CN113491506B - 一种基于深度卷积网络的脑电信号处理方法及其设备 - Google Patents
一种基于深度卷积网络的脑电信号处理方法及其设备 Download PDFInfo
- Publication number
- CN113491506B CN113491506B CN202110903833.9A CN202110903833A CN113491506B CN 113491506 B CN113491506 B CN 113491506B CN 202110903833 A CN202110903833 A CN 202110903833A CN 113491506 B CN113491506 B CN 113491506B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- network
- anesthesia depth
- data
- original
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 206010002091 Anaesthesia Diseases 0.000 claims abstract description 68
- 230000037005 anaesthesia Effects 0.000 claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000008030 elimination Effects 0.000 claims abstract description 7
- 238000003379 elimination reaction Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 210000004556 brain Anatomy 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002695 general anesthesia Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 239000003193 general anesthetic agent Substances 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003444 anaesthetic effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004202 respiratory function Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003938 response to stress Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000017701 Endocrine disease Diseases 0.000 description 1
- 206010021118 Hypotonia Diseases 0.000 description 1
- 208000032358 Intraoperative Awareness Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 229940005494 general anesthetics Drugs 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006371 metabolic abnormality Effects 0.000 description 1
- 230000036640 muscle relaxation Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000010984 neurological examination Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
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
- A61B5/24—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
- A61B5/72—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
- A61B5/7264—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)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Anesthesiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于深度卷积网络的脑电信号处理方法及其设备，实时接收脑电采集装置采集到的用户原始脑电信号；对原始脑电信号进行降噪和伪迹消除处理；使用原始脑电大数据训练并构建基于深度卷积网络的麻醉深度计算模型，将处理后的脑电数据进行10秒窗口分割整理，将10秒脑电数据导入至训练好的麻醉深度计算模型中，经多个卷积层运算后，得到麻醉深度指数BIS。本发明选取了较短的10秒脑电信号时间窗口，麻醉深度计算模型计算步骤简单，在实际使用时，将10秒脑电数据导入已预先训练好的麻醉深度计算模型，仅通过乘法和加法运算，不涉及耗时耗内存的乘方运算，即可以实现麻醉深度数值的快速计算，且计算效果与现行商用麻醉监护仪相当。
Description
技术领域
本发明涉及生理医学信号处理领域，具体涉及一种基于深度卷积网络的脑电信号处理方法及其设备，可应用于对患者的麻醉深度评估。
背景技术
脑电图(electroencephalogram,EEG)是通过电极记录下来的脑细胞群的自发性、节律性电活动，它包含了大量的生理和病理信息，是神经机能检查方法之一。脑电图反映了大脑组织的电活动和各种功能状态，其基本特征包括：振幅、周期、相位等等。特定位置的脑电信号还可以反映人们的清醒情况。现有商用麻醉监测系统大部分都基于前额脑电采集数据进行计算，商用麻醉监护仪采用30秒窗口，实时性存在缺陷。
全身麻醉的深度一般是指全身麻醉药抑制伤害性刺激下中枢、循环、呼吸功能及应激反应的程度。
适当的全麻深度需要满足以下要求：A.意识消失；B.镇痛良好；C.肌松适度；D.适当抑制应激反应；E.内环境稳定。
麻醉深度过浅，会导致：A.显著的应激反应；B.循环系统兴奋；C.内分泌紊乱；D.代谢异常；E.术中知晓；F.耗氧增加。
麻醉深度过深的危害：A.应激反应低下；B.生命中枢抑制；C.呼吸功能抑制；D.循环功能抑制。
因此，全身麻醉期间，维持适当的麻醉深度对于确保病人安全和提供良好的手术条件十分重要。因此高精度、实时性的麻醉深度监测是临床实验的实际需求。传统麻醉深度需要医生根据患者的临床体征变化进行判断，由于患者存在个体差异性，这种判断方式并不准确。
目前，监测患者的全身麻醉深度是目前医学领域的难题之一，对麻醉深度的准确评估有助于根据患者的个体情况进行有针对性的给药，从而防止麻醉深度过浅或深度过大，同时改善患者的预后。同时，对于术中各种突发情况，需要监测设备做出及时的反映，因此对于监测算法的实时性有一定的要求。
发明内容
针对现有技术的不足，为了提高对患者麻醉深度的实时性、准确性判断，本发明提供了一种基于深度神经网络的脑电信号处理方法及其设备，利用大数据收集的脑电数据，可以直接基于脑电原始数据构建模型，具有更好的泛用性，实现麻醉深度监测的高实时性与精确性。
本发明采用如下技术方案：
一方面，本发明提供了一种基于深度卷积网络的脑电信号处理方法，实时接收脑电采集装置采集到的用户原始脑电信号；对原始脑电信号进行降噪和伪迹消除处理；使用原始脑电大数据训练并构建基于深度卷积网络的麻醉深度计算模型，将处理后的脑电数据按10秒时间窗口进行分割整理，将10秒脑电数据导入至训练好的麻醉深度计算模型中，经多个卷积层运算后，得到麻醉深度指数BIS。
优选地，采用曲线拟合法去除原始脑电信号中的基线漂移，其具体方法是：对原始脑电信号进行周期分割得到各周期的起始点，再通过拟合脑电信号各周期的起始点得到一条拟合曲线；原始脑电信号与拟合曲线之间作差处理，即可去除基线漂移。
进一步优选地，采用0.5Hz巴特沃斯高通滤波器滤除基线漂移。
对于高频噪声，采用低通滤波和带阻滤波器去除原始脑电信号中的50Hz及以上噪声的高频噪声。
对原始脑电信号进行伪迹消除处理的方法是：将原始脑电信号的各个周期由时域映射到网络域；将各个周期映射为网络的节点，用网络边来表征网络上各个节点之间的相似性；若节点之间有边相连，则两个周期比较相似，若两个节点之间没有边，则两个周期不相似，判断含有伪迹的周期。
采用两个周期之间的相空间距离的相关系数度量周期相似性，具体计算公式是：
Ci表示信号的第i个周期，
Dij表示周期Ci和Cj在时域的相关系数，
lj，li是周期的长度；
若两个周期的相关系数越大，则两个周期越相似。
将各个周期映射为网络的节点，将所有节点连接成全连通的网络，用节点之间的相关系数作为每条边上的权值；设定权值的阈值，删除网络中权值小于阈值的边，将网络变成二值网络；经深度优先遍历或者广度优先遍历来寻找二值网络的最大连通子图，得到正常的周期。
优选地，经过预处理的脑电信号在所建立的麻醉深度计算模型中与32个长度为6的一维卷积核进行四个卷积层运算，提取脑电的时域信息，再经两个全连接层计算后得到麻醉深度指数。
另一方面，本发明还提供了一种基于深度卷积网络的脑电信号处理设备，所述设备包括：
脑电采集装置，用于采集麻醉深度监测算法所需的原始脑电信号；
信号处理模块，用于对所采集到的原始脑电信号依次执行预处理、伪迹消除和软件滤波；
数据处理装置，内嵌有基于大数据和深度卷积网络所构建的麻醉深度计算模型，用于对处理后的脑电数据进行分割整理，并输入到麻醉深度计算模型中进行麻醉深度指数的计算与输出。
所述的麻醉深度计算模块中包括串联处理数据的四个卷积提取模块，每个卷积层提取模块对脑电数据进行32个长度为6的一维卷积核的卷积运算，提取不同分辨率下脑电数据时域特征，经计算输出麻醉深度指数BIS。
本发明技术方案，具有如下优点：
A.本发明实时性高，比现行市场商用麻醉监护仪30秒窗口的延时更短,选取了较短的10秒脑电信号时间窗口，麻醉深度计算模型计算步骤简单，在实际使用时，将10秒脑电数据导入已预先训练好的麻醉深度计算模型，仅通过乘法和加法运算，不涉及耗时耗内存的乘方运算。即可以实现麻醉深度数值的快速计算，且计算效果与现行商用麻醉监护仪相当。
B.本发明具有泛用性强的特点，使用大数据建立麻醉深度计算模型，数据来源病症种类、麻醉药物种类多样，覆盖大多数术中情况，比传统方法更具有一般性，可以适用于不同年龄人群，可以适应不同种类的麻醉药物所产生的麻醉状态。
附图说明
为了更清楚地说明本发明具体实施方式，下面将对具体实施方式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为本发明所提供的深度卷积神经网络模型构建流程框图；
图2是本发明所提供的设备对脑电信号的采集处理流程框图；
图3是所建立的深度卷积神经网络模型的计算流程图。
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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电性连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1和图2所示，本发明提供了一种基于深度卷积网络的脑电信号处理方法及其设备，通过实时接收脑电采集装置采集到的用户原始脑电信号；对原始脑电信号进行降噪和伪迹消除处理；使用大数据训练所构建基于深度卷积网络的麻醉深度计算模型，将处理后的脑电数据按10秒时间窗口进行分割整理，将10秒脑电数据导入至训练好的麻醉深度计算模型中，经多个卷积层运算后，得到麻醉深度指数BIS。
脑电信号处理设备包括脑电采集装置、信号处理模块和数据处理装置。
脑电采集装置包括脑电采集电极、脑电采集硬件，用于采集麻醉深度监测算法所需的脑电信号。
信号处理模块用于对原始脑电信号进行降噪和伪迹消除数据预处理。接收脑电采集装置记录的原始多通道脑电数据，进行以下步骤：预处理、伪迹消除和软件滤波。
数据处理装置，内嵌有基于大数据和深度卷积网络所构建的麻醉深度计算模型，用于对处理后的脑电数据按10秒窗口进行分割整理，并将10秒窗脑电数据导入至训练好的麻醉深度计算模型中进行麻醉深度指数的计算与输出。
预处理流程中包括低频噪声和高频噪声的滤除。其中基线漂移是耦合在脑电信号中的低频信号，会使得脑电信号上下波动，从而使一些时域特征点的提取产生一定的偏差。脑电信号的基线漂移主要是呼吸、波动造成的，可以通过曲线拟合和高通滤波法去除基线漂移。
下面详细描述采用曲线拟合法去除基线漂移的方法。
假设脑电信号的起点是落在信号的基线上的，而且这条基线应该是一条水平的直线。首先对信号进行周期分割得到各周期的起始点，然后通过拟合信号各周期的起始点得到一条拟合曲线，并将这条曲线作为基线。用原来的信号与基线做差即可去除基线漂移。
周期的分割是基于信号的差分符号来寻找周期的起点。对于局部极值，通过加入一个约束条件，需要纵坐标小于其长度为0.6倍周期的邻域内所有的点。
而高通滤波法使用0.5Hz巴特沃斯高通滤波器滤除基线漂移。
脑电信号中对高频噪声的滤除具体如下：
高频噪声包括耦合在信号上的工频噪声和肌电噪声。工频噪声取决于采集信号时所处国家的交流电频率，例如中国为50Hz，美国为60Hz。肌电信号的频率一般在30-300Hz。
对于高频噪声的去除主要是通过低通滤波和带阻滤波器(陷波器)的方式。
巴特沃斯滤波器的特点是通频带内频率响应曲线最为平坦，没有起伏，而在阻频带逐渐下降为零。巴特沃斯滤波器的振幅对角频率单调下降，并且滤波器结束越高，阻频带幅度衰减速度越快。巴特沃斯滤波器特点是通频带内的频率响应曲线最大限度平坦，没有起伏，而在阻频带则逐渐下降为零。在振幅的对数对角频率的波特图上，从某一边界角频率开始，振幅随着角频率的增加而逐步减少，趋向负无穷大。本发明使用巴特沃斯滤波器滤除50Hz及以上的噪声。
对原始脑电信号进行伪迹消除处理的方法如下：
首先通过降噪、周期分割和去基线漂移得到算法输入信号。伪迹段是一段随机性较强的信号，含有伪迹的周期既不与正常周期相似，也不与其他的含有伪迹的周期相似。因此含有伪迹的周期可以通过比较周期之间的相似性检测出来。将处理后的脑电信号的各个周期由时域映射到网络域。将各个周期映射为网络的节点，用网络边来表征网络上各个节点之间的相似性，节点之间若有边相连则认为两个周期比较相似，如果两个节点之间没有边，则说明两个周期不相似。正常的周期会相互连接在一起，而包含伪迹的周期将变成孤立的节点。
