CN115670480A - 一种生物特征分析方法、装置、电子设备及存储介质 - Google Patents
一种生物特征分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115670480A CN115670480A CN202211379613.1A CN202211379613A CN115670480A CN 115670480 A CN115670480 A CN 115670480A CN 202211379613 A CN202211379613 A CN 202211379613A CN 115670480 A CN115670480 A CN 115670480A
- Authority
- CN
- China
- Prior art keywords
- blood oxygen
- electroencephalogram
- characteristic
- cerebral blood
- signals
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种生物特征分析方法、装置、电子设备及存储介质。该方法包括:获取目标的脑电信号和脑血氧信号;对脑电信号进行特征提取,得到脑电特征,以及对脑血氧信号进行特征提取,得到脑血氧特征;基于脑电特征和脑血氧特征,分析得到生物特征,其中,生物特征包括脑电信号和脑血氧信号之间的神经血管耦合关系及目标的综合脑功能连接特征。本发明实施例的技术方案,针对通过多模态fNIRS‑EEG神经成像采集技术采集到的脑电信号和脑血氧信号,对二者分别进行特征提取,并基于由此得到的脑电特征和脑血氧特征进行分析得到的生物特征,在时间和空间上均具有更完整的信息,由此可以为医护人员提供较好的诊断和治疗依据。
Description
技术领域
本发明涉及数据处理技术领域,尤其是一种生物特征分析方法、装置、电子设备及存储介质。
背景技术
随着社会和经济的发展,医疗技术的持续提升,如何更好地分析大脑的生物特征,一直是人类关注的重点。
但是,目前采用的生物特征分析方案分析得到的生物特征在时空上存在信息缺失,其无法为医护人员提供较好的诊断和治疗依据。
发明内容
本发明实施例所要解决的一个技术问题是分析得到的生物特征在时空上存在信息缺失。
根据本发明的一方面,提供了一种生物特征分析方法,可以包括:
获取目标的脑电信号和脑血氧信号;
对脑电信号进行特征提取,得到脑电特征,以及对脑血氧信号进行特征提取,得到脑血氧特征;
基于脑电特征和脑血氧特征,分析得到生物特征,其中,生物特征包括脑电信号和脑血氧信号的神经血管耦合关系及目标的综合脑功能连接特征。
根据本发明的另一方面,提供了一种生物特征分析装置,可以包括:
信号获取模块,用于获取目标的脑电信号和脑血氧信号;
特征提取模块,用于对脑电信号进行特征提取,得到脑电特征,以及对脑血氧信号进行特征提取,得到脑血氧特征;
特征分析模块,用于基于脑电特征及脑血氧特征,分析得到生物特征,其中,生物特征包括脑电信号和脑血氧信号间的神经血管耦合关系以及目标的综合脑功能连接特征。
根据本发明的另一方面,提供了一种电子设备,可以包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器执行时实现本发明任意实施例所提供的生物特征分析方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令用于使处理器执行时实现本发明任意实施例所提供的生物特征分析方法。
本发明实施例的技术方案,通过获取到目标的脑电信号及脑血氧信号;对脑电信号进行特征提取,得到脑电特征,及对脑血氧信号进行特征提取,得到脑血氧特征;进而,基于脑电特征和脑血氧特征,分析得到生物特征,其中,生物特征包括脑电信号和脑血氧信号的神经血管耦合关系以及目标的综合脑功能连接特征。上述技术方案,针对通过多模态fNIRS-EEG神经成像采集技术采集得到的脑电信号和脑血氧信号,对二者分别进行特征提取,然后基于由此得到的脑电特征和脑血氧特征进行分析得到的生物特征,在时间和空间上均具有较完整的信息,由此可以为医护人员提供较好的诊断和治疗依据。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或是重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本发明的实施例,并且连同描述一起用于解释本发明的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本发明,其中:
图1是根据本发明实施例提供的一种生物特征分析方法中的脑电信号和脑血氧信号的采集通道的示意图;
图2是根据本发明实施例提供的一种生物特征分析方法的流程图;
图3是根据本发明实施例提供的一种生物特征分析方法中的脑电信号和脑血氧信号的预处理过程的示意图;
图4是根据本发明实施例提供的一种生物特征分析方法中的可选示例的流程图;
图5是根据本发明实施例提供的另一种生物特征分析方法的流程图;
图6是根据本发明实施例提供的另一种生物特征分析方法中的神经血管耦合关系分析过程的流程图;
图7是根据本发明实施例提供的另一种生物特征分析方法的流程图;
图8是根据本发明实施例提供的另一种生物特征分析方法中综合脑功能连接特征分析过程的流程图;
图9是根据本发明实施例提供的另一种生物特征分析方法的流程图;
图10是根据本发明实施例提供的另一种生物特征分析方法中脑成像重建得到的脑图谱的示意图;
图11是根据本发明实施例提供的另一种生物特征分析方法中可选示例的流程图;
图12是根据本发明实施例提供的一种生物特征分析装置的结构框图;
图13是实现本发明实施例的生物特征分析方法的电子设备的结构框图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
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。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于计算机系统/服务器,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
