CN114515156B - 基于交叉可视图的睡眠心脑信号关联性分析方法 - Google Patents

基于交叉可视图的睡眠心脑信号关联性分析方法 Download PDF

Info

Publication number
CN114515156B
CN114515156B CN202210124585.2A CN202210124585A CN114515156B CN 114515156 B CN114515156 B CN 114515156B CN 202210124585 A CN202210124585 A CN 202210124585A CN 114515156 B CN114515156 B CN 114515156B
Authority
CN
China
Prior art keywords
sleep
visibility
sequence
cross
probability
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
Application number
CN202210124585.2A
Other languages
English (en)
Other versions
CN114515156A (zh
Inventor
姚文坡
金鑫
戴加飞
王俊
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210124585.2A priority Critical patent/CN114515156B/zh
Publication of CN114515156A publication Critical patent/CN114515156A/zh
Application granted granted Critical
Publication of CN114515156B publication Critical patent/CN114515156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • 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
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • A61B5/4806—Sleep evaluation
    • A61B5/4815—Sleep 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
    • A61B5/7203—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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Anesthesiology (AREA)
  • Cardiology (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明所述的基于交叉可视图的睡眠心脑信号关联性分析方法，首先构建心电和脑电生理序列的前向和后向原始可视度序列，并通过元素替换的方式构建心脑信号之间的前向和后向交叉可视度序列，然后计算原始‑交叉可视度概率分布的差异性衡量心脑之间的因果关联性。基于交叉可视图的睡眠心脑信号关联性分析方法有效地解决了根据时间序列可视状态的特征关系衡量生理序列关联性的问题。

Description

基于交叉可视图的睡眠心脑信号关联性分析方法
技术领域
本发明属于时间序列分析和因果关联性分析技术领域，尤其涉及基于交叉可视图的睡眠心脑信号关联性分析方法。
背景技术
心脏和大脑在睡眠中存在复杂的相互作用，确定心脑生理活动之间的关联性是睡眠系统研究的重要内容，在因果耦合等理论分析中也具有重要意义。为了确定心脑信号之间的关系，学者从不同角度提出多种分析的方法，如Granger因果、转移熵、相同步等。Granger因果是基于线性自回归模型的，要求系统满足相应的线性关系；转移熵是基于信息论的参数，序列的概率估计使其对控制参数有着较高的协调性要求；相同步方法则需要根据频域特征的关系确定信号的耦合关系；因此，当前关联性分析方法大多存在一定的局限性。
在信号分析中，可视图方法通过元素之间可视性确定时间序列对应元素的连接性，其充分利用了序列元素之间的幅度关系，在提取生理序列的结构化特征中起到了重要的作用。可视图分析方法是对单一时间序列元素可视关系的分析方法，即根据序列元素和其他元素大小关系确定可视性，进而分析序列可视关系的统计特征。遗憾的是，当前可视图分析方法通过单一时间序列进行构建，只能分析单一序列的结构化特征，而无法用于构建不同序列之间的可视关系。这导致可视图方法不能用于不同时间序列之间的关联性分析，因此尚无基于可视图的心脑信号因果关联性分析方法。
鉴于睡眠心脑关联性研究的重要以及可视图构建的特点，如何利用睡眠心脑时间序列之间的可视关系提取两者关联性特征是一个亟需解决的问题，其对于睡眠状态分析以及心脑之间的关联性分析都具有重要理论研究和现实应用意义。
发明内容
为了有效地解决利用可视图方法衡量睡眠心脑信号之间关联性的问题，本发明提出一种基于信号交叉可视图出入度差异性的睡眠心脑信号关联性分析方法，首先构建心电和脑电生理序列的前向和后向原始可视度序列，并通过元素替换的方式构建心脑信号之间的前向和后向交叉可视度序列，然后计算原始-交叉可视度概率分布的差异性衡量心脑之间的因果关联性，有效地解决了根据时间序列可视状态的特征关系衡量生理序列关联性的问题。
本发明所述的基于交叉可视图的睡眠心脑信号关联性分析方法，其步骤为：S1、构建睡眠心电信号X＝{x1,x2,…,xt,…,xL}的前向原始可视序列Xof、前向交叉可视度序列Xcf及睡眠脑电信号Y＝{y1,y2,…,yt,…,yL}的前向原始可视度序列Yof和前向交叉可视度序列Ycf，即
S2、构建睡眠心电信号X的后向原始可视度序列Xob、后向交叉可视度序列Xcb及睡眠脑电信号Y的后向原始可视度序列Yob和后向交叉可视度序列Ycb，即
S3、计算睡眠心电信号X的原始-交叉可视度概率差异XOC；
S4、计算睡眠脑电信号Y的原始-交叉可视度概率差异YOC；
S5、根据S3及S4得到的结果计算睡眠心电和脑电的交叉可视因果XYVG。
进一步的，步骤S1具体为：
S1-1、构建睡眠心电和睡眠脑电序列元素的前向原始可视度序列Xof和Yof；
S1-2、将睡眠心电信号X中的元素xt替换为睡眠脑电Y中的对应元素yt，t取值范围从0至L，替换元素的前向可视度为xcft，并由此构建睡眠脑电信号Y对睡眠心电信号X的前向交叉可视度序列Xcf；
S1-3、将睡眠脑电信号Y中的元素yt替换为睡眠心电信号X的对应元素xt，t取值范围从0至L，替换元素的前向可视度为ycft，并由此构建睡眠心电信号X对睡眠脑电Y的前向交叉可视度序列Ycf。
进一步的，步骤S2具体为：
S2-1、构建睡眠心电和脑电序列元素的后向原始可视度序列Xob和Yob；
S2-2、将睡眠心电信号X中的元素xt替换为睡眠脑电信号Y中的对应元素yt，t取值范围从0至L，替换元素的后向可视度为xcbt，并由此构建睡眠脑电信号Y对睡眠心电信号X的后向交叉可视度序列Xcb；
S2-3、将睡眠脑电信号Y中的元素yt替换为睡眠心电信号X中的对应元素xt，t取值范围从0至L，替换元素的后向可视度为ycbt，并由此构建心电信号X到脑电Y的后向交叉可视度序列Ycb。
进一步的，步骤S3具体为：
S3-1、计算睡眠心电信号的可视度概率分布，Xofp和Xcfp分别为睡眠心电信号的前向原始可视度概率和交叉可视度概率，Xobp和Xcbp为睡眠心电信号的后向原始可视度概率和交叉可视度概率；
其中，pxoft＝xoft/∑txoft为睡眠心电信号前向原始可视序列Xof中元素xoft在该序列中的概率，pxcft＝xcft/∑txcft为睡眠心电信号前向交叉可视度序列Xcf中元素xcft在该序列中的概率，pxobt＝xobt/∑txobt睡眠心电信号后向原始可视序列Xob中元素xobt在该序列中的概率，pxcbt＝xcbt/∑txcbt为睡眠心电信号后向交叉可视度序列Xcb中元素xcbt在该序列中的概率；
S3-2、采用基于减法的Ys计算睡眠心电信号的前向原始-交叉可视度概率差异性XfOC和后向原始-交叉可视度概率差异性XbOC；
在概率差异的计算中，需要保证Ys的非负性，例如在Ys<pxoft，pxcft>中，pxoft＞pxcft，否则将Ys(pxoft，pxcft>互换为Ys<pxcft，pxoft>；
S3-3、计算睡眠心电的原始-交叉可视度概率差异XOC＝(XfoC+XbOC)/2。
进一步的，步骤S4具体为：
S4-1、计算睡眠脑电信号的可视度概率分布，Yofp和Ycfp分别为睡眠脑电信号的前向原始和交叉可视度概率，Yobp和Ycbp为睡眠脑电信号的后向原始和交叉可视度概率：
其中，pyoft＝yoft/∑tyoft为睡眠脑电信号前向原始可视序列Xof中元素xoft在该序列中的概率，pycft＝ycft/∑tycft为睡眠脑电信号前向交叉可视度序列Ycf中元素ycft在该序列中的概率，pyobt＝yobt/∑tyobt为睡眠脑电信号后向原始可视序列Yob中元素yobt在该序列中的概率，pycbt＝ycbt/∑tycbt为睡眠脑电信号后向交叉可视度序列Ycb中元素ycbt在该序列中的概率；
S4-2、采用基于减法的Ys计算睡眠脑电信号的前向原始-交叉可视度概率差异性YfOC和后向原始-交叉可视度概率差异性YbOC；
在概率差异的计算中，需要保证Ys的非负性，例如在Ys<pyoft′pycft>中，pyoft＞pycft，否则将Ys(pyoft′pycft>互换为Ys<pycft′pyoft>；
S4-3、计算睡眠脑电的原始-交叉可视度概率差异YOC＝(YfOC+YbOC)/2。
进一步的，步骤S5具体为：
S5-1、判断睡眠心电和脑电的交叉可视因果关系；
如果XOC＞YOC，则睡眠脑电信号对心电的影响更大，脑电信号为驱动因子，心电信号为响应因子；反之，则说明心电信号为驱动因子，脑电信号为响应因子；S5-2、计算睡眠心电和脑电的交叉可视因果XYVG＝|XOC-YOC|。
本发明所述的有益效果为：本发明为了解决利用可视图方法衡量睡眠心脑信号关联性的问题，通过信号原始和交叉可视度概率分布差异性衡量心脑信号之间的相互影响；本发明首先构建心电和脑电的原始可视图序列，并通过对应元素互换的方式构建心脑信号的交叉可视图序列，然后通过计算睡眠心电和脑电信号原始-交叉可视度概率差异性衡量两者之间的相互影响程度，并由此确定睡眠心脑之间的关联性和因果关系；考虑到可视度为0的情况，本发明采用基于减法的Ys比较原始-交叉可视度概率差异性；在睡眠心脑的关联性分析中，基于可视图的方法有效地表征了心脏和大脑之间的关联性，并在对清醒和睡眠状态的识别中有良好的效果。
附图说明
图1是本发明基于交叉可视图的睡眠心脑信号关联性分析方法的流程图；
图2是信号元素前向和后向可视度连接示意图；
图3是清醒和睡眠心脑信号采集的样本示意图；
图4是清醒和睡眠状态下心脑可视图的同步指标。
具体实施方式
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。
如图1所示，本发明的基于交叉可视图的睡眠心脑信号关联性分析方法，包括以下步骤：
S1、给定长度为L的睡眠心电信号X＝{x1，x2，...，xt，...，xL}和睡眠脑电信号Y＝(y1，y2，...，yt，...，yL}，构建睡眠心电的前向原始可视度序列Xof、交叉可视度序列Xcf以及脑电的前向原始可视度序列Yof、交叉可视度序列Ycf，如式(1)所示：
S1具体如下：
S1-1、构建睡眠心电和脑电序列元素的前向原始可视度序列Xof和Yof；
前向可视度确定规则为：对于心电序列元素xt，其前向可视度为xoft＝a-t，则其和前向元素xa之间所有的元素xi都满足式同理，计算脑电序列元素yt的前向可视度为yoft。以图2元素x6为例，其前向可视度为3；
S1-2、将睡眠心电信号X中的元素xt替换为睡眠脑电序列Y的对应元素yt，t取值范围从0至L，替换元素的前向可视度为xcft，并由此构建脑电信号Y对心电X的前向交叉可视度序列Xcf；
S1-3、将脑电信号Y中的元素yt替换为脑电序列X的对应元素xt，t取值范围从0至L，替换元素的前向可视度为ycft，并由此构建心电信号X对脑电Y的前向交叉可视度序列Ycf。
S2、构建睡眠心电X的后向原始可视度序列Xob和交叉可视度序列Xcb，脑电Y的后向原始可视度序列Yob和交叉可视度序列Ycb，如式(2)所示：
S2-1、构建睡眠心电和脑电序列元素的后向原始可视度序列Xob和Yob；
后向可视度确定规则为：对于心电序列元素xt，其后向可视度为xobt＝b-t，则其和后向元素xb之间所有的元素xi都满足式同理，计算脑电序列元素yt的后向可视度为yobt。以图2元素x6为例，其后向可视度为4；
S2-2、将心电信号X中的元素xt替换为脑电序列Y的对应元素yt，t取值范围从0至L，替换元素的后向可视度为xcbt，并由此构建脑电信号Y对心电X的后向交叉可视度序列Xcb；
S2-3、将脑电信号Y中的元素yt替换为脑电序列X的对应元素xt，t取值范围从0至L，替换元素的后向可视度为ycbt，并由此构建心电信号X到脑电Y的后向交叉可视度序列Ycb。
S3、计算睡眠心电信号X的原始-交叉可视度概率差异XOC；
S3-1、计算睡眠心电信号的可视度概率分布，如式(3)所示，其中Xofp和Xcfp分别为心电的前向原始和交叉可视度概率，Xobp和Xcbp为心电的后向原始和交叉可视度概率：
其中，pxoft＝xoft/∑txoft为睡眠心电信号前向原始可视序列Xof中元素xoft在该序列中的概率，pxcft＝xcft/∑txcft为睡眠心电信号前向交叉可视度序列Xcf中元素xcft在该序列中的概率，pxobt＝xobt/∑txobt睡眠心电信号后向原始可视序列Xob中元素xobt在该序列中的概率，pxcbt＝xcbt/∑txcbt为睡眠心电信号后向交叉可视度序列Xcb中元素xcbt在该序列中的概率；
S3-2、采用基于减法的Ys计算睡眠心电信号的前向原始-交叉可视度概率差异性XfOC和后向原始-交叉可视度概率差异性XboC；
在概率差异的计算中，需要保证Ys的非负性，例如在Ys<pxoft，pxcft>中，pxoft＞pxcft，否则将Ys<pxoft，pxcft>互换为Ys<pxcft，pxoft>；
S3-3、计算睡眠心电的原始-交叉可视度概率差异XOC＝(XfOC+XbOC)/2。
S4、计算睡眠脑电信号Y的原始-交叉可视度概率差异YOC；
S4-1、计算睡眠脑电信号的可视度概率分布，如式(4)所示，Yofp和Ycfp分别为睡眠脑电信号的前向原始和交叉可视度概率，Yobp和Ycbp为睡眠脑电信号的后向原始和交叉可视度概率；
其中，pyoft＝yoft/∑tyoft为睡眠脑电信号前向原始可视序列Xof中元素xoft在该序列中的概率，pycft＝ycft/∑tycft为睡眠脑电信号前向交叉可视度序列Ycf中元素ycft在该序列中的概率，pyobt＝yobt/∑tyobt为睡眠脑电信号后向原始可视序列Yob中元素yobt在该序列中的概率，pycbt＝ycbt/∑tycbt为睡眠脑电信号后向交叉可视度序列Ycb中元素ycbt在该序列中的概率；
S4-2、采用基于减法的Ys计算睡眠脑电信号的前向原始-交叉可视度概率差异性YfOC和后向原始-交叉可视度概率差异性YbOC；
在概率差异的计算中，需要保证Ys的非负性，例如在Ys<pyoft′pycft>中，pyoft＞pycft，否则将Ys<pyoft′pycft>互换为Ys<pycft′pyoft>；
S4-3、计算睡眠脑电的原始-交叉可视度概率差异YOC＝(YfOC+YbOC)/2。
S5、计算睡眠心电和脑电的交叉可视因果XYVG。
S5-1、判断睡眠心电和脑电的交叉可视因果关系；
如果XOC＞YOC，则睡眠脑电信号对心电的影响更大，脑电信号为驱动因子，心电信号为响应因子；反之，则说明心电信号为驱动因子，脑电信号为响应因子；
S5-2、计算睡眠心电和脑电的交叉可视因果XYVG＝|XOC-YOC|。
本发明的仿真结果：
为了验证本发明提出方法对不同睡眠状态下的心脑耦合特征的提取效果，本发明选用了MIT-BIH公共数据库中睡眠数据，实验平台为Windows操作系统，并采用Python3.8软件进行仿真。本发明分析结果并不会受到操作系统以及Python软件版本的影响。
本发明从MIT-BIH的数据集中提取了15组清醒和睡眠状态下的心电和脑电信号，图3为清醒和睡眠心脑信号采集的样本编码、截取的起始时间，信号采样频率为250Hz、12bit量化，每组信号选取10000采样点(即时长40s)。睡眠信号中的伪迹已被手动删除，并对心电进行0.3至70Hz的带通滤波，对脑电信号进行0.3至50Hz的带通滤波。
结果如图4所示，睡眠状态下心电和脑电的交叉可视因果要高于清醒状态的XYCC。整体看来，清醒状态下为0.114±0.007，睡眠状态下为0.124±0.0.008，且两者之间的差异性显著(p＜0.05)。从生理角度解释，在清醒状态下，心脏以及大脑受到更多的内外部因素的影响，因而两者之间的关联性的强度受到一定的限制，而当进入睡眠状态下，脑活动受到的人为意识影响较少，其和心脏之间的因果关联性增加。
综述所述，本发明所述的基于交叉可视图的睡眠心脑信号分析方法可有效地表征心脑电信号之间的关联性。
以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。

Claims (4)

1.基于交叉可视图的睡眠心脑信号关联性分析方法，其特征在于，所述方法的步骤为：
S1、构建睡眠心电信号X＝{x1,x2,…,xt,…,xL}的前向原始可视序列Xof、交叉可视度序列Xcf及睡眠脑电信号Y＝{y1,y2,…,yt,…,yL}的前向原始可视度序列Yof、交叉可视度序列Ycf，即
具体步骤为：
S1-1、构建睡眠心电和睡眠脑电序列元素的前向原始可视度序列Xof和Yof；
S1-2、将睡眠心电信号X中的元素xt替换为睡眠脑电Y中的对应元素yt，t取值范围从0至L，替换元素的前向可视度为xcft，并由此构建睡眠脑电信号Y对睡眠心电信号X的前向交叉可视度序列Xcf；
S1-3、将睡眠脑电信号Y中的元素yt替换为睡眠心电信号X中的对应元素xt，t取值范围从0至L，替换元素的前向可视度为ycft，并由此构建睡眠心电信号X对睡眠脑电Y的前向交叉可视度序列Ycf；
S2、构建睡眠心电信号X的后向原始可视度序列Xob、交叉可视度序列Xcb及睡眠脑电信号Y的后向原始可视度序列Yob和交叉可视度序列Ycb，即
具体步骤为：
S2-1、构建睡眠心电和脑电序列元素的后向原始可视度序列Xob和Yob；
S2-2、将睡眠心电信号X中的元素xt替换为睡眠脑电信号Y中的对应元素yt，t取值范围从0至L，替换元素的后向可视度为xcbt，并由此构建睡眠脑电信号Y对睡眠心电信号X的后向交叉可视度序列Xcb；
S2-3、将睡眠脑电信号Y中的元素yt替换为睡眠心电信号X中的对应元素xt，t取值范围从0至L，替换元素的后向可视度为ycbt，并由此构建心电信号X到脑电Y的后向交叉可视度序列Ycb；
S3、计算睡眠心电信号X的原始-交叉可视度概率差异XOC；
S4、计算睡眠脑电信号Y的原始-交叉可视度概率差异YOC；
S5、根据S3及S4得到的结果计算睡眠心电和脑电的交叉可视因果XYVG。
2.根据权利要求1所述的基于交叉可视图的睡眠心脑信号关联性分析方法，其特征在于，步骤S3具体为：
S3-1、计算睡眠心电信号的可视度概率分布，Xofp和Xcfp分别为睡眠心电信号的前向原始可视度概率和交叉可视度概率，Xobp和Xcbp为睡眠心电信号的后向原始可视度概率和交叉可视度概率；
其中，pxoft＝xoft/∑txoft为睡眠心电信号前向原始可视序列Xof中元素xoft在该序列中的概率，pxcft＝xcft/∑txcft为睡眠心电信号前向交叉可视度序列Xcf中元素xcft在该序列中的概率，pxobt＝xobt/∑txobt睡眠心电信号后向原始可视序列Xob中元素xobt在该序列中的概率，pxcbt＝xcbt/∑txcbt为睡眠心电信号后向交叉可视度序列Xcb中元素xcbt在该序列中的概率；
S3-2、采用基于减法的Ys计算睡眠心电信号的前向原始-交叉可视度概率差异性XfOC和后向原始-交叉可视度概率差异性XbOC；
在概率差异的计算中，需要保证Ys的非负性，在Ys<pxoft,pxcft>中，pxoft>pxcft，否则将Ys<pxoft,pxcft>互换为Ys<pxcft,pxoft＞；
S3-3、计算睡眠心电的原始-交叉可视度概率差异XOC＝(XfOC+XbOC)/2。
3.根据权利要求1所述的基于交叉可视图的睡眠心脑信号关联性分析方法，其特征在于，步骤S4具体为：
S4-1、计算睡眠脑电信号的可视度概率分布，Yofp和Ycfp分别为睡眠脑电信号的前向原始和交叉可视度概率，Yobp和Ycbp为睡眠脑电信号的后向原始和交叉可视度概率；
其中，pyoft＝yoft/∑tyoft为睡眠脑电信号前向原始可视序列Xof中元素xoft在该序列中的概率，pycft＝ycft/∑tycft为睡眠脑电信号前向交叉可视度序列Ycf中元素ycft在该序列中的概率，pyobt＝yobt/∑tyobt为睡眠脑电信号后向原始可视序列Yob中元素yobt在该序列中的概率，pycbt＝ycbt/∑tycbt为睡眠脑电信号后向交叉可视度序列Ycb中元素ycbt在该序列中的概率；
S4-2、采用基于减法的Ys计算睡眠脑电信号的前向原始-交叉可视度概率差异性YfOC和后向原始-交叉可视度概率差异性YbOC；
在概率差异的计算中，需要保证Ys的非负性，在Ys<pyoft,pycft>中，pyoft>pycft，否则将Ys<pyoft,pycft>互换为Ys<pycft,pyoft>；
S4-3、计算睡眠脑电的原始-交叉可视度概率差异YOC＝(YfOC+YbOC)/2。
4.根据权利要求1所述的基于交叉可视图的睡眠心脑信号关联性分析方法，其特征在于，步骤S5具体为：
S5-1、判断睡眠心电和脑电的交叉可视因果关系；
如果XOC>YOC，则睡眠脑电信号对心电的影响更大，脑电信号为驱动因子，心电信号为响应因子；反之，则说明心电信号为驱动因子，脑电信号为响应因子；
S5-2、计算睡眠心电和脑电的交叉可视因果XYVG＝|XOC-YOC|。
CN202210124585.2A 2022-02-10 2022-02-10 基于交叉可视图的睡眠心脑信号关联性分析方法 Active CN114515156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210124585.2A CN114515156B (zh) 2022-02-10 2022-02-10 基于交叉可视图的睡眠心脑信号关联性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210124585.2A CN114515156B (zh) 2022-02-10 2022-02-10 基于交叉可视图的睡眠心脑信号关联性分析方法

Publications (2)

Publication Number Publication Date
CN114515156A CN114515156A (zh) 2022-05-20
CN114515156B true CN114515156B (zh) 2023-09-15

Family

ID=81596852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210124585.2A Active CN114515156B (zh) 2022-02-10 2022-02-10 基于交叉可视图的睡眠心脑信号关联性分析方法

Country Status (1)

Country Link
CN (1) CN114515156B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024099561A1 (en) * 2022-11-10 2024-05-16 Huawei Technologies Co., Ltd. Head-wearable sensing apparatus

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198623A (zh) * 2017-12-15 2018-06-22 东软集团股份有限公司 人体身体状态检测方法、装置、存储介质及电子设备
CN110584596A (zh) * 2019-07-15 2019-12-20 天津大学 基于双输入卷积神经网络的睡眠阶段分类方法及应用
CN113413158A (zh) * 2021-05-28 2021-09-21 中国矿业大学 基于多路可视图的健康与心脏疾病患者ecg信号识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190000375A1 (en) * 2017-06-29 2019-01-03 Koninklijke Philips N.V. Method to increase ahi estimation accuracy in home sleep tests
FR3070590B1 (fr) * 2017-09-05 2019-09-06 Universite De Rennes 1 Methode d'evaluation de maturation d'un bebe premature et systeme associe

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198623A (zh) * 2017-12-15 2018-06-22 东软集团股份有限公司 人体身体状态检测方法、装置、存储介质及电子设备
CN110584596A (zh) * 2019-07-15 2019-12-20 天津大学 基于双输入卷积神经网络的睡眠阶段分类方法及应用
CN113413158A (zh) * 2021-05-28 2021-09-21 中国矿业大学 基于多路可视图的健康与心脏疾病患者ecg信号识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Coupling between time series: A network view;S. Mehraban 等;A Letters Journal Exploring The Frontiers of Physics;第50011-p1-p6页 *
时间不可逆系统的量化分析;王俊 等;陕西师范大学学报（自然科学版）;第63-68页 *

Also Published As

Publication number Publication date
CN114515156A (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
Paoletti et al. Discovering dangerous patterns in long-term ambulatory ECG recordings using a fast QRS detection algorithm and explorative data analysis
CN105286890B (zh) 一种基于脑电信号的驾驶员瞌睡状态监测方法
CN111407243B (zh) 一种基于深度学习的脉搏信号压力识别方法
Al-Nuaimi et al. Tsallis entropy as a biomarker for detection of Alzheimer's disease
CN113017627B (zh) 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法
CN115804573A (zh) 一种睡眠深度量化及干预的方法、系统和装置
CN114515156B (zh) 基于交叉可视图的睡眠心脑信号关联性分析方法
CN114391846B (zh) 一种基于过滤式特征选择的情绪识别方法及系统
CN110037693A (zh) 一种基于面部表情和eeg的情绪分类方法
CN113796874B (zh) 一种基于张量分解模型的多元脑电数据识别分析方法
CN115363599A (zh) 一种用于心房颤动识别的心电信号处理方法及系统
CN110472595B (zh) 脑电信号的识别模型构建方法、装置以及识别方法、装置
Li et al. Multi-modal emotion recognition based on deep learning of EEG and audio signals
CN116150591B (zh) 一种睡眠感官应激水平检测量化的方法、系统和装置
CN116705247B (zh) 基于局部分解的睡眠可持续性检测调节方法、系统和装置
Xun et al. ECG signal feature selection for emotion recognition
CN115414050A (zh) 一种实现情绪识别的eeg脑网络最大团检测方法及系统
CN111481193A (zh) 一种跌倒风险评估与预警方法及系统
CN114145745B (zh) 基于图的多任务自监督情绪识别方法
CN116027888A (zh) 一种基于plv动态脑功能网络的p300意图识别方法
CN111493896A (zh) 一种基于eeg设备的大规模抑郁自动化早筛预警与干预智能系统
Ni et al. Dynamic multivariate multiscale entropy based analysis on brain death diagnosis
Sun et al. MEEG-Transformer: Transformer Network based on Multi-domain EEG for Emotion Recognition
CN116269244B (zh) 基于眼动的睡眠记忆情感张力量化的方法、系统和装置
Li et al. A Particle Swarm Algorithm‐Guided Psychological Stress Analysis to ECG Signal Collecting

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