CN114469138B - 基于时频域的脑电爆发抑制模式的检测方法、系统及介质 - Google Patents
基于时频域的脑电爆发抑制模式的检测方法、系统及介质 Download PDFInfo
- Publication number
- CN114469138B CN114469138B CN202210037247.5A CN202210037247A CN114469138B CN 114469138 B CN114469138 B CN 114469138B CN 202210037247 A CN202210037247 A CN 202210037247A CN 114469138 B CN114469138 B CN 114469138B
- Authority
- CN
- China
- Prior art keywords
- burst
- electroencephalogram
- time
- suppression
- fusion
- 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
- 230000001629 suppression Effects 0.000 title claims abstract description 144
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000004880 explosion Methods 0.000 title claims description 38
- 230000004927 fusion Effects 0.000 claims abstract description 49
- 210000004556 brain Anatomy 0.000 claims abstract description 35
- 238000007499 fusion processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 19
- 230000005764 inhibitory process Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000012634 fragment Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 208000029028 brain injury Diseases 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 206010002091 Anaesthesia Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000037005 anaesthesia Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000007177 brain activity Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 208000037816 tissue injury Diseases 0.000 description 1
- 230000000007 visual 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
- A61B5/24—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
- A61B5/7225—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
- A61B5/7242—Details of waveform analysis using integration
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Mathematical Physics (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时频域的脑电爆发抑制模式的检测方法、检测系统。其中本脑电爆发抑制模式的检测方法,包括:采用若干个特征参数对时域信号进行融合处理,提取融合特征;区分时域信号的爆发抑制期和非爆发抑制期;利用所述融合特征对爆发抑制期进行爆发抑制模式检测。本案通过融合脑电信号中爆发抑制模式的时域、频域及非线性特征,能够有效提高爆发抑制模式检测的准确度。
Description
技术领域
本发明涉及时域信号处理技术领域,尤其涉及一种基于时频域的脑电爆发 抑制模式的检测方法、系统及介质。
背景技术
