CN112237433A - 一种脑电信号异常监测系统及方法 - Google Patents

一种脑电信号异常监测系统及方法 Download PDF

Info

Publication number
CN112237433A
CN112237433A CN202011223490.3A CN202011223490A CN112237433A CN 112237433 A CN112237433 A CN 112237433A CN 202011223490 A CN202011223490 A CN 202011223490A CN 112237433 A CN112237433 A CN 112237433A
Authority
CN
China
Prior art keywords
module
abnormal
score
signal
weighted
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
CN202011223490.3A
Other languages
English (en)
Other versions
CN112237433B (zh
Inventor
卢国梁
贺光硕
尚伟
谢兆宏
许峰
张红
刘震
王尚
王莉莉
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202011223490.3A priority Critical patent/CN112237433B/zh
Publication of CN112237433A publication Critical patent/CN112237433A/zh
Application granted granted Critical
Publication of CN112237433B publication Critical patent/CN112237433B/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
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychiatry (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Physiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Discrete Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种脑电信号异常监测系统及方法，包括：信号预处理模块：其被配置为获取脑电信号，根据频率将脑电信号划分为多个波段；构建图模型模块：其被配置为建立脑电信号的每个波段的图模型；计算加权异常分数模块：其被配置为根据图模型计算每个波段的异常分数，对得到的每个波段的异常分数进行统一加权处理得到加权异常分数；假设检验模块：其被配置为判断加权异常分数是否落入对应的置信区间内，以确定脑电信号是否异常，本发明的系统工作效率高，避免了漏判和误判。

Description

一种脑电信号异常监测系统及方法
技术领域
本发明涉及脑电信号监测技术领域，具体涉及一种脑电信号异常监测系统及方法。
背景技术
这里的陈述仅提供与本发明相关的背景技术，而不必然地构成现有技术。
脑电图(EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。在实际对EEG信号的监测中，一个非常重要的内容就是对EEG信号中所出现的异常进行监测，即对于EEG信号从正常到异常的的时间进行监测。由于EEG信号的不平稳性，这种对于EEG信号的异常监测在目前仍是一种比较有挑战的问题。当下，临床上EEG的异常检测仍然依赖于视觉观察多通道脑电图，进而凭经验来识别其中是否包含异常的脑电波。发明人发现，此方法枯燥、费时、效率低，且缺乏统一的客观标准，容易造成误判和漏判，并且评估者之间的一致性较低。
发明内容
本发明的目的是为克服现有技术的不足，提供一种脑电信号异常监测系统，能够在无人状态下自动对脑电信号进行实时监测，效率高，不容易出现误判和漏判。
为实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供了一种脑电信号异常监测系统，包括：
信号预处理模块：其被配置为获取脑电信号，根据频率将脑电信号划分为多个波段；
构建图模型模块：其被配置为建立脑电信号的每个波段的图模型；
计算加权异常分数模块：其被配置为根据图模型计算每个波段的异常分数，对得到的每个波段的异常分数进行统一加权处理得到加权异常分数；
假设检验模块：其被配置为判断加权异常分数是否落入对应的置信区间内，以确定脑电信号是否异常。
进一步的，所述信号预处理模块包括：
滤波和去噪声模块，用于对获取的脑电信号进行平滑滤波和去除噪声后；
分类模块：用于根据频率将滤波和去噪声后的脑电信号分为多个波段。
进一步的，所述构建图模型模块包括：
转换模块：用于将每个波段的脑电信号由时域转换为频域，并将每个波段的脑电信号划分为多个信号段；
周期图计算模块：用于计算每个信号段的周期图；
权重计算模块：用于根据周期图得到图模型的节点，计算节点之间的边的权重；
图模型建立模块：用于根据得到的边的权重构造信号段的图模型，并将图模型用相邻矩阵来表示。
进一步的，所述转换模块中，采用离散短时傅里叶变换将脑电信号由时域转换为频域。
进一步的，所述计算加权异常分数模块包括：
异常分数计算模块：用于计算相邻图模型对应的相邻矩阵之间的欧几里得距离，即得到异常分数。
标准化模块：用于异常分数进行相似性得分标准化，得到每个异常分数对应的标准分量；
方差计算模块：用于计算多个标准分量的方差；
自适应权重计算模块：用于根据得到的方差计算每个波段的自适应权重；
加权异常分数计算模块：用于根据每个波段的自适应权重和标准分量得到加权异常分数。
进一步的，所述假设检验模块包括：
置信区间计算模块：用于计算待判断的加权异常分数所对应的置信区间；
判断模块：用于对待判断的加权异常分数与对应的置信区间进行比对，确定脑电信号是否异常。
进一步的，所述置信区间计算模块中，选取待判断加权异常分数之前的设定数量个加权异常分数，然后计算选取的加权异常分数的平均差和标准差，根据得到的平均差和标准差计算置信区间的最小值和最大值。
第二方面，本发明提供了一种脑电信号异常监测，包括以下步骤：
信号预处理：获取脑电信号，根据频率将脑电信号划分为多个波段；
构建图模型：建立脑电信号的每个波段的图模型；
计算加权异常分数：根据图模型计算每个波段的异常分数，对得到的每个波段的异常分数进行统一加权处理得到加权异常分数；
假设检验：判断加权异常分数是否落入对应的置信区间内，以确定脑电信号是否异常。
第三方面，本发明提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第二方面方法所述的步骤。
第四方面，本发明提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第二方面方法所述的步骤。
本发明的有益效果：
1.本发明的系统，把脑电信号按照频率分类和图模型相结合，对每个频率段进行图模型，然后进行自适应加权处理，形成统一指标，对脑电信号的异常进行实时监测。同时按照统一的客观标准对EEG信号进行监测，从而减少EEG信号的误判和漏判，保持评估结果的一致性。
2.本发明的系统，改进了现有的图模型方法仅从单个维度分析信号而忽略频率之间差异的问题，先把脑电信号按照频率分类在进行图模型，能够有效利用频率分量差异，提高监测精度。
3.本发明的系统，为了考虑和利用构造图模型之间的差异，将多个异常分数进行相似性得分标准化，然后利用标准分量的方差计算每个波段的权重，实现了采用自适应权重计算相似性得分来表征脑电信号的动态特性，它能够度量时间序列中变化信息的数量和重要性，可以有效地减少信息的处理时间，提高计算效率。
