CN111671420A - 一种从静息态脑电数据中提取特征的方法及终端设备 - Google Patents

一种从静息态脑电数据中提取特征的方法及终端设备 Download PDF

Info

Publication number
CN111671420A
CN111671420A CN202010553319.2A CN202010553319A CN111671420A CN 111671420 A CN111671420 A CN 111671420A CN 202010553319 A CN202010553319 A CN 202010553319A CN 111671420 A CN111671420 A CN 111671420A
Authority
CN
China
Prior art keywords
micro
state
electroencephalogram
sequence
electroencephalogram signal
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
Application number
CN202010553319.2A
Other languages
English (en)
Other versions
CN111671420B (zh
Inventor
冯春雨
史玉盼
王铭维
马芹颖
任维聪
黎彤亮
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.)
FIRST HOSPITAL OF HEBEI MEDICAL UNIVERSITY
Institute Of Applied Mathematics Hebei Academy Of Sciences
Original Assignee
Institute Of Applied Mathematics Hebei Academy Of Sciences
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 Institute Of Applied Mathematics Hebei Academy Of Sciences filed Critical Institute Of Applied Mathematics Hebei Academy Of Sciences
Priority to CN202010553319.2A priority Critical patent/CN111671420B/zh
Publication of CN111671420A publication Critical patent/CN111671420A/zh
Application granted granted Critical
Publication of CN111671420B publication Critical patent/CN111671420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7253Details of waveform analysis characterised by using transforms
    • A61B5/726Details of waveform analysis characterised by using transforms using Wavelet transforms
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明适用于脑电信号处理技术领域,提供了一种从静息态脑电数据中提取特征的方法及装置,所述方法包括:获取被试人员在静息状态下的脑电信号段,并计算脑电信号段对应的全局能量谱;根据全局能量谱确定脑电信号段中各个时间点对应的微状态,得到微状态序列;采用滑动时间窗口算法描述微状态序列,并将第一微状态序列子段内持续时间大于第一时间阈值的微状态作为第一微状态序列子段的主要特征,得到特征序列;第一微状态序列子段为当前滑动时间窗口描述的微状态序列子段。本发明提供的技术方案使用滑动时间窗口算法描述微状态序列,能够提高获取到的特征序列的有效性,减小计算量以及降低噪声对数据的影响。

