CN111281382A - 一种基于脑电信号的特征提取与分类方法 - Google Patents
一种基于脑电信号的特征提取与分类方法 Download PDFInfo
- Publication number
- CN111281382A CN111281382A CN202010142682.5A CN202010142682A CN111281382A CN 111281382 A CN111281382 A CN 111281382A CN 202010142682 A CN202010142682 A CN 202010142682A CN 111281382 A CN111281382 A CN 111281382A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- recursive
- sequencing
- electroencephalogram signals
- 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
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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- 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
-
- 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
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Neurology (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Neurosurgery (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脑电信号的特征提取与分类方法,通过EEG脑电采集系统获取刺激图片所诱发的脑电信号,运用主成分分析法对脑电信号进行去噪预处理,对预处理的EEG脑电信号进行特征提取,通过对排序递归图进行排序递归分析,得到脑电信号的非线性特征参数递归率、确定性数值,按照特征值范围建立数据库。本发明以一种全新的角度提取并分析脑电特征,并结合灵敏度、准确率,可以用于诸如不同生理状态下或者不同痴呆程度的EEG脑电分析。
Description
技术领域
本发明涉及脑电信号提取技术,具体涉及一种基于脑电信号的特征提取与分类方法。
背景技术
脑电信号是亿万个神经元活动在大脑皮层的综合反映,能够更客观地反映人的生理状态,脑电信号是一种非平稳并且产生机理非常复杂的随机信号,如何更有效地提取脑电信号中有用信息并进行分类,对于脑电信号的识别研究非常的重要。脑电信号的处理和分析一直是个世界难题,不但在于其信号的非平稳性,还在于其信号波形的多样性。对于一些脑部疾病,至今还没有一种或者一系列的检查或者化验方法进行诊断,目前主要以医生的问诊为主。问诊用于诊断功能性精神疾病时确有一定的信度和效度,但因其有一定的间接性、相对性和滞后性,无法作为早期诊断或风险预警手段,因而影响了对病情的全面、准确掌握和及时干预治疗。
发明内容
本发明的目的是提供一种脑电信号特征提取与分类方法,通过该方法提取脑电波特征值进行分析判断,形成数据库,用于异常脑电信号的判断与处理。
为实现上述目的,本发明的方法通过对脑电信号采集、信号预处理、提取特征值、分析判断准确率和灵敏度,形成标准检测数据库,用于异常脑电信号的判断与处理,其具体步骤如下:
(1)脑电信号采集
脑电信号采集时,获取刺激源所诱发的脑电信号,并选取一个目标靶刺激,其余刺激为非靶刺激。
(2)脑电信号预处理
对采集到的脑电信号使用主成分分析方法进行去噪处理,将分布在各导联的信号分解为相互独立的成分,去掉伪迹成分并将剩余部分重构,最终达到去噪目的。
(3)脑电信号提取
将排序递归分析和ERP成分分析方法相结合,对受试者的脑电信号进行特征提取,其中,排序递归图的递归定量分析特征为递归率(RR)、确定性(DET)数值,ERP成分的特征值为P300成分的潜伏期和峰值。
(4)分析统计脑电信号采集过程中的受试者的反应灵敏度、准确率。
(5)建立数据库
对排序递归图进行排序递归分析得到脑电信号的非线性特征参数RR、DET数值,并对EEG数据叠加获取的ERP曲线提取P300成分的峰值和潜伏期,按照特征值范围建立数据库,此数据库作为标准一;分析统计脑电信号采集过程中的受试者的反应灵敏度、准确率,按照特征值范围建立数据库,此数据库作为标准二。
本发明的有益效果是:应用排序递归图的排序递归分析方法及ERP成分分析方法,对受试者脑电信号进行分析,可以用于判断脑电信号特征中是否有具有痴呆病人脑电信号的特征及其所处的程度,从而尽早的预防和治疗,属于一种有效、无创、低成本的物理检查方法。
附图说明
图1为基于脑电信号的特征提取与分类方法框架图
图2为ERP曲线P300成分的峰值和潜伏期获取过程
图3为排序递归分析方法提取脑电信号RR、DET特征参数过程图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
如图1所示,一种基于脑电信号的特征提取与分类方法,通过对脑电信号采集、信号预处理、提取特征值、分析判断准确率和灵敏度,形成标准检测数据库,用于异常脑电信号的判断与处理,其具体步骤如下:
(1)脑电信号采集
通过EEG(脑电图)脑电信号采集系统采集正常人和痴呆患者(轻度、中度、重度患者)观察不同颜色数字刺激图片所诱发的脑电信号,脑电信号采集实验过程共分为三组,三组实验分别确定颜色不同、数值不同的阿拉伯数字,并选取一个目标靶刺激,其余刺激为非靶刺激。刺激随机呈现120次,其中目标靶刺激出现的概率为20%,刺激间隔时间相同。实验时,电脑屏幕上每间隔几秒钟随机闪烁颜色不同、数值不同的阿拉伯数字,患者在实验过程中,观察到目标靶刺激立即点击鼠标左键,同时脑电采集系统采集相应的刺激脑电信号。
