CN118079178A - 基于脑机接口的主被动融合昏迷促醒评估方法 - Google Patents

基于脑机接口的主被动融合昏迷促醒评估方法 Download PDF

Info

Publication number
CN118079178A
CN118079178A CN202311860848.7A CN202311860848A CN118079178A CN 118079178 A CN118079178 A CN 118079178A CN 202311860848 A CN202311860848 A CN 202311860848A CN 118079178 A CN118079178 A CN 118079178A
Authority
CN
China
Prior art keywords
patient
stimulus
emotion
brain
stimulation
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
Application number
CN202311860848.7A
Other languages
English (en)
Inventor
崔正哲
万小姣
李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Meilian Medical Technology Co ltd
Original Assignee
Zhejiang Meilian Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Meilian Medical Technology Co ltd filed Critical Zhejiang Meilian Medical Technology Co ltd
Priority to CN202311860848.7A priority Critical patent/CN118079178A/zh
Publication of CN118079178A publication Critical patent/CN118079178A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • 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
    • A61B5/24—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
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0083—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus especially for waking up

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Psychology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Acoustics & Sound (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请涉及一种基于脑机接口的主被动融合昏迷促醒评估方法。适用于脑机接口技术领域。本申请所采用的技术方案包括：S1、基于各类型刺激的出现概率，从刺激库中随机选择一种提供给患者的刺激；S2、获取患者受到刺激前后的脑电信号，并通过康复评估模块对比分析患者接受刺激前后的脑电信号，评估患者的康复水平；S3、通过经训练的情绪分类模型将患者受到刺激后的脑电信号分类为正向、负向或中性情绪表达；S4、若分类为正向情绪表达，则增加对应刺激的出现概率；若分类为负向情绪表达，则减少对应刺激的出现概率；S5、跳转至步骤S1，直至接收到停止信号或对患者的刺激次数达到预设的刺激次数。