Description

一种从静息态脑电数据中提取特征的方法及终端设备
技术领域
本发明属于脑电信号处理技术领域,尤其涉及一种从静息态脑电数据中提取特征的方法及终端设备。
背景技术
脑电图具有良好的时间和空间分辨率,是人们研究大脑的有力工具。脑电图的微状态是多通道脑电图中脑电拓扑结构的准稳定时期,静息态脑电图就是由少数交替的微状态主导的。由于微状态具有较高的可重复性,利用脑电图微状态这一神经生理学工具,可以分析各种神经精神障碍,了解和评估被试人员在毫秒时间尺度上的脑网络动力学情况。
然而,由于脑电图对应的微状态情况复杂,直接根据微状态获取对应的特征容易受到噪声干扰,计算量大,且准确度不高。
发明内容
有鉴于此,本发明实施例提供了一种从静息态脑电数据中提取特征的方法及终端设备,以解决现有技术中根据微状态获取特征准确度低的问题。
本发明实施例的第一方面提供了一种从静息态脑电数据中提取特征的方法,包括:
获取被试人员在静息状态下的脑电信号段,并计算所述脑电信号段对应的全局能量谱;
根据所述全局能量谱确定所述脑电信号段中各个时间点对应的微状态,得到微状态序列;
采用滑动时间窗口算法描述所述微状态序列,并将第一微状态序列子段内持续时间大于第一时间阈值的微状态作为所述第一微状态序列子段的主要特征,得到特征序列;所述第一微状态序列子段为当前滑动时间窗口描述的微状态序列子段。
本发明实施例的第二方面提供了一种从静息态脑电数据中提取特征的装置,包括:
脑电信号段获取模块,用于获取被试人员在静息状态下的脑电信号段,并计算所述脑电信号段对应的全局能量谱;
微状态序列计算模块,用于根据所述全局能量谱确定所述脑电信号段中各个时间点对应的微状态,得到微状态序列;
特征序列获取模块,用于采用滑动时间窗口算法描述所述微状态序列,并将第一微状态序列子段内持续时间大于第一时间阈值的微状态作为所述第一微状态序列子段的主要特征,得到特征序列;所述第一微状态序列子段为当前滑动时间窗口描述的微状态序列子段。
本发明实施例的第三方面提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例提供了一种从静息态脑电数据中提取特征的方法及装置,所述方法包括:获取被试人员在静息状态下的脑电信号段,并计算脑电信号段对应的全局能量谱;根据全局能量谱确定脑电信号段中各个时间点对应的微状态,得到微状态序列;采用滑动时间窗口算法描述微状态序列,并将第一微状态序列子段内持续时间大于第一时间阈值的微状态作为第一微状态序列字段的主要特征,得到特征序列;第一微状态序列字段为当前滑动时间窗口描述的微状态序列子段。本发明实施例提供的技术方案使用滑动时间窗口算法描述微状态序列,能够提高获取到的特征序列的有效性,同时能够减小计算量并降低噪声的影响。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述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是本发明实施例提供的从静息态脑电数据中提取特征的方法的实现流程示意图;
图2是本发明实施例提供的从静息态脑电数据中提取特征的方法的另一实现流程示意图;
图3是本发明实施例提供的从静息态脑电数据中提取特征的装置结构示意图;
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
参见图1,本发明实施例提供了一种从静息态脑电数据中提取特征的方法,包括:
S101:获取被试人员在静息状态下的脑电信号段,并计算脑电信号段对应的全局能量谱;
在本实施例中,依据国际标准10-20脑电记录系统设置16个电极获取被试人员的原始脑电信号,16个电极的设置位点分别为Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5以及T6,设置所有电极对应的导联阻抗值均小于5K欧姆,选择采样率为1KHz,采样时长为10分钟。
在本实施例中,为了获取静息态的脑电数据,需在安静封闭弱光环境下获取被试人员的原始脑电信号,使被试人员保持静止的闭眼清醒状态,并尽量减少眼球转动。
在本实施例中,获取被试人员的原始脑电信号后,需对原始脑电信号进行预处理,得到脑电信号段。预处理包括:降采样处理、滤波处理、分段处理、基线校正处理、重参考处理以及阈值法处理。
可选的,通过降采样处理将脑电信号的采样频率降至250Hz;滤波处理使用0.5-40Hz的带通滤波;通过分段处理将脑电信号分为10秒长的脑电数据段;基线校正处理中将各个脑电数据段的前200ms部分作为基线进行校正处理;重参考处理使用平均参考的方法;阈值法处理去除各个脑电数据段中幅值大于75μv的部分,从而去除脑电信号中肌电和眼电伪迹信号的影响。
