度，最后对18段的复杂度进行平均，并获取不同通道脑区空间的复杂度值。利用其可以实现对脑功能进行有效评价；在本发明中对脑卒中受试者的药物溶栓前后的静态脑电信号进行采集，有效获得其复杂度值，利用其复杂度值的变化进一步评估药物对受试者的溶栓效果。

Description

一种对静态脑电信号的分析方法
技术领域
本发明脑电信号分析领域，尤其涉及一种对静态脑电信号的分析方法。
背景技术
目前，评估脑功能的评估是研究大脑的重要途经。脑电图作为神经活动的直接反映，在临床、心理学等中有很多的应用。相对于其他的脑功能成像方法，如核磁，PET等，脑电具有高的时间分辨率。通过脑电来判断脑功能变化具有重要的临床和实际应用价值。
脑功能的评估方法很多，有从时域、频域、时频域等角度分析的。针对具体的应用，也有一些具体的方法。如文献《Quantitative EEG indices of sub-acute ischaemicstroke correlate with clinical outcomes》提出采用Delta/alpha的能量，以及相对的alpha能量作为评估脑梗病人预后情况；文献《Early electroencephalography in acuteischemic stroke:prediction of a malignant course？》采用枕叶alpha,或者相对beta能量评估临床症状；文献《定量脑电图对急性脑梗死患者溶栓效果及预后的评估作用》采用了delta波，theta波、alpha波、beta波的绝对功率谱，以及功率比指数(DTABR)＝(δ+θ)/(α+β)表示各脑区的功率值。目前很多的文献仍基于频谱分析脑功能的变化。然而，大脑是一个复杂系统，以FFT为基础的频谱分析无法深入的理解脑功能的变化过程。
发明内容
本发明目的在于提供一种对静态脑电信号的分析方法，其是通过多通道采集静态脑电信号，并对其进行预处理后准确获取脑电信号的复杂度值，基于复杂度值实现对脑功能进行有效评估的方法。
为实现上述目的，采用了以下技术方案：本发明所述方法包括以下步骤：
步骤S1，脑电信号的采集，通过受试者佩戴20通道的电极帽，采集受试者在静态下的脑电信号，有效数据的记录长度为3min，将采集的脑电信号进行降采样处理，将数据降采样到100Hz，所述受试者为仰卧态静躺状态；
步骤S2，进行预处理操作，采用7阶巴特沃斯带通滤波器对降采样后的脑电信号进行带通滤波处理，所述带通滤波范围为0.1-45Hz；
步骤S3，将一个通道3min的数据分解成18份，以10s为一个数据段，对通道的数据进行多变量经验模态分解，分解层数控制在8层；
步骤S4，去除最高层分量和最低层分量，保留其中的2到7层分量进行组合，获得组合后的时间序列；
步骤S5，计算组合后的时间序列的复杂度；
步骤S6，对18段的复杂度进行平均；
步骤S7，获得不同通道脑区空间的复杂度值，本发明采用二维灰度图像颜色表示复杂度的变化。
进一步的，所述步骤S4中去除的最高层分量中包含肌电分量，所述最低层分量中包含运动伪迹。
进一步的，所述步骤S5对组合后的时间序列的复杂度计算包括以下步骤：
步骤S5-1，将10s的脑电信号看成一个时间序列，公式为：
x(i)(1≤i≤N)；
N＝1000,在采样率为100Hz的条件下；
步骤S5-2，将时间序列重构到m维的空间，公式为：
Xm(i)＝{x(i),x(i+1),···,x(i+m-1)}i＝1,2,···,N-m；