4.本发明的系统，利用图模型的节点计算节点之间的边的权重，然后根据边的权重计算相邻图模型对应的相邻矩阵之间的欧几里得距离，得到异常分数，并没有使用复杂的建模方法，因此效率较高，实时性更强。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的限定。
图1为本发明实施例1系统示意图；
图2为本发明实施例2方法流程图；
图3为本发明实施例2脑电信号按照频率分类图；
图4为本发明实施例2按照频率分类的脑电信号所得异常分数图；
图5为本发明实施例2假设检验示意图；
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的，目前的脑电信号采用人工检测，效率低，容易造成误判和漏判，针对上述问题，本申请提出了一种脑电信号异常监测系统。
本申请的一种典型实施方式中实施例1中，如图1所示，一种脑电信号异常监测系统，包括：
1.信号预处理模块：其被配置为获取脑电信号，根据频率将脑电信号划分为多个波段；
所述信号预处理模块包括：
1.1滤波和去噪声模块，用于对获取的脑电信号进行平滑滤波和去除噪声后。
1.2分类模块：用于根据频率将滤波和去噪声后的脑电信号划分为多个波段，具体实施例中，脑电信号的划分如下：
δ波(0.1-4Hz)；θ波(4-8Hz)；α波(8-12Hz)；β波(12-30Hz)；γ波(30-70Hz)。
2.构建图模型模块：其被配置为建立脑电信号的每个波段的图模型；
所述构建图模型模块包括：
2.1转换模块：用于将每个波段的脑电信号由时域转换为频域并将脑电信号的每个波段划分为多个信号段，本实施例中，采用对收集到滤波后的δ波(0.1-4Hz)脑电信号δ＝{δ(t)}，t＝1，2，…，T，采用离散短时傅立叶变换(DSTFT)将其由时域转换为频域，
离散短时傅里叶变换公式为：
Figure BDA0002762872040000061
其中
Figure BDA0002762872040000063
为窗口函数，T为信号长度，N(这里N＝152)为窗口函数移动的时间步长，通过多个时间步长，将δ波划分为E段信号段。
2.2周期图计算模块：用于计算每个信号段的周期图；
第e个信号段的周期图计算如下：
Figure BDA0002762872040000062
2.3权重计算模块：用于根据周期图得到图模型的节点，计算节点之间的边的权重；
具体实施例中，用周期图{p(i，n)}表示Fn＝{f(i)}，得到时间索引n的频率分辨率，并将它们视为图模型的节点。然后用欧氏距离计算两个节点f(i)和f(j)之间的边的权重di，j。
2.4图模型建立模块：用于根据得到的边的权重构造信号段的图模型，并将图模型用相邻矩阵来表示。
具体实施例中，根据得到的两个节点之间的边的权重构造第e个信号段δe的图模型
Figure BDA0002762872040000071
并用相邻矩阵表示如下：
Figure BDA0002762872040000072
最后，采用相同的方法得到δ波信号所有信号段的图模型为
Figure BDA0002762872040000073
采用2.1-2.4的方法得到其余四个波段的图模型：
θ波(4-8Hz)：
Figure BDA0002762872040000074
α波(8-12Hz)：
Figure BDA0002762872040000075
β波(12-30Hz)：
Figure BDA0002762872040000076
γ波(30-70Hz)：
Figure BDA0002762872040000077
3.计算加权异常分数模块：其被配置为根据图模型计算每个波段的异常分数，对得到的每个波段的异常分数进行统一加权处理得到加权异常分数，包括：
3.1异常分数计算模块：用于计算相邻图模型对应的相邻矩阵之间的欧几里得距离，即得到异常分数。
引入距离函数计算相邻图模型对应相邻矩阵之间的距离，能够得到该δ波的异常分数。
对于δ波的图模型
Figure BDA0002762872040000078
δ波中第e个信号段的异常分数S公式如下：
Figure BDA0002762872040000079
其中
Figure BDA00027628720400000711
为图的距离度量，即欧几里得距离。δ波的异常分数为：
Figure BDA00027628720400000710
得到的结果能够用来表征脑电信号的异常状况。
对其余四个波段按照以上的流程分别得到异常分数如下：
θ波(4-8Hz)：
Figure BDA0002762872040000081
α波(8-12Hz)：
Figure BDA0002762872040000082
β波(12-30Hz)：