(2)脑电信号预处理
对采集到的脑电信号使用主成分分析方法进行去噪预处理,将分布在各导联的信号分解为相互独立的成分,去掉伪迹成分并将剩余部分重构,最终达到去噪目的。
(3)脑电信号提取
将排序递归分析和ERP(event-related potential事件相关电位)成分分析方法相结合,对受试者的脑电信号进行特征提取。其中,ERP成分的特征值为P300成分的潜伏期和峰值;排序递归图的递归分析特征为RR、DET数值。如图2所示,为ERP曲线P300成分的峰值和潜伏期获取过程,对EEG信号进行参考电极转换、删除坏区导、排除眨眼伪迹等操作后,进行EEG数据的分段、分类和叠加,获得ERP曲线,提取P300成分的峰值和潜伏期。图3所示为排序递归分析方法提取脑电信号RR、DET特征参数过程,对于非线性时间序列的递归图分析是反映在相空间上的,根据一维的非线性时间序列,并选定合适的嵌入维数m和时间常数τ,首先应该进行相空间重构,重构后的向量集由两种状态,上升或下降,根据排序模式求出不同时刻的排序状态,并求出排序递归矩阵。
根据生成的递归矩阵画出黑白二色的排序递归图,其方法是选择合适的嵌入维数m,首先将所有可能出现的排序标注并表示;其次,根据被分析信号的不同时刻的向量集与已标注的状态逐一比较,状态相同时用同一数字标注,在本文中,对分析的信号集每一时刻的状态进行检测。若该时刻的状态在前边已经存在,则用相同的符号标记;若此刻的轨迹没有出现过,则用新的符号标记。
以下是RR(递归率)、DET(确定性)的定义:
RR(递归率):指递归图中发生递归点的个数占总点数的比,即递归图中数值为1的比率。RR值越大表示递归图中的黑点越多,递归率越高。
DET(确定性):是指递归图中平行对角线的线段中大于lmin(平行于对角线段的最小点数)的所包含点占总递归点的比,DET值越大,说明被测的系统结构越稳定。
(4)分析统计脑电信号采集过程中的受试者的准确率和反应灵敏度
准确率是指每次刺激图片切换过程中,受试者能正确敲击目标靶刺激出现次数的概率,灵敏度是指目标靶刺激图片呈现到敲击鼠标的时间间隔。
(5)建立数据库
对EEG数据叠加获取的ERP曲线提取P300成分的峰值和潜伏期,对排序递归图进行排序递归分析得到脑电信号的非线性特征参数递归率RR、确定性DET数值,按照特征值范围建立数据库,具体地,建立健康和不同程度痴呆患者(轻度、中度、重度患者)共四组的脑电信号特征值(ERP曲线P300成分的峰值和潜伏期、RR和DET)数据库,以此数据库作为评价标准一;分析统计脑电信号采集过程中的受试者的反应灵敏度、准确率,按照特征值范围建立数据库,具体地,建立健康和不同程度痴呆患者(轻度、中度、重度患者)共四组的反应灵敏度和准确率的特征值数据库,以此数据库作为评价标准二。在对受试者做健康分析分析时,提取其脑电实验的脑电信号特征参数及实验过程中的灵敏度和准确率,通过与评价标准数据库一、数据库二比照,来确定受试者是否健康、是否患有患痴呆及其程度。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于此,在所属技术领域的技术人员所具备的知识范围内,在不脱离本发明宗旨的前提下可以作出的各种变化,都处于本发明权利要求的保护范围之内。
Claims (1)
1.一种基于脑电信号的特征提取与分类方法,其特征在于,通过对脑电信号采集、信号预处理、提取特征值、分析判断准确率和灵敏度,形成标准检测数据库,用于异常脑电信号的判断与处理,其具体步骤如下:
(1)脑电信号采集
脑电信号采集时,获取刺激源所诱发的脑电信号,并选取一个目标靶刺激,其余刺激为非靶刺激;
(2)脑电信号预处理
对采集到的脑电信号使用主成分分析方法进行去噪处理,将分布在各导联的信号分解为相互独立的成分,去掉伪迹成分并将剩余部分重构,最终达到去噪目的;
(3)脑电信号特征提取
将排序递归分析和ERP成分分析方法相结合,对受试者的脑电信号进行特征提取,其中,排序递归图的递归定量分析特征为RR、DET数值,ERP成分的特征值为P300成分的潜伏期和峰值;
(4)分析统计脑电信号采集过程中的受试者的反应灵敏度、准确率;
(5)建立数据库
对排序递归图进行排序递归分析得到脑电信号的非线性特征参数RR、DET数值,并对EEG数据叠加获取的ERP曲线提取P300成分的峰值和潜伏期,按照特征值范围建立数据库,此数据库作为标准一;分析统计脑电信号采集过程中的受试者的反应灵敏度、准确率,按照特征值范围建立数据库,此数据库作为标准二。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010142682.5A CN111281382B (zh) | 2020-03-04 | 2020-03-04 | 一种基于脑电信号的特征提取与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010142682.5A CN111281382B (zh) | 2020-03-04 | 2020-03-04 | 一种基于脑电信号的特征提取与分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111281382A true CN111281382A (zh) | 2020-06-16 |
CN111281382B CN111281382B (zh) | 2023-08-18 |
Family