为了度量周期相似性，采用两个周期之间的相空间距离的相关系数。因为信号是连续且光滑的，因此两个相似的周期的相空间距离也会比较小。一般两个周期越相似，两者的相关系数也越大。
用Ci表示信号的第i个周期，用Dij表示周期Ci和Cj在时域的相似性。Dij的计算公式如下：
其中，Xk和Yk是周期Ci和Cj的第k个点，lj，li是周期的长度。相空间距离越大，则两个周期的相似性越小。
若使用相关系数作为相似性的度量，则Dij的计算公式如下：
建立网络时，首先将所有节点连接成全连通的网络，用节点之间的相关系数作为每条边上的权值，然后设定一个阈值，并且删除网络中权值小于阈值的边，从而将网络变成二值网络。可以通过深度优先遍历或者广度优先遍历来寻找二值网络的最大连通子图，从而得出正常的周期。孤立的节点就是含有伪迹的周期。
数据处理装置用于对处理后的脑电数据进行分割整理，输入到麻醉深度计算模型中，输出麻醉深度指数。
如图1所示，麻醉深度计算模型包含两个阶段，训练阶段和使用阶段。原始EEG数据在输入卷积神经网络(CNN)模型训练前，会经过预处理步骤；训练部分中，从开源数据中直接获取到的BIS数值作为参考输出；训练部分结束后，麻醉深度计算模型构建完成，并且确定了模型参数。
在麻醉深度计算模型中使用四个卷积层提取特征，两个全连接层计算麻醉深度指数。
经过预处理的EEG信号与32个长度为6的一维卷积核进行卷积运算。一维卷积运算可以提取脑电的时域信息。卷积运算的输出经过激活层与池化层。激活层选用线性整流函数(rectified linear unit，ReLU)作为激活函数。池化层选用尺寸为4的最大池化层。丢弃层(dropout layer)以0.2的概率随机丢弃上一层的参数。池化与丢弃层的存在都是为了防止过拟合。
麻醉深度计算模型在四个卷积层中重复上述操作四次。然后将输出传入两个全连接层，两个全连接层使用ReLU作为激活函数。最后一层全连接层输出麻醉深度指数。下表中的卷积核尺寸、卷积核数量需要人为指定。输出结果使用均方误差(MSE)和ADAM优化法进行迭代更新。
表格1模型复杂性分析
表格1展示了每一个训练层的超参数以及所需训练参数的数量。在训练阶段，启用提前停止训练机制，以优化迭代过程，防止过拟合。最终模型经过五折交叉验证得到最佳模型参数。如图3所示，展现了模型的计算流程图。
本发明比现行市场商用麻醉监护仪30秒窗口的延时更短,选取了较短的10秒脑电信号时间窗口，麻醉深度计算模型计算步骤简单，在实际使用时，将10秒脑电数据导入已预先训练好的麻醉深度计算模型，仅通过乘法和加法运算，不涉及耗时耗内存的乘方运算，即可以实现麻醉深度数值的快速计算，且计算效果与现行商用麻醉监护仪30秒窗口相当。
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。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (8)
1.一种基于深度卷积网络的脑电信号处理方法，其特征在于，实时接收脑电采集装置采集到的用户原始脑电信号；对原始脑电信号进行降噪和伪迹消除处理；使用原始脑电大数据训练并构建基于深度卷积网络的麻醉深度计算模型，将处理后的脑电数据按10秒时间窗口进行分割整理，将10秒脑电数据导入至训练好的麻醉深度计算模型中，经多个卷积层运算后，得到麻醉深度指数BIS；
对原始脑电信号进行伪迹消除处理的方法是：将原始脑电信号的各个周期由时域映射到网络域；将各个周期映射为网络的节点，用网络边来表征网络上各个节点之间的相似性；若节点之间有边相连，则两个周期比较相似，若两个节点之间没有边，则两个周期不相似，判断含有伪迹的周期；
采用两个周期之间的相空间距离的相关系数度量周期相似性，具体计算公式是：
，
Ci表示信号的第i个周期，
Dij表示周期Ci和Cj在时域的相关系数，
lj，li是周期的长度；
若两个周期的相关系数越大，则两个周期越相似。
2.根据权利要求1所述的基于深度卷积网络的脑电信号处理方法，其特征在于，采用曲线拟合法去除原始脑电信号中的基线漂移，其具体方法是：对原始脑电信号进行周期分割得到各周期的起始点，再通过拟合脑电信号各周期的起始点得到一条拟合曲线；原始脑电信号与拟合曲线之间作差处理，即可去除基线漂移。
3.根据权利要求2所述的基于深度卷积网络的脑电信号处理方法，其特征在于，采用0.5Hz巴特沃斯高通滤波器滤除基线漂移。
4.根据权利要求3所述的基于深度卷积网络的脑电信号处理方法，其特征在于，采用低通滤波和带阻滤波器去除原始脑电信号中的50Hz及以上噪声的高频噪声。
5.根据权利要求1所述的基于深度卷积网络的脑电信号处理方法，其特征在于，将各个周期映射为网络的节点，将所有节点连接成全连通的网络，用节点之间的相关系数作为每条边上的权值；设定权值的阈值，删除网络中权值小于阈值的边，将网络变成二值网络；经深度优先遍历或者广度优先遍历来寻找二值网络的最大连通子图，得到正常的周期。
6.根据权利要求1所述的基于深度卷积网络的脑电信号处理方法，其特征在于，经过预处理的脑电信号在所建立的麻醉深度计算模型中与32个长度为6的一维卷积核进行四个卷积层运算，提取脑电的时域信息，再经两个全连接层计算后得到麻醉深度指数。
7.一种基于深度卷积网络的脑电信号处理设备，其特征在于，所述设备包括：脑电采集装置，用于采集麻醉深度监测算法所需的原始脑电信号；信号处理模块，用于对所采集到的原始脑电信号依次执行预处理、伪迹消除和软件滤波；数据处理装置，内嵌有基于大数据和深度卷积网络所构建的麻醉深度计算模型，用于对处理后的脑电数据进行分割整理，并输入到麻醉深度计算模型中进行麻醉深度指数的计 算与输出。
8.根据权利要求7所述的基于深度卷积网络的脑电信号处理设备，其特征在于，所述的麻醉深度计算模块中包括串联处理数据的四个卷积提取模块，每个卷积层提取模块对脑电数据进行32个长度为6的一维卷积核的卷积运算，提取不同分辨率下脑电数据时域特征，经计算输出麻醉深度指数BIS。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110903833.9A CN113491506B (zh) | 2021-08-06 | 2021-08-06 | 一种基于深度卷积网络的脑电信号处理方法及其设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110903833.9A CN113491506B (zh) | 2021-08-06 | 2021-08-06 | 一种基于深度卷积网络的脑电信号处理方法及其设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113491506A CN113491506A (zh) | 2021-10-12 |
| CN113491506B true CN113491506B (zh) | 2024-05-17 |
Family
ID=77996862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110903833.9A Active CN113491506B (zh) | 2021-08-06 | 2021-08-06 | 一种基于深度卷积网络的脑电信号处理方法及其设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113491506B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115040140A (zh) * | 2022-06-29 | 2022-09-13 | 燕山大学 | 一种基于深度学习的实时麻醉深度监测系统 |
| CN116035594B (zh) * | 2023-02-22 | 2024-05-07 | 中国科学技术大学 | 一种基于分割-降噪网络的脑电伪迹去除方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104545949A (zh) * | 2014-09-29 | 2015-04-29 | 浙江普可医疗科技有限公司 | 一种基于脑电的麻醉深度监测方法 |
| CN108451527A (zh) * | 2017-02-20 | 2018-08-28 | 中国科学技术大学 | 一种对不同麻醉状态下脑电信号分类系统 |
| CN109222965A (zh) * | 2018-09-21 | 2019-01-18 | 华南理工大学 | 一种同步EEG-fMRI的在线去伪迹方法 |
| CN109645989A (zh) * | 2018-12-10 | 2019-04-19 | 燕山大学 | 一种麻醉深度估计方法及系统 |
| CN110163180A (zh) * | 2019-05-29 | 2019-08-23 | 长春思帕德科技有限公司 | 运动想象脑电数据分类方法及系统 |
| CN110613446A (zh) * | 2019-09-30 | 2019-12-27 | 京东方科技集团股份有限公司 | 一种信号处理方法及装置 |
| CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
-
2021
- 2021-08-06 CN CN202110903833.9A patent/CN113491506B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104545949A (zh) * | 2014-09-29 | 2015-04-29 | 浙江普可医疗科技有限公司 | 一种基于脑电的麻醉深度监测方法 |
| CN108451527A (zh) * | 2017-02-20 | 2018-08-28 | 中国科学技术大学 | 一种对不同麻醉状态下脑电信号分类系统 |
| CN109222965A (zh) * | 2018-09-21 | 2019-01-18 | 华南理工大学 | 一种同步EEG-fMRI的在线去伪迹方法 |
| CN109645989A (zh) * | 2018-12-10 | 2019-04-19 | 燕山大学 | 一种麻醉深度估计方法及系统 |
| CN110163180A (zh) * | 2019-05-29 | 2019-08-23 | 长春思帕德科技有限公司 | 运动想象脑电数据分类方法及系统 |
| CN110613446A (zh) * | 2019-09-30 | 2019-12-27 | 京东方科技集团股份有限公司 | 一种信号处理方法及装置 |
| CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113491506A (zh) | 2021-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113491506B (zh) | 一种基于深度卷积网络的脑电信号处理方法及其设备 | |
| US7493157B2 (en) | Devices and methods for the non-invasive detection of spontaneous myoelectrical activity | |
| US20030055348A1 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
| US20040010203A1 (en) | Method and apparatus for the estimation of anesthetic depth using wavelet analysis of the electroencephalogram | |
| JP2004049838A (ja) | 睡眠段階判定方法および睡眠段階判定装置 | |
| JP2016508382A (ja) | 呼吸信号を用いた睡眠時無呼吸の検出 | |
| CN111407262A (zh) | 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置 | |
| CN112998690B (zh) | 一种基于脉搏波多特征融合的呼吸率提取方法 | |
| US10342474B2 (en) | System for the analysis of the daily heart rhythm autonomic nervous system balance | |
| CN109893113A (zh) | 基于bcg和hrv技术的信息处理方法 | |
| CN112006658A (zh) | 一种麻醉状态监测方法及装置 | |
| CN109727670A (zh) | 一种智能中风康复监护方法和系统 | |
| Sloboda et al. | A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices | |
| CN115630290B (zh) | 基于同步挤压变换的心肺耦合特征提取方法与系统 | |
| CN114886406B (zh) | 一种健康状态监测方法、装置、隔离件和存储介质 | |
| CN116369853A (zh) | 一种基于脑机交互技术的嗅觉功能标准化评估装置及方法 | |
| CN112006659B (zh) | 一种麻醉状态监测方法及装置 | |
| CN112006657B (zh) | 一种麻醉深度监测方法及装置 | |
| CN109727669A (zh) | 一种中风患者监护系统和方法 | |
| CN115024716A (zh) | 基于心率标签生成的心冲击图信号重建方法 | |
| CN213189654U (zh) | 一种脑组织血氧信号和脑电信号监测仪 | |
| CN115422976B (zh) | 一种基于人工网络的心肺耦合关系分析方法及监测系统 | |
| Chen et al. | A novel user sleep information monitoring system based on non-contact mattress | |
| Herrero et al. | Electrocardiogram-based detection of central sleep apnea: a full-record signal processing approach | |
| Waltisberg et al. | Accuracy-coverage tradeoff of nocturnal vital sign estimation in smart beds |
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 |