CN116584959B - 脑深部电刺激期间的锋电位检测及特征提取方法和系统 - Google Patents
脑深部电刺激期间的锋电位检测及特征提取方法和系统 Download PDFInfo
- Publication number
- CN116584959B CN116584959B CN202310866162.2A CN202310866162A CN116584959B CN 116584959 B CN116584959 B CN 116584959B CN 202310866162 A CN202310866162 A CN 202310866162A CN 116584959 B CN116584959 B CN 116584959B
- Authority
- CN
- China
- Prior art keywords
- spike
- signal
- target
- detection
- time sequence
- 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
- 230000000638 stimulation Effects 0.000 title claims abstract description 103
- 210000004556 brain Anatomy 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims description 198
- 238000000605 extraction Methods 0.000 title claims description 25
- 210000005036 nerve Anatomy 0.000 claims abstract description 50
- 238000013501 data transformation Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 21
- 230000000630 rising effect Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000006467 substitution reaction Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 abstract description 19
- 210000004027 cell Anatomy 0.000 abstract description 10
- 238000005070 sampling Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 241000700159 Rattus Species 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000036982 action potential Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 101100002888 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) asa-1 gene Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007372 neural signaling Effects 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 230000036279 refractory period Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000002051 biphasic effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 208000013159 conscious disturbance Diseases 0.000 description 1
- 238000011550 data transformation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 206010013663 drug dependence Diseases 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 201000006517 essential tremor Diseases 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 230000004007 neuromodulation Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 210000004885 white matter Anatomy 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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/383—Somatosensory stimuli, e.g. electric stimulation
-
- 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
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种脑深部电刺激期间的锋电位检测及特征提取方法和系统,其中,该方法包括:对原始神经电信号进行识别并消除刺激伪迹,得到第一信号;对第一信号进行抑制扰动信号的数据变换,得到第二信号;根据第二信号,对第一信号进行判定检测,得到初始锋电位时间序列;设置锋电位幅值阈值,根据初始锋电位时间序列和锋电位幅值阈值,对第一信号进行判定检测,得到目标锋电位信号;对目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征,通过本申请,解决了现有技术中无法准确识别细胞外记录的神经电信号中的单个神经细胞放电所产生的锋电位问题,提高了对于神经细胞放电所产生的锋电位的识别准确性。
Description
技术领域
本发明涉及神经电生理信号检测与处理领域。尤其涉及一种脑深部电刺激期间的锋电位检测及特征提取方法和系统。
背景技术
脑深部电刺激(deep brain stimulation, DBS)是一种神经调控技术,它通过在大脑中植入细针状的刺激电极,将电脉冲刺激施加到特定的脑组织,以调控神经活动,进而治疗神经和精神疾病。经过几十年的科研探索和临床应用,DBS技术迎来了前所未有的发展机遇。目前,DBS已成功应用于帕金森氏症和原发性震颤等运动障碍疾病的临床治疗,并且在癫痫、强迫症、抑郁症、药物成瘾、微意识障碍和阿尔茨海默病等其他神经和精神疾病的治疗中也展现出了良好的应用前景。为了研究DBS采用的高频电刺激(high frequencystimulation, HFS)的作用机制,需要开发合适的锋电位检测方法。
锋电位(spike)是一个短暂的、高度极化的电位峰,它是神经元发放动作电位的前奏,也是神经元信号传递的基础,可以用来研究神经元的电生理特性和神经信号传递的机制。传统的锋电位检测方法,由于受到脑深部电刺激期间所产生的电脉冲刺激伪迹和刺激诱发的群峰电位的干扰,存在无法准确识别细胞外记录的神经电信号中的单个神经细胞放电所产生的动作电位(即锋电位)问题。
针对相关技术中存在无法准确识别细胞外记录的神经电信号中的单个神经细胞放电所产生的锋电位问题,目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种脑深部电刺激期间的锋电位检测及特征提取方法和系统,以解决相关技术中无法准确识别细胞外记录的神经电信号中的单个神经细胞放电所产生的锋电位问题。
第一个方面,在本实施例中提供了一种脑深部电刺激期间的锋电位检测及特征提取方法,包括:
步骤A:获取脑深部电刺激中的原始神经电信号,对所述原始神经电信号进行识别并消除刺激伪迹,得到第一信号;
步骤B:对所述第一信号进行抑制扰动信号的数据变换,得到第二信号;根据所述第二信号,得到锋电位检测阈值;
步骤C:获取第二信号中的数据点的电压值大于所述锋电位检测阈值的数据点,记为目标数据点;基于所述目标数据点和预设的锋电位检测窗口,对所述第一信号进行判定检测,得到初始锋电位时间序列;
步骤D:设置锋电位幅值阈值,根据所述初始锋电位时间序列和所述锋电位幅值阈值,对所述第一信号进行判定检测,得到目标锋电位信号;对所述目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征。
在其中的一些实施例中,所述对所述原始神经电信号进行识别并消除刺激伪迹,得到第一信号,包括:
对所述原始神经电信号进行一阶差分运算,得到一阶差分运算结果;
根据所述一阶差分运算结果和所述原始神经电信号的信号变化率,计算伪迹检测阈值;根据所述伪迹检测阈值,自动识别所述刺激伪迹的起始点和终止点;
根据所述刺激伪迹的起始点和终止点,计算插值替代数据;
使用所述插值替代数据,替换所述原始神经电信号中的伪迹数据段。
在其中的一些实施例中,所述对所述第一信号进行抑制扰动信号的数据变换,包括:
对所述第一信号进行二阶差分运算,得到二阶差分运算结果;
对所述二阶差分运算结果进行平方,得到所述第二信号。
在其中的一些实施例中,所述获取第二信号中的数据点的电压值大于所述锋电位检测阈值的数据点,记为目标数据点;基于所述目标数据点和预设的锋电位检测窗口,对所述第一信号进行判定检测,得到初始锋电位时间序列:
步骤C-1:根据预设的第二信号的起始时刻和所述锋电位检测阈值,获取第二信号中的数据点的电压值大于所述锋电位检测阈值的数据点,记为目标数据点;
步骤C-2:根据所述目标数据点对应的目标时刻,在第一信号中设置锋电位检测窗口;在所述锋电位检测窗口中,判断是否存在所述初始锋电位信号;在存在所述初始锋电位信号时,记录所述锋电位信号;
步骤C-3:根据所述锋电位检测窗口,更新所述第二信号的起始时刻;
步骤C-4:循环执行所述步骤C-1至所述步骤C-3;在根据所述起始时刻和所述锋电位检测阈值,无法获取到所述目标数据点时,循环结束,得到初始锋电位时间序列。
在其中的一些实施例中,所述设置锋电位幅值阈值,根据所述初始锋电位时间序列和所述锋电位幅值阈值,对所述第一信号进行判定检测,得到目标锋电位信号;对所述目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征,还包括:
步骤D-1:根据所述初始锋电位时间序列中的所述锋电位信号的发生时刻,在第一信号中分别设置第二检测窗口和第三检测窗口;
步骤D-2:根据所述第二检测窗口,获取降支幅值;根据所述第三检测窗口,获取升支幅值;设置锋电位幅值阈值,将所述锋电位幅值阈值,分别与所述降支幅值和所述升支幅值比较;在所述第一信号中判断是否存在所述目标锋电位信号;在存在所述目标锋电位信号时,记录所述目标锋电位信号,并提取所述目标锋电位信号的波形特征;
步骤D-3:循环执行所述步骤D-1和所述步骤D-2;在获取到所述初始锋电位时间序列中的全部所述锋电位信号时,循环结束,得到目标锋电位时间序列和所述波形特征。
在其中的一些实施例中,所述获取脑深部电刺激中的原始神经电信号之前,还包括:
获取脑深部电刺激实验过程中多个通道的原始神经电信号。
在其中的一些实施例中,所述设置锋电位幅值阈值,根据所述初始锋电位时间序列和所述锋电位幅值阈值,对所述第一信号进行判定检测,得到目标锋电位信号;对所述目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征之后,还包括:
循环执行所述步骤A至所述步骤D;在获取到全部通道的目标锋电位时间序列时,循环结束,合并所述全部通道的目标锋电位时间序列。
第二个方面,在本实施例中提供了一种脑深部电刺激期间的锋电位检测及特征提取系统,包括:
伪迹消除模块,用于获取脑深部电刺激中的原始神经电信号,对所述原始神经电信号进行识别并消除刺激伪迹,得到第一信号;
数据变换模块,用于对所述第一信号进行抑制扰动信号的数据变换,得到第二信号;根据所述第二信号,得到锋电位检测阈值;
初检模块,用于获取第二信号中的数据点的电压值大于所述锋电位检测阈值的数据点,记为目标数据点;基于所述目标数据点和预设的锋电位检测窗口,对所述第一信号进行判定检测,得到初始锋电位时间序列;
误检过滤模块,用于设置锋电位幅值阈值,根据所述初始锋电位时间序列和所述锋电位幅值阈值,对所述第一信号进行判定检测,得到目标锋电位信号;对所述目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征。
第三个方面,在本实施例中提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的脑深部电刺激期间的锋电位检测方法。
第四个方面,在本实施例中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的脑深部电刺激期间的锋电位检测方法。
与相关技术相比,在本实施例中提供的脑深部电刺激期间的锋电位检测及特征提取方法和系统,通过获取脑深部电刺激中的原始神经电信号,对原始神经电信号进行识别并消除刺激伪迹,得到第一信号;对第一信号进行抑制扰动信号的数据变换,得到第二信号;根据第二信号,得到锋电位检测阈值;获取第二信号中的数据点的电压值大于锋电位检测阈值的数据点,记为目标数据点;基于目标数据点和预设的锋电位检测窗口,对第一信号进行判定检测,得到初始锋电位时间序列;设置锋电位幅值阈值,根据初始锋电位时间序列和锋电位幅值阈值,对第一信号进行判定检测,得到目标锋电位信号;对目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征,解决了现有技术存在的无法准确识别细胞外记录的神经电信号中的单个神经细胞放电所产生的锋电位问题,提高了对于神经细胞放电所产生的锋电位的识别准确性。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本实施例的脑深部电刺激期间的锋电位检测及特征提取方法的硬件结构框图;
图2是本实施例的脑深部电刺激期间的锋电位检测及特征提取方法的流程图;
图3是本实施例的获取初始锋电位时间序列方法的流程图;
图4是本优选实施例的一种大鼠在体动物实验记录的脑深部电刺激期间的锋电位信号检测及特征提取方法;
图5是本优选实施例的无刺激时和脑深部电刺激期间记录的神经电信号数据示例图;
图6是本优选实施例的数据变换效果示例图;
图7是本优选实施例的锋电位信号检测结果示例图;