Figure BDA0002762872040000083
γ波(30-70Hz)：
Figure BDA0002762872040000084
3.2标准化模块：用于异常分数进行相似性得分标准化，得到每个异常分数对应的标准分量；
具体实施例中，使用最小-最大标准化方法，对脑电信号的波段的异常分数进行相似性得分标准化，得到每个异常分数对应的标准分量；
Figure BDA0002762872040000085
这里max{Sδ}/min{Sδ}是
Figure BDA0002762872040000086
中函数的最大/最小值。
3.3方差计算模块：用于计算多个标准分量的方差，具体实施例中计算方法如下：
Figure BDA0002762872040000087
这里
Figure BDA0002762872040000088
是平均值。
对其余四个波段θ波、α波、β波、γ波分别进行上述流程得:
Figure BDA0002762872040000089
3.4自适应权重计算模块：用于根据得到的方差计算每个波段的自适应权重；
具体实施例中，使用得到的五个波段的方差自适应的计算每个波段的自适应权重。
Figure BDA0002762872040000091
自适应权重满足
Figure BDA0002762872040000092
3.5加权异常分数计算模块：用于根据每个波段的权重和标准分量得到加权异常分数。具体实施例中，
使用Qi把所有信号段的异常分数结合起来，根据每个波段的自适应权重和标准分量得到加权异常分数。
Figure BDA0002762872040000093
最后，进行汇总得到加权异常分数指标(Q1，Q2，…，QE}，然后可以执行零假设检验来评估异常点变化的数量和位置。
4.假设检验模块：其被配置为判断加权异常分数是否落入对应的置信区间内，以确定脑电信号是否异常，包括：
4.1置信区间计算模块：用于计算待判断的加权异常分数所对应的置信区间，具体实施例中，置信区间
Figure BDA0002762872040000094
是由常用的3σ准则定义的置信区间，μi-1和σi-1是待判断的加权异常分数之前设定数量的加权异常分数的平均值和标准差。设定数量的加权异常分数从待判断加权异常分数相邻的前一个加权异常分数开始，依次对设定数量的加权异常分数求平均值和标准差。
4.2判断模块：用于对待判断的加权异常分数与对应的置信区间进行比对，确定脑电信号是否异常。具体实施例中，对于加权异常分数指标{Q1，Q2，…，QE}采用零假设检验进行变化决策。对于第i个加权异常分数，假设检验如下：
Q0：没发生改变：
Figure BDA0002762872040000101
QA：发生改变：
Figure BDA0002762872040000102
当待判断的加权异常分数未落入置信区间内时，发出报警信号，否则不发出报警信号，依次采用相同的方法对多个加权异常分数进行判断。
实施例2:
本实施例公开了一种脑电信号异常监测方法，如图2所示，一种脑电信号异常监测方法，包括以下步骤：
信号预处理：
获取原始单通道脑电信号，对获取的脑电信号进行平滑滤波和去除噪声处理，然后按照频率对脑电信号进行划分，根据实际情况，脑电信号的划分如下，如图3所示：
δ波(0.1-4Hz)；θ波(4-8Hz)；α波(8-12Hz)；β波(12-30Hz)；γ波(30-70Hz)
图3中的第一行为原始脑电信号。
构建图模型：
对五个波段中的每个波段分别进行构建图模型，以δ波为例，图模型的构建过程如下：
对收集到滤波后的δ波(0.1-4Hz)脑电信号δ＝{δ(t)}，t＝1，2，…，T，进行加窗处理，具体的采用离散短时傅立叶变换(DSTFT)将其由时域转换为频域，
离散短时傅里叶变换公式为：
Figure BDA0002762872040000111
其中
Figure BDA00027628720400001110
为窗口函数，T为信号长度，N(这里N＝152)为窗口函数移动的时间步长，通过多个时间步长，将δ波划分为E段信号段。
第e个信号段的周期图计算如下：
Figure BDA0002762872040000112
用周期图{p(i，n)}表示Fn＝{f(i)}，得到时间索引n的频率分辨率，并将它们视为图模型的节点。然后用欧氏距离计算两个节点f(i)和f(j)之间的边的权重di，j。根据得到的两个节点之间的边的权重构造第e个信号段δe的图模型
Figure BDA0002762872040000119
并用相邻矩阵表示如下：
Figure BDA0002762872040000113
最后，采用相同的方法得到δ波信号所有信号段的图模型为
Figure BDA0002762872040000114
采用相同的方法得到其余四个波段的图模型：
