CN1632816A - 一种脑电涨落信号分析方法及其设备 - Google Patents
一种脑电涨落信号分析方法及其设备 Download PDFInfo
- Publication number
- CN1632816A CN1632816A CNA2003101224162A CN200310122416A CN1632816A CN 1632816 A CN1632816 A CN 1632816A CN A2003101224162 A CNA2003101224162 A CN A2003101224162A CN 200310122416 A CN200310122416 A CN 200310122416A CN 1632816 A CN1632816 A CN 1632816A
- Authority
- CN
- China
- Prior art keywords
- analysis
- time
- power
- frequency
- histories
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 413
- 238000001228 spectrum Methods 0.000 claims abstract description 100
- 210000004556 brain Anatomy 0.000 claims abstract description 99
- 230000005611 electricity Effects 0.000 claims abstract description 73
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 36
- 230000003595 spectral effect Effects 0.000 claims description 105
- 238000009826 distribution Methods 0.000 claims description 90
- 230000008901 benefit Effects 0.000 claims description 45
- 238000013211 curve analysis Methods 0.000 claims description 29
- 238000013459 approach Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 230000003925 brain function Effects 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000004883 computer application Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 230000003181 encephalopathic effect Effects 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000002858 neurotransmitter agent Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000581364 Clinitrachus argentatus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明应用计算机技术对脑电信号进行功率谱分析,选择0.5~50Hz范围内的最大功率幅值,进行多次功率谱分析及频谱分析,获得超慢波功率谱涨落图,再对涨落图分析,获得一系列数据参数,为脑功能检测和疾病诊断提供依据。分析方法包括常规功率谱分析,还可以包括脑电功率涨落信号分析、脑电涨落图分析和 S谱系分析以及进一步的多项目分析。实现分析方法的设备包括电极、脑电信号放大器或脑电记录盒、个人计算机、数据处理器和终端处理器几部分。
Description
技术领域
本发明涉及诊断用医疗技术设备领域,尤其涉及一种对脑电涨落信号进行分析的方法及其设备。
背景技术
理论上说,人和动物脑的生理和病理状态、脑的功能活动是可以如同心电图那样通过对脑电信号的检测获知的。目前医疗上在用的脑电图仪有模拟信号和数字信号两种。然而由于脑电信号非常微弱而复杂,即便是抗干扰性较强的数字化脑电图仪也远不能满足临床医疗的需要,致使脑电图的诊断意义较之心电图落后很多。
对脑电涨落信号进行检测分析以判断脑功能状况和所患疾病,是中国航天医学的研究成果,其临床意义远高于普通脑电图。因此,能够对脑电涨落信号进行全面、深入、准确分析的方法和相应的仪器设备便成为医学界的需要。中国专利ZL96244175.9“脑电超慢涨落分析仪”的功能是对脑电信号进行采集、放大、定时采样、数模转换及数据预处理,将处理过的信号传输给个人计算机。该专利技术将脑电信号的采集技术提高到一个新的水平,但是该设备并没有将所采集的脑电信号进行分析的功能,所能呈现给医生的还只是脑电的波型即脑电图。至于医生能从脑电图中获取多少对诊断有用的信息,就凭医生个人对脑电波型的辨识能力,依然没有满足为临床医疗提供依据的需要。
发明内容
本发明的目的在于提出一种应用当代计算机技术对脑电信号进行分析的方法和相关设备,用以获得一系列数据参数,并以多种方式显示,为脑功能检测和疾病诊断提供依据。
以下先对实现本发明目的的技术方案所涉及、使用的若干技术名词、术语,参考梅磊著《ET-脑功能研究新技术》(国防工业出版社,1994)作如下定义和解释。
S谱:本发明所检测脑电的频率范围在以mHz计的超慢波范围内。这个谱系被称为超慢谱(Supra-slow pedigree),简称S谱。组成S谱的谱线按其频率高低,分别称为S1、S2、S3......。如1mHz频率对应的谱线为S1,2mHz频率对应的谱线为S2,以此类推。
基频:比较常用的,与脑内神经递质关系比较密切的几个脑电频率,如1、2、3、4、5、6、7、11、13mHz等频率称为基频。
基本谱系:基频所对应的谱系称为基本谱系。
优势频率、优势谱线、最优值:将每个导联下各个频率的功率值从大到小排序,前n个数值的频率即D1-Dn称优势频率;优势频率对应的谱线为优势谱线;优势频率的功率值为最优值。
最优频、最优谱线:每导联优势频率中的最大值D1称为最优频,最优频所对应的谱线称为最优谱线。
连频:进入优势频率区的谱线有时出现其数值相连续现象,如2、3、4...mHz,称之为连续频率,即连频。
异频:S谱中非谐振频率(频率值为大于13的质数)及其倍频所形成的谱线称为异频。
特频:S谱中频率为23mHz、27mHz、28mHz、29mHz及其谐频(如46mHz、54mHz、...)的一系列特征频率称为特频。
特征谱线:连频、异频、特频、最优频所对应的谱线统称为特征谱线。
A/P、L/R:按导联空间分布位置,计算每一频率前后两个导联功率值比值(如F3导联/C3导联),称为前后比值,写作A/P。将左右脑相同位置的导联的功率值进行比较,计算其比值(如F3导联/F4导联),称为左右比值,写作L/R。
涨落数值:泛指S谱系分析中获得的各个谱系的数值。
本发明的目的是按以下技术方案实现的。
本发明应用计算机技术先对脑电信号数据按一定时间长度进行分段,对每段数据进行功率谱分析,选择出0.5-50Hz范围内的最大功率幅值,进行多次功率谱分析及频谱分析,获得超慢波范围内的功率谱涨落图,再对涨落图进行一系列分析,获得一系列数据参数.并以数值、图形和曲线的方式显示出来。
本发明脑电涨落信号分析方法最少包括常规功率谱分析。其次还可以包括依次进行的脑电功率涨落信号分析、脑电涨落图分析和S谱系分析。还可增加设置误差处理运算,用于修正发生误差的谱线。
本发明脑电涨落信号分析方法还包括对脑电信号的采集。采集方法及电极置放可应用任意导联系统或任意导联的组合,优选国际标准导联系统的12导联,电极置放优选位置为F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T5、T6。
以下对每一分析方法的具体步骤和算法分别叙述。
所述常规功率谱分析包括如下步骤:
(1)对给定时间长度的时域脑电信号做功率谱分析,即对脑电信号x(n)的N点观察数据xN(n)直接做傅里叶变换,得到XN(ejω);
(2)取其幅值的平方,并除以N,作为对x(n)的真实的功率谱P(ejω)的估计,用周期图法估计出的功率谱可以表示为,
(3)XN(ω)的计算由快速傅里叶变换计算得到:
所述脑电功率涨落信号分析包括如下步骤:
(1)选择边瓣幅值小且衰减快的窗函数,它表示为,
xN(n)=x(n)ω(n);
(2)对上述信号xN(n)=x(n)ω(n)做功率谱分析,采样时间为T秒,计算FFT得到频谱的频域分辨率为1/T,选择出能量最大的功率幅值p及相应的频率f;
(3)按时间顺序对总时间长度为N秒的时域脑电信号按T秒进行分段,依次对N/T段数据进行上述常规功率谱分析和脑电功率涨落信号分析,得到最大功率幅值的涨落信号p(n)和相应频率涨落信号f(n),n=1......n,n=N/T。它表示了总时间内功率及相应最大幅值的涨落过程。
所述脑电涨落图分析包括如下步骤:
(1)对长度为n点的最大功率幅值涨落信号p(n)进行分析;
(2)乘上长度为n的Hanning窗,再做功率谱分析,数据时间长度单位为N秒,因而频域分辨率为1/N Hz,取功率谱分析结果中一定频率范围的谱线组成脑涨落图;
(3)当总采样时间大于N秒时,以N秒为单位进行段落划分,对每一段分别进行上述常规功率谱分析、脑电功率涨落信号分析和脑电涨落图分析。
所述S谱系分析包括如下步骤:
(1)从每一个导联脑电涨落图中找出幅值最大的几条优势谱线D1-Dn,按幅值从大到小排序,得到单一导联数据的S谱,共n个数值;
(2)综合所有N导联共得到N*n条优势谱线,把频率相同的优势谱线的数目累加,得到S谱总谱。
以上分析方法称为本发明脑电涨落信号分析系列方法中第一层次的分析方法。在第一层次分析方法所得结果(数据)的基础上还可以做多项进一步分析,称为第二层次分析方法,包括以下24个项目。为叙述方便,给第二层次分析方法的每个项目分别冠以序号:
在脑电功率涨落信号分析基础上进行的,(1)熵值运算和(2)单频竞争分析;
在S谱系分析基础上进行的,(3)S谱总谱分析;(4)基本谱系分析;(5)最优值分析;(6)A/P逆转;L/R失衡情况分析;(7)特频分析;(8)异频分析;(9)连频分析;(10)最优频分析;(11)S谱系功率空间分布分析;(12)单频功率及相对值(L/R)分布分析;(13)平均功率分布分析;(14)功率相对值A/P、L/R分析;(15)长时程S谱系曲线分析;(16)长时程优势谱线曲线分析;(17)长时程基本谱系曲线分析;(18)长时程功率空间分布曲线分析;(19)长时程熵值曲线分析;(20)长时程特频曲线分析:(21)长时程连频曲线分析;(22)长时程基本谱系功率空间分布曲线分析;(23)长时程常规功率谱曲线分析;(24)长时程事件标记识别。
上述(7)特频分析、(8)异频分析、(9)连频分析、(10)最优频分析四项目可集称为特征谱线分析。
上述(12)单频功率分布分析、(13)平均功率分布分析、(14)功率相对值A/P、L/R分析三项目可集称为功率分布分析。
上述(15)长时程S谱系曲线分析、(16)长时程优势谱线曲线分析、(17)长时程基本谱系曲线分析、(18)长时程功率空间分布曲线分析、(19)长时程熵值曲线分析、(20)长时程特频曲线分析、(21)长时程连频曲线分析、(22)长时程基本谱系功率空间分布曲线分析、(23)长时程常规功率谱曲线分析、(24)长时程事件标记识别十个项目可集称为长时程动态曲线分析。
以下对第二层次各分析方法作叙述。
所述(1)熵值运算是在脑电功率涨落信号分析基础上进行的,其方法为,
(1)根据
计算熵,pk为脑电波中各个频率占优的概率;
(2)综合所有N个导联总概率分布进行熵值计算得到总熵(总数为n*N)。
所述(2)单频竞争分析也是在脑电功率涨落信号分析基础上进行的,其方法为,把脑电涨落信号中的频率涨落图f(n)中相同的最优频率数目随时间变化过程累加,得到最优频的概率曲线。
以下所述序号为(3)~(24)第二层次分析方法都是在S谱系分析基础上进行的。
所述(3)S谱总谱分析方法为,将S谱系分析中得到的S谱总谱数据用图形表示出来。
所述(4)基本谱系分析方法为,对S谱中基频对应的S谱系进行统计分析,从频率大于3mHz开始累加其倍周期频率的数值(如统计3mHz时还应累加6mHz、9mHz,......的数值);同时把所有导联按照在头部的放置位置分成分成前后、左右若干部分分别进行统计。
所述(5)最优值分析方法为,将优势频率的功率数值和相应频率按导联的空间位置分布显示。
所述(6)A/P逆转、L/R失衡情况分析方法为,按导联空间分布位置计算每一频率功率值的前后比值A/P,并将A/P值大于一定限值的频率显示出来;同时计算左右比值L/R,将L/R值大于一定限值的频率显示出来。
所述(7)特频分析、(8)异频分析、(9)连频分析、(10)最优频分析四个项目,其方法为,分别将每导联的特频、异频、连频、最优频按导联空间分布位置显示。
所述(11)S谱系功率空间分布分析方法为,将脑电涨落图中的每条谱线的功率值按空间导联位置分布排列,在显示界面上以“画中画”方式开一窗口,进行谱线的选择,将被选定的谱线,按导联的空间位置分布显示其在每个导联下的功率数值。
所述(12)单频功率及相对值(L/R)分布分析方法为,将每导联优势谱线D1-Dn相应的功率值相加,得到每导联的总功率值;将基频的功率及左右比值(L/R)中大于限定值或小于1/限定值的数值按导联的空间分布显示出来。
所述(13)平均功率分布分析方法为,将每个导联平均功率按导联空间分布位置显示出来。
所述(14)功率相对值A/P、L/R分析方法为,按导联空间分布位置计算功率值的前后比值和左右比值。
所述(15)长时程S谱系曲线分析方法为,分别以每个导联下或全部导联的每一个谱系或每一条谱线的涨落数值为纵轴,以时间为横轴做出曲线。在显示界面上以“画中画”方式开一窗口,进行谱线或谱系选择。
所述(16)长时程优势谱线曲线分析方法为,以进入优势谱线区的谱线的频率为纵轴,以时间为横轴做出曲线。在显示界面上以“画中画”方式开一窗口,进行优势谱线排名序次(D1-Dn)选择。
所述(17)长时程基本谱系曲线分析方法为,分别以所有导联或每个导联下的基本谱系各个时间段的涨落数值为纵轴,以时间为横轴做出基本谱系曲线,在显示界面上以“画中画”方式开一窗口,进行谱系选择。
所述(18)长时程功率空间分布曲线分析方法为,每一个导联下,每一条谱线,以其功率值为纵轴,以时间为横轴做出曲线。在显示界面上以“画中画”方式开一窗口,进行谱线选择。
所述(19)长时程熵值变化曲线分析方法为,以全部导联或每个导联下的熵值为纵轴,以时间为横轴分别做出曲线,反映熵值随时间的变化。
所述(20)长时程特频曲线分析方法为,分别以所有导联或每个导联下特频出现的个数为纵轴,以时间为横轴做出曲线,用于观察特频随时间动态变化的情况。
所述(21)长时程连频曲线分析方法为,分别以所有导联或每个导联下连频出现的个数为纵轴,以时间为横轴分别做出曲线,显示连频随时间动态变化的情况。
所述(22)长时程基本谱系功率空间分布曲线分析方法为,从单频功率及相对值分布(L/R)分析中读取基本谱系每个导联下的功率值,以功率值为纵轴,以时间为横轴做出曲线,按导联的空间位置分布显示出每条曲线。在显示界面上以“画中画”方式开一窗口,进行谱系选择。
所述(23)长时程常规功率谱曲线分析方法为,从常规功率谱中找出幅值最大的n个频率D1-Dn,按幅值从大到小排序,分别以这些频率的功率值为纵轴,以时间为横轴,作出n条动态曲线。
所述(24)事件标记识别方法为,辨认脑电记录盒所记录的事件标记信号,将这些标记信号在脑电信号回放及各种动态曲线时间轴的相应位置显示标记符号。
以上所述第二层次分析方法中,共列举24种分析方法。各方法的选择和组合应用可有如下方案:
(1)所有方法同时应用;
(2)除“事件标记识别”外,选择任何一个项目单独应用;
(3)除“事件标记识别”外,其它项目作任意组合应用;
(4)事件标记识别与长时程动态曲线分析的其它九个项目中的任何一个或几个项目结合进行。
以上所述分析方法可应用于对任意一个或几个导联组合所采集的脑电信号进行数据处理,并且可以选择将分析结果中一个或几个导联组合的运算结果输出到终端处理器进行显示、打印或存储。
本发明还公开了一种对脑电涨落信号进行分析的设备。它包括电极、数字化脑电信号放大器或脑电记录盒、个人计算机、数据处理器、终端处理器。它们依次连接。其中,电极采集脑电信号,信号传送到数字化脑电信号放大器和/或脑电信号记录盒,对信号接受、放大、数模转换、数字滤波或/和数据存储,数字化脑电信号放大器和/或脑电信号记录盒中的数据上传至个人计算机,由与计算机相连的数据处理器完成数据处理和涨落分析,分析结果传输到终端处理器进行存储、显示或打印。
所述电极的放置方法可选取任意一种导联连接方法中的一个或几个导联的组合。
所述数据处理器包括进行第一层次分析的常规功率谱分析模块、脑电功率涨落信号分析模块、脑电涨落图分析模块和S谱系分析模块。它们依次相连,上一模块产生的数据传送到下一模块进行运算分析。数据处理器还可包括进行第二层次分析的以下24个模块中的任意个模块。第二层次分析模块接受第一层次分析模块的分析结果(数据)作进一步分析。为叙述方便,给第二层次分析模块分别冠以序号:
与脑电功率涨落信号分析模块相连并接受其数据的(1)熵值运算模块和(2)单频竞争分析模块;
与S谱系分析模块相连并接受其数据的(3)S谱总谱分析模块;(4)基本谱系分析模块;(5)最优值分析模块;(6)A/P逆转、L/R失衡情况分析模块;(7)特频分析模块;(8)异频分析模块;(9)连频分析模块;(10)最优频分析模块;(11)S谱系功率空间分布分析模块;(12)单频功率分布分析模块;(13)平均功率分布分析模块;(14)功率相对值A/P、L/R分析模块;(15)长时程S谱系曲线分析模块;(16)长时程优势谱线曲线分析模块;(17)长时程基本谱系曲线分析模块;(18)长时程功率空间分布曲线分析模块;(19)长时程熵值曲线分析模块;(20)长时程特频曲线分析模块;(21)长时程连频曲线分析模块;(22)长时程基本谱系功率空间分布曲线分析模块;(23)长时程常规功率谱曲线分析模块;(24)长时程事件标记识别模块。
以下对两层次各分析模块分别叙述。在第一层次分析模块中,
所述常规功率谱分析模块,用于对给定时间长度的时域脑电信号做功率谱分析,得到功率谱,可表示为
所述脑电功率涨落信号分析模块,用于选择边瓣幅值小且衰减快的窗函数,它表示为
xN(n)=x(n)ω(n);
对上述信号xN(n)=x(n)ω(n)做功率谱分析,采样时间为T秒,计算FFT得到频谱的频域分辨率为1/T,选择出能量最大的功率幅值p及相应的频率f;按时间顺序对总的时间长度为N秒的时域脑电信号按T秒进行分段,依次对每段数据进行上述常规功率谱分析模块的分析、脑电功率涨落信号分析模块的分析,得到最大功率幅值的时间涨落信号p(n)和相应频率涨落信号f(n),n=1......n,n=N/T。
所述脑电涨落图分析模块,用于对长度为n点的最大功率幅值涨落信号p(n)进行分析。乘上长度为n的Hanning窗,再做功率谱分析,数据时间长度单位为N秒,因而频域分辨率为1/N Hz,取功率谱分析结果中频带一定范围的谱线组成脑电涨落图。当总采样时间大于N秒时,以N秒为单位进行段落划分,对每一段分别进行上述常规功率谱分析模块、脑电功率涨落信号分析模块、脑电涨落图分析模块的运算过程。
所述S谱系分析模块,用于从每一个导联脑电涨落图中找出幅值最大的几条优势谱线D1-Dn,按幅值从大到小排序,得到单一导联数据的S谱,共n个数值;综合所有N导联共得到N*n条优势谱线,把频率相同的优势谱线的数目累加,得到S谱总谱。
以下对第二层次分析模块分别叙述。
第一层次中的脑电功率涨落信号分析模块分析所得数据传输给(1)熵值运算模块和(2)单频竞争分析模块,做第二层次分析。其中,
所述熵值运算模块,用于根据
来计算熵,pk为脑电波中各个频率占优的概率;综合所有N个导联总概率分布进行熵值计算得到总熵(总数为n*N)。
所述单频竞争分析模块用于把脑电涨落信号中的频率涨落图f(n)中相同的最优频率数目随时间变化过程(1-n数据段)累加,得到最优频的概率曲线。
第一层次中的S谱系分析模块分析所得数据传输给以下第二层次分析模块:
所述(3)S谱总谱分析模块,将从S谱系分析模块中得到的S谱总谱数据用图形表示出来。
所述(4)基本谱系分析模块,用于对S谱中基频对应的S谱系进行统计分析,从频率大于3mHz开始累加其倍数频率的数值;同时把所有导联按照在脑部的分布位置分成前后左右若干部分分别进行统计。
所述(5)最优值分析模块,用于按导联的空间位置分布显示每个导联下的D1-Dn优势频率的功率数值和相应频率。
所述(6)A/P逆转、L/R失衡情况分析模块,用于按导联空间分布位置计算每一个频率功率值的前后比值A/P,并将A/P值大于一定限值的频率显示出来;同时计算左右比值L/R,将L/R值大于一定限值的频率显示出来。
所述(7)特频分析模块、(8)异频分析模块、(9)连频分析模块、(10)最优频分析模块,分别用于将每导联的特频、异频、连频、每个最优频按导联空间分布位置显示出来。
所述(11)S谱系功率空间分布分析模块,用于将脑电涨落图中的每条谱线的功率值按空间导联位置分布排列,在显示界面上以“画中画”方式开一窗口,进行谱线的选择,将被选定频率的谱线,按导联的空间位置分布显示出每个导联下的功率数值。
所述(12)单频功率及相对值分布L/R分析模块,将每导联优势谱线D1-Dn相应的功率值相加,得到每导联的总功率值;将基频的功率及左右比值(L/R)中大于限定值或小于1/限定值的数值按导联的空间分布显示出来。
所述(13)平均功率分布分析模块,将每个导联平均功率按导联空间分布位置显示出来。
所述(14)功率相对值A/P、L/R分析模块,按导联空间分布位置计算功率值的前后比值和左右比值。
所述(15)长时程S谱系曲线分析模块,分别以每个导联下或全部导联的每一个谱系或每一条谱线的涨落数值为纵轴,以时间为横轴,做成曲线;在显示界面上以“画中画”方式开一窗口,进行谱线或谱系选择。
所述(16)长时程优势谱线曲线分析模块,用于以进入优势谱线区的谱线的频率为纵轴,以时间为横轴做成曲线。在显示界面上以“画中画”方式开一窗口,进行优势谱线排名序次(D1-Dn)的选择。
所述(17)长时程基本谱系曲线分析模块,用于分别以所有导联或每个导联下的基本谱系各个时间段的涨落数值为纵轴,以时间为横轴做成基本谱系曲线;在显示界面上以“画中画”方式开一窗口,进行谱系的选择。
所述(18)长时程功率空间分布曲线分析模块,用于将每一个导联下的每一条谱线,以其功率值为纵轴,以时间为横轴做出曲线。在显示界面上以“画中画”方式开一窗口,进行谱线的选择。
所述(19)长时程熵值变化曲线分析模块,用于将全脑或每个导联下的熵值为纵轴,以时间为横轴分别做出曲线。
所述(20)长时程特频曲线分析模块,用于以所有导联或每个导联的特频出现的个数为纵轴,以时间为横轴做出曲线。
所述(21)长时程连频曲线分析模块,以所有导联或每个导联下的连频出现的个数为纵轴,以时间为横轴分别做出曲线。
所述(22)长时程基本谱系功率空间分布曲线分析模块,用于从单频功率及相对值分布(L/R)分析中读取基本谱系的每个导联下的功率值,以功率值为纵轴,以时间为横轴作出曲线,按导联的空间位置分布显示出每条曲线。在显示界面上以“画中画”方式开一窗口,进行谱系的选择。
所述(23)长时程常规功率谱曲线分析模块,用于从常规功率谱中找出幅值最大的n个频率D1-Dn,按幅值从大到小排序,分别以这些频率的功率值为纵轴,以时间为横轴,作出n条动态曲线。
所述(24)长时程事件标记模块,用于辨认脑电记录盒所记录的事件标记信号,将这些标记信号在脑电信号回放及各种动态曲线时间轴的相应位置显示标记符号。它分别与各长时程分析模块连接。
所述数据处理器对电极所采集的脑电信号,可选择其中任意一个或几个导联组合的数据进行处理。
以上所述担负第二层次分析的模块,可以同时装配同时使用,也可以将(24)事件标记识别模块除外,其它(1)~(23)所有模块作任意组合装配使用。
以上所述分析方法可应用于对任意一个或几个导联组合所采集的脑电信号进行数据处理,也可以选择将分析结果中一个或几个导联组合的运算结果输出到终端处理器。
所述终端处理器由显示器、打印机和存储设备(如硬盘、软盘、光盘等)组成,用于接受数据处理器的信号,并选择数据处理器的运算结果中一个或几个导联组合的运算结果,进行存储、显示或打印。
根据本发明的方法和装置经过检测和运算显示出来的数据和曲线,可分析脑的功能状态,分析脑病患者脑内神经递质的状况,能够分析CT和核磁共振无能为力的大脑功能性变化,为医学界对功能性脑病的诊断提供直接的客观指标,弥补医学界对于功能性脑病(如精神病)的诊断缺少客观检测指标的空白。
附图说明
图1为本发明的第一个实施例的方框图。
图2为本发明的第二个实施例的方框图;
图3为本发明的第三个实施例的方框图;
图4为本发明的数据处理器的结构方框图。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明对脑电涨落进行分析的实施过程为,用计算机涨落扫描技术从脑电波中提取出脑电涨落信号,再对涨落信号进行频谱分析,从而获得1-255mHz范围内的功率谱。具体的分析过程可以概括为:对1024秒脑电数据按每段2秒进行分段,共分成512段;对每段数据进行功率谱分析,选择出0.5-50Hz范围内的最大功率幅值;对最大功率幅值的时间涨落过程(即512个数据段相应的功率谱的最大值)进行功率谱分析,获得1-255mHz范围内的功率谱涨落图。
本发明设备的构成可以有以下三种类型:
如附图1所示,包括依次连接的电极A、数字化脑电信号放大器B、USB接口J、个人计算机C、数据处理器D、终端处理器E。
如附图2所示,包括依次连接的电极A、脑电记录盒F、USB接口J、个人计算机C、数据处理器D、终端处理器E。
如附图3所示,包括电极A、数字化脑电信号放大器B和脑电记录盒F、USB接口J、个人计算机C、数据处理器D、终端处理器E。其中电极A同时连接数字化脑电信号放大器B和脑电记录盒F,数字化脑电信号放大器B直接与个人计算机C连接,而脑电记录盒F则通过USB接口J与个人计算机C连接。个人计算机C再顺序连接数据处理器D和终端处理器E。
对本发明设备各部件的功能作用分别叙述如下。
电极A:用于采集脑电信号。电极放置采用国际标准导联系统的12导联,位置分别为F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T5、T6。脑电采样率为128Hz。
数字化脑电信号放大器B:有信号接受、信号放大、数模转换、数字滤波等功能。
脑电记录盒F:用于采集、分析长时程(超过18分钟)的脑电数据,有信号采集、信号放大、数模转换、数字滤波、数据存储、数据回放的功能。脑电记录盒中的数据上传至个人计算机进行涨落分析。
个人计算机C:主机处理器采用PIV型,内存256M。
终端处理器E:由显示器、打印机和存储设备(如硬盘、软盘、光盘等)组成,接受数据处理器D的运算结果并进行存储、显示或打印。
数据处理器D:所述数据处理器包括进行第一层次分析的常规功率谱分析模块D1、脑电涨落信号分析模块D2、脑电涨落图分析模块D3和S谱系分析模块D4。它们依次相连,上一模块产生的数据传送到下一模块。数据处理器还可包括进行第二层次分析的以下24个模块中的任意个模块。为叙述方便,给第二层次分析模块分别冠以序号:
与D2模块相连并接受其数据的(1)熵值运算模块D5和(2)单频竞争分析模块D6;
与D4模块相连并接受其数据的(3)S谱总谱分析模块D4a;(4)基本谱系分析模块D4b;(5)最优值分析模块D4c;(6)A/P逆转、L/R失衡情况分析模块D4d;(7)特频分析模块D4ea;(8)异频分析模块D4eb;(9)连频分析模块D4ec;(10)最优频分析模块D4ed;(11)S谱系功率空间分布分析模块D4f;(12)单频功率分布分析模块D4ga;(13)平均功率分布分析模块D4gb;(14)功率相对值A/P、L/R分析模块D4gc;(15)长时程S谱系曲线分析模块D4ha;(16)长时程优势谱线曲线分析模块D4hb;(17)长时程基本谱系曲线分析模块D4hc;(18)长时程功率空间分布曲线分析模块D4hd;(19)长时程熵值变化曲线分析模块D4he;(20)长时程特频曲线分析模块D4hf;(21)长时程连频曲线分析模块D4hg;(22)长时程基本谱系功率空间分布曲线分析模块D4hh;(23)长时程常规功率谱曲线分析模块D4hi;(24)长时程事件标记识别模块D4hj。
其中,上述(7)特频分析模块D4ea、(8)异频分析模块D4eb、(9)连频分析模块D4ec、(10)最优频分析模块D4ed四个模块集为一体,称为特征谱线分析模块D4e。
上述(12)单频功率分布分析模块D4ga、(13)平均功率分布分析模块D4gb、(14)功率相对值A/P、L/R分析模块D4gc三个模块集为一体,称为功率分布分析模块D4g。
上述(15)长时程S谱系曲线分析模块D4ha、(16)长时程优势谱线曲线分析模块D4hb、(17)长时程基本谱系曲线分析模块D4hc、(18)长时程功率空间分布曲线分析模块D4hd、(19)长时程熵值变化曲线分析模块D4he、(20)长时程特频曲线分析模块D4hf、(21)长时程连频曲线分析模块D4hg、(22)长时程基本谱系功率空间分布曲线分析模块D4hh、(23)长时程常规功率谱曲线分析模块D4hi、(24)长时程事件标记识别模块D4hj十个模块集为一体,称为长时程动态曲线分析模块D4h。
对所述各模块的功能作用分别叙述如下。
1.常规功率谱分析模块D1
把随机信号x(n)的N点观察数据xN(n)直接做傅里叶变换,得到XN(ejω),然后再取其幅值的平方,并除以N,作为对x(n)的真实的功率谱P(ejω)的估计。用周期图法估计出的功率谱可以表示为:
XN(ω)的计算由快速傅里叶变换(FFT)计算得到:
对给定时间长度为8秒的时域脑电信号做功率谱分析,得到其在频域的能量分布情况即常规功率谱,并将功率谱以图形方式传输给终端处理器E。
2.脑电功率涨落信号分析模块D2
在实际估计功率谱过程中,在选择窗函数时,选取主瓣窗,边瓣幅值小且衰减快的窗函数。Hanning(汉宁窗)主瓣稍宽,但有较小的边瓣和较大衰减速度,它表示为:
xN(n)=x(n)ω(n)
对给定时间长度为2秒的时域脑电信号乘上Hanning窗后做功率谱分析,采样时间为2秒,因而计算FFT得到频谱的频域分辨率为1/T=1/2=0.5Hz(T为采样时间),在8-13Hz的频带范围内(8Hz,8.5Hz,9Hz,9.5Hz,10Hz,10.5Hz,11Hz,11.5Hz,12Hz,12.5Hz,13Hz,共11个数值)选择出能量最大的功率幅值p及相应的频率f。
按时间顺序对总长度为1024秒的时域脑电信号按每段2秒进行分段,共分成512段。依次对512段数据进行常规功率谱分析模块D1、脑电涨落信号分析模块D2的运算,得到最大功率幅值的时间涨落信号p(n)和相应频率涨落信号f(n),n=1......512。它表示了1024秒时间内功率及相应最大幅值的涨落过程。
将时间涨落信号传输给脑电涨落图分析模块D3、熵值运算分析模块D5、单频竞争分析模块D6,同时将信号传输给终端处理器E。
3.脑电涨落图分析模块D3
对长度为512点(1024秒)的最大功率幅值涨落信号p(n)进行分析。乘上长度为512的Hanning窗,再做功率谱分析。数据时间长度单位为1024秒,因而频域分辨率为1/1024Hz,取功率谱分析结果中频带范围1/1024*(1-255)Hz的谱线组成脑电涨落图。如果总采样时间大于1024秒,则以1024秒为单位进行段落划分,对每一段重复进行上述常规功率谱分析模块D1、脑电功率涨落信号分析模块D2、脑电涨落图分析模块D3运算过程。
脑电涨落图分析模块D3将脑电涨落图信号传输给S谱系分析模块D4,同时也传输给终端处理器E。
4.S谱系分析模块D4
从每一个导联脑电涨落图中找出幅值最大的8条优势谱线D1-D8,按幅值从大到小排序,得到单一导联数据的S谱,共8个数值。综合12导联共得到12×8=96条优势谱线,把频率相同的优势谱线的数目累加,得到S谱总谱。
S谱系分析模块D4将单一导联S谱及S谱总谱信号传输给S谱总谱分析模块D4a、基本谱系分析模块D4b、最优值D(1-8)分析模块D4c、A/P逆转、L/R失衡情况分析模块D4d、特征谱线分析模块D4e、S谱系功率空间分布分析模块D4f、功率分布分析模块D4g、长时程动态曲线分析模块D4h。同时也将S谱总谱信号传输给终端处理器E。
5.熵值运算模块D5
根据
来计算熵,pk为脑电波中各个频率占优的概率(总数为512,概率为单个频率占优数目除以512)。综合所有12个导联总概率分布进行熵值计算得到总熵(总数为512*12)。将数据传输给终端处理器E。
6.单频竞争分析模块D6
把脑电涨落信号中的频率涨落图f(n)中相同的最优频率数目随时间变化过程(1-512数据段)累加,得到最优频的概率曲线。
7.S谱总谱分析模块D4a
将S谱系分析模块D4中所产生的S谱总谱信号做成图形,并将图形及数据传输给终端处理器E。
8.基本谱系分析模块D4b
对S谱中1mHz、2mHz、3mHz、4mHz、5mHz、6mHz、7mHz、11mHz、13mHz共9个基频对应的谱系(S1、S2、S3、S4、S5、S6、S7、S11、S13)进行统计分析,从频率大于3mHz开始还应累加其倍数频率的数值(如统计3mHz时还应累加6mHz、9mHz,......的数值)。同时把1 2导联按照大脑位置分成左前(F3,F7,C3)、左后(T5,P3,O1)、右前(F4,C4,F8)、右后(P4,T6,O2)四个部分分别进行统计。将统计结果传输给终端处理器E。
9.最优值(D1-8)分析模块D4c
按导联的空间位置分布显示出每个导联下的D1-D8最优频率的功率数值和相应频率,并将结果传输给终端处理器E。
10.A/P逆转、L/R失衡情况分析模块D4d
按导联空间分布位置计算每一个频率的功率值的前后比值(如F3/C3,C3/P3)A/P,将A/P值大于10的频率显示出来;同时计算左右比值(如F3/F4,C3/C4)L/R,将L/R值大于10的频率显示出来。
11.特征谱线分析模块D4e:包括特频分析模块D4ea、异频分析模块D4eb、连频分析模块D4ec、最优频分析模块D4ed。其中,
(1)特频分析模块D4ea:将每导联的特频按导联空间分布位置显示,将结果传输给终端处理器E。
(2)异频分析模块D4eb:将每导联的异频按导联空间分布位置显示,将结果传输给终端处理器E。
(3)连频分析模块D4ec:将每导联的连频按导联空间分布位置显示,将结果传输给终端处理器E。
(4)最优频分析模块D4ed:将每个最优频按导联空间分布位置显示其相应的频率,将结果传输给终端处理器E。
12.S谱系功率空间分布分析模块D4f
从脑电涨落图中选择出指定频率的某一谱线,按导联的空间位置分布显示出每个导联下的功率数值。将功率空间分布情况传输给终端处理器E。
13.功率分布分析模块D4g:包括单频功率及相对值分布(L/R)分析模块D4ga、平均功率分布分析模块D4gb、A/P、L/R分析模块D4gc。
将每导联最优谱线D1-D8相应的功率值相加,得到每导联的总功率值,将结果分别传输给单频功率及相对值分布(L/R)分析模块D4ga、平均功率分布分析模块D4gb、A/P、L/R分析模块D4gc。
(1)单频功率及相对值分布(L/R)分析模块D4ga:将基频的功率及L/R比值中大于10或小于0.1的数值按导联的空间分布显示出来,将结果传输给终端处理器E。
(2)平均功率分布分析模块D4gb:将每个导联平均功率按导联空间分布位置显示出来,将结果传输给终端处理器E。
(3)A/P、L/R分析模块D4gc:按导联空间分布位置计算功率值的前后比值(如F3/C3,C3/P3)和左右比值(如F3/F4,C3/C4),将结果传输给终端处理器E。
14.长时程动态曲线分析模块D4h
包括S谱系曲线分析模块D4ha、优势谱线曲线分析模块D4hb、基本谱系曲线分析模块D4hc、功率空间分布曲线分析模块D4hd、熵值曲线分析模块D4he、特频曲线分析模块D4hf、连频曲线分析模块D4hg、基本谱系功率空间分布曲线分析模块D4hh、常规功率谱曲线分析模块D4hi、事件标记识别模块D4hj。
把长时程(采集时间大于18分钟)的脑电数据按照18分钟的长度进行分段,对每段数据进行脑涨落图分析(重复步骤D1-D4),将分析结果传输给以下的分析模块。
(1)优势谱线曲线分析模块D4ha:用于以进入优势谱线区的谱线的频率为纵轴,以时间为横轴做成曲线;在显示界面上以“画中画”方式开一窗口,进行优势谱线排名序次(D1-Dn)的选择;
(2)S谱系曲线分析模块D4hb:分别以每个导联下或全部导联的每一个谱系或每一条谱线的涨落数值为纵轴,以时间为横轴,做成曲线;在显示界面上以“画中画”方式开一窗口,进行谱线或谱系选择。据此观察每一频率谱线或谱系在整个大脑中随时间变化的情况。
(3)基本谱系曲线分析模块D4hc:分别以所有导联或每个导联下的基本谱系各个时间段的涨落数值为纵轴,以时间为横轴做成基本谱系曲线,在显示界面上以“画中画”方式开一窗口,进行谱系的选择。用以掌握与大脑功能关系最密切的几个基本谱系的动态情况。
(4)功率空间分布曲线分析模块D4hd:每一个导联下,每一条谱线,以其功率值为纵轴,以时间为横轴描绘曲线。在显示界面上以“画中画”方式开一窗口,进行谱系的选择。据此观察每一个导联下,每一条谱线功率值随时间变化的情况。
(5)熵值曲线分析模块D4he:将所有导联或每个导联下的熵值为纵轴,以时间为横轴分别做出曲线,反映熵值随时间的变化,据此观察不同时间大脑能量分布状况。
(6)特频曲线分析模块D4hf:以所有导联特频出现的个数为纵轴,以时间为横轴做出曲线,据此观察特频随时间动态变化的情况。
(7)连频曲线分析模块D4hg:以所有导联或每个导联下的联频出现的个数为纵轴,以时间为横轴分别做出曲线,观察病人不同时间脑功能下降的情况。
(8)基本谱系功率空间分布曲线D4hh:从单频功率及相对值分布(L/R)分析模块D4ga中读取基本谱系的每个导联下的功率值,以功率值为纵坐标,以时间为横坐标作出曲线,按导联的空间位置分布显示出每条曲线。在显示界面上以“画中画”方式开一窗口,进行谱系的选择。据此观察每个基本谱系随时间变化及空间分布的情况。
(9)常规功率谱曲线分析模块D4hi:从常规功率谱中找出幅值最大的8个频率值D1-D8,按幅值从大到小排序,分别以这些频率的功率值为纵轴,以时间为横轴,作出8条动态曲线,据此观察脑电中功率占优的频率随时间变化的情况。
(10)事件标记识别模块D4hj:它分别与各长时程分析模块连接,用以辨认脑电记录盒F所记录的事件标记信号,将这些标记信号在脑电信号回放及各种动态曲线上时间轴的相应位置显示标记符号。
Claims (18)
1.一种应用计算机技术对脑电涨落信号进行分析的方法,其特征在于,先对脑电信号数据按一定时间长度进行分段,对每段数据进行功率谱分析,选择出0.5-50Hz范围内的最大功率幅值,进行功率谱分析及频谱分析,获得超慢波范围内的功率谱涨落图,再对涨落图进行分析,获得多个数据参数,以数值、图形和曲线的方式显示出来,其具体分析方法最少包括常规功率谱分析的如下步骤:
(1)对给定时间长度的时域脑电信号做功率谱分析,即对脑电信号x(n)的N点观察数据xN(n)直接做傅里叶变换,得到XN(ejω);
(2)取其幅值的平方,并除以N,作为对x(n)的真实的功率谱P(ejω)的估计,用周期图法估计出的功率谱可以表示为,
(3)XN(ω)的计算由快速傅里叶变换计算得到:
2.如权利要求1所述的脑电涨落信号分析方法,其特征在于,还包括脑电功率涨落信号分析,其具体方法包括如下步骤:
(1)选择边瓣幅值小且衰减快的窗函数,它表示为, 对脑电信号x(n)数据进行截短,得到xN(n)=x(n)ω(n);
(2)对信号xN(n)=x(n)ω(n)做功率谱分析,采样时间为T秒,计算FFT得到频谱的频域分辨率为1/T,选择出能量最大的功率幅值p及相应的频率f;
(3)按时间顺序对总时间长度为N秒的时域脑电信号按T秒进行分段,依次对N/T段数据进行常规功率谱分析和脑电涨落信号分析,得到最大功率幅值涨落信号p(n)和相应频率涨落信号f(n),n=1......n,n=N/T。
3.如权利要求2所述的脑电涨落信号分析方法,其特征在于,还包括脑电涨落图分析,其具体方法包括如下步骤:
(1)对长度为n点的最大功率幅值涨落信号p(n)进行分析;
(2)乘上长度为n的Hanning窗,再做功率谱分析,数据时间长度单位为N秒,因而频域分辨率为1/N Hz,取功率谱分析结果中一定频率范围的谱线组成脑涨落图;
(3)当总采样时间大于N秒时,以N秒为单位进行段落划分,对每一段分别进行上述常规功率谱分析、脑电涨落信号分析和脑电涨落图分析。
4.如权利要求3所述的脑电涨落信号分析方法,其特征在于,还包括S谱系分析,其具体方法包括如下步骤:
(1)从每一个导联脑电涨落图中找出幅值最大的几条优势谱线D1-Dn,按幅值从大到小排序,得到单一导联数据的S谱,共n个数值;
(2)综合所有N导联共得到N*n条优势谱线,把频率相同的优势谱线的数目累加,得S谱总谱。
5.如权利要求1所述的脑电涨落信号分析方法,其特征在于,脑电信号采集途径包括应用任何导联或导联组合。
6.如权利要求5所述的脑电涨落信号分析方法,其特征在于,脑电信号的采集采用国际标准导联系统的12导联,电极置放位置分别为F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T5、T6。
7.如权利要求2所述的脑电涨落信号分析方法,其特征在于,还包括在脑电功率涨落信号分析基础上所进行的第二层次分析项目——熵值运算和单频竞争分析方法中的一种或两种,其中,
所述熵值运算包括如下步骤:
(1)根据
计算熵,pk为脑电波中各个频率占优的概率;
(2)综合所有N个导联总概率分布进行熵值计算得到总熵(总数为n*N);
所述单频竞争分析包括把脑电涨落信号中的频率涨落图f(n)中相同的最优频率数目随时间变化过程累加,得到最优频的概率曲线。
8.如权利要求4所述的脑电涨落信号分析方法,其特征在于,还包括在S谱系分析基础上进行的第二层次21个分析项目中的任何一个项目或任意组合的项目,所述21个项目为,(3)S谱总谱分析、(4)基本谱系分析、(5)最优值分析、(6)A/P逆转、L/R失衡情况分析、(7)特频分析、(8)异频分析、(9)连频分析、(10)最优频分析、(11)S谱系功率空间分布分析、(12)单频功率及相对值(L/R)分布分析、(13)平均功率分布分析、(14)功率相对值A/P、L/R分析、(15)长时程S谱系曲线分析、(16)长时程优势谱线曲线分析、(17)长时程基本谱系曲线分析、(18)长时程功率空间分布曲线分析、(19)长时程熵值曲线分析、(20)长时程特频曲线分析、(21)长时程连频曲线分析、(22)长时程基本谱系功率空间分布曲线分析、(23)长时程常规功率谱曲线分析,其中,
所述S谱总谱分析方法为,将S谱系分析中得到的S谱总谱数据用图形表示出来;
所述基本谱系分析方法为,对S谱中基频对应的S谱系进行统计分析,从频率大于3mHz开始累加其倍周期频率的数值,同时把所有导联按照在头部的放置位置分成左前、左后、右前、右后四个部分分别进行统计;
所述最优值分析方法为,将优势频率的功率数值和相应频率按导联的空间位置分布显示;
所述A/P逆转、L/R失衡情况分析方法为,按导联空间分布位置计算每一频率功率值的前后比值A/P,将A/P值大于一定限值的频率显示;同时计算左右比值L/R,将L/R值大于一定限值的频率显示;
所述特频分析、异频分析、连频分析、最优频分析四个项目,其方法为,分别将每导联的特频、异频、连频、最优频按导联空间分布位置显示;
所述S谱系功率空间分布分析方法为,将脑电涨落图中的每条谱线的功率值按空间导联位置分布排列,在显示界面上以“画中画”方式开一窗口,进行谱线的选择,将被选定的谱线,按导联的空间位置分布显示其在每个导联下的功率数值;
所述单频功率及相对值(L/R)分布分析方法为,将每导联优势谱线D1-Dn相应的功率值相加,得到每导联的总功率值;将基频的功率及左右比值(L/R)中大于限定值或小于1/限定值的数值按导联的空间分布显示;
所述平均功率分布分析方法为,将每个导联平均功率按导联空间分布位置显示;
所述功率相对值A/P、L/R分析方法为,按导联空间分布位置计算功率值的前后比值和左右比值;
所述长时程S谱系曲线分析方法为,分别以每个导联下或全部导联的每一个谱系或每一条谱线的涨落数值为纵轴,以时间为横轴做出曲线,在显示界面上以“画中画”方式开一窗口,进行谱线或谱系的选择;
所述长时程优势谱线曲线分析方法为,以进入优势谱线区的谱线的频率为纵轴,以时间为横轴做出曲线,在显示界面上以“画中画”方式开一窗口,进行优势谱线排名序次(D1-Dn)的选择;
所述长时程基本谱系曲线分析方法为,分别以所有导联或每个导联下的基本谱系各个时间段的涨落数值为纵轴,以时间为横轴做出基本谱系曲线,在显示界面上以“画中画”方式开一窗口,进行谱系选择;
所述长时程功率空间分布曲线分析方法为,每一个导联下,每一条谱线,以其功率值为纵轴,以时间为横轴做出曲线,在显示界面上以“画中画”方式开一窗口,进行谱线选择;
所述长时程熵值变化曲线分析方法为,将全部导联或每个导联下的熵值为纵轴,以时间为横轴分别做出曲线;
所述长时程特频曲线分析方法为,分别以所有导联或每个导联下特频出现的个数为纵轴、时间为横轴做出曲线;
所述长时程连频曲线分析方法为,分别以所有导联或每个导联下的连频出现的个数为纵轴、时间为横轴分别做出曲线;
所述长时程基本谱系功率空间分布曲线分析方法为,从单频功率及相对值分布(L/R)分析中读取基本谱系的每个导联下的功率值,以功率值为纵轴,以时间为横轴作出曲线,按导联的空间位置分布显示出每条曲线。在显示界面上以“画中画”方式开一窗口,进行谱系选择;
所述长时程熵值变化曲线分析方法为,以全部导联或每个导联下的熵值为纵轴,以时间为横轴分别做出曲线;
所述长时程特频曲线分析方法为,分别以所有导联或每个导联下特频出现的个数为纵轴,以时间为横轴做出曲线;
所述长时程连频曲线分析方法为,分别以所有导联或每个导联下连频出现的个数为纵轴,以时间为横轴分别做出曲线;
所述长时程基本谱系功率空间分布曲线分析方法为,从单频功率及相对值分布(L/R)分析中读取基本谱系每个导联下的功率值,以功率值为纵轴,以时间为横轴做出曲线,按导联的空间位置分布显示出每条曲线,在显示界面上以“画中画”方式开一窗口,进行谱系选择;
所述长时程常规功率谱曲线分析方法为,从常规功率谱中找出幅值最大的n个频率D1-Dn,按幅值从大到小排序,分别以这些频率的功率值为纵轴,以时间为横轴,作出n条动态曲线;
9.如权利要求8所述的脑电涨落信号分析方法,其特征在于,还包括(24)长时程事件标记识别分析,其方法为,辨认脑电记录盒所记录的事件标记信号,将这些标记信号在脑电信号回放及各种动态曲线时间轴的相应位置显示标记符号,它与(15)长时程S谱系曲线分析、(16)长时程优势谱线曲线分析、(17)长时程基本谱系曲线分析、(18)长时程功率空间分布曲线分析、(19)长时程熵值曲线分析、(20)长时程特频曲线分析、(21)长时程连频曲线分析、(22)长时程基本谱系功率空间分布曲线分析、(23)长时程常规功率谱曲线分析九个项目中的任何一个或任意几个项目结合应用。
10.如权利要求1、2、3、4、7、8、9任一权利要求所述的脑电涨落信号分析方法,其特征在于,所述各项分析方法可应用于对任意一个或几个导联组合所采集的脑电信号进行数据处理,并且可以选择将分析结果中一个或几个导联组合的运算结果输出到终端处理器进行显示、打印或存储。
11.一种脑电涨落信号的分析设备,其特征在于,它包括电极、数字化脑电信号放大器或脑电记录盒、个人计算机、数据处理器、终端处理器,并依次连接,其中,电极采集脑电信号,传送到数字化脑电信号放大器和/或脑电信号记录盒,对信号接受、放大、数模转换、数字滤波或/和数据存储,信号再上传至个人计算机,由与计算机相连的数据处理器完成数据处理和涨落分析,分析结果传输到终端处理器进行存储、显示或打印。
12.如权利要求11所述的脑电涨落信号分析设备,其特征在于,所述数据处理器包括常规功率谱分析模块,用于对给定时间长度的时域脑电信号做功率谱分析,得到功率谱,可表示为,
13.如权利要求12所述的脑电涨落信号分析设备,其特征在于,所述数据处理器还包括脑电功率涨落信号分析模块,用于选择边瓣幅值小且衰减快的窗函数,它表示为, 对脑电信号x(n)数据进行截短,得到xN(n)=x(n)ω(n);对上述信号xN(n)=x(n)ω(n)做功率谱分析,采样时间为T秒,计算FFT得到频谱的频域分辨率为1/T,选择出能量最大的功率幅值p及相应的频率f;按时间顺序对总的时域脑电信号进行分段,依次对每段数据进行常规功率谱分析和脑电涨落信号分析,得到最大功率幅值涨落信号p(n)和相应频率涨落信号f(n),n=1......n。
14.如权利要求13所述的脑电涨落信号分析设备,其特征在于,所述数据处理器还包括脑电涨落图分析模块,用于对长度为n点的最大功率幅值涨落信号p(n)进行分析;乘上长度为n的Hanning窗,再做功率谱分析,数据时间长度单位为N秒,因而频域分辨率为1/N Hz,取功率谱分析结果中频带一定范围的谱线组成脑电涨落图;当总采样时间大于N秒时,以N秒为单位进行段落划分,对每一段重复进行常规功率谱分析、脑电功率涨落信号分析和脑电涨落图分析。
15.如权利要求11所述的脑电涨落信号分析设备,其特征在于,所述数据处理器还包括S谱系分析模块,用于从每一个导联脑电涨落图中找出幅值最大的几条最优谱线D1-Dn,按幅值从大到小排序,得到单一导联数据的S谱,共n个数值;综合所有N导联共得到N*n条优势谱线,把频率相同的优势谱线的数目累加,得到S谱总谱。
16.如权利要求13所述的脑电涨落信号分析设备,其特征在于,所述脑电功率涨落信号分析模块数据传输给熵值运算模块和/或单频竞争分析模块,其中,
所述熵值运算模块用于根据
来计算熵,综合所有N个导联总概率分布进行熵值计算得到总熵;
所述单频竞争分析模块用于把脑电涨落信号中的频率涨落图f(n)中相同的最优频率数目随时间变化过程累加,得到最优频的概率曲线。
17.如权利要求15所述的脑电涨落信号分析设备,其特征在于,所述S谱系分析模块数据传输给以下第二层次21个分析模块中的任何一个模块或任意个模块组合,所述21个模块为,(3)S谱总谱分析模块、(4)基本谱系分析模块、(5)最优值分析模块、(6)A/P逆转、L/R失衡情况分析模块、(7)特频分析模块、(8)异频分析模块、(9)连频分析模块、(10)最优频分析模块、(11)S谱系功率空间分布分析模块、(12)单频功率分布分析模块、(13)平均功率分布分析模块、(14)功率相对值A/P、L/R分析模块、(15)长时程S谱系曲线分析模块、(16)长时程优势谱线曲线分析模块、(17)长时程基本谱系曲线分析模块、(18)长时程功率空间分布曲线分析模块、(19)长时程熵值曲线分析模块、(20)长时程特频曲线分析模块、(21)长时程连频曲线分析模块、(22)长时程基本谱系功率空间分布曲线分析模块、(23)长时程常规功率谱曲线分析模块,其中,
所述(3)S谱总谱分析模块,将S谱总谱数据用图形表示出来;
所述(4)基本谱系分析模块,用于对S谱中基频对应的S谱系进行统计分析,从频率大于3mHz开始累加其倍数频率的数值,同时把所有导联按照在脑部的分布位置分成前后左右若干部分分别进行统计;
所述(5)最优值分析模块,用于按导联的空间位置分布显示每个导联下的D1-Dn优势频率的功率数值和相应频率;
所述(6)A/P逆转、L/R失衡情况分析模块,用于按导联空间分布位置计算每一个频率功率值的前后比值A/P和左右比值L/R,并将A/P值或L/R值大于一定限值的频率显示出来;
所述(7)特频分析模块、(8)异频分析模块、(9)连频分析模块、(10)最优频分析模块,分别用于将每导联的特频、异频、连频、每个最优频按导联空间分布位置显示出来;
所述(11)S谱系功率空间分布分析模块,用于将脑电涨落图中每条谱线的功率值按空间导联位置分布排列,在显示界面上以“画中画”方式开一窗口,进行谱线的选择,将被选定频率的谱线,按导联的空间位置分布显示出每个导联下的功率数值;
所述(12)单频功率及相对值分布L/R分析模块,用于将每导联优势谱线D1-Dn相应的功率值相加,得到每导联的总功率值;将基频的功率及左右比值(L/R)中大于限定值或小于1/限定值的数值按导联的空间分布显示出来;
所述(13)平均功率分布分析模块,将每个导联平均功率按导联空间分布位置显示出来;
所述(14)功率相对值A/P、L/R分析模块,按导联空间分布位置计算功率值的前后比值和左右比值;
所述(15)长时程S谱系曲线分析模块,分别以每个导联下或全部导联的每一个谱系或每一条谱线的涨落数值为纵轴,以时间为横轴,做成曲线,在显示界面上以“画中画”方式开一窗口,进行谱线或谱系选择;
所述(16)长时程优势谱线曲线分析模块,用于以进入优势谱线区的谱线的频率为纵轴,以时间为横轴做成曲线。在显示界面上以“画中画”方式开一窗口,进行优势谱线排名序次(D1-Dn)的选择;
所述(17)长时程基本谱系曲线分析模块,用于分别以所有导联或每个导联下的基本谱系各个时间段的涨落数值为纵轴,以时间为横轴做成基本谱系曲线;在显示界面上以“画中画”方式开一窗口,进行谱系的选择;
所述(18)长时程功率空间分布曲线分析模块,用于将每一个导联下的每一条谱线,以其功率值为纵轴,以时间为横轴做出曲线。在显示界面上以“画中画”方式开一窗口,进行谱线的选择;
所述(19)长时程熵值变化曲线分析模块,用于将全脑或每个导联下的熵值为纵轴,以时间为横轴分别做出曲线;
所述(20)长时程特频曲线分析模块,用于以所有导联或每个导联的特频出现的个数为纵轴以时间为横轴做出曲线;
所述(21)长时程连频曲线分析模块,以所有导联或每个导联下的连频出现的个数为纵轴,以时间为横轴分别做出曲线;
所述(22)长时程基本谱系功率空间分布曲线分析模块,用于从单频功率及相对值分布(L/R)分析中读取基本谱系的每个导联下的功率值,以功率值为纵轴,以时间为横轴作出曲线,按导联的空间位置分布显示出每条曲线。在显示界面上以“画中画”方式开一窗口,进行谱系的选择;
所述(23)长时程常规功率谱曲线分析模块,用于从常规功率谱中找出幅值最大的n个频率D1-Dn,按幅值从大到小排序,分别以这些频率的功率值为纵轴,以时间为横轴,作出n条动态曲线;
18.如权利要求15所述的脑电涨落信号分析设备,其特征在于,所述S谱系分析模块数据传输给(24)长时程事件标记识别模块,用于辨认脑电记录盒所记录的事件标记信号,将这些标记信号在脑电信号回放及各种动态曲线时间轴的相应位置显示标记符号,它与(15)长时程S谱系曲线分析模块、(16)长时程优势谱线曲线分析模块、(17)长时程基本谱系曲线分析模块、(18)长时程功率空间分布曲线分析模块、(19)长时程熵值曲线分析模块、(20)长时程特频曲线分析模块、(21)长时程连频曲线分析模块、(22)长时程基本谱系功率空间分布曲线分析模块、(23)长时程常规功率谱曲线分析模块九个模块中的任何一个或任意几个结合应用。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2003101224162A CN100538713C (zh) | 2003-12-23 | 2003-12-23 | 一种脑电涨落信号分析设备 |
US10/596,537 US7801597B2 (en) | 2003-12-23 | 2004-12-22 | Method and apparatus for brain wave fluctuations analysis |
PCT/CN2004/001493 WO2005060830A1 (fr) | 2003-12-23 | 2004-12-22 | Procede d'analyse des fluctuations des signaux d'un eeg |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2003101224162A CN100538713C (zh) | 2003-12-23 | 2003-12-23 | 一种脑电涨落信号分析设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1632816A true CN1632816A (zh) | 2005-06-29 |
CN100538713C CN100538713C (zh) | 2009-09-09 |
Family
ID=34706062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2003101224162A Expired - Lifetime CN100538713C (zh) | 2003-12-23 | 2003-12-23 | 一种脑电涨落信号分析设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US7801597B2 (zh) |
CN (1) | CN100538713C (zh) |
WO (1) | WO2005060830A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101254098B (zh) * | 2007-10-19 | 2010-12-15 | 北京舒普生工贸有限公司 | 一种脑电超慢波分析处理装置 |
CN102397068A (zh) * | 2010-09-15 | 2012-04-04 | 梅磊 | 搜索人脑神经递质信息和人脑复杂网络信息的测量装置 |
CN104281264A (zh) * | 2014-09-26 | 2015-01-14 | 上海闻泰电子科技有限公司 | 一种智能数据传输系统及方法 |
CN106388811A (zh) * | 2016-09-18 | 2017-02-15 | 惠州Tcl移动通信有限公司 | 一种提醒vr用户头晕的方法、系统及装置 |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
CN108538310A (zh) * | 2018-03-28 | 2018-09-14 | 天津大学 | 一种基于长时信号功率谱变化的语音端点检测方法 |
CN108836325A (zh) * | 2018-04-02 | 2018-11-20 | 东北电力大学 | 一种基于嗅觉脑电波和随机森林进行感官物质分类的方法 |
CN109805945A (zh) * | 2019-01-30 | 2019-05-28 | 北京津发科技股份有限公司 | 记录回放装置及方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2621333B1 (en) | 2010-09-28 | 2015-07-29 | Masimo Corporation | Depth of consciousness monitor including oximeter |
US9775545B2 (en) | 2010-09-28 | 2017-10-03 | Masimo Corporation | Magnetic electrical connector for patient monitors |
CN103876736B (zh) * | 2014-04-11 | 2017-01-18 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电信号分类识别方法 |
US10154815B2 (en) | 2014-10-07 | 2018-12-18 | Masimo Corporation | Modular physiological sensors |
CN104739378A (zh) * | 2015-04-02 | 2015-07-01 | 吕少萍 | Ra脑神经分离检测装置 |
CN111670002A (zh) * | 2017-12-05 | 2020-09-15 | 神经索引公司 | 麻醉管理的系统及方法 |
CN114224363B (zh) * | 2022-01-25 | 2024-04-30 | 杭州电子科技大学 | 基于双流3d深度神经网络的儿童癫痫综合征辅助分析方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4579125A (en) * | 1984-01-23 | 1986-04-01 | Cns, Inc. | Real-time EEG spectral analyzer |
US5357976A (en) * | 1989-10-30 | 1994-10-25 | Genquan Feng | Method of and arrangement for diagnosing brain disease |
US5458117A (en) * | 1991-10-25 | 1995-10-17 | Aspect Medical Systems, Inc. | Cerebral biopotential analysis system and method |
JPH06296597A (ja) | 1992-08-19 | 1994-10-25 | D F C:Kk | 脳波分析方法及びその装置 |
JPH06261873A (ja) * | 1993-03-15 | 1994-09-20 | Kanebo Ltd | 脳波を用いた生理状態評価方法及び装置 |
DE19538925C2 (de) * | 1995-10-19 | 2000-07-27 | Wieland Friedmund | Vorrichtung zur Auswertung eines Narkose- oder Intensiv-EEG |
CN2256702Y (zh) * | 1996-11-21 | 1997-06-25 | 中国华阳国际技术公司 | 脑电超慢涨落分析仪 |
US6731975B1 (en) * | 2000-10-16 | 2004-05-04 | Instrumentarium Corp. | Method and apparatus for determining the cerebral state of a patient with fast response |
CN1289915A (zh) * | 2000-11-09 | 2001-04-04 | 上海市气功研究所 | 练功程度评估方法及其装置 |
US7367949B2 (en) * | 2003-07-07 | 2008-05-06 | Instrumentarium Corp. | Method and apparatus based on combination of physiological parameters for assessment of analgesia during anesthesia or sedation |
-
2003
- 2003-12-23 CN CNB2003101224162A patent/CN100538713C/zh not_active Expired - Lifetime
-
2004
- 2004-12-22 WO PCT/CN2004/001493 patent/WO2005060830A1/zh active Application Filing
- 2004-12-22 US US10/596,537 patent/US7801597B2/en active Active
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101254098B (zh) * | 2007-10-19 | 2010-12-15 | 北京舒普生工贸有限公司 | 一种脑电超慢波分析处理装置 |
CN102397068A (zh) * | 2010-09-15 | 2012-04-04 | 梅磊 | 搜索人脑神经递质信息和人脑复杂网络信息的测量装置 |
CN104281264A (zh) * | 2014-09-26 | 2015-01-14 | 上海闻泰电子科技有限公司 | 一种智能数据传输系统及方法 |
CN106388811A (zh) * | 2016-09-18 | 2017-02-15 | 惠州Tcl移动通信有限公司 | 一种提醒vr用户头晕的方法、系统及装置 |
CN106388811B (zh) * | 2016-09-18 | 2020-09-22 | 惠州Tcl移动通信有限公司 | 一种提醒vr用户头晕的方法、系统及装置 |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
CN107169462B (zh) * | 2017-05-19 | 2020-12-22 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
CN108538310A (zh) * | 2018-03-28 | 2018-09-14 | 天津大学 | 一种基于长时信号功率谱变化的语音端点检测方法 |
CN108836325A (zh) * | 2018-04-02 | 2018-11-20 | 东北电力大学 | 一种基于嗅觉脑电波和随机森林进行感官物质分类的方法 |
CN109805945A (zh) * | 2019-01-30 | 2019-05-28 | 北京津发科技股份有限公司 | 记录回放装置及方法 |
CN109805945B (zh) * | 2019-01-30 | 2021-12-14 | 北京津发科技股份有限公司 | 记录回放装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2005060830A1 (fr) | 2005-07-07 |
US20070185407A1 (en) | 2007-08-09 |
US7801597B2 (en) | 2010-09-21 |
CN100538713C (zh) | 2009-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1632816A (zh) | 一种脑电涨落信号分析方法及其设备 | |
CN1574269A (zh) | 不合格检测方法和不合格检测装置 | |
CN87102381A (zh) | 生物电信号检测处理装置和方法 | |
CN100351610C (zh) | 状态判断方法 | |
CN1758034A (zh) | 知识作成装置及参数搜索方法 | |
CN1759804A (zh) | 中医四诊合参智能辨证方法 | |
CN1299248A (zh) | 检测急性心脏局部缺血症状的缩减导联组 | |
CN101036576A (zh) | 便携式连续记录脉搏检测装置 | |
CN111166327A (zh) | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 | |
CN2848115Y (zh) | 一种实现心电检测的移动终端 | |
CN1678238A (zh) | 生命特征显示装置及其方法 | |
CN101059824A (zh) | 支持基因相互作用网络分析的方法和设备以及计算机产品 | |
CN1945602A (zh) | 一种基于人工神经网络的特征选择方法 | |
CN109452938B (zh) | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 | |
CN1976637A (zh) | 超声波诊断装置 | |
WO2017073694A1 (ja) | 対象動物の睡眠状態を判定するためのコンピュータプログラムおよび睡眠状態判定装置 | |
CN101067833A (zh) | 将临床医学上各种检测或化验结果的正常范围参考值及其实际测量值统一标化的方法 | |
CN105496459B (zh) | 用于超声成像设备的自动调节方法及系统 | |
CN2672738Y (zh) | 一种脑电涨落信号分析仪 | |
CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
CN2530301Y (zh) | 用于对心电信号进行分析的分析器 | |
Nanda et al. | A quantitative classification of essential and Parkinson's tremor using wavelet transform and artificial neural network on sEMG and accelerometer signals | |
CN115392296A (zh) | 一种异常脑电波类型识别方法、系统、存储介质及设备 | |
Sharma et al. | Multiscale PCA based quality controlled denoising of multichannel ECG signals | |
CN1296861C (zh) | 基于图像纹理特征随机度信息的模式识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CX01 | Expiry of patent term |
Granted publication date: 20090909 |
|
CX01 | Expiry of patent term |