CN117462147B - 基于脑电波的预警方法及系统 - Google Patents
基于脑电波的预警方法及系统 Download PDFInfo
- Publication number
- CN117462147B CN117462147B CN202311808059.9A CN202311808059A CN117462147B CN 117462147 B CN117462147 B CN 117462147B CN 202311808059 A CN202311808059 A CN 202311808059A CN 117462147 B CN117462147 B CN 117462147B
- Authority
- CN
- China
- Prior art keywords
- function
- data
- brain wave
- abnormal
- abnormality
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 235
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 194
- 238000012544 monitoring process Methods 0.000 claims abstract description 150
- 230000005856 abnormality Effects 0.000 claims abstract description 134
- 238000012545 processing Methods 0.000 claims abstract description 100
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- 230000007488 abnormal function Effects 0.000 claims abstract description 64
- 230000006870 function Effects 0.000 claims description 277
- 230000002159 abnormal effect Effects 0.000 claims description 62
- 238000012360 testing method Methods 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 34
- 230000036772 blood pressure Effects 0.000 claims description 17
- 230000036387 respiratory rate Effects 0.000 claims description 13
- 230000036760 body temperature Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000005428 wave function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 208000014644 Brain disease Diseases 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000036391 respiratory frequency Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 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
-
- 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
-
- 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Abstract
本发明涉及脑电波技术领域,具体公开了基于脑电波的预警方法及系统。本发明通过对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据;对脑电波检测数据进行异常分析与定位,从机能检测数据中,定位获取多个对应的异常机能数据;确定机能监测场景,生成机能监测指令;对患者进行机能监测,并通过多个异常机能数据进行异常识别与预警处理。能够对患者进行脑电波检测和机能检测,对脑电波检测数据进行异常分析与定位,从机能检测数据中,定位获取多个对应的异常机能数据,进而在机能监测场景,对患者进行机能监测、异常识别与预警处理,从而将脑电波的异常与机能异常相联系,实现对患者的脑部疾病的日常预警。
Description
技术领域
本发明属于脑电波技术领域,尤其涉及基于脑电波的预警方法及系统。
背景技术
大脑是由数以万计的神经元组成的,脑电波就是这些神经元之间的活动产生的电信号,这些神经元之间的连接有的是兴奋的,有的是抑制的;思维活动就是反应这些神经元之间的联系,大脑中的神经元会接收来自其他神经元的信号,当这一些信号的能量积累量超过一定的阐值时,就会产生脑电波。
脑电波是脑科学的基础理论研究,脑电波监测技术广泛运用于临床实践应用中。
现有技术中,脑电波监测虽然能够对患者的一些脑部疾病进行有效诊断,但是脑电波监测的过程较为繁琐,脑电波监测的环境较为苛刻,无法将脑电波监测广泛应用于患者的日常生活中,不能够基于脑电波监测的技术,对患者的脑部疾病进行日常的预警。
发明内容
本发明实施例的目的在于提供基于脑电波的预警方法及系统,旨在解决背景技术中提出的问题。
为实现上述目的,本发明实施例提供如下技术方案:
一种基于脑电波的预警方法,所述方法包括以下步骤:
对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据;
对所述脑电波检测数据进行异常分析与定位,从所述机能检测数据中,定位获取多个对应的异常机能数据;