在本发明的一个实施例中,S101包括:
基于小波分解方法提取所述脑电信号中的α成分;
计算所述α成分对应的全局能量谱。
在本实施例中,α成分为脑电信号中的频率为8-12Hz的成分。
S102:根据全局能量谱确定脑电信号段中各个时间点对应的微状态,得到微状态序列;
在本发明的一个实施例中,S102包括:
获取全局能量谱的目标峰值点对应的脑电拓扑图;
对峰值点对应的脑电拓扑图进行聚类分析,得到至少一种微状态;
分别计算脑电信号中第一时间点与各个峰值时间点的空间相关度;第一时间点为脑电信号中除峰值时间外的其他时间点;
选取与第一时间点的空间相关度最大的峰值时间点对应的微状态作为第一时间点对应的微状态,得到脑电信号的微状态序列。
在本发明的一个实施例中,获取全局能量谱的目标峰值点对应的脑电拓扑图包括:
将全局能量谱中除第一峰值点外的峰值点作为目标峰值点;第一峰值点为与相邻峰值点的时间间隔小于预设时间阈值的峰值点;
获取各个目标峰值点对应的脑电拓扑图。
本实施例选取除与相邻峰值点的时间间隔小于预设时间阈值的峰值点外的目标峰值点,删去了波动过大的数据,从而减小提取特征的误差。可选的,预设时间阈值为10ms。
在本发明的一个实施例中,对目标峰值点对应的脑电拓扑图进行聚类分析,得到至少一种微状态,包括:
使用Modified K-means聚类算法对峰值时间的脑电拓扑图进行聚类分析,得到至少一种微状态。
在本实施例中,使用Modified K-means聚类算法可以忽略脑电拓扑图中的极性,即将电压值符合相反但是空间比例相同的脑电拓扑图记为一类。
在本实施例中,通过聚类分析得到四种初始微状态;获取A/B/C/D四种微状态模板,确定各个初始微状态对应的最接近的微状态模板,使用微状态模板表示相应的最接近的初始微状态,得到四种微状态。
S103:采用滑动时间窗口算法描述微状态序列,并将第一微状态序列子段内持续时间大于第一时间阈值的微状态作为第一微状态序列子段的主要特征,得到特征序列;第一微状态序列子段为当前滑动时间窗口描述的微状态序列子段。
在本实施例中,由于微状态通常在80-120ms内保持稳定,所以选择滑动时间窗口算法中的窗口长度为80ms,根据微状态保持稳定的最长时间与最短时间的差值,确定滑动时间窗口算法中的滑动步长为40ms。设定第一时间阈值为窗口长度的一半,即第一时间阈值为40ms。
在本实施例中,滑动时间窗口每次滑动,都会覆盖长度为80ms的微状态序列,将每次窗口滑动覆盖的微状态序列记为微状态序列子段。根据微状态序列子段中持续时间大于第一时间阈值的微状态确定该微状态序列子段对应的主要特征类别。
可选的,当微状态序列子段中持续时间大于第一时间阈值的微状态为A,则记当前微状态序列子段对应的主要特征类别为1;同样的,微状态B对应主要特征类别为2;微状态C对应的主要特征类别为3;微状态D对应的主要特征类别为4。进一步的,当微状态序列子段中不存在持续时间大于第一时间阈值的微状态,则记当前微状态序列子段对应的主要特征类别为0。
在本实施例中,得到的特征序列的大小为:
Figure BDA0002543368150000061
其中sizedata为微状态序列的时长,sizewin为窗口长度,step为滑动步长。当sizedata=10s,sizewin=80ms,step=40ms时,n=248。
在本实施例中,利用滑动时间窗口算法将微状态序列转换为特征序列,显著的缩小了数据的大小,从而减小计算量,方便后续的计算与分析,同时能够减小噪声的影响,提高特征获取的正确率,
参见图2,在本发明的一个实施例中,在S103之后,所述方法还包括:
S201:获取至少一个脑电信号段对应的特征序列,并根据各个脑电信号段对应的特征序列计算被试人员对应的各个特征的特征值;
在本发明的一个实施例中,根据各个脑电信号段对应的特征序列计算被试人员对应的特征值包括:
计算各个主要特征对应的特征值:
特征值计算公式为:
Figure BDA0002543368150000071
i=0,1,2,3,4;
其中,i为主要特征类别;Featurei为主要特征类别i对应的特征值;m为所述脑电信号段的个数;n为各个脑电信号段中包括的微状态序列子段的个数;numijk为第k个脑电信号段中第j个微状态序列子段中主要特征类别i作为主要特征的次数;Ck为第k个脑电信号段内作为主要特征的微状态类别的数量。
在本实施例中,每个被试人员对应5个特征值。
在本实施例中,由于在使用微状态模板表示相应的最接近的初始微状态时,可能会将聚类得到的微状态类别合并,使得到的微状态类别数量小于四,所以在计算各个主要特征对应的特征值时,使用了加权平均再求和的方式提高准确度。
