CN114886388B - 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 - Google Patents

一种麻醉深度监测过程中脑电信号质量的评估方法及装置 Download PDF

Info

Publication number
CN114886388B
CN114886388B CN202210812511.8A CN202210812511A CN114886388B CN 114886388 B CN114886388 B CN 114886388B CN 202210812511 A CN202210812511 A CN 202210812511A CN 114886388 B CN114886388 B CN 114886388B
Authority
CN
China
Prior art keywords
artifact
frequency
signal
electroencephalogram
quality
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
CN202210812511.8A
Other languages
English (en)
Other versions
CN114886388A (zh
Inventor
郑元庄
郁奕飞
徐天昊
珠淮
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.)
Zhejiang Pearlcare Medical Technology Co ltd
Original Assignee
Zhejiang Pearlcare Medical Technology Co ltd
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 Zhejiang Pearlcare Medical Technology Co ltd filed Critical Zhejiang Pearlcare Medical Technology Co ltd
Priority to CN202210812511.8A priority Critical patent/CN114886388B/zh
Publication of CN114886388A publication Critical patent/CN114886388A/zh
Application granted granted Critical
Publication of CN114886388B publication Critical patent/CN114886388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/48Other medical applications
    • A61B5/4821Determining level or depth of anaesthesia
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/369Electroencephalography [EEG]
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221Determining signal validity, reliability or quality
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation

Landscapes

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

Abstract

本发明涉及脑电信号质量评估技术领域,具体是一种麻醉深度监测过程中脑电信号质量的评估方法及装置,用于对单通道脑电信号质量进行评价,其中方法包括以下步骤:S1,通过脑电采集模块采集原始脑电信号,所述原始脑电信号包含工频及多种伪迹;S2,对原始脑电信号滤波处理,通过去除原始脑电信号中的工频及校正信号基线以获得滤波后脑电信号,并获取125Hz恒流源信号;S3,对滤波后脑电信号进行伪迹识别,并计算伪迹占比率;S4,对125Hz恒流源信号进行分析,并计算电极接触阻抗指标;S5,根据步骤S3所得伪迹占比率、步骤S4所得电极接触阻抗指标,对脑电信号进行质量评估。

Description

一种麻醉深度监测过程中脑电信号质量的评估方法及装置
技术领域
本发明涉及脑电信号质量评估技术领域,特别是一种麻醉深度监测过程中脑电信号质量的评估方法及装置。
背景技术
在临床手术过程中,麻醉是一个必不可少的环节。为了使患者获得一个安全舒适的手术过程,精确的麻醉监测是一项重要的工作。脑电信号作为一种脑部活动的测量技术,通过对脑神经细胞生物电活动的描记,能够在一定程度上反映大脑功能状态,其与大脑的觉醒状态改变有着密切的联系,因此它是麻醉深度监测的一种重要判断依据。
由于脑电信号是一种具有很高时变敏感性的生理信号,其的电位很低,一般只有不到
Figure 85859DEST_PATH_IMAGE001
,因此,在采集过程中极易受到无关干扰源的污染(尤其是在复杂的手术环境中),这些干扰源有来自受试者本身的,如眨眼、眼动、肌肉运动等,也有来自环境中的电磁干扰,如来自电外科手术设备、除颤脉冲及其他的监控设备等射频干扰,而这些干扰带来的各种各样的EEG伪迹,使得脑电信号本身的特征被它们所掩盖,对脑电信号的解释、分析造成了很大困难,容易导致麻醉深度监测发生误判,从而影响手术的安全进行。
信号质量评估不是直接进行去噪、特征提取等处理,而是根据信号自身的特点或是噪声的特点进行具体分析,选取影响信号质量的各个因素指标,再建立起评价信号质量好坏的标准。
而在麻醉深度监测中,脑电信号质量也是受多种噪声影响,且每种噪声都对脑电的影响都带有模糊性,没有绝对界限。
发明内容
本发明的目的在于:鉴于背景技术之缘由,为了确保脑电信号对麻醉状态分析的准确性,提出了一种麻醉深度监测过程中脑电信号质量的评估方法,用于对单通道脑电信号质量进行评价,具体可以采用模糊综合评价法进行评估。
为了实现上述目的,本发明采用了如下技术方案:
一种麻醉深度监测过程中脑电信号质量的评估方法,包括以下步骤:
S1,通过脑电采集模块采集原始脑电信号,所述原始脑电信号包含工频及多种伪迹;
S2,对原始脑电信号滤波处理,通过去除原始脑电信号中的工频及校正信号基线以获得滤波后脑电信号,并获取125Hz恒流源信号;
S3,对滤波后脑电信号进行伪迹识别,并计算伪迹占比率;
S4,对125Hz恒流源信号进行分析,并计算电极接触阻抗指标;
S5,根据步骤S3所得伪迹占比率、步骤S4所得电极接触阻抗指标,对脑电信号进行质量评估。
进一步地,所述多种伪迹包括低频眼电伪迹、高频肌电伪迹及环境干扰伪迹。
进一步地,步骤S3中对滤波后脑电信号进行伪迹识别,并计算伪迹占比率的方法包括:
S31,识别低频眼电伪迹并计算低频眼电伪迹占比率;
S32,识别高频肌电伪迹并计算高频肌电伪迹占比率;
S33,识别环境干扰伪迹并计算环境干扰伪迹占比率。
进一步地,步骤S31中识别低频眼电伪迹的方法包括:
S311,利用带通滤波提取1-10Hz之间的低频脑电信号;
S312,对提取的低频脑电信号寻找其所有的局部极大值;
S313,对找到的所有局部极大值进行高斯核密度估计,对于任意的局部极大值
Figure 312441DEST_PATH_IMAGE002
,其高斯核密度估计表达式为:
Figure 85225DEST_PATH_IMAGE003
其中
Figure 907819DEST_PATH_IMAGE005
是高斯估计函数,
Figure 348027DEST_PATH_IMAGE006
是获取信号局部极大值,i=1,2,…,n,n为局部极大值的个数,K是核平滑函数,
Figure 479931DEST_PATH_IMAGE007
是带宽;
S314,寻找高斯估计函数曲线的第一个极小值点,确定为低频眼电伪迹干扰阈值;
S315,根据所述低频眼电伪迹干扰阈值识别所述低频脑电信号上的低频眼电伪迹。
进一步地,步骤S31中计算低频眼电伪迹占比率的方法包括:
S316,通过步骤S2获得的滤波后脑电信号的长度为
Figure 756323DEST_PATH_IMAGE008
,将长度为
Figure 366296DEST_PATH_IMAGE008
的滤波后脑电信号划分为
Figure 661011DEST_PATH_IMAGE009
帧,根据所述低频眼电伪迹干扰阈值识别每一帧上是否存在低频眼电伪迹,如果存在,则记该帧为低频眼电伪迹帧,统计所有低频眼电伪迹帧并相加,得到低频眼电伪迹长度
Figure 735057DEST_PATH_IMAGE010
S317,将得到的低频眼电伪迹长度按如下公式计算:
低频眼电伪迹占比率:
Figure 482433DEST_PATH_IMAGE011
进一步地,步骤S32中识别高频肌电伪迹的方法包括:
S321,在时间尺度上,将滤波后脑电信号划分为
Figure 161676DEST_PATH_IMAGE012
帧,采用滑动窗口技术对脑电信号进行频谱估计;
S322,得到频谱估计结果后,计算每一帧的30-100Hz功率值;
S323,取窗口长度为
Figure 61630DEST_PATH_IMAGE013
,滑动步长为
Figure 800916DEST_PATH_IMAGE014
,则将30-100Hz功率序列
Figure 786321DEST_PATH_IMAGE015
划分成
Figure 3675DEST_PATH_IMAGE016
个小窗,其中
Figure 7403DEST_PATH_IMAGE017
Figure 402744DEST_PATH_IMAGE018
Figure 390291DEST_PATH_IMAGE019
Figure 411337DEST_PATH_IMAGE020
的长度,再对每个小窗采用期望最大算法进行背景估计并得到背景功率序列;
S324,利用得到的背景功率序列去除功率序列
Figure 17374DEST_PATH_IMAGE020
的背景成分,得到序列
Figure 832883DEST_PATH_IMAGE021
S325,对序列
Figure 42148DEST_PATH_IMAGE021
利用广义极端学生化偏差确定高频肌电伪迹干扰阈值;
S326,根据所述高频肌电伪迹干扰阈值识别脑电信号上的高频肌电伪迹。
进一步地,步骤S32中计算高频肌电伪迹占比率的方法包括:
S327,通过步骤S2获得的滤波后脑电信号的长度为
Figure 86458DEST_PATH_IMAGE022
,将长度为
Figure 64779DEST_PATH_IMAGE022
的滤波后脑电信号划分为
Figure 51189DEST_PATH_IMAGE023
帧,根据所述高频肌电伪迹干扰阈值识别每一帧上是否存在高频肌电伪迹,如果存在,则记该帧为高频肌电伪迹帧,统计所有高频肌电伪迹帧并相加,得到高频肌电伪迹长度
Figure 498482DEST_PATH_IMAGE024
S328,将得到的高频肌电伪迹长度按如下公式计算:
高频肌电伪迹占比率:
Figure 861331DEST_PATH_IMAGE025
进一步地,步骤S33中识别环境干扰伪迹的方法包括:
S331,取滤波后脑电信号的绝对幅值,并利用局部极大值方法提取绝对幅值信号的包络线;
S332,利用广义极端学生化偏差确定环境干扰伪迹干扰阈值;
S333,根据所述环境干扰伪迹干扰阈值识别滤波后脑电信号上的环境干扰伪迹。
进一步地,步骤S33中计算环境干扰伪迹占比率的方法包括:
S334,通过步骤S2获得的滤波后脑电信号的长度为
Figure 428578DEST_PATH_IMAGE026
,将长度为
Figure 602202DEST_PATH_IMAGE026
的滤波后脑电信号划分为
Figure 520479DEST_PATH_IMAGE027
帧,根据所述环境干扰伪迹干扰阈值识别每一帧上是否存在环境干扰伪迹,如果存在,则记该帧为环境干扰伪迹帧,统计所有环境干扰伪迹帧并相加,得到环境干扰伪迹长度
Figure 421439DEST_PATH_IMAGE028
S335,将得到的环境干扰伪迹长度按如下公式计算:
环境干扰伪迹占比率:
Figure 108772DEST_PATH_IMAGE029
进一步地,步骤S4中计算电极接触阻抗指标的方法包括:
S41,将125Hz的恒流源信号划分成
Figure 450367DEST_PATH_IMAGE030
段,计算每一段平均峰峰值
Figure 590362DEST_PATH_IMAGE031
S42,电极接触阻抗指标的计算公式如下:
Figure 560592DEST_PATH_IMAGE032
其中
Figure 853164DEST_PATH_IMAGE033
为电极接触阻抗指标,w,y为固定参数。
进一步地,步骤S5中对脑电信号进行质量评估的方法包括:
S51,所述多种伪迹包括低频眼电伪迹、高频肌电伪迹及环境干扰伪迹,设
Figure 617858DEST_PATH_IMAGE034
为滤波后脑电信号的因素集,其中
Figure 245148DEST_PATH_IMAGE035
为低频眼电伪迹占比率、
Figure 973064DEST_PATH_IMAGE036
为高频肌电伪迹占比率、
Figure 900568DEST_PATH_IMAGE037
为环境干扰伪迹占比率、
Figure 836163DEST_PATH_IMAGE038
为电极接触阻抗指标;
Figure 701482DEST_PATH_IMAGE039
为脑电信号的评价集,其代表的性能等级分别为
Figure 747936DEST_PATH_IMAGE040
为优、
Figure 529947DEST_PATH_IMAGE041
为良好、
Figure 118667DEST_PATH_IMAGE042
为差,对应的模糊值为
Figure 986129DEST_PATH_IMAGE043
S52,定义脑电信号质量的因素集权向量
Figure 836273DEST_PATH_IMAGE044
,其中
Figure 223523DEST_PATH_IMAGE045
代表每个因素对脑电质量影响的重要程度,
Figure 235341DEST_PATH_IMAGE046
S53,对每个因素
Figure 324520DEST_PATH_IMAGE047
进行量化,确定从单因素看被评对象对各个等级模糊子集的隶属度,进而得到模糊关系矩阵:
Figure 463509DEST_PATH_IMAGE048
其中
Figure 954533DEST_PATH_IMAGE049
(
Figure 137252DEST_PATH_IMAGE050
Figure 713727DEST_PATH_IMAGE051
)表示某个被评对象从因素
Figure 656407DEST_PATH_IMAGE052
来看对
Figure 736358DEST_PATH_IMAGE053
评价模糊子集的隶属度,
Figure 621137DEST_PATH_IMAGE054
(j=1,2,3)对应评价集
Figure 432711DEST_PATH_IMAGE055
S54,模糊关系矩阵
Figure 897191DEST_PATH_IMAGE056
通过K次抛物线形函数作为质量等级的隶属度函数来得到,隶属度函数表示为:
Figure 97228DEST_PATH_IMAGE057
Figure 903641DEST_PATH_IMAGE058
Figure 189129DEST_PATH_IMAGE059
其中
Figure 722878DEST_PATH_IMAGE060
Figure 528154DEST_PATH_IMAGE061
Figure 489157DEST_PATH_IMAGE062
分别为对应质量等级
Figure 527520DEST_PATH_IMAGE063
Figure 350114DEST_PATH_IMAGE064
Figure 524743DEST_PATH_IMAGE065
的隶属度函数,
Figure 656647DEST_PATH_IMAGE066
Figure 664530DEST_PATH_IMAGE067
Figure 805661DEST_PATH_IMAGE068
Figure 834797DEST_PATH_IMAGE069
表示每个影响因素在对应信号等级的临界值;
脑电信号的模糊综合评价模型为:
Figure 872023DEST_PATH_IMAGE070
其中,B为脑电信号的模糊综合评价模型,b通过因素集权向量A和模糊关系矩阵
Figure 635711DEST_PATH_IMAGE071
结算出来的结果;
那么通过加权平均法得到脑电信号质量,即
Figure 314954DEST_PATH_IMAGE072
其中SQI为通过加权平均法得到的脑电信号质量,c为对应的模糊值,b是通过因素集权向量A和模糊关系矩阵
Figure 198597DEST_PATH_IMAGE073
结算出来的结果。
实现麻醉深度监测过程中脑电信号质量的评估方法的装置,所述装置包括:
脑电采集模块,用于采集原始脑电信号;
信号滤波模块,连接脑电采集模块以处理原始脑电信号;
伪迹识别模块,连接信号滤波模块以用于伪迹识别;
抗组计算模块,连接信号滤波模块以用于计算电极接触阻抗指标;
脑电信号质量评估单元,分别连接所述伪迹识别模块和所述抗组计算模块,所述脑电信号质量评估单元用于结合伪迹识别模块和抗组计算模块处理后的脑电信号做质量评估。
本发明的有益效果在于:
本发明的提出的一种麻醉深度监测过程中脑电信号质量的评估方法,为了能够确保脑电信号对麻醉状态分析的准确性,从而需要改麻醉深度监测过程中脑电信号质量的评估方法对单通道脑电信号质量进行评价,具体可以采用模糊综合评价法进行评估。
具体地,本发明方法根据脑电信号自身的特点或是噪声的特点进行具体分析,对原始脑电信号滤波处理,去除信号中的工频、校正信号基线及获取125Hz恒流源信号,选取影响信号质量的各个因素指标(比如包含有低频眼电伪迹、高频肌电伪迹及环境干扰伪迹这些多种伪迹的伪迹占比率,和电极接触阻抗指标),再建立起评价信号质量好坏的标准。
虽然,麻醉深度监测中,脑电信号质量受多种伪迹噪声影响,且每种伪迹噪声都对脑电信号的影响都带有模糊性,没有绝对界限。
但是,本发明方法根据麻醉深度过程中脑电信号及干扰噪声的特点,针对肌电(产生高频肌电伪迹)、眼电(产生低频眼电伪迹)、手术环境中的电磁干扰(产生环境干扰伪迹)以及传感器的电极接触阻抗(电极接触阻抗值)等主要干扰脑电信号的因素,选取高频肌电伪迹占比率、低频眼电伪迹占比率、环境干扰伪迹占比率以及电极接触阻抗值等定量指标,通过模糊综合评价法来对脑电信号进行质量评估。
附图说明
图1为本发明的装置实现麻醉深度监测过程中脑电信号质量的评估的方法流程示意图;
图2为本发明的麻醉深度监测过程中脑电信号质量的评估方法流程图;
图3为本发明的对滤波后脑电信号进行伪迹识别并计算伪迹占比率的方法流程图;
图4为本发明的识别低频眼电伪迹方法流程图;
图5为本发明的含低频眼电伪迹的脑电信号的局部极大值直方图分布示意图;
图6为本发明的含低频眼电伪迹的脑电信号示意图;
图7为本发明的1-10Hz低频脑电信号及其局部极大值分布示意图;
图8为本发明的低频眼电伪迹识别示意图;
图9为本发明的识别高频肌电伪迹方法流程图;
图10为本发明的含高频肌电伪迹的脑电信号示意图;
图11为本发明的30-100Hz脑电信号功率值及提取的背景功率示意图;
图12为本发明的移除背景功率之后脑电信号30-100Hz的功率示意图;
图13为本发明的识别环境干扰伪迹方法流程图;
图14为本发明的存在环境干扰伪迹的脑电信号示意图;
图15为本发明的脑电信号的绝对幅值包络和伪迹阈值示意图;
图16为本发明的对原始脑电信号滤波处理的方法流程图;
图17为本发明的原始脑电信号示意图;
图18为本发明的滤波后脑电信号示意图;
图19为本发明的125Hz恒流源信号示意图。
图中:
脑电采集模块-1001;信号滤波模块-1002;伪迹识别模块-1003;抗阻计算模块-1004;脑电信号质量评估单元-1005。
具体实施方式
下面结合附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
为解决上述问题,根据麻醉深度过程中脑电信号及干扰噪声的特点,针对肌电、眼电、手术环境中的电磁干扰以及传感器的电极接触阻抗等主要干扰脑电信号的因素,选取高频伪迹占比率、低频伪迹占比率、环境干扰伪迹占比率以及电极接触阻抗值等定量指标,来对脑电信号进行质量评估。
参阅图1-19,提供了一种麻醉深度监测过程中脑电信号质量的评估方法及装置,其中图1重点示出了本发明的装置实现麻醉深度监测过程中脑电信号质量的评估的方法流程示意图。
具体的,图1、图2,一方面提供一种麻醉深度监测过程中脑电信号质量的评估方法,脑电信号质量的评估方法可以包括以下步骤:S1,通过脑电采集模块采集原始脑电信号,所述原始脑电信号包含工频及多种伪迹;S2,对原始脑电信号滤波处理,通过去除原始脑电信号中的工频及校正信号基线以获得滤波后脑电信号,并获取125Hz恒流源信号;S3,对滤波后脑电信号进行伪迹识别,并计算伪迹占比率;S4,对125Hz恒流源信号进行分析,并计算电极接触阻抗指标;S5,根据步骤S3所得伪迹占比率、步骤S4所得电极接触阻抗指标,对脑电信号进行质量评估。
在一些实施例中,以简单的人为设定基波和滤波阈值,以去除各种伪迹,由此提取脑电信号并进行质量评估。
本公开实施例中,该麻醉深度监测过程中脑电信号质量的评估方法,用于对单通道脑电信号质量进行评价,步骤S1通过脑电采集模块采集原始脑电信号,在采集过程中极易受到无关干扰源的污染,所述原始脑电信号包含工频及多种伪迹;这些干扰源有来自受试者本身的,如眨眼、眼动、肌肉运动等,也有其他干扰(来自环境中的电磁干扰),如来自电外科手术设备、除颤脉冲及其他的监控设备等射频干扰,而这些干扰带来的各种各样的EEG伪迹。所以我们对麻醉深度监测过程中脑电信号质量进行评估,检测脑电信号质量的稳定性的方法中步骤S2便是对脑电采集模块采集的原始脑电信号滤波处理,以去除信号中的工频、校正信号基线及获取125Hz恒流源信号;然后再在此基础上进行步骤S3对滤波后脑电信号进行伪迹识别,并计算伪迹占比率;和步骤S4对125Hz恒流源信号进行分析,并计算电极接触阻抗指标;然后步骤S5根据步骤S3所得伪迹占比率、步骤S4所得电极接触阻抗指标,对脑电信号进行质量评估。
其中步骤S4对125Hz恒流源信号进行分析,计算电极接触阻抗指标,电极接触阻抗是指脑电采集模块的用于连接人体头部以完成生理信号采集的传感器电极与人体之间的抗阻。是直接体现脑电采集模块的电极与人体头部之间连接是否可靠、有效与稳定的最直接的体现。比如说抗阻持续持较大幅度变化,那么我们判断传感器电极是否与人体头部连接不稳定;或者抗阻过大,超出我们预估值,那么我们就可以判断传感器电极是否与人体连接不可靠。出现以上因素能体现出脑电信号质量不佳,提醒人工干预检查。比如抗阻持续稳定,或波动值处于预想设定范围,那么判断传感器电极与人体连接可靠,同时也是体现脑电信号质量较好的因素之一。
本公开实施例中,由于脑电信号的采集一般通过干电极或者湿电极连接到人体头部完成生理信号(脑电信号)的采集。由于脑电信号很容易受到采集区域皮肤以及组织的内部阻抗影响,故进一步降低传感器阻抗,并保证连接状态下阻抗稳定性就尤为重要。脑电采集前端与大脑连接部分阻抗的稳定性、准确性会直接影响脑电信号采集的可靠性和准确性。
这里阻抗指标计算步骤如下:
(1)将125Hz的恒流源信号划分成
Figure 423036DEST_PATH_IMAGE074
段,计算每一段平均峰峰值
Figure 392129DEST_PATH_IMAGE075
(2)阻抗指标的计算公式如下:
Figure 609483DEST_PATH_IMAGE076
其中
Figure 363944DEST_PATH_IMAGE077
为电极接触阻抗指标,w,y为固定参数。
从上述可知,原始脑电信号在采集过程中极易受到无关干扰源的污染,所以原始脑电信号包含工频及多种伪迹;所述多种伪迹包含来自受试者本身的,如眨眼(低频眼电伪迹)、眼动(低频眼电伪迹)、和肌肉运动(高频肌电伪迹),也有其他干扰(环境干扰伪迹),如来自电外科手术设备、除颤脉冲及其他的监控设备等射频干扰,而这些干扰带来各种各样的EEG伪迹。在此分析基础上,可进一步地对多种伪迹进行识别,并计算分别计算对应的伪迹的占比率以用于脑电信号的质量评估。
本公开实施例中,如图3所示,在上述基础上,步骤S3中对滤波后脑电信号进行伪迹识别,并计算伪迹占比率方法包括:S31,识别低频眼电伪迹并计算低频眼电伪迹占比率;S32,识别高频肌电伪迹并计算高频肌电伪迹占比率;S33,识别环境干扰伪迹并计算环境干扰伪迹占比率。并以步骤S3所得低频眼电伪迹占比率、高频肌电伪迹占比率和环境干扰伪迹占比率为依据,结合步骤S4所得电极接触阻抗指标,对脑电信号质量进行评估。
由于麻醉深度监测中,脑电信号质量也是受多种噪声影响,且每种噪声都对脑电信号的影响都带有模糊性,没有绝对界限。所以,本方法根据麻醉深度过程中脑电信号及干扰噪声的特点,针对低频眼电伪迹、高频肌电伪迹和环境干扰伪迹等主要干扰脑电信号的因素,选取高频伪迹占比率、低频伪迹占比率、环境干扰伪迹占比率以及电极接触阻抗值等定量指标,步骤S5通过模糊综合评价法来对脑电信号进行质量评估。
本公开实施例中,步骤S5中脑电信号进行质量评估的方法如下:
S51,所述多种伪迹包括有低频眼电伪迹、高频肌电伪迹及环境干扰伪迹,设
Figure 8552DEST_PATH_IMAGE078
为滤波后脑电信号的因素集,其中
Figure 730520DEST_PATH_IMAGE079
为低频眼电伪迹占比率、
Figure 499369DEST_PATH_IMAGE080
为高频肌电伪迹占比率、
Figure 357603DEST_PATH_IMAGE081
为环境干扰伪迹占比率、
Figure 438692DEST_PATH_IMAGE082
为电极接触阻抗指标;
Figure 867530DEST_PATH_IMAGE083
为脑电信号的评价集,其代表的性能等级分别为
Figure 426687DEST_PATH_IMAGE084
为优、
Figure 405008DEST_PATH_IMAGE085
为良好、
Figure 391418DEST_PATH_IMAGE086
为差,对应的模糊值为
Figure 838711DEST_PATH_IMAGE087
S52,定义脑电信号质量的因素集权向量
Figure 935980DEST_PATH_IMAGE088
,其中
Figure 768807DEST_PATH_IMAGE089
代表每个因素对脑电质量影响的重要程度,
Figure 676851DEST_PATH_IMAGE090
S53,对每个因素
Figure 595129DEST_PATH_IMAGE091
进行量化,确定从单因素看被评对象对各个等级模糊子集的隶属度,进而得到模糊关系矩阵:
Figure 496089DEST_PATH_IMAGE092
其中
Figure 196804DEST_PATH_IMAGE093
(
Figure 525017DEST_PATH_IMAGE094
Figure 930591DEST_PATH_IMAGE095
)表示某个被评对象从因素
Figure 385974DEST_PATH_IMAGE096
来看对
Figure 927814DEST_PATH_IMAGE097
评价模糊子集(评价等级)的隶属度,
Figure 692507DEST_PATH_IMAGE098
(j=1,2,3)对应评价集
Figure 70530DEST_PATH_IMAGE099
S54,模糊关系矩阵
Figure 313293DEST_PATH_IMAGE100
通过K次抛物线形函数作为质量等级的隶属度函数来得到,隶属度函数表示为:
Figure 240797DEST_PATH_IMAGE101
Figure 910813DEST_PATH_IMAGE102
Figure 776132DEST_PATH_IMAGE103
其中
Figure 88165DEST_PATH_IMAGE104
Figure 604597DEST_PATH_IMAGE105
Figure 482333DEST_PATH_IMAGE106
分别为对应质量等级
Figure 818637DEST_PATH_IMAGE107
Figure 668781DEST_PATH_IMAGE108
Figure 790452DEST_PATH_IMAGE109
的隶属度函数,
Figure 67850DEST_PATH_IMAGE110
Figure 157028DEST_PATH_IMAGE111
Figure 296017DEST_PATH_IMAGE112
Figure 787041DEST_PATH_IMAGE113
表示每个影响因素在对应信号等级的临界值;
脑电信号的模糊综合评价模型为:
Figure 969761DEST_PATH_IMAGE114
其中,B为脑电信号的模糊综合评价模型,b是通过因素集权向量A和模糊关系矩阵
Figure 296968DEST_PATH_IMAGE115
结算出来的结果;
那么通过加权平均法得到脑电信号质量,即
Figure 223336DEST_PATH_IMAGE116
其中SQI为通过加权平均法得到的脑电信号质量,c为对应的模糊值,b是通过因素集权向量A和模糊关系矩阵
Figure 834445DEST_PATH_IMAGE117
结算出来的结果。
SQI值体现为脑电信号的质量评分,V为对应的质量等级标准,我们计算出相应的脑电信号质量SQI值后,将SQI值根据划定的脑电信号等级V标准进行比较判断脑电信号质量。比如,我们假定评估标准是:性能等级分别为
Figure 188066DEST_PATH_IMAGE118
为优、
Figure 999640DEST_PATH_IMAGE119
为良好、
Figure 995278DEST_PATH_IMAGE120
为差,假定SQI≥0.9时的性能等级为
Figure 211627DEST_PATH_IMAGE121
为优,0.9>SQI≥0.5时的性能等级为
Figure 736149DEST_PATH_IMAGE122
为良好,SQI<0.5时的性能等级为
Figure 287216DEST_PATH_IMAGE123
为差。
举例来说,如果计算结果SQI=0.3就属于获得的脑电信号质量性能等级为
Figure 837277DEST_PATH_IMAGE124
为差,如果计算结果SQI=0.95就属于获得的脑电信号质量性能等级为
Figure 891821DEST_PATH_IMAGE125
为优,如果计算结果SQI=0.7就属于获得的脑电信号质量性能等级为
Figure 852824DEST_PATH_IMAGE126
为良好。
关于SQI的值,我们假设脑电信号的因素集为U=
Figure 907498DEST_PATH_IMAGE127
,其中k值是根据相应的伪迹占比率或电极接触阻抗指标等数影响因素对应信号等级的临界值,体现为各因素对脑电信号影响程度,假定其中每个因素对应的临界值
Figure 979360DEST_PATH_IMAGE128
分别为
Figure 888410DEST_PATH_IMAGE129
Figure 33696DEST_PATH_IMAGE130
Figure 293776DEST_PATH_IMAGE131
Figure 434907DEST_PATH_IMAGE132
,则将其代入步骤S54计算,
Figure 949196DEST_PATH_IMAGE133
,并进行归一化,可以建立模糊映射为:
Figure 517581DEST_PATH_IMAGE134
Figure 999378DEST_PATH_IMAGE135
Figure 429353DEST_PATH_IMAGE136
Figure 312996DEST_PATH_IMAGE137
。根据上述模糊映射建立的模糊关系矩阵:
Figure 52281DEST_PATH_IMAGE138
根据权重分配,假设权重
Figure 37686DEST_PATH_IMAGE139
,得到脑电信号质量的综合评价结果:
Figure 255041DEST_PATH_IMAGE140
最后根据给定的信号等级
Figure 258769DEST_PATH_IMAGE141
Figure 903377DEST_PATH_IMAGE142
Figure 373148DEST_PATH_IMAGE143
对应的模糊值
Figure 128614DEST_PATH_IMAGE144
计算得到脑电信号质量
Figure 252428DEST_PATH_IMAGE145
以我们上面所假设的信号评估标准,因为
Figure 553091DEST_PATH_IMAGE146
小于0.9且大于0.5,所以属于获得的脑电信号质量性能等级为
Figure 762355DEST_PATH_IMAGE147
为良好。
在本公开实施例中,步骤S2,对原始脑电信号滤波处理,通过去除原始脑电信号中的工频及校正信号基线以获得滤波后脑电信号,并获取125Hz恒流源信号。如图16所示,其方法包括步骤S21和S22,具体如下:
S21,首先是,将原始脑电信号利用切比雪夫二型带阻滤波器作为陷波滤除50Hz工频干扰;其次是,利用切比雪夫二型低通滤波器滤除高频100Hz无关信号;最后是,利用切比雪夫二型高通滤波器调整0.5Hz信号基线;经过上述方法处理后获得滤波后脑电信号。
S22,将原始脑电信号,利用切比雪夫二型带通滤波器获取125Hz恒流源信号;从而获得125Hz恒流源信号。
经过上述步骤S21和S22处理后的滤波后脑电信号可进一步通过步骤S3以对滤波后脑电信号进行伪迹识别,并计算伪迹占比率;获得的125Hz恒流源信号能够通过步骤S4以对125Hz恒流源信号进行分析,并计算电极接触阻抗指标;上述步骤S3、S4获得的结果最后可以用于通过步骤S5的方法对脑电信号进行质量评估。
如附图17,示出了原始脑电信号的示意图,原始脑电信号包含了工频及多种伪迹。经过步骤S21处理后,获得了如图18所述的滤波后脑电信号。然后对原始脑电信号经过步骤S22处理后,便可获得如图19所示的125Hz恒流源信号。
低频眼电伪迹是脑电信号中经常存在的一种伪迹,尤其是在清醒阶段其出现频繁且影响巨大。低频眼电伪迹在脑电信号中的属于低频的干扰,其通常影响的频率范围为10Hz以下的脑电信号,同时幅值相较于正常状态下的脑电信号要远远来得大。
在一些实施例中,单通道脑电信号中低频眼电伪迹的识别常用的方法是根据幅值(或其能量包络)来识别。然而,在麻醉深度监测过程中,麻醉状态下的脑电信号相较于正常清醒或睡眠状态下的脑电信号具有更大的幅值,其有一部分区间与低频眼电伪迹重叠,所以直接利用幅值来识别低频眼电伪迹的方法并不可行、不可靠。
本公开实施例中,经步骤S2滤波处理后的单通道脑电信号(滤波后脑电信号)如图6所示,滤波后脑电信号包含有低频眼电伪迹,但是可以通过步骤S31的方法识别脑电信号中包含的低频眼电伪迹,如图4,示出了滤波后脑电信号中低频眼电伪迹的识别流程,具体步骤如下:
S311,利用带通滤波提取1-10Hz之间的低频脑电信号,获得了如图7所示的1-10Hz低频脑电信号;
S312,如图7中标记所示,对提取的低频脑电信号寻找其所有的局部极大值;
S313,对找到的所有局部极大值进行高斯核密度估计,即对任意的局部极大值
Figure 321512DEST_PATH_IMAGE148
,其高斯核密度估计表达式为:
Figure 50565DEST_PATH_IMAGE149
其中
Figure 36976DEST_PATH_IMAGE005
是高斯估计函数,
Figure 202378DEST_PATH_IMAGE150
是获取信号局部极大值,i=1,2,…,n,n为局部极大值的个数,K是核平滑函数,
Figure 315958DEST_PATH_IMAGE151
是带宽;
S314,寻找高斯估计函数曲线的第一个极小值点,确定为低频眼电伪迹干扰阈值;
如图5示出的局部极大值直方分布图,其中曲线即是核密度高斯估计函数曲线
Figure 148785DEST_PATH_IMAGE152
,高斯估计函数曲线的第一个极小值点如图中阈值所指,然后根据该低频眼电伪迹干扰阈值便可判断到比如图中右侧部分的低频眼电伪迹分布。
S315,根据所述低频眼电伪迹干扰阈值识别所述低频脑电信号上的低频眼电伪迹。即如图8所示,图中框选区域即为识别出的低频眼电伪迹片段。
本公开实施例中,低频眼电伪迹占比率通过如下方法计算:
S316,通过步骤S2获得的滤波后脑电信号的长度为
Figure 571676DEST_PATH_IMAGE153
,将长度为
Figure 224375DEST_PATH_IMAGE153
的滤波后脑电信号划分为
Figure 138716DEST_PATH_IMAGE154
帧,根据所述低频眼电伪迹干扰阈值识别每一帧上是否存在低频眼电伪迹,如果存在,则记该帧为低频眼电伪迹帧,统计所有低频眼电伪迹帧并相加,得到低频眼电伪迹长度
Figure 91629DEST_PATH_IMAGE155
S317,将得到的低频眼电伪迹长度按如下公式计算:
低频眼电伪迹占比率:
Figure 419842DEST_PATH_IMAGE156
在干扰脑电信号的各种电生理信号伪迹中,高频肌电伪迹也是非常常见且主要存在的,其主要影响脑电信号高频成分,特别是在脑电信号
Figure 310569DEST_PATH_IMAGE157
节律上,幅值相较于正常的脑电信号一般来的大。然而,在不同的生理状态下,脑电信号的高频呈现出不同背景信号,其幅值存在较大差异,而这些背景信号往往在麻醉深度监测中是有用的信息。因此,简单地利用幅值信息不能准确识别高频肌电伪迹的。
本公开实施例中,步骤S32用以识别高频肌电伪迹,如图9,示出了识别高频肌电伪迹的方法流程,具体如下:
S321,将图10所示的含有高频肌电伪迹的脑电信号(滤波后脑电信号),其图中方框框选部分标识的是高频肌电伪迹的位置,在时间尺度上,将滤波后脑电信号划分为
Figure 15220DEST_PATH_IMAGE158
帧,采用滑动窗口技术对脑电信号进行频谱估计;
S322,得到频谱估计结果后,计算每一帧的30-100Hz功率值;
S323,取窗口长度为
Figure 557059DEST_PATH_IMAGE159
,滑动步长为
Figure 72486DEST_PATH_IMAGE160
,则将30-100Hz功率序列
Figure 965355DEST_PATH_IMAGE161
划分成
Figure 208118DEST_PATH_IMAGE162
个小窗,其中
Figure 620776DEST_PATH_IMAGE163
Figure 290791DEST_PATH_IMAGE164
Figure 405378DEST_PATH_IMAGE165
Figure 465213DEST_PATH_IMAGE166
的长度,再对每个小窗采用期望最大算法进行背景估计;
如图11所示的30-100Hz脑电信号功率值及提取的背景功率图,图中功率值所指曲线即为步骤S322计算所得的每一帧的30-100Hz功率值曲线,再对每个小窗采用期望最大算法进行背景估计并得到背景功率序列;然后在根据以下步骤继续操作;
S324,利用得到的背景功率序列去除功率序列
Figure 716066DEST_PATH_IMAGE166
的背景成分,得到序列
Figure 822562DEST_PATH_IMAGE167
,移除背景功率之后的脑电信号30-100Hz的功率结果如图12所示;
S325,对序列
Figure 440757DEST_PATH_IMAGE167
利用广义极端学生化偏差(GESD)的检验标准确定高频肌电伪迹干扰阈值;
S326,根据所述高频肌电伪迹干扰阈值识别脑电信号上的高频肌电伪迹。
如图12所示,图中的水平虚线就是我们所确定的高频肌电伪迹干扰阈值。
其中,高频肌电伪迹占比率通过方法如下方法计算:
S327,通过步骤S2获得的滤波后脑电信号的长度为
Figure 25322DEST_PATH_IMAGE168
,将长度为
Figure 661839DEST_PATH_IMAGE168
的滤波后脑电信号划分为
Figure 673658DEST_PATH_IMAGE169
帧,根据所述高频肌电伪迹干扰阈值识别每一帧上是否存在高频肌电伪迹,如果存在,则记该帧为高频肌电伪迹帧,统计所有高频肌电伪迹帧并相加,得到高频肌电伪迹长度
Figure 513569DEST_PATH_IMAGE170
S328,将得到的高频肌电伪迹长度按如下公式计算:
高频肌电伪迹占比率:
Figure 901825DEST_PATH_IMAGE171
环境干扰伪迹为术中环境干扰,术中环境干扰相较于脑电信号而言,其幅值一般远远大于脑电信号,如图13示出了步骤S33识别环境干扰伪迹的步骤流程,具体如下:
S331,取滤波后脑电信号的绝对幅值,并利用局部极大值方法提取绝对幅值信号的包络线;
S332,利用广义极端学生化偏差(GESD)的检验标准确定环境干扰伪迹干扰阈值;
S333,根据所述环境干扰伪迹干扰阈值识别滤波后脑电信号上的环境干扰伪迹。
如图14为存在环境干扰伪迹的脑电信号(滤波后脑电信号),其中方框标识位置为存在的环境干扰伪迹。图14的脑电信号经步骤S331后获得的绝对幅值信号的包络线如图15所示,其中水平虚线体现步骤S332确定的环境干扰伪迹干扰阈值。
其中,环境干扰伪迹占比率通过方法如下方法计算:
S334,通过步骤S2获得的滤波后脑电信号的长度为
Figure 127270DEST_PATH_IMAGE172
,将长度为
Figure 591880DEST_PATH_IMAGE172
的滤波后脑电信号划分为
Figure 168355DEST_PATH_IMAGE173
帧,根据所述环境干扰伪迹干扰阈值识别每一帧上是否存在环境干扰伪迹,如果存在,则记该帧为环境干扰伪迹帧,统计所有环境干扰伪迹帧并相加,得到环境干扰伪迹长度
Figure 94723DEST_PATH_IMAGE174
S335,将得到的环境干扰伪迹长度按如下公式计算:
环境干扰伪迹占比率:
Figure 453636DEST_PATH_IMAGE175
另一方面,出于与上述方案相同的技术构思,提供一种实现上述麻醉深度监测过程中脑电信号质量的评估方法的装置,如图1,图1为本发明装置通过上述方法实现脑电质量评估的流程图,装置包括:
脑电采集模块1001,用于采集原始脑电信号;
脑电采集模块1001,用于采集原始脑电信号;
信号滤波模块1002,连接脑电采集模块以处理原始脑电信号;
伪迹识别模块1003,连接信号滤波模块以用于伪迹识别;
抗组计算模块1004,连接信号滤波模块以用于计算电极接触阻抗指标;
脑电信号质量评估单元1005,分别连接所述伪迹识别模块和抗组计算模块,所述脑电信号质量评估单元用于结合伪迹识别模块和抗组计算模块处理后的脑电信号做质量评估。
所述装置的工作方法包括:
S1,通过脑电采集模块1001采集原始脑电信号,原始脑电信号包含工频及多种伪迹;
S2,通过信号滤波模块1002对原始脑电信号滤波处理,通过去除原始脑电信号中的工频及校正信号基线以获得滤波后脑电信号,并获取125Hz恒流源信号;
S3,通过伪迹识别模块1003对脑电信号进行伪迹识别,并计算伪迹占比率;
S4,通过抗阻计算模块1004对125Hz恒流源信号进行分析,并计算电极接触阻抗指标;
S5,通过脑电信号质量评估单元1005根据步骤S3所得伪迹占比率、步骤S4所得电极接触阻抗指标,对脑电信号进行质量评估。对脑电信号进行质量评估的计算方法具体可按步骤S51-S54所记载的方法进行评估。
其中,步骤S5脑电信号进行质量评估方法采用模糊综合评价法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种麻醉深度监测过程中脑电信号质量的评估方法,其特征在于,包括以下步骤:
S1,通过脑电采集模块采集原始脑电信号,所述原始脑电信号包含工频及多种伪迹;所述多种伪迹包括低频眼电伪迹、高频肌电伪迹及环境干扰伪迹;
S2,对原始脑电信号滤波处理,通过去除原始脑电信号中的工频及校正信号基线以获得滤波后脑电信号,并获取125Hz恒流源信号,方法包括:
S21,将原始脑电信号利用切比雪夫二型带阻滤波器作为陷波滤除50Hz工频干扰;利用切比雪夫二型低通滤波器滤除高频100Hz无关信号;利用切比雪夫二型高通滤波器调整0.5Hz信号基线;经过上述方法处理后获得滤波后脑电信号;
S22,将原始脑电信号,利用切比雪夫二型带通滤波器获取125Hz恒流源信号;从而获得125Hz恒流源信号;
S3,对滤波后脑电信号进行伪迹识别,并计算伪迹占比率,方法包括:
S31,识别低频眼电伪迹并计算低频眼电伪迹占比率;
S32,识别高频肌电伪迹并计算高频肌电伪迹占比率;
S33,识别环境干扰伪迹并计算环境干扰伪迹占比率;
S4,对125Hz恒流源信号进行分析,并计算电极接触阻抗指标,方法包括:
S41,将125Hz的恒流源信号划分成
Figure 421926DEST_PATH_IMAGE001
段,计算每一段平均峰峰值
Figure 145031DEST_PATH_IMAGE002
S42,电极接触阻抗指标的计算公式如下:
Figure 428245DEST_PATH_IMAGE003
其中
Figure 578604DEST_PATH_IMAGE004
为电极接触阻抗指标,w,y为固定参数;
S5,根据步骤S3所得伪迹占比率、步骤S4所得电极接触阻抗指标,对脑电信号进行质量评估;
步骤S31中识别低频眼电伪迹的方法包括:
S311,利用带通滤波提取1-10Hz之间的低频脑电信号;
S312,对提取的低频脑电信号寻找其所有的局部极大值;
S313,对找到的所有局部极大值进行高斯核密度估计,对于任意的局部极大值
Figure 314478DEST_PATH_IMAGE005
,其高斯核密度估计表达式为:
Figure 838345DEST_PATH_IMAGE006
其中
Figure DEST_PATH_IMAGE007
是高斯估计函数,
Figure 163016DEST_PATH_IMAGE008
是获取信号局部极大值,i=1,2,…,n,n为局部极大值的个数,K是核平滑函数,
Figure 359642DEST_PATH_IMAGE009
是带宽;
S314,寻找高斯估计函数曲线的第一个极小值点,确定为低频眼电伪迹干扰阈值;
S315,根据所述低频眼电伪迹干扰阈值识别所述低频脑电信号上的低频眼电伪迹;
步骤S31中计算低频眼电伪迹占比率的方法包括:
S316,通过步骤S2获得的滤波后脑电信号的长度为
Figure 441868DEST_PATH_IMAGE010
,将长度为
Figure 506776DEST_PATH_IMAGE011
的滤波后脑电信号划分为
Figure 499002DEST_PATH_IMAGE012
帧,根据所述低频眼电伪迹干扰阈值识别每一帧上是否存在低频眼电伪迹,如果存在,则记该帧为低频眼电伪迹帧,统计所有低频眼电伪迹帧并相加,得到低频眼电伪迹长度
Figure 991164DEST_PATH_IMAGE013
S317,将得到的低频眼电伪迹长度按如下公式计算:
低频眼电伪迹占比率:
Figure 826264DEST_PATH_IMAGE014
步骤S5中对脑电信号进行质量评估的方法包括:
S51,所述多种伪迹包括低频眼电伪迹、高频肌电伪迹及环境干扰伪迹,设
Figure 429284DEST_PATH_IMAGE015
为滤波后脑电信号的因素集,其中
Figure 276017DEST_PATH_IMAGE016
为低频眼电伪迹占比率、
Figure 942010DEST_PATH_IMAGE017
为高频肌电伪迹占比率、
Figure 264407DEST_PATH_IMAGE018
为环境干扰伪迹占比率、
Figure 546483DEST_PATH_IMAGE019
为电极接触阻抗指标;
Figure 372357DEST_PATH_IMAGE020
为脑电信号的评价集,其代表的性能等级分别为
Figure 471900DEST_PATH_IMAGE021
为优、
Figure 750434DEST_PATH_IMAGE022
为良好、
Figure 836202DEST_PATH_IMAGE023
为差,对应的模糊值为
Figure 516582DEST_PATH_IMAGE024
S52,定义脑电信号质量的因素集权向量
Figure 52606DEST_PATH_IMAGE025
,其中
Figure 693803DEST_PATH_IMAGE026
代表每个因素对脑电质量影响的重要程度,
Figure 442316DEST_PATH_IMAGE027
S53,对每个因素
Figure 239852DEST_PATH_IMAGE028
进行量化,确定从单因素看被评对象对各个等级模糊子集的隶属度,进而得到模糊关系矩阵:
Figure 681198DEST_PATH_IMAGE029
其中
Figure 809691DEST_PATH_IMAGE030
(
Figure 361895DEST_PATH_IMAGE031
Figure 751288DEST_PATH_IMAGE032
)表示某个被评对象从因素
Figure 363535DEST_PATH_IMAGE033
来看对
Figure 979324DEST_PATH_IMAGE034
评价模糊子集的隶属度,
Figure 600798DEST_PATH_IMAGE035
(j=1,2,3)对应评价集
Figure 110277DEST_PATH_IMAGE036
S54,模糊关系矩阵
Figure 503212DEST_PATH_IMAGE037
通过K次抛物线形函数作为质量等级的隶属度函数来得到,隶属度函数表示为:
Figure 730931DEST_PATH_IMAGE038
Figure 627867DEST_PATH_IMAGE039
Figure 398377DEST_PATH_IMAGE040
其中
Figure 821268DEST_PATH_IMAGE041
Figure 536283DEST_PATH_IMAGE042
Figure 233981DEST_PATH_IMAGE043
分别为对应质量等级
Figure 593418DEST_PATH_IMAGE044
Figure 718369DEST_PATH_IMAGE045
Figure 655101DEST_PATH_IMAGE046
的隶属度函数,
Figure 156489DEST_PATH_IMAGE047
Figure 370433DEST_PATH_IMAGE048
Figure 666285DEST_PATH_IMAGE049
Figure 110821DEST_PATH_IMAGE050
表示每个影响因素在对应信号等级的临界值;
脑电信号的模糊综合评价模型为:
Figure 150321DEST_PATH_IMAGE051
其中,B为脑电信号的模糊综合评价模型,b通过因素集权向量A和模糊关系矩阵
Figure 484351DEST_PATH_IMAGE052
结算出来的结果;
那么通过加权平均法得到脑电信号质量,即
Figure 951104DEST_PATH_IMAGE053
其中SQI为通过加权平均法得到的脑电信号质量,c为对应的模糊值,b是通过因素集权向量A和模糊关系矩阵
Figure 862428DEST_PATH_IMAGE054
结算出来的结果。
2.根据权利要求1所述的麻醉深度监测过程中脑电信号质量的评估方法,其特征在于,步骤S32中识别高频肌电伪迹的方法包括:
S321,在时间尺度上,将滤波后脑电信号划分为
Figure 315406DEST_PATH_IMAGE055
帧,采用滑动窗口技术对脑电信号进行频谱估计;
S322,得到频谱估计结果后,计算每一帧的30-100Hz功率值;
S323,取窗口长度为
Figure 894155DEST_PATH_IMAGE056
,滑动步长为
Figure 531810DEST_PATH_IMAGE057
,则将30-100Hz功率序列
Figure 805796DEST_PATH_IMAGE058
划分成
Figure 187099DEST_PATH_IMAGE059
个小窗,其中
Figure 354775DEST_PATH_IMAGE060
Figure 304277DEST_PATH_IMAGE061
Figure 661964DEST_PATH_IMAGE062
Figure 112537DEST_PATH_IMAGE063
的长度,再对每个小窗采用期望最大算法进行背景估计并得到背景功率序列;
S324,利用得到的背景功率序列去除功率序列
Figure 134720DEST_PATH_IMAGE064
的背景成分,得到序列
Figure 989544DEST_PATH_IMAGE065
S325,对序列
Figure 362756DEST_PATH_IMAGE066
利用广义极端学生化偏差确定高频肌电伪迹干扰阈值;
S326,根据所述高频肌电伪迹干扰阈值识别脑电信号上的高频肌电伪迹。
3.根据权利要求2所述的麻醉深度监测过程中脑电信号质量的评估方法,其特征在于,步骤S32中计算高频肌电伪迹占比率的方法包括:
S327,通过步骤S2获得的滤波后脑电信号的长度为
Figure 85861DEST_PATH_IMAGE067
,将长度为
Figure 103496DEST_PATH_IMAGE067
的滤波后脑电信号划分为
Figure 519434DEST_PATH_IMAGE068
帧,根据所述高频肌电伪迹干扰阈值识别每一帧上是否存在高频肌电伪迹,如果存在,则记该帧为高频肌电伪迹帧,统计所有高频肌电伪迹帧并相加,得到高频肌电伪迹长度
Figure 114363DEST_PATH_IMAGE069
S328,将得到的高频肌电伪迹长度按如下公式计算:
高频肌电伪迹占比率:
Figure 641160DEST_PATH_IMAGE070
4.根据权利要求1所述的麻醉深度监测过程中脑电信号质量的评估方法,其特征在于,步骤S33中识别环境干扰伪迹的方法包括:
S331,取滤波后脑电信号的绝对幅值,并利用局部极大值方法提取绝对幅值信号的包络线;
S332,利用广义极端学生化偏差确定环境干扰伪迹干扰阈值;
S333,根据所述环境干扰伪迹干扰阈值识别滤波后脑电信号上的环境干扰伪迹。
5.根据权利要求4所述的麻醉深度监测过程中脑电信号质量的评估方法,其特征在于,步骤S33中计算环境干扰伪迹占比率的方法包括:
S334,通过步骤S2获得的滤波后脑电信号的长度为
Figure 247721DEST_PATH_IMAGE071
,将长度为
Figure 831631DEST_PATH_IMAGE071
的滤波后脑电信号划分为
Figure 913856DEST_PATH_IMAGE072
帧,根据所述环境干扰伪迹干扰阈值识别每一帧上是否存在环境干扰伪迹,如果存在,则记该帧为环境干扰伪迹帧,统计所有环境干扰伪迹帧并相加,得到环境干扰伪迹长度
Figure 978764DEST_PATH_IMAGE073
S335,将得到的环境干扰伪迹长度按如下公式计算:
环境干扰伪迹占比率:
Figure 970991DEST_PATH_IMAGE074
6.实现权利要求1-5中任一所述的麻醉深度监测过程中脑电信号质量的评估方法的装置,其特征在于,包括:
脑电采集模块,用于采集原始脑电信号;
信号滤波模块,连接脑电采集模块以处理原始脑电信号;
伪迹识别模块,连接信号滤波模块以用于伪迹识别;
抗组计算模块,连接信号滤波模块以用于计算电极接触阻抗指标;
脑电信号质量评估单元,分别连接所述伪迹识别模块和所述抗组计算模块,所述脑电信号质量评估单元用于结合伪迹识别模块和抗组计算模块处理后的脑电信号做质量评估。
CN202210812511.8A 2022-07-12 2022-07-12 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 Active CN114886388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210812511.8A CN114886388B (zh) 2022-07-12 2022-07-12 一种麻醉深度监测过程中脑电信号质量的评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210812511.8A CN114886388B (zh) 2022-07-12 2022-07-12 一种麻醉深度监测过程中脑电信号质量的评估方法及装置

Publications (2)

Publication Number Publication Date
CN114886388A CN114886388A (zh) 2022-08-12
CN114886388B true CN114886388B (zh) 2022-11-22

Family

ID=82729905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210812511.8A Active CN114886388B (zh) 2022-07-12 2022-07-12 一种麻醉深度监测过程中脑电信号质量的评估方法及装置

Country Status (1)

Country Link
CN (1) CN114886388B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992219B (zh) * 2023-09-07 2023-12-26 博睿康科技(常州)股份有限公司 基于噪声检测指标的信号质量表征单元、噪声源定位方法
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
CN117322895B (zh) * 2023-11-23 2024-04-09 浙江普可医疗科技有限公司 一种基于传感器阻抗脑电状态动态监测装置
CN117838064B (zh) * 2024-03-05 2024-05-24 江西杰联医疗设备有限公司 麻醉监测装置
CN118370549B (zh) * 2024-06-21 2024-09-03 天津医科大学总医院 一种用于麻醉深度监测的脑电信号数据管理方法
CN118542646B (zh) * 2024-07-24 2024-10-01 大连云间来客科技有限公司 一种基于人工智能的麻醉深度监测系统
CN118576216B (zh) * 2024-08-06 2024-10-15 江西杰联医疗设备有限公司 伪迹抑制能力评估方法、装置、电子设备及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7299088B1 (en) * 2002-06-02 2007-11-20 Nitish V Thakor Apparatus and methods for brain rhythm analysis
CN101259015A (zh) * 2007-03-06 2008-09-10 李小俚 一种脑电信号分析监测方法及其装置
CN101474070A (zh) * 2009-01-21 2009-07-08 电子科技大学 一种脑电信号中眼电伪迹的去除方法
CN101869477A (zh) * 2010-05-14 2010-10-27 北京工业大学 一种自适应脑电信号中眼电伪迹的自动去除方法
CN105615877A (zh) * 2016-02-22 2016-06-01 广州视源电子科技股份有限公司 癫痫脑电信号特征的定位方法及其系统
CN105877766A (zh) * 2016-06-21 2016-08-24 东北大学 一种基于多生理信号融合的精神状态检测系统及方法
CN106236083A (zh) * 2016-09-21 2016-12-21 广州视源电子科技股份有限公司 睡眠状态分析中去除眼电伪迹的设备
CN106648087A (zh) * 2016-12-12 2017-05-10 西北工业大学 一种基于意识任务的特征eeg处理方法
CN108714027A (zh) * 2018-03-26 2018-10-30 中国人民解放军第四军医大学 一种用于实时测量多路电极/头皮接触阻抗的装置及测量方法
CN108932476A (zh) * 2018-05-31 2018-12-04 中国地质大学(武汉) 基于量化误差优化高斯混合模型的高频振荡节律检测方法
CN109299647A (zh) * 2018-07-24 2019-02-01 东南大学 一种面向车辆控制的多任务运动想象脑电特征提取及模式识别方法
CN110269609A (zh) * 2019-07-08 2019-09-24 江苏理工学院 基于单通道的脑电信号中眼电伪迹分离方法
CN110292376A (zh) * 2018-03-22 2019-10-01 深圳先进技术研究院 去除脑电信号中眼电伪迹的方法、装置、设备及存储介质
CN110740681A (zh) * 2017-06-14 2020-01-31 昆腾医疗公司 用于估计患者的脑血容量和/或脑血流量和/或麻醉深度的系统和方法
CN110916631A (zh) * 2019-12-13 2020-03-27 东南大学 基于可穿戴生理信号监测的学生课堂学习状态评测系统
CN113110743A (zh) * 2021-04-20 2021-07-13 中国人民解放军63919部队 一种并行脑眼融合系统和方法
CN113288170A (zh) * 2021-05-13 2021-08-24 浙江大学 一种基于模糊处理的脑电信号标定方法
CN113397552A (zh) * 2021-05-12 2021-09-17 肇庆美兰特科技有限公司 一种新型脑电信号采集方法及系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8277385B2 (en) * 2009-02-04 2012-10-02 Advanced Brain Monitoring, Inc. Method and apparatus for non-invasive assessment of hemodynamic and functional state of the brain
US8838226B2 (en) * 2009-12-01 2014-09-16 Neuro Wave Systems Inc Multi-channel brain or cortical activity monitoring and method
CN102184415B (zh) * 2011-05-17 2013-01-02 重庆大学 一种基于脑电信号的疲劳状态识别方法
WO2016013596A1 (ja) * 2014-07-22 2016-01-28 株式会社 脳機能研究所 脳活動測定装置、プログラム、及び方法
US10318833B2 (en) * 2015-01-16 2019-06-11 Puneet Agarwal System and method for person identification and personality assessment based on EEG signal
JP6761468B2 (ja) * 2015-07-17 2020-09-23 クァンティウム メディカル エスエレ 覚醒、鎮静及び全身麻酔中の意識、痛み及び侵害受容のレベルを評価するデバイス及び方法
CN105342604B (zh) * 2015-11-10 2018-08-07 中国航天员科研训练中心 基于脑电幅频特性的ica伪迹识别与去除方法及装置
CN107212883B (zh) * 2017-05-24 2019-10-18 天津理工大学 一种基于脑电控制的机械臂写字装置及控制方法
KR102045559B1 (ko) * 2017-09-05 2019-11-18 고려대학교 산학협력단 뇌 네트워크 분석을 통한 마취 및 의식 심도 모니터링 방법 및 장치
US11000224B2 (en) * 2017-09-05 2021-05-11 Korea University Research And Business Foundation Method and apparatus of monitoring anaesthesia and consciousness depth through brain network analysis
CN111867448A (zh) * 2017-12-22 2020-10-30 波尓瑟兰尼提公司 用于计算脑活动的指示的方法和系统
CN112438701A (zh) * 2019-08-16 2021-03-05 浙江象立医疗科技有限公司 一种基于光电融合的血液参数和电生理参数的检测方法
CN111012341B (zh) * 2020-01-08 2022-04-22 东南大学 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法
CN112294340A (zh) * 2020-10-27 2021-02-02 中国科学院苏州生物医学工程技术研究所 快速自动去除肌电伪迹的方法、系统、存储介质及计算机设备
CN112401906B (zh) * 2020-11-10 2021-12-14 河北省科学院应用数学研究所 一种基于幅值的自动脑电去伪迹方法
CN112641449A (zh) * 2020-12-18 2021-04-13 浙江大学 一种基于eeg信号的脑神经功能状态检测的快速评估方法
CN114081503A (zh) * 2021-11-18 2022-02-25 江苏科技大学 去除脑电信号中眼电伪迹的方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7299088B1 (en) * 2002-06-02 2007-11-20 Nitish V Thakor Apparatus and methods for brain rhythm analysis
CN101259015A (zh) * 2007-03-06 2008-09-10 李小俚 一种脑电信号分析监测方法及其装置
CN101474070A (zh) * 2009-01-21 2009-07-08 电子科技大学 一种脑电信号中眼电伪迹的去除方法
CN101869477A (zh) * 2010-05-14 2010-10-27 北京工业大学 一种自适应脑电信号中眼电伪迹的自动去除方法
CN105615877A (zh) * 2016-02-22 2016-06-01 广州视源电子科技股份有限公司 癫痫脑电信号特征的定位方法及其系统
CN105877766A (zh) * 2016-06-21 2016-08-24 东北大学 一种基于多生理信号融合的精神状态检测系统及方法
CN106236083A (zh) * 2016-09-21 2016-12-21 广州视源电子科技股份有限公司 睡眠状态分析中去除眼电伪迹的设备
CN106648087A (zh) * 2016-12-12 2017-05-10 西北工业大学 一种基于意识任务的特征eeg处理方法
CN110740681A (zh) * 2017-06-14 2020-01-31 昆腾医疗公司 用于估计患者的脑血容量和/或脑血流量和/或麻醉深度的系统和方法
CN110292376A (zh) * 2018-03-22 2019-10-01 深圳先进技术研究院 去除脑电信号中眼电伪迹的方法、装置、设备及存储介质
CN108714027A (zh) * 2018-03-26 2018-10-30 中国人民解放军第四军医大学 一种用于实时测量多路电极/头皮接触阻抗的装置及测量方法
CN108932476A (zh) * 2018-05-31 2018-12-04 中国地质大学(武汉) 基于量化误差优化高斯混合模型的高频振荡节律检测方法
CN109299647A (zh) * 2018-07-24 2019-02-01 东南大学 一种面向车辆控制的多任务运动想象脑电特征提取及模式识别方法
CN110269609A (zh) * 2019-07-08 2019-09-24 江苏理工学院 基于单通道的脑电信号中眼电伪迹分离方法
CN110916631A (zh) * 2019-12-13 2020-03-27 东南大学 基于可穿戴生理信号监测的学生课堂学习状态评测系统
CN113110743A (zh) * 2021-04-20 2021-07-13 中国人民解放军63919部队 一种并行脑眼融合系统和方法
CN113397552A (zh) * 2021-05-12 2021-09-17 肇庆美兰特科技有限公司 一种新型脑电信号采集方法及系统
CN113288170A (zh) * 2021-05-13 2021-08-24 浙江大学 一种基于模糊处理的脑电信号标定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
无先验参考的脑电信号伪迹去除方法;陆竹风等;《机械与电子》;20170424(第04期);75-80 *
脑电中眼电伪迹的自动识别与去除;李明爱等;《北京生物医学工程》;20181213(第06期);13-19 *

Also Published As

Publication number Publication date
CN114886388A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN114886388B (zh) 一种麻醉深度监测过程中脑电信号质量的评估方法及装置
EP3692904B1 (en) Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence
Faezipour et al. A patient-adaptive profiling scheme for ECG beat classification
US20210267530A1 (en) Multiclass classification method for the estimation of eeg signal quality
CN107530015B (zh) 一种生命体征分析方法与系统
CN105942974A (zh) 一种基于低频脑电的睡眠分析方法及系统
CN103405225B (zh) 一种获取疼感评测指标的方法、装置及设备
CN111012345A (zh) 眼部疲劳度检测系统及方法
KR101510522B1 (ko) 심전도 신호 분류 시스템
CN113907742A (zh) 睡眠呼吸数据的监测方法及装置
CN113100776B (zh) 一种融合肌电和心电信号的疲劳监测系统及方法
CN107865638A (zh) 计算机可读存储介质、入耳式耳塞检测装置
CN114041784A (zh) 基于商用Wi-Fi的双人步态病症判断装置
CN103876731B (zh) 一种胎儿心电信号提取装置及方法
Dhiman et al. Artifact removal from EEG recordings–an overview
CN110063726B (zh) 一种心电信号单导联f波提取方法和装置
CN116369853A (zh) 一种基于脑机交互技术的嗅觉功能标准化评估装置及方法
CN114237383B (zh) 基于前额单导联脑电信号的多状态识别方法
CN112932509B (zh) 一种眼电信号捡拾与优化分析方法及装置
Dembrani et al. Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE
CN112971786A (zh) 一种基于脑肌电信号小波相干系数的卒中康复评估方法
Li et al. Ocular Artifact Removal Algorithm of Single Channel EEG Based on CEEMDAN-ICA-WTD
Migotina et al. Automatic artifacts detection and classification in sleep EEG Signals using descriptive statistics and histogram analysis: comparison of two detectors
Tian et al. Modeling and reconstructing textile sensor noise: Implications for wearable technology
CN112043262B (zh) 一种新生儿脑电信号伪差的识别系统和方法

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