CN112914588B - 一种脑电爆发抑制指数计算方法及系统 - Google Patents
一种脑电爆发抑制指数计算方法及系统 Download PDFInfo
- Publication number
- CN112914588B CN112914588B CN202110215062.4A CN202110215062A CN112914588B CN 112914588 B CN112914588 B CN 112914588B CN 202110215062 A CN202110215062 A CN 202110215062A CN 112914588 B CN112914588 B CN 112914588B
- Authority
- CN
- China
- Prior art keywords
- signal
- electroencephalogram
- suppression
- noise
- sequence
- 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.)
- Active
Links
- 230000001629 suppression Effects 0.000 title claims abstract description 136
- 238000004364 calculation method Methods 0.000 title claims abstract description 32
- 238000004880 explosion Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000010354 integration Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 206010002091 Anaesthesia Diseases 0.000 description 3
- 230000037005 anaesthesia Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013519 translation 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
- A61B5/48—Other medical applications
- A61B5/4821—Determining level or depth of anaesthesia
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Anesthesiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种脑电爆发抑制指数计算方法及系统，利用离散小波变换将预设时间段内的脑电信号分解为多层，对包含脑电信号的频带小波层数系数进行处理，通过自适应的能量阈值提取每层的噪声系数和信号系数并重构出噪声波形与信号波形，对两种波形分别进行差分处理，差分后的数据进行逐点平方以及滑动平均，将噪声积分后的波形认定为噪声水平，信号波形积分后的波形认定为信号水平，利用预设爆发抑制判定方式区分抑制段和爆发段，最后累加所有的抑制段计算所占总时间段的比例，得到脑电爆发抑制指数。该方法能根据信号本身自适应的计算出噪声水平与信号水平，具有很好的抗噪声的效果，最后计算的爆发抑制指数能够有效地评价脑电信号抑制水平。
Description
技术领域
本发明涉及信号处理技术领域，具体涉及一种脑电爆发抑制指数计 算方法及系统。
背景技术
脑电信号(EEG)的爆发抑制信号是一种特殊的非正常脑电波形，特 征表现为高幅高频的爆发状态与低幅值的抑制状态交替出现状态交替出现 ，并且这种交替变化没有周期性。如图1(b)所示为一段爆发抑制信号。当爆发抑制状态出现时，大脑的代谢率将减至最低，如果长时间出现爆发抑 制状态，说明病人处于危险的体征状态，易导致脑受损或脑死亡。在麻醉 深度监测中，爆发抑制是一种由于麻醉过深而导致的EEG波形模式.且 随麻醉加深，EEG的抑制状态在时间上增加.由此爆发抑制模式可以看作 是麻醉过程中药物控制的一个关键点，是麻醉深度监测中的一个关键指 标。目前EEG信号抑制水平评价主要是利用爆发抑制比指标(BSR)，其主 要通过时域的波形形状与幅值大小来判定是否是抑制水平段，并计算一段 时间内抑制信号段占总时间段的比值，但是这种简单通过幅度来判断EEG信号抑制水平的方法容易将噪声误判定为爆发信号，如图1(a)所示为一段 受眼电噪声干扰的脑电信号，其形状与如图1(b)爆发抑制段信号相似，会影响爆发抑制比计算的准确性和可靠性。
发明内容
因此，为了克服现有方法对爆发抑制比计算的准确性差的缺陷，本发 明提供一种脑电爆发抑制指数计算方法及系统。
为达到上述目的，本发明提供如下技术方案：
第一方面，本发明实施例提供一种脑电爆发抑制指数计算方法，包括:
利用离散小波变换，将预设时间段内的脑电信号分解为多层；
根据脑电信号主要能量集的分布区间，对包含脑电信号的频带小波层 数系数进行处理，通过自适应的能量阈值提取出每层的噪声系数和信号系 数，并重构出噪声波形序列与信号波形序列；
对噪声波形序列和信号波形序列分别进行差分处理，并将差分后的信 号波形序列和噪声波形序列进行逐点平方，以及利用预设传递函数进行滑 动平均，得到信号水平序列和噪声水平序列；
基于信号水平序列和噪声水平序列利用预设爆发抑制判定方式，得到 抑制信号点，累加抑制信号点对应的抑制信号大于预设持续时间的抑制段 ，并计算抑制段占总爆发抑制信号段的比例，得到脑电爆发抑制指数。
优选地，所述利用离散小波变换，将预设时间段内的脑电信号分解为 多层的步骤，包括：
采用预设母小波并根据脑电信号频带分类，使用离散小波变换将采样 率为FS，时长为T秒的脑电信号分解为N层，得到对应的组小波系数和 近似系数。
优选地，使用离散小波变换将采样率为FS，时长为T秒的脑电信号 分解为N层，得到对应的组小波系数和近似系数的步骤，包括：使用离散 小波变换将采样率为256Hz，时长为60s内的脑电图信号进行6层分解， 得到6组小波系数D1-D6和最后一组近似系数的A6；
将A6和D1、D2的系数置零去除有低频干扰与高频干扰的数据，计 算D2-D5的系数对应的能量，则脑电波的能量为D2-D5层对应的能量之 和；
对D2层的系数取绝对值后进行从小到大的排序，得到排序后的系数 序列SD2，对排序后的系数SD2从小到大逐个进行累加，当累加到第n个 数时的值刚好大于等于自适应的能量阈值，具把当前的值则作为D2层的 系数阈值，并以同样的方式得到D3、D4、D5层的系数阈值；
将各个层系数的绝对值大于对应阈值的系数作为信号系数，小于对应 阈值的系数作为信号系数作为噪声系数；
将信号系数进行重构得到信号波形序列，将噪声系数进行重构得到噪 声波形序列。
优选地，自适应的能量阈值通过以下公式计算：
λdk＝Cdk*PD(k)
式中，k取2、3、4、5。
优选地，预设传递函数为：
其中，N＝FS，FS为脑电信号的采样率。
优选地，所述预设爆发抑制判定方式包括：将计算得到的信号水平和 噪声水平逐点做比较，当信号水平序列大于噪声水平序列时，判定此点为 爆发信号点，否则，则判定为抑制信号点。
优选地，所述预设爆发抑制判定方式包括：判断信号水平序列是否大 于自适应阈值，如果大于等于自适应阈值，则判定为爆发信号点，否则， 则判定为抑制信号点。
第二方面，本发明实施例提供一种脑电爆发抑制指数计算系统，包括 ：
脑电信号分解模块，用于小波利用离散小波变换，将预设时间段内的 脑电信号分解为多层；
噪声波形与信号波形重构模块，用于根据脑电信号主要能量集的分布 区间，对包含脑电信号的频带小波层数系数进行处理，通过自适应的能量 阈值提取出每层的噪声系数和信号系数，并重构出噪声波形序列与信号波 形序列；
信号水平序列和噪声水平序列获取模块，用于对噪声波形序列和信号 波形序列分别进行差分处理，并将差分后的信号波形序列和噪声波形序列 进行逐点平方，以及利用预设传递函数进行滑动平均，得到信号水平序列 和噪声水平序列；
脑电爆发抑制指数计算模块，用于基于信号水平序列和噪声水平序列 利用预设爆发抑制判定方式，得到抑制信号点，累加抑制信号点对应的抑 制信号大于预设持续时间的抑制段，并计算抑制段占总爆发抑制信号段的 比例，得到脑电爆发抑制指数。
第三方面，本发明实施例提供一种计算机设备，包括：至少一个处理 器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被 至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个 处理器执行本发明实施例第一方面的脑电爆发抑制指数计算方法。
第四方面，本发明实施例提供一种计算机可读存储介质，计算机可读 存储介质存储有计算机指令，计算机指令用于使计算机执行本发明实施例 第一方面的脑电爆发抑制指数计算方法。
本发明技术方案，具有如下优点：
本发明提供的脑电爆发抑制指数计算方法及系统，利用离散小波变换 将预设时间段内的脑电信号分解为多层，对包含脑电信号的频带小波层数系数进行处理，通过自适应的能量阈值提取每层的噪声系数和信号系数并 重构出噪声波形与信号波形，对两种波形分别进行差分处理，差分后的数 据进行逐点平方以及滑动平均，将噪声积分后的波形认定为噪声水平，信 号波形积分后的波形认定为信号水平，利用预设爆发抑制判定方式区分抑 制段和爆发段，最后累加所有的抑制段计算所占总时间段的比例，得到脑 电爆发抑制指数。该方法能根据信号本身自适应的计算出噪声水平与信号水平，具有很好的抗噪声的效果，增加了脑电爆发抑制指数的计算的准确 性，最后计算的爆发抑制指数能够有效地评价脑电信号抑制水平。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案， 下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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他的附图。
图1为本发明实施例中提供的受眼电噪声干扰的脑电信号与爆发抑 制段信号的波形对比图；
图2为本发明实施例中提供的脑电爆发抑制指数计算方法的一个具 体示例的流程图；
图3为本发明实施例中提供的典型爆发抑制信号的示意图；
图4为本发明实施例中提供的离散小波变换分解示意图；
图5为本发明实施例中提供的重构得到信号波形序列和噪声波形序 列的流程图；
图6为本发明实施例中提供的从典型的爆发抑制信号中提取出的信 号波形与噪声波形的示意图；
图7为本发明实施例中提供的在获取重构信号波形序列及重构噪声 波形序列后的获取脑电爆发抑制指数的流程图；
图8为本发明实施例中提供的信号水平、噪声水平的波形示意图；
图9为本发明实施例中提供的有眼电噪声干扰的信号的示意图；
图10为本发明实施例中提供的脑电爆发抑制指数计算系统一示例的 模块组成图；
图11为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发 明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得 的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼 此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种的脑电爆发抑制指数计算方法，可应用于基于 脑电的生命信息监测与诊断应用的多参数监护仪，麻醉机等相关医疗产品 ，如图2所示，该方法包括:
步骤S1:利用离散小波变换，将预设时间段内的脑电信号分解为多 层。
小波变换可以有效地表示信号的时频特征，在低频时，小波变换具有 较低的时间分辨率和较高的频率分辨率，而在高频时，小波变换具有较高 的时间分辨率和较低的频率分辨率。基于Mallat快速算法的离散小波变换(DWT)是脑电信号分析的常用算法。脑电信号通常被认为是非平稳的， 而小波变换适合分析非平稳非线性的信号。
小波变换的定义如下：给定基本小波函数：
其中，变量a，b分别是尺度因子和平移因子，且a≠0。通过小波基把
逆变换为:
其中，取/>
j，k∈Z，Z是自然数，DWT定义为：/>
通过对a，b进行采样，小波变换可基于Mallat算法进行离散化，如图3所示，其中，g[n]为高通滤波器，将滤掉低频分量而输出高频分量，h[n]为低通滤波器，滤掉信号的高频分量而输出低频分量，根据下式将脑电信 号分解成细节系数和近似系数:
式中，Aj,k与Dj,k分别表示EEG信号分解得到的近似系数与细节系数。
DWT分析的两个重要考虑因素是选择合适的母小波和分解层数， Daubechies小波被广泛用于与脑电图信号相关的应用。为了详细说明该方 法的计算流程，本发明实施例计算选取db4小波为母小波，分解层数N为 6层，计算的脑电数据采样率FS为256Hz，脑电数据时长T为60秒，使 用DWT将脑电图信号分解为不同的频带，小波分解的水平取决于脑电波的频带范围。图4为离散小波变换分解示意图。图3显示了一段60s的典 型爆发抑制信号6级分解得到小波细节系数D1-D6与近似系数A6重构 后的信号，分解后的信号包含了原始脑电信号的全部信息。
步骤S2:根据脑电信号主要能量集的分布区间，对包含脑电信号的频 带小波层数系数进行处理，通过自适应的能量阈值提取出每层的噪声系数 和信号系数，并重构出噪声波形序列与信号波形序列。
由于脑电信号主要能量集中在0.5-30HZ内，为了避免基线干扰和高 频干扰，将A6和D1、D2的系数置零，这样就把低频干扰与高频干扰去除掉了，所以只对D2-D5的系数做处理。小波系数的能量给出了信号强度 的信息，D2-D5的系数的能量并由以下方程给出：
式中，j是分解级别，k是对应的小波系数下标。
通过以下公式获取脑电的总能量P_total：
P_total＝PD(2)+PD(3)+PD(4)+PD(5)
本发明实施例中，提取自适应的能量阈值的过程为：
首先对D2的系数取绝对值后进行从小到大的排序，得到排序后的系 数序列SD2，然后对排序后的系数SD2从小到大逐个进行累加，累加的值用tempP2表示，当累加到第n个数时，tempP2刚好大于等于自适应的能 量阈值λd2，当前的SD2(n)则作为D2系数的阈值,记作Thresold_D2， Thresold_D2＝SD2(n)。λd2的取值如下式所示。Cd2应该取值在0到1之间 ，且最好是随着该层总能量的增加而减小，此处Cd2的取值如下所示：
λd2＝Cd2*PD(2)
同理，D3、D4、D5也做如上处理，分别得Thresold_D3-Thresold_D5。
如图5所示，当D2系数的绝对值大于Thresold_D2的系数作为信号 系数，记为s_D2；D2系数的绝对值小于Thresold_D2的系数作为噪声系 数，记为n_D2。同理，D3、D4、D5也做如上处理，分别得到信号系数s_D3、s_D4、s_D5，噪声系数n_D3，n_D4，n_D5，最后将四组信号系数 s_D2、s_D3、s_D4、s_D5进行重构得到信号波形序列S_EEG，将四组噪 声系数n_D2、n_D3，n_D4，n_D5进行重构得到噪声波形序列N_EEG。 图6(a)是一段典型的爆发抑制信号，图6(b)与图6(c)进行以上操作提取出 的信号波形与噪声波形。从图中可以看出，原始信号中的抑制段信号的小 毛刺被提取到了噪声波形，信号波形的抑制段则变得非常光滑。
步骤S3:对噪声波形序列和信号波形序列分别进行差分处理，并将差 分后的信号波形序列和噪声波形序列进行逐点平方，以及利用预设传递函 数进行滑动平均，得到信号水平序列和噪声水平序列。
本发明实施例对得到的噪声波形与信号波形进行微分处理，得到微分 后的信号波形序列S_EEG_diff,微分后的噪声波形序列N_EEG_diff。在微 分滤波后，对微分后的信号波形序列S_EEG_diff和微分后的噪声波形序 列N_EEG_diff进行逐点平方，再进行1秒数据点的滑动平均，得到最终 的信号水平序列S_EEG_L和噪声水平序列N_EEG_L。
本发明实施例中的滑动平均的传递函数为：
步骤S4:基于信号水平序列和噪声水平序列利用预设爆发抑制判定方 式，得到抑制信号点，累加抑制信号点对应的抑制信号大于预设持续时间 的抑制段，并计算抑制段占总爆发抑制信号段的比例，得到脑电爆发抑制指数。
本发明实施例中脑电爆发抑制指数计算流程如图7所示，其中爆发 抑制判定的模式分两种：
第一种是将计算得到的信号水平和噪声水平逐点做比较，当信号水 平序列S_EEG_L大于噪声水平序列N_EEG_L时，说明此点为爆发信号 点，否则，则判断为抑制信号点；
为了防止计算的脑电信号段全是抑制信号导致的计算不准确的问题 ，增加第二种判定模式，第二种是逐点判断信号水平序列S_EEG_L是否 大于自适应阈值λT，如果大于等于此阈值，则判定为爆发信号点，否则 ，则判断为抑制信号点；自适应阈值λT的计算如下所示：
两种判定模式等效，满足其中一种则该点被判断为抑制信号。
最后累加所有时长大于0.5s(仅作为举例，不以此为限，实际中根 据经验值进行合理设置)的抑制信号段数，计算抑制段占总的爆发抑制 信号段的比例，从而计算得到爆发抑制指数，计算公式如下所示：
图8是一段典型的爆发抑制信号利用本发明实施例提供的方法计算出 的信号水平与噪声水平，虚线是信号水平，实线是噪声水平，从图中可以 看出，在爆发信号段，信号水平连续的大于噪声水平，而在抑制信号段， 信号水平连续的小于噪声水平，由此可以准确的检测出信号中的爆发段和 抑制段；图9是一段有眼电噪声干扰的信号，其形状与爆发信号相似，从图中可以看出，计算出的信号水平在干扰段与正常信号段均大于噪声水平 ，此段信号无抑制段的信号，因此计算的爆发抑制指数为0。由此可见， 本发明实施例方法可以随着信号自身的变化计算出信号水平序列与噪声水 平序列，具有自适应的调节功能，有很好的抗干扰特性。
实施例2
本发明实施例提供一种脑电爆发抑制指数计算系统，如图10所示， 包括：
脑电信号分解模块1，用于小波利用离散小波变换，将预设时间段内 的脑电信号分解为多层；此模块执行实施例1中的步骤S1所描述的方法，在此不再赘述。
噪声波形与信号波形重构模块2，用于根据脑电信号主要能量集的分 布区间，对包含脑电信号的频带小波层数系数进行处理，通过自适应的能 量阈值提取出每层的噪声系数和信号系数，并重构出噪声波形序列与信号 波形序列；模块执行实施例1中的步骤S2所描述的方法，在此不再赘 述。
信号水平序列和噪声水平序列获取模块3，用于对噪声波形序列和信 号波形序列分别进行差分处理，并将差分后的信号波形序列和噪声波形序 列进行逐点平方，以及利用预设传递函数进行滑动平均，得到信号水平序 列和噪声水平序列；模块执行实施例1中的步骤S3所描述的方法，在此 不再赘述。
脑电爆发抑制指数计算模块4，用于基于信号水平序列和噪声水平序 列利用预设爆发抑制判定方式，得到抑制信号点，累加抑制信号点对应的 抑制信号大于预设持续时间的抑制段，并计算抑制段占总爆发抑制信号段 的比例，得到脑电爆发抑制指数。此模块执行实施例1中的步骤S4所描 述的方法，在此不再赘述。
本发明实施例提供的脑电爆发抑制指数计算系统，能根据信号本身自 适应的计算出噪声水平与信号水平，具有很好的抗噪声的效果，最后计算 的爆发抑制指数准确性高，能够有效地评价脑电信号抑制水平。
实施例3
本发明实施例提供一种计算机设备，如图11所示，包括：至少一个 处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个 通信接口403，存储器404，至少一个通信总线402。其中，通信总线402 用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏 (Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线 接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non- volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行 实施例1的脑电爆发抑制指数计算方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1 的脑电爆发抑制指数计算方法。
其中，通信总线402可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线402可以分为地址总 线、数据总线、控制总线等。为便于表示，图11中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器404可以包括易失性存储器(英文：volatile memory)， 例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储 器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存 储器(英文：flash memory)，硬盘(英文：harddisk drive，缩写：HDD) 或固降硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包 括上述种类的存储器的组合。
其中，处理器401可以是中央处理器(英文：central processing unit， 缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者 CPU和NP的组合。
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是 专用集成电路(英文：application-specific integrated circuit，缩写：ASIC) ，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其 组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文 ：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文： generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器404还用于存储程序指令。处理器401可以调用程序 指令，实现如本申请执行实施例1中的脑电爆发抑制指数计算方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质 上存储有计算机可执行指令，该计算机可执行指令可执行实施例1的脑电 爆发抑制指数计算方法。其中，所述存储介质可为磁碟、光盘、只读存储 记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive， 缩写：HDD)或固降硬盘(Solid-State Drive，SSD)等；所述存储介质还可 以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方 式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可 以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予 以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保 护范围之中。
Claims (6)
1.一种脑电爆发抑制指数计算方法，其特征在于，包括：
利用离散小波变换，将预设时间段内的脑电信号分解为多层；
根据脑电信号主要能量集的分布区间，对包含脑电信号的频带小波层数系数进行处理，通过自适应的能量阈值提取出每层的噪声系数和信号系数，并重构出噪声波形序列与信号波形序列，所述自适应的能量阈值通过以下公式计算：
λdk＝Cdk*PD(k)
式中，k取2、3、4、5，PD(k)表示第k层小波对应的能量，dk表示第k层小波，λdk是第k层小波的自适应能量阈值，Cdk是第k层小波的自适应能量阈值计算比例；
对噪声波形序列和信号波形序列分别进行差分处理，并将差分后的信号波形序列和噪声波形序列进行逐点平方，以及利用预设传递函数进行滑动平均，得到信号水平序列和噪声水平序列，所述预设传递函数为
其中，N＝FS，FS为脑电信号的采样率；
基于信号水平序列和噪声水平序列利用预设爆发抑制判定方式，得到抑制信号点，累加抑制信号点对应的抑制信号大于预设持续时间的抑制段，并计算抑制段占总爆发抑制信号段的比例，得到脑电爆发抑制指数，所述预设爆发抑制判定方式包括：
将计算得到的信号水平和噪声水平逐点做比较，当信号水平序列大于噪声水平序列时，判定此点为爆发信号点，否则，则判定为抑制信号点；或，判断信号水平序列是否大于自适应阈值，如果大于等于自适应阈值，则判定为爆发信号点，否则，则判定为抑制信号点。
2.根据权利要求1所述的脑电爆发抑制指数计算方法，其特征在于，所述利用离散小波变换，将预设时间段内的脑电信号分解为多层的步骤，包括：
采用预设母小波并根据脑电信号频带分类，使用离散小波变换将采样率为FS，时长为T秒的脑电信号分解为N层，得到对应的组小波系数和近似系数。
3.根据权利要求2所述的脑电爆发抑制指数计算方法，其特征在于，所述根据脑电信号主要能量集的分布区间，对包含脑电信号的频带小波层数系数进行处理，通过自适应的能量阈值提取出每层的噪声系数和信号系数，并重构出噪声波形序列与信号波形序列，重构出噪声波形序列与信号波形序列的步骤，包括：使用离散小波变换将采样率为256Hz，时长为60s内的脑电图信号进行6层分解，得到6组小波系数D1-D6和最后一组近似系数A6；
将A6和D1、D2的系数置零去除有低频干扰与高频干扰的数据，计算D2-D5的系数对应的能量，则脑电波的能量为D2-D5层对应的能量之和；
对D2层的系数取绝对值后进行从小到大的排序，得到排序后的系数序列SD2，对排序后的系数SD2从小到大逐个进行累加，当累加到第n个数时的值刚好大于等于自适应的能量阈值，把当前的值则作为D2层的系数阈值，并以同样的方式得到D3、D4、D5层的系数阈值；
将各个层系数的绝对值大于对应阈值的系数作为信号系数，小于对应阈值的系数作为信号系数作为噪声系数；
将信号系数进行重构得到信号波形序列，将噪声系数进行重构得到噪声波形序列。
4.一种脑电爆发抑制指数计算系统，其特征在于，包括：
脑电信号分解模块，用于小波利用离散小波变换，将预设时间段内的脑电信号分解为多层；
噪声波形与信号波形重构模块，用于根据脑电信号主要能量集的分布区间，对包含脑电信号的频带小波层数系数进行处理，通过自适应的能量阈值提取出每层的噪声系数和信号系数，并重构出噪声波形序列与信号波形序列，所述自适应的能量阈值通过以下公式计算：
λdk＝Cdk*PD(k)
式中，k取2、3、4、5，PD(k)表示第k层小波对应的能量，dk表示第k层小波，λdk是第k层小波的自适应能量阈值，Cdk是第k层小波的自适应能量阈值计算比例；
信号水平序列和噪声水平序列获取模块，用于对噪声波形序列和信号波形序列分别进行差分处理，并将差分后的信号波形序列和噪声波形序列进行逐点平方，以及利用预设传递函数进行滑动平均，得到信号水平序列和噪声水平序列，所述预设传递函数为：
其中，N＝FS，FS为脑电信号的采样率；
脑电爆发抑制指数计算模块，用于基于信号水平序列和噪声水平序列利用预设爆发抑制判定方式，得到抑制信号点，累加抑制信号点对应的抑制信号大于预设持续时间的抑制段，并计算抑制段占总爆发抑制信号段的比例，得到脑电爆发抑制指数，所述预设爆发抑制判定方式包括：
将计算得到的信号水平和噪声水平逐点做比较，当信号水平序列大于噪声水平序列时，判定此点为爆发信号点，否则，则判定为抑制信号点；或，判断信号水平序列是否大于自适应阈值，如果大于等于自适应阈值，则判定为爆发信号点，否则，则判定为抑制信号点。
5.一种计算机设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-3中任一所述的脑电爆发抑制指数计算方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行1-3中任一所述的脑电爆发抑制指数计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110215062.4A CN112914588B (zh) | 2021-02-25 | 2021-02-25 | 一种脑电爆发抑制指数计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110215062.4A CN112914588B (zh) | 2021-02-25 | 2021-02-25 | 一种脑电爆发抑制指数计算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112914588A CN112914588A (zh) | 2021-06-08 |
| CN112914588B true CN112914588B (zh) | 2023-05-26 |
Family
ID=76172075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110215062.4A Active CN112914588B (zh) | 2021-02-25 | 2021-02-25 | 一种脑电爆发抑制指数计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112914588B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114504327B (zh) * | 2021-12-28 | 2024-05-17 | 深圳大学 | 一种脑电噪声的处理方法、装置及计算机设备 |
| CN114469138B (zh) * | 2022-01-13 | 2024-04-19 | 博睿康医疗科技(上海)有限公司 | 基于时频域的脑电爆发抑制模式的检测方法、系统及介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6993458B1 (en) * | 2000-11-07 | 2006-01-31 | International Business Machines Corporation | Method and apparatus for preprocessing technique for forecasting in capacity management, software rejuvenation and dynamic resource allocation applications |
| CN102488517A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种检测脑电信号中爆发抑制状态的方法以及装置 |
| US10383574B2 (en) * | 2013-06-28 | 2019-08-20 | The General Hospital Corporation | Systems and methods to infer brain state during burst suppression |
| CN103610461B (zh) * | 2013-10-17 | 2016-03-02 | 杭州电子科技大学 | 基于双密度小波邻域相关阈值处理的脑电信号消噪方法 |
| CN103961092B (zh) * | 2014-05-09 | 2016-08-24 | 杭州电子科技大学 | 基于自适应阈值处理的脑电信号去噪方法 |
| CN105193409B (zh) * | 2015-08-07 | 2018-01-16 | 深圳大学 | 一种脑电抑制水平评估方法及系统 |
| CN109464142A (zh) * | 2018-09-03 | 2019-03-15 | 曹君利 | 一种利用脑电信号计算爆发抑制潜伏期的方法以及预测爆发抑制率的方法 |
-
2021
- 2021-02-25 CN CN202110215062.4A patent/CN112914588B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112914588A (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112914588B (zh) | 一种脑电爆发抑制指数计算方法及系统 | |