进行机能监测的场景分析,确定机能监测场景,生成机能监测指令;
按照所述机能监测指令,对患者进行机能监测,并通过多个所述异常机能数据进行异常识别与预警处理。
作为本发明实施例技术方案进一步的限定,所述对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据具体包括以下步骤:
进行检测连接与测试,获取连接测试数据;
对所述连接测试数据进行分析,判断是否能够正常检测,并在能够正常检测时,生成脑电波检测指令和机能检测指令;
按照所述脑电波检测指令,对患者进行脑电波检测,获取并记录患者的脑电波检测数据;
按照所述机能检测指令,对患者进行机能检测,获取并记录患者的机能检测数据。
作为本发明实施例技术方案进一步的限定,所述对所述脑电波检测数据进行异常分析与定位,从所述机能检测数据中,定位获取多个对应的异常机能数据具体包括以下步骤:
对所述脑电波检测数据进行处理,得到脑电波处理数据;
对所述机能检测数据进行处理,得到机能处理数据;
对所述脑电波处理数据进行异常分析,得到脑电波异常信息;
按照所述脑电波异常信息,进行脑电波异常定位,并从所述机能处理数据中,定位获取多个对应的异常机能数据。
作为本发明实施例技术方案进一步的限定,所述按照所述脑电波异常信息,进行脑电波异常定位,并从所述机能处理数据中,定位获取多个对应的异常机能数据具体包括以下步骤:
按照所述脑电波异常信息,进行异常定位,确定多个异常时间段;
根据多个所述异常时间段,生成多个数据截取信号;
按照多个所述数据截取信号,对所述机能处理数据进行定位截取,获取多个对应的异常机能数据。
作为本发明实施例技术方案进一步的限定,所述进行机能监测的场景分析,确定机能监测场景,生成机能监测指令具体包括以下步骤:
进行环境连接记录,获取环境连接数据;
对所述环境连接数据进行场景识别,判断是否具有机能监测场景;
在具有机能监测场景时,生成机能监测指令;
在不具有机能监测场景时,不生成机能监测指令。
作为本发明实施例技术方案进一步的限定,所述按照所述机能监测指令,对患者进行机能监测,并通过多个所述异常机能数据进行异常识别与预警处理具体包括以下步骤:
按照所述机能监测指令,对患者进行机能监测,获取机能监测数据;
基于多个所述异常机能数据,对所述机能监测数据进行实时异常识别,判断是否具有机能异常;
在具有机能异常时,分析对应的异常类型;
按照所述异常类型,进行对应的异常预警提示。
基于脑电波的预警系统,所述系统包括脑电波机能检测模块、异常分析定位模块、监测场景分析模块和异常预警处理模块,其中:
脑电波机能检测模块,用于对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据;
异常分析定位模块,用于对所述脑电波检测数据进行异常分析与定位,从所述机能检测数据中,定位获取多个对应的异常机能数据;
监测场景分析模块,用于进行机能监测的场景分析,确定机能监测场景,生成机能监测指令;
异常预警处理模块,用于按照所述机能监测指令,对患者进行机能监测,并通过多个所述异常机能数据进行异常识别与预警处理。
作为本发明实施例技术方案进一步的限定,所述脑电波机能检测模块具体包括:
连接测试单元,用于进行检测连接与测试,获取连接测试数据;
检测判断单元,用于对所述连接测试数据进行分析,判断是否能够正常检测,并在能够正常检测时,生成脑电波检测指令和机能检测指令;
脑电波检测单元,用于按照所述脑电波检测指令,对患者进行脑电波检测,获取并记录患者的脑电波检测数据;
机能检测单元,用于按照所述机能检测指令,对患者进行机能检测,获取并记录患者的机能检测数据。
作为本发明实施例技术方案进一步的限定,所述异常分析定位模块具体包括:
脑电波处理单元,用于对所述脑电波检测数据进行处理,得到脑电波处理数据;
机能处理单元,用于对所述机能检测数据进行处理,得到机能处理数据;
异常分析单元,用于对所述脑电波处理数据进行异常分析,得到脑电波异常信息;
异常定位单元,用于按照所述脑电波异常信息,进行脑电波异常定位,并从所述机能处理数据中,定位获取多个对应的异常机能数据。
作为本发明实施例技术方案进一步的限定,所述异常预警处理模块具体包括:
机能监测单元,用于按照所述机能监测指令,对患者进行机能监测,获取机能监测数据;
异常识别单元,用于基于多个所述异常机能数据,对所述机能监测数据进行实时异常识别,判断是否具有机能异常;
类型分析单元,用于在具有机能异常时,分析对应的异常类型;
预警提示单元,用于按照所述异常类型,进行对应的异常预警提示。
与现有技术相比,本发明的有益效果是:
本发明实施例通过对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据;对脑电波检测数据进行异常分析与定位,从机能检测数据中,定位获取多个对应的异常机能数据;确定机能监测场景,生成机能监测指令;对患者进行机能监测,并通过多个异常机能数据进行异常识别与预警处理。能够对患者进行脑电波检测和机能检测,对脑电波检测数据进行异常分析与定位,从机能检测数据中,定位获取多个对应的异常机能数据,进而在机能监测场景中,对患者进行机能监测、异常识别与预警处理,从而将脑电波的异常与机能异常相联系,实现对患者的脑部疾病的日常预警。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1示出了本发明实施例提供的方法的流程图。
图2示出了本发明实施例提供的方法中进行脑电波检测和机能检测的流程图。
图3示出了本发明实施例提供的方法中脑电波检测数据的异常分析与定位的流程图。
图4示出了本发明实施例提供的方法中定位获取多个异常机能数据的流程图。
图5示出了本发明实施例提供的方法中机能监测的场景分析的流程图。
图6示出了本发明实施例提供的方法中异常识别与预警处理的流程图。
图7示出了本发明实施例提供的系统的应用架构图。
图8示出了本发明实施例提供的系统中脑电波机能检测模块的结构框图。
图9示出了本发明实施例提供的系统中异常分析定位模块的结构框图。
图10示出了本发明实施例提供的系统中异常预警处理模块的结构框图。
