CN113208565A - 一种基于脑电信号的睡眠纺锤波提取方法 - Google Patents
一种基于脑电信号的睡眠纺锤波提取方法 Download PDFInfo
- Publication number
- CN113208565A CN113208565A CN202110503057.3A CN202110503057A CN113208565A CN 113208565 A CN113208565 A CN 113208565A CN 202110503057 A CN202110503057 A CN 202110503057A CN 113208565 A CN113208565 A CN 113208565A
- Authority
- CN
- China
- Prior art keywords
- spindle
- spindle wave
- decision
- sleep
- waves
- 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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种基于希尔伯特变换的睡眠纺锤波提取方法,其步骤包括:(1)对原始信号进行预处理:降采样,分段;(2)对每一段信号进行带通滤波(11‑15Hz);(3)利用希尔伯特变换提取信号的包络信息和瞬时频率信息;(4)设置幅值阈值,初步确定可能出现纺锤波的位置信息;(5)纺锤波膨胀与融合处理;通过遍历纺锤波,实现近邻纺锤波的合并;(6)设置时间阈值,二次确认纺锤波位置信息;(7)对两次结果进行与运算,最终确定纺锤波位置。本发明通过希尔伯特变换和两次确认实现最终纺锤波的识别,实现简单,为进一步的研究奠定基础。
Description
技术领域
本发明涉及信号与信息处理和神经生物学交叉领域,特别是涉及一种基于脑电信号的睡眠纺锤波提取方法。它提出和设计一种将基于希尔伯特的包络提取算法和双重决策机制结合的睡眠纺锤波提取方法。
背景技术
随着社会经济的发展、生活方式的改变以及不规律的夜生活,睡眠障碍的发病率逐年升高。特别的,在我国约有45.4%的成年人曾经历过不同程度的睡眠障碍问题。睡眠障碍,会诱发各种日间功能障碍,诸如:白天乏力、困倦、精力差、反应迟钝、判断力下降、精神紊乱等,进一步引起工作、学术或社会问题。这种现象已经严重影响到了人们的身心健康和生活质量,并造成巨大的社会经济和医疗负担。因此对睡眠的研究具有重要的社会意义。
考虑到对睡眠质量的评判,依赖于睡眠时长和睡眠深度。同时纺锤波,作为一种甄别“非快速眼动第二阶段(N2)”重要特征,为睡眠质量的评估提供了重要的判定依据,且纺锤波的分布密度、振幅强弱与神经相关疾病、睡眠障碍等认知过程具有一定的关联性。因此纺锤波的研究对睡眠检测和失眠评估具有重要的意义。睡眠纺锤波,作为由丘脑和皮质区等共同作用产生的一种短周期震荡波形,具有持续0.5-3秒的正弦纺锤状波形,且频率分布集中在11-16Hz的特性,为实现纺锤波的检测提供了理论支撑。此类脑电波的主要作用是将信号传递到大脑的其他部位,保护这些部位在睡眠阶段免受外界干扰,达到保证睡眠质量的目的。
基于纺锤波的重要作用,越来越多的科研人员将目光转向该领域的研究。但传统睡眠纺锤波的检测手段,多依赖于医疗专家的主观视觉判定,此类方法费时费力,且不同个体间的差异性较大,亦存在专家主观性影响。尽管该方法被视为纺锤波检测算法的“黄金标准”,但诸多因素造成鲁棒性亦不足,这促使基于人工智能的睡眠纺锤波的自动检测算法研究逐步增多,这类方法可以充分利用智能算法为医疗专家提供辅助信息。但考虑到这类自动检测算法对不同个体具有较大的差异,同时缺乏较为统一的判定标准,造成纺锤波的起止位置及其判定亦存在鲁棒性不足的问题。
发明内容
为了解决上述问题,本发明提出了一种将基于希尔伯特的包络提取算法和双重决策机制结合的睡眠纺锤波提取方法,它是采用希尔伯特变换提取脑电信号的包络信息和瞬时频率信息,然后结合双重决策判定机制实现对纺锤波的有效提取。本发明的基本技术方案如下:
1.对原始信号进行预处理,包括降采样和分段处理;
2.考虑到纺锤波的频率分布范围为11-15Hz,对每段脑电信号进行带通滤波处理;
3.对滤波后的脑电信号进行希尔伯特变换,获取该脑电信号的包络和瞬时频率信息;
4.设置幅值阈值的上下限,初步对可能出现的纺锤波信息进行幅值决策;
5.纺锤波膨胀与融合处理:通过遍历纺锤波,实现近邻纺锤波的合并;
6.设置时间阈值,二次对纺锤波信息进行时间决策;
7.对幅值决策和时间决策进行“与”运算,实现基于双重决策判定机制的纺锤波识别。
本发明的有益效果是,在进行纺锤波初判阶段采用纺锤波膨胀和融合处理,降低了异常数据对纺锤波判定的影响;最终判定阶段采用双重判定机制,提高了纺锤波判定的抗干扰能力。
附图说明
图1基于脑电信号的睡眠纺锤波提取方法总体流程图
图2原始脑电信号及滤波后的示意图
图3基于希尔伯特变换的包络和瞬时频率序列
图4纺锤波检测结果标注示意图
具体实施方式
本发明提出的基于脑电信号的睡眠纺锤波提取方法的流程图如图1所示,下面结合附图对本发明的具体实施方式做详细说明。
(1)对原始信号进行预处理,包括降采样和分段处理:读取睡眠脑电数据s(t),对脑电信号进行降采样为100Hz;然后对降采样后的数据进行分段处理,每段脑电信号长度为30s;
(2)对每段脑电信号进行带通滤波处理:考虑到纺锤波的频率分布范围为11-15Hz,对(1)得到的脑电信号s(t)进行11-15Hz的带通滤波,获取新的信号s_filter(t),亦可避免工频及高频噪声的干扰;
(3)对滤波后的脑电信号s_filter(t)进行希尔伯特变换,获取该脑电信号的包络env(t)和瞬时频率freq(t)信息;
(4)设置幅值阈值Thresh_amp的上下限,初步对可能出现的纺锤波信息进行幅值决策,输出结果Spindel_Amp:Thresh_amp上限设置为Fpz-Cz导联睡眠阶段幅值绝对值的平均值的8倍,Threshamp下限设置为最高瞬时频率所对应幅值的2倍:
(5)具体判定过程:寻找上限峰值点,以该点为基点,左右扩散寻找下限点,若第一个纺锤波没有发现下限点,继续夸大搜索范围,直接第二个纺锤波的下限点,则初步确定为纺锤波;