θ波(4-8Hz)：
Figure BDA0002762872040000115
α波(8-12Hz)：
Figure BDA0002762872040000116
β波(12-30Hz)：
Figure BDA0002762872040000117
γ波(30-70Hz)：
Figure BDA0002762872040000118
本实施例先将脑电信号按照频率进行划分，改进了现有的图模型方法仅从单个维度分析信号而忽略频率之间差异的问题，先把脑电信号按照频率分类在进行图模型，能够有效利用频率分量差异，提高监测精度。
计算加权异常分数：
以δ波为例进行说明，在上述构建的图模型基础上，引入距离函数计算相邻图模型对应相邻矩阵之间的距离，能够得到该δ波的异常分数。
对于δ波的图模型
Figure BDA0002762872040000121
δ波中第e个信号段的异常分数S公式如下：
Figure BDA0002762872040000122
其中
Figure BDA0002762872040000123
为图的距离度量，即欧几里得距离。δ波的异常分数为：
Figure BDA0002762872040000124
得到的结果能够用来表征脑电信号的异常状况。
对其余四个波段按照以上的流程分别得到异常分数如下：
θ波(4-8Hz)：
Figure BDA0002762872040000125
α波(8-12Hz)：
Figure BDA0002762872040000126
β波(12-30Hz)：
Figure BDA0002762872040000127
γ波(30-70Hz)：
Figure BDA0002762872040000128
得到的各个频率的波段的异常分数如图4所示，图4中的第一行为原始脑电信号。
本实施例的异常分数获得方法并没有使用复杂的建模方法，因此效率较高，实时性更强。
在上述研究的基础上，对得到的每个波段的异常分数进行统一加权处理得到加权异常分数，自适应权重是通过依据分量的重要性计算的权重，将所有异常分数组合在一起。对于δ波的异常分数，即
Figure BDA0002762872040000129
自适应权重如下计算：
使用最小-最大标准化方法，对脑电信号的波段的异常分数进行相似性得分标准化，得到每个异常分数对应的标准分量；
Figure BDA0002762872040000131
这里max{Sδ}/min{Sδ}是
Figure BDA0002762872040000132
中函数的最大/最小值。
计算每个标准分量的方差，因为具有小方差的相似性得分在决策中起着更重要的作用。
Figure BDA0002762872040000133
这里
Figure BDA0002762872040000134
是平均值。
对其余四个波段θ波、α波、β波、γ波分别进行上述流程得:
Figure BDA0002762872040000135
使用得到的五个波段的方差自适应的计算每个波段的自适应权重。
Figure BDA0002762872040000136
自适应权重满足
Figure BDA0002762872040000137
使用Qi把所有信号段的异常分数结合起来，根据每个波段的自适应权重和标准分量得到加权异常分数。
Figure BDA0002762872040000138
最后，进行汇总得到加权异常分数指标{Q1，Q2，…，QE}，然后可以执行零假设检验来评估异常点变化的数量和位置。
为了考虑和利用构造图模型之间的差异，将多个异常分数进行相似性得分标准化，然后利用标准分量的方差计算每个波段的权重，实现了采用自适应权重计算相似性得分来表征脑电信号的动态特性，它能够度量时间序列中变化信息的数量和重要性，可以有效地减少信息的处理时间，提高计算效率。
假设检验：
对于加权异常分数指标{Q1，Q2，…，QE}采用零假设检验进行变化决策。对于第i个加权异常分数，假设检验如下：
Q0：没发生改变：
Figure BDA0002762872040000141
QA：发生改变：
Figure BDA0002762872040000142
这里
Figure BDA0002762872040000143
是由常用的3σ准则定义的置信区间，μi-1和σi-1是待判断的加权异常分数之前设定数量的加权异常分数的平均值和标准差。设定数量的加权异常分数从待判断加权异常分数相邻的前一个加权异常分数开始，依次对设定数量的加权异常分数求平均值和标准差。
当待判断的加权异常分数未落入置信区间内时，发出报警信号，否则不发出报警信号，依次采用相同的方法对多个加权异常分数进行判断。
例如设定数量为10，则用于待判断加权异常分数Qi对应的置信区间计算的加权异常分数为Qi-1、Qi-2…Qi-10。设定数量可根据实际需要进行设置。