ID=71019712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010142682.5A Active CN111281382B (zh) | 2020-03-04 | 2020-03-04 | 一种基于脑电信号的特征提取与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111281382B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113243891A (zh) * | 2021-05-31 | 2021-08-13 | 平安科技(深圳)有限公司 | 轻度认知障碍识别方法、装置、计算机设备及存储介质 |
CN114504318A (zh) * | 2022-01-28 | 2022-05-17 | 中国矿业大学 | 复杂视觉环境下基于认知机理的医疗设备界面优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101049236A (zh) * | 2007-05-09 | 2007-10-10 | 西安电子科技大学 | 基于脑机交互的注意力状态即时检测系统及检测方法 |
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 |
CN102488517A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种检测脑电信号中爆发抑制状态的方法以及装置 |
CN102793540A (zh) * | 2012-06-14 | 2012-11-28 | 天津大学 | 一种视听认知事件相关电位实验范式的优化方法 |
US20140350864A1 (en) * | 2013-05-23 | 2014-11-27 | National Chiao Tung University | Real-time multi-channel eeg signal processor based on on-line recursive independent component analysis |
CN104545900A (zh) * | 2014-12-29 | 2015-04-29 | 中国医学科学院生物医学工程研究所 | 一种基于配对样本t检验的事件相关电位分析方法 |
CN108445751A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 融合递归图与深度学习的多目标ssvep意念控制法及应用 |
CN108784693A (zh) * | 2018-06-15 | 2018-11-13 | 北京理工大学 | 基于独立成分分析和卡尔曼平滑的p300单次提取技术 |
CN110477911A (zh) * | 2019-08-21 | 2019-11-22 | 中国航天员科研训练中心 | 基于意识冲突的隐瞒行为的脑电信号特征检测方法及系统 |
-
2020
- 2020-03-04 CN CN202010142682.5A patent/CN111281382B/zh active Active
Patent Citations (9)
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 |
CN101049236A (zh) * | 2007-05-09 | 2007-10-10 | 西安电子科技大学 | 基于脑机交互的注意力状态即时检测系统及检测方法 |
CN102488517A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种检测脑电信号中爆发抑制状态的方法以及装置 |
CN102793540A (zh) * | 2012-06-14 | 2012-11-28 | 天津大学 | 一种视听认知事件相关电位实验范式的优化方法 |
US20140350864A1 (en) * | 2013-05-23 | 2014-11-27 | National Chiao Tung University | Real-time multi-channel eeg signal processor based on on-line recursive independent component analysis |
CN104545900A (zh) * | 2014-12-29 | 2015-04-29 | 中国医学科学院生物医学工程研究所 | 一种基于配对样本t检验的事件相关电位分析方法 |
CN108445751A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 融合递归图与深度学习的多目标ssvep意念控制法及应用 |
CN108784693A (zh) * | 2018-06-15 | 2018-11-13 | 北京理工大学 | 基于独立成分分析和卡尔曼平滑的p300单次提取技术 |
CN110477911A (zh) * | 2019-08-21 | 2019-11-22 | 中国航天员科研训练中心 | 基于意识冲突的隐瞒行为的脑电信号特征检测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113243891A (zh) * | 2021-05-31 | 2021-08-13 | 平安科技(深圳)有限公司 | 轻度认知障碍识别方法、装置、计算机设备及存储介质 |
CN114504318A (zh) * | 2022-01-28 | 2022-05-17 | 中国矿业大学 | 复杂视觉环境下基于认知机理的医疗设备界面优化方法 |
CN114504318B (zh) * | 2022-01-28 | 2024-01-12 | 中国矿业大学 | 复杂视觉环境下基于认知机理的医疗设备界面优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111281382B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abootalebi et al. | A new approach for EEG feature extraction in P300-based lie detection | |
Delorme et al. | Automatic artifact rejection for EEG data using high-order statistics and independent component analysis | |
Bablani et al. | Classification of EEG data using k-nearest neighbor approach for concealed information test | |
Wilson et al. | Spike detection: a review and comparison of algorithms | |
CN111340142B (zh) | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 | |
Alam et al. | Detection of seizure and epilepsy using higher order statistics in the EMD domain | |
Mognon et al. | ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features | |
Leuchter et al. | Electroencephalographic spectra and coherence in the diagnosis of Alzheimer's-type and multi-infarct dementia: a pilot study | |
Trujillo et al. | EEG phase synchrony differences across visual perception conditions may depend on recording and analysis methods | |
US9101276B2 (en) | Analysis of brain patterns using temporal measures | |
Dodia et al. | An efficient EEG based deceit identification test using wavelet packet transform and linear discriminant analysis | |
Ting et al. | Automatic correction of artifact from single-trial event-related potentials by blind source separation using second order statistics only | |
Ortiz-Rosario et al. | Wavelet methodology to improve single unit isolation in primary motor cortex cells | |
Gwilliams et al. | Functional characterisation of letter-specific responses in time, space and current polarity using magnetoencephalography | |
CN103019382B (zh) | 一种利用诱发电位反映脑部主观动机信号的脑机接口方法 | |
WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN112220485A (zh) | 一种癫痫脑电图/脑磁图异常波自动检测方法与定位系统 | |
CN111281382B (zh) | 一种基于脑电信号的特征提取与分类方法 | |
CN111616702A (zh) | 一种基于认知负荷增强的测谎分析系统 | |
CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
Duffy | Topographic mapping of brain electrical activity: Clinical applications and issues | |
Cecotti et al. | Suboptimal sensor subset evaluation in a p300 brain-computer interface | |
Mathan et al. | Neurophysiologically driven image triage: a pilot study | |
Huang et al. | A portable household detection system based on the combination of bidirectional LSTM and residual block for automatical arrhythmia detection | |
Pattichis et al. | Introduction to this special issue: intelligent data analysis in electromyography and electroneurography |
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 |