Description

基于脑机接口的主被动融合昏迷促醒评估方法
技术领域
本发明涉及一种基于脑机接口的主被动融合昏迷促醒评估方法。适用于脑机接口技术领域。
背景技术
昏迷是一种严重的意识障碍，患者无法感知外部环境，缺乏自我意识。传统的治疗方法通常基于医学干预和被动康复训练，但缺乏针对个体患者的精准治疗方案。
近年来，随着神经科学和生物信号处理技术的发展，利用脑电信号来评估和促进意识觉醒成为研究热点。然而，现有的技术存在脑电信号采集不准确、数据分析不充分、刺激方案单一等问题，无法实现精确的昏迷促醒。
在康复医学领域，患者的情绪状态对康复效果有着重要影响。然而，由于患者可能存在意识障碍，其情绪表达往往难以被准确识别。
发明内容
本发明要解决的技术问题是：针对上述存在的问题，提供一种基于脑机接口的主被动融合昏迷促醒评估方法。
本发明所采用的技术方案是：一种基于脑机接口的主被动融合昏迷促醒评估方法，其特征在于，包括：
S1、基于各类型刺激的出现概率，从刺激库中随机选择一种提供给患者的刺激；
S2、获取患者受到刺激前后的脑电信号，并通过康复评估模块对比分析患者接受刺激前后的脑电信号，评估患者的康复水平；
S3、通过经训练的情绪分类模型将患者受到刺激后的脑电信号分类为正向、负向或中性情绪表达；
S4、若分类为正向情绪表达，则增加对应刺激的出现概率；若分类为负向情绪表达，则减少对应刺激的出现概率；
S5、跳转至步骤S1，直至接收到停止信号或对患者的刺激次数达到预设的刺激次数。
所述通过康复评估模块对比分析患者接受刺激前后的脑电信号，评估患者的康复水平，包括：
所述情绪分类模型的训练，包括：
建构健康人的情绪脑电数据库，包含健康人正向、负向或中性情绪表达时对应的脑电信号；
对脑电信号进行预处理，在预处理后利用深度学习算法对处理后的脑电信号进行特征提取；
以情绪脑电数据库中的脑电信号为输入，以情绪脑电数据库中脑电信号对应情绪表达为输出训练基于深度学习算法构建的情绪分类模型。
所述对脑电信号进行预处理，在预处理后利用深度学习算法对处理后的脑电信号进行特征提取，包括：
从处理后的脑电信号中提取脑电信号的频率、振幅、相位。
若分类为正向情绪表达，则增加对应刺激的出现概率和/或刺激程度；若分类为负向情绪表达，则减少对应刺激的出现概率和/或刺激程度；所述刺激程度包括刺激的强度、频率、持续时间中的一种或几种。
一种基于脑机接口的主被动融合昏迷促醒评估装置，其特征在于，包括：
刺激选择模块，用于基于各类型刺激的出现概率，从刺激库中随机选择一种提供给患者的刺激；
康复评估模块，用于获取患者受到刺激前后的脑电信号，并通过康复评估模块对比分析患者接受刺激前后的脑电信号，评估患者的康复水平；
情绪分类模块，用于通过经训练的情绪分类模型将患者受到刺激后的脑电信号分类为正向、负向或中性情绪表达；
刺激策略调整模块，用于若分类为正向情绪表达，则增加对应刺激的出现概率；若分类为负向情绪表达，则减少对应刺激的出现概率。
一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述基于脑机接口的主被动融合昏迷促醒评估方法的步骤。
一种基于脑机接口的主被动融合昏迷促醒评估系统，其特征在于，包括：
控制模块，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现所述基于脑机接口的主被动融合昏迷促醒评估方法的步骤；
脑电信号检测装置，用于实时检测并记录患者脑电信号；
刺激提供装置，用于根据所述控制模块随机选择的刺激，向患者提供该刺激。
本发明的有益效果是：本发明通过情绪分类模型对患者的脑电信号进行情绪分类，根据患者的情绪成分调整刺激策略，患者表现正向情绪的，则增加对应的刺激出现概率；若为负向情绪，则减少对应刺激出现概率，从而尽可能多的提供正向情绪对应的刺激，提高个性化刺激的效果，有效提高患者的康复水平。
附图说明
图1为实施例的流程图。
具体实施方式
实施例1：一种基于脑机接口的主被动融合昏迷促醒评估方法，其特征在于，包括：
S1、基于各类型刺激的出现概率，从刺激库中随机选择一种提供给患者的刺激。
刺激库包含多种类型的视/听/触觉等刺激，这些刺激可以是简单的，例如不同频率和强度的声音，不同颜色和亮度的光线，也可以是更复杂的，例如某种类型的声音或光线组合。这个刺激库旨在为患者提供多元化的刺激选项，以尽可能地覆盖和满足他们的需求和偏好。
患者的初次进行促醒评估时，各类型刺激的出现概率为预设的初始概率，后续各类刺激的出线概率根据患者受到刺激后脑电信号对应的情绪表达进行调整。
S2、获取患者受到刺激前、后的脑电信号，并通过康复评估模块对比分析患者接受刺激前、后的脑电信号，评估患者的康复水平。
S3、通过经训练的情绪分类模型将患者受到刺激后的脑电信号分类为正向、负向或中性情绪表达。
S4、基于步骤S2中的康复水平和步骤S3中的情绪分类调整刺激策略，若中分类为正向情绪表达，则增加对应刺激的出现概率和/或刺激程度(例如增加刺激强度、频率、持续时间等)；若分类为负向情绪表达，则减少对应刺激的出现概率和/或刺激程度(例如减小刺激强度、频率、持续时间等)；若分类为中性刺激，则对应刺激的出现概率和/或刺激程度保持不变。
S5、判断是否接收到停止信号或对患者的刺激次数达到预设的刺激次数，若未收到停止信号且未达到预设的刺激次数，则在步骤S4调整刺激策略后跳转至步骤S1。
本实施例中情绪分类模型的训练，包括以下步骤：
建构健康人的情绪脑电数据库，包含健康人正向、负向或中性情绪表达时对应的脑电信号；
对脑电信号进行预处理，包括滤波、降噪和特征提取等操作。这些操作的目的是提取出脑电信号中的有用信息，并去除噪声和干扰，以保证模型的准确性。
在预处理后利用深度学习算法对处理后的脑电信号进行特征提取，包括提取脑电信号的频率、振幅、相位等特征。
以情绪脑电数据库中脑电信号的特征为输入，以情绪脑电数据库中脑电信号对应情绪表达为输出训练基于深度学习算法构建的情绪分类模型，使得模型可以自动将脑电信号分类为正向、负向或中性情绪表达。
本实施例中利用脑电信号的特征，构建一个深度学习模型，该模型可以自动学习脑电信号中的特征，并根据这些特征对情绪进行分类。该模型可以采用卷积神经网络(CNN)、循环神经网络(RNN)或长短期记忆网络(LSTM)等深度学习算法来实现。
训练好的情绪分类模型应用到如康复医学领域中，用于评估患者的情绪状态，从而为医生提供参考意见。
实施例2：本实施例为一种基于脑机接口的主被动融合昏迷促醒评估装置，包括：刺激选择模块、康复评估模块、情绪分类模块、刺激策略调整模块等。
本例中刺激选择模块用于基于各类型刺激的出现概率，从刺激库中随机选择一种提供给患者的刺激；康复评估模块用于获取患者受到刺激前后的脑电信号，并通过康复评估模块对比分析患者接受刺激前后的脑电信号，评估患者的康复水平；情绪分类模块用于通过经训练的情绪分类模型将患者受到刺激后的脑电信号分类为正向、负向或中性情绪表达；刺激策略调整模块用于若分类为正向情绪表达，则增加对应刺激的出现概率；若分类为负向情绪表达，则减少对应刺激的出现概率。
实施例3：本实施例为一种存储介质，其上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现实施例1中基于脑机接口的主被动融合昏迷促醒评估方法的步骤。
实施例4：本实施例为一种基于脑机接口的主被动融合昏迷促醒评估系统，包括：控制模块、脑电信号检测装置和刺激提供装置。
本例中控制模块具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现实施例1中基于脑机接口的主被动融合昏迷促醒评估方法的步骤。
脑电信号检测装置可以实时检测并记录患者脑电信号。这些脑电信号可以反映患者的神经活动和意识状态。该设备通常包括脑电信号放大器、滤波器、模数转换器等组件，以及与计算机接口连接，使得脑电信号可以实时输入到计算机或情绪分类模型中。
刺激提供装置能根据预设的程序，可以从刺激库中随机选择并提供刺激。这个装置可以包括声音播放器、光源、触觉刺激器等设备，能以适当的参数(例如强度、频率、持续时间等)向患者提供刺激。

Claims (7)

1.一种基于脑机接口的主被动融合昏迷促醒评估方法，其特征在于，包括：
S1、基于各类型刺激的出现概率，从刺激库中随机选择一种提供给患者的刺激；
S2、获取患者受到刺激前后的脑电信号，并通过康复评估模块对比分析患者接受刺激前后的脑电信号，评估患者的康复水平；
S3、通过经训练的情绪分类模型将患者受到刺激后的脑电信号分类为正向、负向或中性情绪表达；
S4、若分类为正向情绪表达，则增加对应刺激的出现概率；若分类为负向情绪表达，则减少对应刺激的出现概率；
S5、跳转至步骤S1，直至接收到停止信号或对患者的刺激次数达到预设的刺激次数。
2.根据权利要求1所述的基于脑机接口的主被动融合昏迷促醒评估方法，其特征在于，所述情绪分类模型的训练，包括：
建构健康人的情绪脑电数据库，包含健康人正向、负向或中性情绪表达时对应的脑电信号；
对脑电信号进行预处理，在预处理后利用深度学习算法对处理后的脑电信号进行特征提取；
以情绪脑电数据库中的脑电信号为输入，以情绪脑电数据库中脑电信号对应情绪表达为输出训练基于深度学习算法构建的情绪分类模型。
3.根据权利要求2所述的基于脑机接口的主被动融合昏迷促醒评估方法，其特征在于，所述对脑电信号进行预处理，在预处理后利用深度学习算法对处理后的脑电信号进行特征提取，包括：
从处理后的脑电信号中提取脑电信号的频率、振幅、相位。
4.根据权利要求1所述的基于脑机接口的主被动融合昏迷促醒评估方法，其特征在于，若分类为正向情绪表达，则增加对应刺激的出现概率和/或刺激程度；若分类为负向情绪表达，则减少对应刺激的出现概率和/或刺激程度；所述刺激程度包括刺激的强度、频率、持续时间中的一种或几种。
5.一种基于脑机接口的主被动融合昏迷促醒评估装置，其特征在于，包括：
刺激选择模块，用于基于各类型刺激的出现概率，从刺激库中随机选择一种提供给患者的刺激；
康复评估模块，用于获取患者受到刺激前后的脑电信号，并通过康复评估模块对比分析患者接受刺激前后的脑电信号，评估患者的康复水平；
情绪分类模块，用于通过经训练的情绪分类模型将患者受到刺激后的脑电信号分类为正向、负向或中性情绪表达；
刺激策略调整模块，用于若分类为正向情绪表达，则增加对应刺激的出现概率；若分类为负向情绪表达，则减少对应刺激的出现概率。
6.一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1~4任意一项所述基于脑机接口的主被动融合昏迷促醒评估方法的步骤。
7.一种基于脑机接口的主被动融合昏迷促醒评估系统，其特征在于，包括：
控制模块，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现权利要求1~4任意一项所述基于脑机接口的主被动融合昏迷促醒评估方法的步骤；
脑电信号检测装置，用于实时检测并记录患者脑电信号；
刺激提供装置，用于根据所述控制模块随机选择的刺激，向患者提供该刺激。
CN202311860848.7A 2023-12-31 2023-12-31 基于脑机接口的主被动融合昏迷促醒评估方法 Pending CN118079178A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311860848.7A CN118079178A (zh) 2023-12-31 2023-12-31 基于脑机接口的主被动融合昏迷促醒评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311860848.7A CN118079178A (zh) 2023-12-31 2023-12-31 基于脑机接口的主被动融合昏迷促醒评估方法

Publications (1)

Publication Number Publication Date
CN118079178A true CN118079178A (zh) 2024-05-28

Family

ID=91162028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311860848.7A Pending CN118079178A (zh) 2023-12-31 2023-12-31 基于脑机接口的主被动融合昏迷促醒评估方法

Country Status (1)

Country Link
CN (1) CN118079178A (zh)

Similar Documents

Publication Publication Date Title
US10743809B1 (en) Systems and methods for seizure prediction and detection
KR102282961B1 (ko) 감각 및 인지 프로파일링을 위한 시스템 및 방법
CN107530012B (zh) 用于脑活动解析的系统
Wilson et al. Spike detection: a review and comparison of algorithms
EP4017345B1 (en) Systems for seizure detection based on changes in electroencephalogram (eeg) non-linearities
JP2008522713A (ja) 脳幹障害診断システム及び方法
Russo et al. Analyzing EEG patterns in young adults exposed to different acrophobia levels: a VR study
Mouleeshuwarapprabu et al. Nonlinear vector decomposed neural network based EEG signal feature extraction and detection of seizure
Ariza et al. Bi-LSTM neural network for EEG-based error detection in musicians’ performance
CN110337638B (zh) 用于记忆改善干预的系统、方法和计算机可读介质
Sutharsan et al. Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks
CN118079178A (zh) 基于脑机接口的主被动融合昏迷促醒评估方法
Ham et al. Vowel speech recognition from rat electroencephalography using long short-term memory neural network
CN111760194B (zh) 一种智能闭环神经调控系统和方法
Xing et al. Deep autoencoder for real-time single-channel EEG cleaning and its smartphone implementation using TensorFlow Lite with hardware/software acceleration
Hasan et al. Diagnosis of tobacco addiction using medical signal: An EEG-based time-frequency domain analysis using machine learning
CN110008874B (zh) 数据处理方法及其装置、计算机系统及可读介质
Höller et al. EEG-response consistency across subjects in an active oddball task
CN116327219A (zh) 自动进化脑波侦测系统与用于脑波数据库的自动进化方法
Gärtner et al. Optimized SNR-based ECAP threshold determination is comparable to the judgement of human evaluators
Abdullah et al. EEG Emotion Detection Using Multi-Model Classification
Jyothirmy et al. Stress Monitoring in Humans using Biomedical Signal Analysis
Atchuthan et al. Classification of noxious and non-noxious event-related potentials from S1 in pigs using a convolutional neural network
US11929162B1 (en) Brain state protocol development and scoring system and method
US20240355452A1 (en) Brain state rule generation and scoring system and method

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