CN113558636A - 基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法 - Google Patents
基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法 Download PDFInfo
- Publication number
- CN113558636A CN113558636A CN202110757900.0A CN202110757900A CN113558636A CN 113558636 A CN113558636 A CN 113558636A CN 202110757900 A CN202110757900 A CN 202110757900A CN 113558636 A CN113558636 A CN 113558636A
- Authority
- CN
- China
- Prior art keywords
- music
- state
- electroencephalogram
- entropy
- classifying
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 206010012289 Dementia Diseases 0.000 title claims abstract description 31
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 17
- 230000000638 stimulation Effects 0.000 claims abstract description 17
- 230000000284 resting effect Effects 0.000 claims abstract description 9
- 230000005281 excited state Effects 0.000 claims description 21
- 210000003478 temporal lobe Anatomy 0.000 claims description 20
- 210000004556 brain Anatomy 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003759 clinical diagnosis Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000004936 stimulating effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 4
- 210000001652 frontal lobe Anatomy 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007177 brain activity Effects 0.000 description 3
- 210000001152 parietal lobe Anatomy 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B5/24—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
- A61B5/24—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]
- A61B5/372—Analysis of electroencephalograms
-
- 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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/38—Acoustic or auditory stimuli
-
- 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
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Acoustics & Sound (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于智能医疗技术领域，具体涉及基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法。包括以下步骤：S1，采集轻中度患者、重度患者以及健康老人在无音乐的静息态，音乐刺激态和刺激后状态的脑电信号；S2，对脑电信号预处理并获得干净的脑电信号；S3，对各干净脑电信号均截取出至少3个时间长为2秒的脑电信号片段；S4，对脑电信号片段均计算一次排列熵，并取平均值为最后的排列熵值；S5，分析排列熵值在无音乐静息态，音乐刺激态和刺激后状态的时空变化；S6，以步骤S5的结果作为分类指标，对未知痴呆程度的病人进行痴呆分类。本发明具有客观准确，经济简便的特点。
Description
技术领域
本发明属于智能医疗技术领域，具体涉及基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法。
背景技术
阿尔茨海默病(AD)是一种严重的不可逆转的脑退行性疾病。减轻患者和社会的负担，对阿尔茨海默病的早期诊断和治疗具有重要意义。
现有技术对不同程度的阿尔茨海默症的诊断可以归为两类：一类是较为准确的影像学比如磁共振或者生物学指标，这类的缺点是经济成本高，步骤繁琐，第二类方法是较为经济的但从病人的行为表现上观察他到底是哪种痴呆程度，这类的缺点是不够准确，行为表现也非常的主观。
因此，设计一种客观准确，经济简便的对阿尔茨海默症患者痴呆程度分类的方法，就显得十分必要。