其中，m为维度；
步骤S5-3，以Xm(i)为模板，统计与之相符合的模板的数量，计算匹配概率，公式为：
步骤S5-4，计算维数为和维数为的匹配模板均值，公式为：
和
Θ(*)为Heaviside函数，为空间的距离，r为阈值参数；
步骤S5-5，计算复杂度值，公式为：
本发明的有益效果是：本发明通过采集受试者静态的脑电信号对其进行有效分析，获得准确的脑电信号的复杂度，可利用复杂度值进一步衡量脑功能数据；对于准确获得脑电信号的复杂度值，在本发明中通过将静态脑电信号进行降采样、带通滤波处理后，再次进行多变量模态分解，并去除最高层分量和最低层分量，有效计算出组合后的时间序列的复杂度，最后对18段的复杂度进行平均，并获取不同通道脑区空间的复杂度值。利用其可以实现对脑功能进行有效评价；在本发明中对脑卒中受试者的药物溶栓前后的静态脑电信号进行采集，有效获得其复杂度值，利用其复杂度值的变化进一步评估药物对受试者的溶栓效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明对静态脑电信号的分析方法的流程图；
图2为脑卒中受试者在服用溶栓药物前后采集的静态脑电频谱图；
图3为脑卒中受试者在服用药物溶栓前后的复杂度值的空间分布图；
图4为脑卒中受试者在服用药物溶栓前后的大脑16个脑电通道中的闹功能变化曲线；
图5为脑卒中受试者在服用药物溶栓前后的脑功能状态统计图。
具体实施方式
本发明所述方法是一种对静态脑电信号的分析方法，通过采集静态脑电信号，并有效分析其脑电信号的复杂度，通过利用复杂度可有效评价大脑功能的变化。下面结合具体附图对本发明作进一步说明。
一种对静态脑电信号的分析方法，如图1所示，其包括以下步骤：
步骤S1，采集脑卒中受试者在服用溶栓药物前的静态脑电信号，脑卒中受试者仰卧态静躺，且处于闭眼状态，无头动、干呕等反应，然后佩戴20通道的电极帽，打入电极膏，保证脑电阻抗小于5k欧姆进行采集脑电信号，有效数据的记录长度为3min，将采集的脑电信号进行降采样处理，将数据降采样到100Hz；
步骤S2，进行预处理操作，采用7阶巴特沃斯带通滤波器对降采样后的脑电信号进行带通滤波处理，所述带通滤波范围为0.1-45Hz；
步骤S3，将一个通道3min的数据分解成18段，以10s为一个数据段，对数据进行多变量模态分解，分解层数控制在8层；
步骤S4，去除最高层分量(含肌电分量)和最低层分量(含运动伪迹)，保留其中的2到7层分量进行组合，获得组合后的时间序列；
步骤S5，计算组合后的时间序列的复杂度，具体计算包括以下步骤：
步骤S5-1，将10s的脑电信号看成一个时间序列，公式为：
x(i)(1≤i≤N)
N＝1000,在采样率为100Hz的条件下；
步骤S5-2，将时间序列重构到m维的空间，公式为：
Xm(i)＝{x(i),x(i+1),···,x(i+m-1)}i＝1,2,···,N-m
其中，m为维度；
步骤S5-3，以Xm(i)为模板，统计与之相符合的模板的数量，计算匹配概率，公式为：
步骤S5-4，计算维数为和维数为的匹配模板均值，公式为：
和
Θ(*)为Heaviside函数，为空间的距离，r为阈值参数；
步骤S5-5，计算复杂度值，公式为：
步骤S6，对18段的复杂度进行平均；
步骤S7，获得不同通道脑区空间的复杂度值。
同时，本发明还将脑卒中受试者服用阿替普酶溶栓药物6小时后，进行相同静态脑电信号采集，并对采集的脑电信号进行上述处理。
从图2中可以看到脑卒中受试者在服用溶栓药物前后，在不同脑功能下EEG出现了明显的差异，其中服用药物后的Alpha波明显增强。
进一步，如图3所示，脑卒中受试者在服用溶栓药物前后的脑电信号经过多变量经验模态分解之后，所提取频段的复杂度分布也发生较为明显的变化。
从图4中针对具体的通道复杂度均值处理后，脑状态相关的特征性通道上的复杂度值变化明显。
图5所示的盒型图，统计了脑状态相关的特异性通道以及非特异性通道的复杂度的指标变化。可以看出，受试者服用溶栓药物后的特异性通道的复杂度值有显著升高(p<0.01)。
本发明所述的复杂度值代表了神经活动的情况，可以有效的揭示大脑的脑功能变化，为脑功能的研究提供手段。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种对静态脑电信号的分析方法，其特征在于，所述方法包括以下步骤：
步骤S1，脑电信号的采集，通过受试者佩戴20通道的电极帽，采集受试者在静态下的脑电信号，有效数据的记录长度为3min，将采集的脑电信号进行降采样处理，将数据降采样到100Hz，所述受试者为仰卧态静躺状态；
步骤S2，进行预处理操作，采用7阶巴特沃斯带通滤波器对降采样后的脑电信号进行带通滤波处理，所述带通滤波范围为0.1-45Hz；
步骤S3，将一个通道3min的数据分解成18份，以10s为一个数据段，对通道的数据进行多变量经验模态分解，分解层数控制在8层；
步骤S4，去除最高层分量和最低层分量，保留其中的2到7层分量进行组合，获得组合后的时间序列；
步骤S5，计算组合后的时间序列的复杂度；
步骤S6，对18段的复杂度进行平均；
步骤S7，获得不同通道脑区空间的复杂度值，采用二维灰度图像颜色表示复杂度的变化。
2.根据权利要求1所述的对静态脑电信号的分析方法，其特征在于，所述步骤S4中去除的最高层分量中包含肌电分量，所述最低层分量中包含运动伪迹。
3.根据权利要求1所述的对静态脑电信号的分析方法，其特征在于，所述步骤S5的中复杂度的计算，具体操作步骤如下：
步骤S5-1，将10s的脑电信号看成一个时间序列，公式为：
x(i)(1≤i≤N)
N＝1000，在采样率为100Hz的条件下；
步骤S5-2，将时间序列重构到m维的空间，公式为：
Xm(i)＝{x(i),x(i+1),···,x(i+m-1)} i＝1,2,···,N-m
其中，m为维度；
步骤S5-3，以Xm(i)为模板，统计与之相符合的模板的数量，计算匹配概率，公式为：
Θ(*)为Heaviside函数，为空间的距离，r为阈值参数；
步骤S5-4，计算维数为m和维数为m+1的匹配模板均值，公式为：
和
步骤S5-5，计算复杂度值，公式为：
CN201910634840.6A 2019-07-15 2019-07-15 一种对静态脑电信号的分析方法 Pending CN110338787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910634840.6A CN110338787A (zh) 2019-07-15 2019-07-15 一种对静态脑电信号的分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910634840.6A CN110338787A (zh) 2019-07-15 2019-07-15 一种对静态脑电信号的分析方法

Publications (1)

Publication Number Publication Date
CN110338787A true CN110338787A (zh) 2019-10-18

Family

ID=68175228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910634840.6A Pending CN110338787A (zh) 2019-07-15 2019-07-15 一种对静态脑电信号的分析方法

Country Status (1)

Country Link
CN (1) CN110338787A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111248900A (zh) * 2020-03-31 2020-06-09 燕山大学 一种基于单通道心脑信息耦合分析方法及系统
CN111657861A (zh) * 2020-06-04 2020-09-15 浙江大学 基于双光子显微镜技术的溶栓药效评价方法
CN112617862A (zh) * 2020-01-15 2021-04-09 燕山大学 一种基于多通道神经信号分析的信号间耦合强度判断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101259015A (zh) * 2007-03-06 2008-09-10 李小俚 一种脑电信号分析监测方法及其装置
WO2014152565A1 (en) * 2013-03-15 2014-09-25 Simon Adam J Wavelet analysis in neuro diagnostics
CN205072881U (zh) * 2015-10-09 2016-03-09 吉林大学 基于脑电信息的驾驶人警觉度监测系统
CN106709469A (zh) * 2017-01-03 2017-05-24 中国科学院苏州生物医学工程技术研究所 基于脑电和肌电多特征的自动睡眠分期方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101259015A (zh) * 2007-03-06 2008-09-10 李小俚 一种脑电信号分析监测方法及其装置
WO2014152565A1 (en) * 2013-03-15 2014-09-25 Simon Adam J Wavelet analysis in neuro diagnostics
CN205072881U (zh) * 2015-10-09 2016-03-09 吉林大学 基于脑电信息的驾驶人警觉度监测系统
CN106709469A (zh) * 2017-01-03 2017-05-24 中国科学院苏州生物医学工程技术研究所 基于脑电和肌电多特征的自动睡眠分期方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙雪: "麻醉神经振荡的非线性分析", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
王春芳: "脑卒中后抑郁症脑电信号特异性研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112617862A (zh) * 2020-01-15 2021-04-09 燕山大学 一种基于多通道神经信号分析的信号间耦合强度判断方法
CN111248900A (zh) * 2020-03-31 2020-06-09 燕山大学 一种基于单通道心脑信息耦合分析方法及系统
CN111657861A (zh) * 2020-06-04 2020-09-15 浙江大学 基于双光子显微镜技术的溶栓药效评价方法
CN111657861B (zh) * 2020-06-04 2022-02-25 浙江大学 基于双光子显微镜技术的溶栓药效评价方法

Similar Documents

Publication Publication Date Title
Li et al. FFT-based deep feature learning method for EEG classification
Logesparan et al. Optimal features for online seizure detection
CN105496363B (zh) 基于检测睡眠脑电信号对睡眠阶段进行分类的方法
Labate et al. Entropic measures of EEG complexity in Alzheimer's disease through a multivariate multiscale approach
Accardo et al. Use of the fractal dimension for the analysis of electroencephalographic time series
CN110960233B (zh) 一种基于脑电波的抑郁状态检测方法及系统
Li et al. An EEG-based method for detecting drowsy driving state
CN110338787A (zh) 一种对静态脑电信号的分析方法
Lu et al. Classification of single-channel EEG signals for epileptic seizures detection based on hybrid features
CN104173046B (zh) 一种色彩标记振幅整合脑电图的提取方法
Sameer et al. Time–frequency statistical features of delta band for detection of epileptic seizures
CN113768519B (zh) 基于深度学习和静息态脑电数据分析病人意识水平的方法
CN108320800A (zh) 癫痫病发作检测和发作前预测的脑电数据分析系统
Meenakshi et al. Frequency analysis of healthy & epileptic seizure in EEG using fast Fourier transform
Zhang et al. Automatic detection of interictal epileptiform discharges based on time-series sequence merging method
CN106137185A (zh) 一种基于模板构造小波的癫痫特征波检测方法
Madanu et al. Depth of anesthesia prediction via EEG signals using convolutional neural network and ensemble empirical mode decomposition
CN113331845A (zh) 基于持续同调的脑电信号特征提取与准确度判别的方法
Thanaraj et al. Multichannel interictal spike activity detection using time–frequency entropy measure
Cleatus et al. Epileptic seizure detection using spectral transformation and convolutional neural networks
Shan et al. A revised Hilbert-Huang transformation to track non-stationary association of electroencephalography signals
Tang et al. Epileptic seizure detection based on path signature and bi-LSTM network with attention mechanism
CN102783946B (zh) 一种自动脑源定位方法及装置
Shete et al. Comparison of sub-band decomposition and reconstruction of EEG signal by daubechies9 and symlet9 wavelet
Mirzaei et al. Spectral entropy for epileptic seizures detection

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: 20191018