CN112914587A - 一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法 - Google Patents
一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法 Download PDFInfo
- Publication number
- CN112914587A CN112914587A CN202110187092.9A CN202110187092A CN112914587A CN 112914587 A CN112914587 A CN 112914587A CN 202110187092 A CN202110187092 A CN 202110187092A CN 112914587 A CN112914587 A CN 112914587A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- brain function
- function network
- resting state
- data
- 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 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000000284 resting effect Effects 0.000 title claims abstract description 30
- 238000010276 construction Methods 0.000 title claims abstract description 7
- 208000006011 Stroke Diseases 0.000 title abstract description 35
- 206010008190 Cerebrovascular accident Diseases 0.000 title description 2
- 238000013210 evaluation model Methods 0.000 claims abstract description 19
- 239000012535 impurity Substances 0.000 claims abstract description 11
- 210000004556 brain Anatomy 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000004070 electrodeposition Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 9
- 238000011084 recovery Methods 0.000 description 7
- 230000007659 motor function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010022773 Intracranial pressure increased Diseases 0.000 description 1
- 208000010428 Muscle Weakness Diseases 0.000 description 1
- 206010028372 Muscular weakness Diseases 0.000 description 1
- 206010040030 Sensory loss Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007278 cognition impairment Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (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
本发明公开了康复医学中脑电中风评估研究领域的一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法，包括如下步骤：获取静息态脑电数据；对脑电数据进行除杂；选取预定频段的脑电数据；以相干系数为权值构建加权脑功能网络；计算脑功能网络的聚类系数和全局效率；以聚类系数和全局效率为特征建立对康复阶段进行分类的评估模型。本发明以中风患者静息态脑电数据为支撑，以脑电信号的相干系数为权值构建脑功能网络，并以脑功能网络的各项拓扑特性建立评估模型，用以对中风患者进行分类识别，可使得中风患者的分类正确率高达85.8%。
Description
技术领域
本发明涉及康复医学中脑电中风评估研究领域，具体涉及基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法。
背景技术
一直以来，脑出血或梗塞被认为是世界上导致死亡和长期残疾的主要原因。当患者中风时，脑部血液供应的中断、颅内压的升高以及所释放血液的毒性作用都可能导致对脑组织的严重损害。根据病变部位的不同，可能会导致各种身体机能障碍，比如肌肉无力，感觉丧失和认知缺陷，这些都可能对中风幸存者的生活质量产生重大影响。尽管组织损伤通常是不可逆的，但已证明可以通过利用大脑的重塑能力来部分恢复身体机能，并且中风后的康复计划可以在康复过程中发挥重要作用。
运动功能的临床评估一直是中风后康复的重要组成部分。通过在整个康复计划中进行运动功能评估，临床医生能够跟踪患者的康复进度，并针对康复评估结果定制培训方案。现阶段的康复评估都是由临床医生依据评估量表打分，面临着评估效率不高、评价指标不同等问题，为了提高中风后运动功能评估的效率和可靠性，需要自动和客观的评估方法。
电生理信号在临床医学中的应用非常广泛，脑电信号含有丰富的生理和病理信息。脑电信号综合反映了大脑的功能状态，各种形式的思维状态及病理情况都会在脑电信号中得以体现，头皮脑电信号具有时间分辨率高、采集安全方便等特点。
发明内容
经过长期的研究，发明人发现：中风患者的脑电信号在频域和时域上的特征都与健康人都存在明显差异，因此可以通过对脑电信号的分析处理，建立一个评估模型，用于评估中风患者的康复程度，补充传统评估方式的不足。
有鉴于此，本发明的目的在于提供一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，以解决现有技术中由临床医生依据评估量表打分存在的评估效率不高、评价指标不同等问题，并取得提高中风后运动功能评估的效率和可靠性的有益效果。
本发明所采用的技术方案为：
设计一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，包括以下步骤：
步骤S1，获取静息态脑电数据；
步骤S2，对步骤S1获取的脑电数据进行除杂；
步骤S3，选取预定频段的步骤S2除杂后的所述脑电数据；其中，所述预定频段包括delta段、alpha1段、alpha2段、beta1段、beta2段、beta段和gamma 段；
步骤S4，计算步骤S3选取的所述脑电数据的相干系数，以采集所述脑电数据的电极位置为节点，以所述节点间的连接为边，以相干系数为权值构建加权脑功能网络；
步骤S5，计算所述脑功能网络的聚类系数和全局效率；
其中，所述聚类系数的计算公式为：
其中，N表示网络中的节点个数，ki表示第i个节点有k条边与其它节点相连，ti表示网络中与节点i实际连接的边数；
全局效率的计算公式为：
其中，N表示网络中的节点个数，lij表示为两个节点i和j之间的最短路径长度。
步骤S6，以步骤S5得到的聚类系数和全局效率为特征，通过支持向量机建立对的评估模型。
进一步的，所述步骤S1具体为：于安静环境中对受试者采集4分钟的所述脑电数据，受试者全程处于睁眼坐姿状态中。
进一步的，所述脑电数据的采集设备为Wearable Sensing的DSI-24干电极脑电采集设备，所述设备共有24个通道，其中18个导联采集脑电信号，采样频率为300Hz，DC直流采集模式，电极位置按照国际标准10/20设置。
进一步的，所述步骤S2中的除杂包括：
带通滤波，所述带通滤波选用MATLAB中EEGLAB工具箱中的eegfilt滤波函数，滤波时的通带频率设置为0.5～45Hz。
进一步的，所述步骤S2中的除杂还包括：伪迹去除，所述伪迹去除采用二阶盲源分离法去除眼电伪迹。
进一步的，所述步骤S3选取的所述预定频段的脑电数据包括：
0.5～4Hz的delta段的脑电数据，
8～10Hz的alpha1段的脑电数据，
10～12Hz的alpha2段的脑电数据，
13～20Hz的beta1段的脑电数据，
20～30Hz的beta2段的脑电数据，
13～30Hz的beta段的脑电数据，
30～45Hz的gamma段的脑电数据。
进一步的，所述步骤S4具体为：以采集所述脑电数据的电极位置为节点，所述节点间的连接为边，以各个所述节点的脑电信号的相干系数为权值构建加权脑功能网络；其中，计算各个所述节点的脑电信号的相干系数的公式为：
Gxy表示信号x与信号y的互频谱，Gxx与Gyy分别表示信号x的自频谱和信号y 的自频谱。
进一步的，所述步骤S6包括：将步骤5得到的聚类系数和全局效率作为去区分康复程度的指标，通过支持向量机算法建立所述评估模型如下：
其中，m为样本数，
为核函数，
为引入的拉格朗日乘子。
进一步的，所述步骤S6包括：将步骤5得到的聚类系数和全局效率作为去区分康复程度的指标，以80％的样本数据作为训练集，剩余20％数据作为测试集，通过支持向量机算法建立所述评估模型。
本发明的另一目的在于提供一种基于静息态脑电信号相干性脑功能网络的中风康复评估方法，使用上述方法构建的评估模型，将获取的患者的静息态脑电数据导入所述评估模型并输出分类结果。
与现有技术相比，本发明的有益技术效果是：
本发明以中风患者静息态脑电数据为支撑，以脑电信号的相干系数为权值构建脑功能网络，并以脑功能网络的各项拓扑参数建立评估模型，用以对中风患者进行分类识别，可使得中风患者的分类正确率高达85.8％。
附图说明
图1为本发明具体实施例的流程图；
图2为本发明具体实施例的节点位置图；
图3为本发明具体实施例中的康复评估流程图；
图4为本发明具体实施例中基于聚类系数的秩和检验结果；
图5为本发明具体实施例中基于全局效率的秩和检验结果；
图6本发明具体实施中中风恢复初期、中期、后期的聚类系数；
图7本发明具体实施中中风恢复初期、中期、后期的全局效率；
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1-图7所示，根据本发明实施例的一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，包括以下步骤：
步骤S1，获取静息态脑电数据；具体为：