时域是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形 可以表达信号随着时间的变化。频域是描述信号在频率方面特性时用到的一种 坐标系。时频域在脑电信号中的应用有力地推动了脑电信号分析的发展。近年 来,在脑神经发育的新生儿,脑组织损伤以及深度麻醉等临床上越来越多关注 连续脑电信号中的爆发抑制波,这种波是经常出现的一种特殊的生理性/病理性 的脑电波形,其波形在形态上表现为高振幅的爆发状态与低幅值的抑制状态交 替出现,并且以不可测的非周期的模式出现。
在脑电信号处理领域中,针对爆发抑制模式的分析处理一直是本领域内的 一大难题,爆发抑制模式是一种以极低振幅或等电位的脑电出现后又出现高振 幅的爆发脑电大脑电活动特征。爆发抑制模式检测是将连续时间下的脑电信号 分割为脑电抑制区间段和脑电爆发区间段。
然而,在现有技术中,爆发抑制模式的分析,大都是脑电专家通过脑电图 的直观分析判断,或是通过设置固定阈值来确定脑电的爆发抑制模式。然而通 过脑电专家直观的分析判断这种方法既费时又费力,且由于每个专家的判断标 准不一致,给出的结果可能也会不一样。通过设置固定阈值的方式对脑电信号 幅值变化及噪声很敏感,误检率高。
发明内容
本发明要解决的技术问题是:为了解决现有技术中的爆发抑制模式的检测 方法可靠性差且误检率高的技术问题,本发明提供了一种脑电爆发抑制模式的 检测方法、检测系统,能够准确分析出脑电信号中的爆发抑制模式。
第一方面,本发明提供了一种基于时频域的脑电爆发抑制模式的检测方法, 包括:采用若干个特征参数对时域信号进行融合处理,提取融合特征;区分时 域信号的爆发抑制期和非爆发抑制期;利用所述融合特征对爆发抑制期进行爆 发抑制模式检测。
进一步地,所述特征参数包括不同波段的包络、包络导数算子和不同波段 的能量值。
进一步地,所述特征参数为低频波段的包络和包络导数算子。
进一步地,所述不同波段的包络包括:对时域信号进行带通滤波;做Hilbert 变换,以求包络;中值滤波,以平滑包络;
所述包络导数算子τ(n)为 其中x(n)是时域上的时域信号,h(n)是x(n)的Hilbert变换;
所述不同波段能量值Pi为不同的波段,X为 时域上离散信号的FFT变换。
进一步地,所述融合处理包括:对所述若干个特征参数进行排名;计算出 选定特征参数的权重;根据线性拟合方程实现各特征参数的融合处理;其中所 述线性拟合方程为:融合特征其中,xi(n)表示第i 个特征参数,wi表示第i个选定特征参数的权重,b表示偏移量。
进一步地,所述爆发抑制模式检测包括:利用第一阈值Thresd对所述融合 特征进行逐时刻检测,得到多个爆发时长t0和多个抑制时长t1;利用第一时长T0对所有的爆发时长t0进行检测,确定脑电爆发区间段;利用第二时长T1对所 有的抑制时长t1进行检测,确定脑电抑制区间段;其中,所述第一时长T0为在 训练集的所有爆发时长中处于四分之一分位点的数值,所述第二时长T1为在训 练集的所有抑制时长中处于四分之一分位点的数值;所述爆发抑制模式检测的 结果展示参数包括每次爆发时长、平均爆发间隔时长、最大爆发间隔时长、平 均爆发间隔时长的电压幅值、每分钟爆发次数、每分钟抑制时长占比中的一者 或多者。
进一步地,根据所述融合特征的过零点次数的特点区分出所述时域信号的 爆发抑制期和非爆发抑制期。
进一步地,所述时域信号包括一导联或多导联采集的全频段的脑电信号、 已经区分的处于爆发抑制期的脑电信号中的任一种。
第二方面,本发明还提供了一种基于时频域的脑电爆发抑制模式的检测系 统,包括:处理器单元;上位机,用于传输时域信号至处理器单元;其中所述 处理器单元适于采用如上所述的检测方法对时域信号的爆发抑制期进行爆发抑 制模式检测。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机 程序,所述计算机程序被处理器执行时实现如上所述的脑电爆发抑制模式的检 测方法的步骤。
本发明的有益效果如下:
本发明的基于时频域的脑电爆发抑制模式的检测方法,通过将不同的特征 进行融合得到融合特征,使得爆发抑制波与正常脑电波的区别更加明显;再对 融合特征进行过零点检测,区分出爆发抑制期和非爆发抑制期,能够提高后续 分析的准确度及分析效率;通过量化爆发抑制模式检测的结果展示参数,便于 后续预测评估。本方法适用于不同类型的脑损伤、脑成熟度的评估,例如新生 儿、外部脑损伤、深度麻醉等情况。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的脑电爆发抑制模式的检测方法的工作流程图。
图2是本发明的爆发抑制模式检测的结果展示参数的示意图。
图3是本发明的人工标记脑电信号中的爆发抑制模式的示意图。
图4是本发明的实施例1进行爆发抑制分析的工作流程图。
图5是本发明的实施例2进行爆发抑制分析的工作流程图。
图6是本发明的实施例1约3小时长时程的脑电爆发抑制模式的分析的结 果对比示意图。
图7是本发明的实施例1的结果展示参数的趋势图。
图8是本发明的实施例1的结果展示参数的箱线图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图, 仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
现以脑电信号为例,对时域信号的爆发抑制模式检测方法进行具体说明。
脑电波(Electroencephalogram,EEG)是一种使用电生理指标记录大脑活动 的方法,大脑在活动时,大量神经元同步发生的突触后电位经总和后形成的。 它记录大脑活动时的电波变化,是脑神经细胞的电生理活动在大脑皮层或头皮 表面的总体反映。脑电波是一些自发的有节律的神经电活动,其频率变动范围在每秒1-30次之间的,可划分为四个波段,即δ(0.5-4Hz)、θ(4-8Hz)、 α(8-15Hz)、β(15-30Hz)。爆发抑制波是脑电波中的异常现象,表现为高 幅的爆发状态和低幅的抑制状态交替出现。
脑电爆发抑制模式即脑电信号中一段时间范围内的交替的脑电信号,即脑 电抑制区间段和脑电爆发时间段的交替出现。对脑电爆发抑制模式的分析就是 找到上述的时间范围,以及将该时间范围通过分析识别出脑电抑制区间段和脑 电爆发时间段。
如图1所示,所述脑电爆发抑制模式的检测检测方法主要包括以下步骤: S1:采用若干个特征参数对脑电信号进行融合处理,提取融合特征,S2:区分 脑电信号的爆发抑制期和非爆发抑制期,S3:利用所述融合特征对爆发抑制期 进行爆发抑制模式检测。
需要说明的是,在进行步骤S1之前,需要采集目标对象的原始脑电信号以 及对原始脑电信号进行预处理。步骤S1中所指的脑电信号可以是经过预处理后 的脑电信号。脑电信号的采集过程可以采用一个导联采集或者多个导联同时采集,获取一定时间长度的全频段的原始脑电信号。预处理可以包括降采样和滤 波等,降采样能够减少样本的数量,提升运算速度;滤波能够去除脑电信号中 的噪声。当然还可以包括其他预处理手段,此时不做限制,可以根据实际情况 进行选择。
步骤S1,采用若干个特征参数对脑电信号进行融合处理,提取融合特征。
在本发明中,特征参数可以包括不同波段的包络、包络导数算子及不同波 段的能量值等等,当然还可以包括其他特征,此处不做限制,可以根据实际情 况进行选择,本发明主要以这三种特征参数来进行说明。
(1)不同波段的包络:
首先,对脑电信号进行带通滤波处理,得到至少一个波段的脑电信号片段; 并对脑电信号片段进行希尔伯特变换(Hilbert变换)处理后提取出该波段下的 脑电信号片段的包络。然后对包络进行中值滤波处理,可以得到平滑的包络。
需要说明的是,包络是指脑电信号中的振幅随着时间变化的曲线。进行带 通滤波可以采用带通滤波器,带通滤波器是一个允许特定频段的波通过同时屏 蔽其他频段的设备,本发明通过带通滤波可以得到想要波段的脑电信号片段, 例如是0.5-4Hz波段的脑电信号片段(低频波段),或者可以得到四个波段的脑电信号片段,这里可以根据实际情况进行设置选择。得到特定波段的脑电信号 片段后,对其做希尔伯特变换处理,将时域数据变换为频域数据,并求取变换 后的脑电信号的包络,如果带通滤波后得到的是四个波段的脑电信号片段,那 么求出的包络也是四个。然后再对包络做中值滤波处理,去除噪声,可以得到 平滑的包络。脑电信号的包络能够反映出高波幅的低频慢波的爆发状态。由于 爆发抑制表现为高波幅的爆发性活动与低电压或电抑制状态交替出现,主要为高波幅的低频慢波,有时为复合的高频棘波、尖波及快波。相较于整体包络的 噪音比较大,爆发检测准确度低,本案对整段脑电信号采用分段包络,尤其针 对低频慢波进行包络,具有噪音小、爆发检测检准确度高的优点。
(2)包络导数算子:
在本发明中,计算包络导数算子可以采用如下公式:
其中,x(n)表示时域上的脑电信号,h(n)表示x(n)的希尔伯特变换。包络导 数算子是针对预处理后脑电信号进行的,包络导数算子也是一条随时间变化的 曲线,包络导数算子可以使得爆发抑制波与正常的脑电波更容易区分开。脑电 信号的包络导数算子也能够反映出高波幅的低频慢波的爆发状态,且还可以度 量出脑电信号中的非线性动力学特征。
(3)不同波段的能量值:
在计算能量值之前,可以先对脑电信号进行快速傅里叶变换(FFT变换), 原始脑电信号是时域上的数据,进行快速傅里叶变换后可以将时域数据变换为 频域数据,能够反映出一些时域无法反映的特征。然后再计算进行变换后的频 域脑电信号的能量值,计算公式可以采用如下公式:其中,X(k) 为时域上离散脑电信号的快速傅里叶变换,Ptotal为一个波段脑电信号的总光谱功 率,k可以取1、2、3、4,分别表示四个波段。因为处于爆发抑制状态的脑电 信号的活跃程度会更高,光谱的能量值也会比正常的脑电信号更高一点,通过 能量值也可以区分出爆发抑制波与正常的脑电波。
在本发明中,融合处理包括:对所述若干个特征参数进行排名;计算出选 定特征参数的权重;根据线性拟合方程实现各特征参数的融合处理。
需要说明的是,融合特征例如可以是融合特征值与时间的关系曲线。在步 骤S1中获得了不同种类的多个特征参数,但是不同的特征参数对于区分爆发抑 制波和正常脑电波的效果有所不同。因此,本发明可以采用最大相关-最小冗余 (mRMR)方法,利用互信息找到一个最大化相关性和最小化冗余的特征子集,实 现对不同的特征参数进行排名。对不同的至少两个最优特征参数组合,采用线 性核SVM或者LDA为分类器,在训练集上对分类模型进行回归分析,在测试 集上验证分类的准确性(训练集和测试集是将已经经过专家标记的脑电信号按照一定比例分得到的)。在进行融合处理时,可以选取至少两个最优特征参数进行融合,优选将低频波段的包络和包络导数算子进行融合处理,根据线性回归 拟合方程实现个特征参数的融合处理。线性拟合方程例如为:其中,F[x(n)]表示融合特征,xi(n)表示第i个特征 参数,wi表示第i个特征参数的权重,b表示偏移量。特征融合可以使得脑电信 号中的爆发抑制波和正常脑电波更容易被区分开来。
值得注意的是,由于包络和包络导数算子是曲线,而能量值是一个点值, 将三者进行融合处理时,首先对预处理后的脑电信号采用滑动窗口进行分段, 计算出不同波段能量值,例如,分段的窗长为2s,每次滑窗重叠75%,即每次 滑动的步长为0.5s,然后对时间分辨率为0.5s的波段能量进行升采样,使得与不同波段的包络以及包络导数算子保持一样时间分辨率,最后再进行融合处理。
步骤S2,区分脑电信号的爆发抑制期和非爆发抑制期。
需要说明的是,在本发明中可以根据融合特征的过零点次数的特点区分出 所述脑电信号的爆发抑制期和非爆发抑制期。
因为处于爆发抑制模式的波形的活跃程度会比正常波形高,在某些时间段 段内,波形的特征值过零点的次数也会比正常波形多。因此,通过过零点检测 可以区分出融合特征中的爆发抑制期和非爆发抑制期,这样可以进一步提高爆 发抑制模式分析的准确性。
进行过零点检测具体包括:对当前时刻的前E分钟内的融合特征进行过零 点检测,即检测融合特征值跨过零点的次数(融合特征值从正变为负和从负变 为正的总次数)。若融合特征值的过零率大于第二阈值Z,则认为该E分钟内的 脑电信号处于爆发抑制模式,将该E分钟标记为爆发抑制期;若融合特征值的过零率小于或等于第二阈值Z,则认为该E分钟内的脑电信号处于非爆发抑制 模式,将该E分钟标记为非爆发抑制期。例如,可以是对当前时刻的前1分钟内的融合特征进行过零点检测,第二阈值Z例如可以是4次-7次,这样就可以 筛选区分出脑电的爆发抑制期和非爆发抑制期,后面再对爆发抑制期进行具体 的爆发抑制模式检测,其余被剔除掉的非爆发抑制期的脑电信号就不再进行爆 发抑制模式检测,这样既能够减小误判,又可以提高检测效率。
在本案中,针对已经区分的处于爆发抑制期的脑电信号,步骤S2也可以省 略。
步骤S3,利用融合特征对爆发抑制期进行爆发抑制模式检测。
在本发明中,可以利用第一阈值Thresd对融合特征进行逐时刻检测,得到 多个爆发时长t0和多个抑制时长t1;利用第一时长T0对所有的爆发时长t0进行 检测,确定脑电爆发区间段;利用第二时长T1对所有的抑制时长t1进行检测, 确定脑电抑制区间段。
如前,融合特征是关于融合特征值和时间的曲线,处于爆发模式的融合特 征值会比处于抑制模式的融合特征值大很多,每个融合特征值都有一个对应的 时刻,根据设定的第一阈值Thresd,可以将爆发时刻和抑制时刻进行区分。第 一阈值Thresd例如可以是融合特征值在一定时间区间内的平均值。
进行检测时,若融合特征值大于或等于第一阈值Thresd,则标记该融合特 征值对应的时刻为爆发时刻,输出结果为y(n)=1,可以得到多个爆发时长t0(每 个爆发时长是由连续的爆发时刻组成的)。若融合特征值小于第一阈值Thresd, 则标记该融合特征值对应的时刻为抑制时刻,输出结果为y(n)=0,可以得到多 个抑制时长t1(每个抑制时长是由连续的抑制时刻组成的)。判断过程可以用如 下公式表示:
F[x(n)]≥Thresd,y(n)=1
F[x(n)]<Thresd,y(n)=0,
经过上述判断,可以将融合特征中的所有时刻进行分类,得到两个分类结果(爆发时刻或抑制时刻)。需要注意的是,第一阈值Thresd为自适应,每检测一个周 期的爆发抑制模式后,第一阈值Thresd的大小可以进行更新,例如可以更新为 当前爆发抑制模式周期下的爆发信号的最大值的平均值乘以相对阈值R,例如R=0.8。
需要注意的是,得到所有的爆发时刻和所有的抑制时刻后,并不能直接得 出爆发模式区间段和抑制模式区间段,因为可能会存在伪爆发抑制状态,例如 可能是突然紧张导致的信号幅度增大等等。因此为了检测结果更加准确,还要 进行更进一步的判断分析。
在本发明中,还需要对获得的所有爆发时刻和抑制时刻分别进行检测,确 定脑电爆发区间段和脑电抑制区间段。例如,可以利用第一时长T0对所有的爆 发时长t0进行检测,利用第二时长T1对所有的抑制时长t1进行检测。当爆发时 长t0大于第一时长T0时,认为在该爆发时长t0内的脑电信号为爆发模式;当抑 制时长t1大于第二时长T1时,认为在该抑制时长t1内的脑电信号为抑制模式。 也就是说,只有当脑电爆发持续时间超过第一时长T0时,才认为在爆发时长t0内是处于脑电爆发模式;只有当抑制持续时间大于第一时长T1时,才认为在抑 制时长t1内是处于脑电抑制模式,这样就可以得到更为准确的交替的脑电爆发 区间段和脑电抑制区间段。
在本发明中,第一时长T0例如是为在训练集(训练集可以为专家或医生标 注好的已有数据,不需要检测)的所有爆发时长中处于四分之一分位点的数值, 第二时长T1例如是在训练集的所有抑制时长中处于四分之一分位点的数值。在 前述的特征融合处理中,训练集中已经有专家标记出的多个爆发时长和多个抑 制时长。四分位点是指在统计学中把所有数值由小到大排列并分成四等份,处 于三个分割点位置的数值。将得到的训练集的所有爆发时长从小到大排列,然 后分成四等份,第一个分割点也就是四分之一分位点,这个位置对应的数值即为第一时长T0,第一时长T0例如是1.1秒。将得到的训练集的所有抑制时长从 小到大排列,然后分成四等份,第一个分割点也就是四分之一分位点,这个位 置对应的数值即为第二时长T1,第二时长T1例如是0.9秒。
本发明中,还可以包括步骤S4,量化爆发抑制模式检测的结果展示参数, 并将爆发抑制参数绘制成特征图。
经过步骤S1-S3后,本方法已经能够检测出脑电信号中处于爆发抑制模式 的区间段(记为爆发抑制模式脑电信号)。为了方便专家分析,本方法进一步计算了爆发抑制模式脑电信号的结果展示参数,并将计算出来的结果展示参数绘 制成特征图。结果展示参数可以是每次爆发时长(单位为秒)、平均爆发间隔时 长(简称IBI,单位为秒)、最大爆发间隔时长(单位为秒)、平均爆发间隔时长 的电压幅值(单位为微伏)、每分钟爆发次数(单位为次/分钟)和每分钟抑制时长占比(单位为%)中的一者或多者,结果展示参数可以展示出当前时刻大脑爆 发抑制状态的强弱,以及随时间的变化,能够反映出大脑成熟度的变化。例如图2,展示了每次爆发时长和平均爆发间隔时长。然后可以将计算出来的参数通过特征图(例如趋势图、箱线图、扇形图、饼图等等)展示出来,可以直观地 了解脑电状态,有利于后期更好地分析。
下面结合具体的案例来进一步说明本发明检测检测方法及其效果。
实施例1
采集孕周小于32周的10例新生儿的脑电信号,并通过专家标记出这些脑 电信号中处于爆发抑制模式的区间段(如图3所示,波形下方的横线表示专家 标记的爆发抑制区间段)。对这些脑电信号进行预处理(例如降采样以及工频干 扰和0.5-35Hz的带通滤波处理),得到较为干净的脑电信号。选取0.5-4Hz波段 的脑电信号的包络以及包络导数算子作为特征参数进行融合处理,得到融合特征并进行过零点检测,选出脑电信号中的爆发抑制 期,并对该爆发抑制期进行爆发抑制模式检测。得到检测结果后,量化结果展 示参数,并将结果展示绘制成特征图。实施例1的工作流程请参考图4。
实施例2
请参考图5,实施例2与实施例1的区别在于,选取了0.5-4Hz波段的脑电 信号的包络、8-15Hz波段的脑电信号的包络、15-30Hz波段的脑电信号的包络、包络导数算子以及不同波段脑电信号的能量值作为特征参数进行融合处理。
实施例1的结果分析:
如图6所示,图6a表示预处理后的脑电信号,图6b表示基于融合特征的 检测结果。图6b中,曲线Q表示融合特征,曲线E表示二分类结果(“0”表示 抑制时刻,“1”表示爆发时刻),横线H表示自适应第一阈值Thresd。从图6b 中可以发现,曲线Q在23~37min和115~135min时间段的过零点率明显大于其 他时间段,所以曲线E只有在这两个时间段分类出爆发抑制交替模式,其他时 间的分类结果均0,未检测出明显的爆发抑制。
图6c展示了现有技术中基于hilbert包络的检测结果,曲线Q’表示hilbert 包络曲线,曲线E’表示二分类结果,横线H表示自适应第一阈值Thresd,从图 6c中可以发现,,在0~20min,40~110min和135~158min时间段存在很高的误 检率,表示单一的Hilbert包络特征的抗噪能力较差,无法准确区分出脑电信号中的爆发抑制期和非爆发抑制期。
图7展示了结果展示参数的趋势图,实施例1选取了每次爆发时长、平均 爆发间隔时长、平均爆发间隔时长的电压幅值、每分钟爆发次数和每分钟抑制 时长占比这五个参数进行量化,以时间为横轴,参数变量为纵轴。在该趋势图 中,可以发现有2个爆发抑制的区间段(23-37min和115-135min)该趋势图可 以反映出不同结果展示参数的变化趋势,便于医生或者分析患者的情况。
图8a和图8b分别展示了23-37min和115~135min区间段脑电信号的结果展 示参数的箱线图。箱线图能显示出一组数据的最大值、最小值、中位数、及上 下四分位数。将一组结果展示参数数据从大到小排列,分别计算出上边缘,上 四分位数Q3,中位数,下四分位数Q1,下边缘,以及异常值。图中展示了不 同结果展示参数的箱线图,通过箱线图可以直观地发现不同结果展示参数中的 异常值(图中“参数处表示的数值点),通过上四分位数Q3和下四分位数Q1 之间的距离,可以观察出正常值的分布是集中的还是分散的(观察盒子和线段 的长短便可明了),通过分析中位线和异常值的位置可以了解到数据的偏态。通过将结果展示参数用箱线图展示有助于分析更加简便快捷。
本发明还提供了一种脑电爆发抑制模式的检测系统,包括:处理器单元和 上位机,上位机用于传输脑电信号至处理器单元;其中,处理器单元适于采用 如上所述的检测方法对脑电信号的爆发抑制期进行爆发抑制模式检测。所述上 位机包括但不限于脑电检测模块(如电极)和与之相连的程控仪或处理器,可 以通过无线通讯模块接收电极采集的脑电信号。所述处理器单元例如但不限于 PC机,可以通过软件运行本案所述的脑电爆发抑制模式的检测方法,以对爆发 抑制期进行爆发抑制模式检测。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程 序被处理器执行时实现所述的脑电爆发抑制模式的检测方法的步骤。实际应用 中,所述的计算机可读介质可以是上述实施例中描述的系统中所包含的,也可 以是单独存在的。计算机可读存储介质承载有一个或者多个程序,当一个或多 个程序被执行时,实现所描述的检测方法。计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、 随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、便携式紧凑磁盘只读存储器(CDROM)、光存储器件、磁存储器件,或者上述的任意合适的组合,但不用于限制本申请保护的范围。
综上,本发明通过将不同的特征进行融合得到融合特征,再对融合特征进 行过零点检测,能够准确识别出脑电爆发区间段和脑电抑制区间段,降低误检、 漏检的概率,提高检测分析的准确率;并且通过量化结果展示参数,便于后续 预测评估。本方法适用于不同类型的脑损伤、脑成熟度的预测,例如新生儿、 外部脑损伤、深度麻醉等情况。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作 人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。 本项发明的技术性范围并不局限于说明书上的内容,必须要如权利要求范围来 确定其技术性范围。
Claims (8)
1.一种基于时频域的脑电爆发抑制模式的检测方法,其特征在于,包括:
采用若干个特征参数对时域信号进行融合处理,提取融合特征;其中,所述特征参数包括不同波段的包络、包络导数算子和不同波段的能量值;
区分时域信号的爆发抑制期和非爆发抑制期;
利用所述融合特征对爆发抑制期进行爆发抑制模式检测;
所述融合处理包括:
对所述若干个特征参数进行排名;
计算出选定特征参数的权重;
根据线性拟合方程实现各特征参数的融合处理;其中,
所述线性拟合方程为:融合特征,其中,xi(n)表示第i个特征参数,/>表示第i个选定特征参数的权重,b表示偏移量。
2.如权利要求1所述的检测方法,其特征在于,
在融合处理时,所述特征参数选用低频波段的包络和包络导数算子。
3.如权利要求1所述的检测方法,其特征在于,
所述不同波段的包络包括:
对脑电信号进行带通滤波;
做Hilbert变换,以求包络;
中值滤波,以平滑包络;
所述包络导数算子为:
;
其中x(n)是时域上的时域信号,h(n)是x(n)的Hilbert变换;
所述不同波段能量值为/>,k = 1,2,3,4不同的波段,X为时域上离散信号的FFT变换。
4.如权利要求1所述的检测方法,其特征在于,
所述爆发抑制模式检测包括:
利用第一阈值Thresd对所述融合特征进行逐时刻检测,得到多个爆发时长t0和多个抑制时长t1;
利用第一时长T0对所有的爆发时长t0进行检测,确定脑电爆发区间段;
利用第二时长T1对所有的抑制时长t1进行检测,确定脑电抑制区间段;其中,
所述第一时长T0为在训练集的所有爆发时长中处于四分之一分位点的数值,所述第二时长T1为在训练集的所有抑制时长中处于四分之一分位点的数值;
所述爆发抑制模式检测的结果展示参数包括每次爆发时长、平均爆发间隔时长、最大爆发间隔时长、平均爆发间隔时长的电压幅值、每分钟爆发次数、每分钟抑制时长占比中的一者或多者。
5.如权利要求1所述的检测方法,其特征在于,
根据所述融合特征的过零点次数的特点区分出所述时域信号的爆发抑制期和非爆发抑制期。
6.如权利要求1所述的检测方法,其特征在于,
所述时域信号包括一导联或多导联采集的全频段的脑电信号、已经区分的处于爆发抑制期的脑电信号中的任一种。
7.一种基于时频域的脑电爆发抑制模式的检测系统,其特征在于,包括:
处理器单元;
上位机,用于传输时域信号至处理器单元;其中
所述处理器单元适于采用如权利要求1所述的检测方法对时域信号的爆发抑制期进行爆发抑制模式检测。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的脑电爆发抑制模式的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037247.5A CN114469138B (zh) | 2022-01-13 | 2022-01-13 | 基于时频域的脑电爆发抑制模式的检测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037247.5A CN114469138B (zh) | 2022-01-13 | 2022-01-13 | 基于时频域的脑电爆发抑制模式的检测方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114469138A CN114469138A (zh) | 2022-05-13 |
CN114469138B true CN114469138B (zh) | 2024-04-19 |
Family
ID=81511929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210037247.5A Active CN114469138B (zh) | 2022-01-13 | 2022-01-13 | 基于时频域的脑电爆发抑制模式的检测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114469138B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116196018B (zh) * | 2023-05-04 | 2023-07-07 | 北京理工大学 | 基于锐度与非线性度的癫痫脑电信号动态识别方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998016152A2 (en) * | 1996-10-11 | 1998-04-23 | Aspect Medical Systems, Inc. | Electrode array system for measuring electrophysiological signals |
CN111700610A (zh) * | 2020-06-04 | 2020-09-25 | 浙江普可医疗科技有限公司 | 一种脑电爆发抑制模式的分析方法、装置、系统及其存储介质 |
CN112914588A (zh) * | 2021-02-25 | 2021-06-08 | 深圳大学 | 一种脑电爆发抑制指数计算方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080255469A1 (en) * | 2007-04-12 | 2008-10-16 | Yuan Ze University | Method for Monitoring the Depth of Anesthesia |
US10383574B2 (en) * | 2013-06-28 | 2019-08-20 | The General Hospital Corporation | Systems and methods to infer brain state during burst suppression |
-
2022
- 2022-01-13 CN CN202210037247.5A patent/CN114469138B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998016152A2 (en) * | 1996-10-11 | 1998-04-23 | Aspect Medical Systems, Inc. | Electrode array system for measuring electrophysiological signals |
CN111700610A (zh) * | 2020-06-04 | 2020-09-25 | 浙江普可医疗科技有限公司 | 一种脑电爆发抑制模式的分析方法、装置、系统及其存储介质 |
CN112914588A (zh) * | 2021-02-25 | 2021-06-08 | 深圳大学 | 一种脑电爆发抑制指数计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114469138A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | AR based quadratic feature extraction in the VMD domain for the automated seizure detection of EEG using random forest classifier | |
US9072482B2 (en) | Method and apparatus for automatic seizure monitoring | |
CN102512158B (zh) | 一种基于高维模糊识别的心电信号质量评估方法和装置 | |
CN102512157B (zh) | 基于模型的动态心电图t波交替定量分析方法 | |
CN103610447B (zh) | 一种基于前额脑电信号的脑力负荷在线检测方法 | |
Quiceno-Manrique et al. | Detection of obstructive sleep apnea in ECG recordings using time-frequency distributions and dynamic features | |
CN102973266B (zh) | 用于自动痉挛监测的方法、设备和计算机程序产品 | |
US8280501B2 (en) | Systems and methods for quantitatively characterizing slow wave activities and states in sleep | |
CN104173046B (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
CN108937916A (zh) | 一种心电信号检测方法、装置及存储介质 | |
Chaibi et al. | A comparaison of methods for detection of high frequency oscillations (HFOs) in human intacerberal EEG recordings | |
Zhang et al. | Automatic detection of interictal epileptiform discharges based on time-series sequence merging method | |
CN114469138B (zh) | 基于时频域的脑电爆发抑制模式的检测方法、系统及介质 | |
JPWO2019216378A1 (ja) | 演算装置、検知装置、演算方法、及び、コンピュータプログラム | |
CN103405225A (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
Jaleel et al. | Improved spindle detection through intuitive pre-processing of electroencephalogram | |
CN117530666B (zh) | 呼吸异常识别模型训练方法、呼吸异常识别方法及设备 | |
Zhou et al. | A hybrid expert system for individualized quantification of electrical status epilepticus during sleep using biogeography-based optimization | |
US8086303B2 (en) | Cardiac arrhythmias analysis of electrophysiological signals based on symbolic dynamics | |
CN109846473B (zh) | 一种检测单导联10秒心电图噪音干扰程度的方法 | |
CN104305958B (zh) | 一种极短时自主神经状态的光电容积波多参量分析方法 | |
Wei et al. | Automatic recognition of epileptic discharges based on shape similarity in time-domain | |
CN106344008A (zh) | 睡眠状态分析中清醒状态检测方法和系统 | |
Zhang et al. | Evaluation of single-lead ECG signal quality with different states of motion | |
Tong et al. | A comprehensive adaptive filtering algorithm for uterine contraction pressure signals |
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 |