(6)纺锤波膨胀与融合处理:通过遍历纺锤波,实现近邻纺锤波的合并,根据(4)初步判定纺锤波可能出现的位置,若两个纺锤波相邻间隔小于0.5s,则对这两个纺锤波融合,判定同一纺锤波;
(7)设置时间阈值Thresh_time,二次对纺锤波信息进行时间决策,输出结果Spindel_Time,设置持续时间阈值Thresh_time为0.5s-3s:
(8)对幅值决策和时间决策进行“与”运算,实现基于双重决策判定机制的纺锤波识别:
Claims (4)
1.一种基于脑电信号的睡眠纺锤波提取方法,包含如下步骤:
(1)对原始信号进行预处理,包括降采样和分段处理:读取睡眠脑电数据s(t),对脑电信号进行降采样为100Hz;然后对降采样后的数据进行分段处理,每段脑电信号长度为30s;
(2)对每段脑电信号进行带通滤波处理:考虑到纺锤波的频率分布范围为11-15Hz,对(1)得到的脑电信号s(t)进行11-15Hz的带通滤波,获取新的信号s_filter(t),亦可避免工频及高频噪声的干扰;
(3)对滤波后的脑电信号s_filter(t)进行希尔伯特变换,获取该脑电信号的包络env(t)和瞬时频率freq(t)信息;
(4)设置幅值阈值Thresh_amp的上下限,初步对可能出现的纺锤波信息进行幅值决策,输出结果Spindel_Amp:Thresh_amp上限设置为Fpz-Cz导联睡眠阶段幅值绝对值的平均值的8倍,Threshamp下限设置为最高瞬时频率所对应幅值的2倍:
具体判定过程:寻找上限峰值点,以该点为基点,左右扩散寻找下限点,若第一个纺锤波没有发现下限点,继续夸大搜索范围,直接第二个纺锤波的下限点,则初步确定为纺锤波;
(5)纺锤波膨胀与融合处理:通过遍历纺锤波,实现近邻纺锤波的合并,根据(4)初步判定纺锤波可能出现的位置,若两个纺锤波相邻间隔小于0.5s,则对这两个纺锤波融合,判定同一纺锤波;
(6)设置时间阈值Thresh_time,二次对纺锤波信息进行时间决策,输出结果Spindel_Time,设置持续时间阈值Thresh_time为0.5s-3s:
(7)对幅值决策和时间决策进行“与”运算,实现基于双重决策判定机制的纺锤波识别:
2.基于权利要求1所述的基于脑电信号的睡眠纺锤波提取方法,其特征在于,EEG信号的包络计算方法采用希尔伯特变换方法。
3.基于权利要求1所述的基于脑电信号的睡眠纺锤波提取方法,其特征在于,步骤(4)和步骤(5)通过遍历对纺锤波决策的扩散和融合机制。
4.基于权利要求1所述的基于脑电信号的睡眠纺锤波提取方法,其特征在于,基于幅值决策和时间决策的双重决策判定机制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110503057.3A CN113208565A (zh) | 2021-05-08 | 2021-05-08 | 一种基于脑电信号的睡眠纺锤波提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110503057.3A CN113208565A (zh) | 2021-05-08 | 2021-05-08 | 一种基于脑电信号的睡眠纺锤波提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113208565A true CN113208565A (zh) | 2021-08-06 |
Family
ID=77094293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110503057.3A Pending CN113208565A (zh) | 2021-05-08 | 2021-05-08 | 一种基于脑电信号的睡眠纺锤波提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113208565A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115357126A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置 |
CN115844424A (zh) * | 2022-10-17 | 2023-03-28 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
CN116035598A (zh) * | 2023-04-03 | 2023-05-02 | 北京肿瘤医院(北京大学肿瘤医院) | 一种睡眠纺锤波智能识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101361652A (zh) * | 2007-08-07 | 2009-02-11 | 深圳迈瑞生物医疗电子股份有限公司 | 自适应阈值的波形峰谷识别方法和装置 |
CN106333678A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 脑电信号中检测睡眠状态下脑电波的方法和系统 |
US20190307345A1 (en) * | 2016-12-02 | 2019-10-10 | Thomas Jefferson University | Signal processing method for distinguishing and characterizing high-frequency oscillations |
US20200060566A1 (en) * | 2018-08-24 | 2020-02-27 | Newton Howard | Automated detection of brain disorders |
-
2021
- 2021-05-08 CN CN202110503057.3A patent/CN113208565A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101361652A (zh) * | 2007-08-07 | 2009-02-11 | 深圳迈瑞生物医疗电子股份有限公司 | 自适应阈值的波形峰谷识别方法和装置 |
CN106333678A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 脑电信号中检测睡眠状态下脑电波的方法和系统 |
US20190307345A1 (en) * | 2016-12-02 | 2019-10-10 | Thomas Jefferson University | Signal processing method for distinguishing and characterizing high-frequency oscillations |
US20200060566A1 (en) * | 2018-08-24 | 2020-02-27 | Newton Howard | Automated detection of brain disorders |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115844424A (zh) * | 2022-10-17 | 2023-03-28 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
CN115844424B (zh) * | 2022-10-17 | 2023-09-22 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
CN115357126A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置 |
CN115357126B (zh) * | 2022-10-19 | 2023-01-24 | 之江实验室 | 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置 |
CN116035598A (zh) * | 2023-04-03 | 2023-05-02 | 北京肿瘤医院(北京大学肿瘤医院) | 一种睡眠纺锤波智能识别方法及系统 |
CN116035598B (zh) * | 2023-04-03 | 2023-06-27 | 北京肿瘤医院(北京大学肿瘤医院) | 一种睡眠纺锤波智能识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113208565A (zh) | 一种基于脑电信号的睡眠纺锤波提取方法 | |
Liu et al. | Automatic seizure detection using wavelet transform and SVM in long-term intracranial EEG | |
CN102319063B (zh) | 一种提高胎心率数据加速识别准确性的装置和方法 | |
CN102319064B (zh) | 一种提高胎心率数据减速识别准确性的装置和方法 | |
CN102715903B (zh) | 基于定量脑电图的脑电特征提取方法 | |
CN104173045B (zh) | 一种癫痫发作预警系统 | |
CN110353673B (zh) | 一种基于标准互信息的脑电通道选择方法 | |
CN104970773A (zh) | 一种基于双重特征筛选的自动睡眠分期方法 | |
CN110236491B (zh) | 一种睡眠分期监控方法 | |
CN106889987B (zh) | 基于分段滤波处理的子宫肌电强度信息提取方法 | |
CN106618560B (zh) | 脑电波信号的处理方法和装置 | |
Zhang et al. | The detection of crackles based on mathematical morphology in spectrogram analysis | |
CN109009087B (zh) | 一种心电信号r波的快速检测方法 | |
Navona et al. | An automatic method for the recognition and classification of the A-phases of the cyclic alternating pattern | |
CN105701973A (zh) | 基于脑电波采集的疲劳检测及预警方法和系统 | |
CN114391846B (zh) | 一种基于过滤式特征选择的情绪识别方法及系统 | |
Wu et al. | Fast, accurate localization of epileptic seizure onset zones based on detection of high-frequency oscillations using improved wavelet transform and matching pursuit methods | |
WO2018053967A1 (zh) | 催眠深度检测器 | |
CN113288065A (zh) | 一种基于鼾声的实时呼吸暂停及低通气预测方法 | |
CN114532993A (zh) | 一种癫痫患者脑电高频振荡信号的自动检测方法 | |
CN111921062A (zh) | 一种基于便捷式eeg设备的声波干预记忆力增强系统 | |
Li et al. | Computerized wrist pulse signal diagnosis using gradient boosting decision tree | |
Zhou et al. | A hybrid expert system for individualized quantification of electrical status epilepticus during sleep using biogeography-based optimization | |
Petroni et al. | A new, robust vocal fundamental frequency (F/sub 0/) determination method for the analysis of infant cries | |
CN108388846B (zh) | 基于典型相关分析的脑电α波检测识别方法 |
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 |