CN112274145A - 近红外脑功能成像数据的处理方法、装置和存储介质 - Google Patents
近红外脑功能成像数据的处理方法、装置和存储介质 Download PDFInfo
- Publication number
- CN112274145A CN112274145A CN201910663115.1A CN201910663115A CN112274145A CN 112274145 A CN112274145 A CN 112274145A CN 201910663115 A CN201910663115 A CN 201910663115A CN 112274145 A CN112274145 A CN 112274145A
- Authority
- CN
- China
- Prior art keywords
- brain
- brain function
- imaging data
- blood oxygen
- network
- 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.)
- Pending
Links
- 230000003925 brain function Effects 0.000 title claims abstract description 199
- 238000003384 imaging method Methods 0.000 title claims abstract description 134
- 238000012545 processing Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims description 72
- 238000012360 testing method Methods 0.000 claims abstract description 173
- 210000004556 brain Anatomy 0.000 claims description 171
- 239000008280 blood Substances 0.000 claims description 138
- 210000004369 blood Anatomy 0.000 claims description 138
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 137
- 239000001301 oxygen Substances 0.000 claims description 137
- 229910052760 oxygen Inorganic materials 0.000 claims description 137
- 230000002490 cerebral effect Effects 0.000 claims description 84
- 238000004590 computer program Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 239000007789 gas Substances 0.000 claims description 10
- 210000003710 cerebral cortex Anatomy 0.000 claims description 9
- 238000000701 chemical imaging Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 12
- 239000000523 sample Substances 0.000 description 11
- 238000005070 sampling Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 108010054147 Hemoglobins Proteins 0.000 description 6
- 102000001554 Hemoglobins Human genes 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000007177 brain activity Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000003333 near-infrared imaging Methods 0.000 description 3
- 238000002610 neuroimaging Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 2
- 108010064719 Oxyhemoglobins Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 108010002255 deoxyhemoglobin Proteins 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000011157 brain segmentation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 210000004720 cerebrum Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Neurology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种近红外脑功能成像数据的处理方法、装置和存储介质，包括：获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数；根据预设规则处理所述至少一个第一特征参数，得到处理结果。
Description
技术领域
本发明涉及脑部状态检测技术，尤其涉及一种近红外脑功能成像数据的处理方法、装置和计算机可读存储介质。
背景技术
神经生理学和神经影像学的出现加强了对大脑的理解，具体通过脑电、正电子放射层扫描术、磁共振等影像手段，可以观察大脑活动情况。近红外光谱成像技术(fNIRs，functional Near-Infrared spectroscopy)作为近年来发展起来的一项新的脑成像技术，相对于以上传统脑成像技术有以下优点：(1)对测试环境不敏感，(2)可以长时间无创性地对大脑皮层功能活动进行检测，(3)相对于其他脑功能测量技术，fNIRs技术采集信号较少地受到生理和运动干扰，(4)fNIRs技术简便快捷，方便进行数据采集。
正是因为近红外成像技术具有以上优势，使得fNIRs在很多领域中具有良好的应用前景。科研领域中，有研究人员利用功能性近红外光谱技术对被试的大脑血氧信息进行探测，实现了对不同情绪状态的识别；临床医学中，有利用功能近红外成像对抑郁症进行诊断；另一方面随着信号处理手段的提高以及机器人技术的发展，基于近红外成像的脑机接口技术也越加受到人们的关注。