在介绍本发明实施例之前,先对本发明实施例的应用场景进行示例性的说明。基于脑电图(electroencephalogram,EEG)技术对目标进行采集得到的脑电信号具有较高的时间分辨率,但空间分辨率较低;基于功能性近红外光谱(functional near-infraredspectroscopy,fNIRS)技术对目标进行采集得到的脑血氧信号具有较高的空间分辨率,但时间分辨率较低。具体的对比数据参见表1。因此,在检测精神疾病患者的生理数据时,单一的神经成像模式(即EEG或fNIRS)可能因为自身技术上的弊端而导致患者在时空上的生理数据(即信息)的缺失,最终无法为医护人员提供较好的诊断和治疗依据。
表1 EEG和fNIRS在时间分辨率和空间分辨率上的对比
为了解决上述问题,发明人在对现有技术进行充分研究的基础上,提出了将EEG技术与fNIRS技术结合,从而实现目标的多模态分析。为此,示例性的,多模态fNIRS-EEG的采集通道配置如图1所示。具体的,图1是根据国际10-20配置系统以及以Fpz为参照中心,对fNIRS-EEG多模态下的采集通道进行配置的示意图,其分别分布在目标的两个功能区域(前额叶区及颞叶区),共包括16个fNIRS探测器、16个fNIRS光源以及29个EEG电极,其中的fNIRS探测器和fNIRS光源间构成的通道为脑血氧信号的采集通道(共36条),两个EEG电极间构成的通道属于EEG的采集通道。当然,还可以基于其余方式配置出采集通道,在此未做具体限定。
图2是本发明实施例中所提供的一种生物特征分析方法的流程图。本实施例可适用于将EEG和fNIRS结合,通过多模态分析得到在时空上信息完整的生物特征的情况。该方法可以由本发明实施例提供的生物特征分析装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在电子设备上,该电子设备可以是各种用户终端或服务器。
参见图2,本发明实施例的方法具体包括如下步骤:
S110、获取目标的脑电信号和脑血氧信号。
其中,获取基于EEG技术对目标进行采集得到的脑电信号以及基于fNIRS技术对目标进行采集得到的脑血氧信号。可对真实采集的目标的脑电信号和脑血氧信号(这里简称为两种信号)进行分析,例如可实时采集目标的两种信号进行分析,再如可对目标的已采集完成的两种信号进行分析;还可对模拟出的目标的两种信号进行分析,该模拟出的两种信号可以基于真实采集的两种信号模拟得到,其也可在一定程度上反映出目标的真实情况,这有助于提供更多的分析数据;等等,在此未做具体限定。
在实际应用中,可选的,可以对直接采集得到的脑电信号和脑血氧信号这种原始信号进行预处理。示例性的,参见图3,针对脑电信号,可以基于独立成分分析(IndependentComponent Correlation Algorithm,ICA)技术对脑电信号进行处理,具体说可以是利用源信号统计等满足先验条件,从混合信号中重现不可观测的各源信号成分;可以从脑电信号中去除眼动噪声;当然,也可采用其余技术对脑电信号进行处理,在此未做具体限定。针对脑血氧信号,可以采用如下几个操作中的至少一个对脑血氧信号进行预处理:1)光强度到密度的转换;2)通道-通道分析;3)伪影检测以及纠正;4)信号滤波,例如小波处理、中值滤波处理或是深度学习滤波处理等;5)光学密度到血氧浓度的转换;6)块平均处理;等等,在此未做具体限定。
S120、对脑电信号进行特征提取,得到脑电特征,以及对脑血氧信号进行特征提取,得到脑血氧特征。
其中,对脑电信号进行特征提取,得到脑电特征,示例性,具体的特征提取方式可以包括下述中的至少一个:短时傅里叶变换(short-time Fourier transform,STFT)、小波滤波算法、支持向量机(support vector machines,SVM)、线性判别分析(LinearDiscriminant Analysis,LDA)、深度神经网络(Deep Neural Networks,DNN)以及卷积神经网络(Convolutional Neural Network,CNN)。除此外,对脑血氧信号进行特征提取,得到脑血氧特征,这里采用的特征提取方式与对脑电信号进行特征提取时采用的特征提取方式可以相同或是不同,在此未做具体限定。
S130、基于脑电特征和脑血氧特征,分析得到生物特征,其中,生物特征包括脑电信号和脑血氧信号的神经血管耦合关系及目标的综合脑功能连接特征。
其中,由于脑电特征在时间上的信息更为完整,并且脑血氧特征在空间上的信息更为完整,因此可以基于这二者进行多模态分析,从而得到的生物特征在时间和空间上均具有较为完整的信息。需要说说明的是,分析得到的生物特征可以包括脑电信号和脑血氧信号间的神经血管耦合关系及目标的综合脑功能连接特征,当然,也可以包括其余类型的生物特征,在此未做具体限定。结合本发明实施例可能涉及的应用场景,可以基于上述方案检测精神疾病患者的生理数据,从而分析得到其的生物特征。
本发明实施例的技术方案,通过获取到目标的脑电信号及脑血氧信号;对脑电信号进行特征提取,得到脑电特征,及对脑血氧信号进行特征提取,得到脑血氧特征;进而,基于脑电特征和脑血氧特征,分析得到生物特征,其中,生物特征包括脑电信号和脑血氧信号的神经血管耦合关系以及目标的综合脑功能连接特征。上述技术方案,针对通过多模态fNIRS-EEG神经成像采集技术采集得到的脑电信号和脑血氧信号,对二者分别进行特征提取,然后基于由此得到的脑电特征和脑血氧特征进行分析得到的生物特征,在时间和空间上均具有较完整的信息,由此可以为医护人员提供较好的诊断和治疗依据。
一种可选的技术方案,对脑电信号进行特征提取,得到脑电特征,可以包括:获取预先设置的时间窗口,并基于时间窗口在脑电信号上进行滑动,得到至少两个脑电子信号;对至少两个脑电子信号进行特征提取,得到目标在时域上的皮质活动信息,将皮质活动信息作为脑电特征。结合本发明实施例可能涉及的应用场景,时空功能性磁共振成像(functional magnetic resonance imaging,fMRI)约束EEG源成像方法(即动态大脑迁移网络)可被用来执行朔源分析,其中使用滑动窗口方法分析每个EEG时期。具体的,EEG的时间窗口选择t毫秒时长(取决于试验时间长度),其中动态的时间窗口可设计为50%的重叠,这有助于提供适合诱发反应电位研究的时间分辨率。由此一来,可通过平均区域内的体元活动,来提取目标中每个兴趣区在时域上的皮质活动信息。上述技术方案,通过采用滑动窗口方案,实现了脑电特征的有效提取。
另一可选的技术方案,对脑血氧信号进行特征提取,得到脑血氧特征,可包括:针对脑血氧信号中的在同一采集通道下采集得到的通道信号,基于广义线性模型对通道信号进行统计分析,得到通道激活图;根据各采集通道分别对应的通道激活图,得到目标的头皮激活图,并将头皮激活图作为脑血氧特征。结合本发明实施例可能涉及的应用场景,经典的广义线性模型(General Linear Module,GLM)可被用于对每个目标的脑血氧信号进行统计分析,然后通过对比编码任务和基线获得采集通道的通道激活图,这里也可以称为显著激活图。在此基础上,可以使用基于集群的方法对多重比较进行校正,以将多重比较错误率限制在0.05之内。fNIRS里的采集通道值高于p_value阈值(p校正>0.05)的采集通道可以被认为是具有极小影响的可被忽略的采集通道,从而确保只具有统计学意义的采集通道值可用作后续的源成像操作。fNIRS的头皮激活图通常被投射和插值到皮质层上,从而可以直观地呈现出相关脑区的激活情况。简而言之,首先在头皮层上标记fNIRS的每个采集通道(光源和探测器之间的中点)的位置;进一步,根据中描述的方法,将fNIRS头皮位置投影到皮质层上;最后,使用中描述的方法将每个采集通道的fNIRS激活值应用并内插到皮质层源上。在本发明实施例中,可以基于相邻位置和皮质功能区域集群,将单个采集通道的通道激活图分为的多个子图,其中在将fNIRS信息作为约束条件时,允许更大的空间灵活性。更加具体的说,使用连通区域标记技术(例如分解算法,Dulmage Mendelsohn)将激活体元分组为多个子集,再根据预定义的大脑图谱将每个皮质激活块划分为更小的块,从而确保单个区域不覆盖多个脑功能性区域。上述技术方案,通过采用GLM分析脑血氧信号,从而实现了脑血氧特征的有效提取。
在此基础上,为了从整体上更好地理解上述的各个技术方案,下面结合具体示例,对其进行示例性说明。示例性的,如图4所示,对采集到的脑电信号和脑血氧信号进行预处理,并基于预处理结果进行信号更新。进一步,采用滑动窗口方案实现EEG源分析,得到脑电特征,以及基于GLM对脑血氧信号进行特征提取,得到脑血氧特征。当然,还可采用其余方案进行特征提取,在此未做具体限定。最后,可以结合脑电特征以及脑血氧特征,得到神经血管耦合关系和综合脑功能连接特征。
在介绍本发明实施例之前,先对本发明实施例的应用场景进行示例性的说明。神经血管耦合关系可以理解为局部神经活动与随后的脑血流量(cerebral blood flow,CBF)变化之间的关系。血流变化的大小和空间位置在神经元、神经胶质细胞和血管细胞的复杂协调事件序列与神经活动的变化密切相关。许多基于血管的功能性脑成像技术,例如fMRI和fNIRS技术等,均是依靠该神经血管耦合关系来推断神经活动的变化规律。
图5是本发明实施例中提供的另一种生物特征分析方法的流程图。本实施例以上述各技术方案为基础进行优化。本实施例中,可选的,对脑电信号进行特征提取,得到脑电特征,可以包括:针对脑电信号中在时间维度下的至少一个波段的电位信号,将各波段的电位信号在振幅维度进行标准化;将标准化后的各波段的电位信号进行正交化,得到正交化结果;对正交化结果与血液动力学函数进行卷积,并将卷积后得到的脑电信号在广义线性模型中的回归量作为脑电特征。再可选的,对脑血氧信号进行特征提取,得到脑血氧特征,可包括:对在第一通道上采集到的脑血氧信号进行特征提取,得到第一血氧特征,以及对在第二通道上采集得到的脑血氧信号进行特征提取,得到第二血氧特征,其中,第一通道的通道长度长于第二通道;将第一血氧特征在广义线性模型中的回归量及第二血氧特征在广义线性模型中的回归量,作为脑血氧特征。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图5,本实施例的方法具体可以包括如下步骤:
S210、获取目标的脑电信号和脑血氧信号。
S220、针对脑电信号中在时间维度下的至少一个波段的电位信号,将各波段的电位信号在振幅维度进行标准化。
其中,至少一个波段可以是θ、α和β波段中的至少一个,当然,也可以是其余的波段,在此未做具体限定。将脑电信号中在时间维度下的至少一个波段的信号作为电位信号,将各波段的电位信号在振幅维度上进行标准化。
S230、将标准化后的各波段的电位信号进行正交化,得到正交化结果。
其中,将标准化后的各波段的电位信号进行正交化,结合本发明实施例可能涉及的应用场景,这里可以采用Schmidt-Gram正交化方案,其是在欧式空间上求解各波段标准化的正交基(即单位化),得到正交化结果。
S240、对正交化结果与血液动力学函数进行卷积,并将卷积后得到的脑电信号在广义线性模型中的回归量作为脑电特征。
其中,对正交化结果与血液动力学函数(hemodynamic response function,HRF)进行卷积,得到脑电信号在GLM当中的回归量。换个角度阐述,本步骤也可以理解为正交化结果与大脑血氧动力学卷积获得静息状态下脑电活动后预期血红蛋白浓度变化的模型,得到基于EEG在GLM当中的回归量。将由此得到的回归量作为脑电特征。
S250、对在第一通道上采集到的脑血氧信号进行特征提取,得到第一血氧特征,以及对在第二通道上采集得到的脑血氧信号进行特征提取,得到第二血氧特征,其中,第一通道的通道长度长于第二通道。
其中,本步骤中的第一通道可以理解为长通道,并且第二通道可以理解为短通道,这里的长通道和短通道是相对而言的。对在不同采集通道上采集得到的脑血氧信号分别进行特征提取,从而得到各自的血氧特征,即与第一通道对应的第一血氧特征以及与第二通道对应的第二血氧特征。在实际应用中,可选的,可以将第一血氧特征的第一阶段进行标准化处理,结合本发明实施例可能涉及的应用场景,这里可通过Z值(z-score)实现标准化处理。
S260、将第一血氧特征在广义线性模型中的回归量以及第二血氧特征在广义线性模型中的回归量,作为脑血氧特征。
其中,将第一血氧特征在GLM中的回归量以及第二血氧特征在GLM中的回归量,作为脑血氧特征。
S270、基于脑电特征和脑血氧特征,分析得到生物特征,其中,生物特征包括脑电信号和脑血氧信号的神经血管耦合关系及目标的综合脑功能连接特征。
本发明实施例的技术方案,通过将脑电信号中在时间维度下的各波段的电位信号在振幅维度进行标准化,然后将标准化后的各波段的电位信号进行正交化,从而对正交化结果与HRF进行卷积,并将卷积后得到的脑电信号在GLM当中的回归量作为脑电特征,由此实现了脑电特征的有效提取;和/或,对在短通道和长通道上分别采集得到的脑血氧信号进行特征提取,得到相应的第一血氧特征和第二血氧特征,从而将第一血氧特征在GLM当中的回归量及第二血氧特征在GLM当中的回归量,作为脑血氧特征,由此实现了脑血氧特征的有效提取。
在此基础上,一种可选的技术方案,基于脑电特征和脑血氧特征,分析得到生物特征,可以包括:将脑电特征和脑血氧特征进行融合,得到第一融合特征;基于广义线性模型对第一融合特征进行分析,并将分析得到的神经血管耦合关系作为生物特征。其中,为了充分利用各有优势的脑电特征以及脑血氧特征,可以将这二者进行融合,得到第一融合特征,然后基于GLM对第一融合特征进行分析,从而得到了神经血管耦合关系,由此实现了神经血管耦合关系这种生物特征的有效分析的效果。实际应用中,可选的,可以基于多种方式实现脑电特征和脑血氧特征的融合过程,例如基于注意力机制或是小波变换来实现;再如利用联合互信息(Joint Mutual Information,JMI)准则对脑电特征和脑血氧特征进行组合优化来实现;再如通过不同的决策路径从预设方面分析大脑信息,然后再通过独立决策路径融合(Independent Decision Path Fusion,IDPF)的方式来实现;再如通过张量映射将脑电特征和脑血氧特征在时间序列上的组合转换为三阶张量来实现;当然,还可通过其余方式实现二者的融合过程,在此不再赘述。
为了从整体上更好地理解本发明实施例中所阐述的各个技术方案,下面结合具体示例,对其进行示例性说明。示例性的,参见图6,为了估算精神疾病患者的生理(神经元)指标规律,可以通过分析基于信号特征卷积下的fNIRS神经血管耦合关系实现。具体的,在脑电信号处理过程中,提取每个精神疾病患者在单个试验到多个试验(即时间维度)下的θ、α以及β波段的电位信号,将其在振幅维度上进行标准化。对于Schmidt-Gram正交化,其是在欧式空间上求解各波段标准化的正交基(单位化);并与HRF进行卷积,得到基于EEG在GLM当中的回归量。在脑血氧信号处理过程中,将其在长通道下的第一血氧特征以及在短通道下的第二血氧特征的第一阶段进行z-score处理,最终将它们的回归量以及EEG的回归量结合起来,进行GLM分析,从而得到脑电信号和脑血氧信号间的神经血管耦合关系。
图7是本发明实施例中提供的另一种生物特征分析方法的流程图。本实施例以上述各技术方案为基础进行优化。本实施例中,可选的,对脑电信号进行特征提取,得到脑电特征,包括:对脑电信号进行分析,得到第一脑功能连接特征,并将第一脑功能连接特征作为脑电特征;对脑血氧信号进行特征提取,得到脑血氧特征,包括:对脑血氧信号进行分析,得到第二脑功能连接特征,并将第二脑功能连接特征作为脑血氧特征;基于脑电特征和脑血氧特征,分析得到生物特征,可包括:将脑电特征和脑血氧特征进行对比,得到综合脑功能连接特征,并将综合脑功能连接特征作为生物特征。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图7,本实施例的方法具体可以包括如下步骤:
S310、获取目标的脑电信号和脑血氧信号。
S320、对脑电信号进行分析,得到第一脑功能连接特征,并将第一脑功能连接特征作为脑电特征。
S330、对脑血氧信号进行分析,得到第二脑功能连接特征,并将第二脑功能连接特征作为脑血氧特征。
S340、将脑电特征和脑血氧特征进行对比,得到目标的综合脑功能连接特征,并将综合脑功能连接特征作为生物特征。
其中,可以分别对脑电信号和脑血氧信号进行分析,得到各自的脑功能连接特征,如与脑电信号对应的第一脑功能连接特征以及与脑血氧信号对应的第二脑功能连接特征。进一步,将这两个脑功能连接特征进行对比,从而得到目标的综合脑功能连接特征。在实际应用中,可选的,第一脑功能连接特征的分析过程及第二脑功能连接特征的分析过程可以相同或是不同,在此未做具体限定。
本发明实施例的技术方案,通过对脑电信号以及脑血氧信号进行分析,然后将由此得到的与脑电信号对应的第一脑功能连接特征及与脑血氧信号对应的第二脑功能连接特征进行对比,从而有效得到了综合脑功能连接特征。
在此基础上,一种可选的技术方案,对脑血氧信号进行分析,得到第二脑功能连接特征,可以包括:针对脑血氧信号中位于基准通道上的基准信号以及位于各采集通道中除基准通道之外的其余通道上的其余信号,基于基准信号与其余信号计算得到基准通道与其余通道间的皮尔逊相关系数;基于皮尔逊相关系数,得到第二脑功能连接特征。实际应用中,可选的,假设基准通道是第i个采集通道,其余通道是第j个采集通道,那么这两个采集通道间的皮尔逊(Pearson)相关系数r可以通过如下式子进行表示:
其中ρ是Pearson函数的相关系数,yi表示第i个采集通道的n点时间序列,yj表示第j个通道的n点时间序列,通道配置的功能连接量化为r。上述技术方案,通过计算得到的皮尔逊相关系数,有效得到了第二脑功能连接特征。
另一可选的技术方案,基于皮尔逊相关系数,得到第二脑功能连接特征,可包括:针对计算得到的至少两个皮尔逊相关系数中的每个皮尔逊相关系数,基于预设变换策略对皮尔逊相关系数进行变换,得到变换脑功能连接图,其中,预设变换策略用于实现非线性修正;对各变换脑功能连接图进行平均,得到平均脑功能连接图;基于预设变换策略对应的反向变换策略,对平均脑功能连接图进行反向变换,得到第二脑功能连接特征。在实际应用中,可选的,预设变换策略可以是预先设置的用于对Pearson相关系数进行变换以对Pearson相关系数实现非线性修正的策略,例如Fisher变换,那么反向变换策略可以是反向Fisher变换。Fisher变换通过如下式子进行表示:
其中的z表示经过Fisher变换后得到的z值,基于z值可以得到变换脑功能连接图。上述技术方案,可以准确得到第二脑功能连接特征。
为了从整体上更好地理解本发明实施例中所阐述的各个技术方案,下面结合具体示例,对其进行示例性说明。示例性的,如图8所示,脑功能连接分析可以理解为:选择功能兴趣区域的一个采集通道作为基本种子(即基准通道),以计算基本种子与其它所有通道(即其余通道)之间的r。至少两个基本种子对每个皮质区域的每个兴趣区进行计算。具体的,首先从总体试验中选择检测阶段的时间序列血流动力学响应信号的试验来呈现与任务相关的反应,然后通过上文中的公式计算出第i个和第j个采集通道之间的r。r的每次新计算可以称为一次运行。然后使用Fisher变换将r值转换为z值来获得一组功能相关图(即变换脑功能连接图),并对每个采集通道的运行中的z值进行平均,得到平均脑功能连接图;最后通过反向Fisher变换获得r图中呈现的脑功能连接(即第二脑功能连接特征)。在此基础上,为了进一步分析第二脑功能连接特征所对应的脑功能连接图,可以使用统计分析来比较额叶和颞叶皮质区域之间的脑功能连接的显着差异。
在介绍本发明实施例之前,先对本发明实施例的应用场景进行示例性的说明。从对目标中的目标区域进行定位的角度出发,目前EEG较难找到目标区域,而fNIRS的定位性能远远高于EEG,通过分析目标的脑血氧信号,可将大脑皮质下的受损或是异常区域通过算法重建并可通过肉眼较好的辨别出,但是较fMRI而言依然缺少精准度。因此,为了提高目标区域的定位精准度,发明人提出了下述技术方案。
图9是本发明实施例中提供的另一种生物特征分析方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中,可选的,上述生物特征分析方法,还可以包括:将脑电特征和脑血氧特征进行融合,得到第二融合特征;基于第二融合特征进行脑成像重建,得到脑图谱。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图9,本实施例的方法具体可以包括如下步骤:
S410、获取目标的脑电信号和脑血氧信号。
S420、对脑电信号进行特征提取,得到脑电特征,以及对脑血氧信号进行特征提取,得到脑血氧特征。
S430、基于脑电特征和脑血氧特征,分析得到生物特征,其中,生物特征包括脑电信号和脑血氧信号的神经血管耦合关系及目标的综合脑功能连接特征。
S440、将脑电特征和脑血氧特征进行融合,得到第二融合特征。
其中,第二融合特征在时间和空间上均具有较为完整的信息。
S450、基于第二融合特征进行脑成像重建,得到脑图谱。
其中,基于第二融合特征进行脑成像重建后得到的脑图谱,可以理解为在多模态数据融合下激发出的脑图谱,这样的脑图谱更有助于自动或是医护人员人工准确定位出目标区域。示例性的,参见图10所示的脑图谱,在目标中通常包含多个功能区,不同病种的目标区域可能位于相同或是不同的功能区,图示中的A和B表示两种不同的病种。这里以A为例,其的两条直线分别指向不同的功能区,这两个功能区的颜色比较深,颜色越深则表示这个功能区是目标区域的可能性越大,由此提高了目标区域定位的精准性。定位出的目标区域可以作为物理刺激靶点,例如经颅交流电刺激(transcranial alternating-currentstimulation,tACS)、经颅直流电刺激(transcranial direct current stimulation,tDCS)以及经颅磁刺激(Transcranial Magnetic Stimulation,tMS)等。
本发明实施例的技术方案,通过将脑电特征以及脑血氧特征进行融合后得到第二融合特征,然后基于第二融合特征进行脑成像重建,得到脑图谱,这种处理方式可以在时间和空间上捕捉得到更为完整的信息,从而得到的脑图谱有助于提高目标区域的定位精度。
为了从整体上更好地理解上述的各个技术方案,下面结合具体示例,对其进行示例性说明。示例性的,参见图11,具体的:
步骤1:收集患有精神疾病患者的目标的脑电信号和脑血氧信号;
步骤2:分别对脑电信号和脑血氧信号进行预处理以及滤波;
步骤3:分别对脑电信号和脑血氧信号进行特征提取,例如短时傅里叶变换、小波算法或是深度学习算法等;
步骤4:将提取得到的脑电特征和脑血氧特征进行融合,以使它们能在同一维度上进行数据整合;
步骤5:多维度数据分析:1)神经血管耦合分析;2)脑图谱分析;3)脑功能连接分析;
步骤6:多维度数据分析结果可以为医护人员提供诊断和治疗依据。
上述技术方案,将fNIRS和EEG数据进行多维度融合及耦合分析,最大程度的捕获了精神疾病患者的生物特征;除此外,在fNIRS空间定位的基础上,利用多模态数据下的脑成像重建算法可以实现精神疾病患者的目标区域的准确定位。
图12为本发明实施例中提供的生物特征分析装置的结构框图,该装置用于执行上述任意实施例所提供的生物特征分析方法。该装置与上述各实施例的生物特征分析方法属于同一个发明构思,在生物特征分析装置的实施例中未详尽描述的细节内容,可以参考上述生物特征分析方法的实施例。参见图12,该装置具体可以包括:信号获取模块510、特征提取模块520以及特征分析模块530。其中,
信号获取模块510,用于获取目标的脑电信号和脑血氧信号;
特征提取模块520,用于对脑电信号进行特征提取,得到脑电特征,以及对脑血氧信号进行特征提取,得到脑血氧特征;
特征分析模块530,用于基于脑电特征以及脑血氧特征,分析得到生物特征,其中,生物特征包括脑电信号和脑血氧信号的神经血管耦合关系以及目标的综合脑功能连接特征。
可选的,特征提取模块520,可以包括:
电位信号标准化单元,用于针对脑电信号中在时间维度下的至少一个波段的电位信号,将各波段的电位信号在振幅维度进行标准化;
电位信号正交化单元,用于将标准化后的各波段的电位信号进行正交化,得到正交化结果;
脑电特征第一得到单元,用于对正交化结果与血液动力学函数卷积,并将卷积后得到的脑电信号在广义线性模型中的回归量作为脑电特征。
可选的,特征提取模块520,可以包括:
血氧特征提取单元,用于对在第一通道上采集到的脑血氧信号进行特征提取,得到第一血氧特征,以及对在第二通道上采集得到的脑血氧信号进行特征提取,得到第二血氧特征,其中,第一通道的通道长度长于第二通道;
脑血氧特征第一得到单元,用于将第一血氧特征在广义线性模型中的回归量以及第二血氧特征在广义线性模型中的回归量,作为脑血氧特征。
在此基础上,可选的,特征分析模块530,可以包括:
第一融合特征得到单元,用于将脑电特征和脑血氧特征进行融合,得到第一融合特征;
神经血管耦合关系分析单元,用于基于广义线性模型对第一融合特征进行分析,并将分析得到的神经血管耦合关系作为生物特征。
可选的,特征提取模块520,可以包括:
脑电特征第二得到单元,用于对脑电信号进行分析,得到第一脑功能连接特征,并将第一脑功能连接特征作为脑电特征;
脑血氧特征第二得到单元,用于对脑血氧信号进行分析,得到第二脑功能连接特征,并将第二脑功能连接特征作为脑血氧特征;
特征分析模块530,可以包括:
综合脑功能连接特征分析单元,用于将脑电特征和脑血氧特征对比,得到综合脑功能连接特征,并将综合脑功能连接特征作为生物特征。
在此基础上,可选的,脑血氧特征第二得到单元,可以包括:
皮尔逊相关系数计算子单元,用于针对脑血氧信号中位于基准通道上的基准信号及位于各采集通道中除基准通道外的其余通道上的其余信号,基于基准信号与其余信号计算得到基准通道与其余通道间的皮尔逊相关系数;
第二脑功能连接特征的得到子单元,用于基于皮尔逊相关系数,得到第二脑功能连接特征。
在此基础上,可选的,第二脑功能连接特征的得到子单元,具体用于:
针对计算出的至少两个皮尔逊相关系数中的每个皮尔逊相关系数,基于预设变换策略对皮尔逊相关系数进行变换,得到变换脑功能连接图,其中,预设变换策略用于实现非线性修正;
对各变换脑功能连接图进行平均,得到平均脑功能连接图;
基于预设变换策略对应的反向变换策略,对平均脑功能连接图进行反向变换,得到第二脑功能连接特征。
可选的,上述生物特征分析装置,还可以包括:
第二融合特征得到模块,用于将脑电特征和脑血氧特征进行融合,得到第二融合特征;
脑图谱重建模块,用于基于第二融合特征来脑成像重建,得到脑图谱。
可选的,特征提取模块520,可以包括:
脑电子信号得到单元,用于获取预先设置的时间窗口,并基于时间窗口在脑电信号上进行滑动,得到至少两个脑电子信号;
皮质活动信息得到单元,用于对至少两个脑电子信号进行特征提取,得到目标在时域上的皮质活动信息,并将皮质活动信息作为脑电特征。
可选的,特征提取模块520,可以包括:
通道激活图得到单元,用于针对脑血氧信号中的在同一采集通道下采集得到的通道信号,基于广义线性模型统计分析通道信号,得到通道激活图;
头皮激活图得到单元,用于根据各采集通道所分别对应的通道激活图,得到目标的头皮激活图,并将头皮激活图作为脑血氧特征。
本发明实施例提供的生物特征分析装置,通过信号获取模块获取目标的脑电信号和脑血氧信号;通过特征提取模块对脑电信号进行特征提取,得到脑电特征,以及对脑血氧信号进行特征提取,得到脑血氧特征;进而,通过特征分析模块基于脑电特征和脑血氧特征,分析得到生物特征,其中,生物特征包括脑电信号和脑血氧信号间的神经血管耦合关系以及目标的综合脑功能连接特征。上述装置,针对通过多模态fNIRS-EEG神经成像采集技术采集得到的脑电信号和脑血氧信号,对二者分别进行特征提取,并基于由此得到的脑电特征和脑血氧特征进行分析得到的生物特征,在时间和空间上均具有较完整的信息,由此可以为医护人员提供较好的诊断和治疗依据。
本发明实施例所提供的生物特征分析装置可执行本发明任意实施例所提供的生物特征分析方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述生物特征分析装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
图13示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图13所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如生物特征分析方法。
在一些实施例中,生物特征分析方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的生物特征分析方法的一个或多个步骤。备选地,在其他实施例中,处理器11可通过其他任何适当的方式(例如,借助于固件)而被配置为执行生物特征分析方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、以及至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、以及该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或是其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行并且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
可能以许多方式来实现本发明的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (13)
1.一种生物特征分析方法,其特征在于,包括:
获取目标的脑电信号和脑血氧信号;
对所述脑电信号进行特征提取,得到脑电特征,以及对所述脑血氧信号进行特征提取,得到脑血氧特征;
基于所述脑电特征和所述脑血氧特征,分析得到生物特征,其中,所述生物特征包括所述脑电信号和所述脑血氧信号的神经血管耦合关系以及所述目标的综合脑功能连接特征。
2.根据权利要求1所述的方法,其特征在于,所述对所述脑电信号进行特征提取,得到脑电特征,包括:
针对所述脑电信号中在时间维度下的至少一个波段的电位信号,将各所述波段的电位信号在振幅维度进行标准化;
将标准化后的各所述波段的电位信号进行正交化,得到正交化结果;
对所述正交化结果与血液动力学函数进行卷积,并将卷积后得到的所述脑电信号在广义线性模型中的回归量作为脑电特征。
3.根据权利要求1所述的方法,其特征在于,所述对所述脑血氧信号进行特征提取,得到脑血氧特征,包括:
对在第一通道上采集到的所述脑血氧信号进行特征提取,得到第一血氧特征,以及对在第二通道上采集得到的所述脑血氧信号进行特征提取,得到第二血氧特征,其中,所述第一通道的通道长度长于所述第二通道;
将所述第一血氧特征在广义线性模型中的回归量以及所述第二血氧特征在所述广义线性模型中的回归量,作为脑血氧特征。
4.根据权利要求2或是3所述的方法,其特征在于,所述基于所述脑电特征和所述脑血氧特征,分析得到生物特征,包括:
将所述脑电特征和所述脑血氧特征进行融合,得到第一融合特征;
基于所述广义线性模型对所述第一融合特征进行分析,并将分析得到的所述神经血管耦合关系作为生物特征。
5.根据权利要求1所述的方法,其特征在于,所述对所述脑电信号进行特征提取,得到脑电特征,包括:
对所述脑电信号进行分析,得到第一脑功能连接特征,并将所述第一脑功能连接特征作为脑电特征;
所述对所述脑血氧信号进行特征提取,得到脑血氧特征,包括:
对所述脑血氧信号进行分析,得到第二脑功能连接特征,并将所述第二脑功能连接特征作为脑血氧特征;
所述基于所述脑电特征和所述脑血氧特征,分析得到生物特征,包括:
将所述脑电特征和所述脑血氧特征进行对比,得到所述综合脑功能连接特征,并将所述综合脑功能连接特征作为生物特征。
6.根据权利要求5所述的方法,其特征在于,所述对所述脑血氧信号进行分析,得到第二脑功能连接特征,包括:
针对脑血氧信号中位于基准通道上的基准信号以及位于各采集通道中除所述基准通道之外的其余通道上的其余信号,基于所述基准信号与所述其余信号计算得到所述基准通道与所述其余通道间的皮尔逊相关系数;
基于所述皮尔逊相关系数,得到第二脑功能连接特征。
7.根据权利要求6所述的方法,其特征在于,所述基于所述皮尔逊相关系数,得到第二脑功能连接特征,包括:
针对计算得到的至少两个所述皮尔逊相关系数中的每个所述皮尔逊相关系数,基于预设变换策略对所述皮尔逊相关系数进行变换,得到变换脑功能连接图,其中,所述预设变换策略用于实现非线性修正;
对各所述变换脑功能连接图进行平均,得到平均脑功能连接图;
基于所述预设变换策略对应的反向变换策略,对所述平均脑功能连接图进行反向变换,得到第二脑功能连接特征。
8.根据权利要求1所述的方法,其特征在于,还包括:
将所述脑电特征和所述脑血氧特征进行融合,得到第二融合特征;
基于所述第二融合特征进行脑成像重建,得到脑图谱。
9.根据权利要求1所述的方法,其特征在于,所述对所述脑电信号进行特征提取,得到脑电特征,包括:
获取预先设置的时间窗口,并基于所述时间窗口在所述脑电信号上进行滑动,得到至少两个脑电子信号;
对所述至少两个脑电子信号进行特征提取,得到所述目标在时域上的皮质活动信息,并将所述皮质活动信息作为脑电特征。
10.根据权利要求1所述的方法,其特征在于,所述对所述脑血氧信号进行特征提取,得到脑血氧特征,包括:
针对所述脑血氧信号中的在同一采集通道下采集得到的通道信号,基于广义线性模型对所述通道信号进行统计分析,得到通道激活图;
根据各所述采集通道分别对应的通道激活图,得到所述目标的头皮激活图,并将所述头皮激活图作为脑血氧特征。
11.一种生物特征分析装置,其特征在于,包括:
信号获取模块,用于获取目标的脑电信号和脑血氧信号;
特征提取模块,用于对所述脑电信号进行特征提取,得到脑电特征,以及对所述脑血氧信号进行特征提取,得到脑血氧特征;
特征分析模块,用于基于所述脑电特征以及所述脑血氧特征,分析得到生物特征,其中,所述生物特征包括所述脑电信号和所述脑血氧信号的神经血管耦合关系以及所述目标的综合脑功能连接特征。
12.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-10中任一项所述的生物特征分析方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现如权利要求1-10中任一所述的生物特征分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211379613.1A CN115670480A (zh) | 2022-11-04 | 2022-11-04 | 一种生物特征分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211379613.1A CN115670480A (zh) | 2022-11-04 | 2022-11-04 | 一种生物特征分析方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115670480A true CN115670480A (zh) | 2023-02-03 |
Family
ID=85050964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211379613.1A Pending CN115670480A (zh) | 2022-11-04 | 2022-11-04 | 一种生物特征分析方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115670480A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115778329A (zh) * | 2023-02-06 | 2023-03-14 | 慧创科仪(北京)科技有限公司 | 一种基于vft的近红外脑功能成像系统 |
-
2022
- 2022-11-04 CN CN202211379613.1A patent/CN115670480A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115778329A (zh) * | 2023-02-06 | 2023-03-14 | 慧创科仪(北京)科技有限公司 | 一种基于vft的近红外脑功能成像系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boroujeni et al. | Diagnosis of attention deficit hyperactivity disorder using non‐linear analysis of the EEG signal | |
Storti et al. | Automatic selection of resting-state networks with functional magnetic resonance imaging | |
Val-Calvo et al. | Optimization of real-time EEG artifact removal and emotion estimation for human-robot interaction applications | |
CN111310570A (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
Banville et al. | Robust learning from corrupted EEG with dynamic spatial filtering | |
De Martino et al. | Multimodal imaging: an evaluation of univariate and multivariate methods for simultaneous EEG/fMRI | |
Firooz et al. | IQ estimation by means of EEG-fNIRS recordings during a logical-mathematical intelligence test | |
Peya et al. | EEG based autism detection using CNN through correlation based transformation of channels' data | |
Katura et al. | Extracting task-related activation components from optical topography measurement using independent components analysis | |
Gao et al. | Deep learning-based motion artifact removal in functional near-infrared spectroscopy | |
Cleatus et al. | Epileptic seizure detection using spectral transformation and convolutional neural networks | |
Xie et al. | Time-varying whole-brain functional network connectivity coupled to task engagement | |
Aziz et al. | Pulse plethysmograph signal analysis method for classification of heart diseases using novel local spectral ternary patterns | |
CN115670480A (zh) | 一种生物特征分析方法、装置、电子设备及存储介质 | |
Tosun et al. | Novel eye‐blink artefact detection algorithm from raw EEG signals using FCN‐based semantic segmentation method | |
Wein et al. | Forecasting brain activity based on models of spatiotemporal brain dynamics: A comparison of graph neural network architectures | |
Narmada et al. | A novel adaptive artifacts wavelet Denoising for EEG artifacts removal using deep learning with Meta-heuristic approach | |
La Rocca et al. | Stable EEG features for biometric recognition in resting state conditions | |
Shah et al. | An investigation of the multi-dimensional (1D vs. 2D vs. 3D) analyses of EEG signals using traditional methods and deep learning-based methods | |
Kim et al. | A deep convolutional neural network for estimating hemodynamic response function with reduction of motion artifacts in fNIRS | |
Sorriso et al. | An automated magnetoencephalographic data cleaning algorithm | |
US20140316746A1 (en) | Real-time signal processing system and method based on multi-channel independent component analysis | |
Talukdar et al. | Modeling Neurovascular Coupling from Clustered Parameter Sets for Multimodal EEG‐NIRS | |
Egambaram et al. | Online detection and removal of eye blink artifacts from electroencephalogram | |
CN112274145A (zh) | 近红外脑功能成像数据的处理方法、装置和存储介质 |
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 |