S202将特征值输入分类模型,得到被试人员对应的人员类别;人员类别包括:阿兹海默症患者类、轻度认知障碍患者类以及正常人员类。
在本实施例中,预先选择一定数量的不同类别的被试人员并计算其特征值,将各个特征值放入到支持向量机中进行分类训练,得到分类模型。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
参见图3,在本发明的一个实施例中,从静息态脑电数据中提取特征的装置100包括:
脑电信号段获取模块110,用于获取被试人员在静息状态下的脑电信号段,并计算脑电信号段对应的全局能量谱;
微状态序列计算模块120,用于根据全局能量谱确定脑电信号段中各个时间点对应的微状态,得到微状态序列;
特征序列获取模块130,用于采用滑动时间窗口算法描述微状态序列,并将第一微状态序列子段内持续时间大于第一时间阈值的微状态作为第一微状态序列子段的主要特征,得到特征序列;第一微状态序列子段为当前滑动时间窗口描述的微状态序列子段。
本发明实施例提供的技术方案使用滑动时间窗口算法描述微状态序列,能够提高获取到的特征序列的有效性,同时能够减小计算量并降低噪声的影响。
在本实施例中,从静息态脑电数据中提取特征的装置100还包括:
特征值计算模块,用于获取至少一个脑电信号段对应的特征序列,并根据各个脑电信号段对应的特征序列计算所述被试人员对应的各个特征的特征值;
分类模块,用于将所述特征值输入分类模型,得到所述被试人员对应的人员类别;所述人员类别包括:阿兹海默症患者类、轻度认知障碍患者类以及正常人员类;
在本实施例中,脑电信号段获取模块110包括:
α成分获取单元,用于基于小波分解方法提取所述脑电信号中的α成分;
全局能量谱计算单元,用于计算所述α成分对应的全局能量谱;
在本实施例中,微状态序列计算模块120包括:
脑电拓扑图获取单元,用于获取所述全局能量谱的目标峰值点对应的脑电拓扑图;
聚类分析单元,用于对所述目标峰值点对应的脑电拓扑图进行聚类分析,得到至少一种微状态;
空间相关度计算单元,用于分别计算所述脑电信号中第一时间点与各个目标峰值时间点的空间相关度;所述第一时间点为所述脑电信号中除所述峰值时间外的其他时间点;
微状态序列生成单元,用于选取与所述第一时间点的空间相关度最大的目标峰值时间点对应的微状态作为所述第一时间点对应的微状态,得到所述脑电信号的微状态序列。
在本实施例中,脑电拓扑图获取单元包括:
目标峰值点获取子单元,用于将所述全局能量谱中除第一峰值点外的峰值点作为目标峰值点;所述第一峰值点为与相邻峰值点的时间间隔小于预设时间阈值的峰值点;
脑电拓扑图获取子单元,用于获取各个目标峰值点对应的脑电拓扑图。
在本实施例中,聚类分析单元具体包括:使用Modified K-means聚类算法对所述峰值时间的脑电拓扑图进行聚类分析,得到至少一种微状态。
在本实施例中,特征值计算模块包括:
特征序列获取单元,用于获取至少一个脑电信号段对应的特征序列;
特征值计算单元,用于根据各个脑电信号段对应的特征序列计算所述被试人员对应的各个特征的特征值,包括:
计算各个主要特征对应的特征值:
特征值计算公式为:
Figure BDA0002543368150000091
i=0,1,2,3,4;
其中,i为主要特征类别;Featurei为主要特征类别i对应的特征值;m为脑电信号段的个数;n为各个脑电信号段中包括的微状态序列子段的个数;numijk为第k个脑电信号段中第j个微状态序列子段中主要特征类别i作为主要特征的次数;Ck为第k个脑电信号段内作为主要特征的微状态类别的数量。
图4是本发明的一个实施例提供的终端设备的示意图。如图4所示,该实施例的终端设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个从静息态脑电数据中提取特征的方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块110至130的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如,所述计算机程序42可以被分割成脑电信号段获取模块、微状态序列计算模块以及特征序列获取模块(虚拟装置中的模块)。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端设备4的示例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备,例如所述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。

Claims (10)

1.一种从静息态脑电数据中提取特征的方法,其特征在于,包括:
获取被试人员在静息状态下的脑电信号段,并计算所述脑电信号段对应的全局能量谱;
根据所述全局能量谱确定所述脑电信号段中各个时间点对应的微状态,得到微状态序列;
采用滑动时间窗口算法描述所述微状态序列,并将第一微状态序列子段内持续时间大于第一时间阈值的微状态作为所述第一微状态序列子段的主要特征,得到特征序列;所述第一微状态序列子段为当前滑动时间窗口描述的微状态序列子段。
2.如权利要求1所述的从静息态脑电数据中提取特征的方法,其特征在于,在所述得到特征序列之后,所述方法还包括:
获取至少一个脑电信号段对应的特征序列,并根据各个脑电信号段对应的特征序列计算所述被试人员对应的各个主要特征的特征值;
将所述被试人员对应的各个主要特征的特征值输入分类模型,得到所述被试人员对应的人员类别;所述人员类别包括:阿兹海默症患者类、轻度认知障碍患者类以及正常人员类。
3.如权利要求1所述的从静息态脑电数据中提取特征的方法,其特征在于,所述计算所述脑电信号段对应的全局能量谱,包括:
基于小波分解方法提取所述脑电信号中的α成分;
计算所述α成分对应的全局能量谱。
4.如权利要求1所述的从静息态脑电数据中提取特征的方法,其特征在于,所述根据所述全局能量谱确定脑电信号中各个时间点对应的微状态,得到微状态序列,包括:
获取所述全局能量谱的目标峰值点对应的脑电拓扑图;
对所述目标峰值点对应的脑电拓扑图进行聚类分析,得到至少一种微状态;
分别计算所述脑电信号中第一时间点与各个目标峰值时间点的空间相关度;所述第一时间点为所述脑电信号中除所述峰值时间外的其他时间点;
选取与所述第一时间点的空间相关度最大的目标峰值时间点对应的微状态作为所述第一时间点对应的微状态,得到所述脑电信号的微状态序列。
5.如权利要求4所述的从静息态脑电数据中提取特征的方法,其特征在于,所述获取所述全局能量谱的目标峰值点对应的脑电拓扑图,包括:
将所述全局能量谱中除第一峰值点外的峰值点作为目标峰值点;所述第一峰值点为与相邻峰值点的时间间隔小于预设时间阈值的峰值点;
获取各个目标峰值点对应的脑电拓扑图。
6.如权利要求4所述的从静息态脑电数据中提取特征的方法,其特征在于,所述对所述目标峰值点对应的脑电拓扑图进行聚类分析,得到至少一种微状态,包括:
使用Modified K-means聚类算法对所述峰值时间的脑电拓扑图进行聚类分析,得到四种微状态。
7.如权利要求2所述的从静息态脑电数据中提取特征的方法,其特征在于,所述根据各个脑电信号段对应的特征序列计算所述被试人员对应的各个主要特征的特征值包括:
根据各个脑电信号段对应的特征序列及特征值计算公式,计算所述被试人员对应的各个主要特征的特征值;
所述特征值计算公式为:
Figure FDA0002543368140000021
其中,i为主要特征类别;Featurei为主要特征类别i对应的特征值;m为所述脑电信号段的个数;n为各个脑电信号段中包括的微状态序列子段的个数;numijk为第k个脑电信号段中第j个微状态序列子段中主要特征类别i作为主要特征的次数;Ck为第k个脑电信号段内作为主要特征的微状态类别的数量。
8.一种从静息态脑电数据中提取特征的装置,其特征在于,包括:
脑电信号段获取模块,用于获取被试人员在静息状态下的脑电信号段,并计算所述脑电信号段对应的全局能量谱;
微状态序列计算模块,用于根据所述全局能量谱确定所述脑电信号段中各个时间点对应的微状态,得到微状态序列;
特征序列获取模块,用于采用滑动时间窗口算法描述所述微状态序列,并将第一微状态序列子段内持续时间大于第一时间阈值的微状态作为所述第一微状态序列子段的主要特征,得到特征序列;所述第一微状态序列子段为当前滑动时间窗口描述的微状态序列子段。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202010553319.2A 2020-06-17 2020-06-17 一种从静息态脑电数据中提取特征的方法及终端设备 Active CN111671420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010553319.2A CN111671420B (zh) 2020-06-17 2020-06-17 一种从静息态脑电数据中提取特征的方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010553319.2A CN111671420B (zh) 2020-06-17 2020-06-17 一种从静息态脑电数据中提取特征的方法及终端设备

Publications (2)

Publication Number Publication Date
CN111671420A true CN111671420A (zh) 2020-09-18
CN111671420B CN111671420B (zh) 2023-07-18

Family

ID=72436560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010553319.2A Active CN111671420B (zh) 2020-06-17 2020-06-17 一种从静息态脑电数据中提取特征的方法及终端设备

Country Status (1)

