CN113317801A - 单通道的脑电图信号处理装置及方法 - Google Patents

单通道的脑电图信号处理装置及方法 Download PDF

Info

Publication number
CN113317801A
CN113317801A CN202110441217.6A CN202110441217A CN113317801A CN 113317801 A CN113317801 A CN 113317801A CN 202110441217 A CN202110441217 A CN 202110441217A CN 113317801 A CN113317801 A CN 113317801A
Authority
CN
China
Prior art keywords
impulse response
finite impulse
signals
response filter
support vector
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
Application number
CN202110441217.6A
Other languages
English (en)
Inventor
唐紫健
张超
宋亚豪
张沕琳
马晓燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Ningju Technology Co ltd
Tsinghua University
Original Assignee
Beijing Ningju Technology Co ltd
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Ningju Technology Co ltd, Tsinghua University filed Critical Beijing Ningju Technology Co ltd
Priority to CN202110441217.6A priority Critical patent/CN113317801A/zh
Publication of CN113317801A publication Critical patent/CN113317801A/zh
Pending legal-status Critical Current

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • 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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Mathematical Physics (AREA)
  • Psychology (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开了一种单通道的脑电图信号处理装置及方法。该处理装置包括支持向量机分类器、第一数量的有限冲激响应滤波器以及第一数量的频带能量特征提取模块；有限冲激响应滤波器用于接收所述脑电图信号的其中一路子带信号，对子带信号进行滤波处理，得到滤波后信号；频带能量特征提取模块用于接收来自对应的有限冲激响应滤波器的滤波后信号，提取所述滤波后信号的特征；支持向量机分类器用于对来自各频带能量特征提取模块的特征进行分类，得到分类结果。本申请的处理装置采用单通道的脑电图信号，对信号进行处理获得分类结果，结构简单，面积、体积较小，耗能较小，便于与其他模块的进一步集成，有利于减小芯片的体积。

Description

单通道的脑电图信号处理装置及方法
技术领域
本申请涉及医疗设备技术领域，具体涉及一种单通道的脑电图信号处理装置及方法。
背景技术
根据世界卫生组织的数据，估计2019年癫痫患者人数约为5000万。如果不及时治疗，癫痫的不规则发作会给病人带来极大的危险。传统的诊断方法需要有经验的医生浏览大量的神经信号数据记录来识别癫痫发作期。为了减轻实验性人工检测的负担，节省人工劳动，现有技术中采用了多种数据驱动的癫痫自动检测算法。常用的算法包括离散波形变换(DWT)、快速傅立叶变换(FFT)和熵算法，常用的分类器包括决策树、支持向量机、神经网络和k近邻(KNN)算法。为了便于日常的慢性癫痫监测，需要使用体积小且能够长时间工作的癫痫检测硬件。现有技术的算法大多不适用于硬件，其复杂性增大了功耗开销，缩短了电池寿命。现有技术中基于频带能量特征的癫痫检测装置，从8通道的EEG(Electroencephalogram，脑电图)信号中提取子带能量作为特征以用于癫痫检测，采用线性支持向量机(LSVM)作为分类器。多通道特征提取电路和分类器电路占据了整个芯片中较大部分的面积，该部分的电路面积较大，耗能较大，导致其与多通道刺激电路、无线通信电路等模块的进一步集成变得困难。
发明内容
本申请的目的是提供一种单通道的脑电图信号处理装置及方法。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本申请实施例的一个方面，提供一种单通道的脑电图信号处理装置，包括支持向量机分类器、第一数量的有限冲激响应滤波器以及第一数量的频带能量特征提取模块；
所述第一数量的有限冲激响应滤波器与所述第一数量的频带能量特征提取模块一一对应连接；
所述频带能量特征提取模块与所述支持向量机分类器相连接；
所述有限冲激响应滤波器用于接收所述脑电图信号的其中一路子带信号，对所述子带信号进行滤波处理，得到滤波后信号；
所述频带能量特征提取模块用于接收来自对应的有限冲激响应滤波器的滤波后信号，提取所述滤波后信号的特征；
所述支持向量机分类器用于对来自各所述频带能量特征提取模块的特征进行分类，得到分类结果。
进一步地，所述装置还包括输出多路复用器，所述输出多路复用器分别与所述支持向量机分类器的输出端、所述子带信号的输入端以及所述有限冲激响应滤波器的输出端相连接。
进一步地，所述装置还包括串行外设接口从接口，所述串行外设接口从接口分别与所述输出多路复用器、所述支持向量机分类器和所述有限冲激响应滤波器相连接。
进一步地，所述有限冲激响应滤波器包括加法器、主寄存器、右移位运算器、符号位控制电路以及第一数量的移位寄存查找表单元；
所述移位寄存查找表单元包括互相连接的移位寄存器和四输入查找表；
所述右移位运算器分别与所述主寄存器和所述符号位控制电路相连接。
进一步地，所述支持向量机分类器包括乘法器和加法器；
所述乘法器的输入端与各所述频带能量特征提取模块的输出端相连接；
所述乘法器的输出端与所述加法器的一个输入端相连接。
进一步地，所述频带能量特征提取模块包括依次连接的绝对值求值电路和加法器；
所述绝对值求值电路用于计算来自对应的有限冲激响应滤波器的滤波后信号的绝对值；
所述加法器用于计算来自所述绝对值求值电路的若干绝对值的和以得到所述滤波后信号的特征。
进一步地，所述有限冲激响应滤波器为43阶的基于查找表的有限冲激响应滤波器。
根据本申请实施例的另一个方面，提供一种单通道的脑电图信号处理方法，通过上述的脑电图信号处理装置实现；所述处理方法包括：
所述有限冲激响应滤波器接收所述脑电图信号的其中一路子带信号，对所述子带信号进行滤波处理，得到滤波后信号；
所述频带能量特征提取模块接收来自对应的有限冲激响应滤波器的滤波后信号，提取所述滤波后信号的特征；
所述支持向量机分类器对来自各所述频带能量特征提取模块的特征进行分类，得到分类结果。
进一步地，所述提取所述滤波后信号的特征，包括：将所述滤波后信号的所有采样数据的绝对值在2秒的时间窗口中求和，并将求得的和作为所述滤波后信号的特征。
本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果：
本申请实施例提供的单通道的脑电图信号处理装置，采用单通道的脑电图信号，对信号进行处理获得分类结果，与现有技术的多通道特征提取电路和分类器电路相比，本申请实施例的处理装置结构简单，面积、体积较小，耗能较小，便于与其他模块的进一步集成，有利于减小芯片的体积。
本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请中记载的一些实施例，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示出了本申请的一个实施例的单通道的脑电图信号处理装置结构框图；
图2示出了本申请的一个实施方式中的有限冲激响应滤波器的结构框图；
图3示出了本申请的另一实施例的单通道的脑电图信号处理方法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本申请做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，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，都属于本申请保护的范围。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
神经状态分类与记录方法以及患者特异性是高度相关的。因此，数据驱动算法在神经网络应用中更为普遍。典型的神经状态分类算法包括特征提取和分类两个步骤。与现有技术相比，为了节省面积和功耗，本申请实施例只采用一个通道的EEG信号进行分类处理。
如图1所示，本申请的一个实施例提供了一种单通道的脑电图信号处理装置，包括支持向量机分类器(即图1中SVM分类器)、第一数量的有限冲激响应滤波器(即图1中LUTFIR Filter)以及第一数量的频带能量特征提取模块(即图1中FEM)。
该第一数量的有限冲激响应滤波器与该第一数量的频带能量特征提取模块一一对应连接。
第一数量的值与脑电图信号的子带信号数量相同，在本实施例中，单通道的脑电图信号划分为10个子带，因此，本实施例中的第一数量为10。脑电图信号的子带信号数量可以根据实际需要进行设定，例如可以把单通道的脑电图信号划分为8、10、12、20等数量的子带。
有限冲激响应滤波器为基于LUT的FIR滤波器，LUT即Look-Up-Table的缩写，即查找表。FIR(Finite Impulse Response)滤波器，即有限冲激响应滤波器。有限冲激响应滤波器可以为43Tap的滤波器。
有限冲激响应滤波器第n个EEG信号采样输入为
Figure BDA0003035129950000051
x[n]代表第n个采样值。
滤波器的输出
Figure BDA0003035129950000052
其中，c是滤波器系数，n代表采样值的序号，N代表滤波器的滤波窗口长度，y代表滤波器的输出，B代表每个采样值所占的比特数，b代表比特的序号，f(c[n]，xb[n])可以通过LUT表示，2b可以通过移位寄存器实现，C代表滤波器系数阵列，X代表输入信号阵列。
子带中基于LUT的FIR滤波器，利用FIR系数的对称性，采用数字折叠技术减少了一半的LUT电路面积。如果输入数据的符号为负数，则末级累加器只能在负模式下工作。通过去掉与子带数目相等的乘法器，可以节省多达60％的面积。
该频带能量特征提取模块与该支持向量机分类器相连接。
通常，信号能量是在频域中计算的。这需要FFT或DWT，计算量大，需要大量的片上数据缓冲区。本实施例中只需将所有采集数据的绝对值在2秒的时间窗口中求和，并将求得的和FV作为能量总和的近似值。
求和公式为
Figure BDA0003035129950000053
其中S代表采样率，y代表滤波后的信号。
为了保留足够的精度，在这个积累阶段使用全精度。在得到最终的能量总和之后，输出被从第若干位截断，然后再发送到LSVM分类器。仿真结果表明，该方法的精度没有下降。
该有限冲激响应滤波器用于接收单通道脑电图信号的子带信号，对该子带信号进行滤波处理，得到滤波后信号。
在某些实施方式中，有限冲激响应滤波器包括加法器、主寄存器、右移位运算器、符号位控制电路以及第一数量的移位寄存查找表单元；该移位寄存查找表单元包括互相连接的移位寄存器和四输入查找表；该右移位运算器分别与该主寄存器和该符号位控制电路相连接。如图2所示为一实施方式中的有限冲激响应滤波器包括加法器，附图标记1代表加法器，REG代表主寄存器，附图标记2代表符号位控制电路，附图标记3代表右移位运算器。
在某些实施方式中，该支持向量机分类器包括乘法器和加法器；该乘法器的输入端与各频带能量特征提取模块的输出端相连接；该乘法器的输出端与该加法器的一个输入端相连接。
该频带能量特征提取模块用于接收来自对应的有限冲激响应滤波器的滤波后信号，提取该滤波后信号的特征。
该支持向量机分类器用于对来自各频带能量特征提取模块的特征进行分类，得到分类结果。该支持向量机分类器采用LSVM，即线性支持向量机分类器。
分类结果例如可以包括两种类型，一种类型的结果可以被判别为癫痫发作的EEG信号数据，另一种类型的结果可以被判别为非癫痫发作的EEG信号数据。分类结果可以为医务人员提供参考，以辅助医务人员判断EEG信号是否为癫痫发作信号。
分类是在每2秒频带能量累积之后进行的，通过时分复用一个乘法器和累加器(MAC)来完成所有的计算。支持向量机(SVM，Support Vector Machine)。最后也可以使用这个MAC来添加一个偏移参数。
在某些实施方式中，该处理装置还包括输出多路复用器，该输出多路复用器分别与该支持向量机分类器的输出端、该单通道脑电图信号的子带信号的输入端以及该有限冲激响应滤波器的输出端相连接。利用该输出多路复用器，输出被复用为原始输入数据、滤波数据或分类结果，以便后续与其他处理模块进行集成。
在某些实施方式中，该处理装置还包括串行外设接口从接口，该串行外设接口从接口分别与该输出多路复用器、该支持向量机分类器和该有限冲激响应滤波器相连接。
集成SPI(Serial Peripheral Interface，串行外设接口)从接口来对内部寄存器进行配置，例如FIR系数和SVM系数，以调整FIR滤波器带宽和SVM分类超平面，针对不同患者的特殊状况进行灵活调整应用。
在某些实施方式中，该频带能量特征提取模块包括依次连接的绝对值求值电路和加法器；该绝对值求值电路用于计算来自对应的有限冲激响应滤波器的滤波后信号的绝对值；该加法器用于计算来自该绝对值求值电路的若干绝对值的和以得到该滤波后信号的特征。
本申请实施例提供的单通道的脑电图信号处理装置，采用单通道的脑电图信号，对信号进行处理获得分类结果，与现有技术的多通道特征提取电路和分类器电路相比，本申请实施例的处理装置结构简单，面积、体积较小，耗能较小，便于与其他模块的进一步集成，有利于减小芯片的体积，而且本申请实施例的处理装置能够准确地完成对单通道的脑电图信号的特征提取以及特征分类，能够很好地满足实际应用的需要。
如图3所示，本申请的另一个实施例提供了一种单通道的脑电图信号处理方法，通过上述任一实施方式的脑电图信号处理装置实现；该处理方法包括：
S1、有限冲激响应滤波器接收脑电图信号的其中一路子带信号，对子带信号进行滤波处理，得到滤波后信号。
S2、频带能量特征提取模块接收来自对应的有限冲激响应滤波器的滤波后信号，提取滤波后信号的特征。
在某些实施方式中，提取滤波后信号的特征，包括：将滤波后信号的所有采样数据的绝对值在2秒的时间窗口中求和，并将求得的和作为滤波后信号的特征。
S3、支持向量机分类器对来自各频带能量特征提取模块的特征进行分类，得到分类结果。
为了验证本申请实施例的处理装置的性能，使用MIT-CHB EEG数据集对本申请实施例的处理装置进行试验，证明本实施例的处理装置达到了较高的灵敏度，且耗能较少。
数据集中的大部分数据是阴性的(也就是这些数据代表没有癫痫发作)，这会导致训练阶段的不平衡。如果配置不当，经过训练的分类器将识别出大部分样本为负值，这将产生更高的积分精度。
为了解决这个问题，为每个阳性样本选择了四个阴性样本，即：(1)癫痫发作前较短时间时的阴性样本；(2)癫痫刚发作结束后较短时间的阴性样本；(3)癫痫发作前较早一段时间时的阴性样本；(4)癫痫发作后较长一段时间的阴性样本；(5)癫痫发作时的阳性样本。这将产生大约1/4的正/负样本比率。
训练阶段的样本预处理提高了样本的灵敏度和特异性的平衡。灵敏度与特异性的计算公式为：灵敏度＝TP/(TP+FN)；特异性＝TN/(TN+FP)；
其中，TP、FP、TN和FP分别代表真阳性、假阴性、真阴性和假阳性的样本数。
本实施例采用频带能量作为神经信号特征。脑电图信号分为若干子带，每个子带的能量在睡眠、注意力集中、放松等不同的心理阶段表现出特定的特征。仿真结果表明，分类精度随子带数目的增加而提高。
本实施例单通道的将EEG信号划分为10个子带，10个子带在大多数患者身上达到了理想的分类精度。KNN和神经网络具有很大的复杂性，在功率受限的情况下难以应用，而支持向量机在片上神经状态分类中更为常用。LSVM的功耗和内存需求比径向基函数核和多项式核低5-6个数量级，而分类精度基本相同。利用本实施例的处理装置测试了MIT-CHB数据集中的所有数据。由于FIR滤波器和LSVM的参数是完全可配置的，因此训练是基于每个患者的特征进行的，对每个患者的参数分别进行训练。由于本实施例只使用一个通道进行输入，因此选择精度最高的通道作为分类模型。通过采用5倍检验法，分类灵敏度的值变化区间为0.706～0.968，半数患者超过0.9。
由于在临床应用中，漏检(假阴性)的后果比假阳性严重得多，因此需要仔细调整惩罚参数以获得更高的灵敏度。
表1中列出了总体分类性能。
灵敏度 特异性
患者1 0.927 0.937
患者2 0.965 0.966
患者3 0.935 0.946
患者4 0.706 0.716
患者5 0.907 0.909
患者6 0.840 0.874
患者7 0.920 0.919
患者8 0.817 0.816
患者9 0.971 0.996
患者10 0.964 0.977
患者11 0.968 0.981
患者12 0.775 0.754
患者13 0.785 0.793
患者14 0.846 0.854
患者15 0.904 0.912
患者16 0.786 0.778
患者17 0.863 0.852
患者18 0.842 0.846
患者19 0.913 0.909
患者20 0.883 0.869
患者21 0.889 0.880
患者22 0.940 0.939
患者23 0.934 0.942
患者24 0.753 0.751
本实施例的处理装置的芯片可以采用台积电180nm工艺制造。
利用测试平台对本处理装置的芯片进行测试。测试平台中，NI-SMU提供电压并测量功耗。nRF52微控制器通过SPI协议进行通信，以配置内部寄存器。本实施例的处理装置的芯片的面积和功耗均大幅降低。数字化实现流程采用SynopsysDesign Compiler进行综合，采用IC Compiler进行布局布线。
为了后续与神经信号记录在前端进行结合，将输入的MIT-CHB数据量化为12位并进行并行传输。本实施例的设计采用50MHz时钟频率综合。由于采样率非常慢(256S/s)，因此可以减慢时钟频率。由于每个输入样本的计算延迟是若干个时钟，因此完成数据流的最慢时钟频率约为若干kHz。通过对试验结果的分析，可以证明，与现有技术的多通道癫痫检测装置相比，本实施例只使用一个脑电图信号通道，节省了面积和功耗。
本申请实施例提出的单通道的脑电图信号处理装置，由多个子带FIR滤波器、多个子带能量特征提取和LSVM分类器组成。处理装置的芯片设计采用台积电180nm技术，面积为1.5mm×1.5mm，面积减少了70％，能耗较小。本实施例的芯片可以集成到一个可编程的神经信号处理平台中，这将在多种应用场景中提供更大的灵活性。
需要说明的是：以上所述实施例仅表达了本申请的实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (9)

1.一种单通道的脑电图信号处理装置，其特征在于，包括支持向量机分类器、第一数量的有限冲激响应滤波器以及第一数量的频带能量特征提取模块；
所述第一数量的有限冲激响应滤波器与所述第一数量的频带能量特征提取模块一一对应连接；
所述频带能量特征提取模块与所述支持向量机分类器相连接；
所述有限冲激响应滤波器用于接收所述脑电图信号的其中一路子带信号，对所述子带信号进行滤波处理，得到滤波后信号；
所述频带能量特征提取模块用于接收来自对应的有限冲激响应滤波器的滤波后信号，提取所述滤波后信号的特征；
所述支持向量机分类器用于对来自各所述频带能量特征提取模块的特征进行分类，得到分类结果。
2.根据权利要求1所述的装置，其特征在于，所述装置还包括输出多路复用器，所述输出多路复用器分别与所述支持向量机分类器的输出端、所述子带信号的输入端以及所述有限冲激响应滤波器的输出端相连接。
3.根据权利要求2所述的装置，其特征在于，所述装置还包括串行外设接口从接口，所述串行外设接口从接口分别与所述输出多路复用器、所述支持向量机分类器和所述有限冲激响应滤波器相连接。
4.根据权利要求1所述的装置，其特征在于，所述有限冲激响应滤波器包括加法器、主寄存器、右移位运算器、符号位控制电路以及第一数量的移位寄存查找表单元；
所述移位寄存查找表单元包括互相连接的移位寄存器和四输入查找表；
所述右移位运算器分别与所述主寄存器和所述符号位控制电路相连接。
5.根据权利要求1所述的装置，其特征在于，所述支持向量机分类器包括乘法器和加法器；
所述乘法器的输入端与各所述频带能量特征提取模块的输出端相连接；
所述乘法器的输出端与所述加法器的一个输入端相连接。
6.根据权利要求1所述的装置，其特征在于，所述频带能量特征提取模块包括依次连接的绝对值求值电路和加法器；
所述绝对值求值电路用于计算来自对应的有限冲激响应滤波器的滤波后信号的绝对值；
所述加法器用于计算来自所述绝对值求值电路的若干绝对值的和以得到所述滤波后信号的特征。
7.根据权利要求1所述的装置，其特征在于，所述有限冲激响应滤波器为43阶的基于查找表的有限冲激响应滤波器。
8.一种单通道的脑电图信号处理方法，其特征在于，通过权利要求1-8任一项所述的脑电图信号处理装置实现；所述处理方法包括：
所述有限冲激响应滤波器接收所述脑电图信号的其中一路子带信号，对所述子带信号进行滤波处理，得到滤波后信号；
所述频带能量特征提取模块接收来自对应的有限冲激响应滤波器的滤波后信号，提取所述滤波后信号的特征；
所述支持向量机分类器对来自各所述频带能量特征提取模块的特征进行分类，得到分类结果。
9.根据权利要求8所述的方法，其特征在于，所述提取所述滤波后信号的特征，包括：将所述滤波后信号的所有采样数据的绝对值在2秒的时间窗口中求和，并将求得的和作为所述滤波后信号的特征。
CN202110441217.6A 2021-04-23 2021-04-23 单通道的脑电图信号处理装置及方法 Pending CN113317801A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110441217.6A CN113317801A (zh) 2021-04-23 2021-04-23 单通道的脑电图信号处理装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110441217.6A CN113317801A (zh) 2021-04-23 2021-04-23 单通道的脑电图信号处理装置及方法

Publications (1)

Publication Number Publication Date
CN113317801A true CN113317801A (zh) 2021-08-31

Family

ID=77413632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110441217.6A Pending CN113317801A (zh) 2021-04-23 2021-04-23 单通道的脑电图信号处理装置及方法

Country Status (1)

Country Link
CN (1) CN113317801A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120101401A1 (en) * 2009-04-07 2012-04-26 National University Of Ireland Method for the real-time identification of seizures in an electroencephalogram (eeg) signal
US20130274580A1 (en) * 2010-11-26 2013-10-17 Hypo-Safe A/S Analysis of eeg signals to detect hypoglycaemia
US20140358025A1 (en) * 2013-05-29 2014-12-04 Keshab K. Parhi System and apparatus for seizure detection from EEG signals
US20150038870A1 (en) * 2012-02-17 2015-02-05 Massachusetts Institute Of Technology Multi-Channel Scalable EEG Acquisition System on a Chip with Integrated Patient Specific Seizure Classification and Recording Processor
US20210000426A1 (en) * 2019-07-04 2021-01-07 Peking University Classification system of epileptic eeg signals based on non-linear dynamics features
US20210052208A1 (en) * 2019-08-22 2021-02-25 Kurt E. Hecox Systems and methods for seizure detection based on changes in electroencephalogram (eeg) non-linearities
CN112528834A (zh) * 2020-12-08 2021-03-19 杭州电子科技大学 子带目标对齐共空间模式的脑电信号跨被试分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120101401A1 (en) * 2009-04-07 2012-04-26 National University Of Ireland Method for the real-time identification of seizures in an electroencephalogram (eeg) signal
US20130274580A1 (en) * 2010-11-26 2013-10-17 Hypo-Safe A/S Analysis of eeg signals to detect hypoglycaemia
US20150038870A1 (en) * 2012-02-17 2015-02-05 Massachusetts Institute Of Technology Multi-Channel Scalable EEG Acquisition System on a Chip with Integrated Patient Specific Seizure Classification and Recording Processor
US20140358025A1 (en) * 2013-05-29 2014-12-04 Keshab K. Parhi System and apparatus for seizure detection from EEG signals
US20210000426A1 (en) * 2019-07-04 2021-01-07 Peking University Classification system of epileptic eeg signals based on non-linear dynamics features
US20210052208A1 (en) * 2019-08-22 2021-02-25 Kurt E. Hecox Systems and methods for seizure detection based on changes in electroencephalogram (eeg) non-linearities
CN112528834A (zh) * 2020-12-08 2021-03-19 杭州电子科技大学 子带目标对齐共空间模式的脑电信号跨被试分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YOO J.，LONG，ET AL.: "An 8-Channel Scalable EEG Acquisition SoC With Patient-Specific Seizure Classification and Recording Processor", 《IEEE JOURNAL OF SOLID-STATE CIRCUITS》 *

Similar Documents

Publication Publication Date Title
Singh et al. Classification of focal and nonfocal EEG signals using features derived from Fourier-based rhythms
Shaker EEG waves classifier using wavelet transform and Fourier transform
Panda et al. Classification of EEG signal using wavelet transform and support vector machine for epileptic seizure diction
Mirzaei et al. EEG analysis based on wavelet-spectral entropy for epileptic seizures detection
US9477640B2 (en) Neural signal processing and/or interface methods, architectures, apparatuses, and devices
CN112294337A (zh) 基于线性图卷积神经网络的癫痫检测系统
CN104809434A (zh) 一种基于单通道脑电信号眼电伪迹去除的睡眠分期方法
CN111166327A (zh) 基于单通道脑电信号和卷积神经网络的癫痫诊断装置
CN107569228B (zh) 基于频带信息和支持向量机的颅内脑电信号特征波识别装置
CN109671500A (zh) 基于脑电图时域数据的精神分裂症辅助诊断分类方法
CN109498000B (zh) 基于emd与wpd特征融合的癫痫发作前期预测方法
CN108320800A (zh) 癫痫病发作检测和发作前预测的脑电数据分析系统
Murali et al. An efficient adaptive filter architecture for improving the seizure detection in EEG signal
Liu et al. 10-ms 18-band quasi-ANSI S1. 11 1/3-octave filter bank for digital hearing aids
CN103417206A (zh) Ecg去除工频干扰的方法及系统
CN102393874A (zh) 基于脑电棘波频次的预警方法和装置
Taufique et al. A low power multi-class migraine detection processor based on somatosensory evoked potentials
CN113317801A (zh) 单通道的脑电图信号处理装置及方法
Muneeb et al. A 2.7 μJ/classification Machine-Learning based Approximate Computing Seizure Detection SoC
Melinda et al. The effect of power spectral density on the electroencephalography of autistic children based on the welch periodogram method
Mirzaei et al. Spectral entropy for epileptic seizures detection
Yasmeen et al. Neural network classification of EEG signal for the detection of seizure
Singh et al. Frequency band separation for epilepsy detection using EEG
Romaissa et al. Epileptic seizure detection from imbalanced EEG signal
Zhang et al. Frequency-response masking based filter bank for QRS dection in wearable biomedical devices

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
CB03 Change of inventor or designer information

Inventor after: Zhang Fulin

Inventor after: Tang Zijian

Inventor after: Zhang Chao

Inventor after: Song Yahao

Inventor after: Ma Xiaoyan

Inventor before: Tang Zijian

Inventor before: Zhang Chao

Inventor before: Song Yahao

Inventor before: Zhang Fulin

Inventor before: Ma Xiaoyan

CB03 Change of inventor or designer information
RJ01 Rejection of invention patent application after publication

Application publication date: 20210831

RJ01 Rejection of invention patent application after publication