CN114098761A - 一种急诊脑电图检查系统、脑电图检查方法、计算机设备 - Google Patents

一种急诊脑电图检查系统、脑电图检查方法、计算机设备 Download PDF

Info

Publication number
CN114098761A
CN114098761A CN202111397250.XA CN202111397250A CN114098761A CN 114098761 A CN114098761 A CN 114098761A CN 202111397250 A CN202111397250 A CN 202111397250A CN 114098761 A CN114098761 A CN 114098761A
Authority
CN
China
Prior art keywords
electroencephalogram
signal
module
historical
brain
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.)
Withdrawn
Application number
CN202111397250.XA
Other languages
English (en)
Inventor
万鑫
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.)
Qingdao Women and Childrens Hospital
Original Assignee
Qingdao Women and Childrens Hospital
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 Qingdao Women and Childrens Hospital filed Critical Qingdao Women and Childrens Hospital
Priority to CN202111397250.XA priority Critical patent/CN114098761A/zh
Publication of CN114098761A publication Critical patent/CN114098761A/zh
Withdrawn legal-status Critical Current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
    • A61B5/24—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
    • A61B5/72—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
    • A61B5/7221—Determining signal validity, reliability or 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
    • A61B5/7235—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)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明属于脑电图检查技术领域，公开了一种急诊脑电图检查系统、脑电图检查方法、计算机设备，所述急诊脑电图检查系统包括：脑电信号采集模块、主控模块、信号质量评估模块、信号分析模块、脑电图特征提取模块、诊断模块、检查报告生成模块、打印模块、显示模块。本发明通过信号质量评估模块便于后续对脑电信号的处理，以及便于判断脑电信号采集器是否佩戴正确；同时，通过信号分析模块根据全脑域功率峰值附近时刻的锁相值建立大脑功能网络，再通过图卷积网络完成脑电图分类；该方法可以准确描述大脑的细节特征与状态，将该方法应用在大脑神经系统相关疾病患者的大脑功能性网络上，能为这些疾病的智能判断、预警及治疗提供一种全新的方法。

Description

一种急诊脑电图检查系统、脑电图检查方法、计算机设备
技术领域
本发明属于脑电图检查技术领域，尤其涉及一种急诊脑电图检查系统、脑电图检查方法、计算机设备。
背景技术
脑电图是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。常规脑电图、动态脑电图监测、视频脑电图监测；脑电图所描记的脑部活动图形，不仅能说明脑部本身疾病，如癫痫、肿瘤、外伤及变性病等所造成的局限或弥散的病理表现，而且对脑外疾病如代谢和内分泌紊乱及中毒等所引起的中枢神经系统变化也有诊断价值；脑电图检查是一种对大脑功能变化进行检查的有效方法，由于大脑功能的变化是动态的、多变的，因此对—些临床有大脑功能障碍表现的病人在做一次脑电图检查没有发现异常时，不能完全排除大脑疾病的存在，而应定期进行脑电图复查，才能准确地发现疾病；然而，现有急诊脑电图检查系统及方法不能针对脑电信号质量进行有效判定的方法；同时，目前大脑功能网络的建立方法，一般是根据不同电极间采集到的EEG信号皮尔逊相关系数来建立功能性网络，或者由不同电极间的EEG信号的锁相值，来建立功能网络，这些忽略了脑电信号在不同时刻的放电特性，建立的脑功能网络不能较好的反映大脑的真实状态，传统脑电信号分析方法，也一般是从信号本身的特征(幅值、频谱、相位)去分析大脑神经系统相关疾病患者与正常人的EEG信号差异，无法大脑的整体连通关系去分析EEG信号，因此也忽略了大脑网络的一些高阶的隐藏的有价值的信息。
综上所述，现有技术存在的问题是：现有急诊脑电图检查系统及方法不能针对脑电信号质量进行有效判定的方法；同时，目前大脑功能网络的建立方法，一般是根据不同电极间采集到的EEG信号皮尔逊相关系数来建立功能性网络，或者由不同电极间的EEG信号的锁相值，来建立功能网络，这些忽略了脑电信号在不同时刻的放电特性，建立的脑功能网络不能较好的反映大脑的真实状态，传统脑电信号分析方法，也一般是从信号本身的特征(幅值、频谱、相位)去分析大脑神经系统相关疾病患者与正常人的EEG信号差异，无法大脑的整体连通关系去分析EEG信号，因此也忽略了大脑网络的一些高阶的隐藏的有价值的信息。
发明内容
针对现有技术存在的问题，本发明提供了一种急诊脑电图检查系统、脑电图检查方法、计算机设备。
本发明是这样实现的，一种急诊脑电图检查系统包括：
脑电信号采集模块、主控模块、信号质量评估模块、信号分析模块、脑电图特征提取模块、诊断模块、检查报告生成模块、打印模块、显示模块；
脑电信号采集模块，与主控模块连接，用于采集脑电信号数据；
主控模块，与脑电信号采集模块、信号质量评估模块、信号分析模块、脑电图特征提取模块、诊断模块、检查报告生成模块、打印模块、显示模块连接，用于控制各个模块正常工作；
信号质量评估模块，与主控模块连接，用于通过评估程序对脑电信号质量进行评估；
信号分析模块，与主控模块连接，用于通过分析程序对脑电图信号进行分析；
脑电图特征提取模块，与主控模块连接，用于通过提取程序提取脑电图特征信息；
诊断模块，与主控模块连接，用于通过诊断程序根据特征信息进行诊断；
检查报告生成模块，与主控模块连接，用于通过报告程序生成检查报告；
打印模块，与主控模块连接，用于通过打印机打印检查报告；
显示模块，与主控模块连接，用于通过显示器显示脑电信号、信号质量评估结果、信号分析结果、脑电图特征信息、诊断结果、检查报告。
一种急诊脑电图检查方法包括以下步骤：
步骤一，通过脑电信号采集模块采集脑电信号数据；
步骤二，主控模块通过信号质量评估模块利用评估程序对脑电信号质量进行评估；
步骤三，通过信号分析模块利用分析程序对脑电图信号进行分析；通过脑电图特征提取模块利用提取程序提取脑电图特征信息；
步骤四，通过诊断模块利用诊断程序根据特征信息进行诊断；通过检查报告生成模块利用报告程序生成检查报告；
步骤五，通过打印模块利用打印机打印检查报告；通过显示模块利用显示器显示脑电信号、信号质量评估结果、信号分析结果、脑电图特征信息、诊断结果、检查报告。
进一步，所述信号质量评估模块评估方法如下：
(1)配置脑电信号检测器工作参数，通过脑电信号检测器获取受测对象的当前头部电信号；
(2)根据预设的第一截止频率和第二截止频率，对所述当前头部电信号进行带通滤波，得到滤波后的当前头部电信号，滤波后的所述当前头部电信号包括当前脑电信号、当前眼电信号和当前噪声信号；
(3)根据滤波后的所述当前头部电信号和预设的所述受测对象的脑电信号基准幅值，评估所述当前脑电信号的质量，所述受测对象的脑电信号基准幅值与所述受测对象的头部电信号中的峰峰值相关。
进一步，所述根据所述滤波后的当前头部电信号和预设的所述受测对象的脑电信号基准幅值，评估所述当前脑电信号的质量，包括：
(3.1)根据预设采样率对滤波后的所述当前头部电信号进行采样，得到多个采样点；根据所述多个采样点，逐点判断所述采样点的幅值与所述受测对象的脑电信号基准幅值的比较结果是否满足预设统计条件；