于安静环境中，使用脑电信号采集设备对适量中风患者采集多通道静息态脑电数据；脑电信号采集设备使用Wearable Sensing的DSI-24干电极脑电采集设备，该系统共有24个通道，其中18个导联采集脑电信号，采样频率为 300Hz，DC直流采集模式，电极位置按照国际标准10/20设置。在脑电信号采集过程中，受试者应全程坐在座椅上以保持坐姿，受试者目视放置于正前方液晶显示器，并使双眼视觉注视点位于显示器中间，采集期间避免肢体动作和眨眼动作，睁眼采集4分钟。
步骤S2，对脑电数据进行除杂；具体为：
步骤S21：基线校正；由于在脑电信号采集过程中电极的晃动以及电极与头皮间的阻抗发生变化等因素，会发现有时采集到的EEG信号初始值不为零，会对后续的分析造成干扰；本实施例采用去均值法来做基线校正。
步骤S22：带通滤波；选用MATLAB中EEGLAB工具箱中的eegfilt滤波函数对基线校正后的脑电信号进行滤波。eegfilt滤波函数对脑电信号进行滤波时，可以减少相位延迟，减少滤波造成的相位偏移，滤波时通带频率设置为 0.5-45Hz。
步骤S23：伪迹去除：手动去除干扰较大的波形，然后采用二阶盲源分离的方法去除脑电信号中的眼电伪迹。
步骤S3，选取预定频段的所述脑电数据；具体为：
步骤S31：划分频段；具体为：将除杂后的脑电信号以频率划分为八个频段，分别为：0.5～4Hz的delta段，4～7Hz的theta段，8～10Hz的alpha1 段，10～12Hz的alpha2段，13～20Hz的beta1段，20～30Hz的beta2段， 13～30Hz的beta段和30～45Hz的gamma段；13～30Hz的beta段也可以称为beta段；本申请中将13～30Hz的脑电数据划分为三个频段，相比于单一的 beta段，可使计算出的聚类系数和全局效率的差异更加明显。
步骤S32：选取脑电数据；具体为：选取0.5～4Hz的delta段，4～7Hz的 theta段，8～10Hz的alpha1段，10～12Hz的alpha2段，13～20Hz的beta1 段，20～30Hz的beta2段，13～30Hz的beta段和30～45Hz的gamma段的脑电数据，舍弃4～7Hz的theta段脑电数据。
需要说明的是，舍弃4～7Hz的theta段脑电数据的理由是：通过AR模型的功率谱估计法分析脑电信号的能量在频域上的分布时，对照组和患者组的 4～7Hz的theta段脑电数据的相对功率谱具有显著差异；其中显著差异是通过T检验得到的，通过对照组和患者组的相对功率谱进行统计检验，得出P 值小于0.05的频段。
步骤S4，计算所述脑电数据的相干系数，并以相干系数为权值构建加权脑功能网络；具体为：以采集脑电信号的电极位置为节点，节点间的连接为边，以各节点相干系数为权值构建加权脑功能网络；每一个节点代表一个电极通道，每条边表示节点之间的相互关系，计算各节脑电信号的相干系数时，相干系数的计算公式为：
COH(相干系数)的取值表示两个信号在相同频率上相互之间线性关系的强弱，取值范围为[0，1]，Gxx(w)和)Gyy(w)分别指的是信号x(t)和y(t)的自频谱，Gxy(w)表示两个信号之间的互频谱。
计算脑电信号之间的COH时，采用复小波卷积进行信号的频率划分，计算后的COH结果为矩阵形式，整个矩阵的均值作为两信号的COH值。其中，矩阵的行代表时域，列代表频域，在a行b列上的相干值反映了两信号在时间点a上频谱范围为b的信号成分之间相关关系。
步骤S5，计算脑功能网络的聚类系数和全局效率；
特征路径长度描述网络内节点之间信息传递的性能，反应脑区间功能整合水平的高低。最短路径长度是衡量网络的信息传递能力，即两个节点之间信息传递的最优路径长度。其公式为：
其中，N表示节点个数，lij表示节点i和j之间的最短路径长度。
全局效率表示了网络的集成程度，可以较好的度量网络的信息处理和传输能力；全局效率越高，网络节点之间传递信息的速率就越快。其公式为：
其中，N表示网络中的节点个数，lij表示为两个节点i和j之间的最短路径长度。最短路径长度(Shortest path length)衡量的是网络的信息传递能力，表示的是网络中某一节点的信息到达另一个节点的最优路径。
聚类系数是指一个节点间与周围节点相互连接的可能性，网络中将所有节点聚类系数总和的平均值作为网络的聚类系数。网络聚类系数的大小表明了网络中交互传递耗费的代价。其公式为：
其中N表示节点综述，ki表示第i个节点有k条边与其他节点相连，ti表示网络中与节点i实际连接的边数。
步骤S6，以聚类系数和全局效率为特征通过支持向量机建立对康复阶段进行分类的评估模型；具体为：
将步骤5得到的聚类系数和全局效率作为去区分康复程度的指标，以80％的样本数据作为训练集，剩余20％数据作为测试集，通过支持向量机算法 (MATLAB)建立中风康复评估模型对康复阶段进行分类，以用于患者康复评估。
其中，m为样本数，
为核函数
为引入的拉格朗日乘子。
支持向量机(Support Vector Machiine,SVM)优化的最终目标的是得到一个超平面w·x+b＝0将数据分成两类。分类的可靠度主要依据特征空间中数据距离超平面的远近，当距离越远时，分类的结果越可靠。同时引入拉格朗日乘子，求得最优分类函数。
本发明还提供一种基于静息态脑电信号相干性脑功能网络的中风康复评估方法，使用上述方法构建的评估模型，将获取的患者的静息态脑电数据导入所述评估模型并输出分类结果。
本实施例公开的的中风康复评估方法对卒中恢复期患者的分类正确率为 85.8％±1.1％。如图3、图4所示，在gamma频段，前、中、后期患者的脑网络全局效率之间具有显著性差异。从趋势上看，随着患者评分等级的提高，在 beta以及gamma频段，脑网络特征参数在减少。
本发明以中风患者静息态脑电数据为支撑，在脑电信号功率谱分析的基础上进行脑网络分析，从相干系数脑功能网络的角度，结合脑网络各项拓扑特性建立评估模型，并以brunnstrom评分为标准，将病患组划分为卒中恢复初期、卒中恢复中期和卒中恢复后期，对三组患者的网络拓扑特性参数进行统计分析，根据统计学检验结果选择可用来反映康复阶段的特征，再利用SVM算法对选择的特征分类识别，使得中风患者的分类正确率高达85.8％。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，其特征在于，包括以下步骤：
步骤S1，获取静息态脑电数据；
步骤S2，对步骤S1获取的脑电数据进行除杂；
步骤S3，选取预定频段的步骤S2除杂后的所述脑电数据；其中，所述预定频段包括delta段、alpha1段、alpha2段、beta1段、beta2段、beta段和gamma段；
步骤S4，计算步骤S3选取的所述脑电数据的相干系数，以采集所述脑电数据的电极位置为节点，以所述节点间的连接为边，以所述相干系数为权值构建加权脑功能网络；
步骤S5，计算所述脑功能网络的聚类系数和全局效率；
其中，所述聚类系数的计算公式为：
其中，N表示网络中的节点个数，ki表示第i个节点有k条边与其它节点相连，ti表示网络中与节点i实际连接的边数；
全局效率的计算公式为：
其中，N表示网络中的节点个数，lij表示为两个节点i和j之间的最短路径长度。
步骤S6，以步骤S5得到的聚类系数和全局效率为特征，通过支持向量机建立对康复阶段进行分类的评估模型。
2.根据权利要求1所述的基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，其特征在于，所述步骤S1具体为：于安静环境中对受试者采集4分钟的所述脑电数据，受试者全程处于睁眼坐姿状态中。
3.根据权利要求2所述的基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，其特征在于，所述脑电数据的采集设备为Wearable Sensing的DSI-24干电极脑电采集设备，所述设备共有24个通道，其中18个导联采集脑电信号，采样频率为300Hz，DC直流采集模式，电极位置按照国际标准10/20设置。
4.根据权利要求1所述的基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，其特征在于，所述步骤S2中的除杂包括：带通滤波，所述带通滤波选用MATLAB中EEGLAB工具箱中的eegfilt滤波函数，滤波时的通带频率设置为0.5～45Hz。
5.根据权利要求4所述的基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，其特征在于，所述步骤S2中的除杂还包括：伪迹去除，所述伪迹去除采用二阶盲源分离法去除眼电伪迹。
6.根据权利要求1所述的基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，其特征在于，所述步骤S3选取的所述预定频段的脑电数据包括：
0.5～4Hz的delta段的脑电数据，
8～10Hz的alpha1段的脑电数据，
10～12Hz的alpha2段的脑电数据，
13～20Hz的beta1段的脑电数据，
20～30Hz的beta2段的脑电数据，
13～30Hz的beta段的脑电数据，
30～45Hz的gamma段的脑电数据。
7.根据权利要求1所述的基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，其特征在于，所述步骤S4具体为：以采集所述脑电数据的电极位置为节点，所述节点间的连接为边，以各个所述节点的脑电信号的相干系数为权值构建加权脑功能网络；其中，计算各个所述节点的脑电信号的相干系数的公式为：
Gxy表示信号x与信号y的互频谱，Gxx与Gyy分别表示信号x的自频谱和信号y的自频谱。
8.根据权利要求1所述的基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，其特征在于，所述步骤S6包括：将步骤5得到的聚类系数和全局效率作为去区分康复程度的指标，通过支持向量机算法建立所述评估模型如下：
其中，m为样本数，
为核函数，
αi≥0为引入的拉格朗日乘子。
9.根据权利要求8所述的基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法，其特征在于，所述步骤S6包括：将步骤5得到的聚类系数和全局效率作为去区分康复程度的指标，以80％的样本数据作为训练集，剩余20％数据作为测试集，通过支持向量机算法建立所述评估模型。
10.一种基于静息态脑电信号相干性脑功能网络的中风康复评估方法，其特征在于：使用权利要求1-9任意一项所述方法构建的评估模型，将获取的患者的静息态脑电数据导入所述评估模型并输出分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110187092.9A CN112914587A (zh) | 2021-02-18 | 2021-02-18 | 一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110187092.9A CN112914587A (zh) | 2021-02-18 | 2021-02-18 | 一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112914587A true CN112914587A (zh) | 2021-06-08 |
