CN112075932A - 一种诱发电位信号的高分辨率时频分析方法 - Google Patents

一种诱发电位信号的高分辨率时频分析方法 Download PDF

Info

Publication number
CN112075932A
CN112075932A CN202011101135.9A CN202011101135A CN112075932A CN 112075932 A CN112075932 A CN 112075932A CN 202011101135 A CN202011101135 A CN 202011101135A CN 112075932 A CN112075932 A CN 112075932A
Authority
CN
China
Prior art keywords
signal
time
evoked potential
frequency
module
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
CN202011101135.9A
Other languages
English (en)
Other versions
CN112075932B (zh
Inventor
胡勇
崔红岩
吴怡欣
谢小波
徐圣普
李含磊
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.)
Institute of Biomedical Engineering of CAMS and PUMC
Original Assignee
Institute of Biomedical Engineering of CAMS and PUMC
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 Biomedical Engineering of CAMS and PUMC filed Critical Institute of Biomedical Engineering of CAMS and PUMC
Priority to CN202011101135.9A priority Critical patent/CN112075932B/zh
Publication of CN112075932A publication Critical patent/CN112075932A/zh
Application granted granted Critical
Publication of CN112075932B publication Critical patent/CN112075932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/72—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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

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

Abstract

本发明涉及一种诱发电位信号的高分辨率时频分析方法，其技术特点是：将信号采集模块输入端与待测诱发电位信号源连接在一起，将信号采集模块与信号预处理模块及信号分析模块依次相连接；信号采集模块采集并处理诱发电位信号后输出至信号预处理模块；信号预处理模块对诱发电位信号进行预处理并输出至信号分析模块；信号分析模块对信号进行时频分析，以迭代的方式将信号与大型冗余字典匹配，进而分解为一系列时频分量，最终输出信号在时频域中分布成分的参数信息。本发明设计合理，在解决了时频成分的表征问题的同时，提高了时频分析的分辨率，并且信噪比高、鲁棒性好，可适应于存在外界噪声干扰的情况。

Description

一种诱发电位信号的高分辨率时频分析方法
技术领域
本发明属于生物医学信号技术领域，涉及诱发电位信号，尤其是一种诱发电位信号的高分辨率时频分析方法。
背景技术
在生物医学信号分析处理过程中，普遍采用时频分析技术来提取诱发电位稳定且易于识别的信号特征，其中小波分析和短时傅立叶变换等时频分析方法可以通过调整窗口函数，改善时频分析时间、频率的分辨率，但是，由于时频具有不确定性的特性，不能同时提高以上两种分辨率，并且无法表征时频分量，因此，难以建立客观标准来对诱发电位信号进行时频域评估。
发明内容
本发明的目的在于克服现有技术的不足，提出一种分辨率高、信噪比大且鲁棒性好的诱发电位信号的高分辨率时频分析方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种诱发电位信号的高分辨率时频分析方法，包括以下步骤：
步骤1、将信号采集模块输入端与待测诱发电位信号源连接在一起，将信号采集模块输出端与信号预处理模块相连接，将信号预处理模块输出端与信号分析模块相连接；
步骤2、信号采集模块采集并处理诱发电位信号，将处理后的诱发电位信号输出至信号预处理模块；
步骤3、信号预处理模块对诱发电位信号进行预处理，将预处理后的诱发电位信号输出至信号分析模块；
步骤4、信号分析模块对信号进行时频分析，以迭代的方式将信号与大型冗余字典匹配，进而分解为一系列时频分量，最终输出信号在时频域中分布成分的参数信息。
进一步，所述步骤2的具体实现方法为：信号采集模块通过测量电极采集诱发电位信号，信号采集模块通过信号放大器对诱发电位信号进行放大，然后将放大后的诱发电位信号输出至信号预处理模块。
进一步，所述步骤3信号预处理模块对诱发电位信号进行预处理的方法为：信号预处理模块对诱发电位信号进行平均处理及带通滤波处理。
进一步，所述步骤4的具体实现方法包括以下步骤：
步骤4.1、从Gabor字典中选择时频分量，将诱发电位信号的时频分量与Gabor型函数匹配，以迭代方式将采集到的离散时间诱发电位信号x(n)分解为基本函数的线性组合{g1(n),g2(n),...,gm(n)}，其形式如下；
Figure BDA0002725419580000011
其中，M是分解的时频分量的数量，gm(n)是第m个时频分量，e(n)是分解残差；
步骤4.2、在Gabor函数中，
Figure BDA0002725419580000021
是由潜伏期t和时间跨度s表示的波形包络，潜伏期t为波形从刺激开始到波形包络最大值出现处的持续时间；
步骤4.3、函数分解后信号的Gabor型时频分量g(n)的形式如下：
Figure BDA0002725419580000022
其中，t、f、s、a、φ分别是潜伏期、频率、时间跨度、幅度和相位；
步骤4.4、将潜伏期、频率、时间跨度、幅度和相位构成一个五维参数向量来表征Gabor型时频分量μ，其形式如下：
μ＝[t,f,s,a,φ]T
步骤4.5、采用主成分分析方法对Gabor型时频分量μ进行降维，将跨度、幅度、相位标准化为均值零和标准差，将分析后的第一个主成分加入进向量中，并将用于描述时频成分的特征向量简化为潜伏期t、频率f和相对能量p：
ν＝[t,f,p]T
步骤4.6、输出特征向量ν。
本发明的优点和积极效果是：
本发明设计合理，能够有效采集大脑反应的诱发电位信号并进行放大及预处理，对从中提取出的诱发电位信号进行时频分析，将信号与函数字典进行匹配，以迭代的方式将信号分解为一系列由时间和频率参数进行描述的时频成分，并提供分量中潜伏期、频率及相对能量的直接参数表征，在解决了时频成分的表征问题的同时，提高了时频分析的分辨率，并且处理后的信噪比高、鲁棒性好，可适应于存在外界噪声干扰的情况。
附图说明
图1是本发明的应用平台结构图；
图2是本发明的信号分析模块方框图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种诱发电位信号的高分辨率时频分析方法，是在如图1所示的应用平台上实现的，该应用平台包括信号采集模块、信号预处理模块和信号分析模块。信号采集模块由测量电极和信号放大器构成，测量电极通过信号放大器获取诱发电位信号并输入到信号预处理模块的输入信号端；信号预处理模块对诱发电位信号进行预处理，并输出预处理后的诱发电位信号到信号分析模块的输入信号端；信号分析模块对信号进行时频分析，输出信号在时频域中一系列成分的分布，以及每个成分中时域潜伏期、峰-峰幅值，时频域的峰值时间、峰值频率以及相对能量参数的特征信息。
本发明的设计思路为：信号采集模块通过测量电极获取诱发电位信号，经过预处理后，信号分析模块对从中提取出的诱发电位信号进行时频分析，将诱发电位信号与函数字典进行匹配，采用迭代的方法将信号分解为一系列由时间和频率参数进行描述的时频成分，直至分解后的时频成分的总能量满足误差要求，进而输出时频成分的特征参数。
基于上述设计思想，本发明提出一种诱发电位信号的高分辨率时频分析方法，即匹配跟踪方法，如图2所示，包括以下步骤：
步骤1、将信号采集模块输入端与待测诱发电位信号源连接在一起，将信号采集模块输出端与信号预处理模块相连接，将信号预处理模块输出端与信号分析模块相连接。
本实施例以大鼠为实验体，信号采集模块的测量电极获取大鼠体感诱发电位，采集模块的信号放大器用于对测量得到的诱发电位信号进行放大。
步骤2、信号采集模块采集并处理诱发电位信号，并将处理后的诱发电位信号输出至信号预处理模块。
在本实施例中，信号采集模块通过测量电极采集诱发电位信号，采集模块的信号放大器对诱发电位信号进行放大后输入到信号预处理模块中。
步骤3、所述信号预处理模块对诱发电位信号进行平均及带通滤波等预处理，并输出预处理后的诱发电位信号到信号分析模块。
步骤4、信号分析模块对信号进行时频分析，以迭代的方式将信号与大型冗余字典匹配，进而分解为一系列时频分量，输出信号在时频域中分布成分的参数信息。
在本实施例中，本步骤的具体实现方法如下：
步骤4.1、从Gabor字典中选择时频分量，将诱发电位信号的时频分量与Gabor型函数匹配，以迭代方式将采集到的离散时间诱发电位信号x(n)进行分解为基本函数的线性组合{g1(n),g2(n),...,gm(n)}，其形式如下；
Figure BDA0002725419580000031
M是分解的时频分量的数量，gm(n)是第m个时频分量，e(n)是分解残差。
步骤4.2、在Gabor函数中，
Figure BDA0002725419580000032
是由潜伏期t和时间跨度s表示的波形包络，潜伏期t即波形从刺激开始到波形包络最大值出现处的持续时间。
步骤4.3、函数分解后信号的时频分量，即Gabor型时频分量g(n)的形式如下：
Figure BDA0002725419580000033
其中，t、f、s、a、φ分别是潜伏期、频率、时间跨度、幅度和相位。
步骤4.4、将潜伏期、频率、时间跨度、幅度和相位构成一个五维参数向量来表征Gabor型时频分量μ，其形式如下：
μ＝[t,f,s,a,φ]T
步骤4.5、时频分量μ很难在五维空间中进行聚类，通过主成分分析进行降维，将跨度、幅度、相位标准化为均值零和标准差，将分析后的第一个主成分加入进向量中，并将用于描述时频成分的特征向量简化为潜伏期t、频率f和相对能量p：
ν＝[t,f,p]T
步骤4.6、输出特征向量ν。
通过试验可以看出，在存在大量背景噪声的情况下，此时频分析方法非常耐用。信噪比(SNR)-3dB的加性高斯白噪声，这意味着噪声的增加是信号功率的两倍，不会严重影响时频分量在时频域中的位置。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (4)

1.一种诱发电位信号的高分辨率时频分析方法，其特征在于：包括以下步骤：
步骤1、将信号采集模块输入端与待测诱发电位信号源连接在一起，将信号采集模块输出端与信号预处理模块相连接，将信号预处理模块输出端与信号分析模块相连接；
步骤2、信号采集模块采集并处理诱发电位信号，将处理后的诱发电位信号输出至信号预处理模块；
步骤3、信号预处理模块对诱发电位信号进行预处理，将预处理后的诱发电位信号输出至信号分析模块；
步骤4、信号分析模块对信号进行时频分析，以迭代的方式将信号与大型冗余字典匹配，进而分解为一系列时频分量，最终输出信号在时频域中分布成分的参数信息。
2.根据权利要求1所述的一种诱发电位信号的高分辨率时频分析方法，其特征在于：所述步骤2的具体实现方法为：信号采集模块通过测量电极采集诱发电位信号，信号采集模块通过信号放大器对诱发电位信号进行放大，然后将放大后的诱发电位信号输出至信号预处理模块。
3.根据权利要求1所述的一种诱发电位信号的高分辨率时频分析方法，其特征在于：所述步骤3信号预处理模块对诱发电位信号进行预处理的方法为：信号预处理模块对诱发电位信号进行平均处理及带通滤波处理。
4.根据权利要求1所述的一种诱发电位信号的高分辨率时频分析方法，其特征在于：所述步骤4的具体实现方法包括以下步骤：
步骤4.1、从Gabor字典中选择时频分量，将诱发电位信号的时频分量与Gabor型函数匹配，以迭代方式将采集到的离散时间诱发电位信号x(n)分解为基本函数的线性组合{g1(n),g2(n),...,gm(n)}，其形式如下；
Figure FDA0002725419570000011
其中，M是分解的时频分量的数量，gm(n)是第m个时频分量，e(n)是分解残差；
步骤4.2、在Gabor函数中，
Figure FDA0002725419570000012
是由潜伏期t和时间跨度s表示的波形包络，潜伏期t为波形从刺激开始到波形包络最大值出现处的持续时间；
步骤4.3、函数分解后信号的Gabor型时频分量g(n)的形式如下：
Figure FDA0002725419570000013
其中，t、f、s、a、φ分别是潜伏期、频率、时间跨度、幅度和相位；
步骤4.4、将潜伏期、频率、时间跨度、幅度和相位构成一个五维参数向量来表征Gabor型时频分量μ，其形式如下：
μ＝[t,f,s,a,φ]T
步骤4.5、采用主成分分析方法对Gabor型时频分量μ进行降维，将跨度、幅度、相位标准化为均值零和标准差，将分析后的第一个主成分加入进向量中，并将用于描述时频成分的特征向量简化为潜伏期t、频率f和相对能量p：
ν＝[t,f,p]T
步骤4.6、输出特征向量ν。
CN202011101135.9A 2020-10-15 2020-10-15 一种诱发电位信号的高分辨率时频分析方法 Active CN112075932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011101135.9A CN112075932B (zh) 2020-10-15 2020-10-15 一种诱发电位信号的高分辨率时频分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011101135.9A CN112075932B (zh) 2020-10-15 2020-10-15 一种诱发电位信号的高分辨率时频分析方法

Publications (2)

Publication Number Publication Date
CN112075932A true CN112075932A (zh) 2020-12-15
CN112075932B CN112075932B (zh) 2023-12-05

Family

ID=73730277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011101135.9A Active CN112075932B (zh) 2020-10-15 2020-10-15 一种诱发电位信号的高分辨率时频分析方法

Country Status (1)

Country Link
CN (1) CN112075932B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008058343A1 (en) * 2006-11-15 2008-05-22 The University Of Queensland A method for detecting eeg seizures in a newborn or a young child
CN101507606A (zh) * 2008-12-09 2009-08-19 上海理工大学 脑诱发电位的采集方法
CN103675444A (zh) * 2012-08-30 2014-03-26 中国石油化工股份有限公司 一种高精度的时频分析方法
CN103995973A (zh) * 2014-05-27 2014-08-20 哈尔滨工业大学 一种基于过完备字典集合划分的信号稀疏分解方法
CN105424359A (zh) * 2015-11-25 2016-03-23 华南理工大学 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法
CN106510702A (zh) * 2016-12-09 2017-03-22 广州大学 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法
CN106653061A (zh) * 2016-11-01 2017-05-10 武汉大学深圳研究院 一种基于字典分类的音频匹配追踪装置及其追踪方法
CN106991409A (zh) * 2017-04-14 2017-07-28 山东建筑大学 一种运动想象脑电信号特征提取与分类系统及方法
CN109682892A (zh) * 2018-12-26 2019-04-26 西安科技大学 一种基于时频分析的信号去燥方法
CN110245321A (zh) * 2019-05-09 2019-09-17 东北石油大学 基于匹配追踪稀疏分解的电能质量扰动检测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008058343A1 (en) * 2006-11-15 2008-05-22 The University Of Queensland A method for detecting eeg seizures in a newborn or a young child
CN101507606A (zh) * 2008-12-09 2009-08-19 上海理工大学 脑诱发电位的采集方法
CN103675444A (zh) * 2012-08-30 2014-03-26 中国石油化工股份有限公司 一种高精度的时频分析方法
CN103995973A (zh) * 2014-05-27 2014-08-20 哈尔滨工业大学 一种基于过完备字典集合划分的信号稀疏分解方法
CN105424359A (zh) * 2015-11-25 2016-03-23 华南理工大学 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法
CN106653061A (zh) * 2016-11-01 2017-05-10 武汉大学深圳研究院 一种基于字典分类的音频匹配追踪装置及其追踪方法
CN106510702A (zh) * 2016-12-09 2017-03-22 广州大学 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法
CN106991409A (zh) * 2017-04-14 2017-07-28 山东建筑大学 一种运动想象脑电信号特征提取与分类系统及方法
CN109682892A (zh) * 2018-12-26 2019-04-26 西安科技大学 一种基于时频分析的信号去燥方法
CN110245321A (zh) * 2019-05-09 2019-09-17 东北石油大学 基于匹配追踪稀疏分解的电能质量扰动检测方法及装置

Also Published As

Publication number Publication date
CN112075932B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN102697493B (zh) 一种快速的脑电信号中眼电伪迹自动识别和去除的方法
CN110619296A (zh) 一种基于奇异分解的信号降噪方法
CN107392123B (zh) 一种基于相参积累消噪的射频指纹特征提取和识别方法
Azami et al. Spike detection approaches for noisy neuronal data: assessment and comparison
CN111160317B (zh) 微弱信号盲提取方法
Dong et al. Detection and identification of vehicles based on their unintended electromagnetic emissions
CN108470182B (zh) 一种用于非对称脑电特征增强与识别的脑-机接口方法
CN112075932B (zh) 一种诱发电位信号的高分辨率时频分析方法
Barioul et al. A low cost signal acquisition board design for myopathy's EMG database construction
CN109002798B (zh) 一种基于卷积神经网络的单导视觉诱发电位提取方法
CN103995799B (zh) 基于fft谱校正的频率相位脑机接口解码方法及其装置
Qin et al. Multi-resolution time-frequency analysis for detection of rhythms of EEG signals
CN107341519B (zh) 一种基于多分辨率分析的支持向量机识别优化方法
CN112807000B (zh) 鲁棒性脑电信号的生成方法及装置
Liu et al. Remove motion artifacts from scalp single channel EEG based on noise assisted least square multivariate empirical mode decomposition
Tirtom et al. Enhancement of time-frequency properties of ECG for detecting micropotentials by wavelet transform based method
Dawton et al. Proposal for a compressive measurement-based acoustic vehicle detection and identification system
Bhardwaj et al. Analysis of ECG signal denoising algorithms in DWT and EEMD domains
Kesgin et al. Singular superlet transform achieves markedly improved time-frequency super-resolution for separating complex neural signals
Farashi et al. Combination of PCA and undecimated wavelet transform for neural data processing
AU2021105283A4 (en) Method for Extracting EEG Feature Based on LBP and SSA
CN115081471B (zh) 一种基于多频段复合波形的峰电位检测及分类方法及用途
CN118734135A (zh) 一种基于宽线性处理的信号处理方法及系统
CN106878618A (zh) 一种基于fpga的图像处理系统及方法
Causo et al. Sampling modulation: An energy efficient novel feature extraction for biosignal processing

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