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,以下结合附图及实施例,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。
可以理解的是,现有技术中,脑电波监测虽然能够对患者的一些脑部疾病进行有效诊断,但是脑电波监测的过程较为繁琐,脑电波监测的环境较为苛刻,无法将脑电波监测广泛应用于患者的日常生活中,不能够基于脑电波监测的技术,对患者的脑部疾病进行日常的预警。
为解决上述问题,本发明实施例通过对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据;对脑电波检测数据进行异常分析与定位,从机能检测数据中,定位获取多个对应的异常机能数据;进行机能监测的场景分析,确定机能监测场景,生成机能监测指令;对患者进行机能监测,并通过多个异常机能数据进行异常识别与预警处理。能够对患者进行脑电波检测和机能检测,对脑电波检测数据进行异常分析与定位,从机能检测数据中,定位获取多个对应的异常机能数据,进而在机能监测场景,对患者进行机能监测、异常识别与预警处理,从而将脑电波的异常与机能异常相联系,实现对患者的脑部疾病的日常预警。
图1示出了本发明实施例提供的方法的流程图。
具体的,基于脑电波的预警方法,所述方法包括以下步骤:
步骤S101,对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据。
在本发明实施例中,在能够对患者进行脑电波检测的环境中,首先进行脑电波检测和机能检测的检测连接,并发送检测测试信号,获取反馈的连接测试数据,通过对连接测试数据进行分析,判断是否能够正常检测,在能够正常检测的情况下,生成脑电波检测指令和机能检测指令,按照脑电波检测指令,对患者进行脑电波检测,获取并记录患者的脑电波检测数据,再按照机能检测指令,对患者进行机能检测,获取并记录患者的机能检测数据。
具体的,图2示出了本发明实施例提供的方法中进行脑电波检测和机能检测的流程图。
其中,在本发明提供的优选实施方式中,所述对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据具体包括以下步骤:
步骤S1011,进行检测连接与测试,获取连接测试数据;
步骤S1012,对所述连接测试数据进行分析,判断是否能够正常检测,并在能够正常检测时,生成脑电波检测指令和机能检测指令;
步骤S1013,按照所述脑电波检测指令,对患者进行脑电波检测,获取并记录患者的脑电波检测数据;
步骤S1014,按照所述机能检测指令,对患者进行机能检测,获取并记录患者的机能检测数据。
进一步的,所述基于脑电波的预警方法还包括以下步骤:
步骤S102,对所述脑电波检测数据进行异常分析与定位,从所述机能检测数据中,定位获取多个对应的异常机能数据。
在本发明实施例中,识别脑电波检测数据中的噪音数据,对脑电波检测数据进行优化处理,得到脑电波处理数据,同样的,识别机能检测数据中的噪音数据,对机能检测数据进行优化处理,得到机能处理数据,再对脑电波处理数据进行异常分析,匹配脑电波异常所对应的脑部疾病,记录得到脑电波异常信息,进而按照脑电波异常信息,对脑电波处理数据进行异常定位,确定多个异常时间段,根据多个异常时间段,生成多个数据截取信号,进而按照多个数据截取信号,对机能处理数据进行定位截取,获取多个对应的异常机能数据,且多个异常机能数据与多个脑部疾病相对应,多个对应的脑部疾病可能是一种脑部疾病,也可能是多种不同的脑部疾病。
具体的,图3示出了本发明实施例提供的方法中脑电波检测数据的异常分析与定位的流程图。
其中,在本发明提供的优选实施方式中,所述对所述脑电波检测数据进行异常分析与定位,从所述机能检测数据中,定位获取多个对应的异常机能数据具体包括以下步骤:
步骤S1021,对所述脑电波检测数据进行处理,得到脑电波处理数据;
步骤S1022,对所述机能检测数据进行处理,得到机能处理数据;
步骤S1023,对所述脑电波处理数据进行异常分析,得到脑电波异常信息;
其中,步骤S1023具体包括如下子步骤:
步骤S10231,对所述脑电波处理数据进行异常分析,获取所述脑电波处理数据中各频带类型的相对能量;
在单组脑电波处理数据中,可能包括有一种、两种甚至多种的频带类型。在本实施例中,频带类型的总数量为5种,根据频带范围分为:Delta(0.5-4Hz)、Theta(4-8Hz)、Alpha(8-13Hz)、Beta(13-30Hz)以及 Gamma(30-60Hz)。
步骤S10232,根据所述脑电波处理数据中各频带类型的相对能量,并基于各频带类型的基准能量计算得到各频带类型的能量差值,判断各频带类型的能量差值是否在对应的预设能量差值范围内;
步骤S10233,当判断到其中一当前频带类型的能量差值超出对应的预设能量差值范围,则确定所述当前频带类型的脑电波为异常,并根据所述当前频带类型的能量差值在预设能量等级映射表中查找确定对应的异常等级;
可以理解的,上述的预设能量等级映射表为各频带类型的能量差值与对应的异常等级之间的映射关系。
在此需要补充说明的是,对于上述的脑电波异常信息,其包含一个或多个异常时间段。每个异常时间段对应的异常频带类型以及异常程度可能各不相同。例如,在时间段,对应的脑电异常波型(频带类型)为Theta脑电波,对应的异常程度为轻度。再例如,在时间段,对应的脑电异常波型(频带类型)包括Alpha脑电波以及Beta脑电波,对应的异常程度分别为重度与中度。
步骤S1024,按照所述脑电波异常信息,进行脑电波异常定位,并从所述机能处理数据中,定位获取多个对应的异常机能数据。
具体的,图4示出了本发明实施例提供的方法中定位获取多个异常机能数据的流程图。
其中,在本发明提供的优选实施方式中,所述按照所述脑电波异常信息,进行脑电波异常定位,并从所述机能处理数据中,定位获取多个对应的异常机能数据具体包括以下步骤:
步骤S10241,按照所述脑电波异常信息,进行异常定位,确定多个异常时间段;
步骤S10242,根据多个所述异常时间段,生成多个数据截取信号;
步骤S10243,按照多个所述数据截取信号,对所述机能处理数据进行定位截取,获取多个对应的异常机能数据。