Family
ID=76169739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110187092.9A Pending CN112914587A (zh) | 2021-02-18 | 2021-02-18 | 一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112914587A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113576491A (zh) * | 2021-07-26 | 2021-11-02 | 深圳市人民医院 | 基于静息态eeg频域特征及脑网络自动分析方法和系统 |
| CN113598790A (zh) * | 2021-07-13 | 2021-11-05 | 杭州电子科技大学 | 基于听觉刺激的意识障碍脑功能网络的意识评估方法 |
| CN113786194A (zh) * | 2021-08-31 | 2021-12-14 | 佛山科学技术学院 | 脑卒中运动功能评估模型构建方法和运动功能评估方法 |
| CN113974652A (zh) * | 2021-10-26 | 2022-01-28 | 杭州电子科技大学 | 基于皮层肌肉功能网络模型的肌肉控制精准度确定方法 |
| CN114305451A (zh) * | 2022-01-26 | 2022-04-12 | 杭州电子科技大学 | 熵稳定性判据的儿童脑电功能连接图谱构建方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258120A (zh) * | 2013-04-19 | 2013-08-21 | 杭州电子科技大学 | 一种基于脑电信号的中风康复程度指标计算方法 |
| CN105595961A (zh) * | 2015-12-21 | 2016-05-25 | 天津大学 | 基于脑电信号的阿尔兹海默症检测系统及检测方法 |
| CN111477299A (zh) * | 2020-04-08 | 2020-07-31 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
-
2021
- 2021-02-18 CN CN202110187092.9A patent/CN112914587A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258120A (zh) * | 2013-04-19 | 2013-08-21 | 杭州电子科技大学 | 一种基于脑电信号的中风康复程度指标计算方法 |
| CN105595961A (zh) * | 2015-12-21 | 2016-05-25 | 天津大学 | 基于脑电信号的阿尔兹海默症检测系统及检测方法 |
| CN111477299A (zh) * | 2020-04-08 | 2020-07-31 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113598790A (zh) * | 2021-07-13 | 2021-11-05 | 杭州电子科技大学 | 基于听觉刺激的意识障碍脑功能网络的意识评估方法 |
| CN113576491A (zh) * | 2021-07-26 | 2021-11-02 | 深圳市人民医院 | 基于静息态eeg频域特征及脑网络自动分析方法和系统 |
| CN113786194A (zh) * | 2021-08-31 | 2021-12-14 | 佛山科学技术学院 | 脑卒中运动功能评估模型构建方法和运动功能评估方法 |
| CN113974652A (zh) * | 2021-10-26 | 2022-01-28 | 杭州电子科技大学 | 基于皮层肌肉功能网络模型的肌肉控制精准度确定方法 |
| CN113974652B (zh) * | 2021-10-26 | 2024-04-26 | 杭州电子科技大学 | 基于皮层肌肉功能网络模型的肌肉控制精准度确定方法 |
| CN114305451A (zh) * | 2022-01-26 | 2022-04-12 | 杭州电子科技大学 | 熵稳定性判据的儿童脑电功能连接图谱构建方法 |
| CN114305451B (zh) * | 2022-01-26 | 2024-04-23 | 杭州电子科技大学 | 熵稳定性判据的儿童脑电功能连接图谱构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112914587A (zh) | 一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法 | |
| US8700141B2 (en) | Method and apparatus for automatic evoked potentials assessment | |
| CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
| US7809433B2 (en) | Method and system for limiting interference in electroencephalographic signals | |
| Zelmann et al. | A comparison between detectors of high frequency oscillations | |
| Saidatul et al. | Analysis of EEG signals during relaxation and mental stress condition using AR modeling techniques | |
| Dauwels et al. | EEG synchrony analysis for early diagnosis of Alzheimer's disease: a study with several synchrony measures and EEG data sets | |
| Elgendi et al. | Optimization of EEG frequency bands for improved diagnosis of Alzheimer disease | |
| 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 | |
| Gallego-Jutglà et al. | Diagnosis of Alzheimer's disease from EEG by means of synchrony measures in optimized frequency bands | |
| CN111887858B (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
| CN109480832A (zh) | 一种单通道的脑电信号中肌电伪迹的消除方法 | |
| Knorr et al. | Quantitative measures of functional upper limb movement in persons after stroke | |
| Turnip et al. | An application of modified filter algorithm fetal electrocardiogram signals with various subjects | |
| Tran et al. | Detection of eeg-based eye-blinks using a thresholding algorithm | |
| CN113288174B (zh) | 一种精神分裂患者认知功能的检测方法 | |
| Hadiyoso et al. | Early detection of mild cognitive impairment using quantitative analysis of EEG signals | |
| CN103876731B (zh) | 一种胎儿心电信号提取装置及方法 | |
| Sloboda et al. | A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices | |
| Goshvarpour et al. | Phase space in EEG signals of women refferred to meditation clinic | |
| Moraru et al. | Validation of fetal auditory evoked cortical responses to enhance the assessment of early brain development using fetal MEG measurements | |
| Vijean et al. | Objective investigation of vision impairments using single trial pattern reversal visually evoked potentials | |
| Qi | EOG artifacts removal in EEG measurements for affective interaction with brain computer interface | |
| Cesari et al. | A clinically applicable interactive micro and macro-sleep staging algorithm for elderly and patients with neurodegeneration | |
| CN113229781A (zh) | 一种基于多视图的跨患者癫痫检测系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210608 |
|
| RJ01 | Rejection of invention patent application after publication |