CN112022151A - 一种脑电棘慢波的处理及识别方法 - Google Patents

Abstract

本发明公开了一种脑电棘慢波的处理及识别方法，所述方法包括如下步骤：S1.输入原始脑电(颅内或头皮等脑电)信号进行小波变换，得到小波系数；S2.设置阈值，用小波法进行去噪；S3.小波重构得到去噪后的信号；S4.找到去噪后信号的极值点，以此为中心点将原始脑电信号分解成长度为350ms的片段；S5.截取N个(例：N＝100)250ms的棘慢波数据；S6.叠加平均拟合一个棘慢波模板函数f(t)；S7.构造母小波Ψ(t)；S8.小波变换，获得小波系数；S9.设置阈值，检测棘慢波，并输出检测结果。本发明所述脑电棘慢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，且对人工的依赖弱等优点。

Description

一种脑电棘慢波的处理及识别方法

技术领域

本发明涉及一种脑电棘慢波的处理及识别方法。

背景技术

癫痫是一种神经系统疾病，影响着世界近1％的人口。癫痫发作是大脑神经过度放电的临床表现。这种放电通常被称为“阵发性活动”，在发作期间(发作期)或发作之间(发作间期)出现。

棘慢波是癫痫样放电的主要特征波形，持续时间150ms-350ms，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，后跟随慢波。棘慢波多为病理性波。

棘慢波的识别可以帮助医务人员对癫痫做出辅助诊断，为进一步分型和制定相应的治疗方案提供依据，在临床实践中对棘慢波的识别主要依靠人工进行，其效率较低，难以高效率大规模分析，同时，由于人的主观因素影响，不同人员对同一数据的判断也可能存在差异，致使棘慢波的识别结果严重依赖于判别人员的主观经验。

癫痫患者脑电异常放电的自动检测可以促进诊断的长期监测，并使医生能够实时地监测癫痫患者，同时测试和评估不同药物的好处，以提供定量测量癫痫活动。现有的自动检测技术主要分为两个阶段；将数据转换为特定的域，用于特征提取和分类。在时域、频域、时频域或小波变换等时频域提取特征。由于脑电信号是非平稳的，因此时频域方法通常比其他两种方法具有更高的成功率。与传统的信号分析技术相比，小波变换是自动检测癫痫发作背景下脑电图信号分析的有力工具。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种脑电棘慢波的处理及识别方法。

本发明通过以下技术方案来实现：

一种脑电棘慢波的处理及识别方法，包括如下步骤：

S1、输入原始信号进行小波变换，得到小波系数；

S2、设置阈值，用小波法进行去噪；

S3、通过小波逆变换得到去噪后的信号；

S4、以去噪后信号极值点为中心将原始信号分解成350ms的片段；

S5、选取并截取N个250ms的棘慢波数据；

S6、叠加平均拟合棘慢波模板函数f(t)；

S7、构造母小波函数Ψ(t)；

S8、进行小波变换，获得小波系数；

S9、设置阈值，检测棘慢波，并输出检测结果。

优选地，S1中将小波变换应用于有噪声的信号，得到能区分信号和噪声的小波系数的方法如下：

其中

优选地，S2中设置小波系数阈值，低于阈值的小波系数都设置为0。

优选地，S4中相邻两个极值之间的距离必须大于设定的阈值，如果距离小于此值，则只保留绝对值最大的极值，将要处理的数据分割成多段小波。

优选地，S5中N＝100。

优选地，S6中将100个棘慢波叠加平均后拟合一个棘慢波模板函数f(t),公式如下：

其中，n＝100，x(t)为截取的棘慢波。

优选地，S7中构造母小波函数Ψ(t)为：

ψ(t)＝f(t)-(αt²+βt+γ)

通过求解下面的线性方程组得到系数αβ和γ

其中，t在[c,d]上取值，0<c<d<250ms,且满足Ψ(c)＝0，Ψ(d)＝0。

优选地，S8中小波系数的绝对值必须大于基于小波系数估计的通用阈值。

一种应用如上所述的脑电棘慢波的处理识别方法的脑电棘慢波的处理及检测装置，包括脑电数据导入模块；数据去噪模块；数据分解模块以及棘慢波检测输出模块；所述脑电数据导入模块用于导入所需识别的脑电数据；所述数据去噪模块用于对所需识别的脑电数据进行去噪处理；所述数据分解模块用于将原始数据分割成短片段，获得待检测片段；所述棘慢波检测输出模块用于检测棘慢波并输出结果。

优选地，所述棘慢波检测输出模块采用叠加平均法构建模板函数：

且在利用小波变换检测棘慢波之前，需要先构造母小波Ψ(t)：

ψ(t)＝f(t)-(αt²+βt+γ)

通过求解下面的线性方程组得到系数αβ和γ：

之后通过小波变换获得小波系数，其绝对值必须大于基于小波系数估计的通用阈值；其次，脑电数据与小波极值之间的最大时间差小于或等于经验定义的阈值，满足条件的则输出为一个棘慢波。

本发明具有如下有益效果：本发明所述脑电棘慢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，且对人工的依赖弱等优点。

附图说明

为了更清楚地说明本发明的技术方案，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的前提下，还可以根据这些附图获得其它附图。

图1是本发明的结构框图。

图2是本发明输出的棘慢波示意图。

具体实施方式

下面将结合本发明实施例中的附图，对发明实施例中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在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

