CN115736949A - 一种对不同麻醉状态下脑电信号分类系统 - Google Patents
一种对不同麻醉状态下脑电信号分类系统 Download PDFInfo
- Publication number
- CN115736949A CN115736949A CN202211356093.2A CN202211356093A CN115736949A CN 115736949 A CN115736949 A CN 115736949A CN 202211356093 A CN202211356093 A CN 202211356093A CN 115736949 A CN115736949 A CN 115736949A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- signal
- anesthesia
- under different
- states
- 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)
Abstract
本发明属于医疗辅助工具技术领域,公开了一种对不同麻醉状态下脑电信号分类系统,脑电信号初级计算筛查模块;脑电信号对应麻醉深度计算模块;显示模拟模块。前置放大器将检测到的微弱电信号进行放大处理;人脑神经活动自发产生的生物电信号进过脑电极进入仪器的前置放大器;经低通滤波器滤波,50Hz陷波器和固定增益放大,最终抑制50Hz以上干扰信号,提取脑电信号;由路前置放大器放大后的脑电信号和心电信号经多路开关离散成一路串行的脉冲信号;离散信号由主放大器放大到模数转换器要求的幅度范围(放大5千倍以上),经模数转换器量化成数字信号并存贮到微机内存,至此完成一个子样的数据采集。
Description
技术领域
本发明属于医疗辅助工具技术领域,尤其涉及一种对不同麻醉状态下脑电信号分类系统。
背景技术
目前,大脑电生理信号是脑部神经元电活动产生的信号,在对大脑功能研究和脑部疾病诊断时脑电信号是直接的数据来源。世界各国对脑部大的研究都进行了大量的实验体,从实验动物到实验的人体,世界各国的研究者已经做了大量的工作,提出和应用了一系列非常有价值的方法和技术。目前临床常用的脑电监测系统具有脑电双频谱指数(BIS)、熵指数、脑状态指数(CSI)等。
熵指数监测仪就是用非线性分析法。熵指数与以往的麻醉深度监测方法相比,主要有下列优点:反应快、抗干扰能力强、预防术中知晓。但是由于病人的生理条件会对脑电信号产生影响,因此熵指数的使用范围有一定局限性。
通过上述分析,现有技术存在的问题及缺陷为:
人脑电信号,是一种十分微弱的电信号,现有的提取信号设备往往受到地信号和机械信号的干扰,脑电信号经常被埋没于人体和场地干扰信号之中。不能够准确的提取脑电信号并将其放大到AD转换器可接受和识别的电压范围。
发明内容
针对现有技术存在的问题,本发明提供了一种对不同麻醉状态下脑电信号分类系统。
本发明是这样实现的,一种对不同麻醉状态下脑电信号分类系统设置有:
脑电信号采集模块;
脑电信号初级计算筛查模块;脑电信号对应麻醉深度计算模块;显示模拟模块。
进一步,脑电信号采集模块,用粘有硅胶的脑电信号传感器粘粘在脑的前额及四周。
进一步,脑电信号初级计算筛查模块设置有,前置放大器将检测到的微弱电信号进行放大处理;50Hz陷波器连接在前置放大器后;低通滤波器、主放大器、AD转换器、微机。
进一步,脑电信号初级计算筛查模块进行如下步骤:
步骤一:人脑神经活动自发产生的生物电信号进过脑电极进入仪器的前置放大器;
步骤二:经低通滤波器滤波,50Hz陷波器和固定增益放大,最终抑制50Hz以上干扰信号,提取脑电信号;
步骤三:由路前置放大器放大后的脑电信号和心电信号经多路开关离散成一路串行的脉冲信号;
步骤四:离散信号由主放大器放大到模数转换器要求的幅度范围(放大5千倍以上),经模数转换器量化成数字信号并存贮到微机内存,至此完成一个子样的数据采集。
进一步,麻醉深度计算模块,经数模转换得到的数字信号在存储器内提取与获得的BFI参数作为输入,经中央处理器计算比较,将麻醉分为四个麻醉深度状态:清醒状态、浅度麻醉、正常麻醉、深度麻醉。
进一步,通过提取云端数据存储器内的大量病人的麻醉数据和200分钟以上原始脑电波信号的样本,经过自适应模糊逻辑算法对经过处理的获得的BFI参数作为输入,准确区分不同麻醉状态,获得稳定的麻醉深度指数SDA。
进一步,不同麻醉深度数据计算公式为:
α为临床实验数据,BSR为爆发抑制比,BSR≤40为非深度麻醉状态,BSR>40为深度麻醉。
进一步,所述脑电信号传感器对脑电信号进行筛查和过滤,具体包括:
1):脑电信号传感器获取脑电发出的原始脑电信号,并对原始脑电信号进行去噪处理,得到麻醉后的脑电信号;
2):获取麻醉后的脑电信号,根据覆盖频率以及脑电检测设备采样频率采用离散小波变化算法得出麻醉后的特征分量;
3):通过得出的麻醉后的特征分量,通过计算的到每特征分量的信号样本熵特征;
4):根据样本熵特征归一化处理,得到特征向量,并对特征向量进行检测和分类。
进一步,所述采用离散小波变换算法,具体算法为:
对脑电信号进行指定层数X的分解,得到X层频带,每层频带至少包括小波近似系数、小波细节系数频带的功率谱密度特征。
进一步,所述样本熵特征估算为:
其中,M表示将每层频带信号数据分为长度为M的时间序列,A(R)为是两个序列匹配的概率,B(R)是两个序列在相似容限R下匹配M个点的概率,R表示相似容积。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明实施例通过前置放大电路设计中,采用了多级低增益放大,多级滤波器滤波的方法,并将低通滤波器与50Hz陷波器联合使用,以增加滤波陡度。
本发明实施例通过针对传统脑电信号时频分析方法,利用小波变换的窗口恒定不变和信号局部分析的优良特性,并结合非线性动力学方法实现对脑电信号的特征表示,综合考虑,对最终的波形进行分类检测。
附图说明
图1是本发明实施例提供的对不同麻醉状态下脑电信号分类系统流程图;
图2是本发明实施例提供的脑电信号初级计算筛查流程图;
图3是本发明实施例提供的脑电信号传感器对脑电信号进行筛查和过滤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种对不同麻醉状态下脑电信号分类系统,下面结合附图对本发明作详细的描述。
如图1-2所示本发明实施例提供的对不同麻醉状态下脑电信号分类系统设有:
脑电信号初级计算筛查模块;脑电信号对应麻醉深度计算模块;显示模拟模块。
脑电信号采集模块,用粘有硅胶的脑电信号传感器粘粘在脑的前额及四周。
如图1所示本发明实施例对不同麻醉状态下脑电信号分类系统流程图
S101:前置放大器将检测到的微弱电信号进行放大处理;
S102:50Hz陷波器连接在前置放大器后;
S103:低通滤波器、主放大器、AD转换器、微机。
如图2所示,脑电信号初级计算筛查模块进行如下步骤:
S201:人脑神经活动自发产生的生物电信号进过脑电极进入仪器的前置放大器;
S202:经低通滤波器滤波,50Hz陷波器和固定增益放大,最终抑制50Hz以上干扰信号,提取脑电信号;
S203:由路前置放大器放大后的脑电信号和心电信号经多路开关离散成一路串行的脉冲信号;
S204:离散信号由主放大器放大到模数转换器要求的幅度范围(放大5千倍以上),经模数转换器量化成数字信号并存贮到微机内存,至此完成一个子样的数据采集。
麻醉深度计算模块,经数模转换得到的数字信号在存储器内提取与获得的BFI参数作为输入,经中央处理器计算比较,将麻醉分为四个麻醉深度状态:清醒状态、浅度麻醉、正常麻醉、深度麻醉。
通过提取云端数据存储器内的大量病人的麻醉数据和200分钟以上原始脑电波信号的样本,经过自适应模糊逻辑算法对经过处理的获得的BFI参数作为输入,准确区分不同麻醉状态,获得稳定的麻醉深度指数SDA。
不同麻醉深度数据计算公式为:
α为临床实验数据,BSR为爆发抑制比,BSR≤40为非深度麻醉状态,BSR>40为深度麻醉。
如图3所示,脑电信号传感器对脑电信号进行筛查和过滤,具体包括:
S301:脑电信号传感器获取脑电发出的原始脑电信号,并对原始脑电信号进行去噪处理,得到麻醉后的脑电信号;
S302:获取麻醉后的脑电信号,根据覆盖频率以及脑电检测设备采样频率采用离散小波变化算法得出麻醉后的特征分量;
S303:通过得出的麻醉后的特征分量,通过计算的到每特征分量的信号样本熵特征;
S304:根据样本熵特征归一化处理,得到特征向量,并对特征向量进行检测和分类。
所述采用离散小波变换算法,具体算法为:
对脑电信号进行指定层数X的分解,得到X层频带,每层频带至少包括小波近似系数、小波细节系数频带的功率谱密度特征。
所述样本熵特征估算为:
其中,M表示将每层频带信号数据分为长度为M的时间序列,A(R)为是两个序列匹配的概率,B(R)是两个序列在相似容限R下匹配M个点的概率,R表示相似容积。
以上所述,仅为本发明的具体实施方式,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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种对不同麻醉状态下脑电信号分类系统,其特征在于,所述对不同麻醉状态下脑电信号分类系统设置有:
脑电信号采集模块;
所述脑电信号采集模块设有脑电信号初级计算筛查模块,用于对脑部发出的脑电信号进行初步的记录和筛查;
脑电信号对应麻醉深度计算模块,将初步筛查的脑电信号进行计算,得出脑电信号处于的麻醉状态;
显示模拟模块。
2.如权利要求1所述的对不同麻醉状态下脑电信号分类系统,其特征在于,所述脑电信号采集模块,用粘有硅胶的脑电信号传感器粘粘在脑的前额及四周。
3.如权利要求1所述的对不同麻醉状态下脑电信号分类系统,其特征在于,所述脑电信号初级计算筛查模块设置有,前置放大器将检测到的微弱电信号进行放大处理;50Hz陷波器连接在前置放大器后;低通滤波器、主放大器、AD转换器、微机。
4.如权利要求1所述的对不同麻醉状态下脑电信号分类系统,其特征在于,所述脑电信号初级计算筛查模块进行如下步骤:
步骤一:人脑神经活动自发产生的生物电信号进过脑电极进入仪器的前置放大器;
步骤二:经低通滤波器滤波,50Hz陷波器和固定增益放大,最终抑制50Hz以上干扰信号,提取脑电信号;
步骤三:由路前置放大器放大后的脑电信号和心电信号经多路开关离散成一路串行的脉冲信号;
步骤四:离散信号由主放大器放大到模数转换器要求的幅度范围(放大5千倍以上),经模数转换器量化成数字信号并存贮到微机内存,至此完成一个子样的数据采集。
5.如权利要求1所述的对不同麻醉状态下脑电信号分类系统,其特征在于,所述麻醉深度计算模块,经数模转换得到的数字信号在存储器内提取与获得的BFI参数作为输入,经中央处理器计算比较,将麻醉分为四个麻醉深度状态:清醒状态、浅度麻醉、正常麻醉、深度麻醉。
6.如权利要求1所述的对不同麻醉状态下脑电信号分类系统,其特征在于,所述通过提取云端数据存储器内的大量病人的麻醉数据和200分钟以上原始脑电波信号的样本,经过自适应模糊逻辑算法对经过处理的获得的BFI参数作为输入,准确区分不同麻醉状态,获得稳定的麻醉深度指数SDA。
8.如权利要求3所述的对不同麻醉状态下脑电信号分类系统,其特征在于,所述脑电信号传感器对脑电信号进行筛查和过滤,具体包括:
1):脑电信号传感器获取脑电发出的原始脑电信号,并对原始脑电信号进行去噪处理,得到麻醉后的脑电信号;
2):获取麻醉后的脑电信号,根据覆盖频率以及脑电检测设备采样频率采用离散小波变化算法得出麻醉后的特征分量;
3):通过得出的麻醉后的特征分量,通过计算的到每特征分量的信号样本熵特征;
4):根据样本熵特征归一化处理,得到特征向量,并对特征向量进行检测和分类。
9.如权利要求8所述的对不同麻醉状态下脑电信号分类系统,其特征在于,所述采用离散小波变换算法,具体算法为:
对脑电信号进行指定层数X的分解,得到X层频带,每层频带至少包括小波近似系数、小波细节系数频带的功率谱密度特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211356093.2A CN115736949A (zh) | 2022-11-01 | 2022-11-01 | 一种对不同麻醉状态下脑电信号分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211356093.2A CN115736949A (zh) | 2022-11-01 | 2022-11-01 | 一种对不同麻醉状态下脑电信号分类系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115736949A true CN115736949A (zh) | 2023-03-07 |
Family
ID=85355201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211356093.2A Pending CN115736949A (zh) | 2022-11-01 | 2022-11-01 | 一种对不同麻醉状态下脑电信号分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115736949A (zh) |
-
2022
- 2022-11-01 CN CN202211356093.2A patent/CN115736949A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
CN105496363B (zh) | 基于检测睡眠脑电信号对睡眠阶段进行分类的方法 | |
Sharma et al. | ECG signal denoising using higher order statistics in Wavelet subbands | |
CN107174262B (zh) | 注意力评测方法和系统 | |
CN109498041B (zh) | 基于脑电与脉搏信息的驾驶员路怒状态识别方法 | |
Mirzaei et al. | EEG analysis based on wavelet-spectral entropy for epileptic seizures detection | |
CN110960191A (zh) | 一种基于频谱能量图的癫痫脑电信号分类方法 | |
Jha et al. | Tunable Q-wavelet based ECG data compression with validation using cardiac arrhythmia patterns | |
CN107693004A (zh) | 基于hilbert变换的胎儿心电提取与胎儿心率识别方法 | |
Rachman et al. | Alcoholism classification based on eeg data using independent component analysis (ica), wavelet de-noising and probabilistic neural network (pnn) | |
CN110840453A (zh) | 一种采集脑电信号电路及抗干扰方法 | |
CN117349598B (zh) | 脑电信号处理方法及装置、设备、存储介质 | |
Stevenson et al. | Artefact detection in neonatal EEG | |
Ahmed et al. | Wavelet based analysis of EEG signal for evaluating mental behavior | |
CN108717535B (zh) | 一种基于混合特征和长短时记忆网络的麻醉深度估计方法 | |
CN115736949A (zh) | 一种对不同麻醉状态下脑电信号分类系统 | |
CN113712574B (zh) | 一种脑电生物反馈得康复方法及系统 | |
Mirzaei et al. | Spectral entropy for epileptic seizures detection | |
Shete et al. | Comparison of sub-band decomposition and reconstruction of EEG signal by daubechies9 and symlet9 wavelet | |
Liu et al. | Remove motion artifacts from scalp single channel EEG based on noise assisted least square multivariate empirical mode decomposition | |
CN114587357A (zh) | 基于脑电频谱特征的太极桩精神状态检测方法 | |
Vai et al. | Beat-to-beat ECG ventricular late potentials variance detection by filter bank and wavelet transform as beat-sequence filter | |
CN111202510A (zh) | 一种阻抗血流图的数据处理方法 | |
CN116383709B (zh) | 信号噪声的检测方法、信号检测模型、可读存储介质 | |
Li et al. | Ocular Artifact Removal Algorithm of Single Channel EEG Based on CEEMDAN-ICA-WTD |
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 |