| CN101259015B (zh) | 一种脑电信号分析监测方法及其装置 | |
| Chacko et al. | Denoising of ECG signals using empirical mode decomposition based technique | |
| CN108804832B (zh) | 一种基于vmd的间隔阈值局部放电去噪方法 | |
| Das et al. | Analysis of ECG signal denoising method based on S-transform | |
| JP6133112B2 (ja) | 転がり軸受の診断装置および転がり軸受の診断方法 | |
| US20140081088A1 (en) | Computer-implemented method for determining physical movements of a body organ | |
| CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| CN108288058B (zh) | 一种改进的小波阈值膝关节摆动信号去噪算法 | |
| JP7492572B2 (ja) | 電気生理学的誘発電位における変化を検出する医用システム及び方法 | |
| CN111170103B (zh) | 设备故障识别方法 | |
| CN103405227A (zh) | 基于双层形态学滤波的心电信号预处理方法 | |
| WO2013148318A1 (en) | Systems and methods for ecg monitoring | |
| CN103761424A (zh) | 基于二代小波和ica的肌电信号降噪与去混迭方法 | |
| Uthayakumar et al. | Multifractal-wavelet based denoising in the classification of healthy and epileptic EEG signals | |
| Elouaham et al. | Combination time-frequency and empirical wavelet transform methods for removal of composite noise in EMG signals | |
| CN117316172A (zh) | 一种机器人声发射信号的降噪方法及系统 | |
| Belsak et al. | Adaptive wavelet transform method to identify cracks in gears | |
| Escalona et al. | Real-time system for high-resolution ECG diagnosis based on 3D late potential fractal dimension estimation | |
| Yang et al. | Hilbert-Huang transform and Wavelet transform for ECG detection | |
| CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
| CN113011265A (zh) | 一种基于esmd联合自适应阈值的局部放电信号去噪方法 | |
| Janjarasjitt | Examination of the wavelet-based approach for measuring self-similarity of epileptic electroencephalogram data | |
| Mitra et al. | Comparative study on thresholding techniques of discrete wavelet transform (DWT) to de-noise corrupted ECG signals | |
| Stead et al. | Frequency and dependence of long range temporal correlations in human hippocampal energy fluctuations |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231215 Address after: No. 738, 7th Floor, Building 2, No. 36 Zhenxing Road, Science and Technology Park, Changping District, Beijing, 102299 Patentee after: Beijing Beike Ruixin Medical Technology Co.,Ltd. Address before: 518000 No. 3688 Nanhai Road, Shenzhen, Guangdong, Nanshan District Patentee before: SHENZHEN University |
|
| TR01 | Transfer of patent right |