CN115357126B - 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置 - Google Patents

一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置 Download PDF

Info

Publication number
CN115357126B
CN115357126B CN202211276703.8A CN202211276703A CN115357126B CN 115357126 B CN115357126 B CN 115357126B CN 202211276703 A CN202211276703 A CN 202211276703A CN 115357126 B CN115357126 B CN 115357126B
Authority
CN
China
Prior art keywords
wave
spindle
signal
slow
slow wave
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
CN202211276703.8A
Other languages
English (en)
Other versions
CN115357126A (zh
Inventor
魏依娜
罗曼丽
冯琳清
唐弢
张一鸣
蔡正厅
刘金标
王丽婕
麦逊
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 Lab
Original Assignee
Zhejiang Lab
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 Lab filed Critical Zhejiang Lab
Priority to CN202211276703.8A priority Critical patent/CN115357126B/zh
Publication of CN115357126A publication Critical patent/CN115357126A/zh
Application granted granted Critical
Publication of CN115357126B publication Critical patent/CN115357126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection

Landscapes

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

Abstract

本发明公开了一种睡眠慢波‑纺锤波耦合信号的提取方法、系统及装置，包括以下步骤：步骤S1：得到预处理脑电信号；步骤S2：判断存在慢波及纺锤波；步骤S3：确定慢波信号；步骤S4：确定纺锤波信号；步骤S5：遍历步骤S3和步骤S4，获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波与纺锤波，根据慢波和纺锤波的起止时间点来确定慢波‑纺锤波耦合的起止时间点，得到慢波‑纺锤波耦合信号。本发明降低异常数据对慢波‑纺锤波判定的影响；慢波和纺锤波判定采用多重判定机制，提高慢波和纺锤波判定的抗干扰能力；最终慢波‑纺锤波判定中以慢波中检测到最大纺锤波峰值为判定机制，更全面检测慢波与纺锤波在不同相位的耦合。

Description

一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置
技术领域
本发明涉及信号与信息处理和神经生物学交叉技术领域，尤其涉及一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置。
背景技术
越来越多的研究表明，睡眠在记忆巩固中起着至关重要的作用。在没有意识信息处理干扰的情况下，非快速眼动（Non rapid eye movement, NREM）睡眠震荡促进巩固记忆。具体而言，皮层的慢波震荡（Slow oscillations, SO）、丘脑的纺锤波（Spindle）和海马的涟波（Ripples）之间在时间相互作用形成了一个层次结构，允许长期记忆保留所必须的信息转换。特别是，纺锤体与其他神经元振荡的相位-振幅耦合（Phase-amplitudecoupling, PAC）——较慢振荡的特定相位与较快振荡的振幅的耦合与长期记忆有关，即纺锤波在其波谷中携带海马纹波（80～140Hz）（纺锤波-涟波耦合），然后嵌套到慢波的上升状态（慢波-纺锤波耦合）。最近，人们发现PAC现象与各种神经系统疾病和大脑活动有关，同时，慢波和纺锤波耦合越来越受到重视。在啮齿类动物中，当在SO的上升阶段对丘脑进行以接近纺锤波频率的刺激时，纺锤波与慢波的耦合发生增加，记忆任务表现显著改善，表明在慢波的上升状态下精确耦合的纺锤体促进了记忆巩固的增加。
一个完整的人类夜间睡眠包括快速眼动（Rapid eye movement, REM）阶段、非快速眼动阶段1（N1）、阶段2（N2）和阶段3（N3）。非快速眼动的N3阶段也称为慢波睡眠（Slow-wave sleep, SWS）或者深度睡眠，其特征是皮层网络中的大幅度慢振荡（SO，0.5～1.25Hz）的节律模式，具有同步神经膜超极化（下降状态）和去极化（上升状态）的周期性交替。睡眠纺锤波则是N2阶段的标志性信号，而在N3阶段则通常与SO的上升状态相耦合，是由网状丘脑和丘脑皮层中继神经元产生的起伏振荡，持续时间为0.5～3s，频率约为9～16Hz。睡眠时慢波-纺锤波耦合是记忆巩固中的重要标志。检测睡眠慢波-纺锤波耦合有助于睡眠记忆巩固的机制研究，目前关于睡眠慢波-纺锤波耦合检测方法较少，缺乏较为统一的判定标准。
为此，我们提出一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置以解决上述技术问题。
发明内容
本发明为了解决上述技术问题，在于提供一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置。
本发明采用的技术方案如下：
一种睡眠慢波-纺锤波耦合信号的提取方法，包括以下步骤：
步骤S1：读取睡眠颅内脑电信号，对所述脑电信号进行预处理，得到预处理脑电信号；
步骤S2：对所述预处理脑电信号计算各通道的功率谱密度，获取功率谱密度图，当所述功率谱密度图在慢波频段和纺锤波频段存在波峰，则存在慢波及纺锤波，进入步骤S3；反之，则不存在慢波及纺锤波，进入步骤S1；
步骤S3：选取预设频段的预处理脑电信号，确定预处理脑电信号的零交叉点并标记，根据零交叉点标记的持续时间确定潜在慢波信号，利用所述潜在慢波信号的慢波幅度阈值确定慢波信号；
步骤S4：选取预设频段的预处理脑电信号，并确定预处理脑电信号的瞬时幅值，采用滑窗平滑瞬时幅值，根据所述瞬时幅值确定潜在纺锤波信号，利用所述潜在纺锤波信号的起止点的持续时间确定纺锤波信号；
步骤S5：遍历步骤S3和步骤S4，获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波信号与纺锤波信号，以慢波信号和纺锤波信号起始时间点中的最小值和终止时间点中的最大值，分别作为慢波-纺锤波耦合的起始时间点和终止时间点，最终得到慢波-纺锤波耦合信号。
进一步地，所述步骤S1中所述预处理的过程为：对所述脑电信号降采样到500Hz频段，并进行重参考，获取初处理脑电信号；使用零相移滤波器对所述初处理脑电信号进行0.2-30Hz频段的带通滤波，删除伪影，得到预处理脑电信号。
进一步地，所述步骤S2中所述慢波频段为0.5-1.25Hz，所述纺锤波频段为9-16Hz。
进一步地，所述步骤S2中对所述预处理脑电信号计算各通道的功率谱密度采用的方法为welch法。
进一步地，所述步骤S3具体包括以下子步骤：
步骤S31：选取0.5-1.25Hz频段的预处理脑电信号，确定零交叉点并标记，将零交叉点从正值到负值的标记为N，零交叉点从负值到正值的标记为P；
步骤S32：将零交叉点标记为P点到下一个零交叉点标记为P点之间的持续时间在0.8-2s内确定为潜在慢波信号；
步骤S33：将每个所述潜在慢波信号的波峰幅值与波谷幅值的差值作为每个所述潜在慢波信号的峰峰值；
步骤S34：将所有所述潜在慢波信号的峰峰值的第75百分位点作为所述潜在慢波信号的峰峰值阈值，所有所述潜在慢波信号的波峰幅值的第75百分位点作为所述潜在慢波信号的波峰幅值阈值；
步骤S35：当所述潜在慢波信号的峰峰值和波峰幅值大于等于所述峰峰值阈值和所述波峰幅值阈值，则所述潜在慢波信号确定为慢波信号；反之，则不是。
进一步地，所述步骤S4具体包括以下子步骤：
步骤S41：选取9-16Hz频段的预处理脑电信号，纺锤波信号分为快慢两种，其中慢纺锤波频段为9-12 Hz，快纺锤波频段为12-16Hz；利用希尔伯特变换方法计算所述预处理脑电信号的瞬时幅值，采用滑动窗来平滑瞬时幅值；
步骤S42：将所有平滑后的瞬时幅值的90百分位点作为上限阈值，将所有平滑后的瞬时幅值的70百分点位作为下限阈值，将平滑后的瞬时幅值在所述上限阈值以上的所有所述预处理脑电信号确定为潜在纺锤波信号；
步骤S43：将上限阈值对应点中第n个时间点和第n+1个时间点为起止时间点作为潜在纺锤波信号的核心时间起止点，其中，n从1开始，以潜在纺锤波信号核心时间起止点的持续时间0.25s以上确定为潜在纺锤波信号；
步骤S44：将下限阈值对应点中第n个时间点和第n+1个时间点为起止时间点作为潜在纺锤波信号的时间起止点，其中，n从1开始，以潜在纺锤波信号时间起止点的持续时间在0.5-2s内确定为纺锤波信号；
步骤S45：当相邻所述纺锤波信号之间时间间隔小于100ms，则将相邻所述纺锤波信号融合为一个纺锤波信号；反之，则不进行融合。
进一步地，所述步骤S4中采用滑窗平滑瞬时幅值的滑动步长为2ms，窗口长度为350ms。
本发明还提供一种睡眠慢波-纺锤波耦合信号的提取系统，包括：
脑电信号处理模块：用于读取睡眠颅内脑电信号，对所述脑电信号进行预处理，得到预处理脑电信号；
慢波及纺锤波预判断模块：用于对所述预处理脑电信号计算各通道的功率谱密度，获取功率谱密度图，当所述功率谱密度图在慢波频段和纺锤波频段存在波峰，则存在慢波及纺锤波；反之，则不存在慢波及纺锤波；
慢波信号获取模块：用于选取预设频段的预处理脑电信号，确定预处理脑电信号的零交叉点并标记，根据零交叉点标记的持续时间确定潜在慢波信号，利用所述潜在慢波信号的慢波幅度阈值确定慢波信号；
纺锤波信号获取模块：用于选取预设频段的预处理脑电信号，并确定预处理脑电信号的瞬时幅值，采用滑窗平滑瞬时幅值，根据所述瞬时幅值确定潜在纺锤波信号，利用所述潜在纺锤波信号的起止点的持续时间确定纺锤波信号；
慢波-纺锤波耦合信号获取模块：用于获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波信号与纺锤波信号，以慢波信号和纺锤波信号起始时间点中的最小值和终止时间点中的最大值，分别作为慢波-纺锤波耦合的起始时间点和终止时间点，最终得到慢波-纺锤波耦合信号。
本发明还提供一种睡眠慢波-纺锤波耦合信号的提取装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述任一项所述的一种睡眠慢波-纺锤波耦合信号的提取方法。
本发明还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述任一项所述的一种睡眠慢波-纺锤波耦合信号的提取方法。
本发明的有益效果是：本发明在进行慢波-纺锤波初判阶段采用慢波和纺锤波的存在判定，降低了异常数据对慢波-纺锤波判定的影响；慢波和纺锤波判定采用多重判定机制，提高了慢波和纺锤波判定的抗干扰能力；最终慢波-纺锤波判定中以慢波中检测到最大纺锤波峰值为判定机制，更全面检测慢波与纺锤波在不同相位的耦合。
附图说明
图1为本发明一种睡眠慢波-纺锤波耦合信号的提取方法的流程示意图；
图2为本发明一种睡眠慢波-纺锤波耦合信号的提取系统的框架图；
图3为实施例总流程图；
图4为实施例功率谱密度图；
图5为实施例步骤S3慢波信号的说明；
图6为实施例步骤S4纺锤波信号的说明；
图7为实施例潜在慢波信号，框选区域为慢波信号的图谱；
图8为实施例潜在纺锤波信号，框选区域为纺锤波信号的图谱；
图9为实施例慢波-纺锤波耦合信号，框选区域为滤波信号中检测到的慢波-纺锤波耦合信号；
图10为实施例归一化慢波-纺锤波耦合信号；
图11为本发明一种睡眠慢波-纺锤波耦合信号的提取装置的结构示意图。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。
参见图1，一种睡眠慢波-纺锤波耦合信号的提取方法，包括以下步骤：
步骤S1：读取睡眠颅内脑电信号，对所述脑电信号进行预处理，得到预处理脑电信号；
所述预处理的过程为：对所述脑电信号降采样到500Hz频段，并进行重参考，获取初处理脑电信号；使用零相移滤波器对所述初处理脑电信号进行0.2-30Hz频段的带通滤波，删除伪影，得到预处理脑电信号。
步骤S2：对所述预处理脑电信号计算各通道的功率谱密度（Power spectraldensity，PSD），获取PSD图，当所述PSD图在慢波频段和纺锤波频段存在波峰，则存在慢波及纺锤波，进入步骤S3；反之，则不存在慢波及纺锤波，进入步骤S1；
所述慢波频段为0.5-1.25Hz，所述纺锤波频段为9-16Hz。
对所述预处理脑电信号计算各通道的PSD采用的方法为welch法。
步骤S3：选取预设频段的预处理脑电信号，确定预处理脑电信号的零交叉点并标记，根据零交叉点标记的持续时间确定潜在慢波信号，利用所述潜在慢波信号的慢波幅度阈值确定慢波信号；
步骤S31：选取0.5-1.25Hz频段的预处理脑电信号，确定零交叉点并标记，将零交叉点从正值到负值的标记为N，零交叉点从负值到正值的标记为P；
步骤S32：将零交叉点标记为P点到下一个零交叉点标记为P点之间的持续时间在0.8-2s内确定为潜在慢波信号；
步骤S33：将每个所述潜在慢波信号的波峰幅值与波谷幅值的差值作为每个所述潜在慢波信号的峰峰值；
步骤S34：将所有所述潜在慢波信号的峰峰值的第75百分位点作为所述潜在慢波信号的峰峰值阈值，所有所述潜在慢波信号的波峰幅值的第75百分位点作为所述潜在慢波信号的波峰幅值阈值；
步骤S35：当所述潜在慢波信号的峰峰值和波峰幅值大于等于所述峰峰值阈值和所述波峰幅值阈值，则所述潜在慢波信号确定为慢波信号；反之，则不是。
步骤S4：选取预设频段的预处理脑电信号，并确定预处理脑电信号的瞬时幅值，采用滑窗平滑瞬时幅值，根据所述瞬时幅值确定潜在纺锤波信号，利用所述潜在纺锤波信号的起止点的持续时间确定纺锤波信号；
采用滑窗平滑瞬时幅值的滑动步长为2ms，窗口长度为350ms。
步骤S41：选取9-16Hz频段的预处理脑电信号，纺锤波信号分为快慢两种，其中慢纺锤波频段为9-12 Hz，快纺锤波频段为12-16Hz；利用希尔伯特变换方法计算所述预处理脑电信号的瞬时幅值，采用滑动窗来平滑瞬时幅值；
步骤S42：将所有平滑后的瞬时幅值的90百分位点作为上限阈值，将所有平滑后的瞬时幅值的70百分点位作为下限阈值，将平滑后的瞬时幅值在所述上限阈值以上的所有所述预处理脑电信号确定为潜在纺锤波信号；
步骤S43：将上限阈值对应点中第n个时间点和第n+1个时间点为起止时间点作为潜在纺锤波信号的核心时间起止点，其中，n从1开始，以潜在纺锤波信号核心时间起止点的持续时间0.25s以上确定为潜在纺锤波信号；
步骤S44：将下限阈值对应点中第n个时间点和第n+1个时间点为起止时间点作为潜在纺锤波信号的时间起止点，其中，n从1开始，以潜在纺锤波信号时间起止点的持续时间在0.5-2s内确定为纺锤波信号；
步骤S45：当相邻所述纺锤波信号之间时间间隔小于100ms，则将相邻所述纺锤波信号融合为一个纺锤波信号；反之，则不进行融合。
步骤S5：遍历步骤S3和步骤S4，获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波信号与纺锤波信号，以慢波信号和纺锤波信号起始时间点中的最小值和终止时间点中的最大值，分别作为慢波-纺锤波耦合的起始时间点和终止时间点，最终得到慢波-纺锤波耦合信号。
参见图2，一种睡眠慢波-纺锤波耦合信号的提取系统，包括：
脑电信号处理模块：用于读取睡眠颅内脑电信号，对所述脑电信号进行预处理，得到预处理脑电信号；
慢波及纺锤波预判断模块：用于对所述预处理脑电信号计算各通道的PSD，获取PSD图，当所述PSD图在慢波频段和纺锤波频段存在波峰，则存在慢波及纺锤波；反之，则不存在慢波及纺锤波；
慢波信号获取模块：用于选取预设频段的预处理脑电信号，确定预处理脑电信号的零交叉点并标记，根据零交叉点标记的持续时间确定潜在慢波信号，利用所述潜在慢波信号的慢波幅度阈值确定慢波信号；
纺锤波信号获取模块：用于选取预设频段的预处理脑电信号，并确定预处理脑电信号的瞬时幅值，采用滑窗平滑瞬时幅值，根据所述瞬时幅值确定潜在纺锤波信号，利用所述潜在纺锤波信号的起止点的持续时间确定纺锤波信号；
慢波-纺锤波耦合信号获取模块：用于获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波信号与纺锤波信号，以慢波信号和纺锤波信号起始时间点中的最小值和终止时间点中的最大值，分别作为慢波-纺锤波耦合的起始时间点和终止时间点，最终得到慢波-纺锤波耦合信号。
实施例：参见图3，一种睡眠慢波-纺锤波耦合信号的提取方法，包括以下步骤：
步骤S1：读取睡眠颅内脑电信号，对所述脑电信号进行预处理，得到预处理脑电信号；
所述预处理的过程为：对所述脑电信号降采样到500Hz频段，并进行重参考，获取初处理脑电信号；使用零相移滤波器对所述初处理脑电信号进行0.2-30Hz频段的带通滤波，删除伪影，得到预处理脑电信号。
步骤S2：对所述预处理脑电信号计算各通道的功率谱密度（Power spectraldensity，PSD），获取PSD图，参见图4，当所述PSD图在慢波频段（0.5-1.25Hz）和纺锤波频段（9-16Hz）存在波峰，则存在慢波及纺锤波，进入步骤S3；反之，则不存在慢波及纺锤波，进入步骤S1；
对所述预处理脑电信号计算各通道的PSD采用的方法为welch法。
步骤S3：选取预设频段的预处理脑电信号，确定预处理脑电信号的零交叉点并标记，根据零交叉点标记的持续时间确定潜在慢波信号，利用所述潜在慢波信号的慢波幅度阈值确定慢波信号；
步骤S31：选取0.5-1.25Hz频段的预处理脑电信号，确定零交叉点并标记，将零交叉点从正值到负值（Positive to negative）的标记为N，零交叉点从负值到正值（Negativeto positive）的标记为P；
步骤S32：将零交叉点标记为P点到下一个零交叉点标记为P点之间的持续时间在0.8-2s内确定为潜在慢波信号，参见图5；
步骤S33：将每个所述潜在慢波信号的波峰幅值与波谷幅值的差值作为每个所述潜在慢波信号的峰峰值；
步骤S34：将所有所述潜在慢波信号的峰峰值的第75百分位点作为所述潜在慢波信号的峰峰值阈值，所有所述潜在慢波信号的波峰幅值的第75百分位点作为所述潜在慢波信号的波峰幅值阈值；
步骤S35：当所述潜在慢波信号的峰峰值和波峰幅值大于等于所述峰峰值阈值和所述波峰幅值阈值，则所述潜在慢波信号确定为慢波信号，参见图7的框选区域；反之，则不是。
步骤S4：选取预设频段的预处理脑电信号，并确定预处理脑电信号的瞬时幅值，采用滑窗，滑动步长为2ms，窗口长度为350ms，平滑瞬时幅值，根据所述瞬时幅值确定潜在纺锤波信号，利用所述潜在纺锤波信号的起止点的持续时间确定纺锤波信号；
步骤S41：选取9-16Hz频段的预处理脑电信号，纺锤波信号分为快慢两种，其中慢纺锤波频段为9-12 Hz，快纺锤波频段为12-16Hz，本实施例选取慢纺锤波9-12 Hz频段脑电信号；利用希尔伯特变换方法计算所述预处理脑电信号的瞬时幅值，采用滑动窗来平滑瞬时幅值；
步骤S42：将所有平滑后的瞬时幅值的90百分位点作为上限（Upper）阈值，参见图6中黑色实线，将所有平滑后的瞬时幅值的70百分点位作为下限（Lower）阈值，参见图6中黑色虚线，将平滑后的瞬时幅值在所述上限（Upper）阈值以上的所有所述预处理脑电信号确定为潜在纺锤波信号
步骤S43：将上限（Upper）阈值对应点中第n个时间点和第n+1个时间点为起止时间点作为潜在纺锤波信号的核心时间起止点，其中，n从1开始，以潜在纺锤波信号核心时间起止点的持续时间0.25s以上确定为潜在纺锤波信号；
步骤S44：将下限（Lower）阈值对应点中第n个时间点和第n+1个时间点为起止时间点作为潜在纺锤波信号的时间起止点，其中，n从1开始，以潜在纺锤波信号时间起止点的持续时间在0.5-2s内确定为纺锤波信号；
步骤S45：当相邻所述纺锤波信号之间时间间隔小于100ms，则将相邻所述纺锤波信号融合为一个纺锤波信号，参见图8的框选区域；反之，则不进行融合。
步骤S5：遍历步骤S3和步骤S4，获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波信号与纺锤波信号，以慢波信号和纺锤波信号起始时间点中的最小值和终止时间点中的最大值，分别作为慢波-纺锤波耦合的起始时间点和终止时间点，最终得到慢波-纺锤波耦合信号，参见图9的框选区域为滤波后的信号中检测到的慢波-纺锤波耦合信号。对得到慢波-纺锤波耦合信号进行归一化处理，得到图10所示的归一化慢波-纺锤波耦合信号，其中灰色线条为纺锤波信号，黑色线条为慢波信号。
与前述一种睡眠慢波-纺锤波耦合信号的提取方法的实施例相对应，本发明还提供了一种睡眠慢波-纺锤波耦合信号的提取装置的实施例。
参见图11，本发明实施例提供的一种睡眠慢波-纺锤波耦合信号的提取装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例中的一种睡眠慢波-纺锤波耦合信号的提取方法。
本发明一种睡眠慢波-纺锤波耦合信号的提取装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图11所示，为本发明一种睡眠慢波-纺锤波耦合信号的提取装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图11所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种睡眠慢波-纺锤波耦合信号的提取方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种睡眠慢波-纺锤波耦合信号的提取方法，其特征在于，包括以下步骤：
步骤S1：读取睡眠颅内脑电信号，对所述脑电信号进行预处理，得到预处理脑电信号；
步骤S2：对所述预处理脑电信号计算各通道的功率谱密度，获取功率谱密度图，当所述功率谱密度图在慢波频段和纺锤波频段存在波峰，则存在慢波及纺锤波，进入步骤S3；反之，则不存在慢波及纺锤波，进入步骤S1；
步骤S3：选取预设频段的预处理脑电信号，确定预处理脑电信号的零交叉点并标记，根据零交叉点标记的持续时间确定潜在慢波信号，利用所述潜在慢波信号的慢波幅度阈值确定慢波信号；
步骤S4：选取预设频段的预处理脑电信号，并确定预处理脑电信号的瞬时幅值，采用滑窗平滑瞬时幅值，根据所述瞬时幅值确定潜在纺锤波信号，利用所述潜在纺锤波信号的起止点的持续时间确定纺锤波信号；
步骤S5：遍历步骤S3和步骤S4，获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波信号与纺锤波信号，以慢波信号和纺锤波信号起始时间点中的最小值和终止时间点中的最大值，分别作为慢波-纺锤波耦合的起始时间点和终止时间点，最终得到慢波-纺锤波耦合信号。
2.如权利要求1所述的一种睡眠慢波-纺锤波耦合信号的提取方法，其特征在于，所述步骤S1中所述预处理的过程为：对所述脑电信号降采样到500Hz频段，并进行重参考，获取初处理脑电信号；使用零相移滤波器对所述初处理脑电信号进行0.2-30Hz频段的带通滤波，删除伪影，得到预处理脑电信号。
3.如权利要求1所述的一种睡眠慢波-纺锤波耦合信号的提取方法，其特征在于，所述步骤S2中所述慢波频段为0.5-1.25Hz，所述纺锤波频段为9-16Hz。
4.如权利要求1所述的一种睡眠慢波-纺锤波耦合信号的提取方法，其特征在于，所述步骤S2中对所述预处理脑电信号计算各通道的功率谱密度采用的方法为welch法。
5.如权利要求1所述的一种睡眠慢波-纺锤波耦合信号的提取方法，其特征在于，所述步骤S3具体包括以下子步骤：
步骤S31：选取0.5-1.25Hz频段的预处理脑电信号，确定零交叉点并标记，将零交叉点从正值到负值的标记为N，零交叉点从负值到正值的标记为P；
步骤S32：将零交叉点标记为P点到下一个零交叉点标记为P点之间的持续时间在0.8-2s内确定为潜在慢波信号；
步骤S33：将每个所述潜在慢波信号的波峰幅值与波谷幅值的差值作为每个所述潜在慢波信号的峰峰值；
步骤S34：将所有所述潜在慢波信号的峰峰值的第75百分位点作为所述潜在慢波信号的峰峰值阈值，所有所述潜在慢波信号的波峰幅值的第75百分位点作为所述潜在慢波信号的波峰幅值阈值；
步骤S35：当所述潜在慢波信号的峰峰值大于等于所述峰峰值阈值、波峰幅值大于等于所述波峰幅值阈值，则所述潜在慢波信号确定为慢波信号；反之，则不是。
6.如权利要求1所述的一种睡眠慢波-纺锤波耦合信号的提取方法，其特征在于，所述步骤S4具体包括以下子步骤：
步骤S41：选取9-16Hz频段的预处理脑电信号，利用希尔伯特变换方法计算所述预处理脑电信号的瞬时幅值，采用滑窗来平滑瞬时幅值；
步骤S42：将所有平滑后的瞬时幅值的第90百分位点作为上限阈值，将所有平滑后的瞬时幅值的第70百分点位作为下限阈值，将平滑后的瞬时幅值在所述上限阈值以上的所有所述预处理脑电信号确定为潜在纺锤波信号；
步骤S43：将上限阈值对应点中第n个时间点和第n+1个时间点为起止时间点作为潜在纺锤波信号的核心时间起止点，其中，n从1开始，以潜在纺锤波信号核心时间起止点的持续时间0.25s以上确定为潜在纺锤波信号；
步骤S44：将下限阈值对应点中第n个时间点和第n+1个时间点为起止时间点作为潜在纺锤波信号的时间起止点，其中，n从1开始，以潜在纺锤波信号时间起止点的持续时间在0.5-2s内确定为纺锤波信号；
步骤S45：当相邻所述纺锤波信号之间时间间隔小于100ms，则将相邻所述纺锤波信号融合为一个纺锤波信号；反之，则不进行融合。
7.如权利要求1所述的一种睡眠慢波-纺锤波耦合信号的提取方法，其特征在于，所述步骤S4中采用滑窗平滑瞬时幅值的滑动步长为2ms，窗口长度为350ms。
8.一种睡眠慢波-纺锤波耦合信号的提取系统，其特征在于，包括：
脑电信号处理模块：用于读取睡眠颅内脑电信号，对所述脑电信号进行预处理，得到预处理脑电信号；
慢波及纺锤波预判断模块：用于对所述预处理脑电信号计算各通道的功率谱密度，获取功率谱密度图，当所述功率谱密度图在慢波频段和纺锤波频段存在波峰，则存在慢波及纺锤波；反之，则不存在慢波及纺锤波；
慢波信号获取模块：用于选取预设频段的预处理脑电信号，确定预处理脑电信号的零交叉点并标记，根据零交叉点标记的持续时间确定潜在慢波信号，利用所述潜在慢波信号的慢波幅度阈值确定慢波信号；
纺锤波信号获取模块：用于选取预设频段的预处理脑电信号，并确定预处理脑电信号的瞬时幅值，采用滑窗平滑瞬时幅值，根据所述瞬时幅值确定潜在纺锤波信号，利用所述潜在纺锤波信号的起止点的持续时间确定纺锤波信号；
慢波-纺锤波耦合信号获取模块：用于获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波信号与纺锤波信号，以慢波信号和纺锤波信号起始时间点中的最小值和终止时间点中的最大值，分别作为慢波-纺锤波耦合的起始时间点和终止时间点，最终得到慢波-纺锤波耦合信号。
9.一种睡眠慢波-纺锤波耦合信号的提取装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-7中任一项所述的一种睡眠慢波-纺锤波耦合信号的提取方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-7中任一项所述的一种睡眠慢波-纺锤波耦合信号的提取方法。
CN202211276703.8A 2022-10-19 2022-10-19 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置 Active CN115357126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211276703.8A CN115357126B (zh) 2022-10-19 2022-10-19 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211276703.8A CN115357126B (zh) 2022-10-19 2022-10-19 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置

Publications (2)

Publication Number Publication Date
CN115357126A CN115357126A (zh) 2022-11-18
CN115357126B true CN115357126B (zh) 2023-01-24

Family

ID=84008699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211276703.8A Active CN115357126B (zh) 2022-10-19 2022-10-19 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置

Country Status (1)

Country Link
CN (1) CN115357126B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117547260A (zh) * 2024-01-11 2024-02-13 浙江普可医疗科技有限公司 基于睡眠脑电波的血糖预测方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015087188A1 (en) * 2013-12-12 2015-06-18 Koninklijke Philips N.V. System and method for facilitating sleep stage transitions
WO2018001936A1 (en) * 2016-06-27 2018-01-04 Koninklijke Philips N.V. System and method for adjusting the volume of auditory stimulation during sleep based on sleep depth latencies
CN113208565A (zh) * 2021-05-08 2021-08-06 西安邮电大学 一种基于脑电信号的睡眠纺锤波提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10898706B2 (en) * 2017-10-31 2021-01-26 Stimscience Inc. Systems, methods, and devices for brain stimulation and monitoring
US11664110B2 (en) * 2018-10-02 2023-05-30 New York University System, method and portable devices for detection and enhancement of sleep spindles

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015087188A1 (en) * 2013-12-12 2015-06-18 Koninklijke Philips N.V. System and method for facilitating sleep stage transitions
WO2018001936A1 (en) * 2016-06-27 2018-01-04 Koninklijke Philips N.V. System and method for adjusting the volume of auditory stimulation during sleep based on sleep depth latencies
CN113208565A (zh) * 2021-05-08 2021-08-06 西安邮电大学 一种基于脑电信号的睡眠纺锤波提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Stimulation Augments Spike Sequence Replay and Memory Consolidation during Slow-Wave Sleep;Yina Wei等;《Journal of Neuroscience 》;20200122;全文 *
The function of the sleep spindle: A physiological index of intelligence and a mechanism for sleep-dependent memory consolidation;Stuart M. Fogel等;《 Neuroscience and Biobehavioral Reviews》;20101231;全文 *
午睡对陈述性记忆巩固机制的初步研究;孙芳;《中国优秀硕士学位论文全文数据库（电子期刊）》;20160315;全文 *
脑电信号的特征提取与分析方法研究;戴冷湜;《中国优秀硕士学位论文全文数据库（电子期刊）》;20110715;全文 *

Also Published As

Publication number Publication date
CN115357126A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN115357126B (zh) 一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置
US20140358025A1 (en) System and apparatus for seizure detection from EEG signals
CN105342569B (zh) 一种基于脑电分析的精神状态检测系统
KR102169529B1 (ko) 뇌파 분석과 관련된 관심 구간을 뇌파 신호에서 레이블링하는 방법 및 이를 수행하는 뇌파 분석 시스템
EP2618728A1 (en) Composite brain function monitoring and display system
CN104257379A (zh) 一种脑电处理装置及方法和睡眠监测佩戴设备
CN106618560B (zh) 脑电波信号的处理方法和装置
CN113951885B (zh) 一种脑磁图源定位方法、存储介质和设备
CN109044280A (zh) 一种睡眠分期方法及相关设备
CN106874872A (zh) 工频噪声滤除装置与方法
CN114391846A (zh) 一种基于过滤式特征选择的情绪识别方法及系统
Zhang et al. Automatic annotation correction for wearable EEG based epileptic seizure detection
Wu et al. Fast, accurate localization of epileptic seizure onset zones based on detection of high-frequency oscillations using improved wavelet transform and matching pursuit methods
Asharindavida et al. A forecasting tool for prediction of epileptic seizures using a machine learning approach
Yudhana et al. Recognizing human emotion patterns by applying Fast Fourier Transform based on brainwave features
CN114947886A (zh) 一种基于异步脑机接口的符号数字转换测试方法及系统
Staudigl et al. Saccade-related neural communication in the human medial temporal lobe is modulated by the social relevance of stimuli
CN112200221B (zh) 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法
CN106491120B (zh) 一种基于皮电的睡眠质量评估方法及系统
CN109522873A (zh) 一种脑间同步性分析方法、装置及存储介质
CN115969398A (zh) 眨眼检测方法及装置
CN110584662A (zh) 基于脑电信息的自闭症风险量化方法、装置和存储介质
CN115845216A (zh) 助眠方法、装置、设备及存储介质
CN115969393A (zh) 睡眠深度衡量指标的获取方法、装置、设备及存储介质
CN104850833B (zh) 一种脑电混沌特性分析的方法及系统

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