Country Link
CN (1) CN111671420B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112603335A (zh) * 2020-12-29 2021-04-06 深圳航天科技创新研究院 脑电情感识别方法、系统、设备及存储介质
CN112614539A (zh) * 2020-12-31 2021-04-06 西安邮电大学 基于teo-mic算法的运动想象检测方法
CN113180701A (zh) * 2021-07-01 2021-07-30 中国人民解放军军事科学院军事医学研究院 一种用于图像标签标注的脑电信号深度学习方法
CN115317002A (zh) * 2022-07-01 2022-11-11 灵犀云医学科技(北京)有限公司 用于确定脑电图的微状态的方法和设备
CN115553775A (zh) * 2022-08-30 2023-01-03 北京机械设备研究所 一种基于静息态脑电微状态的测谎方法以及装置
CN116807478A (zh) * 2023-06-27 2023-09-29 常州大学 一种驾驶员瞌睡开始状态检测方法、装置及设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7299088B1 (en) * 2002-06-02 2007-11-20 Nitish V Thakor Apparatus and methods for brain rhythm analysis
CN106648087A (zh) * 2016-12-12 2017-05-10 西北工业大学 一种基于意识任务的特征eeg处理方法
CN108143410A (zh) * 2017-12-13 2018-06-12 东南大学 一种面向静息态脑电信号的脑功能连接分析方法
CN108143411A (zh) * 2017-12-13 2018-06-12 东南大学 一种面向孤独症诊断的静息态脑电分析系统
CN108577835A (zh) * 2018-05-17 2018-09-28 太原理工大学 一种基于微状态的脑功能网络构建方法
CN109171714A (zh) * 2018-08-29 2019-01-11 成都和煦医疗科技有限公司 采用耳塞式电极的智能睡眠监测系统
CN109497996A (zh) * 2018-11-07 2019-03-22 太原理工大学 一种微状态eeg时域特征的复杂网络构建及分析方法
WO2019064136A1 (en) * 2017-09-27 2019-04-04 Mor Research Applications Ltd. MICRO-STATE ANALYSIS OF EEG
CN110811557A (zh) * 2019-11-15 2020-02-21 西安交通大学 一种基于微状态功率谱分析的麻醉深度监测系统及方法
CN110811556A (zh) * 2019-11-15 2020-02-21 西安交通大学 一种基于脑电微状态分析的麻醉深度监测系统及方法
US20200164218A1 (en) * 2016-09-27 2020-05-28 Mor Research Applications Ltd. Eeg microstates for controlling neurological treatment

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7299088B1 (en) * 2002-06-02 2007-11-20 Nitish V Thakor Apparatus and methods for brain rhythm analysis
US20200164218A1 (en) * 2016-09-27 2020-05-28 Mor Research Applications Ltd. Eeg microstates for controlling neurological treatment
CN106648087A (zh) * 2016-12-12 2017-05-10 西北工业大学 一种基于意识任务的特征eeg处理方法
WO2019064136A1 (en) * 2017-09-27 2019-04-04 Mor Research Applications Ltd. MICRO-STATE ANALYSIS OF EEG
CN108143410A (zh) * 2017-12-13 2018-06-12 东南大学 一种面向静息态脑电信号的脑功能连接分析方法
CN108143411A (zh) * 2017-12-13 2018-06-12 东南大学 一种面向孤独症诊断的静息态脑电分析系统
CN108577835A (zh) * 2018-05-17 2018-09-28 太原理工大学 一种基于微状态的脑功能网络构建方法
CN109171714A (zh) * 2018-08-29 2019-01-11 成都和煦医疗科技有限公司 采用耳塞式电极的智能睡眠监测系统
CN109497996A (zh) * 2018-11-07 2019-03-22 太原理工大学 一种微状态eeg时域特征的复杂网络构建及分析方法
CN110811557A (zh) * 2019-11-15 2020-02-21 西安交通大学 一种基于微状态功率谱分析的麻醉深度监测系统及方法
CN110811556A (zh) * 2019-11-15 2020-02-21 西安交通大学 一种基于脑电微状态分析的麻醉深度监测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘晓明: "基于脑电微状态分析方法的运动想象脑电研究", pages 23 - 36 *
杨鹏飞: "面向工作记忆 EEG 数据的动态脑网络构建与属性分析", pages 1 - 18 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112603335A (zh) * 2020-12-29 2021-04-06 深圳航天科技创新研究院 脑电情感识别方法、系统、设备及存储介质
CN112603335B (zh) * 2020-12-29 2023-10-17 深圳航天科技创新研究院 脑电情感识别方法、系统、设备及存储介质
CN112614539A (zh) * 2020-12-31 2021-04-06 西安邮电大学 基于teo-mic算法的运动想象检测方法
CN112614539B (zh) * 2020-12-31 2023-04-11 西安邮电大学 基于teo-mic算法的运动想象检测方法
CN113180701A (zh) * 2021-07-01 2021-07-30 中国人民解放军军事科学院军事医学研究院 一种用于图像标签标注的脑电信号深度学习方法
CN115317002A (zh) * 2022-07-01 2022-11-11 灵犀云医学科技(北京)有限公司 用于确定脑电图的微状态的方法和设备
CN115553775A (zh) * 2022-08-30 2023-01-03 北京机械设备研究所 一种基于静息态脑电微状态的测谎方法以及装置
CN116807478A (zh) * 2023-06-27 2023-09-29 常州大学 一种驾驶员瞌睡开始状态检测方法、装置及设备

Also Published As

Publication number Publication date
CN111671420B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN111671420A (zh) 一种从静息态脑电数据中提取特征的方法及终端设备
Chen et al. Removal of muscle artifacts from the EEG: A review and recommendations
Yazdani et al. Classification of EEG signals using Dempster Shafer theory and a k-nearest neighbor classifier
Parra et al. Response error correction-a demonstration of improved human-machine performance using real-time EEG monitoring
US10824225B2 (en) Methods and apparatuses for determining head movement
Cong et al. Validating rationale of group-level component analysis based on estimating number of sources in EEG through model order selection
CN112957055B (zh) 基于eemd-pca去除eeg信号中运动伪迹的方法及装置
Mohamed et al. Towards automated quality assessment measure for EEG signals
CN115429289B (zh) 一种脑机接口训练数据扩增方法、装置、介质及电子设备
CN108415564A (zh) 电子装置、设备控制方法及相关产品
Velásquez-Martínez et al. Motor imagery classification for BCI using common spatial patterns and feature relevance analysis
CN116541751B (zh) 一种基于脑功能连接网络特征的脑电信号分类方法
CN111407231B (zh) 用于检测阿兹海默症罹患风险的方法、装置及终端设备
US20230315203A1 (en) Brain-Computer Interface Decoding Method and Apparatus Based on Point-Position Equivalent Augmentation
CN117462145A (zh) 基于FastICA的眼电伪迹自识别清除方法、装置、设备及介质
CN111317466A (zh) 一种脑电信号成像方法、系统以及计算机设备
CN114366101B (zh) 运动想象脑电信号分类方法、装置、设备和存储介质
WO2014191805A1 (en) Devices and methods for determination of cognitive load
CN114795247A (zh) 脑电信号分析方法、装置、电子设备和存储介质
CN114027840A (zh) 基于变分模态分解的情绪脑电识别方法
CN113070875A (zh) 一种基于脑波识别的机械手控制方法及装置
Massar et al. Blind Source Separation of EEG Signals Using Wavelet and EMD Decomposition
Mohammadi et al. Comparison of two methods of removing EOG artifacts for use in a motor imagery-based brain computer interface
CN108542383B (zh) 基于运动想象的脑电信号识别方法、系统、介质及设备
CN114366122B (zh) 一种基于eeg脑机接口的运动想象分析方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20211013

Address after: 050081 South Hall, 7th floor, building 1, Hebei Academy of Sciences, No. 46, Youyi South Street, Qiaoxi District, Shijiazhuang City, Hebei Province

Applicant after: INSTITUTE OF APPLIED MATHEMATICS HEBEI ACADEMY OF SCIENCES

Applicant after: THE FIRST HOSPITAL OF HEBEI MEDICAL University

Address before: 050081 South Hall, 7th floor, building 1, Hebei Academy of Sciences, No. 46, Youyi South Street, Qiaoxi District, Shijiazhuang City, Hebei Province

Applicant before: INSTITUTE OF APPLIED MATHEMATICS HEBEI ACADEMY OF SCIENCES

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant