CN114847971A - 确定性正弦干预同步压缩变换纺锤波提取方法及其应用 - Google Patents
确定性正弦干预同步压缩变换纺锤波提取方法及其应用 Download PDFInfo
- Publication number
- CN114847971A CN114847971A CN202210636178.XA CN202210636178A CN114847971A CN 114847971 A CN114847971 A CN 114847971A CN 202210636178 A CN202210636178 A CN 202210636178A CN 114847971 A CN114847971 A CN 114847971A
- Authority
- CN
- China
- Prior art keywords
- signal
- spindle wave
- deterministic
- spindle
- frequency
- 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.)
- Pending
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
- A61B5/48—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
- A61B5/7235—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
-
- 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
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Anesthesiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提出了确定性正弦干预同步压缩变换纺锤波提取方法及其应用,包括以下步骤:包括以下步骤:S00、采集睡眠期间脑电数据;S10、对睡眠期间脑电数据进行滤波;S20、构建确定性正弦信号,对滤波信号进行希尔伯特变换;S30、通过确定性正弦干预的同步压缩变换对滤波信号进行时频谱增强;S40、获取纺锤波所在频段的瞬时频率变化曲线,并获取时频系数;S50、根据时频系数重构时域信号并滤除确定性正弦信号;S60、设定第一阈值将瞬时频率变化曲线划分出第一纺锤波区间,根据重构后的时域信号和滤波信号获取相关系谱,通过设定第二阈值将相关系数谱划分出第二纺锤波区间;S70、根据第一纺锤波区间和第二纺锤波区间确定最终纺锤波区间。
Description
技术领域
本申请涉及脑电信号分析技术,特别是涉及确定性正弦干预同步压缩变换纺锤波提取方法及其应用。
背景技术
脑电图(EEG)是临床医学日常实践中的基本工具,在睡眠健康分析中处于至关重要的地位。目前,基于PSG(Polysomnography,多导睡眠图)多导联脑电数据进行信号处理、睡眠分期、睡眠健康等研究已经比较成熟。然而,基于单导联用于日常健康监测的EEG数据信号处理、睡眠分期、消费端主动健康干预等研究方兴未艾。
在现有技术中,对于睡眠关键事件波形(如纺锤波)的监测与分离,方案均是在PSG数据上进行探索,少有能够在EEG数据上进行研究的方案。
因此目前的纺锤波方案主要是以下两种:
一、以纯数据驱动的方法(如深度学习)对关键事件波形进行监测,通过神经网络对含有纺锤波的区间进行划分;
二、基于时频分析算法,如傅里叶变换、小波分解、经验模态分解等经典算法。通过滤波或者分解算法将含有纺锤波的成分分离出来,在根据通过设定阈值等方式来确定纺锤波所在的区域。
也有部分算法结合以上两种方案,用时频分析算法来分离纺锤波成分,然后用神经网络替代阈值决策划定纺锤波所在区域。
然而,这些算法都或多或少地存在缺陷,如数据驱动的方案所监测的事件有限,且仍然基于PSG信号,算法性能有限。基于傅里叶变换、小波分解、时序相关性等经典算法,虽然可以被直接用于处理单导联信号波形监测上,但弊端极大。上述经典方法的参数过多,阈值、小波函数等难以确定,对于单导联这种个体差异大、信噪比低的EEG信号,参数难以调整。在实时的监测中,需要设定先验基(Prior Information),信号参数随时间变化,固定基对信号参数的鲁棒性较低,因此性能远远无法达到预期。即使通过联合方案弥补单个算法判定区间带来的决策误差,但是引入的阈值参数过多,在实时监测中,效果仍然不够理想。联合方案中的算法均是基于PSG数据的高信噪比信号,在单导联低信噪比信号上的性能较差。
因此,亟待一种基于确定性正弦干预同步压缩变换的纺锤波提取方法及其应用,通过确定性正弦干预同步压缩变换,有效且准确地提取睡眠脑电信号中的纺锤波,从而解决现有技术存在的问题。
发明内容
本申请实施例提供了确定性正弦干预同步压缩变换纺锤波提取方法及其应用,针对目前技术存在的诸多缺陷的问题。
本发明核心技术主要是基于确定性正弦干预同步压缩变换的纺锤波提取算法,通过确定性正弦干预同步压缩变换,有效且准确地提取睡眠脑电信号中的纺锤波。
第一方面,本申请提供了确定性正弦干预同步压缩变换纺锤波提取方法,所述方法包括以下步骤:
S00、采集含有特征纺锤波的睡眠期间脑电数据;
S10、对睡眠期间脑电数据进行滤波得到滤波信号;
S20、构建确定性正弦信号,对滤波信号进行希尔伯特变换;
S30、根据确定性正弦信号,通过确定性正弦干预的同步压缩变换对滤波信号进行时频谱增强;
S40、获取纺锤波所在频段的瞬时频率变化曲线,并获取瞬时频率变化曲线所在区域对应的时频系数;
S50、根据时频系数重构时域信号并滤除确定性正弦信号;
S60、设定第一阈值将瞬时频率变化曲线划分出第一纺锤波区间,同时根据重构后的时域信号和滤波信号获取相关系谱,通过设定第二阈值将相关系数谱划分出第二纺锤波区间;
S70、根据第一纺锤波区间和第二纺锤波区间确定最终纺锤波区间。
进一步地,步骤S20中,对滤波信号进行希尔伯特变换时,根据纺锤波所在频段的瞬时频率的平均值设定确定性正弦信号的频率,并将滤波信号的功率乘上系数作为确定性正弦信号的幅值。
进一步地,步骤S30中,具体步骤为:
在滤波信号的基础上加上确定性正弦信号,以构建新的复合信号;
对复合信号进行小波变换得到第一信号;
通过同步压缩变换对第一信号估计求出二维瞬时频率估计,并压缩第一信号的时频谱中的能量使其向二维瞬时频率估计对齐,以实现时频谱图增强。
进一步地,步骤S40中,具体步骤为:
通过预设优化迭代框架下的边缘提取算法自适应获得特异性区域,并获取预设优化迭代框架的最小优化目标;
计算最小优化目标中各个瞬时频率的平均频率并筛选位于设定区间的平均频率;
根据筛选后的平均频率对应的瞬时频率,得到纺锤波可能出现的区域第一纺锤波区间,并重新进行能量压缩重分配,得到特异性区域附近的时频系数。
进一步地,步骤S50中,具体步骤为:
根据时域系数和纺锤波的波谱对特异性区域进行时域重构,获取纺锤波特异区域的时域分量,将时域分量作为重构后的时域信号;
根据确定性正弦信号的频率构建对应的陷波滤波器,通过陷波滤波器将重构后的时域信号进行陷波滤波去除确定性正弦信号。
进一步地,步骤S60中,获取第二纺锤波区间的具体步骤为:
设定矩形窗的窗长,使其以预设步长变换;
通过矩形窗的滤波信号和时域分量滑窗,计算每个窗口相关系数,获得随窗长变换的相关系数序列;
对相关系数系列进行插值,得到随时间变化的相关系数谱;
设定第二阈值来划分相关系数谱,以得到相关系数区间作为第二纺锤波区间。
进一步地,步骤S70中,具体步骤为:
将第一纺锤波区间和第二纺锤波区间进行二值化处理,并将二值化处理后的第一纺锤波区间和第二纺锤波区间相加得到纺锤波函数;
设置预设窗函数的窗长,将纺锤波函数与窗函数的窗长卷积得到纺锤波区域;
设定第三阈值,对纺锤波区域进行划分得到最终纺锤波区间。
第二方面,本申请提供了一种确定性正弦干预同步压缩变换纺锤波提取装置,包括:
采集模块,用于采集含有特征纺锤波的睡眠期间脑电数据;
滤波模块,用于对睡眠期间脑电数据进行滤波得到滤波信号;
处理模块,用于构建确定性正弦信号,对滤波信号进行希尔伯特变换;根据确定性正弦信号,通过确定性正弦干预的同步压缩变换对滤波信号进行时频谱增强;获取纺锤波所在频段的瞬时频率变化曲线,并获取瞬时频率变化曲线所在区域对应的时频系数;根据时频系数重构时域信号并滤除确定性正弦信号;
划分模块,用于设定第一阈值将瞬时频率变化曲线划分出第一纺锤波区间,同时根据重构后的时域信号和滤波信号获取相关系谱,通过设定第二阈值将相关系数谱划分出第二纺锤波区间;
输出模块,用于根据第一纺锤波区间和第二纺锤波区间确定并输出最终纺锤波区间。
第三方面,本申请提供了一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述的确定性正弦干预同步压缩变换纺锤波提取方法。
第四方面,本申请提供了一种可读存储介质,可读存储介质中存储有计算机程序,计算机程序包括用于控制过程以执行过程的程序代码,过程包括根据上述的确定性正弦干预同步压缩变换纺锤波提取方法。
本发明的主要贡献和创新点如下:1、与现有技术相比,本申请提出了提取纺锤波特异性序列的方法,创新性引入确定性正弦干预的思想,对同步压缩变换进行干预,使得时频谱增强时更具准确性和目的性(现有技术主要集中在如何提高精度),在边缘提取算法自适应提取特异性区域时,减少和频段无关的噪声影响,而后筛选特异性区域,并重构回时域序列,并采用陷波滤波有效去除了引入的确定性正弦信号,大大减少了分离后信号的噪声干扰。同时由于不是基于PSG信号,而是基于EEG信号也就不存在算法性能有限的问题,且也不是基于傅里叶变换、小波分解、时序相关性等经典算法,也不存在参数过多,阈值、小波函数等难以确定的问题。
2、与现有技术相比,本申请不仅适用于同步压缩变换,还适用于更多有效的时频变换方案,无需设计繁杂的滤波器,具有相当优秀的噪声鲁棒性和普适性。除此之外,本申请还适用于其他不同的脑电波形,比如高频的癫痫振荡,通过该方法可以有效提取该特征波形,大大提高这些波形序列的信噪比,有助于癫痫的识别和预警。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的确定性正弦干预同步压缩变换纺锤波提取方法的流程;
图2是根据本申请实施例的纺锤波特征图;
图3是根据本申请实施例的正弦干预下纺锤波时频图;
图4是根据本申请实施例的分离的纺锤波时域图;
图5是根据本申请实施例的简略流程图;
图6是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
目前的算法都有着自己的缺陷,数据驱动的方案所监测的事件有限,且仍然基于PSG信号,算法性能有限。基于傅里叶变换、小波分解、时序相关性等经典算法,虽然可以被直接用于处理单导联信号波形监测上,但弊端极大。上述经典方法的参数过多,阈值、小波函数等难以确定,对于单导联这种个体差异大、信噪比低的EEG信号,参数难以调整。在实时的监测中,需要设定先验基(Prior Information),信号参数随时间变化,固定基对信号参数的鲁棒性较低,因此性能远远无法达到预期。即使通过联合方案弥补单个算法判定区间带来的决策误差,但是引入的阈值参数过多,在实时监测中,效果仍然不够理想。联合方案中的算法均是基于PSG数据的高信噪比信号,在单导联低信噪比信号上的性能较差。
基于此,本发明基于EEG数据能够有效对纺锤波进行监测和分离的方案来解决上述问题。
实施例一
本申请旨在提出一种基于确定性正弦干预同步压缩变换的纺锤波提取算法。
具体地,本申请实施例提供了确定性正弦干预同步压缩变换纺锤波提取方法,可以有效解决现有技术存在的问题,具体地,参考图1和图5所示,所述方法包括以下步骤:
S00、采集含有特征纺锤波的睡眠期间脑电数据;
在此步骤中,具体为:用单通道脑电采集设备按照预设的采样频率和采样时长来采集含有特征纺锤波的睡眠期间脑电数据。
S10、对睡眠期间脑电数据进行滤波得到滤波信号;
在此步骤中,具体为:根据纺锤波所在频段,对采集到的脑电数据进行11~16Hz的带通滤波,得到滤波信号。
S20、构建确定性正弦信号,对滤波信号进行希尔伯特变换,根据纺锤波所在频段的瞬时频率的平均值设定确定性正弦信号的频率,并将滤波信号的功率乘上系数作为确定性正弦信号的幅值;
在本实施例中,步骤S20的具体步骤为:
S21、设滤波后信号为x(t)对滤波信号,进行希尔伯特变换,计算x(t)对应的虚部信号y(t),具体如公式1:
其中P表示复数积分的Cauchy主值,t表示的是时间。
S22、根据虚部信号,构建x(t)对应的解析信号z(t),具体如公式2:
z(t)=x(t)+iy(t)=A(t)eiθ(t) (2)
S23、对解析信号z(t)的相位函数θ(t)求导获得频率函数ω(t),具体如公式3:
其中,A、x、y分别表示A(t)、x(t)、y(t);
S24、计算频率函数的平均值减去固定参数,以此作为确定性正弦信号的频率ωconst;
S25、计算滤波信号的平均功率乘上固定系数,以此作为确定性正弦信号的幅值Aconst;
S26、构造确定性正弦信号Aconstsin(ωconstt)。
S30、如图3所示,根据确定性正弦信号,通过确定性正弦干预的同步压缩变换对滤波信号进行时频谱增强;
在本实施例中,步骤S30的具体步骤为:
S31、在滤波信号的基础上加上确定性正弦信号,以构建新的复合信号x’(t),具体如公式4:
x’(t)=x(t)+Aconstsin(ωconstt) (4)
S32、选择Gabor小波对复合信号进行小波变换得到第一信号,具体如公式5:
其中α为小波变换的尺度参数,b为小波变换的时间平移参数,Ψ*表述对小波函数的共轭函数。
S33、通过同步压缩变换对第一信号估计求出二维瞬时频率估计,并压缩第一信号的时频谱中的能量使其向二维瞬时频率估计对齐,以实现时频谱图增强,具体如公式6:
其中,ω,δ(.)分别表示频率和冲激函数,A(b)={a,Wx(a,b)≠0},i表示单位虚数。
S40、获取纺锤波所在频段的瞬时频率变化曲线,并获取瞬时频率变化曲线所在区域对应的时频系数;
S41、通过预设优化迭代框架下的边缘提取算法自适应获得特异性区域,并获取预设优化迭代框架的最小优化目标,具体如最小优化目标的公式7:
S42、最小优化目标中含有时频能量谱中各个能量分布的瞬时频率,计算各个瞬时频率的平均频率并筛选位于设定区间的平均频率,具体如公式8:
S43、根据筛选后的平均频率对应的瞬时频率,得到纺锤波可能出现的区域第一纺锤波区间,并重新进行能量压缩重分配,得到特异性区域附近的时频系数,具体如公式9:
S50、根据(所获得的特异性区域的)时频系数重构时域信号并滤除确定性正弦信号;
S51、根据时域系数和纺锤波的波谱对特异性区域进行时域重构,获取纺锤波特异区域的时域分量,将时域分量作为重构后的时域信号,具体如公式10:
其中,P()表示三次插值函数,Tm(b)表示时频系数,Tsp(t)表示纺锤波谱,Tsp(b)表示纺锤波时频系数。
S52、根据确定性正弦信号的频率ωconst构建对应的陷波滤波器,通过陷波滤波器将重构后的时域信号进行陷波滤波去除确定性正弦信号。
S60、如图4所示,设定第一阈值将瞬时频率变化曲线划分出第一纺锤波区间,同时根据重构后的时域信号和滤波信号获取相关系谱,通过设定第二阈值将相关系数谱划分出第二纺锤波区间;
S61、设定矩形窗的窗长,使其以预设步长变换;
S62、通过矩形窗的滤波信号和时域分量滑窗,每个窗口计算相关系数,获得随窗长变换的相关系数序列;
S63、对相关系数系列进行插值,得到随时间变化的相关系数谱;
S64、设定第二阈值来划分相关系数谱,以得到相关系数区间作为第二纺锤波区间。
S70、如图1所示,根据第一纺锤波区间和第二纺锤波区间(进行联合决策)确定最终纺锤波区间。
S71、将第一纺锤波区间和第二纺锤波区间进行二值化处理,并将二值化处理后的第一纺锤波区间和第二纺锤波区间相加得到纺锤波函数;
S72、设置预设窗函数的窗长,将纺锤波函数与窗函数的窗长卷积得到纺锤波区域;
S73、设定第三阈值,对纺锤波区域进行划分得到最终纺锤波区间。
其中纺锤波特征图代表根据第一、第二阈值联合决策后的纺锤波区间,正弦干预下纺锤波信号时频图表示引入确定性正弦后将信号通过同步压缩变换转换到时频域的时频图,最后分离的纺锤波时域图表示根据提出的方法分离的纺锤波时域图。
实施例二
基于相同的构思,本申请还提出了一种确定性正弦干预同步压缩变换纺锤波提取装置,包括:
采集模块,用于采集含有特征纺锤波的睡眠期间脑电数据;
滤波模块,用于对睡眠期间脑电数据进行滤波得到滤波信号;
处理模块,用于构建确定性正弦信号,对滤波信号进行希尔伯特变换;根据确定性正弦信号,通过确定性正弦干预的同步压缩变换对滤波信号进行时频谱增强;获取纺锤波所在频段的瞬时频率变化曲线,并获取瞬时频率变化曲线所在区域对应的时频系数;根据时频系数重构时域信号并滤除确定性正弦信号;
划分模块,用于设定第一阈值将瞬时频率变化曲线划分出第一纺锤波区间,同时根据重构后的时域信号和滤波信号获取相关系谱,通过设定第二阈值将相关系数谱划分出第二纺锤波区间;
输出模块,用于根据第一纺锤波区间和第二纺锤波区间确定并输出最终纺锤波区间。
实施例三
本实施例还提供了一种电子装置,参考图6,包括存储器404和处理器402,该存储器404中存储有计算机程序,该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地,上述处理器402可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecificIntegratedCircuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制,存储器404可包括硬盘驱动器(HardDiskDrive,简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可在数据处理装置的内部或外部。在特定实施例中,存储器404是非易失性(Non-Volatile)存储器。在特定实施例中,存储器404包括只读存储器(Read-OnlyMemory,简称为ROM)和随机存取存储器(RandomAccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemo ry,简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory,简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-Onl yMemory,简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-Only Memory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(StaticRandom-Acc essMemory,简称为SRAM)或动态随机存取存储器(DynamicRandomAccessM emory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMe mory,简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRa ndom-AccessMemory,简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令,以实现上述实施例中的任意确定性正弦干预同步压缩变换纺锤波提取方法。
可选地,上述电子装置还可以包括传输设备406以及输入输出设备408,其中,该传输设备406和上述处理器402连接,该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备406可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中,输入的信息可以是脑电数据等,输出的信息可以是最终纺锤波区间等。
实施例四
本实施例还提供了一种可读存储介质,可读存储介质中存储有计算机程序,计算机程序包括用于控制过程以执行过程的程序代码,过程包括根据实施例一的确定性正弦干预同步压缩变换纺锤波提取方法。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
通常,各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现,而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现,但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现,该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行,或者由硬件来实现,或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中,并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外,在这一点上,应当注意,如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以作出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.确定性正弦干预同步压缩变换纺锤波提取方法,其特征在于,包括以下步骤:
S00、采集含有特征纺锤波的睡眠期间脑电数据;
S10、对所述睡眠期间脑电数据进行滤波得到滤波信号;
S20、构建确定性正弦信号,对所述滤波信号进行希尔伯特变换;
S30、根据所述确定性正弦信号,通过确定性正弦干预的同步压缩变换对所述滤波信号进行时频谱增强;
S40、获取纺锤波所在频段的瞬时频率变化曲线,并获取瞬时频率变化曲线所在区域对应的时频系数;
S50、根据所述时频系数重构时域信号并滤除所述确定性正弦信号;
S60、设定第一阈值将所述瞬时频率变化曲线划分出第一纺锤波区间,同时根据重构后的所述时域信号和所述滤波信号获取相关系谱,通过设定第二阈值将所述相关系数谱划分出第二纺锤波区间;
S70、根据所述第一纺锤波区间和所述第二纺锤波区间确定最终纺锤波区间。
2.如权利要求1所述的确定性正弦干预同步压缩变换纺锤波提取方法,其特征在于,步骤S20中,对所述滤波信号进行希尔伯特变换时,根据纺锤波所在频段的瞬时频率的平均值设定确定性正弦信号的频率,并将所述滤波信号的功率乘上系数作为确定性正弦信号的幅值。
3.如权利要求1所述的确定性正弦干预同步压缩变换纺锤波提取方法,其特征在于,步骤S30中,具体步骤为:
在所述滤波信号的基础上加上所述确定性正弦信号,以构建新的复合信号;
对所述复合信号进行小波变换得到第一信号;
通过同步压缩变换对所述第一信号估计求出二维瞬时频率估计,并压缩所述第一信号的时频谱中的能量使其向所述二维瞬时频率估计对齐,以实现时频谱图增强。
4.如权利要求1所述的确定性正弦干预同步压缩变换纺锤波提取方法,其特征在于,步骤S40中,具体步骤为:
通过预设优化迭代框架下的边缘提取算法自适应获得特异性区域,并获取所述预设优化迭代框架的最小优化目标;
计算所述最小优化目标中各个瞬时频率的平均频率并筛选位于设定区间的平均频率;
根据筛选后的平均频率对应的瞬时频率,得到纺锤波可能出现的区域第一纺锤波区间,并重新进行能量压缩重分配,得到所述特异性区域附近的时频系数。
5.如权利要求1所述的确定性正弦干预同步压缩变换纺锤波提取方法,其特征在于,步骤S50中,具体步骤为:
根据所述时域系数和纺锤波的波谱对所述特异性区域进行时域重构,获取纺锤波特异区域的时域分量,将所述时域分量作为重构后的时域信号;
根据所述确定性正弦信号的频率构建对应的陷波滤波器,通过所述陷波滤波器将重构后的所述时域信号进行陷波滤波去除确定性正弦信号。
6.如权利要求1所述的确定性正弦干预同步压缩变换纺锤波提取方法,其特征在于,步骤S60中,获取第二纺锤波区间的具体步骤为:
设定矩形窗的窗长,使其以预设步长变换;
通过所述矩形窗的所述滤波信号和时域分量滑窗,计算每个窗口相关系数,获得随窗长变换的相关系数序列;
对所述相关系数系列进行插值,得到随时间变化的相关系数谱;
设定第二阈值来划分所述相关系数谱,以得到相关系数区间作为第二纺锤波区间。
7.如权利要求1所述的确定性正弦干预同步压缩变换纺锤波提取方法,其特征在于,步骤S70中,具体步骤为:
将所述第一纺锤波区间和所述第二纺锤波区间进行二值化处理,并将二值化处理后的所述第一纺锤波区间和所述第二纺锤波区间相加得到纺锤波函数;
设置预设窗函数的窗长,将所述纺锤波函数与窗函数的窗长卷积得到纺锤波区域;
设定第三阈值,对纺锤波区域进行划分得到最终纺锤波区间。
8.一种确定性正弦干预同步压缩变换纺锤波提取装置,其特征在于,包括:
采集模块,用于采集含有特征纺锤波的睡眠期间脑电数据;
滤波模块,用于对睡眠期间脑电数据进行滤波得到滤波信号;
处理模块,用于构建确定性正弦信号,对滤波信号进行希尔伯特变换;根据确定性正弦信号,通过确定性正弦干预的同步压缩变换对滤波信号进行时频谱增强;获取纺锤波所在频段的瞬时频率变化曲线,并获取瞬时频率变化曲线所在区域对应的时频系数;根据时频系数重构时域信号并滤除确定性正弦信号;
划分模块,用于设定第一阈值将瞬时频率变化曲线划分出第一纺锤波区间,同时根据重构后的时域信号和滤波信号获取相关系谱,通过设定第二阈值将相关系数谱划分出第二纺锤波区间;
输出模块,用于根据第一纺锤波区间和第二纺锤波区间确定并输出最终纺锤波区间。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项所述的确定性正弦干预同步压缩变换纺锤波提取方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据权利要求1至7任一项所述的确定性正弦干预同步压缩变换纺锤波提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636178.XA CN114847971A (zh) | 2022-06-07 | 2022-06-07 | 确定性正弦干预同步压缩变换纺锤波提取方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636178.XA CN114847971A (zh) | 2022-06-07 | 2022-06-07 | 确定性正弦干预同步压缩变换纺锤波提取方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114847971A true CN114847971A (zh) | 2022-08-05 |
Family
ID=82624872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210636178.XA Pending CN114847971A (zh) | 2022-06-07 | 2022-06-07 | 确定性正弦干预同步压缩变换纺锤波提取方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114847971A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115844424A (zh) * | 2022-10-17 | 2023-03-28 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
-
2022
- 2022-06-07 CN CN202210636178.XA patent/CN114847971A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115844424A (zh) * | 2022-10-17 | 2023-03-28 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
CN115844424B (zh) * | 2022-10-17 | 2023-09-22 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brown et al. | A general description of linear time-frequency transforms and formulation of a fast, invertible transform that samples the continuous S-transform spectrum nonredundantly | |
Logesparan et al. | Optimal features for online seizure detection | |
JP6718681B2 (ja) | センサ装置、センサネットワークシステム、およびデータ圧縮方法 | |
CN109241823B (zh) | 一种基于变分模态分解和支持向量回归的信号预测方法 | |
US20100191792A1 (en) | Signal Processing with Fast S-Transforms | |
WO2012087702A1 (en) | Adaptive ecg wandering correction | |
Cranstoun et al. | Time-frequency spectral estimation of multichannel EEG using the auto-SLEX method | |
CN104251934B (zh) | 谐波分析方法和装置以及确定谐波间杂波的方法和装置 | |
JP6304691B2 (ja) | 心音雑音除去装置、その方法及びプログラム | |
Flandrin et al. | EMD equivalent filter banks, from interpretation to applications | |
CN114847971A (zh) | 确定性正弦干预同步压缩变换纺锤波提取方法及其应用 | |
CN111160146B (zh) | 基于时频转换的水电机组状态监测信号数字滤波方法、装置及系统 | |
US11540763B2 (en) | Control method and system for filtering power line interferences | |
German-Sallo | Wavelet transform based HRV analysis | |
Sreekrishna et al. | Real time cascaded moving average filter for detrending of electroencephalogram signals | |
CN114569140A (zh) | 一种纺锤波提取方法、系统、计算机设备、存储介质及程序产品 | |
Elbi et al. | Optimal signal reconstruction based on the Fourier decomposition method | |
Figliola et al. | Multifractal detrented fluctuation analysis of tonic-clonic epileptic seizures | |
Karfoul et al. | Muscle artifact removal in ictal scalp-EEG based on blind source separation | |
Lwin et al. | Applications of wavelet transform | |
Chen et al. | Hardware-based simplified discrete wavelet transform for detecting high-voltage spindles in neuron signals | |
CN117349661B (zh) | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 | |
Lewandowski et al. | Comparison of single-level and multi-level filtering systems of EEG signal | |
Miguel et al. | Reconstruction of the heart rate signal using the dominant frequencies | |
CN114259242B (zh) | 基于多时间尺度传递谱熵的功能性皮质肌肉耦合方法 |
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 |