例如，申请号为CN201910065074.6的中国发明专利所述的一种基于分层集成学习的阿尔茨海默症分类方法，步骤为：S1、获取阿尔茨海默症的核磁共振图像；S2、对步骤S1获得的核磁共振图像进行预处理；S3、将预处理之后的图像，以切片为单位输入基于分层集成学习的模型中，采用预先训练好的深层神经网络(DNN)提取特征矩阵，将提取的特征矩阵输入到分类器中进行分类，得到切片级别的粗预测结果；S4、将步骤S3得到的粗预测结果进行集成，再次经分类器分类，得到切片的细分类预测结果；S5、将步骤S4得到的细分类预测结果进行集成，再次进行经分类器进行分类预测，得到病人级别的阿尔茨海默症的最终分类结果。虽然方法分类稳定，分类效率高，分类方法通用性和灵活性好，但不足之处在于，由于方法基于较为准确的影像学磁共振，存在经济成本高，整体步骤繁琐的问题。
发明内容
本发明是为了克服现有技术中，现有对不同程度的阿尔茨海默症的诊断方法，存在诊断准确但经济成本高，步骤繁琐，而经济简便的诊断方法则不够准确，行为表现也非常主观的问题，提供了一种客观准确，经济简便的基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法。
为了达到上述发明目的，本发明采用以下技术方案：
基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，包括以下步骤：
S1，根据医生专业的临床诊断判定，首先对阿尔茨海默症患者进行分组，根据痴呆程度分为轻中度患者和重度患者，分别采集轻中度患者、重度患者以及健康老人在无音乐的静息态，音乐刺激态和刺激后状态的脑电信号；
S2，对步骤S1中采集的所有脑电信号均分别进行滤波和除噪处理，最终对每一个脑电信号进行截取并获得时间为10秒长的干净的脑电信号；
S3，对步骤S2中获得的每一个干净脑电信号进行截取，所述每一个干净脑电信号均截取出至少3个时间长为2秒的脑电信号片段；
S4，对步骤S3中，每一个干净脑电信号截取出的至少3个时间长为2秒的脑电信号片段均计算一次排列熵，并取各次排列熵的平均值为最后的排列熵值结果；
S5，分析排列熵值在无音乐静息态，音乐刺激态和刺激后状态的时空变化；
S6，根据步骤S5中，轻中度患者和重度患者的时空脑电特征的不同作为分类指标，从而对未知痴呆程度的病人进行痴呆分类。
作为优选，步骤S2包括以下步骤：
S21，对步骤S1中采集的所有脑电信号均去除50Hz的工频信号；
S22，对去除了50Hz工频信号的所有脑电信号均完成0.5Hz-80Hz的带通滤波从而去除高频噪声；
S23，在经过步骤S21和步骤S22处理后得到的所有脑电信号的基础上观察，手动选择出每个脑电信号中最干净平稳的10秒脑电信号；
S24，通过独立成分分解ICA算法模型去除所有10秒脑电信号中的眼电和肌电，最终获得干净的10秒的脑电信号。
作为优选，步骤S5中所述时空变化包括时间层面变化和空间层面变化。
作为优选，所述时间层面变化指轻中度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态上升；重度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态下降。
作为优选，所述空间层面变化指轻中度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态发生变化的是颞叶和顶叶；重度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态发生变化的是只有颞叶。
作为优选，步骤S6还包括如下步骤：
S61，若在时间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态上升，则将患者归类于轻中度组；若在时间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态下降，则将患者归类于重度组。
作为优选，步骤S6还包括如下步骤：
S62，若在空间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态，颞叶和顶叶都发生变化，则将患者归类于轻中度组；若在空间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态，只有颞叶发生变化，则将患者归类于重度组。
作为优选，步骤S3中，所述每一个干净脑电信号均截取出3个时间长为2秒的脑电信号片段，3个脑电信号片段分别截取10秒干净脑电信号中的2-4秒、4-6秒和6-8秒。
本发明与现有技术相比，有益效果是：(1)本发明通过利用音乐脑电排列熵对阿尔茨海默症患者痴呆程度进行分类，脑电排列熵是个准确的数字，不存在主观判断，是一种客观判断方法，并且相比于影像学磁共振更加经济简便；(2)本发明中采用音乐脑电，由于音乐对阿尔茨海默症病人有缓解症状的作用，本发明能在检测过程中顺便对患者治疗。
附图说明
图1为本发明实施例1中基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法的一种流程图；
图2为实施例1中在时间层面变化下，轻中度患者组、重度患者组、健康对照组各脑区随时间状态排列熵的变化的一种结果示意图；
图3为实施例1中在空间层面变化下，轻中度患者组、重度患者组、健康对照组各脑区随时间状态排列熵的变化的一种结果示意图；
图4为实施例1中轻中度患者组和重度患者组在三种时间状态下排列熵值变化的一种脑地形图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。
实施例1：
如图1所示的基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，包括以下步骤：
S1，根据医生专业的临床诊断判定，首先对阿尔茨海默症患者进行分组，根据痴呆程度分为轻中度患者和重度患者，分别采集轻中度患者、重度患者以及健康老人在无音乐的静息态，音乐刺激态和刺激后状态的脑电信号；
S2，对步骤S1中采集的所有脑电信号均分别进行滤波和除噪处理，最终对每一个脑电信号进行截取并获得时间为10秒长的干净的脑电信号；
S3，对步骤S2中获得的每一个干净脑电信号进行截取，所述每一个干净脑电信号均截取出3个时间长为2秒的脑电信号片段；
S4，对步骤S3中，每一个干净脑电信号截取出的3个时间长为2秒的脑电信号片段均计算一次排列熵，并取各次排列熵的平均值为最后的排列熵值结果；
S5，分析排列熵值在无音乐静息态，音乐刺激态和刺激后状态的时空变化；
S6，根据步骤S5中，轻中度患者和重度患者的时空脑电特征的不同作为分类指标，从而对未知痴呆程度的病人进行痴呆分类。
其中，步骤S3中，所述每一个干净脑电信号均截取出3个时间长为2秒的脑电信号片段，3个脑电信号片段分别截取10秒干净脑电信号中的2-4秒、4-6秒和6-8秒。
进一步的，步骤S2包括以下步骤：
S21，对步骤S1中采集的所有脑电信号均去除50Hz的工频信号；
S22，对去除了50Hz工频信号的所有脑电信号均完成0.5Hz-80Hz的带通滤波从而去除高频噪声；
S23，在经过步骤S21和步骤S22处理后得到的所有脑电信号的基础上观察，手动选择出每个脑电信号中最干净平稳的10秒脑电信号；
S24，通过独立成分分解ICA算法模型去除所有10秒脑电信号中的眼电和肌电，最终获得干净的10秒的脑电信号。
另外，步骤S4中，所述排列熵算法是一种现有算法，多用于信号处理，代表信号的混乱程度。
非线性指标包括熵值，复杂度，相关维数等。相关维数要求大数据量和严格的维数，熵值的优势表现为较小的数据量和计算速度快，此外，熵值中排列熵的优势在于简单快速的计算以及强大的抗噪能力，因此，排列熵值是一种用来描述不同痴呆程度的阿尔茨海默症患者在音乐刺激下脑电动态变化的适宜方法。
排列熵是度量时间序列复杂性的一种方法，最早是由Lempel提出的，因其具有较高的鲁棒性，被广泛应用于序列复杂度和非线性分析中。x(1),x(2),……，x(N-1),x(N)为原始信号一维序列，一共有N个点。算法的基本原理如下：
1.采用相空间延迟坐标法对原始信号一维序列x(i)进行相空间重构，对每个采样点取其连续的m个样点，得到点x(i)的m维空间的重构向量：
Xi＝[x(i),x(i+t),……，x(i+(m-1)*t)]
其中，m为嵌入维数，t为延迟时间。
2.该信号序列的相空间矩阵为：
其中，n为时间序列长度,m为嵌入维数，l为延迟时间。
3.对x(i)的重构向量Xi的各元素进行升序排列，得到：
x(i+(j1-1)*t)≤x(i+(j2-1)*t)…≤x(i+(jm-1)*t)
其中，j1,j2,……,jm是表示重构分量的各元素所在列索引。对于x(i)重构得到的矩阵任一行都有符号序列：
S(l)＝{j1，j2，…，jm}，l＝1，2，…，k，且k≤m！
4.统计序列中各种排列情况出现次数，计算各种排列情况出现的相对频率，作为其概率p1,p2,…,pk,其中k≤m！。则定义归一化后序列的排列熵为：
进一步的，步骤S5中所述时空变化包括时间层面变化和空间层面变化。
根据步骤S1到步骤S6的过程，获得如图2所示，在时间层面变化下，轻中度患者组、重度患者组、健康对照组各脑区随时间状态排列熵的变化的结果示意图。
图2展示了轻中度患者组，重度患者组和健康对照组在静息态，音乐刺激状态及刺激后状态的脑电非线性特征参数排列熵的变化(59导平均值)，其中，轻中度患者组17人，重度患者组15人，健康对照组12人，*p＜0.05,**p＜0.01，*p＜0.05为数据的差异显著，有统计学的意义，证明数据有效，结论可靠，**p＜0.01为数据的差异非常显著，*号表示显著程度，理论上只要最后统计结果*p＜0.05就是有统计学意义的。
由图2可知，在时间层面变化上，根据实验结果轻中度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态上升；重度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态下降。
所以步骤S6还包括如下步骤：
S61，若在时间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态上升，则将患者归类于轻中度组；若在时间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态下降，则将患者归类于重度组。
如图3所示，为在空间层面变化下，轻中度患者组、重度患者组、健康对照组各脑区随时间状态排列熵的变化的一种结果示意图。由图3可知，在空间层面变化上，轻中度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态发生变化的是颞叶和顶叶；重度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态发生变化的是只有颞叶。图3中标记有P值的都是表示有显著变化。
所以步骤S6还包括如下步骤：
S62，所以若在空间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态，颞叶和顶叶都发生变化，则将患者归类于轻中度组；若在空间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态，只有颞叶发生变化，则将患者归类于重度组。
图4为轻中度患者组和重度患者组在三种时间状态下排列熵值变化的一种脑地形图。图4中，颜色的深浅表明脑电反应的强烈程度，是对图3的可视化表现。图4中显示的是大脑的俯视图，从上往下看，大致上两边耳朵的区域为颞叶，后方区域为顶叶，前方区域为额叶。以图4中的俯视图为基准，则两边耳朵的区域为颞叶，下方区域为顶叶，上方区域为额叶。
排列熵值的结果如图4所示，轻中度患者顶叶区域颜色在音乐刺激过程中由浅变深(从蓝变红)，而颞叶区域颜色由深变浅(从红变绿)，表明在音乐刺激过程中轻中度患者顶叶和颞叶的脑区活动均发生显著变化。而重度患者在音乐刺激过程中仅表现为颞叶区域颜色变浅(从绿变蓝)，说明在音乐刺激过程中仅颞叶的脑部活动变化显著。而健康对照组地形图中的额叶、颞叶和顶叶在音乐刺激过程中颜色均发生变化，表明在音乐刺激状态和刺激后状态，相比于静息态，健康对照组额叶、顶叶和颞叶的脑部活动均变化显著。
图4中，脑地形图颜色从浅到深，代表排列熵值由小变大。
本发明通过利用音乐脑电排列熵对阿尔茨海默症患者痴呆程度进行分类，脑电排列熵是个准确的数字，不存在主观判断，是一种客观判断方法，并且相比于影像学磁共振更加经济简便；本发明中采用音乐脑电，由于音乐对阿尔茨海默症病人有缓解症状的作用，本发明能在检测过程中顺便对患者治疗。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
Claims (8)
1.基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，其特征在于，包括以下步骤：
S1，根据医生专业的临床诊断判定，首先对阿尔茨海默症患者进行分组，根据痴呆程度分为轻中度患者和重度患者，分别采集轻中度患者、重度患者以及健康老人在无音乐的静息态，音乐刺激态和刺激后状态的脑电信号；
S2，对步骤S1中采集的所有脑电信号均分别进行滤波和除噪处理，最终对每一个脑电信号进行截取并获得时间为10秒长的干净的脑电信号；
S3，对步骤S2中获得的每一个干净脑电信号进行截取，所述每一个干净脑电信号均截取出至少3个时间长为2秒的脑电信号片段；
S4，对步骤S3中，每一个干净脑电信号截取出的至少3个时间长为2秒的脑电信号片段均计算一次排列熵，并取各次排列熵的平均值为最后的排列熵值结果；
S5，分析排列熵值在无音乐静息态，音乐刺激态和刺激后状态的时空变化；
S6，根据步骤S5中，轻中度患者和重度患者的时空脑电特征的不同作为分类指标，从而对未知痴呆程度的病人进行痴呆分类。
2.根据权利要求1所述的基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，其特征在于，步骤S2包括以下步骤：
S21，对步骤S1中采集的所有脑电信号均去除50Hz的工频信号；
S22，对去除了50Hz工频信号的所有脑电信号均完成0.5Hz-80Hz的带通滤波从而去除高频噪声；
S23，在经过步骤S21和步骤S22处理后得到的所有脑电信号的基础上观察，手动选择出每个脑电信号中最干净平稳的10秒脑电信号；
S24，通过独立成分分解ICA算法模型去除所有10秒脑电信号中的眼电和肌电，最终获得干净的10秒的脑电信号。
3.根据权利要求1所述的基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，其特征在于，步骤S5中所述时空变化包括时间层面变化和空间层面变化。
4.根据权利要求3所述的基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，其特征在于，所述时间层面变化指轻中度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态上升；重度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态下降。
5.根据权利要求4所述的基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，其特征在于，所述空间层面变化指轻中度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态发生变化的是颞叶和顶叶；重度患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态发生变化的是只有颞叶。
6.根据权利要求5所述的基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，其特征在于，步骤S6还包括如下步骤：
S61，若在时间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态上升，则将患者归类于轻中度组；若在时间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态下降，则将患者归类于重度组。
7.根据权利要求6所述的基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，其特征在于，步骤S6还包括如下步骤：
S62，若在空间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态，颞叶和顶叶都发生变化，则将患者归类于轻中度组；若在空间层面变化上观察到患者音乐刺激态和刺激后状态的排列熵相比于无音乐静息态，只有颞叶发生变化，则将患者归类于重度组。
8.根据权利要求1所述的基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法，其特征在于，步骤S3中，所述每一个干净脑电信号均截取出3个时间长为2秒的脑电信号片段，3个脑电信号片段分别截取10秒干净脑电信号中的2-4秒、4-6秒和6-8秒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110757900.0A CN113558636B (zh) | 2021-07-05 | 2021-07-05 | 基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110757900.0A CN113558636B (zh) | 2021-07-05 | 2021-07-05 | 基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113558636A true CN113558636A (zh) | 2021-10-29 |
| CN113558636B CN113558636B (zh) | 2024-04-02 |
Family
ID=78163674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110757900.0A Active CN113558636B (zh) | 2021-07-05 | 2021-07-05 | 基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113558636B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
| US20150216436A1 (en) * | 2012-09-07 | 2015-08-06 | Children's Medical Center Corporation | Detection of epileptogenic brains with non-linear analysis of electromagnetic signals |
| US20160045128A1 (en) * | 2013-04-12 | 2016-02-18 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Methods to monitor consciousness |
| TW201622650A (zh) * | 2014-12-27 | 2016-07-01 | Nat Inst Chung Shan Science & Technology | 一種腦電波分析的方法 |
| US10299694B1 (en) * | 2018-02-05 | 2019-05-28 | King Saud University | Method of classifying raw EEG signals |
| CN111772629A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种脑认知技能移植的方法 |
| CN111783942A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的脑认知过程模拟方法 |
| CN112244880A (zh) * | 2020-09-24 | 2021-01-22 | 杭州电子科技大学 | 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法 |
| CN112244870A (zh) * | 2020-09-24 | 2021-01-22 | 杭州电子科技大学 | 基于符号化排列传递熵的癫痫脑电双向耦合分析方法 |
| WO2021034351A1 (en) * | 2019-08-22 | 2021-02-25 | Hecox Kurt E | Systems and methods for seizure detection based on changes in electroencephalogram (eeg) non-linearities |
| CN112545513A (zh) * | 2020-12-04 | 2021-03-26 | 长春理工大学 | 一种基于音乐诱发脑电的抑郁症识别方法 |
-
2021
- 2021-07-05 CN CN202110757900.0A patent/CN113558636B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
| US20150216436A1 (en) * | 2012-09-07 | 2015-08-06 | Children's Medical Center Corporation | Detection of epileptogenic brains with non-linear analysis of electromagnetic signals |
| US20160045128A1 (en) * | 2013-04-12 | 2016-02-18 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Methods to monitor consciousness |
| TW201622650A (zh) * | 2014-12-27 | 2016-07-01 | Nat Inst Chung Shan Science & Technology | 一種腦電波分析的方法 |
| US10299694B1 (en) * | 2018-02-05 | 2019-05-28 | King Saud University | Method of classifying raw EEG signals |
| WO2021034351A1 (en) * | 2019-08-22 | 2021-02-25 | Hecox Kurt E | Systems and methods for seizure detection based on changes in electroencephalogram (eeg) non-linearities |
| CN111772629A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种脑认知技能移植的方法 |
| CN111783942A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的脑认知过程模拟方法 |
| CN112244880A (zh) * | 2020-09-24 | 2021-01-22 | 杭州电子科技大学 | 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法 |
| CN112244870A (zh) * | 2020-09-24 | 2021-01-22 | 杭州电子科技大学 | 基于符号化排列传递熵的癫痫脑电双向耦合分析方法 |
| CN112545513A (zh) * | 2020-12-04 | 2021-03-26 | 长春理工大学 | 一种基于音乐诱发脑电的抑郁症识别方法 |
Non-Patent Citations (8)
| Title |
|---|
| AYDIN, S等: "《A case study on auditory brain activations relative to musical experience by means of eeg complexity levels》", 2018 26TH SIGNAL PROCESSING AND COMMUNICATIONS APPLICATIONS CONFERENCE, pages 4 * |
| CHUNGUANG CHU等: "《Complexity Analysis of EEG in AD Patients with Fractional Permutation Entropy》", 《PROCEEDINGS OF THE 37TH CHINESE CONTROL CONFERENCE》, pages 4346 - 4350 * |
| MORISON, G等: "《Multiscale Permutation Entropy Analysis of the EEG in Early Stage Alzheimer\'s Patients》", 2012 IEEE EMBS CONFERENCE ON BIOMEDICAL ENGINEERING AND SCIENCES, pages 805 - 809 * |
| ZHENXI SONG等: "《Characterizing Complexity of Electroencephalograms in Alzheimer’s Disease at Multiple Temporal Scales》", PROCEEDINGS OF THE 2018 13TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION, pages 1137 - 1141 * |
| 李昕等: "《脑电特征分析在阿尔茨海默症临床研究中的应用》", 《中国生物医学工程学报》, vol. 35, no. 2, pages 234 - 239 * |
| 胡廷等: "《基因和排列熵在阿尔茨海默病早诊中的研究应用》", 《计算机工程与应用》, vol. 56, no. 15, pages 274 - 278 * |
| 赵志成等: "《基于混沌理论的音乐信号非线性特征研究》", 《振动与冲击》, vol. 38, no. 3, pages 39 - 43 * |
| 黄帅等: "《基于EEG的癫痫发作预测当前研究与进展》", 《中国数字医学》, vol. 14, no. 3, pages 73 - 76 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113558636B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hamad et al. | Feature extraction of epilepsy EEG using discrete wavelet transform | |
| Siuly et al. | A computerized method for automatic detection of schizophrenia using EEG signals | |
| Aslan et al. | Automatic Detection of Schizophrenia by Applying Deep Learning over Spectrogram Images of EEG Signals. | |
| CN110876626B (zh) | 基于多导联脑电最优导联选择的抑郁检测系统 | |
| Wu et al. | Automatic epileptic seizures joint detection algorithm based on improved multi-domain feature of cEEG and spike feature of aEEG | |
| Subasi | Application of adaptive neuro-fuzzy inference system for epileptic seizure detection using wavelet feature extraction | |
| CN113786204B (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
| Gruszczyńska et al. | Epilepsy identification based on EEG signal using RQA method | |
| Miao et al. | A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition | |
| Ashokkumar et al. | Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection | |
| CN110942103A (zh) | 分类器的训练方法和计算机可读存储介质 | |
| Wang et al. | A novel multi-scale dilated 3D CNN for epileptic seizure prediction | |
| CN113662560B (zh) | 发作间期痫样放电的检测方法、存储介质和设备 | |
| CN104173046A (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
| CN112861625B (zh) | 一种堆叠去噪自编码器模型确定方法 | |
| CN113768519B (zh) | 基于深度学习和静息态脑电数据分析病人意识水平的方法 | |
| CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
| CN116150591B (zh) | 一种睡眠感官应激水平检测量化的方法、系统和装置 | |
| Song et al. | Optimization of epilepsy detection method based on dynamic EEG channel screening | |
| CN113558636B (zh) | 基于音乐脑电信号排列熵对阿尔茨海默症患者痴呆程度分类的方法 | |
| CN113598792B (zh) | 基于有监督特征融合算法的癫痫脑电分类方法 | |
| Kalbhor et al. | The review of detection and classification of epilectic seizures using wavelet transform | |
| Bavkar et al. | Detection of alcoholics using eeg and emd domain statistical features | |
| Manekar et al. | Wavelet Decomposition based Automated Alcoholism Classification using EEG Signal | |
| CN116992262A (zh) | 一种认知水平评估模型计算方法及装置 |
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 |