可以理解的,在本发明中,在判断存在脑电波异常信息时,在对应的异常时间段获取患者的异常机能数据,并计算得到机能数据异常指数。由于脑电波的检测环境要求比较苛刻,因此在本发明中,可根据前期多次监测到的脑电波数据与异常机能数据,建立二者之间的映射关系,在后续监测中,只需要通过患者的机能处理数据的分析,便能同时反应出患者的脑电波状态,以对患者的脑部疾病进行日常的预警。
具体的,患者的脑电波处理数据与异常机能数据之间的映射关系的建立方法包括如下步骤:
步骤S102a,当判断到脑电波处理数据存在异常时,确定所包含的脑电异常波型以及各脑电异常波型对应的异常程度;
步骤S102b,当判断到脑电波处理数据存在异常时,在异常时间段内获取对应的异常机能数据,根据异常机能数据计算得到机能数据异常指数并确定对应的机能异常类型;
步骤S102c,基于脑电异常波型与各脑电异常波型对应的异常程度,以及机能数据异常指数与对应的机能异常类型,建立得到一当前映射关系;
例如,脑电异常波型为Theta脑电波,对应的异常程度为轻度。机能数据异常指数为,对应的机能异常类型血压和呼吸频率异常,此时二者之间建立一当前映射关系。
步骤S102d,累计统计每个当前映射关系出现的映射次数,当判断到当前映射关系出现的映射次数大于预设映射次数时,则判定当前映射关系为有效映射关系,并基于多个有效映射关系组成映射关系表。
作为补充说明的,若当前映射关系出现的映射次数大于预设映射次数,则说明此种映射关系是高频出现的,而不是偶然因素,因此从统计学角度可以认为该映射关系成立。
在本发明中,患者的机能处理数据至少包括血压值、心率值、呼吸频率以及体温值。对于上述的异常机能数据,也至少包括血压值、心率值、呼吸频率以及体温值。为了更加直观地对所获取得到的异常机能数据进行异常程度的评估,在本实施例中,通过计算机能数据异常指数来进行评估。
具体的,机能数据异常指数的计算公式表示为:
;
其中,表示机能数据异常指数,/>表示机能数据异常指数的基准值,/>表示血压项的机能数据异常指数的得分换算系数,/>表示在当前异常时间段所获取的血压值,表示血压值的基准值,/>表示心率项的机能数据异常指数的得分换算系数,/>表示在当前异常时间段所获取的心率值,/>表示心率值的基准值,/>表示呼吸频率项的机能数据异常指数的得分换算系数,/>表示在当前异常时间段所获取的呼吸频率值,表呼吸频率值的基准值,/>表示体温项的机能数据异常指数的得分换算系数,/>表示在当前异常时间段所获取的体温值,/>表示体温值的基准值。
可以理解的,在计算得到了机能数据异常指数之后,作为一个量化的指标参数,可为后续机能异常数据的判断提供一个固定的标准。
进一步的,在判断到存在机能数据异常时,还需要确定具体是哪一项机能(包括血压值、心率值、呼吸频率以及体温值)异常。具体的,在本实施例中,需要分别获取当前异常时间段内血压项、心率项、呼吸频率项以及体温项对应的值,然后与对应的基准值比较得到血压项差值、心率项差值、呼吸频率项差值以及体温项差值。当判断到各项的差值大于对应的预设差值范围,则判断该机能项存在异常。
例如,当上述机能数据异常指数大于预设机能数据异常指数,则判断患者存在机能异常。进一步的,当判断到血压项差值大于预设血压项差值范围,以及判断到呼吸频率项差值大于预设呼吸频率项差值范围,则判定患者的机能异常类型为血压和呼吸频率异常。
进一步的,所述基于脑电波的预警方法还包括以下步骤:
步骤S103,进行机能监测的场景分析,确定机能监测场景,生成机能监测指令。
在本发明实施例中,基于蓝牙技术,进行蓝牙的环境连接记录,获取环境连接数据,通过对环境连接数据进行场景识别,判断是否具有机能监测场景。具体的,对环境连接数据进行场景的识别分析,在识别出用户附近不具有可以连接的蓝牙信号时,判定用户处于附近没有照料人员的机能监测场景中,此时生成机能监测指令;而对环境连接数据进行场景的识别分析,识别出已经连接一个以上的蓝牙信号时,判定用户的附近至少有一个照料人员,则此时不具有机能监测场景,则不生成机能监测指令。
具体的,图5示出了本发明实施例提供的方法中机能监测的场景分析的流程图。
其中,在本发明提供的优选实施方式中,所述进行机能监测的场景分析,确定机能监测场景,生成机能监测指令具体包括以下步骤:
步骤S1031,进行环境连接记录,获取环境连接数据;
步骤S1032,对所述环境连接数据进行场景识别,判断是否具有机能监测场景;
步骤S1033,在具有机能监测场景时,生成机能监测指令;
步骤S1034,在不具有机能监测场景时,不生成机能监测指令。
进一步的,所述基于脑电波的预警方法还包括以下步骤:
步骤S104,按照所述机能监测指令,对患者进行机能监测,并通过多个所述异常机能数据进行异常识别与预警处理。
在本发明实施例中,按照机能监测指令,对患者进行机能监测,获取机能监测数据,再以多个异常机能数据为对照基础,对机能监测数据进行实时的对照识别,判断是否具有机能异常,在机能监测数据中具有与一个及以上的异常机能数据对照相似时,判定具有机能异常,此时分析对应的异常类型,再按照异常类型,生成对应的预警信号,进而根据预警信号,对患者进行对应的异常预警提示。
具体的,图6示出了本发明实施例提供的方法中异常识别与预警处理的流程图。
其中,在本发明提供的优选实施方式中,所述按照所述机能监测指令,对患者进行机能监测,并通过多个所述异常机能数据进行异常识别与预警处理具体包括以下步骤:
步骤S1041,按照所述机能监测指令,对患者进行机能监测,获取机能监测数据;
步骤S1042,基于多个所述异常机能数据,对所述机能监测数据进行实时异常识别,判断是否具有机能异常;
在本步骤中,基于获取的机能监测数据,对机能监测数据中的血压值、心率值、呼吸频率以及体温值进行计算得到一当前机能监测数据指数,并与上述的机能数据异常指数进行比较即可判断是否存在机能异常。在此需要说明的是,当前机能监测数据指数与机能数据异常指数的计算公式是相同的。
步骤S1043,在具有机能异常时,分析对应的异常类型;
可以理解的,若计算到当前机能监测数据指数大于机能数据异常指数,也即计算到存在机能异常,此时可同时获取对应的异常类型。例如患者的机能异常类型为血压和呼吸频率异常。
步骤S1044,按照所述异常类型,进行对应的异常预警提示。
进一步的,在确定了机能数据异常指数与对应的机能异常类型之后,根据上述的映射关系表,可查找确定对应的脑电异常波型与各脑电异常波型对应的异常程度,进而进行对应的异常预警提示。因此在后续监测中,只需要通过患者的机能处理数据的分析,便能同时反应出患者的脑电波状态,以对患者的脑部疾病进行日常的预警。
进一步的,图7示出了本发明实施例提供的系统的应用架构图。
其中,在本发明提供的又一个优选实施方式中,基于脑电波的预警系统,包括:
脑电波机能检测模块101,用于对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据。
在本发明实施例中,在能够对患者进行脑电波检测的环境中,脑电波机能检测模块101首先进行脑电波检测和机能检测的检测连接,并发送检测测试信号,获取反馈的连接测试数据,通过对连接测试数据进行分析,判断是否能够正常检测,在能够正常检测的情况下,生成脑电波检测指令和机能检测指令,按照脑电波检测指令,对患者进行脑电波检测,获取并记录患者的脑电波检测数据,再按照机能检测指令,对患者进行机能检测,获取并记录患者的机能检测数据。
具体的,图8示出了本发明实施例提供的系统中脑电波机能检测模块101的结构框图。
其中,在本发明提供的优选实施方式中,所述脑电波机能检测模块101具体包括:
连接测试单元1011,用于进行检测连接与测试,获取连接测试数据;
检测判断单元1012,用于对所述连接测试数据进行分析,判断是否能够正常检测,并在能够正常检测时,生成脑电波检测指令和机能检测指令;
脑电波检测单元1013,用于按照所述脑电波检测指令,对患者进行脑电波检测,获取并记录患者的脑电波检测数据;
机能检测单元1014,用于按照所述机能检测指令,对患者进行机能检测,获取并记录患者的机能检测数据。
进一步的,所述基于脑电波的预警系统还包括:
异常分析定位模块102,用于对所述脑电波检测数据进行异常分析与定位,从所述机能检测数据中,定位获取多个对应的异常机能数据。
在本发明实施例中,异常分析定位模块102识别脑电波检测数据中的噪音数据,对脑电波检测数据进行优化处理,得到脑电波处理数据,同样的,识别机能检测数据中的噪音数据,对机能检测数据进行优化处理,得到机能处理数据,再对脑电波处理数据进行异常分析,匹配脑电波异常所对应的脑部疾病,记录得到脑电波异常信息,进而按照脑电波异常信息,对脑电波处理数据进行异常定位,确定多个异常时间段,根据多个异常时间段,生成多个数据截取信号,进而按照多个数据截取信号,对机能处理数据进行定位截取,获取多个对应的异常机能数据,且多个异常机能数据与多个脑部疾病相对应,多个对应的脑部疾病可能是一种脑部疾病,也可能是多种不同的脑部疾病。
具体的,图9示出了本发明实施例提供的系统中异常分析定位模块102的结构框图。
其中,在本发明提供的优选实施方式中,所述异常分析定位模块102具体包括:
脑电波处理单元1021,用于对所述脑电波检测数据进行处理,得到脑电波处理数据;
机能处理单元1022,用于对所述机能检测数据进行处理,得到机能处理数据;
异常分析单元1023,用于对所述脑电波处理数据进行异常分析,得到脑电波异常信息;
异常定位单元1024,用于按照所述脑电波异常信息,进行脑电波异常定位,并从所述机能处理数据中,定位获取多个对应的异常机能数据。
进一步的,所述基于脑电波的预警系统还包括:
监测场景分析模块103,用于进行机能监测的场景分析,确定机能监测场景,生成机能监测指令。
在本发明实施例中,监测场景分析模块103基于蓝牙技术,进行蓝牙的环境连接记录,获取环境连接数据,通过对环境连接数据进行场景识别,判断是否具有机能监测场景,具体的,对环境连接数据进行场景的识别分析,在识别出用户附近不具有可以连接的蓝牙信号时,判定用户处于附近没有照料人员的机能监测场景中,此时生成机能监测指令;而对环境连接数据进行场景的识别分析,识别出已经连接一个以上的蓝牙信号时,判定用户的附近至少有一个照料人员,则此时不具有机能监测场景,则不生成机能监测指令。
异常预警处理模块104,用于按照所述机能监测指令,对患者进行机能监测,并通过多个所述异常机能数据进行异常识别与预警处理。
在本发明实施例中,异常预警处理模块104按照机能监测指令,对患者进行机能监测,获取机能监测数据,再以多个异常机能数据为对照基础,对机能监测数据进行实时的对照识别,判断是否具有机能异常,在机能监测数据中具有与一个及以上的异常机能数据对照相似时,判定具有机能异常,此时分析对应的异常类型,再按照异常类型,生成对应的预警信号,进而根据预警信号,对患者进行对应的异常预警提示。
具体的,图10示出了本发明实施例提供的系统中异常预警处理模块104的结构框图。
其中,在本发明提供的优选实施方式中,所述异常预警处理模块104具体包括:
机能监测单元1041,用于按照所述机能监测指令,对患者进行机能监测,获取机能监测数据;
异常识别单元1042,用于基于多个所述异常机能数据,对所述机能监测数据进行实时异常识别,判断是否具有机能异常;
类型分析单元1043,用于在具有机能异常时,分析对应的异常类型;
预警提示单元1044,用于按照所述异常类型,进行对应的异常预警提示。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于脑电波的预警方法,其特征在于,所述方法包括以下步骤:
对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据;
对所述脑电波检测数据进行异常分析与定位,从所述机能检测数据中,定位获取多个对应的异常机能数据;
进行机能监测的场景分析,确定机能监测场景,生成机能监测指令;
按照所述机能监测指令,对患者进行机能监测,并通过多个所述异常机能数据进行异常识别与预警处理;
所述对所述脑电波检测数据进行异常分析与定位,从所述机能检测数据中,定位获取多个对应的异常机能数据具体包括以下步骤:
对所述脑电波检测数据进行处理,得到脑电波处理数据;
对所述机能检测数据进行处理,得到机能处理数据;
对所述脑电波处理数据进行异常分析,得到脑电波异常信息;
按照所述脑电波异常信息,进行脑电波异常定位,并从所述机能处理数据中,定位获取多个对应的异常机能数据;
所述方法还包括:
建立脑电波处理数据与异常机能数据之间的映射关系,对应的方法包括如下步骤:
当判断到脑电波处理数据存在异常时,确定所包含的脑电异常波型以及各脑电异常波型对应的异常程度;
当判断到脑电波处理数据存在异常时,在异常时间段内获取对应的异常机能数据,根据异常机能数据计算得到机能数据异常指数并确定对应的机能异常类型;
基于脑电异常波型与各脑电异常波型对应的异常程度,以及机能数据异常指数与对应的机能异常类型,建立得到一当前映射关系;
累计统计每个当前映射关系出现的映射次数,当判断到当前映射关系出现的映射次数大于预设映射次数时,则判定当前映射关系为有效映射关系,并基于多个有效映射关系组成映射关系表;
机能数据异常指数的计算公式表示为:
;
其中,表示机能数据异常指数,/>表示机能数据异常指数的基准值,/>表示血压项的机能数据异常指数的得分换算系数,/>表示在当前异常时间段所获取的血压值,表示血压值的基准值,/>表示心率项的机能数据异常指数的得分换算系数,/>表示在当前异常时间段所获取的心率值,/>表示心率值的基准值,/>表示呼吸频率项的机能数据异常指数的得分换算系数,/>表示在当前异常时间段所获取的呼吸频率值,表呼吸频率值的基准值,/>表示体温项的机能数据异常指数的得分换算系数,/>表示在当前异常时间段所获取的体温值,/>表示体温值的基准值。
2.根据权利要求1所述的基于脑电波的预警方法,其特征在于,所述对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据具体包括以下步骤:
进行检测连接与测试,获取连接测试数据;
对所述连接测试数据进行分析,判断是否能够正常检测,并在能够正常检测时,生成脑电波检测指令和机能检测指令;
按照所述脑电波检测指令,对患者进行脑电波检测,获取并记录患者的脑电波检测数据;
按照所述机能检测指令,对患者进行机能检测,获取并记录患者的机能检测数据。
3.根据权利要求2所述的基于脑电波的预警方法,其特征在于,对所述脑电波处理数据进行异常分析,得到脑电波异常信息的方法包括如下步骤:
对所述脑电波处理数据进行异常分析,获取所述脑电波处理数据中各频带类型的相对能量;
根据所述脑电波处理数据中各频带类型的相对能量,并基于各频带类型的基准能量计算得到各频带类型的能量差值,判断各频带类型的能量差值是否在对应的预设能量差值范围内;
当判断到其中一当前频带类型的能量差值超出对应的预设能量差值范围,则确定所述当前频带类型的脑电波为异常,并根据所述当前频带类型的能量差值在预设能量等级映射表中查找确定对应的异常等级。
4.根据权利要求3所述的基于脑电波的预警方法,其特征在于,所述按照所述脑电波异常信息,进行脑电波异常定位,并从所述机能处理数据中,定位获取多个对应的异常机能数据具体包括以下步骤:
按照所述脑电波异常信息,进行异常定位,确定多个异常时间段;
根据多个所述异常时间段,生成多个数据截取信号;
按照多个所述数据截取信号,对所述机能处理数据进行定位截取,获取多个对应的异常机能数据。
5.根据权利要求1所述的基于脑电波的预警方法,其特征在于,所述进行机能监测的场景分析,确定机能监测场景,生成机能监测指令具体包括以下步骤:
进行环境连接记录,获取环境连接数据;
对所述环境连接数据进行场景识别,判断是否具有机能监测场景;
在具有机能监测场景时,生成机能监测指令;
在不具有机能监测场景时,不生成机能监测指令。
6.根据权利要求5所述的基于脑电波的预警方法,其特征在于,所述按照所述机能监测指令,对患者进行机能监测,并通过多个所述异常机能数据进行异常识别与预警处理具体包括以下步骤:
按照所述机能监测指令,对患者进行机能监测,获取机能监测数据;
基于多个所述异常机能数据,对所述机能监测数据进行实时异常识别,判断是否具有机能异常;
在具有机能异常时,分析对应的异常类型;
按照所述异常类型,进行对应的异常预警提示。
7.一种基于脑电波的预警系统,其特征在于,应用权利要求1至6任一项所述的基于脑电波的预警方法,所述系统包括脑电波机能检测模块、异常分析定位模块、监测场景分析模块和异常预警处理模块,其中:
脑电波机能检测模块,用于对患者进行脑电波检测和机能检测,获取患者的脑电波检测数据和机能检测数据;
异常分析定位模块,用于对所述脑电波检测数据进行异常分析与定位,从所述机能检测数据中,定位获取多个对应的异常机能数据;
监测场景分析模块,用于进行机能监测的场景分析,确定机能监测场景,生成机能监测指令;
异常预警处理模块,用于按照所述机能监测指令,对患者进行机能监测,并通过多个所述异常机能数据进行异常识别与预警处理。
8.根据权利要求7所述的基于脑电波的预警系统,其特征在于,所述脑电波机能检测模块具体包括:
连接测试单元,用于进行检测连接与测试,获取连接测试数据;
检测判断单元,用于对所述连接测试数据进行分析,判断是否能够正常检测,并在能够正常检测时,生成脑电波检测指令和机能检测指令;
脑电波检测单元,用于按照所述脑电波检测指令,对患者进行脑电波检测,获取并记录患者的脑电波检测数据;
机能检测单元,用于按照所述机能检测指令,对患者进行机能检测,获取并记录患者的机能检测数据;
所述异常分析定位模块具体包括:
脑电波处理单元,用于对所述脑电波检测数据进行处理,得到脑电波处理数据;
机能处理单元,用于对所述机能检测数据进行处理,得到机能处理数据;
异常分析单元,用于对所述脑电波处理数据进行异常分析,得到脑电波异常信息;
异常定位单元,用于按照所述脑电波异常信息,进行脑电波异常定位,并从所述机能处理数据中,定位获取多个对应的异常机能数据;
所述异常预警处理模块具体包括:
机能监测单元,用于按照所述机能监测指令,对患者进行机能监测,获取机能监测数据;
异常识别单元,用于基于多个所述异常机能数据,对所述机能监测数据进行实时异常识别,判断是否具有机能异常;
类型分析单元,用于在具有机能异常时,分析对应的异常类型;
预警提示单元,用于按照所述异常类型,进行对应的异常预警提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311808059.9A CN117462147B (zh) | 2023-12-26 | 2023-12-26 | 基于脑电波的预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311808059.9A CN117462147B (zh) | 2023-12-26 | 2023-12-26 | 基于脑电波的预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117462147A CN117462147A (zh) | 2024-01-30 |
CN117462147B true CN117462147B (zh) | 2024-03-26 |
Family
ID=89639940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311808059.9A Active CN117462147B (zh) | 2023-12-26 | 2023-12-26 | 基于脑电波的预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117462147B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8538512B1 (en) * | 2007-04-23 | 2013-09-17 | Neurowave Systems Inc. | Method for amplifying abnormal pattern signal in observed brain activity of a subject for diagnosis or treatment |
CN106137187A (zh) * | 2016-07-15 | 2016-11-23 | 广州视源电子科技股份有限公司 | 一种脑电状态检测方法及装置 |
CN112438733A (zh) * | 2020-11-06 | 2021-03-05 | 南京大学 | 一种便携式新生儿惊厥脑电监护系统 |
CN115067942A (zh) * | 2022-05-23 | 2022-09-20 | 中国科学院苏州生物医学工程技术研究所 | 基于多生理参数智能分析的心理状态评估方法、设备、介质及产品 |
CN116669630A (zh) * | 2020-12-25 | 2023-08-29 | 深圳迈瑞生物医疗电子股份有限公司 | 监护信息的显示方法、脑电异常的报警方法及监护系统 |
CN116942182A (zh) * | 2023-08-29 | 2023-10-27 | 杭州职业技术学院 | 一种体质健康监控装置 |
CN117184086A (zh) * | 2023-11-07 | 2023-12-08 | 江西科技学院 | 一种基于脑电波的智能驾驶系统 |
CN117224151A (zh) * | 2023-11-14 | 2023-12-15 | 江西科技学院 | 一种脑电异常信号的预警方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11317874B2 (en) * | 2016-03-04 | 2022-05-03 | Brainsview Inc. | System, process, and devices for real-time brain monitoring in epileptic spasms and hypsarrhythmia |
US20190159675A1 (en) * | 2016-04-13 | 2019-05-30 | Rajib Sengupta | Point-of-care tele monitoring device for neurological disorders and neurovascular diseases and system and method thereof |
-
2023
- 2023-12-26 CN CN202311808059.9A patent/CN117462147B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8538512B1 (en) * | 2007-04-23 | 2013-09-17 | Neurowave Systems Inc. | Method for amplifying abnormal pattern signal in observed brain activity of a subject for diagnosis or treatment |
CN106137187A (zh) * | 2016-07-15 | 2016-11-23 | 广州视源电子科技股份有限公司 | 一种脑电状态检测方法及装置 |
CN112438733A (zh) * | 2020-11-06 | 2021-03-05 | 南京大学 | 一种便携式新生儿惊厥脑电监护系统 |
CN116669630A (zh) * | 2020-12-25 | 2023-08-29 | 深圳迈瑞生物医疗电子股份有限公司 | 监护信息的显示方法、脑电异常的报警方法及监护系统 |
CN115067942A (zh) * | 2022-05-23 | 2022-09-20 | 中国科学院苏州生物医学工程技术研究所 | 基于多生理参数智能分析的心理状态评估方法、设备、介质及产品 |
CN116942182A (zh) * | 2023-08-29 | 2023-10-27 | 杭州职业技术学院 | 一种体质健康监控装置 |
CN117184086A (zh) * | 2023-11-07 | 2023-12-08 | 江西科技学院 | 一种基于脑电波的智能驾驶系统 |
CN117224151A (zh) * | 2023-11-14 | 2023-12-15 | 江西科技学院 | 一种脑电异常信号的预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117462147A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8204583B2 (en) | System for seizure monitoring and detection | |
US20210358611A1 (en) | Method for Detecting Epileptic Spike, Method for Training Network Model, and Computer Device | |
Majumdar et al. | Automatic seizure detection in ECoG by differential operator and windowed variance | |
De Lannoy et al. | Weighted SVMs and feature relevance assessment in supervised heart beat classification | |
US9380954B2 (en) | Method for physiological signal analysis and its system and computer program product storing physiological signal analysis program | |
Singh et al. | Attention-based convolutional denoising autoencoder for two-lead ECG denoising and arrhythmia classification | |
EP2891094A1 (en) | Methods and systems for calculating and using statistical models to predict medical events | |
US11030885B2 (en) | System and method for processing multiple signals | |
Mastoi et al. | Machine learning-data mining integrated approach for premature ventricular contraction prediction | |
EP3219253A1 (en) | Method and system of detecting arrhythmia using photoplethysmogram signal | |
Al-Salman et al. | Extracting epileptic features in EEGs using a dual-tree complex wavelet transform coupled with a classification algorithm | |
CN117224151B (zh) | 一种脑电异常信号的预警方法及系统 | |
CN117462147B (zh) | 基于脑电波的预警方法及系统 | |
Nagarajan et al. | Scalable machine learning architecture for neonatal seizure detection on ultra-edge devices | |
EBRAHIMNEZHAD et al. | Classification of arrhythmias using linear predictive coefficients and probabilistic neural network | |
Bitarafan et al. | A hybrid deep model for automatic arrhythmia classification based on LSTM recurrent networks | |
Mangathayaru et al. | An attention based neural architecture for arrhythmia detection and classification from ecg signals | |
Jayanthi et al. | Automated ECG Arrhythmia classification using Resnet and AutoML Learning Model | |
CN112057068A (zh) | 一种癫痫病理数据分类方法、装置及存储介质 | |
CN112237433B (zh) | 一种脑电信号异常监测系统及方法 | |
Bandurovc et al. | A multilayer lstm autoencoder for fetal ecg anomaly detection | |
CN116959739A (zh) | 一种人工智能辅助的健康管理方法及系统 | |
Henriques et al. | Telehealth streams reduction based on pattern recognition techniques for events detection and efficient storage in EHR | |
CN117617921B (zh) | 基于物联网的智能血压监控系统及方法 | |
Mei et al. | Quantification of Epileptic Electrical Sustained Activity during Sleep in BECT Patients |
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 |