CN114504327A - 一种脑电噪声的处理方法、装置及计算机设备 - Google Patents
一种脑电噪声的处理方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN114504327A CN114504327A CN202111629010.8A CN202111629010A CN114504327A CN 114504327 A CN114504327 A CN 114504327A CN 202111629010 A CN202111629010 A CN 202111629010A CN 114504327 A CN114504327 A CN 114504327A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- frequency band
- preset duration
- energy value
- band energy
- 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
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000011217 control strategy Methods 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 206010002091 Anaesthesia Diseases 0.000 description 9
- 230000037005 anaesthesia Effects 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012880 independent component analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 240000006829 Ficus sundaica Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000002618 waking 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
- A61B5/72—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
- A61B5/7235—Details of waveform analysis
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种脑电噪声的处理方法、装置及计算机设备,方法包括:基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值;基于预设范围值的两端阈值,确定用于处理预设时长的脑电信号对应的不同控制策略;基于预设时长的脑电信号对应的不同控制策略,进而去除预设时长的脑电信号中的脑电噪声。本发明将包含低频噪声和高频噪声的脑电信号,提取对应的第一频段能量值和第二频段能量值,基于预设范围的两组的两端阈值,判定干扰等级,并采取与其对应的不同控制策略处理预设时长的脑电信号,提高了噪声检测的实时性与可靠性,同时,利用离散小波变换优良的时频特性,对发生噪声干扰时的小波系数进行处理,达到对噪声的精准去除。
Description
技术领域
本发明涉及脑电噪声处理技术领域,具体涉及一种脑电噪声的处理方法、装置及计算机设备。
背景技术
脑电图(Electroencephalogram,EEG)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。而在对脑电图进行深入分析时,往往需要去除相应的脑电噪声,才能够清楚获知人体的脑部状态信息。
例如:在麻醉手术开始之前,此时,病人处于较为清醒的状态,容易发生眨眼等动作,对于低频高幅的眼电信号而言,若不对眼电信号进行去除,当计算相应参数时,低频段的成分会明显偏高;当病人进入到麻醉状态时,由于手术原因,采集到的脑电信号会有高频段的肌电以及电刀干扰,由于这些噪声均是随机出现,并且噪声信号频段与脑电信号的频段重合,此时,很难清楚获知病人的真实脑电信息。
相关技术中,通常采用小波阈值法,独立成分分析法,自适应滤波法进行处理脑电噪声信号,但是,小波阈值法需要长时间采集脑电信号进行针对性地分析,并且其只能去除高斯噪声,无法去除非高斯分布的噪声;独立成分分析法需要采集多通道的脑电信号,会导致计算量和延时显著增加;自适应滤波法的频率跟踪范围较窄,需要精确采集到噪声源。因此,上述方法,其适用范围有限,且无法快速识别并去除脑电信号中的噪声,适用性与可靠性较低。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的采用小波阈值法,独立成分分析法,自适应滤波法进行处理脑电噪声信号适用范围有限,且无法快速识别并去除脑电信号中的噪声,且无法快速去除脑电信号,可靠性较低的问题,从而提供一种脑电噪声的处理方法、装置及计算机设备。
根据第一方面,本发明实施例提供一种脑电噪声的处理方法,包括如下步骤:
基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值;
基于预设范围值的两端阈值,确定用于处理所述预设时长的脑电信号对应的不同控制策略;
基于所述预设时长的脑电信号对应的不同控制策略,进而去除所述预设时长的脑电信号中的脑电噪声。
在一种实施方式中,基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值,包括:
对初始的脑电信号基于预设频率进行预处理;
从预处理后的所述脑电信号中提取预设时长的脑电信号;
基于离散小波变换算法,对所述预设时长的脑电信号进行不同级别的频带分解;
计算所述预设时长的脑电信号对应的所述第一频段能量值和所述第二频段能量值。
在一种实施方式中,所述基于离散小波变换算法,对所述预设时长的脑电信号进行不同级别的频带分解,包括如下公式:
其中,Aj,k为所述预设时长的脑电信号j级别的小波近似系数,为低通滤波器滤除高频分量,k为所述预设时长的脑电信号的小波近似系数的下标值,Aj-1,n为所述预设时长的脑电信号j-1级别的小波近似系数,Dj,k为所述预设时长的脑电信号j级别的小波细节系数,n为j-1级别的小波系数下标值,为高通滤波器滤除低频分量,Dj-1,n为所述预设时长的脑电信号j-1级别的小波细节系数。
如图10所示,计算低频能量PL与高频能量PH的示意图。
在一种实施方式中,计算所述预设时长的脑电信号对应的所述第一频段能量值和所述第二频段能量值,包括如下公式:
其中,PL为所述第一频段能量值,PH为所述第二频段能量值,A3,K为所述预设时长的脑电信号3级别的小波近似系数,fs为所述预设时长的脑电信号的采样频率,D2,k为所述预设时长的脑电信号2级别的小波细节系数,D3,k为所述预设时长的脑电信号3级别的小波细节系数,T1为预设检测时长。
在一种实施方式中,基于预设范围值的两端阈值,确定用于处理所述预设时长的脑电信号对应的不同控制策略,包括:
判断所述第一频段能量值是否在第一端阈值与第二端阈值之间;
若所述第一频段能量值在所述第一端阈值与所述第二端阈值之间,调整所述第一频段能量值对应的小波近似系数;
若所述第一频段能量值小于所述第一端阈值,用所述预设时长的脑电信号参与后续计算;
若所述第一频段能量值大于或等于所述第二端阈值,自动去除所述预设时长的脑电信号。
在一种实施方式中,基于预设范围值的两端阈值,确定用于处理所述预设时长的脑电信号对应的不同控制策略,还包括:
判断所述第二频段能量值是否在第三端阈值与第四端阈值之间;
若所述第二频段能量值在所述第三端阈值与所述第四端阈值之间,调整所述第二频段能量值对应的小波细节系数;
若所述第二频段能量值小于所述第三端阈值,用所述预设时长的脑电信号参与后续计算;
若所述第二频段能量值大于或等于所述第四端阈值,自动去除所述预设时长的脑电信号。
在一种实施方式中,确定所述预设范围的两端阈值,包括:
计算预设时段的所述脑电信号的参考均值;
根据所述参考均值,确定所述预设范围的两端阈值。
根据第二方面,本发明实施例还提供一种脑电噪声的处理装置,包括如下模块:
能量值计算模块,用于基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值;
控制策略确定模块,用于基于预设范围值的两端阈值,确定用于处理所述预设时长的脑电信号对应的不同控制策略;
脑电噪声去除模块,用于基于所述预设时长的脑电信号对应的不同控制策略,进而去除所述预设时长的脑电信号中的脑电噪声。
根据第三方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行第一方面或第一方面任一实施方式中所述的脑电噪声的处理方法。
根据第四方面,本发明实施例还提供一种计算机设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或第一方面任一实施方式中所述的脑电噪声的处理方法。
本发明技术方案,具有如下优点:
本发明公开一种脑电噪声的处理方法、装置及计算机设备,其中,方法,包括:基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值;基于预设范围值的两端阈值,确定用于处理预设时长的脑电信号对应的不同控制策略;基于预设时长的脑电信号对应的不同控制策略,进而去除预设时长的脑电信号中的脑电噪声。本发明将包含低频噪声和高频噪声的脑电信号,采用离散小波变换提取对应的第一频段能量值和第二频段能量值,基于预设范围的两组的两端阈值,判定干扰等级,并采取与其对应的不同控制策略处理预设时长的脑电信号,提高了噪声检测的实时性与可靠性,同时,利用离散小波变换优良的时频特性,对发生噪声干扰时的小波系数进行处理,达到对噪声的精准去除。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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为本发明实施例中脑电噪声的处理方法的一个具体示例的流程图;
图2为本发明实施例中脑电噪声的处理方法的另一个具体示例的流程图;
图3为本发明实施例中脑电噪声的处理方法的另一个具体示例的流程图;
图4为本发明实施例中脑电噪声的检测与去除低频噪声脑电信号图;
图5为本发明实施例中脑电噪声的检测与去除高频噪声脑电信号图;
图6为本发明实施例中一例病人的脑电信号处理脑电噪声的脑电信号图;
图7为BetaRatio参数去噪前后对比示意图;
图8为本发明实施例中脑电噪声的处理装置的结构框图;
图9为本发明实施例中计算机设备的硬件示意图;
图10为本发明实施例中计算低频能量PL与高频能量PH的示意图;
图11为本发明实施例中3级别的小波细节系数的脑电信号的离散小波变换示意图。
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,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明公开一种脑电噪声的处理方法,如图1所示,包括如下步骤:
步骤S11:基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值。
例如:可以采集一例病人进行麻醉手术的脑电信号进行脑电噪声处理。
在一种实施方式中,如图2所示,上述步骤S11,基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值,包括:
步骤S21:对初始的脑电信号基于预设频率进行预处理。
由于脑电信号的主要频带范围为0.5-70Hz,具体通过0.5Hz的高通,70Hz低通,50Hz带阻滤波器,对所采集的脑电信号进行滤波预处理。
步骤S22:从预处理后的脑电信号中提取预设时长的脑电信号。
为了准确检测低频干扰和高频干扰发生的时间,可以取预设时长为T1=1s,T1=1s也即脑电噪声的响应时间,选用取预设时长为T1=1s为了执行下一步的离散小波变换,预设时长的脑电信号的采样频率为256Hz。
步骤S23:基于离散小波变换算法,对预设时长的脑电信号进行不同级别的频带分解。
例如:采用db4小波进行分解,在脑电信号的采样频率为256Hz下,选择分解层数为3层,1s的脑电信号被分解成3组小波细节系数D1-D3和一组小波近似系数A3,其分别对应的频带如下表1所示。
表1
在上述表1中,直接将D1系数认定为脑电噪声,可以直接进行滤除。
根据脑电信号的频带范围与脑电信号的采样率确定离散小波分解的分解级别,并基于离散小波变换算法,对预设时长的脑电信号进行不同级别的频带分解。
离散小波变换算法,可以有效地表示信号的时频特征。
在一种实施方式中,上述步骤S23,基于离散小波变换算法,对预设时长的脑电信号进行不同级别的频带分解,通过如下公式(1)、(2)所示:
其中,Aj,k为预设时长的脑电信号j级别的小波近似系数,为低通滤波器滤除高频分量,k为预设时长的脑电信号的小波近似系数的下标值,Aj-1,n为预设时长的脑电信号j-1级别的小波近似系数,Dj,k为预设时长的脑电信号j级别的小波细节系数,n为j-1级别的小波系数的下标值,为高通滤波器滤除低频分量,Dj-1,n为预设时长的脑电信号j-1级别的小波细节系数。
因为,离散小波变换可以有效地表示信号的时频特征。在低频时,离散小波变换具有较低的时间分辨率和较高的频率分辨率,而在高频时,离散小波变换具有较高的时间分辨率和较低的频率分辨率。基于Mallat快速算法的离散小波变换对脑电信号进行分析,可以有效的将信号的低频段与高频段进行分离。因此,通过上述公式将脑电信号分解成小波细节系数和小波近似系数。
步骤S24:计算预设时长的脑电信号对应的第一频段能量值和第二频段能量值。
从频率的角度出发,可以将干扰信号分为两类,一类是频率较低的眼电信号等造成的干扰,另一类是频率较高的肌电信号与电刀工作时等造成的干扰。
如图10所示,计算低频能量PL与高频能量PH的示意图。
在一种实施方式中,上述步骤S24,计算预设时长的脑电信号对应的第一频段能量值和第二频段能量值,包括如下公式(3)、(4)所示:
其中,PL为第一频段能量值,PH为第二频段能量值,A3,K为预设时长的脑电信号3级别的小波近似系数,fs为,D2,k为预设时长的脑电信号2级别的小波细节系数,D3,k为预设时长的脑电信号3级别的小波细节系数,T1为预设检测时长。具体如图11所示为3级别的小波细节系数的脑电信号的离散小波变换示意图。
第一频段能量值为低频段能量值,第二频段能量值为高频段能量值。
在上述表1中,小波近似系数A3包含了低频能量,小波细节系数D2和D3则包含高频能量,通过分解得到的小波系数,提取1s的低频能量PL与高频能量PH进行计算。提取出的低频能量与高频能量,若这1s的脑电信号受到低频干扰,则计算出PL值会较大,若有高频干扰,则计算出的PH值也会较大,如果此时发生相应干扰相当于有一个突变值,因此,我们可以检测所产生的脑电噪声。
步骤S12:基于预设范围值的两端阈值,确定用于处理预设时长的脑电信号对应的不同控制策略。
预设范围值的两端阈值包括第一频段能量值的两端阈值以及第二频段能量值的两端阈值。
第一频段能量值的两端阈值用于检测低频干扰以及判定低频干扰的等级,第二频段能量值的两端阈值用于检测高频干扰以及判定高频干扰的等级,通过使用两组预设范围值的两端阈值,提高了噪声检测的可靠性,并且减小了因误判而导致删除有用信息的概率。
在一种实施方式中,如图3所示,上述步骤S12,基于预设范围值的两端阈值,确定用于处理预设时长的脑电信号对应的不同控制策略,包括:
步骤SA31:判断第一频段能量值是否在第一端阈值与第二端阈值之间。
例如:第一端阈值用TL1表示,第二端阈值用TL2表示。以第一端阈值TL1和第二端阈值TL2为参考标准,确定以下步骤SA32-SA34对应的不同控制策略。
步骤SA32:若第一频段能量值在第一端阈值与第二端阈值之间,调整第一频段能量值对应的小波近似系数。
例如:TL1≤PL<TL2,可以判定此时发生轻微低频噪声干扰,此时,为了尽可能的去除噪声而保留脑电信号,如果A3中系数平方大于阈值TL1的,可以对该小波近似系数进行预设倍数的收缩,如预设倍数为1/8倍。在此步骤SA32中执行的控制策略作为控制策略A1。
步骤SA33:若第一频段能量值小于第一端阈值,用预设时长的脑电信号参与后续计算。
例如:PL<TL1,可以判定此时无噪声干扰,不对A3中的系数进行处理,可以直接参与后续计算。在此步骤SA33中执行的控制策略作为控制策略A2。
步骤SA34:若第一频段能量值大于或等于第二端阈值,自动去除预设时长的脑电信号。
例如:PL≥TL2,可以判断此时存在强烈的低频噪声干扰,可以直接去除此频段的脑电信号,不参与后续的参数计算。在此步骤SA34中执行的控制策略作为控制策略A3。
在一种实施方式中,如图3所示,上述步骤S12,基于预设范围值的两端阈值,确定用于处理预设时长的脑电信号对应的不同控制策略,还包括:
步骤SB31:判断第二频段能量值是否在第三端阈值与第四端阈值之间。
例如:第一端阈值用TH1表示,第二端阈值用TH2表示。以第一端阈值TH1和第二端阈值TH2为参考标准,确定以下步骤SB32-SB34对应的不同控制策略。
步骤SB32:若第二频段能量值在第三端阈值与第四端阈值之间,调整第二频段能量值对应的小波细节系数。
例如:TH1≤PL<TH2,可以判定此时发生轻微高频噪声干扰,此时,为了尽可能的去除噪声而保留脑电信号,如果D2、D3中系数平方大于阈值TH1的,可以对该小波近似系数进行预设倍数的收缩,如预设倍数为1/8倍。在此步骤SB32中执行的控制策略作为控制策略B1。
步骤SB33:若第二频段能量值小于第三端阈值,用预设时长的脑电信号参与后续计算。
例如:PH<TH1,可以判定此时无噪声干扰,不对D2、D3中的系数进行处理,可以直接参与后续计算。在此步骤SB33中执行的控制策略作为控制策略B2。
步骤SB34:若第二频段能量值大于或等于第四端阈值,自动去除预设时长的脑电信号。
例如:PH≥TH2,可以判断此时存在强烈的高频噪声干扰,可以直接去除此频段的脑电信号,不参与后续的参数计算。在此步骤SB34中执行的控制策略作为控制策略B3。
如下表2所示,为图3对应的不同控制策略。
表2
步骤S13:基于预设时长的脑电信号对应的不同控制策略,进而去除预设时长的脑电信号中的脑电噪声。
本发明实施例中的脑电噪声的处理方法,将脑电噪声分为低频噪声与高频噪声,采用离散小波变换提取对应的低频能量与高频能量,并自适应的计算出两组阈值,采用双阈值法判定干扰的等级,不但提高了脑电噪声检测的可靠性,而且利用离散小波变换优良的时频特性,对发生脑电噪声干扰时的小波近似系或小波细节系数进行处理,达到对脑电噪声的精准去除。
在执行上述步骤S11-步骤S13的过程中,对预设范围的两端阈值是根据不同控制策略实时进行自适应更新的,具体包括如下步骤:
第一步:计算预设时段的脑电信号的参考均值。
第二步:根据参考均值,确定预设范围的两端阈值。
第一频段能量值的两端阈值为TL1、TL2,第二频段能量值的两端阈值为TH1、TH2,其中,TL1、TH1分别是为了检测轻微低频噪声和轻微高频噪声而设定的,TL1应略高于最近一段信号的平均低频能量,TH1应略高于最近一段信号的平均高频能量;其中,TL2与TH2分别是为了检测强烈噪声而设定的,TL2应较高于最近一段信号的平均低频能量,TH2应较高于最近一段信号的平均高频能量。为了提高阈值计算的平稳性。参考均值即为上述中的平均低频能量和平均高频能量。可以计算预设时段30s的参考均值。
为了求取最近预设时段30s信号的参考均值PLmean(平均低频能量)与参考均值PHmean(平均高频能量),引入两组系数PLtemp与PHtemp,其中,PLtemp为当前这1s中的低频能量,PHtemp为当前这1s中的高频能量;为了对阈值进行平稳的更新,根据当前计算出的PL和PH所在的范围,设定了三种更新策略。
更新策略1:
当PL>TL2时,此时判定为强烈低频干扰,令PLtemp=TLmax;TLmax是能容许的最高的信号低频能量,这是一个经验值,一般取200到1000;这里TLmax设置为500。同理,当PH>TH2时,此时判定为强烈高频干扰,令PHtemp=THmax;THmax是能容许的最高的信号高频能量,这也是一个经验值,一般取50到200;这里THmax设置为100。
更新策略2
当TL1<PL<TL2时,此时判定为轻微的低频干扰,此时如果PL>TLmax,令PLtemp=TLmax;否则,PLtemp=PL/2。同理,当TH1<PH<TH2时,此时判定为轻微的高频干扰,如果PH>THmax,令PHtemp=THmax;否则,令PHtemp=PH/2。
更新策略3
当PL<TL1时,此时判定为无低频干扰,此时如果PL>TLmax,令PLtemp=TLmax,否则,令PLtemp=PL。同理,当PH<TH1时,此时判定为无高频干扰,如果PH>THmax,令PHtemp=THmax;否则,令PHtemp=PH。
数据通过上述3种不同策略处理后,对最近预设时段30s的脑电信号计算出的30个PLtemp和30个PHtemp求平均,分别得到平均低频能量PLmean和平均高频能量PHmean;
阈值TL1与TH1是为了检测轻微噪声而设定的,而阈值TL2与TH2是为了检测强烈噪声而设定的,TL1应略高于PLmean,TL2应较高于TL1,TH1应高于PHmean,TH2应高于TH1,
则阈值TL1,TL2,TH1,TH2的计算分别如下所示:
TL1=3×PLmean;(5);
TL2=2×TL1;(6)
TH1=3×PHmean;(7)
TH2=2×TH1;(8)
在一具体实施方式中,如图4所示,是病人一段清醒状态下的脑电信号中低频噪声的检测与去除效果图,如图5所示,是病人一段麻醉状态下的脑电信号中高频噪声去除效果图。从图4.b中可以看出,PL在第2s和第3s处的值大于TL1但是小于TL2,说明此时检测到了这两秒处发生了轻微低频干扰,此时,对这两秒的低频系数进行收缩以去除低频噪声;在图5.c中PH在第5s和第6s处的值大于TH1但是小于TH2,说明此时检测到了这两秒处发生了轻微高频干扰,所以对这两秒的高频系数进行收缩以去除低频噪声。在图4.d中和图5.d中是重构后的去噪信号,从图4和图5中可以看出,噪声处被精准去除。
在另一具体实施方式中,BetaRatio是脑电信号中高频能量与低频能量对数的比率,能够衡量脑电信号能量的变化,有研究表明,BetaRatio对于清醒和麻醉状态具有较好的区分能力。
为了计算出BetaRatio,首先应求其功率谱,为了改进谱估计方差特性,本发明实施例选用的是韦尔奇功率谱估计方法,窗函数选择为汉明窗,计算长度为10s,将10s的数据分割成10段,每一段数据不重叠,对每一段数据求取功率谱然后求平均,即可得到10s信号的功率谱P(k),k=1,2,…,N;具体通过如下公式(9)计算:
其中,P(k)表示频率所对应的功率谱值,N为计算的FFT点数,取N=1024;fs为信号的采样率,取fs=256Hz。
如图6所示,是使用美国Aspect公司生产的BISX外置模块及数据记录系统记录的一例麻醉手术中采集的脑电信号,采集过程中BISX模块滤波器模式设置为高通0.5Hz、低通70Hz、带阻50&60Hz,以256Hz的采样率记录。图6.b中显示的是计算出的低频能量PL与对应的阈值TL1和TL2,图6.c显示的是高频能量PH与对应的阈值TH1和TH2,从图6中可以看出,两组阈值根据信号的变化自适应的调整大小,检测出脑电图信号中发生噪声干扰的位置,并对受干扰的部分进行了相应的处理。
BetaRatio与麻醉深度密切相关,病人较清醒的时候BetaRatio较高,病人进入麻醉状态时,BetaRatio会进入一个较低的水平,从图7中可以看出,病人在1000s左右处进入麻醉状态,在16000s左右处开始恢复意识。图7.a是使用去噪前的数据计算出的BetaRatio,图7.b是使用本发明实施例所提出的方法进行去噪后所得到的BetaRatio,从图7中可以看出,未经去噪的脑电信号计算出的BetaRatio在麻醉状态下,由于噪声的干扰,出现很多的异常值,而经过本发明实施例提出的自适应噪声检测与去除后,异常值基本被去除,提高了该参数的稳定性。
本发明实施例中的脑电噪声的处理方法,通过执行步骤S11至步骤S13,将包含低频噪声和高频噪声的脑电信号,采用离散小波变换提取对应的第一频段能量值和第二频段能量值,基于预设范围的两组的两端阈值,判定干扰等级,并采取与其对应的不同控制策略处理预设时长的脑电信号,提高了噪声检测的实时性与可靠性,同时,利用离散小波变换优良的时频特性,对发生噪声干扰时的小波系数进行处理,达到对噪声的精准去除。
基于相同构思,本发明实施例还提供一种脑电噪声的处理装置,如图8所示,包括如下模块:
能量值计算模块81,用于基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值;
控制策略确定模块82,用于基于预设范围值的两端阈值,确定用于处理预设时长的脑电信号对应的不同控制策略;
脑电噪声去除模块83,用于基于预设时长的脑电信号对应的不同控制策略,进而去除预设时长的脑电信号中的脑电噪声。
在一种实施方式中,能量值计算模块81,包括:
预处理子模块,用于对初始的脑电信号基于预设频率进行预处理;
信号提取子模块,用于从预处理后的脑电信号中提取预设时长的脑电信号;
频带分解子模块,用于基于离散小波变换算法,对预设时长的脑电信号进行不同级别的频带分解;
能量值计算子模块,用于计算预设时长的脑电信号对应的第一频段能量值和第二频段能量值。
在一种实施方式中,频带分解子模块,基于离散小波变换算法,对预设时长的脑电信号进行不同级别的频带分解,包括上述公式(1)、(2)。
在一种实施方式中,能量值计算子模块计算预设时长的脑电信号对应的第一频段能量值和第二频段能量值,包括上述公式(3)、(4)。
在一种实施方式中,控制策略确定模块82,包括:
第一判断子模块,用于判断第一频段能量值是否在第一端阈值与第二端阈值之间;
第一调整子模块,用于若第一频段能量值在第一端阈值与第二端阈值之间,调整第一频段能量值对应的小波近似系数;
第一保留子模块,若第一频段能量值小于第一端阈值,用预设时长的脑电信号参与后续计算;
第一去除子模块,用于若第一频段能量值大于或等于第二端阈值,自动去除预设时长的脑电信号。
在一种实施方式中,控制策略确定模块82,还包括:
第二判断子模块,用于判断第二频段能量值是否在第三端阈值与第四端阈值之间;
第二调整子模块,用于若第二频段能量值在第三端阈值与第四端阈值之间,调整第二频段能量值对应的小波细节系数;
第二保留子模块,用于若第二频段能量值小于第三端阈值,用预设时长的脑电信号参与后续计算;
第二去除子模块,用于若第二频段能量值大于或等于第四端阈值,自动去除预设时长的脑电信号。
在一种实施方式中,控制策略确定模块82确定预设范围的两端阈值,包括:
参考均值计算子模块,用于计算预设时段的脑电信号的参考均值;
两端阈值计算子模块,用于根据参考均值,确定预设范围的两端阈值。
基于相同构思,本发明实施例还提供了一种计算机设备,如图9所示,该计算机设备可以包括处理器91、存储器92,其中处理器91、存储器92可以通过总线或者其他方式连接,图9中以通过总线连接为例。
处理器91可以为中央处理器(Central Processing Unit,CPU)。处理器91还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器92作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器91通过运行存储在存储器92中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的脑电噪声的处理方法。
存储器92可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器91所创建的数据等。此外,存储器92可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器92可选包括相对于处理器91远程设置的存储器,这些远程存储器可以通过网络连接至处理器91。上述网络的实例包括但不限于电网、互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器92中,当被所述处理器91执行时,执行如附图所示实施例中的脑电噪声的处理方法。
上述计算机设备具体细节可以对应参阅附图所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
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创造的保护范围之中。
Claims (10)
1.一种脑电噪声的处理方法,其特征在于,包括如下步骤:
基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值;
基于预设范围值的两端阈值,确定用于处理所述预设时长的脑电信号对应的不同控制策略;
基于所述预设时长的脑电信号对应的不同控制策略,进而去除所述预设时长的脑电信号中的脑电噪声。
2.根据权利要求1所述的脑电噪声的处理方法,其特征在于,基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值,包括:
对初始的脑电信号基于预设频率进行预处理;
从预处理后的所述脑电信号中提取预设时长的脑电信号;
基于离散小波变换算法,对所述预设时长的脑电信号进行不同级别的频带分解;
计算所述预设时长的脑电信号对应的所述第一频段能量值和所述第二频段能量值。
5.根据权利要求1所述的脑电噪声的处理方法,其特征在于,基于预设范围值的两端阈值,确定用于处理所述预设时长的脑电信号对应的不同控制策略,包括:
判断所述第一频段能量值是否在第一端阈值与第二端阈值之间;
若所述第一频段能量值在所述第一端阈值与所述第二端阈值之间,调整所述第一频段能量值对应的小波近似系数;
若所述第一频段能量值小于所述第一端阈值,用所述预设时长的脑电信号参与后续计算;
若所述第一频段能量值大于或等于所述第二端阈值,自动去除所述预设时长的脑电信号。
6.根据权利要求1所述的脑电噪声的处理方法,其特征在于,基于预设范围值的两端阈值,确定用于处理所述预设时长的脑电信号对应的不同控制策略,还包括:
判断所述第二频段能量值是否在第三端阈值与第四端阈值之间;
若所述第二频段能量值在所述第三端阈值与所述第四端阈值之间,调整所述第二频段能量值对应的小波细节系数;
若所述第二频段能量值小于所述第三端阈值,用所述预设时长的脑电信号参与后续计算;
若所述第二频段能量值大于或等于所述第四端阈值,自动去除所述预设时长的脑电信号。
7.根据权利要求1所述的脑电噪声的处理方法,其特征在于,确定所述预设范围的两端阈值,包括:
计算预设时段的所述脑电信号的参考均值;
根据所述参考均值,确定所述预设范围的两端阈值。
8.一种脑电噪声的处理装置,其特征在于,包括如下模块:
能量值计算模块,用于基于预设时长的脑电信号,分别计算其对应的第一频段能量值和第二频段能量值;
控制策略确定模块,用于基于预设范围值的两端阈值,确定用于处理所述预设时长的脑电信号对应的不同控制策略;
脑电噪声去除模块,用于基于所述预设时长的脑电信号对应的不同控制策略,进而去除所述预设时长的脑电信号中的脑电噪声。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1至7中任一项所述的脑电噪声的处理方法。
10.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的脑电噪声的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111629010.8A CN114504327B (zh) | 2021-12-28 | 2021-12-28 | 一种脑电噪声的处理方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111629010.8A CN114504327B (zh) | 2021-12-28 | 2021-12-28 | 一种脑电噪声的处理方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114504327A true CN114504327A (zh) | 2022-05-17 |
CN114504327B CN114504327B (zh) | 2024-05-17 |
Family
ID=81547565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111629010.8A Active CN114504327B (zh) | 2021-12-28 | 2021-12-28 | 一种脑电噪声的处理方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114504327B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106388778A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 睡眠状态分析中的脑电信号预处理方法和系统 |
WO2017193595A1 (zh) * | 2016-05-13 | 2017-11-16 | 广州视源电子科技股份有限公司 | 催眠状态脑电信号提取方法与系统 |
CN110674697A (zh) * | 2019-04-26 | 2020-01-10 | 深圳市豪视智能科技有限公司 | 滤波方法、装置及相关产品 |
CN111956219A (zh) * | 2020-08-27 | 2020-11-20 | 济南大学 | 基于脑电信号的情绪特征识别方法、识别及调节系统 |
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 |
CN113221828A (zh) * | 2021-05-31 | 2021-08-06 | 煤炭科学研究总院 | 一种爆破震动响应信号的去噪方法、装置及电子设备 |
CN113378661A (zh) * | 2021-05-25 | 2021-09-10 | 浙江工业大学 | 一种基于改进小波阈值和相关检测的直流电能信号去噪方法 |
-
2021
- 2021-12-28 CN CN202111629010.8A patent/CN114504327B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017193595A1 (zh) * | 2016-05-13 | 2017-11-16 | 广州视源电子科技股份有限公司 | 催眠状态脑电信号提取方法与系统 |
CN106388778A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 睡眠状态分析中的脑电信号预处理方法和系统 |
CN110674697A (zh) * | 2019-04-26 | 2020-01-10 | 深圳市豪视智能科技有限公司 | 滤波方法、装置及相关产品 |
CN111956219A (zh) * | 2020-08-27 | 2020-11-20 | 济南大学 | 基于脑电信号的情绪特征识别方法、识别及调节系统 |
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 |
CN113378661A (zh) * | 2021-05-25 | 2021-09-10 | 浙江工业大学 | 一种基于改进小波阈值和相关检测的直流电能信号去噪方法 |
CN113221828A (zh) * | 2021-05-31 | 2021-08-06 | 煤炭科学研究总院 | 一种爆破震动响应信号的去噪方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114504327B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6259471B2 (ja) | 麻酔深度の測定方法及び装置 | |
CN104545949A (zh) | 一种基于脑电的麻醉深度监测方法 | |
WO2021109601A1 (zh) | 一种麻醉深度的测量方法、存储介质及电子设备 | |
CN106485208B (zh) | 单通道脑电信号中眼电干扰的自动去除方法 | |
WO2019041772A1 (zh) | 一种基于脑电信号的麻醉深度的监测方法及系统 | |
Larsen et al. | Detection of tonic epileptic seizures based on surface electromyography | |
JP2022536552A (ja) | 脳波(eeg)の非線形性の変化に基づく発作検出システム及び方法 | |
JP5282081B2 (ja) | 深部脳刺激療法のアーチファクトをフィルタリングするための方法 | |
JP2023018131A (ja) | 電気生理学的誘発電位における変化を検出する医用システム及び方法 | |
JP2023099043A (ja) | 脳波(eeg)の非線形性の変化に基づく発作検出システム及び方法 | |
Hung et al. | VLSI implementation for epileptic seizure prediction system based on wavelet and chaos theory | |
CN116616794B (zh) | 一种基于脑电信号的水下作业人员疲劳调节方法及系统 | |
CN112754444A (zh) | 一种基于雷达的非接触式猪只呼吸检测方法 | |
CN104739371B (zh) | 监护仪及其多导联信号自动切换方法和装置 | |
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 | |
CN113397523A (zh) | 一种呼吸率检测方法、装置及医疗设备 | |
CN111803054B (zh) | 一种实时评估室颤信号质量和除颤成功率的方法与仪器 | |
CN114504327B (zh) | 一种脑电噪声的处理方法、装置及计算机设备 | |
CN112914588A (zh) | 一种脑电爆发抑制指数计算方法及系统 | |
Prabhakararao et al. | Efficient and robust ventricular tachycardia and fibrillation detection method for wearable cardiac health monitoring devices | |
Temko | PPG-based heart rate estimation using Wiener filter, phase vocoder and Viterbi decoding | |
Rivolta et al. | Effects of the series length on Lempel-Ziv Complexity during sleep | |
CN113520368A (zh) | 一种咳嗽监测的方法、系统和存储设备 | |
CN112022151A (zh) | 一种脑电棘慢波的处理及识别方法 | |
CN104605886A (zh) | 喘鸣音检测装置和方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |