CN113100782A - 实验大鼠大脑皮层电信号的数据处理方法及装置 - Google Patents
实验大鼠大脑皮层电信号的数据处理方法及装置 Download PDFInfo
- Publication number
- CN113100782A CN113100782A CN202110480785.7A CN202110480785A CN113100782A CN 113100782 A CN113100782 A CN 113100782A CN 202110480785 A CN202110480785 A CN 202110480785A CN 113100782 A CN113100782 A CN 113100782A
- Authority
- CN
- China
- Prior art keywords
- signal
- ecog
- analysis
- data processing
- ecog signal
- 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
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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/42—Evaluating a particular growth phase or type of persons or animals for laboratory research
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Power Engineering (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
本发明中公开了一种实验大鼠大脑皮层电信号的数据处理方法及装置,其中数据处理方法包括:获取实验大鼠静息状态下大脑皮层的电信号;对所述电信号进行预处理得到预处理后的ECoG信号;利用自回归模型和功率谱密度对所述ECoG信号进行频谱分析;利用连续小波变换对所述ECoG信号进行时频分析,从而确定所述ECoG信号的时域及频域的共同信息;对所述ECoG信号进行非线性动力学分析从而确定所述ECoG信号的LZ复杂度和样本熵;该数据处理方法先通过对获取的大脑皮层的电信号进行预处理,接着分别进行频谱分析、时频分析以及非线性动力学分析,能够从多方面反映出实验大鼠静息状态下大脑神经元活跃程度的信息,提高了数据分析的准确度。
Description
技术领域
本发明涉及生物电信号——脑电信号处理领域,特别是一种实验大鼠大脑皮层电信号的数据处理方法及装置。
背景技术
脑电信号中包含了大量的生理与疾病信息,并且由于其无损检测的特点,使得脑电信号的测量与分析越来越受到人们的重视。在临床医学方面,脑电信号处理不仅可为某些脑疾病提供诊断依据,而且还为某些脑疾病提供了有效的治疗手段。在工程应用方面,人们也尝试利用脑电信号实现脑-计算机接口(BCI),利用人对不同的感觉、运动或认知活动的脑电的不同,通过对脑电信号的有效提取和分类来实现对外部设备进行控制、操作等目的。由于脑电信号是一种非平稳随机信号,而且其背景噪声也很强,因此脑电信号的分析和处理一直是非常吸引人但又是具有相当难度的研究课题。
自1932年Dietch首先用傅立叶变换进行了EEG分析之后,脑电分析技术中便相继引入了频域分析、时域分析等脑电图分析的经典方法。近年来,在脑电图分析中应用了小波分析、匹配跟踪方法、神经网络分析、混沌分析等方法以及各种分析方法的有机结合,有力地推动了脑电信号分析方法的发展。但是目前主要的脑电信号处理手段主要还是以人为对象进行数据的测量和分析研究,在大鼠等实验动物中的应用还少有系统性的总结。
由于人类疾病的发展十分复杂,以人本身作为实验对象来深入探讨疾病发生机制从很多方面都有着很大的限制。所以目前由许多疾病及损伤模型都开始借助于动物模型进行间接的研究。由于动物无法像人类一样安静地进行脑电信号(EEG)的检测,因此需要将电极植入到大鼠大脑皮层上测量其大脑皮层电信号(ECoG)。ECoG的处理手段与EEG的处理手段几乎相同,但许多文章中对实验大鼠ECoG进行数据分析的思路和流程却不尽相同,且大多针对于大鼠在进行某些行为时进行分析,静息状态下的ECoG的数据分析较少。一方面,对实验大鼠静息状态下的ECoG的分析更有利于我们判断大鼠在经实验刺激后日常状态的变化,且无需给予额外的刺激或任务亦可减轻实验大鼠的负担;另一方面,数据分析思路的不同也可能会导致实验大鼠ECoG的某些特征变化提取不完全,从而忽视掉一些脑电信号中存在的生理信息。因此对实验大鼠静息状态下的ECoG的数据处理思路及流程进行规范是很有必要的。
发明内容
为解决上述问题,为实验大鼠静息状态的ECoG信号的数据分析提供一个可供参考的流程,本发明提供了一种可对实验大鼠ECoG进行多种数据分析及特征提取的数据处理方法,目的在于希望尽可能综合不同的信号处理手段将实验大鼠的ECoG中所包含的生理信息提取出来。
为了实现上述目的,本发明一方面提供一种实验大鼠大脑皮层电信号的数据处理方法,包括:
获取实验大鼠静息状态下大脑皮层的电信号;
对所述电信号进行预处理得到预处理后的ECoG信号;所述预处理包括滤波、去趋势化、去除基线漂移;
利用自回归模型和功率谱密度对所述ECoG信号进行频谱分析,并对利用小波包变换的方法计算所述ECoG信号的各频段能量占比;
利用连续小波变换对所述ECoG信号进行时频分析,从而确定所述ECoG信号的时域及频域的共同信息;
对所述ECoG信号进行非线性动力学分析从而确定所述ECoG信号的LZ复杂度和样本熵。
作为优选的技术方案,所述对所述电信号进行预处理得到预处理后的ECoG信号,进一步包括:
对所述电信号进行0-100Hz的带通滤波,滤波器使用6阶的IIR滤波器;
对所述电信号进行去除基线漂移的处理,小波基函数为“db6”,分解层数为6层,且将第6层的近似系数置零,并对信号进行重构。
作为优选的技术方案,在所述利用自回归模型和功率谱密度对所述ECoG信号进行频谱分析,并对利用小波包变换的方法计算所述ECoG信号的各频段能量占比,的步骤中:
所述自回归模型的阶数为6阶;
在功率谱密度分析中,使用hamming窗函数进行修正,窗函数窗口大小为128,分段信号的重叠采样点数为64;
在计算各频段能量占比中,使用离散小波包变换的方法,小波基函数为“db6”,分解层数为6层。
作为优选的技术方案,在利用连续小波变换对所述ECoG信号进行时频分析,的步骤中:进行连续小波变换的频率间隔为1。
作为优选的技术方案,在利用连续小波变换对所述ECoG信号进行时频分析,的步骤中:
对所述ECoG信号进行分段时以小于或等于4s为一个窗口进行分段;
LZ复杂度的粗粒化手段使用的是平均值法,且也以小于或等于4s为一个窗口进行分段。
作为优选的技术方案,在对所述电信号进行预处理得到预处理后的ECoG信号,之后还包括:
建立神经网络模型,利用所述神经网络对所述ECoG信号进行分类,
作为优选的技术方案,所述神经网络的结构为:
第一层为输入层,共有128个神经元;
第二层为一维卷积层(Conv1D),共有64个神经元,每个神经元长度5,步长为2,激活函数是relu;
第三层为长短时记忆神经网络层(LSTM),共有64个神经元,激活函数为tanh;
第四层为Dropout层,随机丢弃25%的神经元;
第五层为LSTM层,共有128个神经元;
最后一层为输出层,使用的激活函数是softmax;
在训练时的batch size为512,epochs为500。
另一方面,本发明还提供一种实验大鼠大脑皮层电信号的数据处理装置,包括:
获取单元,用于获取实验大鼠静息状态下大脑皮层的电信号;
预处理单元,用于对所述电信号进行预处理得到预处理后的ECoG信号;所述预处理包括滤波、去趋势化、去除基线漂移;
频谱分析单元,用于利用自回归模型和功率谱密度对所述ECoG信号进行频谱分析,并对利用小波包变换的方法计算所述ECoG信号的各频段能量占比;
时频分析单元,用于利用连续小波变换对所述ECoG信号进行时频分析,从而确定所述ECoG信号的时域及频域的共同信息;
非线性动力学分析单元,用于对所述ECoG信号进行非线性动力学分析从而确定所述ECoG信号的LZ复杂度和样本熵。
作为优选的技术方案,所述数据处理装置还包括:
分类单元,用于建立神经网络模型,利用所述神经网络对所述ECoG信号进行分类。
本发明相对于现有技术的有益效果是:该数据处理方法先通过对获取的大脑皮层的电信号进行预处理,接着分别进行频谱分析、时频分析以及非线性动力学分析,能够从多方面反映出实验大鼠静息状态下大脑神经元活跃程度的信息,辅助我们对实验大鼠大脑所发生的异常进行判断,提高了数据分析的准确度。
附图说明
图1为本发明的数据处理流程图;
图2为本发明一实施例中的ECoG的滤波前后对比图;
图3为本发明一实施例中的ECoG的基线矫正前后对比图;
图4为本发明一实施例中的ECoG的频谱分析——自回归模型(AR)示意图;
图5为本发明一实施例中的ECoG的频谱分析——功率谱密度示意图;
图6为本发明一实施例中的ECoG的时频分析示意图;
图7为本发明一实施例中的ECoG的LZ复杂度示意图;
图8为本发明一实施例中的ECoG的样本熵示意图;
图9为本发明一实施例中的ECoG自动分类的神经网络结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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。
参照图1,本实施例提供一种实验大鼠大脑皮层电信号的数据处理方法,包括以下步骤:
步骤1:获取实验大鼠静息状态下大脑皮层的电信号;
在此需要说明的是,本实施例中所使用的实验大鼠静息状态ECoG信号来源于本实验室雄性SD大鼠(250-300g)在给予实验刺激前后所测得。测量时间分别是刺激前一天和刺激后一天,测量时保证周围环境安静,光亮程度偏暗,测量时长为6min,采样频率为250Hz。
步骤2:对所述电信号进行预处理得到预处理后的ECoG信号;
需要说明的是,预处理的手段包括滤波、基线矫正、去趋势化。滤波使用深度为6阶的IIR带通滤波器,带通频率为0.5-100Hz(根据采样频率进行调整,当采样频率fs>2*感兴趣频段时,感兴趣频段信号的信息可全部被保存下来)。对信号的基线矫正采用小波变换的方法,我们使用“db6”小波基函数对原始信号进行小波变换,先对原始信号进行小波分解,之后将第六层近似系数置零后对信号进行重构,重构后的信号即可达到较为良好的基线去除效果。去趋势化可将原始信号中的噪声影响减小,从而有效避免由于噪声和信号不稳定而表现出的伪关联的干扰,这一步对于后续的频谱分析也是必要的,因为脑电频谱具有1/f特性,即频谱越高功率下降越迅速,因此会出现脑电信号的低频部分主导整个频谱,进行去趋势化后可有效减轻信号的超低频部分从而减轻这种影响。
具体的,在本实施例中,将测好的数据导入到matlab中,并利用matlab自带的FDATool(Filter Design&Analysis Tool)设计一个6阶的IIR带通滤波器(0.5-100Hz),并利用matlab自带的detrend函数对信号进行去趋势化处理。之后用matlab内置的wavedec和waverec对信号进行小波变化达到基线矫正的目的,小波基函数选择“db6”,分解层数6层,将第六层近似系数置零并重构信号。滤波后的信号与原始信号的差别如图2,滤波后且进一步进行基线校正后的信号与仅进行滤波处理的信号之间的差别示意图如图3。
步骤3:对预处理后的ECoG信号进行频谱分析:
需要说明的是将经过预处理后的信号进行频谱分析,为了避免单一的频谱分析方法可能带来的分析误差,我们在这里采用两种频谱分析方法:自回归模型(AR)和功率谱密度。两种方法均可描述ECoG不同频段波形的变化,将预处理后的信号经两种方法分析得出的结果进行比较即可得出较有说服力的结果,从而判断大鼠静息状态的ECoG的变化是否出现了异常、主要异常出现在哪些频段。自回归模型(AR)是一种参数类型的频谱估计,通过用特定参数的模型对信号进行描述后,再基于该模型计算出该信号的频谱。功率谱密度是一种非参数类型的频谱估计方法,通过将原始信号进行分段加窗后,计算每段数据的离散傅里叶变换(DFT)并获得其周期图后,将该段数据的周期图取平均值作为该段信号的频谱估计,这样的做法可以有效减小方差,从而使得信号频谱峰值更容易被观察定位。同时我们采用小波包变换的方法,计算经预处理后的ECoG信号的各频段能量占比,一方面可辅助我们判断出现异常的频段,另一方面还可帮助我们定量地比较不同频段信号发生异常的程度。
具体的,在本实施例中,数据进行预处理之后,用matlab自带的pyulear函数进行自回归模型分析,阶数设定为20阶,并利用pwelch函数对数据进行功率谱密度运算,使用hamming窗进行修正,窗口大小为128,同时将两种方法得到的不同频段信号的波幅值进行记录并进行差异显著性分析,即可得ECoG信号的主要异常波段。频谱分析的结果如图4、图5。
此外,将预处理后的信号进行小波包分解与小波包重构,可利用matlab内置函数wpdec和wpcoef实现,小波包分解后各节点的系数即可代表各频段信号的能量占比,通过比较信号不同频段在实验前后的差别即可定量地对信号的异常做出判断,并挑选出受影响最明显的频段。
步骤4:对预处理后的ECoG信号进行时频分析:
需要说明的是,频谱分析虽然可得出ECoG频域上的变化,但是却无法包含信号的时域中的信息。因为频谱分析的前提是假设一段脑电信号的频谱是固定的,这种假设会简化了脑电信号的动态特性,忽略其随时间的变化,因此要进一步对ECoG再进行时频分析。常用的时频分析手段有两种:短时傅里叶变换(STFT)和连续小波变换(CWT)。但是STFT由于其窗口长度固定的特性,无法很好地对由短持续时间的高频成分和长持续时间的低频成分组成的脑电信号进行自适应的调整,从而无法达到更好的时频分辨率。因此这里采用连续小波变化(CWT)的方法对预处理后的ECoG进行时频分析,进一步得出实验大鼠静息状态时的ECoG的时域及频域的共同信息。
在本实施例中,通过使用连续小波变换(CWT)实现对信号的时频分析,分析所得的结果示意图如图6所示,其横轴是时间轴,纵轴是频率轴,在图中幅值越大颜色越偏向红色,幅值越低颜色越偏向蓝色,以此来判断什么时间下大鼠的ECoG的什么频段的成分出现了怎样的变化。可以看出图中纵轴为10Hz时有一条横向光带,说明在此状态下实验大鼠的ECoG信号的主要成分是10Hz且这种状态持续了整个测试阶段;在图中横轴时间为370s左右时有一条纵向的光带,说明在这个时间点大鼠有动作,我们可以看出实验大鼠偶有的动作虽不足以影响整个信号的频谱,但是对于判断实验大鼠的运动或思维状态来说,时频图的计算仍是不可或缺的一部分。
步骤5:预处理后的ECoG信号进行非线性动力学指标的计算:
进一步的,还需计算预处理后的ECoG信号的非线性动力学指标:LZ复杂度及样本熵。两者均是描述信号混乱程度的指标,同时以可反映出大鼠大脑的神经元活跃程度,且均是数值越大代表大脑神经元活跃程度越高。且比起上述的频谱及时频分析,非线性动力学指标还有抗噪能力强的优点。因此在最后通过计算ECoG的非线性动力学指标能够与上述的分析手段互做补充并反映出不同的生理信息。
在本实施例中,具体的,对经过预处理后的信号进行分段,本实验中的采样频率为250Hz,以4s的长度对信号进行切割后计算每段信号的LZ复杂度和样本熵值,示意图如图7、图8。可以看到LZ复杂度和样本熵的变化趋势是一致的,说明两者对ECoG信号的混乱程度的识别能力相近。将所求得的LZ复杂度与样本熵值进行差异显著性分析,即可定量判断大鼠在实验刺激前后的神经元活跃程度。
在此需要说明的是,上述步骤3-5之间没有具体的先后顺序。
在另外一些实施例中,该实验大鼠大脑皮层电信号的数据处理方法还包括建立神经网络模型,利用所述神经网络对所述ECoG信号进行分类。由于上述的信号处理手段虽然可以很好地提取出信号中所包含的生理信息,但是需要耗费很多的时间和精力,同时对于计算机的硬件也有一定的要求,同时对于数据处理人员的专业水平要求也很高,因此本发明中还涉及到一种神经网络模型,希望通过建立神经网络模型来对测得的实验大鼠ECoG信号进行自动分类,一方面为之后经实验操作前后的实验大鼠ECoG信号自动识别奠定基础,一方面在达到良好分类的效果的基础上进一步对信号的各生理指标进行预测以达到自动提取脑电信号特征的目的。
在该实施例中,我们搭建了一个神经网络,其结构及各层参数如图9,我们将经过预处理后的ECoG经过切段之后输入到神经网络中去,利用监督学习的方法对神经网络进行训练。每段ECoG信号有500个数据点,按照本实例的数据的采样频率为250Hz,相当于以2s为一个段对信号进行划分。batch size为512,epoch为500,优化器为Adam,因为主要目的是为了对数据进行分类,且为二元分类问题(实验前、实验后),因此本神经网络中的损失函数使用二元交叉熵。在本神经网络中我们使用了一维卷积层与LSTM层作为隐藏层,并且添加了Dropout层随机丢弃掉25%的神经元以防止神经网络的过拟合现象。同时,不同隐藏层的激活函数的选择也不同,对于一维卷积层我们使用了“relu”作为激活函数,而LSTM层则使用了“tanh”作为激活函数。最终我们通过使用两只实验大鼠的额叶区域的ECoG信号对网络进行训练后,其对于大鼠实验前后的ECoG的识别准确率可达到94%以上。
在另外一些实施例中,还提供一种实验大鼠大脑皮层电信号的数据处理装置,具体包括:
获取单元,用于获取实验大鼠静息状态下大脑皮层的电信号;在此需要说明的是,由于具体的获取步骤以及过程在上述实验大鼠大脑皮层电信号的数据处理方法的步骤1中已经具体阐述,故在本实施中不再赘述。
预处理单元,用于对所述电信号进行预处理得到预处理后的ECoG信号;所述预处理包括滤波、去趋势化、去除基线漂移;在此需要说明的是,由于具体的获取步骤以及过程在上述实验大鼠大脑皮层电信号的数据处理方法的步骤2中已经具体阐述,故在本实施中不再赘述。
频谱分析单元,用于利用自回归模型和功率谱密度对所述ECoG信号进行频谱分析,并对利用小波包变换的方法计算所述ECoG信号的各频段能量占比;在此需要说明的是,由于具体的获取步骤以及过程在上述实验大鼠大脑皮层电信号的数据处理方法的步骤3中已经具体阐述,故在本实施中不再赘述。
时频分析单元,用于利用连续小波变换对所述ECoG信号进行时频分析,从而确定所述ECoG信号的时域及频域的共同信息;在此需要说明的是,由于具体的获取步骤以及过程在上述实验大鼠大脑皮层电信号的数据处理方法的步骤4中已经具体阐述,故在本实施中不再赘述。
非线性动力学分析单元,用于对所述ECoG信号进行非线性动力学分析从而确定所述ECoG信号的LZ复杂度和样本熵;在此需要说明的是,由于具体的获取步骤以及过程在上述实验大鼠大脑皮层电信号的数据处理方法的步骤5中已经具体阐述,故在本实施中不再赘述。
在另外一些实施例中,上述实验大鼠大脑皮层电信号的数据处理装置还包括:分类单元,用于建立神经网络模型,利用所述神经网络对所述ECoG信号进行分类;在此需要说明的是,由于具体的获取步骤以及过程在上述实验大鼠大脑皮层电信号的数据处理方法中已经具体阐述,故在本实施中不再赘述。
另外,本发明实施例还提供一种计算机可读存储介质,其中,该计算机可读存储介质可存储有程序,该程序执行时包括上述方法实施例中记载的任何产业链路制造资源的构建方法的部分或全部步骤。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、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步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上参照附图描述了根据本发明的实施例的用于实现服务链的方法的示例性流程图。应指出的是,以上描述中包括的大量细节仅是对本发明的示例性说明,而不是对本发明的限制。在本发明的其他实施例中,该方法可具有更多、更少或不同的步骤,且各步骤之间的顺序、包含、功能等关系可以与所描述和图示的不同。
Claims (10)
1.一种实验大鼠大脑皮层电信号的数据处理方法,其特征在于,包括:
获取实验大鼠静息状态下大脑皮层的电信号;
对所述电信号进行预处理得到预处理后的ECoG信号;所述预处理包括滤波、去趋势化、去除基线漂移;
利用自回归模型和功率谱密度对所述ECoG信号进行频谱分析,并对利用小波包变换的方法计算所述ECoG信号的各频段能量占比;
利用连续小波变换对所述ECoG信号进行时频分析,从而确定所述ECoG信号的时域及频域的共同信息;
对所述ECoG信号进行非线性动力学分析从而确定所述ECoG信号的LZ复杂度和样本熵。
2.根据权利要求1所述的数据处理方法,其特征在于,所述对所述电信号进行预处理得到预处理后的ECoG信号,进一步包括:
对所述电信号进行0-100Hz的带通滤波,滤波器使用6阶的IIR滤波器;
对所述电信号进行去除基线漂移的处理,小波基函数为“db6”,分解层数为6层,且将第6层的近似系数置零,并对信号进行重构。
3.根据权利要求1所述的数据处理方法,其特征在于,在所述利用自回归模型和功率谱密度对所述ECoG信号进行频谱分析,并对利用小波包变换的方法计算所述ECoG信号的各频段能量占比,的步骤中:
所述自回归模型的阶数为6阶;
在功率谱密度分析中,使用hamming窗函数进行修正,窗函数窗口大小为128,分段信号的重叠采样点数为64;
在计算各频段能量占比中,使用离散小波包变换的方法,小波基函数为“db6”,分解层数为6层。
4.根据权利要求1中所述的数据处理方法,其特征在于,在利用连续小波变换对所述ECoG信号进行时频分析,的步骤中:进行连续小波变换的频率间隔为1。
5.根据权利要求1中所述的数据处理方法,其特征在于,在利用连续小波变换对所述ECoG信号进行时频分析,的步骤中:
对所述ECoG信号进行分段时以小于或等于4s为一个窗口进行分段;
LZ复杂度的粗粒化手段使用的是平均值法,且也以小于或等于4s为一个窗口进行分段。
6.根据权利要求1所述的数据处理方法,其特征在于,在对所述电信号进行预处理得到预处理后的ECoG信号,之后还包括:
建立神经网络模型,利用所述神经网络对所述ECoG信号进行分类。
7.根据权利要求6中所述的数据处理方法,其特征在于,所述神经网络的结构为:
第一层为输入层,共有128个神经元;
第二层为一维卷积层(Conv1D),共有64个神经元,每个神经元长度5,步长为2,激活函数是relu;
第三层为长短时记忆神经网络层(LSTM),共有64个神经元,激活函数为tanh;
第四层为Dropout层,随机丢弃25%的神经元;
第五层为LSTM层,共有128个神经元;
最后一层为输出层,使用的激活函数是softmax;
在训练时的batch size为512,epochs为500。
8.一种实验大鼠大脑皮层电信号的数据处理装置,其特征在于,包括:
获取单元,用于获取实验大鼠静息状态下大脑皮层的电信号;
预处理单元,用于对所述电信号进行预处理得到预处理后的ECoG信号;所述预处理包括滤波、去趋势化、去除基线漂移;
频谱分析单元,用于利用自回归模型和功率谱密度对所述ECoG信号进行频谱分析,并对利用小波包变换的方法计算所述ECoG信号的各频段能量占比;
时频分析单元,用于利用连续小波变换对所述ECoG信号进行时频分析,从而确定所述ECoG信号的时域及频域的共同信息;
非线性动力学分析单元,用于对所述ECoG信号进行非线性动力学分析从而确定所述ECoG信号的LZ复杂度和样本熵。
9.根据权利要求8所述的数据处理装置,其特征在于,还包括:
分类单元,用于建立神经网络模型,利用所述神经网络对所述ECoG信号进行分类。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种实验大鼠大脑皮层电信号的数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480785.7A CN113100782A (zh) | 2021-04-30 | 2021-04-30 | 实验大鼠大脑皮层电信号的数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480785.7A CN113100782A (zh) | 2021-04-30 | 2021-04-30 | 实验大鼠大脑皮层电信号的数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113100782A true CN113100782A (zh) | 2021-07-13 |
Family
ID=76720581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480785.7A Pending CN113100782A (zh) | 2021-04-30 | 2021-04-30 | 实验大鼠大脑皮层电信号的数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113100782A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101318050A (zh) * | 2008-07-21 | 2008-12-10 | 天津大学 | 基于功率谱密度特征值的音乐处方量化选择系统 |
US20160228705A1 (en) * | 2015-02-10 | 2016-08-11 | Neuropace, Inc. | Seizure onset classification and stimulation parameter selection |
CN110292374A (zh) * | 2019-05-31 | 2019-10-01 | 辽宁师范大学 | 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法 |
CN110720899A (zh) * | 2019-10-14 | 2020-01-24 | 浙江大学 | 一种基于mpsf提取的ava狭窄定位及狭窄程度多级分类系统 |
CN110840432A (zh) * | 2019-12-02 | 2020-02-28 | 苏州大学 | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 |
-
2021
- 2021-04-30 CN CN202110480785.7A patent/CN113100782A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101318050A (zh) * | 2008-07-21 | 2008-12-10 | 天津大学 | 基于功率谱密度特征值的音乐处方量化选择系统 |
US20160228705A1 (en) * | 2015-02-10 | 2016-08-11 | Neuropace, Inc. | Seizure onset classification and stimulation parameter selection |
CN110292374A (zh) * | 2019-05-31 | 2019-10-01 | 辽宁师范大学 | 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法 |
CN110720899A (zh) * | 2019-10-14 | 2020-01-24 | 浙江大学 | 一种基于mpsf提取的ava狭窄定位及狭窄程度多级分类系统 |
CN110840432A (zh) * | 2019-12-02 | 2020-02-28 | 苏州大学 | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 |
Non-Patent Citations (2)
Title |
---|
程琪琪: "损伤脑区功能恢复过程中的脑电信号非线性动力学研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
贺国庆: "基于静息态皮质脑电的术中脑功能区定位算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kar et al. | EEG signal analysis for the assessment and quantification of driver’s fatigue | |
Kalayci et al. | Wavelet preprocessing for automated neural network detection of EEG spikes | |
Aarabi et al. | A multistage knowledge-based system for EEG seizure detection in newborn infants | |
Gruszczyńska et al. | Epilepsy identification based on EEG signal using RQA method | |
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 | |
CN110960191A (zh) | 一种基于频谱能量图的癫痫脑电信号分类方法 | |
Stevenson et al. | A nonparametric feature for neonatal EEG seizure detection based on a representation of pseudo-periodicity | |
Lopes et al. | Automatic electroencephalogram artifact removal using deep convolutional neural networks | |
Jacob et al. | Application of fractal dimension for EEG based diagnosis of encephalopathy | |
Al-Salman et al. | Extracting epileptic features in EEGs using a dual-tree complex wavelet transform coupled with a classification algorithm | |
Djamal et al. | Significant variables extraction of post-stroke EEG signal using wavelet and SOM kohonen | |
Najumnissa et al. | Detection and classification of epileptic seizures using wavelet feature extraction and adaptive neuro-fuzzy inference system | |
Ridouh et al. | EEG signals classification based on time frequency analysis | |
CN113723557A (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
Kbah et al. | Epileptic EEG activity detection for children using entropy-based biomarkers | |
Islam et al. | Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications | |
Sriraam et al. | Multichannel EEG based inter-ictal seizures detection using Teager energy with backpropagation neural network classifier | |
Saini et al. | Discriminatory features based on wavelet energy for effective analysis of electroencephalogram during mental tasks | |
Tripathi et al. | Automatic seizure detection and classification using super-resolution superlet transform and deep neural network-A preprocessing-less method | |
Kaur et al. | Comparison of the techniques used for segmentation of EMG signals | |
Sairamya et al. | EEG-based classification of normal and seizure types using relaxed local neighbour difference pattern and artificial neural network | |
Subasi | Biomedical signal analysis and its usage in healthcare | |
Abbasi et al. | Multiple contaminant biosignal quality analysis for electrocardiography | |
Nahmias et al. | Consistency of quantitative electroencephalography features in a large clinical data set | |
Kardam et al. | Motor imagery tasks based electroencephalogram signals classification using data-driven features |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |