CN115770055A - 基于脑电信号的k复合波检测方法、装置及系统 - Google Patents
基于脑电信号的k复合波检测方法、装置及系统 Download PDFInfo
- Publication number
- CN115770055A CN115770055A CN202211457178.XA CN202211457178A CN115770055A CN 115770055 A CN115770055 A CN 115770055A CN 202211457178 A CN202211457178 A CN 202211457178A CN 115770055 A CN115770055 A CN 115770055A
- Authority
- CN
- China
- Prior art keywords
- complex
- electroencephalogram
- module
- data
- signal
- 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
Abstract
为了解决现有技术中的问题,本发明提供了一种基于脑电信号的k复合波检测方法、装置及系统,包括:利用小波基与脑电信号进行卷积,得到卷积结果;对所述卷积结果进行数据归一化处理,得到归一化数据;在所述归一化数据中查找峰值;对所述峰值进行阈值训练,以获得所述k复合波;本发明所述的方法可以完全拟合k复合波特征,提升了检测的准确率。
Description
技术领域
本发明涉及脑电信号分析领域,尤其涉及一种基于脑电信号的k复合波检测方法、装置及系统。
背景技术
K复合波(K-complex,KC)是睡眠分期的重要依据,同时也是反映脑龄的变化、睡眠质量以及睡眠障碍的重要指标。准确的识别K复合波对于睡眠结果的研究具有很重要的意义。
传统检测K复合波的方法主要依靠人工,准确率无法保证;随着对K复合波的研究,逐渐出现了很多自动识别K复合波的方法,包括:形态学检测、时频分析以及提取特征通过神经网络分类。一般的,K复合波的形态学识别基本都是根据其频率特征、持续时间、峰值范围等,利用经典信号处理方法对K复合波进行分析;但是,经典信号处理方法要求固定的分析基,如Haar小波基、Daubechies(dbN)小波基,而这些分析基无法完全拟合k复合波特征,影响检测准确率;
一种高准确性的基于脑电信号的k复合波检测方法亟待研发。
发明内容
为了解决现有技术中的问题,本发明提供了一种基于脑电信号的k复合波检测方法、装置及系统,用于解决前述技术问题中的至少一个。
具体地,其技术方案如下:
一种基于脑电信号的k复合波检测方法,包括:
利用小波基与脑电信号进行卷积,得到卷积结果;
对所述卷积结果进行数据归一化处理,得到归一化数据;
在所述归一化数据中查找峰值;
对所述峰值进行阈值训练,以获得所述k复合波。
所述脑电信号通过以下步骤获取:
按照预设采样频率和采样时长,采集脑电数据;
对所述脑电数据进行预处理,得到关于所述脑电数据的波形序列;
以段为基础,按照预设时间长度分割所述波形序列,得到N段分割后信号;
选取N段所述分割后信号中的任一一段,作为所述脑电信号;
N=2,3,4,……。
所述“对所述峰值进行阈值训练,以获得所述k复合波”的步骤,包括:
根据所述k复合波的标签,设定幅值阈值和频率阈值;
根据所述幅值阈值筛选出有效峰值;
根据所述有效峰值,对所述脑电信号进行形态学筛选,得到所述脑电信号中出现的所述K复合波的数量;
在所述数量中,排除深睡慢波后,得到所述K复合波。
所述“根据所述有效峰值,对所述脑电信号进行形态学筛选”的步骤,包括:
将所述脑电信号在比较时刻的幅值、频率分别与所述幅值阈值、所述频率阈值进行对比,得到所述K复合波的数量;
所述比较时刻为:所述有效峰值出现的时刻。
所述小波基的构建方法,包括:
通过典型的K复合波与多项式进行拟合,构建所述小波基。
一种基于脑电信号的k复合波检测系统,包括:
采集模块,用于采集脑电数据;
分割模块,与所述采集模块进行数据交互,用于对所述脑电数据进行分割,得到脑电信号;
处理模块,与所述分割模块进行数据交互,用于利用小波基与所述脑电信号进行卷积,并对卷积结果进行归一化处理;
分析模块,与所述处理模块进行数据交互,用于在归一化处理后的数据中进行峰值查找,并对所述峰值进行阈值训练,以获得所述k复合波。
所述分析模块,包括:
查找模块,与所述处理模块连接,用于在所述归一化处理后的数据中查找峰值;
训练模块,与所述查找模块连接,用于通过预设的幅值阈值和预设的频率幅值对所述峰值进行阈值训练,得到有效峰值;
检测模块,与所述训练模块连接,用于根据所述有效峰值对所述脑电信号进行形态学筛选,得到初选k复合波;
过滤模块,与所述检测模块连接,用于排除所述初选k复合波中的深睡慢波,以获得所述k复合波。
所述检测模块与所述训练模块进行数据交互,用于通过将所述脑电信号在比较时刻的幅值和/或频率分别与对应的所述幅值阈值和/或所述频率阈值进行对比完成所述形态学筛选;
所述比较时刻为:所述有效峰值出现的时刻。
一种基于脑电信号的k复合波检测的电子装置,包括:
存储介质,用于存储计算机程序;
处理单元,与所述存储介质进行数据交换,用于在进行k复合波检测时,通过所述处理单元执行所述计算机程序,进行如上所述的基于脑电信号的k复合波检测方法的步骤。
一种计算机可读存储介质:
所述计算机可读存储介质内存储有计算机程序;
所述计算机程序在运行时,执行如上所述的基于脑电信号的k复合波检测方法的步骤。
本发明至少具有以下有益效果:
本发明所述的方法,通过利用小波基与脑电信号进行卷积,得到卷积结果;然后,对所述卷积结果进行数据归一化处理,得到归一化数据,并在所述归一化数据中查找峰值;最后,对所述峰值进行阈值训练,以获得所述k复合波;本发明所述的方法可以完全拟合k复合波特征,提升了检测的准确率;
本发明所述的系统,通过采集模块采集脑电数据,然后利用分割模块对所述脑电数据进行分割,得到脑电信号;再通过处理模块利用小波基与所述脑电信号进行卷积,并对卷积结果进行归一化处理;最后,在分析模块中进行峰值查找,并对所述峰值进行阈值训练,以获得所述k复合波;本发明所述的系统具有结构简单,检测准确的优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明所述小波基的波形图;
图2为本发明所述方法的流程图;
图3为图2流程中获取脑电信号的流程图;
图4为图2流程中获取K复合波的流程图;
图5为具体使用如图1所述方法的总流程图;
图6为本发明所述系统的系统框图;
图7为图6所述系统框图中分析模块的框图;
图8为人工打标方式与本发明所述方法的对比示意图;
在图1-8中:
100.采集模块;200.分割模块;300.处理模块;400.分析模块;41.查找模块;42.训练模块;43.检测模块;44.过滤模块。
具体实施方式
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
近年来,虽然随着机器学习方法兴起,各种机器学习方法也被用来检测K复合波;但是,机器学习方法依赖数据打标签,目前k复合波的标准数据集较少,且数据量较少,会影响机器学习模型的鲁棒性,同样影响检测的准确率,居于此,本发明提供以下实施例:
具体实施例I:
本发明提供一种实施例:
如图1-4,一种基于脑电信号的k复合波检测方法,包括:利用如图1所述的小波基与脑电信号进行卷积,得到卷积结果;对所述卷积结果进行数据归一化处理,得到归一化数据;在所述归一化数据中查找峰值;对所述峰值进行阈值训练,以获得所述k复合波;所述脑电信号通过以下步骤获取:按照预设采样频率和采样时长,采集脑电数据;对所述脑电数据进行预处理,得到关于所述脑电数据的波形序列;以段为基础,按照预设时间长度分割所述波形序列,得到N段分割后信号;选取N段所述分割后信号中的任一一段,作为所述脑电信号;N=2,3,4,……;
其中,所述“对所述峰值进行阈值训练,以获得所述k复合波”的步骤,包括:根据所述k复合波的标签,设定幅值阈值和频率阈值;根据所述幅值阈值筛选出有效峰值;根据所述有效峰值,对所述脑电信号进行形态学筛选,得到所述脑电信号中出现的所述K复合波的数量;在所述数量中,排除深睡慢波后,得到所述K复合波;
优选的,所述“根据所述有效峰值,对所述脑电信号进行形态学筛选”的步骤,包括:将所述脑电信号在比较时刻的幅值、频率分别与所述幅值阈值、所述频率阈值进行对比,得到所述K复合波的数量;所述比较时刻为:所述有效峰值出现的时刻。
如图5,为基于具体实施例I而进行的具体检测步骤,包括:
S1:用单通道设备按照预设的采样频率250Hz和采样时长,采集脑电数据;
S2:对采集的脑电信号预处理,降采样到200Hz;局部多项式拟合去除基线漂移,带通滤波去除干扰;
S3:按照一定的时间30s长度分割波形序列,以段为基础展开接下来的处理,得到每段信号si;
S4:构建如图1所示的类似K复合波形状的小波基w,包括:
S4-1:找到典型的K复合波;
S4-2:利用多项式,如6阶多项式,拟合K复合波,构建小波基;
由于如图1所示的小波基的外形与K复合波de外形十分接近,能够提升机器学习模型的鲁棒性,并提升检测的准确率;
S5:利用小波基w与S(i)卷积;
其中,m=200为小波基长度,为第i段EEG信号,为第t个EEG数据卷积后结果;
S6:数据归一化;
S7:峰值查找;优选的,采用以下步骤进行:
S7-1:5点法查找峰值;
S7-2:设定阈值:可在时域30个点内,筛选峰值中最大值为该段的真实峰值;
S8:阈值训练,去除无效K复合波,包括:
S8-1:依据K复合波的标签,选择合适的幅值(归一化后>=0.42),筛选出有效峰值;
S8-2:进一步的,依据S8-1结果,确认si在对应位置的幅值是否满足K复合波幅值80-380uv和时间跨度,如0.5-2s,的要求;
S8-3:统计si出现的K复合波个数,如果m每段30s的EEG数据内K复合波个数>5个,则认为此段为深睡慢波,最后得到K复合波S8-3,统计si出现的K复合波个数:如果m每段30s的EEG数据内K复合波个数>5个,则认为此段为深睡慢波,最后得到K复合波。
验证环节:
对于具体实施例I的技术方案通过以下方法进行验证;
如图8所示,根据脑电图,通过人工打标的方式找出其中的K复合波;再经过具体实施例I所述方法重新获取K复合波;最后,在设定的阈值内,将人工打标的结果与具体实施例I所述方法得到的结果进行对比统计,并通过以下方式验证;
其中,Tp:预测对的个数;
Fp:预测错的个数;
Fn:未预测到的个数;
TPR:召回率;
PPV:准确率;
得到如表1的结果:
根据表1可知,本实施例所述的方法准确率和召回率都达到不错的效果,能够提升机器学习模型的鲁棒性,进一步提升检测的准确率;
所以,本发明基于脑电(EEG)信号,采取了预处理、小波去噪和形态学方法检测K复合波,是一种新颖的、高精度的K复合检测方法。
具体实施例II:
本发明还提供如下实施例:
如图6,一种基于脑电信号的k复合波检测系统,包括:采集模块100、分割模块200、处理模块300以及分析模块400;其中,采集模块100用于采集脑电数据;分割模块200与所述采集模块100进行数据交互,用于对所述脑电数据进行分割,得到脑电信号;处理模块300与所述分割模块200进行数据交互,用于利用小波基与所述脑电信号进行卷积,并对卷积结果进行归一化处理;分析模块400与所述处理模块300进行数据交互,用于在归一化处理后的数据中进行峰值查找,并对所述峰值进行阈值训练,以获得所述k复合波。
具体的,如图7,所述分析模块400,包括:查找模块41、训练模块42、检测模块43以及过滤模块44;其中,查找模块41与所述处理模块300连接,用于在所述归一化处理后的数据中查找峰值;训练模块42与所述查找模块41连接,用于通过预设的幅值阈值和预设的频率幅值对所述峰值进行阈值训练,得到有效峰值;检测模块43与所述训练模块42连接,用于根据所述有效峰值对所述脑电信号进行形态学筛选,得到初选k复合波;过滤模块44与所述检测模块43连接,用于排除所述初选k复合波中的深睡慢波,以获得所述k复合波;
其中,所述检测模块43与所述训练模块42进行数据交互,用于通过将所述脑电信号在比较时刻的幅值、频率分别与所述幅值阈值、所述频率阈值进行对比完成所述形态学筛选;
优选的,所述比较时刻为:所述有效峰值出现的时刻。
具体实施例III:
本发明还提供一种实施例:
一种电子装置,包括:用于存储计算机程序的存储介质和处理单元;其中,处理单元与所述存储介质进行数据交换,用于在进行通知时,通过所述处理单元执行所述计算机程序,进行如上所述的基于脑电信号的k复合波检测方法的步骤。
上述的电子装置中,存储介质优选为,移动硬盘或固态硬盘或U盘等存储设备;处理单元,优选为CPU,与所述存储介质进行数据交换,用于在进行脑电信号检测时,通过所述处理单元执行所述计算机程序,进行如上所述的基于脑电信号的k复合波检测方法的步骤。
上述CPU可以根据存储在存储介质中的程序执行各种适当的动作和处理。所述电子设备还包括以下外设,包括键盘、鼠标等的输入部分,也可以包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;特别地,根据本发明公开的实施例,如图1-5中任一描述的过程均可以被实现为计算机软件程序。
本发明还提供一种实施例:
一种计算机可读存储介质:所述计算机可读存储介质内存储有计算机程序;所述计算机程序在运行时,执行如上所述的基于脑电信号的k复合波检测方法的步骤;
在本实施例中,计算机可读的存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
以上公开的仅为本发明的几个具体实施场景,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。上述本发明序号仅仅为了描述,不代表实施场景的优劣。
Claims (10)
1.一种基于脑电信号的k复合波检测方法,其特征在于,包括:
利用小波基与脑电信号进行卷积,得到卷积结果;
对所述卷积结果进行数据归一化处理,得到归一化数据;
在所述归一化数据中查找峰值;
对所述峰值进行阈值训练,以获得所述k复合波。
2.根据权利要求1所述的一种基于脑电信号的k复合波检测方法,其特征在于,所述脑电信号通过以下步骤获取:
按照预设采样频率和采样时长,采集脑电数据;
对所述脑电数据进行预处理,得到关于所述脑电数据的波形序列;
以段为基础,按照预设时间长度分割所述波形序列,得到N段分割后信号;
选取N段所述分割后信号中的任一一段,作为所述脑电信号;
N=2,3,4,……。
3.根据权利要求1所述的一种基于脑电信号的k复合波检测方法,其特征在于,所述“对所述峰值进行阈值训练,以获得所述k复合波”的步骤,包括:
根据所述k复合波的标签,设定幅值阈值和频率阈值;
根据所述幅值阈值筛选出有效峰值;
根据所述有效峰值,对所述脑电信号进行形态学筛选,得到所述脑电信号中出现的所述K复合波的数量;
在所述数量中,排除深睡慢波后,得到所述K复合波。
4.根据权利要求3所述的一种基于脑电信号的k复合波检测方法,其特征在于,所述“根据所述有效峰值,对所述脑电信号进行形态学筛选”的步骤,包括:
将所述脑电信号在比较时刻的幅值、频率分别与所述幅值阈值、所述频率阈值进行对比,得到所述K复合波的数量;
所述比较时刻为:所述有效峰值出现的时刻。
5.根据权利要求1所述的一种基于脑电信号的k复合波检测方法,其特征在于,所述小波基的构建方法,包括:
通过典型的K复合波与多项式进行拟合,构建所述小波基。
6.一种基于脑电信号的k复合波检测系统,其特征在于,包括:
采集模块,用于采集脑电数据;
分割模块,与所述采集模块进行数据交互,用于对所述脑电数据进行分割,得到脑电信号;
处理模块,与所述分割模块进行数据交互,用于利用小波基与所述脑电信号进行卷积,并对卷积结果进行归一化处理;
分析模块,与所述处理模块进行数据交互,用于在归一化处理后的数据中进行峰值查找,并对所述峰值进行阈值训练,以获得所述k复合波。
7.根据权利要求6所述的基于脑电信号的k复合波检测系统,其特征在于,所述分析模块,包括:
查找模块,与所述处理模块连接,用于在所述归一化处理后的数据中查找峰值;
训练模块,与所述查找模块连接,用于通过预设的幅值阈值和预设的频率幅值对所述峰值进行阈值训练,得到有效峰值;
检测模块,与所述训练模块连接,用于根据所述有效峰值对所述脑电信号进行形态学筛选,得到初选k复合波;
过滤模块,与所述检测模块连接,用于排除所述初选k复合波中的深睡慢波,以获得所述k复合波。
8.根据权利要求7所述的基于脑电信号的k复合波检测系统,其特征在于:
所述检测模块与所述训练模块进行数据交互,用于通过将所述脑电信号在比较时刻的幅值和/或频率与对应的所述幅值阈值和/或所述频率阈值进行对比完成所述形态学筛选;
所述比较时刻为:所述有效峰值出现的时刻。
9.一种基于脑电信号的k复合波检测的电子装置,包括:
存储介质,用于存储计算机程序;
处理单元,与所述存储介质进行数据交换,用于在进行k复合波检测时,通过所述处理单元执行所述计算机程序,进行如权利要求1-5任一权利要求所述的基于脑电信号的k复合波检测方法的步骤。
10.一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内存储有计算机程序;
所述计算机程序在运行时,执行如权利要求1-5中任一权利要求所述的基于脑电信号的k复合波检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211457178.XA CN115770055A (zh) | 2022-11-21 | 2022-11-21 | 基于脑电信号的k复合波检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211457178.XA CN115770055A (zh) | 2022-11-21 | 2022-11-21 | 基于脑电信号的k复合波检测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115770055A true CN115770055A (zh) | 2023-03-10 |
Family
ID=85389613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211457178.XA Pending CN115770055A (zh) | 2022-11-21 | 2022-11-21 | 基于脑电信号的k复合波检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115770055A (zh) |
-
2022
- 2022-11-21 CN CN202211457178.XA patent/CN115770055A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210358611A1 (en) | Method for Detecting Epileptic Spike, Method for Training Network Model, and Computer Device | |
Sharanreddy et al. | EEG signal classification for epilepsy seizure detection using improved approximate entropy | |
CN112656431A (zh) | 基于脑电的注意力识别方法、装置、终端设备和存储介质 | |
CN103544554B (zh) | 在核电站中评估操作人员的程序遵从度的系统以及方法 | |
CN113486752B (zh) | 基于心电信号的情感识别方法及系统 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
Khasawneh et al. | Detection of K-complexes in EEG signals using deep transfer learning and YOLOv3 | |
CN112348006A (zh) | 一种无人机信号识别方法、系统、介质及设备 | |
CN107616780A (zh) | 一种利用小波神经网络的脑电检测方法及装置 | |
CN114700587A (zh) | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 | |
CN109064464B (zh) | 用于检测电池极片毛刺的方法和装置 | |
CN105138886B (zh) | 机器人生物体征识别系统 | |
CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
CN112057068A (zh) | 一种癫痫病理数据分类方法、装置及存储介质 | |
CN115770055A (zh) | 基于脑电信号的k复合波检测方法、装置及系统 | |
CN116340825A (zh) | 一种基于迁移学习的跨被试rsvp脑电信号的分类方法 | |
WO2022116508A1 (zh) | 基于获取并识别噪声全景分布模型的信号分析方法及系统 | |
CN112750047B (zh) | 行为关系信息提取方法及装置、存储介质、电子设备 | |
CN111695117B (zh) | 一种webshell脚本检测方法及装置 | |
CN113397563A (zh) | 抑郁分类模型的训练方法、装置、终端及介质 | |
CN111079420B (zh) | 文本识别方法、装置、计算机可读介质及电子设备 | |
CN110889836A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
CN111291376A (zh) | 一种基于众包和机器学习的web漏洞验证方法 | |
CN114020593B (zh) | 一种基于轨迹聚类的异质流程日志采样方法与系统 | |
CN113476058B (zh) | 对抑郁症患者的干预处理方法、装置、终端及介质 |
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 |