如图5所示，当加权异常分数
Figure BDA0002762872040000144
发生改变，说明脑电信号发生异常，即大脑处于异常状态，进行提醒。
本实施例的方法，把脑电信号按照频率分类和图模型相结合，对每个频率段进行图模型，然后进行自适应加权处理，形成统一指标，对脑电信号的异常进行实时监测。同时按照统一的客观标准对EEG信号进行监测，从而减少EEG信号的误判和漏判，保持评估结果的一致性。
实施例3：
本实施例公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例2方法所述的步骤。
实施例4：
本实施例公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例2方法所述的步骤。
术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种脑电信号异常监测系统，其特征在于，包括：
信号预处理模块：其被配置为获取脑电信号，根据频率将脑电信号划分为多个波段；
构建图模型模块：其被配置为建立脑电信号的每个波段的图模型；
计算加权异常分数模块：其被配置为根据图模型计算每个波段的异常分数，对得到的每个波段的异常分数进行统一加权处理得到加权异常分数；
假设检验模块：其被配置为判断加权异常分数是否落入对应的置信区间内，以确定脑电信号是否异常。
2.如权利要求1所述的一种脑电信号异常监测系统，其特征在于，所述信号预处理模块包括：
滤波和去噪声模块，用于对获取的脑电信号进行平滑滤波和去除噪声后；
分类模块：用于根据频率将滤波和去噪声后的脑电信号分为多个波段。
3.如权利要求1所述的一种脑电信号异常监测系统，其特征在于，所述构建图模型模块包括：
转换模块：用于将每个波段的脑电信号由时域转换为频域，将每个波段的脑电信号划分为多个信号段；
周期图计算模块：用于计算每个信号段的周期图；
权重计算模块：用于根据周期图得到图模型的节点，计算节点之间的边的权重；
图模型建立模块：用于根据得到的边的权重构造信号段的图模型，并将图模型用相邻矩阵来表示。
4.如权利要求3所述的一种脑电信号异常监测系统，其特征在于，所述转换模块中，采用离散短时傅里叶变换将脑电信号由时域转换为频域。
5.如权利要求1所述的一种脑电信号异常监测系统，其特征在于，所述计算加权异常分数模块包括：
异常分数计算模块：用于计算相邻图模型对应的相邻矩阵之间的欧几里得距离，即得到异常分数；
标准化模块：用于异常分数进行相似性得分标准化，得到每个异常分数对应的标准分量；
方差计算模块：用于计算多个标准分量的方差；
自适应权重计算模块：用于根据得到的方差计算每个波段的自适应权重；
加权异常分数计算模块：用于根据每个波段的自适应权重和标准分量得到加权异常分数。
6.如权利要求1所述的一种脑电信号异常监测系统，其特征在于，所述假设检验模块包括：
置信区间计算模块：用于计算待判断的加权异常分数所对应的置信区间；
判断模块：用于对待判断的加权异常分数与对应的置信区间进行比对，确定脑电信号是否异常。
7.如权利要求6所述的一种脑电信号异常监测系统，其特征在于，所述置信区间计算模块中，选取待判断加权异常分数之前的设定数量个加权异常分数，然后计算选取的加权异常分数的平均差和标准差，根据得到的平均差和标准差计算置信区间的最小值和最大值。
8.一种脑电信号异常监测方法，其特征在于，包括以下步骤：
信号预处理：获取脑电信号，根据频率将脑电信号划分为多个波段；
构建图模型：建立脑电信号的每个波段的图模型；
计算加权异常分数：根据图模型计算每个波段的异常分数，对得到的每个波段的异常分数进行统一加权处理得到加权异常分数；
假设检验：判断加权异常分数是否落入对应的置信区间内，以确定脑电信号是否异常。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求8方法所述的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求8方法所述的步骤。
CN202011223490.3A 2020-11-05 2020-11-05 一种脑电信号异常监测系统及方法 Active CN112237433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011223490.3A CN112237433B (zh) 2020-11-05 2020-11-05 一种脑电信号异常监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011223490.3A CN112237433B (zh) 2020-11-05 2020-11-05 一种脑电信号异常监测系统及方法

Publications (2)

Publication Number Publication Date
CN112237433A true CN112237433A (zh) 2021-01-19
CN112237433B CN112237433B (zh) 2021-07-23

Family

ID=74169876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011223490.3A Active CN112237433B (zh) 2020-11-05 2020-11-05 一种脑电信号异常监测系统及方法

Country Status (1)

Country Link
CN (1) CN112237433B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115153591A (zh) * 2022-07-29 2022-10-11 山东大学 一种视觉诱导虚拟现实晕动症生理数据采集方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120131027A (ko) * 2011-05-24 2012-12-04 한국과학기술원 뇌파의 뇌활성도 및 마취심도 분석장치 및 분석방법
US20140012157A1 (en) * 2006-09-16 2014-01-09 Terence Gilhuly Monobody Sensors for Monitoring Neuromuscular Blockade
CN104636999A (zh) * 2015-01-04 2015-05-20 江苏联宏自动化系统工程有限公司 一种建筑异常用能数据检测方法
US20170185740A1 (en) * 2014-04-02 2017-06-29 Siemens Healthcare Gmbh System and method for characterization of electrical properties of the heart from medical images and body surface potentials
CN109009093A (zh) * 2018-06-19 2018-12-18 苏州修普诺斯医疗器械有限公司 移动脑电信号采集的分析方法
CN109065128A (zh) * 2018-09-28 2018-12-21 郑州大学 一种加权图正则化稀疏脑网络构建方法
CN109247936A (zh) * 2018-10-31 2019-01-22 山东大学 一种全夜睡眠监测的异常脑电行为监测系统及方法
WO2019150274A1 (en) * 2018-01-30 2019-08-08 Irccs Centro Neurolesi "Bonino- Pulejo" Method for detecting a conversion from mild cognitive impairment to alzheimer disease
CN111743535A (zh) * 2020-06-28 2020-10-09 山东大学 一种基于图模型的脑电异常监测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140012157A1 (en) * 2006-09-16 2014-01-09 Terence Gilhuly Monobody Sensors for Monitoring Neuromuscular Blockade
KR20120131027A (ko) * 2011-05-24 2012-12-04 한국과학기술원 뇌파의 뇌활성도 및 마취심도 분석장치 및 분석방법
US20170185740A1 (en) * 2014-04-02 2017-06-29 Siemens Healthcare Gmbh System and method for characterization of electrical properties of the heart from medical images and body surface potentials
CN104636999A (zh) * 2015-01-04 2015-05-20 江苏联宏自动化系统工程有限公司 一种建筑异常用能数据检测方法
WO2019150274A1 (en) * 2018-01-30 2019-08-08 Irccs Centro Neurolesi "Bonino- Pulejo" Method for detecting a conversion from mild cognitive impairment to alzheimer disease
CN109009093A (zh) * 2018-06-19 2018-12-18 苏州修普诺斯医疗器械有限公司 移动脑电信号采集的分析方法
CN109065128A (zh) * 2018-09-28 2018-12-21 郑州大学 一种加权图正则化稀疏脑网络构建方法
CN109247936A (zh) * 2018-10-31 2019-01-22 山东大学 一种全夜睡眠监测的异常脑电行为监测系统及方法
CN111743535A (zh) * 2020-06-28 2020-10-09 山东大学 一种基于图模型的脑电异常监测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115153591A (zh) * 2022-07-29 2022-10-11 山东大学 一种视觉诱导虚拟现实晕动症生理数据采集方法及系统

Also Published As

Publication number Publication date
CN112237433B (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
US9122273B2 (en) Failure cause diagnosis system and method
CN109858104B (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
CN110123367B (zh) 计算机设备、心音识别装置、方法、模型训练装置及存储介质
CN117114213B (zh) 一种村网共建便民网络服务方法及系统
CN110432895B (zh) 训练数据处理、心电波形检测方法及电子设备
CN113255777A (zh) 基于多模态敏感特征选取融合的设备故障预警方法及系统
CN115314412B (zh) 一种面向运维的类型自适应的指标预测预警方法及装置
CN117235652B (zh) 一种基于大数据的钢丝加工环境监管方法及系统
CN112237433B (zh) 一种脑电信号异常监测系统及方法
CN113111591A (zh) 基于模块化配电终端内部故障自动诊断方法、装置及设备
CN111145895B (zh) 异常数据的检测方法及终端设备
CN116211322A (zh) 一种基于机器学习脑电信号的抑郁症识别方法和系统
JP2002323371A (ja) 音響診断装置及び音響診断方法
CN112806961A (zh) 体征数据评估方法及装置
CN111743535A (zh) 一种基于图模型的脑电异常监测方法及系统
CN111938594B (zh) 基于层次图模型的癫痫脑电信号异常监测系统及设备
CN116831546A (zh) 预测胎心率曲线异常度的方法、装置、设备及存储介质
CN116364108A (zh) 变压器声纹检测方法及装置、电子设备、存储介质
Zhang et al. Detection capability for incipient faults in a noisy environment using PDF and CDF based techniques: a comparative study
CN114202110B (zh) 一种基于rf-xgboost的业务故障预测方法及装置
CN114692693A (zh) 基于分形理论的分布式光纤信号识别方法、装置、存储介质
CN114065812A (zh) 一种人员注意力检测方法，装置、设备及计算机介质
CN114676593A (zh) 一种纺织设备的异常检测方法及相关装置
CN114186593A (zh) 噪声条件下轴承故障识别方法、装置、设备和存储介质
WO2004072858A1 (ja) 状態識別方法及び状態識別システム

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