CN116502047B - 神经医学数据处理方法及系统 - Google Patents
神经医学数据处理方法及系统 Download PDFInfo
- Publication number
- CN116502047B CN116502047B CN202310584917.XA CN202310584917A CN116502047B CN 116502047 B CN116502047 B CN 116502047B CN 202310584917 A CN202310584917 A CN 202310584917A CN 116502047 B CN116502047 B CN 116502047B
- Authority
- CN
- China
- Prior art keywords
- domain data
- frequency
- data
- time domain
- time
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000005284 excitation Effects 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 238000003672 processing method Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 9
- 230000007177 brain activity Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000001766 physiological effect Effects 0.000 description 6
- 208000020016 psychiatric disease Diseases 0.000 description 5
- 201000000980 schizophrenia Diseases 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000763 evoking effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000000537 electroencephalography Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000021317 sensory perception Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
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]
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Psychology (AREA)
- Neurology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Neurosurgery (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种神经医学数据处理方法及系统。对相同激励条件下采集的多组脑电图的时域数据分别进行以下处理:将时域数据放大后时频转换为第一频域数据;对第一频域数据进行滤波处理;将经滤波处理后的第一频域数据逆变换为第二时域数据;将第二时域数据在时间上向前平移一个采样单位,得到第三时域数据;将第三时域数据时频转换为第二频域数据;将第二频域数据分段,以预定功率域值将各频段的频域数据二值化;以频率由低到高顺序将二值化后的第二频域数据排序,构建出当前时域数据的位图;将多组时域数据的位图进行逻辑与,得到当前激励条件下的神经医学数据。本发明可简化特征数据的复杂度和可运算性,提高了特征与激励的同步性。
Description
技术领域
本发明涉及精神科疾病辅助诊断分类领域,尤其是一种为精神科疾病诊断分类所依据的神经医学数据处理方法以及系统。
背景技术
精神疾病,尤其是精神分裂症,属于病因不明的精神类疾病,临床上通常表现为由一组症状群所组成的综合征,涉及感知觉、个人意识、情绪以及行为等多方面的障碍,以及精神活动的不协调。此类疾病对患者身心影响极为严重的疾病,对社会公众的安全也存在潜在的威胁。
以精神分裂症为例,其难以通过检测仪器直接检测发现,通常需要医师结合低患者激励时所检测的生理数据结合临床经验综合诊断。
目前被广泛认同的检测方式是通过脑电生理技术所获的的测试数据,以脑电图(Electroencephalography,EEG)最为常见,其能集中反映患者脑部在时间维度的生理变化情况,与患者生理活动的逻辑关系吻合度高,方便医师对患者生理活动变化的了解。而脑电生理技术中应用最广的是诱发脑电技术,其通过对患者在视觉、听觉等外部条件的激励来获得患者脑部生物电位的变化,常见的有视觉诱发电位(VEP)、听觉诱发电位(AEP)、P300等。
目前使用较多的辅助诊断方法是通过由脑电图获得的特征数据训练分类器,再利用分类器对受试者的脑电图特征进行学习分类,以得到大致的倾向性诊断结果。例如文献CN 110338760A所公开的一种基于脑电图频域数据的精神分裂症三分类方法,以及文献CN109671500A公开的基于脑电图时域数据的精神分裂症辅助诊断分类方法。
然而,目前常见的辅助诊断方法中,对于脑电图特征的提取,几乎都是全盘考虑,即在全波形范围内的时间维度和幅度维度上的每个特征均考虑在内,而未考虑过每个特征是否需要考虑全部属性信息,也未考虑过是否整个时间维度上的时域数据均正确反映了患者发病时的生理活动。
基于此考虑,本发明对脑电图特征进行简化,使其既能够正确反映患者生理活动的主要特征,又具备极低的数据复杂度和高效的可运算能力。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种神经医学数据处理方法,以得到个体的脑电图特征,该脑电图特征能准确匹配个体在激励下的脑部生理活动,并且具备极低的数据复杂度和高效的可运算能力。
本发明采用的技术方案如下:
一种神经医学数据处理方法,包括:
对相同激励条件下采集的多组脑电图的时域数据分别进行以下处理:
将时域数据放大后时频转换为第一频域数据;对所述第一频域数据进行滤波处理;将经滤波处理后的第一频域数据逆变换为第二时域数据;将所述第二时域数据在时间上向前平移一个采样单位,得到第三时域数据;将所述第三时域数据时频转换为第二频域数据;将所述第二频域数据分段,以预定功率域值将各频段的频域数据二值化;以频率由低到高顺序将二值化后的第二频域数据排序,构建出当前时域数据的位图;
将多组时域数据的位图进行逻辑与,得到当前激励条件下的神经医学数据。
进一步的,所述对所述第一频域数据进行滤波处理,包括:
将所述第一频域数据投影到以频率为横坐标,以频点数量为纵坐标的像平面;
对频点数量突变的坐标点的纵坐标,以相邻坐标点的纵坐标进行平坦化处理;
滤除频率低于0.5Hz,以及频率高于49.5Hz的数据。
进一步的,所述以预定功率域值将各频段的频域数据二值化,包括:
计算所述第二频域数据的功率谱;
将各频段投影到所述功率谱的横坐标,将功率达到预定功率域值的频段的标识设置为1,将功率低于预定功率域值的频段的标识设置为0。
进一步的,将所述第二时域数据在时间上向前平移一个采样单位,包括:
将所述时域数据的波形展开;
将所述第二时域数据的波形整体向历史时间方向平移一个采样单位。
进一步的,将时域数据转化为第一频域数据前,还包括:
对时域数据进行去噪。
进一步的,所述对时域数据进行去噪,包括:
以反噪声函数对所述时域数据进行补偿,所述反噪声函数为脑电图采集装置空载时得到的数据的逆函数。
进一步的,所述相同激励条件下采集的多组脑电图,为对同一个体在相同激励条件下所分别采集的、相同时长的脑电图。
本发明还提供了一种神经医学数据处理系统,包括计算机存储介质和处理单元,所述计算机存储介质中存储有计算机程序,所述处理单元运行所述计算机存储介质中存储的计算机程序,以执行上述的神经医学数据处理方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明将脑电图时域数据二值化,保留了原本能够反映脑部活动活跃在哪些区域的特征,能够为医师的诊断提供数据支撑,同时又简化了特征数据的复杂度,使得特征数据不再具备高维度的复杂度,可减轻机器处理的负荷,并且提高处理效率。
2、本发明通过构建位图来标识脑电图特征,可以方便多局部特征(例如对患者进行高密度点位的脑部测试)的高效运算。并且,通过对多组相同激励条件下的时域数据的逻辑运算,提高了特征标识的准确性。
3、本发明将时域数据在时间上向前平移了一个采样单位,考虑进了受试者在感官获得激励到脑部作出反应期间的延时(极低,通常被忽略),使得处理后的时域数据与进行激励的时间同步性更高,更能准确地反映脑部活动与激励条件的关系,同时也过滤掉了受试者脑部作出反应前的噪音数据。
4、本发明的滤波处理过程(对突变数据的平坦化处理),保留了反映脑部活动活跃区域的特征,同时对原始数据进行了降维简化,降低了后续处理的负荷,提高了处理效率。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明一个较佳实施例的脑电图采集导联空间与平面位置分布。
图2是本发明一个较佳实施例的神经医学数据处理方法的流程图。
图3是本发明一个较佳实施例的频域数据分段示意图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
实施例一
一种神经医学数据处理方法,主要应用在精神类疾病辅助诊断时对脑电图特征的提取过程。对于脑电图(时域数据)的获取,可通过对同一个体每间隔一段时间进行一次相同的外部激励(包括视觉、听觉等感官的激励),通过电极帽(其上装有多个传感器)获得每次激励下的脑电图时域数据,如图1所示。上述处理方法包括分别对多组脑电图时域数据的预处理过程,以及对各组预处理结果的逻辑运算过程。如图2所示,具体包括:
对于相同激励条件下采集的多组脑电图的时域数据分别进行以下处理:
将时域数据放大后去噪。去噪方法可以反噪声函数对所述时域数据进行补偿,所述反噪声函数为脑电图采集装置空载时得到的数据的逆函数,即对检测出的噪声进行互补抵消的函数。而对于引入噪声低的或者自带噪声补偿的脑电图采集装置,可以省略去噪过程。
将去噪(如有去噪步骤)后的时频转换为第一频域数据。脑电图时域数据通常幅度非常微弱,只有mV甚至uV级别,因此,需要经过放大后再进行处理,放大倍数通常是百万倍级别。时频转换的方法较为常规,采用快速傅里叶变换即可。
对所述第一频域数据进行滤波处理。
本发明中对第一频域数据的滤波,包含两个层面,一是对噪声的过滤,包括对低频频段和高频频段的过滤,还有一个方面,是对数据复杂度的降维。具体的,包括:
将所述第一频域数据投影到以频率为横坐标,以频点数量为纵坐标的像平面。即将第一频域数据以频谱展开。
对频点数量突变的坐标点的纵坐标,以相邻坐标点的纵坐标进行平坦化处理。所谓的频点数量突变,属于常规的理解,即相对于前一频点的数量,当前频点数量发生了急剧变化,例如增大或减少了多倍的数量/数量级。通常的,对于相较前一时刻频点数量急剧增加的情况,以前后两个频点的频点数量的均值替换当前频点的频点数量,而对于相较前一时刻频点数量急剧减少的情况,则不进行处理;或者,在频点数量少于某值时,将频点数量进行置零处理。
滤除频率低于0.5Hz,以及频率高于49.5Hz的数据。保留的频段范围,是因为脑部神经与精神研究表明,脑电波较为重要的频带集中在0.5Hz—49.5Hz之间,医学上常表述为δ波、θ波、α波、β波和γ波。各个波段在脑部不同的区域表现活跃并且代表着不同的脑部生理活动与功能。
将经滤波处理后的第一频域数据逆变换为第二时域数据;将所述第二时域数据在时间上向前平移一个采样单位,得到第三时域数据。
频域转时域的方法也较为常规,采用傅里叶逆变换即可。而将第二时域数据在时间上向前平移一个采样单位,过程包括:将所述第二时域数据的波形展开;然后将第二时域数据的波形整体向历史时间方向(向前)平移一个采样单位。向前平移波形图,是出于对发出激励到受试者脑部作出反应的时间差(称为反映延迟,该反映延迟过长则称为反映迟钝)的考虑,该时间差通常在mS(毫秒)级别,例如150-300mS,而反映迟钝现象也属于对脑部活动特征的反映。这样,则提高了脑电图特征与激励时间的同步性。
一般以走纸速度描述脑电图的采样速度,常用的走纸速度为30mm/S,脑电图的采样速度决定其每个采样单位的时长,通常一个采样单位是mS(或uS)级别,例如150-200mS。
需要说明的是,原则上,可以先对采集的时域数据进行波形平移后,再进行后续处理。而本发明先进行滤波后再平移波形,是出于以下考虑:测试时采集的时域数据,作为最原始的数据,能充分反映出受试者的所有脑部活动特征,虽然本发明是为了简化脑电图特征,但是如果先行平移波形,则可能丢失掉部分特征,影响对频点数量的统计,最终影响滤波以及后续二值化的结果。
将所述第三时域数据时频转换为第二频域数据;将所述第二频域数据分段,以预定功率域值将各频段的频域数据二值化。
对于第二频域数据的分段,可以参照前述对脑电波波段的描述方式,将频率划分为δ波、θ波、α波、β波和γ波,进一步将跨度超过5Hz的波段进一步以每4-6Hz划分为一个波段,例如将β波的频率范围为13-25Hz,则将β波进一步划分为13-19Hz(不含)的次β波,以及19-25Hz的高β波,如图3所示。γ波的频率跨度也较大,可同理进行进一步的分段。
对于每个频段的频域数据的二值化处理,可以基于每个频段的功率进行考虑。功率谱能够反映功率域频率之间的关系,对于此处的二值化处理尤其适用,因此,可以基于第二频域数据的功率谱对各频段的频域数据进行二值化处理。在一些实施例中,上述二值化的过程包括:计算第二频域数据的功率谱,将各频段投影到功率谱的横坐标,将功率达到预定功率域值的频段的标识设置为1,将功率低于预定功率域值的频段的标识设置为0。作为二值化处理的预定功率域值,属于经验值,根据多次二值化实验结果与患者实际状态进行比对得到优选值。在一些实施例中,可以选择对划分的各频段分别设置预定功率域值,也可以统一设定相同的预定功率域值,视要求的二值化处理精度而定,本实施例仅需要考虑受试者脑部活动所活跃的频段,因此,只需对各频段采取相同的预定功率域值即可。此处的标识,可以是各频段的频点数量。
以频率由低到高顺序将二值化后的第二频域数据排序,构建出当前时域数据的位图。
位图是利用一串字节表示一组数据,每一位表示一个数据的两种状态,“0”或者“1”。前述步骤已将各频段的标识二值化,再将各频段以频率由低到高顺序排列,对应的标识顺序即得到位图数据。
然后,将多组时域数据的位图进行逻辑与,得到当前激励条件下的神经医学数据。
实验采集并处理了5组脑电图的时域数据,将第二频域数据划分为了10个频段,如图3所示,为0.5-4Hz、4-7Hz、7-13Hz、13-19Hz、19-25Hz、25-30Hz、30-35Hz、35-40Hz、40-45Hz以及45-49.5Hz。(实际中可以划分为更高数量级的波段数量),每一组脑电图时域数据的位图为:0001011101、0011011101、0001011101、0001011101、0011011101,5组位图进行逻辑与运算后,最终的得到的位图数据为0001011101,将其作为神经医学数据,如果不需要进行后续的机器处理,可以将该位图翻译,得出受试者脑部活动活跃的波段为13-19Hz、25-40Hz、45-49.5Hz。
需要说明的是,每一组脑电图时域数据所对应的位图均能反映该次测试时受试者的脑部活动特征,而进行逻辑与运算时所使用到的位图的组数,不需要一定与所采集的脑电图时域数据的组数相同,甚至也不需要与计算出的所有位图的组数相同,本实施例为了便于说明原理,设定所采集的脑电图时域数据的组数、计算的位图的组数,以及进行逻辑运算的位图的组数的数量相等。
实施例二
本实施例公开了一种神经医学数据处理系统,该系统包括计算机存储介质和处理单元,所述计算机存储介质中存储有计算机程序,所述处理单元运行所述计算机存储介质中存储的计算机程序,以执行实施例一中的神经医学数据处理方法。
或者,本实施例中的神经医学数据处理系统,运行实施例一中的神经医学数据处理方法。
或者,本实施例中的神经医学数据处理系统,包括实施例二中的神经医学数据处理装置,以及连接该神经医学数据处理装置的脑电图采集装置,该脑电图采集装置用于采集受试者的脑电图时域数据。
实施例三
本实施例公开了另一种神经医学数据处理方法,其包括:
对多个个体(志愿患者)进行多种激励条件的激励,每一次对多个个体采取相同的激励条件,每一次激励,分别采取实施例一中的各步骤获取各个个体的神经医学数据,则对于每一种激励条件,可得到多个个体的神经医学数据,将每一种激励条件下的多条神经医学数据对应到一种分类状态,多种激励条件与多种分类状态的对应关系则构建出特征库。
采取实施例一的方法获取待测者的神经医学数据,与特征库中的对应激励条件下的神经医学数据分别进行异或运算,若运算结果为零,则判定待测者属于该激励条件对应的分类状态,否则判定为非该分类状态。
或者,对待测者采取多种激励条件的激励,通过实施例一的方法分别获取各激励条件下的神经医学数据,每一种激励条件与特征库中的对应激励条件下的神经医学数据分别进行异或运算,若超过一半的激励条件下的运算结果为零,则判定该待测者为对应患病的状态。
本实施例还公开了另一种神经医学数据处理系统,该系统包括包括计算机可读存储介质和处理器,处理器运行计算机可读存储介质中的计算机程序,执行上述的神经医学数据处理方法。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (6)
1.一种神经医学数据处理方法,其特征在于,包括:
对相同激励条件下采集的多组脑电图的时域数据分别进行以下处理:
将时域数据放大后时频转换为第一频域数据;对所述第一频域数据进行滤波处理;将经滤波处理后的第一频域数据逆变换为第二时域数据;将所述第二时域数据在时间上向前平移一个采样单位,包括:将所述第二时域数据的波形展开;
将所述第二时域数据的波形整体向历史时间方向平移一个采样单位,得到第三时域数据;将所述第三时域数据时频转换为第二频域数据;将所述第二频域数据分段:将频率划分为δ波、θ波、α波、β波和γ波,进一步将跨度超过5Hz的波段以每4-6Hz划分为一个波段,以预定功率域值将各频段的频域数据二值化,包括:计算所述第二频域数据的功率谱,将各频段投影到所述功率谱的横坐标,将功率达到预定功率域值的频段的标识设置为1,将功率低于预定功率域值的频段的标识设置为0;以频率由低到高顺序将二值化后的第二频域数据排序,构建出当前时域数据的位图;
将多组时域数据的位图进行逻辑与,得到当前激励条件下的神经医学数据。
2.如权利要求1所述的神经医学数据处理方法,其特征在于,所述对所述第一频域数据进行滤波处理,包括:
将所述第一频域数据投影到以频率为横坐标,以频点数量为纵坐标的像平面;
对频点数量突变的坐标点的纵坐标,以相邻坐标点的纵坐标进行平坦化处理;
滤除频率低于0.5Hz,以及频率高于49.5Hz的数据。
3.如权利要求1所述的神经医学数据处理方法,其特征在于,将时域数据转化为第一频域数据前,还包括:
对时域数据进行去噪。
4.如权利要求3所述的神经医学数据处理方法,其特征在于,所述对时域数据进行去噪,包括:
以反噪声函数对所述时域数据进行补偿,所述反噪声函数为脑电图采集装置空载时得到的数据的逆函数。
5.如权利要求1所述的神经医学数据处理方法,其特征在于,所述相同激励条件下采集的多组脑电图,为对同一个体在相同激励条件下所分别采集的、相同时长的脑电图。
6.一种神经医学数据处理系统,其特征在于,包括计算机存储介质和处理单元,所述计算机存储介质中存储有计算机程序,所述处理单元运行所述计算机存储介质中存储的计算机程序,以执行如权利要求1~5任一所述的神经医学数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310584917.XA CN116502047B (zh) | 2023-05-23 | 2023-05-23 | 神经医学数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310584917.XA CN116502047B (zh) | 2023-05-23 | 2023-05-23 | 神经医学数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502047A CN116502047A (zh) | 2023-07-28 |
CN116502047B true CN116502047B (zh) | 2024-05-07 |
Family
ID=87330311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310584917.XA Active CN116502047B (zh) | 2023-05-23 | 2023-05-23 | 神经医学数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502047B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012058313A (ja) * | 2010-09-06 | 2012-03-22 | Dainippon Printing Co Ltd | 音響データの関連情報検索装置 |
CN107292095A (zh) * | 2017-06-09 | 2017-10-24 | 北京工业大学 | 一种基于多尺度窗口为阈值的复杂度分析方法 |
CN109389806A (zh) * | 2018-11-08 | 2019-02-26 | 山东大学 | 基于多信息融合的疲劳驾驶检测预警方法、系统及介质 |
CN109766831A (zh) * | 2019-01-09 | 2019-05-17 | 深圳市三宝创新智能有限公司 | 一种道路色带识别方法、装置、计算机设备、及存储介质 |
CN110338760A (zh) * | 2019-07-01 | 2019-10-18 | 上海交通大学 | 一种基于脑电图频域数据的精神分裂症三分类方法 |
CN111160146A (zh) * | 2019-12-16 | 2020-05-15 | 南京南瑞水利水电科技有限公司 | 基于时频转换的水电机组状态监测信号数字滤波方法、装置及系统 |
CN112336354A (zh) * | 2020-11-06 | 2021-02-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于eeg信号癫痫监测方法 |
CN113598774A (zh) * | 2021-07-16 | 2021-11-05 | 中国科学院软件研究所 | 基于多通道脑电数据的积极情绪多标签分类方法及装置 |
CN114246588A (zh) * | 2021-12-22 | 2022-03-29 | 成都市第四人民医院 | 一种抑郁症研究方法 |
CN115458112A (zh) * | 2022-08-31 | 2022-12-09 | 北京津发科技股份有限公司 | 认知能力测评方法及系统 |
CN115527103A (zh) * | 2022-09-02 | 2022-12-27 | 中国人民解放军海军士官学校 | 无人艇感知实验平台系统 |
CN116616771A (zh) * | 2023-05-23 | 2023-08-22 | 成都市第四人民医院 | 多通道简易精神状态检测方法、装置及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080008383A1 (en) * | 2006-07-07 | 2008-01-10 | Lockheed Martin Corporation | Detection and identification of postal metermarks |
JP5772957B2 (ja) * | 2011-07-14 | 2015-09-02 | 日本電気株式会社 | 音響処理装置、音響処理システム、ビデオ処理システム、制御方法および制御プログラム |
US20200303072A1 (en) * | 2017-12-29 | 2020-09-24 | Obshchestvo S Ogranichennoj Otvetstvennostyu "Intellodzhik" | Method and system for supporting medical decision making |
-
2023
- 2023-05-23 CN CN202310584917.XA patent/CN116502047B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012058313A (ja) * | 2010-09-06 | 2012-03-22 | Dainippon Printing Co Ltd | 音響データの関連情報検索装置 |
CN107292095A (zh) * | 2017-06-09 | 2017-10-24 | 北京工业大学 | 一种基于多尺度窗口为阈值的复杂度分析方法 |
CN109389806A (zh) * | 2018-11-08 | 2019-02-26 | 山东大学 | 基于多信息融合的疲劳驾驶检测预警方法、系统及介质 |
CN109766831A (zh) * | 2019-01-09 | 2019-05-17 | 深圳市三宝创新智能有限公司 | 一种道路色带识别方法、装置、计算机设备、及存储介质 |
CN110338760A (zh) * | 2019-07-01 | 2019-10-18 | 上海交通大学 | 一种基于脑电图频域数据的精神分裂症三分类方法 |
CN111160146A (zh) * | 2019-12-16 | 2020-05-15 | 南京南瑞水利水电科技有限公司 | 基于时频转换的水电机组状态监测信号数字滤波方法、装置及系统 |
CN112336354A (zh) * | 2020-11-06 | 2021-02-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于eeg信号癫痫监测方法 |
CN113598774A (zh) * | 2021-07-16 | 2021-11-05 | 中国科学院软件研究所 | 基于多通道脑电数据的积极情绪多标签分类方法及装置 |
CN114246588A (zh) * | 2021-12-22 | 2022-03-29 | 成都市第四人民医院 | 一种抑郁症研究方法 |
CN115458112A (zh) * | 2022-08-31 | 2022-12-09 | 北京津发科技股份有限公司 | 认知能力测评方法及系统 |
CN115527103A (zh) * | 2022-09-02 | 2022-12-27 | 中国人民解放军海军士官学校 | 无人艇感知实验平台系统 |
CN116616771A (zh) * | 2023-05-23 | 2023-08-22 | 成都市第四人民医院 | 多通道简易精神状态检测方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
基于EEMD时频谱二值化的振动信号微弱特征提取方法;王鹏 等;《天津大学学报(自然科学与工程技术版)》;第49卷(第07期);第5-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116502047A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wilson et al. | Spike detection: a review and comparison of algorithms | |
Cox et al. | Individual differences in frequency and topography of slow and fast sleep spindles | |
Janca et al. | Detection of interictal epileptiform discharges using signal envelope distribution modelling: application to epileptic and non-epileptic intracranial recordings | |
Sulaiman et al. | Novel methods for stress features identification using EEG signals | |
US4188956A (en) | Method for the analysis, display and classification of multivariate indices of brain function--a functional electrophysiological brain scan | |
Lai et al. | Automated detection of high frequency oscillations in intracranial EEG using the combination of short-time energy and convolutional neural networks | |
US20180279938A1 (en) | Method of diagnosing dementia and apparatus for performing the same | |
Al-Nuaimi et al. | Changes in the EEG amplitude as a biomarker for early detection of Alzheimer's disease | |
CN113768519B (zh) | 基于深度学习和静息态脑电数据分析病人意识水平的方法 | |
CN110321783A (zh) | 一种基于1d卷积神经网络的meg棘波检测方法及系统 | |
Ouchani et al. | A review of methods of diagnosis and complexity analysis of Alzheimer’s disease using EEG signals | |
Shi et al. | Depression detection using resting state three-channel EEG signal | |
Charupanit et al. | Detection of anomalous high‐frequency events in human intracranial EEG | |
Kempfner et al. | Early automatic detection of Parkinson's disease based on sleep recordings | |
EP2050388B1 (en) | Apparatus for measuring brain local activity | |
CN116616771B (zh) | 多通道简易精神状态检测方法、装置及系统 | |
Hernandez et al. | Examining electroencephalogram signatures of people with multiple sclerosis using a nonlinear dynamics approach: a systematic review and bibliographic analysis | |
CN116502047B (zh) | 神经医学数据处理方法及系统 | |
Ferree et al. | Space–time–frequency analysis of EEG data using within-subject statistical tests followed by sequential PCA | |
Khlif et al. | Neonatal EEG seizure detection using a new signal structural complexity measure based on matching pursuit decomposition with nonstationary dictionary | |
CN111281382A (zh) | 一种基于脑电信号的特征提取与分类方法 | |
US20230104030A1 (en) | Detection of slowing patterns in eeg data | |
TW201332514A (zh) | 自動睡眠分期裝置 | |
Gerla et al. | Expert-in-the-loop Learning for Sleep EEG Data | |
CN110265143B (zh) | 基于脑电图的智能辅助诊断系统 |
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 |