一种脑电棘慢波的处理及识别方法，包括如下步骤：

S1.输入原始信号进行小波变换，得到小波系数，公式为：

其中，{a_j＝2^-j，b_j，k＝2^-jk}；

S2.设置阈值，用小波法进行去噪；设置小波系数阈值，低于阈值的小波系数都设置为0；

S3.小波逆变换得到去噪后的信号；

S4.找到去噪后信号极值点，以此为中心将原始信号分解成350ms的片段；

S5.专家从训练数据中判读选取并截取N个(此处以N＝100为例)250ms的棘慢波数据；

S6.将100个棘慢波叠加平均拟合一个棘慢波模板函数f(t)，公式为：

S7.构造母小波Ψ(t)，公式为：ψ(t)＝f(t)-(αt²+βt+γ)

通过求解下面的线性方程组得到系数αβ和γ：

其中，t在[c,d]上取值，0<c<d<250ms,且满足Ψ(c)＝0，Ψ(d)＝0。

S8.小波变换，获得小波系数；

S9.设置阈值，检测棘慢波，并输出检测结果。

实施例2

如说明书附图1所示，一种脑电棘慢波的处理及检测装置，包括：脑电数据导入模块；数据去噪模块；数据分解模块；棘慢波检测输出模块。所述脑电数据导入模块用于导入所需识别的脑电数据；所述数据去噪模块用于对所需识别的脑电数据进行去噪处理；所述数据分解模块用于将原始数据分割成短片段，获得待检测片段；所述棘慢波检测输出模块用于检测棘慢波并输出结果。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。

所述棘慢波检测输出模块采用叠加平均法构建模板函数，公式为：

且在利用小波变换检测棘慢波之前，需要先构造母小波Ψ(t)，公式为：

ψ(t)＝f(t)-(αt²+βt+γ)

通过求解下面的线性方程组得到系数αβ和γ：

之后通过小波变换获得小波系数，其绝对值必须大于基于小波系数估计的通用阈值；其次，脑电数据与小波极值之间的最大时间差小于或等于经验定义的阈值，即7.8ms，满足条件的则输出为一个棘慢波。

上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种脑电棘慢波的处理及识别方法，其特征在于，包括如下步骤：

S1、输入原始信号进行小波变换，得到小波系数；

S2、设置阈值，用小波法进行去噪；

S3、通过小波逆变换得到去噪后的信号；

S4、以去噪后信号极值点为中心将原始信号分解成350ms的片段；

S5、选取并截取N个250ms的棘慢波数据；

S6、叠加平均拟合棘慢波模板函数f(t)；

S7、构造母小波函数Ψ(t)；

S8、进行小波变换，获得小波系数；

S9、设置阈值，检测棘慢波，并输出检测结果。

2.根据权利要求1所述的脑电棘慢波的处理及识别方法，其特征在于，S1中将小波变换应用于有噪声的信号，得到能区分信号和噪声的小波系数的方法如下：

其中

3.根据权利要求1所述的脑电棘慢波的处理及识别方法，其特征在于，S2中设置小波系数阈值，低于阈值的小波系数都设置为0。

4.根据权利要求1所述的脑电棘慢波的处理及识别方法，其特征在于，S4中相邻两个极值之间的距离必须大于设定的阈值，如果距离小于此值，则只保留绝对值最大的极值，将要处理的数据分割成多段小波。

5.根据权利要求1所述的脑电棘慢波的处理及识别方法，其特征在于，S5中N＝100。

6.根据权利要求5所述的脑电棘慢波的处理及识别方法，其特征在于，S6中将100个棘慢波叠加平均后拟合一个棘慢波模板函数f(t),公式如下：

其中，n＝100，x(t)为截取的棘慢波。

7.根据权利要求1所述的脑电棘慢波的处理及识别方法，其特征在于，S7中构造母小波函数Ψ(t)为：

ψ(t)＝f(t)-(αt²+βt+γ)

通过求解下面的线性方程组得到系数αβ和γ

其中，t在[c,d]上取值，0<c<d<250ms,且满足Ψ(c)＝0，Ψ(d)＝0。

8.根据权利要求1所述的脑电棘慢波的处理及识别方法，其特征在于，S8中小波系数的绝对值必须大于基于小波系数估计的通用阈值。

9.一种应用如权利要求1所述的脑电棘慢波的处理及识别方法的脑电棘慢波的处理及检测装置，其特征在于，包括脑电数据导入模块；数据去噪模块；数据分解模块以及棘慢波检测输出模块；所述脑电数据导入模块用于导入所需识别的脑电数据；所述数据去噪模块用于对所需识别的脑电数据进行去噪处理；所述数据分解模块用于将原始数据分割成短片段，获得待检测片段；所述棘慢波检测输出模块用于检测棘慢波并输出结果。

10.根据权利要求9所述的脑电棘慢波的处理及检测装置，其特征在于，所述棘慢波检测输出模块采用叠加平均法构建模板函数：

且在利用小波变换检测棘慢波之前，需要先构造母小波Ψ(t)：

ψ(t)＝f(t)-(αt²+βt+γ)

通过求解下面的线性方程组得到系数αβ和γ：

之后通过小波变换获得小波系数，其绝对值必须大于基于小波系数估计的通用阈值；其次，脑电数据与小波极值之间的最大时间差小于或等于经验定义的阈值，满足条件的则输出为一个棘慢波。

Images