CN110584598B - 基于时频分析的自动分离高频振荡节律中尖峰活动方法 - Google Patents
基于时频分析的自动分离高频振荡节律中尖峰活动方法 Download PDFInfo
- Publication number
- CN110584598B CN110584598B CN201910725702.9A CN201910725702A CN110584598B CN 110584598 B CN110584598 B CN 110584598B CN 201910725702 A CN201910725702 A CN 201910725702A CN 110584598 B CN110584598 B CN 110584598B
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- frequency oscillation
- time
- oscillation rhythm
- 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
Images
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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Abstract
本发明公开了基于时频分析的自动分离高频振荡节律中尖峰活动方法。首先,采集癫痫病人脑电信号,并提取疑似高频振荡节律所对应的原始信号;然后,对疑似高频振荡节律所对应的原始信号进行尖峰信号检测,并将检测到的尖峰信号进行剔除,得到高精度的高频振荡节律;其中,尖峰信号的检测采用了基于时频分析的方法,使用箱型图获得信号功率的上四分位和下四分位值,检测出高频振荡节律中混有的尖峰活动,提高癫痫脑电信号的高频振荡节律的检测精度;一种高频振荡节律检测设备及存储设备,实现了高频振荡节律检测方法。本发明的有益效果:提高癫痫脑电信号的高频振荡节律的检测精度,帮助医生进行癫痫诊断和致痫灶切除。
Description
技术领域
本发明涉及一种基于时频分析的自动分离高频振荡节律中尖峰活动方法,属于癫痫脑电信号处理领域。
背景技术
癫痫是一种常见的神经系统疾病,具有自发性和不可预测性等特征。癫痫发作时,患者常表现出运动和行为等异常。全世界癫痫患病率为0.5%-1%,其中我国为0.7%,且仍在逐年增长。大部分癫痫患者可以通过抗癫痫药物进行治疗,但仍有约30%的患者不能通过药物控制癫痫发作,从而被确诊为难治性癫痫患者。
难治性癫痫是指经过常规的、系统的抗癫痫药物治疗,其血液内抗癫痫药物浓度保持在有效的范围内,但仍不能控制病人的癫痫发作,并严重影响病人的工作、学习或正常生活者;其发作频率在每月2-4次以上,病程在4年以上。对于难治性癫痫,控制及治愈的有效措施之一是手术切除癫痫病灶,而手术成功的关键是病灶的精确定位。目前,癫痫病灶定位的主要手段有脑电图检查、神经电生理学检查、核医学检查、脑磁图检查等。其中脑电图检查是最常用的癫痫病灶定位手段,它通常需要通过植入颅内或硬膜下大电极来长时间记录脑电信号,捕捉癫痫患者发病过程中的脑电变化,形成脑电图,然后由有经验的医学专家进行即时观测分析。医学专家通过检查癫痫脑电信号,实现癫痫诊断。
致痫灶是患者癫痫发作期或者发作间期的病变脑皮质区。通常致痫灶分为发作始发区,激惹灶,致痫病变和功能缺失区,其中发作始发区是最为有效和显著的标志,可以看做是致痫灶的替代指标。
传统的脑电图方法重点关注的是40Hz以下的脑电信号,通过提取该频段脑电频率成分来定位癫痫发作始发区。但是该方法检测的低频频率成分很容易受到其他信号的干扰,使得定位结果出错,导致切除手术失败。同时,该方法非常耗时,定位时间大约为24-72小时,加大了手术风险。因此,寻找一种新的标志物或者快速定位方法迫在眉睫。
近二十年来,越来越多的研究者们开始关注80Hz以上癫痫脑电信号的高频振荡节律。在癫痫发作潜伏期,患者大脑开始发生病理性变化。在病变前后的大脑中,高频振荡节律有着显著的不同。大量研究表明高频振荡节律可以作为癫痫发作始发区的生物标志,它们在癫痫发作始发区的发生率更高,具有明显的特异性,所以可以通过检测高频振荡节律来实现发作始发区的快速精确定位。通过发作始发区的精确定位,可以明确癫痫病灶切除手术目的,降低术中因损伤功能区而造成不可恢复的脑神经损伤的风险。
发明内容
本发明的目的是提出一种基于时频分析的自动分离高频振荡节律中尖峰活动方法。一种基于时频分析的自动分离高频振荡节律中尖峰活动方法,包括以下步骤:
S101:采集癫痫病人的原始脑电信号,并对所述原始脑电信号进行50Hz倍频陷波和80-500Hz带通滤波,得到去除50Hz倍频并且频率在80-500Hz的预处理后的脑电信号,并提取所述预处理后的脑电信号中的疑似高频振荡节律所对应的原始信号;具体如下:
首先对所述预处理后的脑电信号加长度为L的时间窗,得到处理后的脑电信号;其中,L为预设值;
然后对所述处理后的脑电信号使用均方根算法,得到滤波后的癫痫脑电的均方根信号RMS(t),并记录其持续时间T及波峰个数m;
最后设定均方根信号阈值ThresholdRMS,并判断条件RMS(t)>ThresholdRMS&&T>30ms&&m≥6是否成立?若是,则认为RMS(t)为疑似高频振荡节律,进行提取,从而得到疑似高频振荡节律所对应的原始信号;反之则认为RMS(t)为非高频振荡节律,予以遗弃;
S102:对所述疑似高频振荡节律所对应的原始信号进行尖峰信号检测,并将检测到的尖峰信号进行剔除,进而得到高精度的高频振荡节律;具体如下:
首先采用时频分析方法对所述疑似高频振荡节律所对应的原始信号进行50Hz倍频陷波和0-500Hz带通滤波,得到去除50Hz倍频并且频率在0-500Hz的事件信号x(τ);其中,所述疑似高频振荡节律所对应的原始信号为步骤S101中的所述原始脑电信号;
对x(τ)进行S变换得到其时频信息S(t,f),并对时频信息S(t,f)进行奇异值分解,得到分解后的奇异值;再使用k-mediods算法对所述分解后的奇异值进行处理,得到有效的奇异值;结合有效奇异值,对S(t,f)进行逆S变换,得到重构后的信号x′(τ);
最后设定功率下界异常阈值Threshold,对x′(τ)进行阈值处理,检测出尖峰信号并剔除,进而得到高精度的高频振荡节律。
进一步地,在步骤S101中,获取疑似高频振荡节律具体过程如下:
所述均方根信号RMS(t)的计算公式如式(1)所示:
式(1)中,s(k)为所述处理后的脑电信号,NlL为所述处理后的脑电信号的长度;所述均方根阈值ThresholdRMS的设定公式如式(2)所示:
ThresholdRMS=3*SD+E (2)
进一步地,在步骤S102中,对所述事件信号x(τ)进行S时频变换和奇异值分解的具体计算步骤如下:
S201:事件信号x(τ)进行S变换,得到时频信息矩阵S(t,f);其计算公式如式(3)所示:
式(3)中f表示频率,t表示时间,S(t,f)为所得的时频信息矩阵;
S202:采用奇异值分解方法对S201中得到的时频信息矩阵S(t,f)进行奇异值分解,其计算公式如式(4)所示:
S(t,f)=UΓVT (4)
式(4)中,S(t,f)是M×N的矩阵,U和V是M×M和N×N的正交矩阵,Γ是M×N的矩阵,其形式可以表示为:
其中,Λr×r(r≤min(M,N))是对角矩阵,形式如下:
Λr×r=diag(σ1,σ2,...,σr)
σi(i=1,2,...,r)为S(t,f)的分解后的奇异值,且满足σ1≥σ2≥...≥σr≥0。
进一步地,在步骤S102中,使用k-medoids算法确定有效奇异值的具体步骤为:
S301:从S202所得的奇异值σi(i=1,2,...,r)中,选择o1=σ1和o2∈{σ2,σ3,...σr}作为k-medoids算法的中心;
S302:按公式(5)分别计算剩下的奇异值到中心o1和o2的距离
式(5)中,sj∈{σ2,σ3,...,σr}且sj≠o2;若d1(sj,o1)≤d2(sj,o2),将sj分配到以o1为中心的聚类C1中;否则将sj分配到以o2为中心的聚类C2中;
S303:从聚类C2中,随机选择一个值o2′,作为聚类中心,聚类C1中的中心为o1′=o1;按S302中方法计算新的以o1′和o2′聚类C1′和C2′;并计算如下值:
其中,若J<0,用o2′作为新的聚类中心代替o2;否则,保留原始的中心o2;
S304:循环步骤S302和S303,直到新生成的聚类中心不再变化;包含σ1的聚类是所需要的,获取其聚类的个数为n(1≤n≤r-1),获得的聚类的个数即为有效奇异值的个数,即最终获得有效奇异值为σ′i(i=1,2...,n);所述有效奇异值σ′i(i=1,2...,n)为步骤S202中中得到的奇异值σi(i=1,2,...,r)的有效部分。
进一步地,在步骤S102中,所述重构信号x′(τ)的计算具体步骤为:
S401:根据获取的n个有效奇异值σi,按照公式(6)得到重构的时频矩阵
S′(t,f)=UΓ′VT (6)
其中Γ′为
Λ′n×n=diag(σ1,σ2,...,σn)
S402:使用S逆变换获得重构的时域信号x′(τ),其表达式如式(7)所示。
进一步地,在步骤S102中,尖峰信号的检测具体包括以下过程:
S501:选取重构的时域信号x′(τ)在80-500Hz内的功率P80-500;
S502:采用箱形图对所述功率P80-500进行处理,得到上四分位和下四分位值Q1和Q3;所述功率下界异常阈值Threshold的计算公式如式(8)所示:
Threshold=Q1-1.5(Q3-Q1) (8)
S503:对重构信号x′(τ)进行阈值分割,高于阈值Threshold的重构信号所对应的疑似高频振荡节律为非尖峰信号,进行保留;低于阈值Threshold的重构信号所对应的疑似高频振荡节律为尖峰,并将之从疑似高频振荡节律中去除,从而得到去除尖峰活动的高精度高频振荡节律。
本发明基于其技术方案所具有的有益效果是:提高癫痫脑电信号的高频振荡节律的检测精度,帮助医生进行癫痫诊断和致痫灶切除。
附图说明
下面将结合附图及实例对本发明作进一步说明,附图中:
图1是本发明实施例中一种基于时频分析的自动分离高频振荡节律中尖峰活动方法的流程图;
图2是本发明实施例中高频振荡节律和尖峰的时域波形示意图;
图3是本发明实施例中高频振荡节律和尖峰的时频示意图。
图4是本发明实施例中高频振荡节律和尖峰的频谱示意图。
图5是本发明实施例中高频振荡节律和尖峰所对应的0-500Hz信号重构后的频谱示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于时频分析的自动分离高频振荡节律中尖峰活动方法。
请参考图1,图1是本发明实施例中一种基于时频分析的自动分离高频振荡节律中尖峰活动方法的流程图,具体包括以下步骤:
S101:采集癫痫病人的原始脑电信号,并对所述原始脑电信号进行50Hz倍频陷波和80-500Hz带通滤波,得到去除50Hz倍频并且频率在80-500Hz的预处理后的脑电信号,并提取所述预处理后的脑电信号中的疑似高频振荡节律所对应的原始信号;具体如下:
首先对所述预处理后的脑电信号加长度为L的时间窗,得到处理后的脑电信号;其中,L为预设值;
然后对所述处理后的脑电信号使用均方根算法,得到滤波后的癫痫脑电的均方根信号RMS(t),并记录其持续时间T及波峰个数m;
最后设定均方根信号阈值ThresholdRMS,并判断条件RMS(t)>ThresholdRMS&&T>30ms&&m≥6是否成立?若是,则认为RMS(t)为疑似高频振荡节律,进行提取,从而得到疑似高频振荡节律所对应的原始信号;反之则认为RMS(t)为非高频振荡节律,予以遗弃;
S102:对所述疑似高频振荡节律所对应的原始信号进行尖峰信号检测,并将检测到的尖峰信号进行剔除,进而得到高精度的高频振荡节律;具体如下:
首先采用时频分析方法对所述疑似高频振荡节律所对应的原始信号进行50Hz倍频陷波和0-500Hz带通滤波,得到去除50Hz倍频并且频率在0-500Hz的事件信号x(τ);其中,所述疑似高频振荡节律所对应的原始信号为步骤S101中的所述原始脑电信号;
对x(τ)进行S变换得到其时频信息S(t,f),并对时频信息S(t,f)进行奇异值分解,得到分解后的奇异值;再使用k-mediods算法对所述分解后的奇异值进行处理,得到有效的奇异值;结合有效奇异值,对S(t,f)进行逆S变换,得到重构后的信号x′(τ);
最后设定功率下界异常阈值Threshold,对x′(τ)进行阈值处理,检测出尖峰信号并剔除,进而得到高精度的高频振荡节律。
在步骤S101中,获取疑似高频振荡节律具体过程如下:
所述均方根信号RMS(t)的计算公式如式(1)所示:
式(1)中,s(k)为所述处理后的脑电信号,NlL为所述处理后的脑电信号的长度;所述均方根阈值ThresholdRMS的设定公式如式(2)所示:
ThresholdRMS=3*SD+E (2)
在步骤S102中,对所述事件信号x(τ)进行S时频变换和奇异值分解的具体计算步骤如下:
S201:事件信号x(τ)进行S变换,得到时频信息矩阵S(t,f);其计算公式如式(3)所示:
式(3)中f表示频率,t表示时间,S(t,f)为所得的时频信息矩阵;
S202:采用奇异值分解方法对S201中得到的时频信息矩阵S(t,f)进行奇异值分解,其计算公式如式(4)所示:
S(t,f)=UΓVT (4)
式(4)中,S(t,f)是M×N的矩阵,U和V是M×M和N×N的正交矩阵,Γ是M×N的矩阵,其形式可以表示为:
其中,Λr×r(r≤min(M,N))是对角矩阵,形式如下:
Λr×r=diag(σ1,σ2,...,σr)
σi(i=1,2,...,r)为S(t,f)的分解后的奇异值,且满足σ1≥σ2≥...≥σr≥0。
在步骤S102中,使用k-medoids算法确定有效奇异值的具体步骤为:
S301:从S202所得的奇异值σi(i=1,2,...,r)中,选择o1=σ1和o2∈{σ2,σ3,...σr}作为k-medoids算法的中心;
S302:按公式(5)分别计算剩下的奇异值到中心o1和o2的距离
式(5)中,sj∈{σ2,σ3,...,σr}且sj≠o2;若d1(sj,o1)≤d2(sj,o2),将sj分配到以o1为中心的聚类C1中;否则将sj分配到以o2为中心的聚类C2中;
S303:从聚类C2中,随机选择一个值o2′,作为聚类中心,聚类C1中的中心为o1′=o1;按S302中方法计算新的以o1′和o2′聚类C1′和C2′;并计算如下值:
其中,若J<0,用o2′作为新的聚类中心代替o2;否则,保留原始的中心o2;
S304:循环步骤S302和S303,直到新生成的聚类中心不再变化;包含σ1的聚类是所需要的,获取其聚类的个数为n(1≤n≤r-1),获得的聚类的个数即为有效奇异值的个数,即最终获得有效奇异值为σ′i(i=1,2...,n);所述有效奇异值σ′i(i=1,2...,n)为步骤S202中中得到的奇异值σi(i=1,2,...,r)的有效部分。
在步骤S102中,所述重构信号x′(τ)的计算具体步骤为:
S401:根据获取的n个有效奇异值σi,按照公式(6)得到重构的时频矩阵
S′(t,f)=UΓ′VT (6)
其中Γ′为
Λ′n×n=diag(σ1,σ2,...,σn)
S402:使用S逆变换获得重构的时域信号x′(τ),其表达式如式(7)所示。
在步骤S102中,尖峰信号的检测具体包括以下过程:
S501:选取重构的时域信号x′(τ)在80-500Hz内的功率P80-500;
S502:采用箱形图对所述功率P80-500进行处理,得到上四分位和下四分位值Q1和Q3;所述功率下界异常阈值Threshold的计算公式如式(8)所示:
Threshold=Q1-1.5(Q3-Q1) (8)
S503:对重构信号x′(τ)进行阈值分割,高于阈值Threshold的重构信号所对应的疑似高频振荡节律为非尖峰信号,进行保留;低于阈值Threshold的重构信号所对应的疑似高频振荡节律为尖峰,并将之从疑似高频振荡节律中去除,从而得到去除尖峰活动的高精度高频振荡节律。
请参考图2,图2是高频振荡节律和尖峰的时域波形示意图。
请参考图3,图3是在通过S变换方法获得高频振荡节律(左图)和尖峰(右图)的时频信息,从图3可以看出,高频振荡节律和尖峰活动的时频图较为相似,难以区分出来。
请参考图4,图4是高频振荡节律与尖峰活动的频谱图。
请参考图5,图5是高频振荡节律(左图)和尖峰(右图)所对应的重构信号的频谱图,从中可以看出重构后的信号中,高频振荡节律所对应的重构信号的幅值在80-500Hz频段内明显高于尖峰所对应的重构信号。因此,在得到重构信号的80-500Hz频段内的功率时,采用箱型图得到上四分位和下四分位Q1和Q3,然后设置功率阈值Threshold=Q1-1.5(Q3-Q1),低于重构后的时域信号所对应的疑似高频振荡节律为尖峰,并将之从疑似高频振荡节律中去除,从而得到去除尖峰活动的疑似高频振荡节律。
本发明的有益效果是:提高癫痫脑电信号的高频振荡节律的检测精度,帮助医生进行癫痫诊断和致痫灶切除。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于时频分析的自动分离高频振荡节律中尖峰活动方法,其特征在于:包括以下步骤:
S101:采集癫痫病人的原始脑电信号,并对所述原始脑电信号进行50Hz倍频陷波和80-500Hz带通滤波,得到去除50Hz倍频并且频率在80-500Hz的预处理后的脑电信号,并提取所述预处理后的脑电信号中的疑似高频振荡节律所对应的原始信号;具体如下:
首先对所述预处理后的脑电信号加长度为L的时间窗,得到处理后的脑电信号;其中,L为预设值;
然后对所述处理后的脑电信号使用均方根算法,得到滤波后的癫痫脑电的均方根信号RMS(t),并记录其持续时间T及波峰个数m;
最后设定均方根信号阈值ThresholdRMS,并判断条件RMS(t)>ThresholdRMS&&T>30ms&&m≥6是否成立,若是,则认为RMS(t)为疑似高频振荡节律,进行提取,从而得到疑似高频振荡节律所对应的原始信号;反之则认为RMS(t)为非高频振荡节律,予以遗弃;
S102:对所述疑似高频振荡节律所对应的原始信号进行尖峰信号检测,并将检测到的尖峰信号进行剔除,进而得到高精度的高频振荡节律;具体如下:
首先采用时频分析方法对所述疑似高频振荡节律所对应的原始信号进行50Hz倍频陷波和0-500Hz带通滤波,得到去除50Hz倍频并且频率在0-500Hz的事件信号x(τ);其中,所述疑似高频振荡节律所对应的原始信号为步骤S101中的所述原始脑电信号;
对x(τ)进行S变换得到其时频信息S(t,f),并对时频信息S(t,f)进行奇异值分解,得到分解后的奇异值;再使用k-mediods算法对所述分解后的奇异值进行处理,得到有效的奇异值;结合有效奇异值,对S(t,f)进行逆S变换,得到重构后的信号x′(τ);
最后设定功率下界异常阈值Threshold,对x′(τ)进行阈值处理,检测出尖峰信号并剔除,进而得到高精度的高频振荡节律。
3.根据权利要求1所述的一种基于时频分析的自动分离高频振荡节律中尖峰活动方法,其特征在于,步骤S102中,对所述事件信号x(τ)进行S时频变换和奇异值分解的具体计算步骤如下:
S201:对所述事件信号x(τ)进行S时频变换,得到时频信息矩阵S(t,f);其计算公式如式(3)所示:
式(3)中f表示频率,t表示时间,S(t,f)为所得的时频信息矩阵;
S202:采用奇异值分解方法对S201中得到的时频信息矩阵S(t,f)进行奇异值分解,其计算公式如式(4)所示:
S(t,f)=UΓVT (4)
式(4)中,S(t,f)是M×N的矩阵,U和V是M×M和N×N的正交矩阵,Γ是M×N的矩阵,其形式可以表示为:
其中,Λr×r(r≤min(M,N))是对角矩阵,形式如下:
Λr×r=diag(σ1,σ2,…,σr)
σi(i=1,2,...,r)为S(t,f)的分解后的奇异值,且满足σ1≥σ2≥...≥σr≥0。
4.根据权利要求3所述的一种基于时频分析的自动分离高频振荡节律中尖峰活动方法,其特征在于:在步骤S102中,使用k-medoids算法确定有效奇异值的具体步骤为:
S301:从S202所得的奇异值σi(i=1,2,...,r)中,选择o1=σ1和o2∈{σ2,σ3,...σr}作为k-medoids算法的中心;
S302:按公式(5)分别计算剩下的奇异值到中心o1和o2的距离
式(5)中,sj∈{σ2,σ3,...,σr}且sj≠o2;若d1(sj,o1)≤d2(sj,o2),将sj分配到以o1为中心的聚类C1中;否则将sj分配到以o2为中心的聚类C2中;
S303:从聚类C2中,随机选择一个值o2′,作为聚类中心,聚类C1中的中心为o1′=o1;按S302中方法计算新的以o1′和o2′聚类C1′和C2′;并计算如下值:
其中,若J<0,用o2′作为新的聚类中心代替o2;否则,保留原始的中心o2;
S304:循环步骤S302和S303,直到新生成的聚类中心不再变化;包含σ1的聚类是所需要的,获取其聚类的个数为n(1≤n≤r-1),获得的聚类的个数即为有效奇异值的个数,即最终获得有效奇异值为σi′(i=1,2...,n);所述有效奇异值σi′(i=1,2...,n)为步骤S202中中得到的奇异值σi(i=1,2,...,r)的有效部分。
6.根据权利要求1所述的一种基于时频分析的自动分离高频振荡节律中尖峰活动方法,其特征在于,步骤S102中,尖峰信号的检测具体包括以下过程:
S501:选取重构的时域信号x′(τ)在80-500Hz内的功率P80-500;
S502:采用箱形图对所述功率P80-500进行处理,得到上四分位和下四分位值Q1和Q3;所述功率下界异常阈值Threshold的计算公式如式(8)所示:
Threshold=Q1-1.5(Q3-Q1) (8)
S503:对重构信号x′(τ)进行阈值分割,高于阈值Threshold的重构信号所对应的疑似高频振荡节律为非尖峰信号,进行保留;低于阈值Threshold的重构信号所对应的疑似高频振荡节律为尖峰,并将之从疑似高频振荡节律中去除,从而得到去除尖峰活动的高精度高频振荡节律。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725702.9A CN110584598B (zh) | 2019-08-07 | 2019-08-07 | 基于时频分析的自动分离高频振荡节律中尖峰活动方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725702.9A CN110584598B (zh) | 2019-08-07 | 2019-08-07 | 基于时频分析的自动分离高频振荡节律中尖峰活动方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110584598A CN110584598A (zh) | 2019-12-20 |
CN110584598B true CN110584598B (zh) | 2020-07-03 |
Family
ID=68853888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910725702.9A Active CN110584598B (zh) | 2019-08-07 | 2019-08-07 | 基于时频分析的自动分离高频振荡节律中尖峰活动方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110584598B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112790775B (zh) * | 2021-01-22 | 2022-04-12 | 中国地质大学(武汉) | 基于集成分类的高频振荡节律检测方法及装置 |
CN113499083B (zh) * | 2021-05-18 | 2023-10-20 | 生物岛实验室 | 一种头皮脑电高频振荡自动检测方法 |
CN113499086B (zh) * | 2021-07-14 | 2022-05-31 | 北京邮电大学 | 一种基于深度学习的hfo自动检测系统 |
CN114159076B (zh) * | 2021-09-17 | 2024-02-27 | 天津大学 | 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 |
CN115530845A (zh) * | 2022-10-17 | 2022-12-30 | 常州瑞神安医疗器械有限公司 | 一种检测癫痫脑电信号中异常放电的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2226357C1 (ru) * | 2003-02-12 | 2004-04-10 | Санкт-Петербургский научно-исследовательский психоневрологический институт им. В.М.Бехтерева | Способ диагностики эпилепсии у пациентов с доклинической стадией болезни |
WO2014047310A1 (en) * | 2012-09-19 | 2014-03-27 | Resmed Sensor Technologies Limited | System and method for determining sleep stage |
CN103876732A (zh) * | 2014-04-02 | 2014-06-25 | 太原理工大学 | 一种基于稀疏成分分析的j波提取方法 |
CN105615877A (zh) * | 2016-02-22 | 2016-06-01 | 广州视源电子科技股份有限公司 | 癫痫脑电信号特征的定位方法及其系统 |
CN108606781A (zh) * | 2018-05-23 | 2018-10-02 | 广东工业大学 | 一种基于脑电高频振荡节律的癫痫灶定位系统 |
CN108875604A (zh) * | 2018-05-31 | 2018-11-23 | 中国地质大学(武汉) | 基于模糊聚类优化高斯混合模型的高频振荡节律检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10966625B2 (en) * | 2017-12-12 | 2021-04-06 | Neuropace, Inc. | Systems, devices and methods using phase-amplitude coupling measures in implantable medical devices |
-
2019
- 2019-08-07 CN CN201910725702.9A patent/CN110584598B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2226357C1 (ru) * | 2003-02-12 | 2004-04-10 | Санкт-Петербургский научно-исследовательский психоневрологический институт им. В.М.Бехтерева | Способ диагностики эпилепсии у пациентов с доклинической стадией болезни |
WO2014047310A1 (en) * | 2012-09-19 | 2014-03-27 | Resmed Sensor Technologies Limited | System and method for determining sleep stage |
CN103876732A (zh) * | 2014-04-02 | 2014-06-25 | 太原理工大学 | 一种基于稀疏成分分析的j波提取方法 |
CN105615877A (zh) * | 2016-02-22 | 2016-06-01 | 广州视源电子科技股份有限公司 | 癫痫脑电信号特征的定位方法及其系统 |
CN108606781A (zh) * | 2018-05-23 | 2018-10-02 | 广东工业大学 | 一种基于脑电高频振荡节律的癫痫灶定位系统 |
CN108875604A (zh) * | 2018-05-31 | 2018-11-23 | 中国地质大学(武汉) | 基于模糊聚类优化高斯混合模型的高频振荡节律检测方法 |
Non-Patent Citations (1)
Title |
---|
基于颅内脑电高频振荡信号自动检测的癫痫灶定位;陈文静等;《航天医学与医学工程》;20190430;第32卷(第2期);第167-172页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110584598A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110584598B (zh) | 基于时频分析的自动分离高频振荡节律中尖峰活动方法 | |
Magosso et al. | A wavelet-based energetic approach for the analysis of biomedical signals: Application to the electroencephalogram and electro-oculogram | |
SE532705C2 (sv) | Apparat och metod för övervakning av epileptiform aktivitet | |
CN103156603A (zh) | 癫痫发作预警仪 | |
Hamal et al. | Artifact processing of epileptic EEG signals: an overview of different types of artifacts | |
Gollwitzer et al. | Afterdischarges elicited by cortical electric stimulation in humans: When do they occur and what do they mean? | |
Fürbass et al. | Combining time series and frequency domain analysis for a automatic seizure detection | |
Telkes et al. | Localization of subthalamic nucleus borders using macroelectrode local field potential recordings | |
CN110584600B (zh) | 一种基于智能算法优化模糊聚类的高频振荡节律检测方法 | |
Lofredi et al. | Pallidal beta bursts in Parkinson’s disease and dystonia | |
Restuccia et al. | The role of upper limb somatosensory evoked potentials in the management of cervical spondylotic myelopathy: preliminary data | |
Meloni et al. | Spatial distribution of nonlinear interactions in subthalamic nucleus local field potentials in Parkinson's disease | |
Telkes et al. | Spatio-spectral characterization of local field potentials in the subthalamic nucleus via multitrack microelectrode recordings | |
Tatum | EEG interpretation: common problems | |
Gogia et al. | Gamma-band modulation in the human amygdala during reaching movements | |
Ben-Jacob et al. | Mapping and assessment of epileptogenic foci using frequency-entropy templates | |
Wu et al. | Profiling the low-beta characteristics of the subthalamic nucleus in early-and late-onset Parkinson’s disease | |
WO2004093653A2 (en) | Microelectrode recording analysis and visualization for improved target localization | |
Raju | Edge detections of MER Signals of STN with DBS micro electrode local field potential acquisitions in Parkinson‘s | |
Tripathi et al. | Role of EEG in Epilepsy | |
Hunyadi et al. | A mimicking approach for human epileptic seizure detection | |
Jerger et al. | Comparison of methods for seizure detection | |
Telkes et al. | Intraoperative macroelectrode local field potential recordings in Essential Tremor | |
Han et al. | Features and futures: seizure detection in partial epilepsies | |
Ghembaza et al. | Epileptic seizure detection by quadratic time-frequency distributions of electroencephalogram signals |
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 |