但针对近红外光谱成像技术还存在以下几点问题：
(1)针对脑血氧信号的分析维度比较单一，提取特征无法更加全面的将被试脑部血氧信息所携带的信息表征出来；
(2)仅将单个通道或者单个功能区域作为研究对象，忽略了空间上信号通道与通道间的协作信息，以及脑区之间的关联信息。
发明内容
有鉴于此，本发明的主要目的在于提供一种近红外脑功能成像数据的处理方法、装置和计算机可读存储介质。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供了一种近红外脑功能成像数据的处理方法，所述方法包括：
获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数；
根据预设规则处理所述至少一个第一特征参数，得到处理结果。
上述方案中，所述获取至少两个测试通道的近红外脑功能成像数据之后，所述方法还包括：对所述至少两个测试通道的近红外脑功能成像数据进行预处理；
所述对所述至少两个测试通道的近红外脑功能成像数据进行预处理，包括：
运用无限脉冲响应数字IIR滤波器，对所述至少两个测试通道的近红外脑功能成像数据进行滤波处理，获取各测试通道的近红外脑功能成像数据对应的至少一个子频段信号；
相应的，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数，包括：
根据所述各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数。
上述方案中，所述获取至少两个测试通道的近红外脑功能成像数据，包括：
运用近红外线光谱成像技术，多通道监测大脑皮层的近红外脑功能成像数据，得到至少两个测试通道的近红外脑功能成像数据；所述近红外脑功能成像数据，包括：脑血氧原始时序信号。
上述方案中，所述第一特征参数，包括：脑血氧原始时序信号统计特征参数、血氧相关系数参数、脑网络特征参数、大脑对称性特征参数；
所述根据所述各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数，包括以下至少一种情况：
运用滑动时间窗的方法，对所述至少一个子频段信号中的脑血氧原始时序信号进行时域变换，得到脑血氧原始信号时域统计特征参数；所述脑血氧原始信号时域统计特征参数，包括：时间窗内血氧均值参数、峰度参数、坡度参数中的至少一个；
根据所述至少两个测试通道对应的头套布局和各测试通道对应的所述至少一个子频段信号中的脑血氧原始时序信号，计算各测试通道之间的皮尔森相关系数，得到相关系数矩阵数值，作为血氧相关系数参数；
将所述至少两个测试通道中各测试通道分别作为一个网络节点，基于大脑网络稀疏度和小世界属性值去掉伪连接的规则，根据所述血氧相关系数参数构建脑功能网络；提取所述脑功能网络的网络特征，得到脑网络特征参数；所述脑网络特征参数，包括以下至少一个：聚类系数、全局效率；
根据左脑和右脑分别包括的各测试通道的脑血氧原始信号时域统计特征参数，分别确定左脑区域参数和右脑区域参数；根据所述左脑区域参数和所述右脑区域参数，确定大脑偏侧性参数。
上述方案中，所述提取脑功能网络的网络特征，包括：
根据脑功能网络中各网络节点之间的相连关系，确定所述脑功能网络中各网络节点的聚类系数；和/或，
根据脑功能网络中各网络节点之间的距离，确定所述脑功能网络中全局效率。
上述方案中，所述根据预设规则处理所述至少一个第一特征参数，得到处理结果，包括：
确定所述至少一个第一特征参数中各第一特征参数对应的权重，根据各第一特征参数对应的权重和各第一特征参数进行计算，得到处理结果。
本发明实施例还提供了一种近红外脑功能成像数据的处理装置，所述装置包括：第一处理模块、和第二处理模块；其中，
所述第一处理模块，用于获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数；
所述第二处理模块，用于根据预设规则处理所述至少一个第一特征参数，得到处理结果。
上述方案中，所述第一处理模块，还用于运用IIR滤波器，对所述至少两个测试通道的近红外脑功能成像数据进行滤波处理，获取各测试通道的近红外脑功能成像数据对应的至少一个子频段信号；
相应的，所述第一处理模块，用于根据所述各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数。
上述方案中，所述第一处理模块，具体用于运用近红外线光谱成像技术，多通道监测大脑皮层的近红外脑功能成像数据，得到至少两个测试通道的近红外脑功能成像数据；所述近红外脑功能成像数据，包括：脑血氧原始时序信号。
上述方案中，所述第一特征参数，包括：脑血氧原始时序信号统计特征参数、血氧相关系数参数、脑网络特征参数、大脑对称性特征参数；
所述第一处理模块，具体用于运用滑动时间窗的方法，对所述至少一个子频段信号中的脑血氧原始时序信号进行时域变换，得到脑血氧原始信号时域统计特征参数；所述脑血氧原始信号时域统计特征参数，包括：时间窗内血氧均值参数、峰度参数、坡度参数中的至少一个；
根据所述至少两个测试通道对应的头套布局和各测试通道对应的所述至少一个子频段信号中的脑血氧原始时序信号，计算各测试通道之间的皮尔森相关系数，得到相关系数矩阵数值，作为血氧相关系数参数；
将所述至少两个测试通道中各测试通道分别作为一个网络节点，基于大脑网络稀疏度和小世界属性值去掉伪连接的规则，根据所述血氧相关系数参数构建脑功能网络；提取所述脑功能网络的网络特征，得到脑网络特征参数；所述脑网络特征参数，包括以下至少一个：聚类系数、全局效率；和/或，
根据左脑和右脑分别包括的各测试通道的脑血氧原始信号时域统计特征参数，分别确定左脑区域参数和右脑区域参数；根据所述左脑区域参数和所述右脑区域参数，确定大脑偏侧性参数。
本发明实施例还提供了一种近红外脑功能成像数据的处理装置，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
所述处理器用于运行所述计算机程序时，执行以上所述的任意一项近红外脑功能成像数据的处理方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上所述的任意一项近红外脑功能成像数据的处理方法的步骤。
本发明实施例所提供的近红外脑功能成像数据的处理方法、装置和计算机可读存储介质，获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数；根据预设规则处理所述至少一个第一特征参数，得到处理结果。本发明实施例中，通过对多个测试通道获得的近红外脑功能成像数据进行处理，获得更加全面的携带脑部血氧信息的数据，对近红外脑功能成像数据的处理分析更加全面，获得的信息更加准确。
附图说明
图1为本发明实施例提供的一种近红外脑功能成像数据的处理方法的流程示意图；
图2为本发明实施例提供的一种脑区划分的示意图；
图3为本发明实施例提供的一种构建脑功能网络的示意图；
图4为本发明实施例提供的一种近红外脑功能成像数据的处理装置的结构示意图；
图5为本发明实施例提供的另一种近红外脑功能成像数据的处理装置的结构示意图。
具体实施方式
在本发明的各种实施例中，获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数；根据预设规则处理所述至少一个第一特征参数，得到处理结果。
下面结合实施例对本发明再作进一步详细的说明。
图1为本发明实施例提供的一种近红外脑功能成像数据的处理方法的流程示意图；所述方法可以应用于近红外脑功能成像数据的处理系统，所述近红外脑功能成像数据的处理系统可以加载在服务器中实现。如图1所示，所述方法包括：
步骤101、获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数。
具体地，所述获取至少两个测试通道的近红外脑功能成像数据，包括：
运用近红外线光谱成像技术，多通道监测大脑皮层的近红外脑功能成像数据，得到至少两个测试通道的近红外脑功能成像数据。
所述近红外脑功能成像数据，包括脑血氧原始时序信号；这里，所述脑血氧原始时序信号，可以包括以下至少一个：含氧血红蛋白信号、脱氧血红蛋白信号、总血红蛋白的浓度变化信号。
这里，运用具有多测试通道的头套，监测大脑皮层的近红外脑功能成像数据。所述测试通道的数量为至少两个。
具体地，所述获取至少两个测试通道的近红外脑功能成像数据之后，所述方法还包括：对所述至少两个测试通道的近红外脑功能成像数据进行预处理。
这里，所述对所述至少两个测试通道的近红外脑功能成像数据进行预处理，包括：运用无限脉冲响应数字(IIR，Infinite Impulse Response)滤波器，对所述至少两个测试通道中各测试通道的近红外脑功能成像数据进行滤波处理，得到各测试通道的近红外脑功能成像数据对应的至少一个子频段信号。即，针对各测试通道的近红外脑功能成像数据进行滤波处理，针对每个测试通道可以分别得到其近红外脑功能成像数据对应的至少一个子频段信号。
相应的，所述根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数，包括：
根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数；其中，所述至少一个子频段，包括以下至少一个：0.01至0.06Hz、0.06至0.12Hz、0.12至0.18Hz。
这里，所述IIR滤波器具体可以采用切比雪夫二阶带通IIR滤波器，其采用滑动滤波的进阶形式进行滤波。所述滑动滤波采用的公式为：
y(n)+a1*y(n-1)+a2*y(n-2)....ai*y(n-i)＝b0*x(n)+b1*x(n-1)+b2*x(n-2)....+bi*x(n-i)
其中，所述i为阶数，所述x(n)为本次输入，所述x(n-1)为上一次输入，如此类推x(n-i)为i次前的输入；
所述y(n)为输出，所述y(n-1)为上一次的输出；所述y(n-i)为i次前的输出。
所述a和b分别为预设的系数，a和b改变达到模拟不同采样频率、不同截止频率的滤波效果，a和b的选择可以由开发人员根据滤波需求设定。
本实施例中，考虑到现有技术中对脑血氧原始时序信号的预处理手段粗糙，在分析过程中始终存在噪音，导致分析结果的稳定性和可靠性受到影响，这里通过上述滤波处理，可以良好的去除脑血氧原始时序信号中的噪声，获得更精确的脑血氧原始时序信号，从而基于滤波后的脑血氧原始时序信号可以获得稳定性和可靠性更高的处理结果。
具体地，所述第一特征参数，包括：脑血氧原始时序信号统计特征参数、血氧相关系数参数、脑网络特征参数、大脑对称性特征参数。
具体地，所述根据所述各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数，包括以下至少一种情况：
运用滑动时间窗的方法，对所述至少一个子频段信号中的脑血氧原始时序信号进行时域变换，得到脑血氧原始信号时域统计特征参数；所述脑血氧原始信号时域统计特征参数，包括：时间窗内血氧均值参数、峰度参数、坡度参数中的至少一个；
根据所述至少两个测试通道对应的头套布局和各测试通道对应的所述至少一个子频段信号中的脑血氧原始时序信号，计算各测试通道之间的皮尔森相关系数矩阵，作为血氧相关系数参数；
将所述至少两个测试通道中各测试通道分别作为一个网络节点，基于大脑网络稀疏度和小世界属性值去掉伪连接的规则，根据所述血氧相关系数参数构建脑功能网络；提取所述脑功能网络的网络特征，得到脑网络特征参数；所述脑网络特征参数，包括以下至少一个：聚类系数、全局效率；
根据左脑和右脑分别包括的各测试通道的脑血氧原始信号时域统计特征参数，分别确定左脑区域参数和右脑区域参数；根据所述左脑区域参数和所述右脑区域参数，确定大脑偏侧性参数。
这里，所述皮尔森相关系数矩阵，反映出对不同测试通道之间的脑血氧原始时序信号统计特征参数的关联关系。所述皮尔森相关系数矩阵，具体包括：至少一对测试通道(每对测试通道包括两个测试通道)之间的皮尔森相关系数。这里，两测试通道对应的脑血氧原始时序信号之间的皮尔森相关系数，即为对应的两网络节点之间的皮尔森相关系数，若皮尔森相关系数大于0，则表示两个测试通道的脑血氧信息变化趋势为正相关，对应的两个网络节点间存在连接关系，权重值即为对应的皮尔森相关系数；若皮尔森相关系数值小于0，则表示变化趋势相反，对应的两个网络节点间存在连接关系，权重值即为对应的皮尔森相关系数；若皮尔森相关系数为0，则两测试通道信息完全不相关，两网络节点不相连，权重值为0。
这里，所述大脑网络稀疏度和小世界属性值去掉伪连接的规则，包括：
a.所有网络节点的平均度(网络节点的度指所有连接到该网络节点的边的数量)大于2*ln N，所述N为网络节点的数量；
b.小世界属性指标σ＞1.1。
这里，所述提取脑功能网络的网络特征，包括以下至少一个：
根据所述脑功能网络中各网络节点之间的相连关系，确定所述脑功能网络中各网络节点的聚类系数；
根据脑功能网络中各网络节点之间的距离，确定所述脑功能网络中全局效率，确定所述脑功能网络中全局效率。
其中，所述聚类系数表征各网络节点与之相连接的邻居网络节点中实际存在的连接边数目与邻居网络节点中最多可能存在的边数之比，具体地，可按下式计算聚类系数：
其中，ki表示与网络节点i相连的节点个数，Ei表示与网络节点i相连的ki个网络节点之间实际存在的边数，ki(ki-1)/2表示与网络节点i相连的ki个网络节点之间最多可能存在的边数。
按下式计算所述全局效率：
其中，N表示网络节点的数量，dij为网络节点i和节点网络j之间的距离。
具体地，所述根据左脑和右脑分别包括的各测试通道的脑血氧原始信号时域统计特征参数，分别确定左脑区域参数和右脑区域参数；根据所述左脑区域参数和所述右脑区域参数，确定大脑偏侧性参数；包括：
根据至少两个测试通道对应的头套布局(具体指头套中各测试通道对应的探头的排布结构)，将所探测到的脑区划分为左脑区域和右脑区域；所述左脑区域和右脑区域预先划分并确定，如图2所示；其中，左脑区域可以包括以下测试通道：1，2，5，6，10，11，14，15，19，20，右脑区域可以包括以下测试通道：3，4，8，9，12，13，17，18，21，22；A1、A2、A3、A4、A5、A6、A7、A8为发射探头，B1、B2、B3、B4、B5、B6、B7、B8为接收探头，Ai和Bj(i为1至8任意数值，j为1至8任意数值)用于探测两者中间的测试通道的信号；1-22为所述测试通道，CZ(即A7)表示中央中线。
根据各测试通道的脑血氧原始信号时域统计特征参数，分别计算所述左脑区域参数Left和所述右脑区域参数Right；结合图2所示，具体计算方法如下：
其中，y表示的是各个测试通道的脑血氧原始信号时域统计特征参数，NL和NR分别表示左脑区域包括的测试通道的数量和右脑区域包括的测试通道的数量；
再按下式计算大脑偏侧性参数LI：
其中，Left表示左脑区域参数，Right表示右脑区域参数，abs表示取绝对值。
步骤102、根据预设规则处理所述至少一个第一特征参数，得到处理结果。
这里，考虑到针对脑血氧原始时序信号的分析维度比较单一，所提取的特征无法全面的将被试脑部血氧信息所携带的信息表征出来，本实施例提供的方案考虑多个特征参数(即至少一个第一特征参数)来获得处理结果，所述处理结果可以更加全面、准确的反映脑部状态(具体根据实际应用，可以表征康复程度等)。
所述服务器还可以保存有不同的处理结果对应不同的处理方案的对应关系，根据得到的所述处理结果查询所述对应关系，得到所述处理结果对应的处理方案。所述处理方案可以包括养生建议、治疗建议、推荐的日常运动等。从而可以给出生活上的建议并提供一些对应的治疗方案。
在一实施例中，所述根据预设规则处理所述至少一个第一特征参数，得到处理结果，包括：
确定所述至少一个第一特征参数中各第一特征参数对应的权重，根据各第一特征参数对应的权重和各第一特征参数进行计算，得到处理结果。
在另一实施例中，所述根据预设规则处理所述至少一个第一特征参数，得到处理结果，包括：
获取预设的处理模型，运用所述处理模型处理所述至少一个第一特征参数，得到处理结果。
相应的，所述方法还包括：生成所述处理模型；所述生成处理模型，包括：运用随机森林集成算法训练获得处理模型。具体来说，包括：
获取至少一个样本数据，所述样本数据对应有训练标签；所述样本数据，包括以下至少一个：样本脑血氧原始时序信号统计特征参数、样本血氧相关系数参数、样本脑网络特征参数、样本大脑对称性特征参数；所述训练标签表征对应的样本脑部参数；所述样本脑部参数可以反映脑部状态；
将所述至少一个样本数据和各样本数据对应的训练标签输入预设模型进行训练，训练后获得的模型作为所述处理模型。
本实施例中，将基于近红外脑功能成像数据确定的至少一个第一特征参数作为脑部状态的检测基础，根据基于少一个第一特征参数得到的处理结果可以反映脑部状态，还可以进一步的根据脑部状态提供相应的养生建议、治疗建议、推荐的日常运动等处理方案。
以下针对所述第一特征参数分别进行说明，以说明基于所述第一特征参数获得的处理结果，可以更准确的反映脑部状态：
针对脑血氧原始时序信号统计特征参数来说，其可以包括：血氧均值参数、峰度参数、坡度参数，所述血氧均值参数可以反映整体血氧浓度水平，所述峰度参数可以衡量时间段内血氧信号形态的陡缓程度，所述坡度参数可以反映血氧变化速率等。通过计算获得脑血氧原始时序信号统计特征参数，可以反映大脑血氧调节能力、大脑血流量等情况。
针对所述血氧相关系数参数来说，通过对各测试通道的脑血氧原始信号时域统计特征参数进行关联关系的分析，得到所述血氧相关系数参数，以分析各网络节点之间的协同工作情况。具体来说，通过计算两两不同测试通道之间脑血氧原始信号时域统计特征参数的皮尔森相关系数，来衡量两个测试通道之间的变化趋势的异同，若皮尔森相关系数值大于0，则表示两个测试通道的脑血氧信息变化趋势为正相关；若皮尔森相关系数值小于0，则表示变化趋势相反；若皮尔森相关系数为0，则两测试通道信息完全不相关；根据皮尔森相关系数的差异，可以反映出不同测试通道之间信号协作同步程度。
针对所述脑网络参数来说，由于脑网络参数众多，对于表征被试整体以及局部脑区功能健康状态非常有意义。所述血氧相关系数参数作为脑功能网络构建的基础，每对网络节点间的血氧相关系数参数可以反映大脑不同功能区域之间的连接情况，血氧相关系数参数越大，代表脑区与脑区(具体可以指左脑脑区和右脑闹区)之间的连接强度越高，脑区之间的协作性和同调性越强。而聚类系数可以表征脑功能网络中某一网络节点的邻居网络节点之间又互为邻居的可能性，可以体现衡量脑功能网络内部集团化和连接紧密程度；另外作为反映脑功能网络拓扑结构的小世界属性参数，也能反映大脑的动力学属性。本实施例中，计算获得所述聚类系数，以确定脑功能网络各网络节点之间协作紧密程度，计算获得所述全局效率，以确定大脑信息传递效率。
针对大脑对称性参数来说，其能够反映被试的大脑功能在对侧脑半球协同程度，大脑对侧参数差异过大或者过小在一定程度上都能反映了脑区的健康状况。本实施例中，分别计算左右脑区域的特征参数，如果某半球的某一特征数值明显高于对侧半球，则证明该半球相对于右半球更加‘活跃’。基于左右半球间的参数，对其进行数学变换获取对侧脑半球之间的对称性参数，将微小的差异信息进行捕捉和放大，可以用来反映大脑的功能偏侧性。
本实施例中，利用人体的脑功能网络具有小世界属性、脑部神经系统发生病变时候会破坏网络的小世界属性的思想，近红外光谱脑功能成像(fNIRS，functional NearInfrared Spectroscopy)利用血液的主要成分对600-900nm近红外光良好的散射性，获得大脑活动时氧合血红蛋白和脱氧血红蛋白的变化情况，根据大脑活动时氧合血红蛋白和脱氧血红蛋白的变化情况来测试脑部状态。
本实施例提供的方法，可以用于对脑部状态进行分析，具体来说，针对原始信号(具体指通过近红外线光谱成像技术获得到包括含氧血红蛋白信号、脱氧血红蛋白信号、总血红蛋白的浓度变化信号的近红外脑功能成像数据)中可能存在的噪声，应用IIR滤波器对信号进行预处理，去除信号的干扰信息，使信号保持具有较高的信噪比。
根据滤波后的信号获得第一特征参数(包括：脑血氧原始时序信号统计特征参数、血氧相关系数参数、脑网络特征参数、大脑对称性特征参数)，基于第一特征参数获得处理结果，所述处理结果从多个维度反映脑血氧原始时序信号。具体来说，通过对不同测试通道之间的关联性进行分析，即得到血氧相关系数参数；以脑网络作为载体构造出相应的脑功能网络，对整个脑区之间的信息变化以及传递特点进行研究，即获得脑网络特征参数；针对左脑和右脑之间激活状态的不同，对侧脑之间的差异进行分析，即获得大脑对称性特征参数。
通过上述方案对近红外脑功能成像数据进行分析，其应用范围更广，反映的信息更准确。
图3为本发明实施例提供的一种构建脑功能网络的示意图；结合图3对构建脑功能网络进行说明。
被试测试过程中，每个测试通道可获取总采样点数为M的脑血氧原始时序信号，根据头套布局中针对各测试通道对应的探头的分布情况，将每个测试通道作为脑功能网络中的一个网络节点，从而可获取待构建的脑功能网络中各网络节点的分布结构。如图3所示，假设有N个测试通道，即对应有N个网络节点，N为通道总数。
需要说明的是，根据各测试通道的近红外脑功能成像数据即可得到各测试通道的脑血氧原始时序信号。同一采样时间点可以获得至少两个(图3中为N个)测试通道对应的脑血氧原始时序信号，多个采样时间点进行脑血氧原始时序信号的采集，获得总采样点数为M的脑血氧原始时序信号。
脑功能网络构建时，网络节点之间是否存在连接以及连接边的权重值(无权网络中只有0或者1)都是通过衡量两个网络节点连接强度来确定，本实施例中，连接强度通过计算对应网络节点间的皮尔森相关系数来进行界定，具体地，通过计算各网络节点中任意两个网络节点分别对应的测试通道的脑血氧原始时序信号之间的皮尔森相关系数，得到任意两个网络节点间的皮尔森相关系数。
需要说明的是，本实施例的方案中可以对所述至少两个测试通道的近红外脑功能成像数据进行预处理，得到所述至少两个测试通道中各测试通道的近红外脑功能成像数据对应的至少一个子频段信号，从而，这里可以是：计算任意两个网络节点(具体指需要确定两者间连接强度的网络节点)分别对应的测试通道的至少一个子频段信号中的脑血氧原始时序信号之间的皮尔森相关系数，得到任意两个网络节点间的皮尔森相关系数。需要说明的是，本实施中可以仅采用任意一个子频段信号中的脑血氧原始时序信号来计算皮尔森相关系数，也可以采用至少两个子频段信号中的脑血氧原始时序信号来计算皮尔森相关系数；当采用至少两个子频段信号时，可以获得至少两组第一特征参数集(每组第一特征参数集包括至少一个第一特征参数)，这种情况下，根据至少两组第一特征参数集进行处理(例如：每个子频段信号对应不同权重，根据不同权重整理多组第一特征参数集，基于获得的结果来进行相应的处理，从而得到最终的处理结果；当然也可以采用其他方法处理多组第一特征参数集，这里仅仅是表达可以对多组第一特征参数集进行处理，具体在实际应用中基于不同要求可以采用不同方法，这里不多赘述)，得到最终的处理结果。
针对图1所示方法中，所述将所述至少两个测试通道中各测试通道分别作为一个网络节点，基于大脑网络稀疏度和小世界属性值去掉伪连接的规则，根据所述血氧相关系数参数构建脑功能网络，包括：
将所述至少两个测试通道中各测试通道分别作为一个网络节点；
根据各测试通道的脑血氧原始时序信号，计算各测试通道中任意两个测试通道之间的皮尔森相关系数，以确定任意两个测试通道对应的网络节点之间的连接强度；
将每个测试通道作为脑功能网络(具体指待构建的脑功能网络)中的一个网络节点，确定脑功能网络中各网络节点的分布结构；
根据脑功能网络中各网络节点的分布结构、以及任意两个测试通道对应的网络节点之间的连接强度，构建满足所有网络节点的平均度大于2*lnN(所述N为网络节点的数量)，以及小世界属性指标σ＞1.1(即大脑网络稀疏度和小世界属性值去掉伪连接的规则)的脑功能网络。
图4为本发明实施例提供的一种近红外脑功能成像数据的处理装置的结构示意图；如图4所示，所述装置包括：第一处理模块401、第二处理模块402。其中，
所述第一处理模块401，用于获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数；
所述第二处理模块402，用于根据预设规则处理所述至少一个第一特征参数，得到处理结果。
具体地，所述第一处理模块401，还用于运用IIR滤波器，对所述至少两个测试通道的近红外脑功能成像数据进行滤波处理，获取各测试通道的近红外脑功能成像数据对应的至少一个子频段信号；
相应的，所述第一处理模块401，用于根据所述各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数。
具体地，所述第一处理模块401，具体用于运用近红外线光谱成像技术，多通道监测大脑皮层的近红外脑功能成像数据，得到至少两个测试通道的近红外脑功能成像数据；所述近红外脑功能成像数据，包括：脑血氧原始时序信号。
具体地，所述第一特征参数，包括：脑血氧原始时序信号统计特征参数、血氧相关系数参数、脑网络特征参数、大脑对称性特征参数；
所述第一处理模块401，具体用于运用滑动时间窗的方法，对所述至少一个子频段信号中的脑血氧原始时序信号进行时域变换，得到脑血氧原始信号时域统计特征参数；所述脑血氧原始信号时域统计特征参数，包括：时间窗内血氧均值参数、峰度参数、坡度参数中的至少一个；
根据所述至少两个测试通道对应的头套布局和各测试通道对应的所述至少一个子频段信号中的脑血氧原始时序信号，计算各测试通道之间的皮尔森相关系数，得到相关系数矩阵数值，作为血氧相关系数参数；
将所述至少两个测试通道中各测试通道分别作为一个网络节点，基于大脑网络稀疏度和小世界属性值去掉伪连接的规则，根据所述血氧相关系数参数构建脑功能网络；提取所述脑功能网络的网络特征，得到脑网络特征参数；所述脑网络特征参数，包括以下至少一个：聚类系数、全局效率；和/或，
根据左脑和右脑分别包括的各测试通道的脑血氧原始信号时域统计特征参数，分别确定左脑区域参数和右脑区域参数；根据所述左脑区域参数和所述右脑区域参数，确定大脑偏侧性参数。
具体地，所述第一处理模块401，具体用于提取脑功能网络的网络特征；所述提取脑功能网络的网络特征包括以下至少一个：
根据脑功能网络中各网络节点之间的相连关系，确定所述脑功能网络中各网络节点的聚类系数；
根据脑功能网络中各网络节点之间的距离，确定所述脑功能网络中全局效率。
具体地，所述第二处理模块402，用于确定所述至少一个第一特征参数中各第一特征参数对应的权重，根据各第一特征参数对应的权重和各第一特征参数进行计算，得到处理结果。
需要说明的是：上述实施例提供的近红外脑功能成像数据的处理装置在进行近红外脑功能成像数据的处理时，仅以上述各程序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处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的近红外脑功能成像数据的处理装置与近红外脑功能成像数据的处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图5为本发明实施例提供的另一种近红外脑功能成像数据的处理装置的结构示意图。所述装置50包括：处理器501和用于存储能够在所述处理器上运行的计算机程序的存储器502；其中，所述处理器501用于运行所述计算机程序时，执行：获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数；根据预设规则处理所述至少一个第一特征参数，得到处理结果。
在一实施例中，所述处理器501还用于运行所述计算机程序时，执行：运用无限脉冲响应数字IIR滤波器，对所述至少两个测试通道的近红外脑功能成像数据进行滤波处理，获取各测试通道的近红外脑功能成像数据对应的至少一个子频段信号；相应的，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数，包括：根据所述各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数。
在一实施例中，所述处理器501还用于运行所述计算机程序时，执行：运用近红外线光谱成像技术，多通道监测大脑皮层的近红外脑功能成像数据，得到至少两个测试通道的近红外脑功能成像数据；所述近红外脑功能成像数据，包括：脑血氧原始时序信号。所述第一特征参数，包括：脑血氧原始时序信号统计特征参数、血氧相关系数参数、脑网络特征参数、大脑对称性特征参数；
在一实施例中，所述处理器501还用于运行所述计算机程序时，执行：运用滑动时间窗的方法，对所述至少一个子频段信号中的脑血氧原始时序信号进行时域变换，得到脑血氧原始信号时域统计特征参数；所述脑血氧原始信号时域统计特征参数，包括：时间窗内血氧均值参数、峰度参数、坡度参数中的至少一个；根据所述至少两个测试通道对应的头套布局和各测试通道对应的所述至少一个子频段信号中的脑血氧原始时序信号，计算各测试通道之间的皮尔森相关系数，得到相关系数矩阵数值，作为血氧相关系数参数；将所述至少两个测试通道中各测试通道分别作为一个网络节点，基于大脑网络稀疏度和小世界属性值去掉伪连接的规则，根据所述血氧相关系数参数构建脑功能网络；提取所述脑功能网络的网络特征，得到脑网络特征参数；所述脑网络特征参数，包括以下至少一个：聚类系数、全局效率；和/或根据左脑和右脑分别包括的各测试通道的脑血氧原始信号时域统计特征参数，分别确定左脑区域参数和右脑区域参数；根据所述左脑区域参数和所述右脑区域参数，确定大脑偏侧性参数。
在一实施例中，所述处理器501还用于运行所述计算机程序时，执行：根据脑功能网络中各网络节点之间的相连关系，确定所述脑功能网络中各网络节点的聚类系数；和/或，根据脑功能网络中各网络节点之间的距离，确定所述脑功能网络中全局效率。
在一实施例中，所述处理器501还用于运行所述计算机程序时，执行：确定所述至少一个第一特征参数中各第一特征参数对应的权重，根据各第一特征参数对应的权重和各第一特征参数进行计算，得到处理结果。
需要说明的是：上述实施例提供的近红外脑功能成像数据的处理装置与近红外脑功能成像数据的处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
实际应用时，所述装置50还可以包括：至少一个网络接口503。近红外脑功能成像数据的处理装置50中的各个组件通过总线系统505耦合在一起。可理解，总线系统505用于实现这些组件之间的连接通信。总线系统505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统505。其中，所述处理器505的个数可以为至少一个。网络接口503用于近红外脑功能成像数据的处理装置50与其他设备之间有线或无线方式的通信。
本发明实施例中的存储器502用于存储各种类型的数据以支持近红外脑功能成像数据的处理装置50的操作。
上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(DSP，DiGital Signal Processor)，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。处理器501可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，近红外脑功能成像数据的处理装置50可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex ProgrammableLogic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行：获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数；根据预设规则处理所述至少一个第一特征参数，得到处理结果。
在一实施例中，所述计算机程序被处理器运行时，执行：运用IIR滤波器，对所述至少两个测试通道的近红外脑功能成像数据进行滤波处理，获取各测试通道的近红外脑功能成像数据对应的至少一个子频段信号；相应的，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数，包括：根据所述各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数。
在一实施例中，所述计算机程序被处理器运行时，执行：运用近红外线光谱成像技术，多通道监测大脑皮层的近红外脑功能成像数据，得到至少两个测试通道的近红外脑功能成像数据；所述近红外脑功能成像数据，包括：脑血氧原始时序信号。所述第一特征参数，包括：脑血氧原始时序信号统计特征参数、血氧相关系数参数、脑网络特征参数、大脑对称性特征参数。
在一实施例中，所述计算机程序被处理器运行时，执行：运用滑动时间窗的方法，对所述至少一个子频段信号中的脑血氧原始时序信号进行时域变换，得到脑血氧原始信号时域统计特征参数；所述脑血氧原始信号时域统计特征参数，包括：时间窗内血氧均值参数、峰度参数、坡度参数中的至少一个；根据所述至少两个测试通道对应的头套布局和各测试通道对应的所述至少一个子频段信号中的脑血氧原始时序信号，计算各测试通道之间的皮尔森相关系数，得到相关系数矩阵数值，作为血氧相关系数参数；将所述至少两个测试通道中各测试通道分别作为一个网络节点，基于大脑网络稀疏度和小世界属性值去掉伪连接的规则，根据所述血氧相关系数参数构建脑功能网络；提取所述脑功能网络的网络特征，得到脑网络特征参数；所述脑网络特征参数，包括以下至少一个：聚类系数、全局效率；和/或根据左脑和右脑分别包括的各测试通道的脑血氧原始信号时域统计特征参数，分别确定左脑区域参数和右脑区域参数；根据所述左脑区域参数和所述右脑区域参数，确定大脑偏侧性参数。
在一实施例中，所述计算机程序被处理器运行时，执行：根据脑功能网络中各网络节点之间的相连关系，确定所述脑功能网络中各网络节点的聚类系数；和/或，根据脑功能网络中各网络节点之间的距离，确定所述脑功能网络中全局效率。
在一实施例中，所述计算机程序被处理器运行时，执行：确定所述至少一个第一特征参数中各第一特征参数对应的权重，根据各第一特征参数对应的权重和各第一特征参数进行计算，得到处理结果。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种近红外脑功能成像数据的处理方法，其特征在于，所述方法包括：
获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数；
根据预设规则处理所述至少一个第一特征参数，得到处理结果。
2.根据权利要求1所述的方法，其特征在于，所述获取至少两个测试通道的近红外脑功能成像数据之后，所述方法还包括：对所述至少两个测试通道的近红外脑功能成像数据进行预处理；
所述对所述至少两个测试通道的近红外脑功能成像数据进行预处理，包括：
运用无限脉冲响应数字IIR滤波器，对所述至少两个测试通道的近红外脑功能成像数据进行滤波处理，获取各测试通道的近红外脑功能成像数据对应的至少一个子频段信号；
相应的，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数，包括：
根据所述各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数。
3.根据权利要求1或2所述的方法，其特征在于，所述获取至少两个测试通道的近红外脑功能成像数据，包括：
运用近红外线光谱成像技术，多通道监测大脑皮层的近红外脑功能成像数据，得到至少两个测试通道的近红外脑功能成像数据；所述近红外脑功能成像数据，包括：脑血氧原始时序信号。
4.根据权利要求2所述的方法，其特征在于，所述第一特征参数，包括：脑血氧原始时序信号统计特征参数、血氧相关系数参数、脑网络特征参数、大脑对称性特征参数；
所述根据所述各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数，包括以下至少一种情况：
运用滑动时间窗的方法，对所述至少一个子频段信号中的脑血氧原始时序信号进行时域变换，得到脑血氧原始信号时域统计特征参数；所述脑血氧原始信号时域统计特征参数，包括：时间窗内血氧均值参数、峰度参数、坡度参数中的至少一个；
根据所述至少两个测试通道对应的头套布局和各测试通道对应的所述至少一个子频段信号中的脑血氧原始时序信号，计算各测试通道之间的皮尔森相关系数，得到相关系数矩阵数值，作为血氧相关系数参数；
将所述至少两个测试通道中各测试通道分别作为一个网络节点，基于大脑网络稀疏度和小世界属性值去掉伪连接的规则，根据所述血氧相关系数参数构建脑功能网络；提取所述脑功能网络的网络特征，得到脑网络特征参数；所述脑网络特征参数，包括以下至少一个：聚类系数、全局效率；
根据左脑和右脑分别包括的各测试通道的脑血氧原始信号时域统计特征参数，分别确定左脑区域参数和右脑区域参数；根据所述左脑区域参数和所述右脑区域参数，确定大脑偏侧性参数。
5.根据权利要求4所述的方法，其特征在于，所述提取脑功能网络的网络特征，包括：
根据脑功能网络中各网络节点之间的相连关系，确定所述脑功能网络中各网络节点的聚类系数；和/或，
根据脑功能网络中各网络节点之间的距离，确定所述脑功能网络中全局效率。
6.一种近红外脑功能成像数据的处理装置，其特征在于，所述装置包括：第一处理模块、和第二处理模块；其中，
所述第一处理模块，用于获取至少两个测试通道的近红外脑功能成像数据，根据所述至少两个测试通道中各测试通道的近红外脑功能成像数据确定至少一个第一特征参数；
所述第二处理模块，用于根据预设规则处理所述至少一个第一特征参数，得到处理结果。
7.根据权利要求6所述的装置，其特征在于，所述第一处理模块，还用于运用IIR滤波器，对所述至少两个测试通道的近红外脑功能成像数据进行滤波处理，获取各测试通道的近红外脑功能成像数据对应的至少一个子频段信号；
相应的，所述第一处理模块，用于根据所述各测试通道的近红外脑功能成像数据对应的至少一个子频段信号确定至少一个第一特征参数。
8.根据权利要求7所述的装置，其特征在于，所述近红外脑功能成像数据，包括：脑血氧原始时序信号；所述第一特征参数，包括：脑血氧原始时序信号统计特征参数、血氧相关系数参数、脑网络特征参数、大脑对称性特征参数；
所述第一处理模块，具体用于运用滑动时间窗的方法，对所述至少一个子频段信号中的脑血氧原始时序信号进行时域变换，得到脑血氧原始信号时域统计特征参数；所述脑血氧原始信号时域统计特征参数，包括：时间窗内血氧均值参数、峰度参数、坡度参数中的至少一个；
根据所述至少两个测试通道对应的头套布局和各测试通道对应的所述至少一个子频段信号中的脑血氧原始时序信号，计算各测试通道之间的皮尔森相关系数，得到相关系数矩阵数值，作为血氧相关系数参数；
将所述至少两个测试通道中各测试通道分别作为一个网络节点，基于大脑网络稀疏度和小世界属性值去掉伪连接的规则，根据所述血氧相关系数参数构建脑功能网络；提取所述脑功能网络的网络特征，得到脑网络特征参数；所述脑网络特征参数，包括以下至少一个：聚类系数、全局效率；和/或，
根据左脑和右脑分别包括的各测试通道的脑血氧原始信号时域统计特征参数，分别确定左脑区域参数和右脑区域参数；根据所述左脑区域参数和所述右脑区域参数，确定大脑偏侧性参数。
9.一种近红外脑功能成像数据的处理装置，其特征在于，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
所述处理器用于运行所述计算机程序时，执行权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910663115.1A CN112274145A (zh) | 2019-07-22 | 2019-07-22 | 近红外脑功能成像数据的处理方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910663115.1A CN112274145A (zh) | 2019-07-22 | 2019-07-22 | 近红外脑功能成像数据的处理方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112274145A true CN112274145A (zh) | 2021-01-29 |
Family
ID=74418700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910663115.1A Pending CN112274145A (zh) | 2019-07-22 | 2019-07-22 | 近红外脑功能成像数据的处理方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112274145A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112957023A (zh) * | 2021-01-31 | 2021-06-15 | 华南师范大学 | 一种多参数脑功能测量方法及装置 |
| CN113274011A (zh) * | 2021-05-10 | 2021-08-20 | 燕山大学 | 融合脑电与功能近红外光谱技术的脑功能监测管理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104055524A (zh) * | 2014-06-30 | 2014-09-24 | 山东大学 | 基于近红外光谱的脑功能连接检测方法及系统 |
| CN104182645A (zh) * | 2014-09-01 | 2014-12-03 | 黑龙江省计算中心 | 基于经验模态分解和滑动时间窗加权最小二乘法的脑机接口信号提取方法 |
| CN106845137A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于脑网络结构的神经疾病分析方法 |
| CN107242873A (zh) * | 2017-07-05 | 2017-10-13 | 成都信息工程大学 | 一种基于功能磁共振心理生理交互的脑网络构建方法 |
| CN108932403A (zh) * | 2018-07-02 | 2018-12-04 | 苏州大学 | 基于大脑血红蛋白信息的休息态和运动态的识别方法 |
| CN109567818A (zh) * | 2018-11-20 | 2019-04-05 | 苏州大学 | 基于血红蛋白信息的多种行走步态调整意图的识别方法 |
-
2019
- 2019-07-22 CN CN201910663115.1A patent/CN112274145A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104055524A (zh) * | 2014-06-30 | 2014-09-24 | 山东大学 | 基于近红外光谱的脑功能连接检测方法及系统 |
| CN104182645A (zh) * | 2014-09-01 | 2014-12-03 | 黑龙江省计算中心 | 基于经验模态分解和滑动时间窗加权最小二乘法的脑机接口信号提取方法 |
| CN106845137A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于脑网络结构的神经疾病分析方法 |
| CN107242873A (zh) * | 2017-07-05 | 2017-10-13 | 成都信息工程大学 | 一种基于功能磁共振心理生理交互的脑网络构建方法 |
| CN108932403A (zh) * | 2018-07-02 | 2018-12-04 | 苏州大学 | 基于大脑血红蛋白信息的休息态和运动态的识别方法 |
| CN109567818A (zh) * | 2018-11-20 | 2019-04-05 | 苏州大学 | 基于血红蛋白信息的多种行走步态调整意图的识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112957023A (zh) * | 2021-01-31 | 2021-06-15 | 华南师范大学 | 一种多参数脑功能测量方法及装置 |
| CN113274011A (zh) * | 2021-05-10 | 2021-08-20 | 燕山大学 | 融合脑电与功能近红外光谱技术的脑功能监测管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nogay et al. | Detection of epileptic seizure using pretrained deep convolutional neural network and transfer learning | |
| Panda et al. | Classification of EEG signal using wavelet transform and support vector machine for epileptic seizure diction | |
| Wu et al. | Automatic epileptic seizures joint detection algorithm based on improved multi-domain feature of cEEG and spike feature of aEEG | |
| CN111466876B (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 | |
| CN113349752A (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
| Jin et al. | A novel attentional deep neural network-based assessment method for ECG quality | |
| Supakar et al. | A deep learning based model using RNN-LSTM for the Detection of Schizophrenia from EEG data | |
| Tawhid et al. | Automatic and efficient framework for identifying multiple neurological disorders from EEG signals | |
| CN113274011A (zh) | 融合脑电与功能近红外光谱技术的脑功能监测管理方法 | |
| CN111839506B (zh) | 脑力负荷检测方法及装置 | |
| CN111310570A (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
| Malviya et al. | A novel technique for stress detection from EEG signal using hybrid deep learning model | |
| CN112274145A (zh) | 近红外脑功能成像数据的处理方法、装置和存储介质 | |
| CN116226710A (zh) | 一种脑电信号分类方法和帕金森病检测装置 | |
| CN115281685A (zh) | 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质 | |
| Patil et al. | A method for detection and reduction of stress using EEG | |
| Sahu et al. | Scz-scan: An automated schizophrenia detection system from electroencephalogram signals | |
| Narmada et al. | A novel adaptive artifacts wavelet Denoising for EEG artifacts removal using deep learning with Meta-heuristic approach | |
| CN113208613B (zh) | 基于fhls特征选择的多模态bci时序优化方法 | |
| CN112274144A (zh) | 近红外脑功能成像数据的处理方法、装置和存储介质 | |
| CN115670480A (zh) | 一种生物特征分析方法、装置、电子设备及存储介质 | |
| CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
| Sun et al. | Adaptive low-power wrist SpO2 monitoring system design using a multi-filtering scheme | |
| Ghosh et al. | Epileptic-seizure onset detection using PARAFAC model with cross-wavelet transformation on multi-channel EEG | |
| Huang et al. | A portable household detection system based on the combination of bidirectional LSTM and residual block for automatical arrhythmia detection |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |
|
| RJ01 | Rejection of invention patent application after publication |