图8是本优选实施例的锋电位波形特征说明图;
图9是本实施例的脑深部电刺激期间的锋电位检测及特征提取系统的结构框图。
附图标记:102、处理器;104、存储器;106、传输设备;108、输入输出设备;10、伪迹消除模块;20、数据变换模块;30、初检模块;40、误检过滤模块。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行,图1是本实施例的脑深部电刺激期间的锋电位检测及特征提取方法的终端的硬件结构框图。如图1所示,终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104,其中,处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限制。例如,终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如在本实施例中的脑深部电刺激期间的锋电位检测及特征提取方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种脑深部电刺激期间的锋电位检测及特征提取方法,图2是本实施例的脑深部电刺激期间的锋电位检测及特征提取方法的流程图,如图2所示,该流程包括如下步骤:
步骤A:获取脑深部电刺激中的原始神经电信号,对原始神经电信号进行识别并消除刺激伪迹,得到第一信号。
需要说明的是,在本实施例中,通过差分运算自动识别刺激伪迹起始和终止时刻,然后利用计算得到的插值数据替代伪迹数据段,来实现对原始神经电信号的刺激伪迹的消除,在其他实施例中,可通过模板匹配法消除伪迹,即根据电信号特点和伪迹形态,选择合适的模板,将上述模板与信号进行匹配,找出信号中的伪迹,根据匹配结果,对伪迹进行替换、插值或滤波等伪迹消除操作,计算伪迹模板,使用模板匹配来消除伪迹;也可通过多次项拟合方法消除伪迹,将电信号拟合成一个多项式函数,以找出该电信号中的伪迹,并将其消除。本实施例通过差分运算消除伪迹的方式相较于上述模板匹配法和多次项拟合方法,减少了数据计算量,从而提高了伪迹消除的响应速度。
步骤B:对第一信号进行抑制扰动信号的数据变换,得到第二信号;根据第二信号,得到锋电位检测阈值;
具体地,本实施例中,通过对第一信号进行二阶差分运算,并将二阶差分运算结果进行平方,得到第二信号,从而实现对第一信号中扰动信号的抑制作用;需要说明的是,在其他实施例中,还可通过滤波、去噪等方式对第一信号进行扰动抑制。但是通过滤波,去除扰动后信号,会影响原第一信号扰动处锋电位信号的检测准确性,通过本实施例的抑制扰动信号的数据变换方式,可以提高锋电位信号检测的准确度。
步骤C:获取第二信号中的数据点的电压幅值大于锋电位检测阈值的数据点,记为目标数据点;基于目标数据点和预设的锋电位检测窗口,对第一信号进行判定检测,得到初始锋电位时间序列;
需要说明的是,本实施例中,通过预设的锋电位检测阈值公式来计算锋电位检测阈值,上述第二信号建立在信号坐标系上,该信号坐标系的X轴表示信号时间(单位为ms);Y轴表示该信号对应电压幅值(单位为mV)。基于该信号坐标系,依次识别第二信号电压幅值大于超过锋电位检测阈值的数据点;在其他实施例中,也可人为设置锋电位检测阈值。
步骤D:设置锋电位幅值阈值,根据初始锋电位时间序列和锋电位幅值阈值,对第一信号进行判定检测,得到目标锋电位信号;对目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征。
需要说明的是,本实施例中,基于神经元在传递神经冲动时的电位变化过程(去极化和复极化)中,神经元细胞内和细胞外的电位信号,再根据锋电位幅值阈值,对第一信号进行目标锋电位信号的判定检测,在其他实施例中,也可通过选择常规锋电位模板,根据该锋电位模板计算锋电位相关系数(上升时间、峰值电压、衰减时间常数、持续时间、锋电位半宽度等),对第一信号进行匹配,得到目标锋电位信号。
通过上述步骤,对脑深部电刺激期间的神经电信号,利用差分运算,消除伪迹干扰,得到去伪迹信号,即第一信号;然后,对第一信号进行二阶差分运算等抑制扰动信号变换,以降低信号中的低频场电位和群峰电位对锋电位检测的干扰,信号变换后得到第二信号。在第二信号中,基于阈值法初步检测锋电位,得到初始锋电位时间序列,然后根据该初始锋电位时间序列和锋电位幅值阈值,对第一信号进行判定检测,去除初始锋电位时间序列中不符合锋电位波形特征的误检信号,最终得到目标锋电位信号,解决了现有技术无法准确识别细胞外记录的神经电信号中的单个神经细胞放电所产生的锋电位问题,提高了对神经细胞放电所产生的锋电位的识别准确性。
在其中的一些实施例中,对原始神经电信号进行识别并消除刺激伪迹,得到第一信号,包括如下步骤:
步骤A-1,对原始神经电信号进行一阶差分运算,得到一阶差分运算结果。
步骤A-2,根据一阶差分运算结果和原始神经电信号的信号变化率,计算伪迹检测阈值;根据伪迹检测阈值,自动识别刺激伪迹的起始点和终止点。
步骤A-3,根据刺激伪迹的起始点和终止点,计算插值替代数据。
步骤A-4,使用插值替代数据,替换原始神经电信号中的伪迹数据段。
具体地,对原始记录的神经电信号X进行一阶差分运算得到差分信号X1,其计算公式为:X1(n) = X(n+1) - X(n)。然后,根据一阶差分信号X1 和如下公式计算信号变化率阈值,用于检测刺激伪迹的起始点和终止点,刺激伪迹检测阈值通常设置为数据均方根(RMS)值的10倍-20倍,其计算公式为:
(1.1)
式(1.1)中,n为正整数,当一阶差分信号X1中的数据点的数值超过Th时,将此数据点前0.1ms处的数据点作为刺激伪迹的起始点。然后,根据伪迹数据段的长度确定刺激伪迹的终止点。伪迹信号段长度由人工设置确定,依据信号特点一般为0.8ms-2.0ms;接着,根据上述刺激伪迹的起始点和终止点,采用如下公式计算得到插值替代数据:
(1.2)
式(1.2)中,x 0 和x M-1为伪迹起始点和终止点的数值,M为插值替代数据点个数,x m 为第m个插值点的数值,β是取值范围为0.8-1.2之间的随机数,利用上述插值替代值数据替代伪迹数据段,消除伪迹干扰。
本实施例中的伪迹消除方法,相较于现有技术中其他伪迹消除方法(如模板匹配法、多次项拟合方法),数据计算链路和对应计算量都有所减少,从而提高了伪迹消除的响应速度。
在其中的一些实施例中,获取第二信号中的数据点的电压值大于锋电位检测阈值的数据点,记为目标数据点;基于目标数据点和预设的锋电位检测窗口,对第一信号进行判定检测,得到初始锋电位时间序列,包括如下步骤:
步骤B-1,对第一信号进行二阶差分运算,得到二阶差分运算结果;
步骤B-2,对二阶差分运算结果进行平方,得到第二信号。
具体地,对消除刺激伪迹之后的第一信号进行二阶差分运算,并对二阶差分运算的结果进行平方,得到第二信号Y2,第二信号Y2具体计算公式如下:
(1.3)
如图3所示,若采用现有技术中常规的阈值检测法,对消除伪迹的第一信号进行高通滤波处理,刺激诱发的群峰电位在滤波之后会产生大量的滤波振荡,不仅会淹没正确的锋电位,还会导致大量的误检。而在本实施例中,通过上述对第一信号进行信号变换,得到第二信号,用于降低局部场电位和刺激诱发群峰电位的干扰,可以有效消除低频场电位漂移,同时显著抑制刺激诱发群峰电位的干扰,从而提高脑深部电刺激期间的锋电位检测正确率。
在其中的一些实施例中,获取第二信号中的数据点的电压值大于锋电位检测阈值的数据点,记为目标数据点;基于目标数据点和预设的锋电位检测窗口,对第一信号进行判定检测,得到初始锋电位时间序列,包括如下步骤:
步骤C-1:根据预设的第二信号的起始时刻和锋电位检测阈值,获取第二信号中的数据点的电压值大于锋电位检测阈值的数据点,记为目标数据点。
步骤C-2:根据目标数据点对应的发生时刻,在第一信号中设置锋电位检测窗口;在锋电位检测窗口中,判断是否存在初始锋电位信号;在存在初始锋电位信号时,记录锋电位信号。
步骤C-3:根据锋电位检测窗口,更新第二信号的起始时刻。
步骤C-4:循环执行步骤C-1至步骤C-3;在根据起始时刻和锋电位检测阈值,无法获取到目标数据点时,循环结束,得到初始锋电位时间序列。
具体地,图3是本实施例的获取初始锋电位时间序列方法的流程图,如图3所示,根据预设的起始时刻依次对第二信号中的数据点进行判定,当数据点的数值超过锋电位检测阈值时,记录该数据点发生时刻t,并将该发生时刻作为目标时刻,本实施例中,上述锋电位检测阈值计算锋电位检测阈值,其公式如下:
(1.4)
上述公式(1.4)中K为阈值系数,根据信号特点,其设置范围一般为5-8。然后,在消除伪迹的第一信号中,以目标时刻为中心,设置一个宽度为0.4ms-0.8ms的锋电位检测窗口,在锋电位检测窗口内检索数据最小值点。若该最小值点位于该锋电位检测窗口内部,则初步判定该数据点为锋电位波谷点,并将该波谷点作为锋电位的发生时刻(t1)。若最小值点位于锋电位检测窗口的边界,则判定检测到的不是锋电位,是其他干扰信号。当在该锋电位检测窗口中检测到一个锋电位之后,设置一个时长为0.2 ms的绝对不应期,在第二信号中,将起始时刻更新为t1 + 0.2 ms时刻,根据更新后的起始时刻,继续判断下一个数据点是否超过锋电位检测阈值;若在该锋电位检测窗口中没有检测到锋电位,在第二信号中,根据上述目标时刻,继续判断下一个数据点是否超过锋电位检测阈值。重复上述操作,直到处理完第二信号,获得初始锋电位时间序列。
本实施例中,通过从第二信号中,根据锋电位检测阈值确定目标时刻,根据该目标时刻,在第一信号中设置锋电位检测窗口,并在该锋电位检测窗口内进行初始锋电位信号的判定检测,由于第二信号相较于第一信号,降低了局部场电位和刺激诱发群峰电位的干扰,因此通过在第二信号中确定目标时刻,进而在第一信号中检测初始锋电位信号的方式,提高了锋电位信号检测的准确度。
在其中的一些实施例中,设置锋电位幅值阈值,根据初始锋电位时间序列和锋电位幅值阈值,对第一信号进行判定检测,得到目标锋电位信号;对目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征,还包括如下步骤:
步骤D-1:根据初始锋电位时间序列中的锋电位信号的发生时刻,在第一信号中分别设置第二检测窗口和第三检测窗口。
步骤D-2:根据第二检测窗口,获取降支幅值;根据第三检测窗口,获取升支幅值;设置锋电位幅值阈值,将锋电位幅值阈值,分别与降支幅值和升支幅值比较;在第一信号中判断是否存在目标锋电位信号;在存在目标锋电位信号时,记录目标锋电位信号,并提取目标锋电位信号的波形特征。
步骤D-3:循环执行步骤D-1和步骤D-2;在获取到初始锋电位时间序列中的全部锋电位信号时,循环结束,得到目标锋电位时间序列和波形特征。
具体地,脑深部电刺激期间会产生群峰电位,虽然通过对第一信号进行抑制扰动信号的数据变换可以一定程度上降低群峰电位对锋电位检测的影响。但是,该数据变换并不能彻底消除群峰电位的干扰,初始锋电位时间序列中仍然可能包含少量误检信号。因此,可通过计算初始锋电位信号的波形特征,去除初始锋电位时间序列中不符合波形特征的误检信号,首先,根据初始锋电位时间序列中的锋电位信号的发生时刻,在第一信号中分别设置第二检测窗口和第三检测窗口以锋电位发生时刻(即波谷点)为基准,设置一个前向时间窗口,即第二检测窗口,和后向时间窗口,即第三检测窗口。根据不同的信号特点,第二检测窗口的宽度取值范围一般为0.2ms-0.6ms,第三检测窗口的取值范围一般为0.4ms-1ms;根据先验知识,设置锋电位幅值阈值的下限Th1和上限Th2,阈值下限Th1的取值范围一般为0.03mV-0.06mV,阈值上限Th2的取值范围一般为0.4mV-0.8mV。在消除刺激伪迹的第一信号中,在锋电位波谷前第二检测窗口的范围内,检索数据最大值,若该最大值在第二检测窗口内部,则计算该数值点与锋电位波谷点之间的幅值差并将其记为A1,即降支幅值,若最大值点在第二检测窗口边界上,则判定该信号为误检信号,在初始锋电位时间序列中删除该锋电位发生时刻,然后对下一个锋电位信号展开特征提取和判断。在锋电位波谷后第三检测窗口的范围内,检索数据最大值,并计算该数值点与锋电位波谷点之间的幅值差,记为A2,即升支幅值。如果降支幅值/>A1和升支幅值/>A2满足:Th1</>A1<Th2且Th1</>A2<Th2,则判定该信号符合锋电位波形特征,该信号为锋电位;否则,判定为误检信号,在初始锋电位时间序列中删除该锋电位发生时刻,然后对下一个锋电位信号展开特征提取和判断。检测到锋电位时,将(/>A1+/>A2)/2作为该锋电位的平均幅值,计算上升支终点和下降支起点之间的时间差作为该锋电位的波形宽度,计算数据值为降支幅值的1/2处为起点做水平直线与升支交点之间的时间差作为该锋电位信号波形的半高宽,计算锋电位下降支起点与上升支终点之间连接直线与锋电位信号波形所构成的封闭图形的面积为该锋电位波形的面积。依次对初始锋电位时间序列中全部的初始锋电位执行上述操作,消除误检,得到目标锋电位时间序列和各个锋电位信号的波形特征。
本实施例通过上述方式提取锋电位波形特性并消除误检,最终得到目标锋电位时间序列和各个目标锋电位信号的波形特征,进一步提高了锋电位信号检测的准确度。
在其中的一些实施例中,获取脑深部电刺激中的原始神经电信号之前,还包括:
获取脑深部电刺激实验过程中多个通道的原始神经电信号。
具体地,在脑深部电刺激实验过程中,由于来自相同神经细胞的锋电位在各个通道上的幅值不同。因此,通过获取脑深部电刺激实验过程中多个通道的原始神经电信号,保证了原始神经电信号数据的完整性。
在其中的一些实施例中,设置锋电位幅值阈值,根据初始锋电位时间序列和锋电位幅值阈值,对第一信号进行判定检测,得到目标锋电位信号;对目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征之后,还包括:
循环执行步骤A至步骤D;在获取到全部通道的目标锋电位时间序列时,循环结束,合并全部通道的目标锋电位时间序列。
具体地,由于来自相同神经细胞的锋电位在各个通道上的幅值不同,在某些通道上能够被检出,在某些通道上可能因幅值过小而漏检,因此,将各个通道检测得到的锋电位时间序列合并起来,根据锋电位的时间对应关系,消除其中的重误检过滤测的锋电位,从而进一步提高了锋电位信号检测的准确度。
图4是本优选实施例提供的一种大鼠在体动物实验记录的脑深部电刺激期间的锋电位信号检测及特征提取方法,如图4所示,该脑深部电刺激期间的锋电位检测及特征提取方法,包括如下步骤:
步骤S1,获取大鼠在体动物实验记录的脑深部电刺激期间的记录信号。
具体地,本优选实施例所使用的神经电信号来自于雄性SD大鼠(270g-340g),麻醉后固定于脑立体定位仪,进行动物手术,植入记录和刺激电极。记录电极采用美国NeuroNexus Technologies公司生产的16通道线性排列的微电极阵列,植入海马CA1区胞体层。该电极阵列的记录为点之间的间距为25μm。这样,相邻的2–4个记录位点能够同时记录到同一神经细胞的动作电位波形(即锋电位)。刺激电极采用美国FHC公司的同芯双极不锈钢电极,植入至海马CA1区输出轴突束,即海马白质轴突纤维(Alveus),用于施加高频刺激脉冲。电极记录的信号经放大100倍和A/D采样后存入硬盘,待进一步分析。A/D转换的采样频率范围为0.3Hz-5000Hz,采样率为20kHz(采样周期为0.05ms),A/D转换分辨率为16位。施加的电刺激是脉冲宽度为0.1ms的双相电流刺激,刺激强度为0.3mA,脉冲频率为100 Hz,持续时间为1min。
步骤S2,消除脑深部电刺激期间神经电信号的刺激伪迹干扰。
图5是本优选实施例的无刺激时和脑深部电刺激期间记录的神经电信号数据示例图,如图5所示,脑深部电刺激期间记录的神经电信号包含了刺激伪迹、刺激诱发群峰电位、局部场电位和锋电位等成分。锋电位的幅值只有数十至数百微伏。刺激伪迹的幅值可以达到数十毫伏甚至更大。群峰电位是大量单细胞锋电位的整合,波形很像锋电位,但是幅值可以达到10mV以上。局部场电位的频率较低,但是其幅值波动可以达到几个毫伏。如果是没有施加电刺激时记录的神经电信号,信号中没有刺激伪迹和群峰电位,只需要进行高通滤波处理去除低频的场电位信号,就可以获得较高频率的锋电位信号,然后通过设置幅值阈值检出这些锋电位。但是,在脑深部电刺激期间,锋电位的频率范围和刺激伪迹以及群峰电位的频率范围存在重叠,他们都包含数百赫兹的频率成分,无法通过高通或者其他滤波方式直接分离出锋电位信号。本发明基于刺激伪迹的波形特征,对原始记录的神经电信号X进行一阶差分运算得到差分信号X1,然后,根据式(1.6)计算信号变化率阈值,用于检测刺激伪迹:
(1.6)
当X1中的数据点的数值超过Th时,将此数据点前第2个数据点(即0.1ms前)作为刺激伪迹的起始点。根据本施例信号的采样率,伪迹长度确定为18个采样点,即0.9ms。在确定伪迹起始点和终点之后,根据如下公式计算得到一段插值替代数据:
(1.7)
其中式(1.7)x1和x17分别为刺激伪迹起始点和终止点的数据值,xm为第m个替代数据点的计算数值,β是取值范围为0.8-1.2之间的随机数。如图5所示,依次检测整段信号中的刺激伪迹,计算对应的随机替代数据,并用这些数据取代刺激伪迹的数据段,就可以消除信号中的刺激伪迹,得到第一信号Y。
步骤S3,通过数据变换处理降低局部场电位和刺激诱发群峰电位的干扰。
具体地,消除刺激伪迹之后的第一信号Y,仍然存在干扰锋电位检测的其他信号成分,包括:局部场电位和刺激诱发群峰电位。因此,接下来对消除刺激伪迹干扰以后的第一信号Y进行抑制扰动信号的数据变换处理,以降低局部场电位和刺激诱发群峰电位对锋电位检测的干扰。变换后的第二信号表示为Y2,其计算公式(1.8)如下:
(1.8)
图6是本优选实施例的数据变换效果示例图,如图6所示,经过上述数据变换,可以有效消除低频场电位漂移,同时显著抑制刺激诱发群峰电位的干扰,提高锋电位检测正确率。然后,计算锋电位检测阈值,在变换后的第二信号Y2中,通过阈值法初步检测其中包含的锋电位信号,阈值计算公式(1.9)如下:
(1.9)
如图6所示,如果不进行信号变换,采用常规的阈值检测法,对消除伪迹的第一信号Y进行高通滤波处理,刺激诱发的群峰电位在滤波之后会产生大量的滤波振荡,不仅会淹没正确的锋电位,还会导致大量的误检。
步骤S4,检测得到初始锋电位时间序列。
具体地,在进行数据变换并计算得到检测阈值T之后,根据变换后的信号Y2中数据点的数值来识别锋电位。从第二信号Y2的起始开始,依次判断数据点的数值是否超过锋电位检测阈值T。当数值大于T时,记录该数据点的发生时刻t,在消除伪迹干扰的信号Y中,在一个以t时刻为中心,设置一个宽度为0.6ms的锋电位检测窗口,对应本施例的采样率,包含13个数据采样点。在该锋电位检测窗口内检索数据的最小值点,如果最小值点位于窗口边界点,则判定该信号为误检信号;如果最小值点位于锋电位检测窗口内部,则初步判定检测到一个锋电位,并且该最小值为为锋电位信号的波谷点,即锋电位的发生时刻。完成上述操作之后,设置一个时长为0.2ms的绝对不应期,对应于本施例的采样率,包括5个采样数据点。接着,在第二信号Y2中,从t1 + 0.2ms时刻开始,继续搜索检测下一个锋电位。重复上述操作,直到检索完整个第二信号Y2,得到初始锋电位时间序列。
步骤S5,排除单通道误检锋电位并提取波形特性。
具体地,脑深部电刺激期间诱发的群峰电位,其幅值远大于锋电位信号,并且频率范围与锋电位存在重叠,会干扰锋电位的检测。虽然,本发明的数据变换方法可以显著降低群峰电位对锋电位检测的干扰,但是,仍然可能产生少量误检。所以,需要进一步的操作,以消除步骤S4检测得到的初始锋电位时间序列中包含的误检信号。细胞外记录的锋电位信号,通常表现为由下降支和上升支组成的负峰波形。基于先验知识,设置锋电位降支幅值和升支幅值的锋电位幅值阈值下限(Th1)和上限(Th2),分别为0.05mV和0.5mV。根据初始锋电位时间序列中检测到的锋电位发生时刻,在消除刺激伪迹后的第一信号Y中,对每一个锋电位发生时刻,在锋电位波谷前一个时长为w1= 0.5ms的第二检测窗口,对应于本施例其中包含了11个采样点,在该第二检测窗口内搜索数据最大值点。若该最大值点不在w1的边界上,即最大值点与波谷点之间的时间差小于0.5ms,则认为该最大值点为锋电位波形的降支起点,计算该最大值点与波谷点之间的幅值差作为锋电位信号的降支幅值,记为A1。如果最大值点在w1的左侧边界,则判定该信号为误检信号,在初始锋电位时间序列中删除该锋电位发生时刻,然后计算下一个锋电位信号的特征。在锋电位波谷后一个时长为w2= 0.8ms的第三检测窗口,对应于本施例其中包含了17个采样点,在该第三检测窗口内搜索数据最大值点。若该最大值点不在w2 的右侧边界,即最大值与波谷点之间的时间差小于0.8ms,则认为该最大值点为锋电位的升支终点,计算该最大值点与波谷点之间的幅值差作为锋电位信号的升支幅值,记为/>A2。图7是本优选实施例的锋电位信号初步判定检测结果示例图,如图7所示,如果降支幅值和升支幅值都在锋电位检测阈值范围内,即:Th1</>A1<Th2且Th1</>A2<Th2,则认定该信号符合锋电位波形特征,最终判定检测到一个锋电位。如果锋电位的幅值特性不符合幅值阈值范围,则判定该信号为误检信号,在初始锋电位时间序列中删除该锋电位发生时刻然后计算下一个锋电位信号的特征。对最终判定的锋电位信号,图8是本优选实施例的锋电位波形特征说明图,如图8所示,计算其降支幅值、升支幅值、平均幅值、锋电位宽度、半高宽、面积等波形特征。降支幅值即/>A1,升支幅值即/>A2,平均幅值即(/>A1 +/>A2)/2,锋电位波宽即上升支终点和下降支起点之间的时间差,半高宽即降支幅值的1/2处为起点做水平直线与升支交点之间的时间差,锋电位面积即降支起点与上升支终点之间连接直线与锋电位波形所构成的封闭图形的面积。重复上述步骤,依次处理完初始锋电位时间序列中全部的锋电位,得到目标锋电位时间序列和各个锋电位的波形特征。
步骤S6,多通道数据处理,消除重误检过滤测。
利用多通道微电极阵列记录神经电信号时,同一个神经细胞和各个记录通道的物理距离不同,导致信号衰减不同,因此同一个神经细胞的锋电位信号在各个通道上的幅值有所不同。同一个锋电位信号,可能在某些通道上可能因幅值过小而记录不到,在其他通道上则可能幅值较大而被记录到。因此,各个通道能记录到的神经细胞的锋电位数量和发生时刻有所不同。所以,要对多通道检测到的锋电位时间序列进行处理,消除其中的重误检过滤测信号,得到最终的目标锋电位时间序列及其波形特征。
通过上述优选实施例,通过获取大鼠在体动物实验记录的脑深部电刺激期间的记录信号;消除脑深部电刺激期间的刺激伪迹干扰;通过进行抑制扰动信号的数据变换处理降低局部场电位和刺激诱发群峰电位的干扰;检测得到初始锋电位时间序列;排除单通道误检锋电位并提取波形特性;多通道数据处理,消除重误检过滤测,得到最终的目标锋电位时间序列及其波形特征,解决了现有技术中存在无法准确识别细胞外记录的神经电信号中的单个神经细胞放电所产生的锋电位问题,提高了对于神经细胞放电所产生的锋电位的识别准确性。
在本实施例中还提供了一种脑深部电刺激期间的锋电位检测及特征提取系统,该系统用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图9是本实施例的脑深部电刺激期间的锋电位检测及特征提取系统的结构框图,如图9所示,该系统包括:伪迹消除模块10、数据变换模块20、初检模块30以及误检过滤模块40。
具体地,伪迹消除模块10,用于获取脑深部电刺激中的原始神经电信号,对原始神经电信号进行识别并消除刺激伪迹,得到第一信号;数据变换模块20,用于对第一信号进行抑制扰动信号的数据变换,得到第二信号;根据第二信号,得到锋电位检测阈值;初检模块30,用于获取第二信号中的数据点的电压值大于锋电位检测阈值的数据点,记为目标数据点;基于目标数据点和预设的锋电位检测窗口,对第一信号进行判定检测,得到初始锋电位时间序列;误检过滤模块40,用于设置锋电位幅值阈值,根据初始锋电位时间序列和锋电位幅值阈值,对第一信号进行判定检测,得到目标锋电位信号;对目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征。
通过上述系统,解决了现有技术无法准确识别细胞外记录的神经电信号中的单个神经细胞放电所产生的锋电位问题,提高了脑深部电刺激期间的锋电位检测及特征提取准确性。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在其中的一些实施例中,伪迹消除模块10,还用于对原始神经电信号进行一阶差分运算,得到一阶差分运算结果;根据一阶差分运算结果和原始神经电信号的信号变化率,计算伪迹检测阈值;根据伪迹检测阈值,自动识别刺激伪迹的起始点和终止点;根据刺激伪迹的起始点和终止点,计算插值替代数据;使用插值替代数据,替换原始神经电信号中的伪迹数据段。
在其中的一些实施例中,数据变换模块20,还用于对第一信号进行二阶差分运算,得到二阶差分运算结果;
对二阶差分运算结果进行平方,得到第二信号。
在其中的一些实施例中,初检模块30,还用于执行以下步骤:
步骤C-1:根据预设的第二信号的起始时刻和锋电位检测阈值,获取第二信号中的数据点的电压值大于锋电位检测阈值的数据点,记为目标数据点;
步骤C-2:根据目标数据点对应的目标时刻,在第一信号中设置锋电位检测窗口;在锋电位检测窗口中,判断是否存在初始锋电位信号;在存在初始锋电位信号时,记录初始锋电位信号;
步骤C-3:根据锋电位检测窗口,更新第二信号的起始时刻;
步骤C-4:循环执行步骤C-1至步骤C-3;在根据起始时刻和锋电位检测阈值,无法获取到目标数据点时,循环结束,得到初始锋电位时间序列。
在其中的一些实施例中,误检过滤模块40,还用于执行以下步骤:
步骤D-1:根据初始锋电位时间序列中的锋电位信号的发生时刻,在第一信号中分别设置第二检测窗口和第三检测窗口;
步骤D-2:根据第二检测窗口,获取降支幅值;根据第三检测窗口,获取升支幅值;设置锋电位幅值阈值,将锋电位幅值阈值,分别与降支幅值和升支幅值比较;在第一信号中判断是否存在目标锋电位信号;在存在目标锋电位信号时,记录目标锋电位信号,并提取目标锋电位信号的波形特征;
步骤D-3:循环执行步骤D-1和步骤D-2;在获取到初始锋电位时间序列中的全部锋电位信号时,循环结束,得到目标锋电位时间序列和波形特征。
在本实施例中还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S11,获取脑深部电刺激中的原始神经电信号,对原始神经电信号进行识别并消除刺激伪迹,得到第一信号。
S12,对第一信号进行抑制扰动信号的数据变换,得到第二信号;根据第二信号,得到锋电位检测阈值。
S13,获取第二信号中的数据点的电压值大于锋电位检测阈值的数据点,记为目标数据点;基于目标数据点和预设的锋电位检测窗口,对第一信号进行判定检测,得到初始锋电位时间序列。
S14,设置锋电位幅值阈值,根据初始锋电位时间序列和锋电位幅值阈值,对第一信号进行判定检测,得到目标锋电位信号;对目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征。
需要说明的是,在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,在本实施例中不再赘述。
此外,结合上述实施例中提供的脑深部电刺激期间的锋电位检测及特征提取方法,在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种脑深部电刺激期间的锋电位检测及特征提取方法。
应该明白的是,这里描述的具体实施例只是用来解释这个应用,而不是用来对它进行限定。根据本申请提供的实施例,本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例,均属本申请保护范围。
显然,附图只是本申请的一些例子或实施例,对本领域的普通技术人员来说,也可以根据这些附图将本申请适用于其他类似情况,但无需付出创造性劳动。另外,可以理解的是,尽管在此开发过程中所做的工作可能是复杂和漫长的,但是,对于本领域的普通技术人员来说,根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段,不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例,也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是,本申请中描述的实施例在没有冲突的情况下,可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑深部电刺激期间的锋电位检测及特征提取方法,其特征在于,包括:
步骤A:获取脑深部电刺激中的原始神经电信号,对所述原始神经电信号进行识别并消除刺激伪迹,得到第一信号;
步骤B:对所述第一信号进行抑制扰动信号的数据变换,得到第二信号;根据所述第二信号,得到锋电位检测阈值;
步骤C:获取第二信号中的数据点的电压值大于所述锋电位检测阈值的数据点,记为目标数据点;基于所述目标数据点和预设的锋电位检测窗口,对所述第一信号进行判定检测,得到初始锋电位时间序列;
步骤D:设置锋电位幅值阈值,根据所述初始锋电位时间序列和所述锋电位幅值阈值,对所述第一信号进行判定检测,得到目标锋电位信号;对所述目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征。
2.根据权利要求1所述的脑深部电刺激期间的锋电位检测及特征提取方法,其特征在于,所述对所述原始神经电信号进行识别并消除刺激伪迹,得到第一信号,包括:
对所述原始神经电信号进行一阶差分运算,得到一阶差分运算结果;
根据所述一阶差分运算结果,计算伪迹检测阈值;根据所述伪迹检测阈值,自动识别所述刺激伪迹的起始点和终止点;
根据所述刺激伪迹的起始点和终止点,计算插值替代数据;
使用所述插值替代数据,替换所述原始神经电信号中的伪迹数据段。
3.根据权利要求1所述的脑深部电刺激期间的锋电位检测及特征提取方法,其特征在于,所述对所述第一信号进行抑制扰动信号的数据变换,包括:
对所述第一信号进行二阶差分运算,得到二阶差分运算结果;
对所述二阶差分运算结果进行平方,得到所述第二信号。
4.根据权利要求1所述的脑深部电刺激期间的锋电位检测及特征提取方法,其特征在于,所述获取第二信号中的数据点的电压值大于所述锋电位检测阈值的数据点,记为目标数据点;基于所述目标数据点和预设的锋电位检测窗口,对所述第一信号进行判定检测,得到初始锋电位时间序列,包括:
步骤C-1:根据预设的第二信号的起始时刻和所述锋电位检测阈值,获取第二信号中的数据点的电压值大于所述锋电位检测阈值的数据点,记为目标数据点;
步骤C-2:根据所述目标数据点对应的目标时刻,在第一信号中设置锋电位检测窗口;在所述锋电位检测窗口中,判断是否存在初始锋电位信号;在存在所述初始锋电位信号时,记录所述初始锋电位信号;
步骤C-3:根据所述锋电位检测窗口,更新所述第二信号的起始时刻;
步骤C-4:循环执行所述步骤C-1至所述步骤C-3;在根据所述起始时刻和所述锋电位检测阈值,无法获取到所述目标数据点时,循环结束,得到初始锋电位时间序列。
5.根据权利要求1所述的脑深部电刺激期间的锋电位检测及特征提取方法,其特征在于,所述设置锋电位幅值阈值,根据所述初始锋电位时间序列和所述锋电位幅值阈值,对所述第一信号进行判定检测,得到目标锋电位信号;对所述目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征,还包括:
步骤D-1:根据所述初始锋电位时间序列中的所述锋电位信号的发生时刻,在第一信号中分别设置第二检测窗口和第三检测窗口;
步骤D-2:根据所述第二检测窗口,获取降支幅值;根据所述第三检测窗口,获取升支幅值;设置锋电位幅值阈值,将所述锋电位幅值阈值,分别与所述降支幅值和所述升支幅值比较;在所述第一信号中判断是否存在所述目标锋电位信号;在存在所述目标锋电位信号时,记录所述目标锋电位信号,并提取所述目标锋电位信号的波形特征;
步骤D-3:循环执行所述步骤D-1和所述步骤D-2;在获取到所述初始锋电位时间序列中的全部所述锋电位信号时,循环结束,得到目标锋电位时间序列和所述波形特征。
6.根据权利要求1所述的脑深部电刺激期间的锋电位检测及特征提取方法,其特征在于,所述获取脑深部电刺激中的原始神经电信号之前,还包括:
获取脑深部电刺激实验过程中多个通道的原始神经电信号。
7.根据权利要求6所述的脑深部电刺激期间的锋电位检测及特征提取方法,其特征在于,所述设置锋电位幅值阈值,根据所述初始锋电位时间序列和所述锋电位幅值阈值,对所述第一信号进行判定检测,得到目标锋电位信号;对所述目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征之后,还包括:
循环执行所述步骤A至所述步骤D;在获取到全部通道的目标锋电位时间序列时,循环结束,合并所述全部通道的目标锋电位时间序列。
8.一种脑深部电刺激期间的锋电位检测及特征提取系统,其特征在于,包括:
伪迹消除模块,用于获取脑深部电刺激中的原始神经电信号,对所述原始神经电信号进行识别并消除刺激伪迹,得到第一信号;
数据变换模块,用于对所述第一信号进行抑制扰动信号的数据变换,得到第二信号;根据所述第二信号,得到锋电位检测阈值;
初检模块,用于获取第二信号中的数据点的电压值大于所述锋电位检测阈值的数据点,记为目标数据点;基于所述目标数据点和预设的锋电位检测窗口,对所述第一信号进行判定检测,得到初始锋电位时间序列;
误检过滤模块,用于设置锋电位幅值阈值,根据所述初始锋电位时间序列和所述锋电位幅值阈值,对所述第一信号进行判定检测,得到目标锋电位信号;对所述目标锋电位信号进行波形特征提取,得到目标锋电位时间序列和波形特征。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至权利要求7中任一项所述的脑深部电刺激期间的锋电位检测及特征提取方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至权利要求7中任一项所述的脑深部电刺激期间的锋电位检测及特征提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866162.2A CN116584959B (zh) | 2023-07-14 | 2023-07-14 | 脑深部电刺激期间的锋电位检测及特征提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866162.2A CN116584959B (zh) | 2023-07-14 | 2023-07-14 | 脑深部电刺激期间的锋电位检测及特征提取方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116584959A CN116584959A (zh) | 2023-08-15 |
CN116584959B true CN116584959B (zh) | 2023-09-26 |
Family
ID=87599374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310866162.2A Active CN116584959B (zh) | 2023-07-14 | 2023-07-14 | 脑深部电刺激期间的锋电位检测及特征提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116584959B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118142082B (zh) * | 2024-05-11 | 2024-08-13 | 之江实验室 | 脑深部电刺激信号伪迹去除方法、系统和存储介质 |
CN118266949B (zh) * | 2024-06-03 | 2024-09-03 | 之江实验室 | 一种基于深度学习的脑深部锋电位信号检测方法和装置 |
CN118337190B (zh) * | 2024-06-13 | 2024-09-03 | 之江实验室 | 脑深部电刺激序列的生成方法、装置以及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112472108A (zh) * | 2021-02-05 | 2021-03-12 | 南京畅享医疗科技有限公司 | 神经元放电尖峰信号挑拣方法、装置和计算机设备 |
CN112494055A (zh) * | 2020-12-15 | 2021-03-16 | 三江学院 | 一种具有实时去除变频率刺激伪迹功能的微电子神经桥或肌电桥方法与装置 |
CN113057656A (zh) * | 2021-03-29 | 2021-07-02 | 浙江大学 | 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统 |
CN113940689A (zh) * | 2021-09-14 | 2022-01-18 | 复旦大学 | 一种闭环深部脑刺激伪迹抑制系统及方法 |
KR20220153280A (ko) * | 2021-05-11 | 2022-11-18 | 재단법인대구경북과학기술원 | 신체조직을 자극하고 반응을 측정하는 방법 및 장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160213268A1 (en) * | 2013-09-09 | 2016-07-28 | Agency For Science, Technology And Research | Device for detecting a spike in one of a plurality of neural signals |
-
2023
- 2023-07-14 CN CN202310866162.2A patent/CN116584959B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112494055A (zh) * | 2020-12-15 | 2021-03-16 | 三江学院 | 一种具有实时去除变频率刺激伪迹功能的微电子神经桥或肌电桥方法与装置 |
CN112472108A (zh) * | 2021-02-05 | 2021-03-12 | 南京畅享医疗科技有限公司 | 神经元放电尖峰信号挑拣方法、装置和计算机设备 |
CN113057656A (zh) * | 2021-03-29 | 2021-07-02 | 浙江大学 | 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统 |
KR20220153280A (ko) * | 2021-05-11 | 2022-11-18 | 재단법인대구경북과학기술원 | 신체조직을 자극하고 반응을 측정하는 방법 및 장치 |
CN113940689A (zh) * | 2021-09-14 | 2022-01-18 | 复旦大学 | 一种闭环深部脑刺激伪迹抑制系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于四元数的锋电位检测与分类方法的研究;王壹博;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;第26-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116584959A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116584959B (zh) | 脑深部电刺激期间的锋电位检测及特征提取方法和系统 | |
US9044155B2 (en) | Stimulus artifact removal for neuronal recordings | |
US11338138B2 (en) | Method and system for rapid acquisition of evoked compound action potential recordings | |
CN110353672B (zh) | 一种脑电信号中眼部伪迹去除系统及去除方法 | |
EP3595769B1 (en) | Removal of stimulation artifact in multi-channel neural recordings | |
Al-ani et al. | Automatic removal of high-amplitude stimulus artefact from neuronal signal recorded in the subthalamic nucleus | |
AU2019408264A1 (en) | Improved detection of action potentials | |
EP3076866B1 (en) | Detecting neuronal action potentials using a sparse signal representation | |
US10588534B2 (en) | Motor task detection using electrophysiological signals | |
EP2139389B1 (en) | Method for filtering out artefacts of deep brain stimulation | |
EP3082948B1 (en) | Detecting neuronal action potentials using a convolutive compound action potential model | |
CN105193412B (zh) | 一种用于经颅磁刺激大脑诱发脑电伪迹去除的方法 | |
CN113693605A (zh) | 一种神经信号实时去除刺激伪迹的方法、装置及介质 | |
Knaflitz et al. | Computer analysis of the myoelectric signal | |
Michmizos et al. | Can we infer subthalamic nucleus spike trains from intranuclear local field potentials? | |
Gligorijevic et al. | Neural signal analysis and artifact removal in single and multichannel in-vivo deep brain recordings | |
CN117828274B (zh) | 一种从脑电信号中去除人工耳蜗伪迹的方法 | |
CN118142082B (zh) | 脑深部电刺激信号伪迹去除方法、系统和存储介质 | |
CN117033988B (zh) | 基于神经电信号的癫痫样棘波处理方法和装置 | |
CN115414056B (zh) | 面向多通道fes伪迹去除的g-s-g自适应滤波方法 | |
Akhoun et al. | Electrically evoked compound action potentials artefact rejection by independent component analysis: Procedure automation | |
Sadeghi Najafabadi et al. | Optimal Multichannel Artifact Prediction and Removal for Brain Machine Interfaces and Neural Prosthetics | |
Morshedzadeh et al. | Adaptive Filters to Remove Deep Brain Stimulation Artifacts from Local Field Potentials | |
Liu et al. | Local field potential oscillations induced by goal-directed behavior of pigeon | |
WO2024192357A2 (en) | Systems and methods for removing stimulation artifacts from physiological recordings |
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 |