(3.2)统计满足所述预设统计条件的采样点的有效数目，并根据所述有效数目和所述多个采样点的总数目，确定所述当前脑电信号的质量。
进一步，所述根据所述有效数目和所述多个采样点的总数目，确定所述当前脑电信号的质量，包括：
计算所述有效数目和所述多个采样点的总数目的比值，并根据所述比值确定所述当前脑电信号的质量参数；
若所述质量参数大于或等于预设质量参数阈值，则确定所述当前脑电信号可信；若所述质量参数小于预设质量参数阈值，则确定所述当前脑电信号不可信，并提示所述受测对象重新佩戴脑电信号采集器。
进一步，所述受测对象的脑电信号基准幅值的获取方式，包括：
获取所述受测对象的历史头部电信号；
根据预设的第一截止频率和第二截止频率，对所述历史头部电信号进行带通滤波，得到滤波后的所述历史头部电信号，所述滤波后的所述历史头部电信号包括所述受测对象的历史脑电信号、历史眼电信号和历史噪声信号；
计算所述历史眼电信号的历史第一特征幅值，以及历史脑电信号和历史噪声信号组成的复合信号的历史第二特征幅值；
若所述历史第一特征幅值和所述历史第二特征幅值的比值大于预设比值阈值，则确定所述历史第二特征幅值为所述受测对象的脑电信号基准幅值。
进一步，所述信号分析模块分析方法如下：
1)根据脑电图信号建立大脑功能性网络，具体步骤包括：
计算全脑域功率GFP，
Figure BDA0003370344820000051
其中K为总的导联通电极数，代表K个节点，i为第i路导联，Vi(t)为第i路导联的EEG信号，Vmean(t)为t时刻K路导联信号的平均值。
获取GFP的峰值时刻，记为时间序列t＝[t1,t2,t3...tn]；
在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内，计算每两路导联脑电信号之间的锁相值；
根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系，以此建立大脑功能网络；
2)根据所述大脑功能网络，为不同大脑功能网络打上标签，完成图卷积网络模型训练；
3)根据所述训练好的图卷积网络模型，对新的大脑功能网络进行类型识别，完成脑电图分类。
进一步，所述图卷积网络的计算公式为：
Figure BDA0003370344820000052
其中
Figure BDA0003370344820000053
为给大脑功能网络图中的每个节点增加自连接后的度矩阵，
Figure BDA0003370344820000054
为大脑功能网络图的邻接矩阵再加上单位矩阵I，H(l+1)为l+1层GCN输出结果，H(l)为l层的GCN输出，H(0)为节点的初始化特征矩阵，W(l)为l层的待训练参数矩，l为大于等于0的整数，代表GCN的层次，σ(·)为激活函数，可以选择ReLU函数或者Sigmoid函数。
进一步，所述初始化特征矩阵H(0)为每路导联节点的脑电图信号特征，包括节点脑电图信号的幅值特征值、频率特征值、功率谱特征值和节点所在脑区位置特征中的一个或多个特征所组成的初始化特征矩阵；所述图卷积网络训练模型采用softmax函数分类，再利用交叉熵损失函数反向传播来完成W(l)参数训练；
所述锁相值PLV的计算公式为：
Figure BDA0003370344820000061
其中
Figure BDA0003370344820000062
为两路导联脑电信号的相位关系值，N为时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内的采样点数；
所述两路导联脑电信号的相位关系值
Figure BDA0003370344820000063
可以通过信号的时频分析来计算。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行检查方法。
本发明的优点及积极效果为：本发明通过信号质量评估模块可以对受测对象的当前头部电信号进行带通滤波，滤除掉大部分的噪声信号，然后根据滤波后的当前头部电信号和预设的受测对象的脑电信号基准幅值，评估当前脑电信号的质量，可以对脑电信号质量进行有效判定，以评价脑电信号是否可信，便于后续对脑电信号的处理，以及便于判断脑电信号采集器是否佩戴正确；同时，通过信号分析模块根据全脑域功率峰值附近时刻的锁相值建立大脑功能网络，再通过图卷积网络完成脑电图分类；该方法可以准确描述大脑的细节特征与状态，将该方法应用在大脑神经系统相关疾病患者的大脑功能性网络上，能为这些疾病的智能判断、预警及治疗提供一种全新的方法。
附图说明
图1是本发明实施例提供的急诊脑电图检查方法流程图。
图2是本发明实施例提供的急诊脑电图检查系统结构框图。
图3是本发明实施例提供的信号质量评估模块评估方法流程图。
图4是本发明实施例提供的根据所述滤波后的当前头部电信号和预设的所述受测对象的脑电信号基准幅值，评估所述当前脑电信号的质量方法流程图。
图5是本发明实施例提供的信号分析模块分析方法流程图。
图2中：1、脑电信号采集模块；2、主控模块；3、信号质量评估模块；4、信号分析模块；5、脑电图特征提取模块；6、诊断模块；7、检查报告生成模块；8、打印模块；9、显示模块。具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的急诊脑电图检查方法包括以下步骤：
S101，通过脑电信号采集模块采集脑电信号数据；
S102，主控模块通过信号质量评估模块利用评估程序对脑电信号质量进行评估；
S103，通过信号分析模块利用分析程序对脑电图信号进行分析；通过脑电图特征提取模块利用提取程序提取脑电图特征信息；
S104，通过诊断模块利用诊断程序根据特征信息进行诊断；通过检查报告生成模块利用报告程序生成检查报告；
S105，通过打印模块利用打印机打印检查报告；通过显示模块利用显示器显示脑电信号、信号质量评估结果、信号分析结果、脑电图特征信息、诊断结果、检查报告。
如图2所示，本发明实施例提供的急诊脑电图检查系统包括：脑电信号采集模块1、主控模块2、信号质量评估模块3、信号分析模块4、脑电图特征提取模块5、诊断模块6、检查报告生成模块7、打印模块8、显示模块9。
脑电信号采集模块1，与主控模块2连接，用于采集脑电信号数据；
主控模块2，与脑电信号采集模块1、信号质量评估模块3、信号分析模块4、脑电图特征提取模块5、诊断模块6、检查报告生成模块7、打印模块8、显示模块9连接，用于控制各个模块正常工作；
信号质量评估模块3，与主控模块2连接，用于通过评估程序对脑电信号质量进行评估；
信号分析模块4，与主控模块2连接，用于通过分析程序对脑电图信号进行分析；
脑电图特征提取模块5，与主控模块2连接，用于通过提取程序提取脑电图特征信息；
诊断模块6，与主控模块2连接，用于通过诊断程序根据特征信息进行诊断；
检查报告生成模块7，与主控模块2连接，用于通过报告程序生成检查报告；
打印模块8，与主控模块2连接，用于通过打印机打印检查报告；
显示模块9，与主控模块2连接，用于通过显示器显示脑电信号、信号质量评估结果、信号分析结果、脑电图特征信息、诊断结果、检查报告。
如图3所示，本发明提供的信号质量评估模块3评估方法如下：
S201，配置脑电信号检测器工作参数，通过脑电信号检测器获取受测对象的当前头部电信号；
S202，根据预设的第一截止频率和第二截止频率，对所述当前头部电信号进行带通滤波，得到滤波后的当前头部电信号，滤波后的所述当前头部电信号包括当前脑电信号、当前眼电信号和当前噪声信号；
S203，根据滤波后的所述当前头部电信号和预设的所述受测对象的脑电信号基准幅值，评估所述当前脑电信号的质量，所述受测对象的脑电信号基准幅值与所述受测对象的头部电信号中的峰峰值相关。
如图4所示，本发明提供的根据所述滤波后的当前头部电信号和预设的所述受测对象的脑电信号基准幅值，评估所述当前脑电信号的质量，包括：
S301，根据预设采样率对滤波后的所述当前头部电信号进行采样，得到多个采样点；根据所述多个采样点，逐点判断所述采样点的幅值与所述受测对象的脑电信号基准幅值的比较结果是否满足预设统计条件；
S302，统计满足所述预设统计条件的采样点的有效数目，并根据所述有效数目和所述多个采样点的总数目，确定所述当前脑电信号的质量。
本发明提供的根据所述有效数目和所述多个采样点的总数目，确定所述当前脑电信号的质量，包括：计算所述有效数目和所述多个采样点的总数目的比值，并根据所述比值确定所述当前脑电信号的质量参数；
若所述质量参数大于或等于预设质量参数阈值，则确定所述当前脑电信号可信；若所述质量参数小于预设质量参数阈值，则确定所述当前脑电信号不可信，并提示所述受测对象重新佩戴脑电信号采集器。
本发明提供的受测对象的脑电信号基准幅值的获取方式，包括：
获取所述受测对象的历史头部电信号；
根据预设的第一截止频率和第二截止频率，对所述历史头部电信号进行带通滤波，得到滤波后的所述历史头部电信号，所述滤波后的所述历史头部电信号包括所述受测对象的历史脑电信号、历史眼电信号和历史噪声信号；
计算所述历史眼电信号的历史第一特征幅值，以及历史脑电信号和历史噪声信号组成的复合信号的历史第二特征幅值；
若所述历史第一特征幅值和所述历史第二特征幅值的比值大于预设比值阈值，则确定所述历史第二特征幅值为所述受测对象的脑电信号基准幅值。
如图5所示，本发明提供的信号分析模块4分析方法如下：
S401，根据脑电图信号建立大脑功能性网络，具体步骤包括：
计算全脑域功率GFP，
Figure BDA0003370344820000101
其中K为总的导联通电极数，代表K个节点，i为第i路导联，Vi(t)为第i路导联的EEG信号，Vmean(t)为t时刻K路导联信号的平均值。
获取GFP的峰值时刻，记为时间序列t＝[t1,t2,t3...tn]；
在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内，计算每两路导联脑电信号之间的锁相值；
根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系，以此建立大脑功能网络；
S402，根据所述大脑功能网络，为不同大脑功能网络打上标签，完成图卷积网络模型训练；
S403，根据所述训练好的图卷积网络模型，对新的大脑功能网络进行类型识别，完成脑电图分类。
本发明提供的图卷积网络的计算公式为：
Figure BDA0003370344820000102
其中
Figure BDA0003370344820000103
为给大脑功能网络图中的每个节点增加自连接后的度矩阵，
Figure BDA0003370344820000104
为大脑功能网络图的邻接矩阵再加上单位矩阵I，H(l+1)为l+1层GCN输出结果，H(l)为l层的GCN输出，H(0)为节点的初始化特征矩阵，W(l)为l层的待训练参数矩，l为大于等于0的整数，代表GCN的层次，σ(·)为激活函数，可以选择ReLU函数或者Sigmoid函数。
本发明提供的初始化特征矩阵H(0)为每路导联节点的脑电图信号特征，包括节点脑电图信号的幅值特征值、频率特征值、功率谱特征值和节点所在脑区位置特征中的一个或多个特征所组成的初始化特征矩阵；所述图卷积网络训练模型采用softmax函数分类，再利用交叉熵损失函数反向传播来完成W(l)参数训练；
所述锁相值PLV的计算公式为：
Figure BDA0003370344820000111
其中
Figure BDA0003370344820000112
为两路导联脑电信号的相位关系值，N为时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内的采样点数；
所述两路导联脑电信号的相位关系值
Figure BDA0003370344820000113
可以通过信号的时频分析来计算。
仿真实验表明：
可以对脑电信号质量进行有效判定，以评价脑电信号是否可信，便于后续对脑电信号的处理，以及便于判断脑电信号采集器是否佩戴正确；同时，通过信号分析模块根据全脑域功率峰值附近时刻的锁相值建立大脑功能网络，再通过图卷积网络完成脑电图分类；该方法可以准确描述大脑的细节特征与状态，将该方法应用在大脑神经系统相关疾病患者的大脑功能性网络上，能为这些疾病的智能判断、预警及治疗提供一种全新的方法。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种急诊脑电图检查方法，其特征在于，所述急诊脑电图检查方法包括以下步骤：
通过脑电信号采集模块采集脑电信号数据；
主控模块通过信号质量评估模块利用评估程序对采集的所述脑电信号数据的脑电信号质量进行评估；
通过信号分析模块利用分析程序对评估的所述脑电图信号进行分析；通过脑电图特征提取模块利用提取程序提取脑电图特征信息；
通过诊断模块利用诊断程序根据所述脑电图特征信息进行诊断；通过检查报告生成模块利用报告程序生成检查报告；
通过打印模块利用打印机打印检查报告；通过显示模块利用显示器显示脑电信号、信号质量评估结果、信号分析结果、脑电图特征信息、诊断结果、检查报告。
2.如权利要求1所述急诊脑电图检查方法，其特征在于，所述信号质量评估模块评估方法如下：
(1)配置脑电信号检测器工作参数，通过脑电信号检测器获取受测对象的当前头部电信号；
(2)根据预设的第一截止频率和第二截止频率，对所述当前头部电信号进行带通滤波，得到滤波后的当前头部电信号，滤波后的所述当前头部电信号包括当前脑电信号、当前眼电信号和当前噪声信号；
(3)根据滤波后的所述当前头部电信号和预设的所述受测对象的脑电信号基准幅值，评估所述当前脑电信号的质量，所述受测对象的脑电信号基准幅值与所述受测对象的头部电信号中的峰峰值相关。
3.如权利要求2所述急诊脑电图检查方法，其特征在于，所述根据所述滤波后的当前头部电信号和预设的所述受测对象的脑电信号基准幅值，评估所述当前脑电信号的质量，包括：
(3.1)根据预设采样率对滤波后的所述当前头部电信号进行采样，得到多个采样点；根据所述多个采样点，逐点判断所述采样点的幅值与所述受测对象的脑电信号基准幅值的比较结果是否满足预设统计条件；
(3.2)统计满足所述预设统计条件的采样点的有效数目，并根据所述有效数目和所述多个采样点的总数目，确定所述当前脑电信号的质量。
4.如权利要求3所述急诊脑电图检查方法，其特征在于，所述根据所述有效数目和所述多个采样点的总数目，确定所述当前脑电信号的质量，包括：
计算所述有效数目和所述多个采样点的总数目的比值，并根据所述比值确定所述当前脑电信号的质量参数；
若所述质量参数大于或等于预设质量参数阈值，则确定所述当前脑电信号可信；若所述质量参数小于预设质量参数阈值，则确定所述当前脑电信号不可信，并提示所述受测对象重新佩戴脑电信号采集器。
5.如权利要求2所述急诊脑电图检查系统，其特征在于，所述受测对象的脑电信号基准幅值的获取方式，包括：
获取所述受测对象的历史头部电信号；
根据预设的第一截止频率和第二截止频率，对所述历史头部电信号进行带通滤波，得到滤波后的所述历史头部电信号，所述滤波后的所述历史头部电信号包括所述受测对象的历史脑电信号、历史眼电信号和历史噪声信号；
计算所述历史眼电信号的历史第一特征幅值，以及历史脑电信号和历史噪声信号组成的复合信号的历史第二特征幅值；
若所述历史第一特征幅值和所述历史第二特征幅值的比值大于预设比值阈值，则确定所述历史第二特征幅值为所述受测对象的脑电信号基准幅值。
6.如权利要求1所述急诊脑电图检查方法，其特征在于，所述信号分析模块分析方法如下：
1)根据脑电图信号建立大脑功能性网络，具体步骤包括：
计算全脑域功率GFP，
Figure FDA0003370344810000031
其中K为总的导联通电极数，代表K个节点，i为第i路导联，Vi(t)为第i路导联的EEG信号，Vmean(t)为t时刻K路导联信号的平均值。
获取GFP的峰值时刻，记为时间序列t＝[t1,t2,t3...tn]；
在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内，计算每两路导联脑电信号之间的锁相值；
根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系，以此建立大脑功能网络；
2)根据所述大脑功能网络，为不同大脑功能网络打上标签，完成图卷积网络模型训练；
3)根据所述训练好的图卷积网络模型，对新的大脑功能网络进行类型识别，完成脑电图分类。
7.如权利要求6所述急诊脑电图检查方法，其特征在于，所述图卷积网络的计算公式为：
Figure FDA0003370344810000032
其中
Figure FDA0003370344810000033
为给大脑功能网络图中的每个节点增加自连接后的度矩阵，
Figure FDA0003370344810000034
为大脑功能网络图的邻接矩阵再加上单位矩阵I，H(l+1)为l+1层GCN输出结果，H(l)为l层的GCN输出，H(0)为节点的初始化特征矩阵，W(l)为l层的待训练参数矩，l为大于等于0的整数，代表GCN的层次，σ(·)为激活函数，可以选择ReLU函数或者Sigmoid函数。
8.如权利要求7所述急诊脑电图检查方法，其特征在于，所述初始化特征矩阵H(0)为每路导联节点的脑电图信号特征，包括节点脑电图信号的幅值特征值、频率特征值、功率谱特征值和节点所在脑区位置特征中的一个或多个特征所组成的初始化特征矩阵；所述图卷积网络训练模型采用softmax函数分类，再利用交叉熵损失函数反向传播来完成W(l)参数训练；
所述锁相值PLV的计算公式为：
Figure FDA0003370344810000041
其中
Figure FDA0003370344810000042
为两路导联脑电信号的相位关系值，N为时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内的采样点数；
所述两路导联脑电信号的相位关系值
Figure FDA0003370344810000043
通过信号的时频分析来计算。
9.一种实施权利要求1～8任意一项检查方法的急诊脑电图检查系统，其特征在于，所述急诊脑电图检查系统包括：
脑电信号采集模块，与主控模块连接，用于采集脑电信号数据；
主控模块，与脑电信号采集模块、信号质量评估模块、信号分析模块、脑电图特征提取模块、诊断模块、检查报告生成模块、打印模块、显示模块连接，用于控制各个模块正常工作；
信号质量评估模块，与主控模块连接，用于通过评估程序对脑电信号质量进行评估；
信号分析模块，与主控模块连接，用于通过分析程序对脑电图信号进行分析；
脑电图特征提取模块，与主控模块连接，用于通过提取程序提取脑电图特征信息；
诊断模块，与主控模块连接，用于通过诊断程序根据特征信息进行诊断；
检查报告生成模块，与主控模块连接，用于通过报告程序生成检查报告；
打印模块，与主控模块连接，用于通过打印机打印检查报告；
显示模块，与主控模块连接，用于通过显示器显示脑电信号、信号质量评估结果、信号分析结果、脑电图特征信息、诊断结果、检查报告。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～8任意一项检查方法。
CN202111397250.XA 2021-11-23 2021-11-23 一种急诊脑电图检查系统、脑电图检查方法、计算机设备 Withdrawn CN114098761A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111397250.XA CN114098761A (zh) 2021-11-23 2021-11-23 一种急诊脑电图检查系统、脑电图检查方法、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111397250.XA CN114098761A (zh) 2021-11-23 2021-11-23 一种急诊脑电图检查系统、脑电图检查方法、计算机设备

Publications (1)

Publication Number Publication Date
CN114098761A true CN114098761A (zh) 2022-03-01

Family

ID=80440480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111397250.XA Withdrawn CN114098761A (zh) 2021-11-23 2021-11-23 一种急诊脑电图检查系统、脑电图检查方法、计算机设备

Country Status (1)

Country Link
CN (1) CN114098761A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117257327A (zh) * 2023-10-24 2023-12-22 沈阳工业大学 一种脑电信号质量评估方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117257327A (zh) * 2023-10-24 2023-12-22 沈阳工业大学 一种脑电信号质量评估方法及系统

Similar Documents

Publication Publication Date Title
Fan et al. Detecting abnormal pattern of epileptic seizures via temporal synchronization of EEG signals
Haputhanthri et al. An EEG based channel optimized classification approach for autism spectrum disorder
Sankari et al. Intrahemispheric, interhemispheric, and distal EEG coherence in Alzheimer’s disease
Zhao et al. EEG-Based Seizure detection using linear graph convolution network with focal loss
CN104720796B (zh) 一种用于癫痫发作时间段的自动检测系统及方法
AU2019424265A1 (en) Fatigue Classiffication Method Based on Brain Function Network Constructed via Generalized Consistency and Relevant Vector Machine
US6223074B1 (en) Method and computer program product for assessing neurological conditions and treatments using evoked response potentials
US6463321B2 (en) Method and computer program product for assessing neurological conditions and treatments using evoked response potentials
Al-Shargie et al. EEG-based semantic vigilance level classification using directed connectivity patterns and graph theory analysis
Férat et al. Beyond broadband: towards a spectral decomposition of electroencephalography microstates
CA3063321A1 (en) Method, command, device and program to determine at least one brain network involved in carrying out a given process
Uyttenhove et al. Interpretable epilepsy detection in routine, interictal EEG data using deep learning
CN111419222B (zh) 基于bni的癫痫发作信号的检测方法
CN110522412A (zh) 基于多尺度脑功能网络分类脑电信号的方法
Müller et al. Incremental SSVEP analysis for BCI implementation
CN115363531A (zh) 基于双模态脑电信号信息瓶颈的癫痫检测系统
Prabhakar et al. Performance comparison of fuzzy mutual information as dimensionality reduction techniques and SRC, SVD and approximate entropy as post classifiers for the classification of epilepsy risk levels from EEG signals
CN114098761A (zh) 一种急诊脑电图检查系统、脑电图检查方法、计算机设备
Liu et al. Epileptic seizure detection and prediction in EEGS using power spectra density parameterization
CN113208629A (zh) 一种基于eeg信号的阿尔兹海默症筛查方法及系统
CN116616771B (zh) 多通道简易精神状态检测方法、装置及系统
Chou et al. Multi-channel algorithms for epileptic high-frequency oscillation detection
Sendi et al. Amygdala stimulation leads to functional network connectivity state transitions in the hippocampus
Yao et al. Comparative analysis of time irreversibility and amplitude irreversibility based on joint permutation
CN111227828A (zh) 一种大脑功能网络的建立方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220301