CN215017693U - 基于频谱分析的脑电信号质量的检测装置及系统 - Google Patents
基于频谱分析的脑电信号质量的检测装置及系统 Download PDFInfo
- Publication number
- CN215017693U CN215017693U CN202121221058.0U CN202121221058U CN215017693U CN 215017693 U CN215017693 U CN 215017693U CN 202121221058 U CN202121221058 U CN 202121221058U CN 215017693 U CN215017693 U CN 215017693U
- Authority
- CN
- China
- Prior art keywords
- module
- fitting
- signal quality
- spectral analysis
- brain electrical
- 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
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本实用新型的基于频谱分析的脑电信号质量的检测装置,通过预处理模块对获取的脑电信号做快速傅里叶变换,把时域信号变为频域信号,建立功率谱密度PSD(F),通过第一拟合模块对功率谱密度PSD(F)中的非周期性成分进行非线性拟合,通过第二拟合模块对周期性成分做非线性拟合,得到多个特征参数,通过检测模块对多个特征参数进行组合评估得出脑电信号的检测结果。本装置通过建立信号分解模型,在频域上对脑电信号的非周期性成分和周期性成分进行拟合处理,量化噪声参数,增加信号质量的可解释性。
Description
技术领域
本实用新型涉及数字信号处理技术领域,尤其涉及一种基于频谱分析的脑电信号质量的检测装置及系统。
背景技术
脑电信号作为对人体大脑的探索信息来源,可以反映人的思维过程,也可以反映人在不同状态下的情绪变化等;其作为一种生物电信号,一般可以通过接触头部的电极采集得到包括脑电信号在内的电压信号,因此脑电信号可以作为脑-机接口与头戴设备进行信息交互。
由于脑电信号的无规则和非稳定性,且较心电信号、肌电信号等更加微弱,很难识别采集的电压信号中是否存在脑电信号,或者难以确定采集的脑电信号是否可信,所以,脑电信号的质量判别具有重要的指导意义和实践意义。
头皮脑电图(EEG)是一种最常用、最经济的非侵入式脑电波检测手段,通过将电极放置在头皮特定位置上,采集大脑内同步神经元活动所产生的微伏级信号,但是,这种方式容易受到各种来自环境和人体因素的干扰,例如,交流电的工频干扰、电极接触不良、眼球运动等等。在脑电信号采集过程中,对脑电信号的质量进行判定是有效保障后续脑电应用分析准确性的重要的一环。
现有的脑电信号质量评估方法大多是基于时域波形特征进行分析,例如,在一定长度的时间窗内测量脑电片段的平均值、方差、能量等统计量,根据设定的硬阈值实现对信号质量的评价,这样的评价方式自适应效果较差,且无法具体量化噪声或者伪迹类别,判定结果的可靠性不强。并且,脑电信号的时域波形在不同的年龄阶段和病理上往往表现不同,比如新生儿脑电波往往无明显阿尔法节律,常表现为阵发节律性活动,而且脑电信号的时域波形受噪声的影响较大。因此,本实用新型提出了基于频谱分析的脑电信号质量的检测装置及系统,通过分析脑电信号在频域上的特征来综合判定脑电信号的质量。
实用新型内容
本实用新型要解决的技术问题是:为了解决现有技术中脑电信号检测装置的检测结果可靠性较差的技术问题,本实用新型提供一种基于频谱分析的脑电信号质量的检测装置,能够结合多个特征参数量化噪声和伪迹,提高脑电信号质量检测的可靠性和鲁棒性。
本实用新型解决其技术问题所采用的技术方案是:一种基于频谱分析的脑电信号质量的检测装置,包括:
采集模块,所述采集模块被配置为获取时间窗口内的脑电信号,得到M组时域数据;
预处理模块,所述预处理模块与所述采集模块连接,所述预处理模块被配置为对所述M组时域数据做快速傅里叶变换,得到K组频域数据,根据所述K组频域数据得到功率谱密度PSD(F);
第一拟合模块,所述第一拟合模块与所述预处理模块连接,所述第一拟合模块被配置为对所述功率谱密度PSD(F)中非周期性成分的数据进行非线性拟合,得到拟合函数L(F),分解得到所述拟合函数L(F)中的第一特征参数组;
筛选模块,所述筛选模块与所述预处理模块连接,所述筛选模块被配置为去除所述功率谱密度PSD(F)中非周期性成分的数据,得到周期性成分的数据;
第二拟合模块,所述第二拟合模块与所述筛选模块连接,所述第二拟合模块被配置为对所述周期性成分的数据进行非线性拟合,得到拟合函数G(F)n,分解得到所述拟合函数G(F)n中的第二特征参数组;
检测模块,所述检测模块与所述第一拟合模块连接,所述检测模块与所述第二拟合模块连接,所述检测模块被配置为将所述第一特征参数组和第二特征参数组进行组合评估,得出所述脑电信号质量的检测结果。
本实用新型的基于频谱分析的脑电信号质量的检测装置,通过预处理模块对获取的脑电信号做快速傅里叶变换,把时域信号变为频域信号,建立功率谱密度PSD(F),通过第一拟合模块对功率谱密度PSD(F)中的非周期性成分进行非线性拟合,通过第二拟合模块对周期性成分做非线性拟合,得到多个特征参数,通过检测模块对多个特征参数进行组合评估得出脑电信号的检测结果。本装置通过建立信号分解模型,在频域上对脑电信号的非周期性成分和周期性成分进行拟合处理,量化噪声参数,增加信号质量的可解释性;并且能够直接测得工频对脑电信号的干扰,进一步提高信号检测的准确性。
进一步,具体的,所述装置还包括计算模块,所述计算模块与所述第一拟合模块连接,所述计算模块与所述第二拟合模块连接,所述计算模块与所述检测模块连接,所述计算模块被配置为将所述拟合函数L(F)和所述拟合函数G(F)n进行叠加,得到最终拟合函数NPS(F)=L(F)+G(F)n,计算最终拟合函数NPS(F)与所述功率谱密度PSD(F)之间的回归评价指标参数;所述检测模块被配置为将所述回归评价指标参数、所述第一特征参数组及所述第二特征参数组进行组合评估,得出所述脑电信号质量的检测结果。
进一步,具体的,所述脑电信号是单个通道内获取的原始脑电数据;或,所述脑电信号是不同空间分布的多个通道内获取的原始脑电数据进行线性和非线性组合处理后的脑电数据。
进一步,具体的,所述脑电信号包括至少一个所述周期性成分,每个所述周期性成分进行非线性拟合后得到一个拟合函数G(F)n,每个拟合函数G(F)n能够分解出一组所述第二特征参数组。在进行脑电信号检测时,每次只选取至少一组第二特征参数组、第一特征参数组以及回归评价指标参数进行组合评估。
进一步,具体的,所述拟合函数L(F)=b-log(k+Fx),其中,F表示频率变量,b表示偏移量,x表示幂律分布系数,k为拐点;当k和F取零时,得到直流分量参数DC,所述第一特征参数组包括偏移量b、幂律分布系数x和直流分量DC。偏移量b代表低频信号能量强度,一定程度上反映了共模噪声和运动伪迹,偏移量b越大表明低频干扰越大;幂律分布系数x反映了脑电信号的非周期背景信号特征,其分布为正态分布;直流分量DC反映了脑电信号直流分量的强度。
进一步,具体的,所述拟合函数其中,F表示频率变量,c表示中心频率,ω表示带宽,a表示中心频率的能量高度,所述第二特征参数组包括带宽ω、中心频率的能量高度a和中心频率c。带宽ω可以表现干扰频率的带宽,带宽ω越小说明供电的电压越稳定;能量高度a可以表示干扰频率的强度,a越小说明工频干扰强度越小。
进一步,具体的,所述皮尔逊相关系数其中,cov表示所述最终拟合函数NPS(F)和所述功率谱密度PSD(F)的协方差,表示最终拟合函数NPS(F)的方差,表示功率谱密度PSD(F)的方差。皮尔逊相关系数表示最终拟合函数NPS(F)和功率谱密度PSD(F)的相关程度,反映了拟合效果的好坏,R2取值范围0-1,越接近1,说明拟合效果越好。
进一步,具体的,所述检测模块包括分类单元,所述分类单元被配置为对所述第一特征参数组、第二特征参数组和回归评价指标参数进行组合评估分类,得出所述脑电信号质量的检测结果。
进一步,具体的,所述检测模块包括特征量化单元,所述特征量化单元被配置为将对所述第一特征参数组、第二特征参数组和回归评价指标参数进行组合并通过特征图进行量化评估,得出所述脑电信号质量的检测结果。
本实用新型还提供了一种基于频谱分析的脑电信号质量的检测系统,包括如上所述基于频谱分析的脑电信号质量的检测装置以及可视化装置,所述可视化装置与所述基于频谱分析的脑电信号质量的检测装置连接。可视化装置能够将检测装置对脑电信号的检测结果进行可视化展示,方便用户更加直观地了解到脑电信号质量的检测结果。
进一步,具体的,所述可视化装置包括显示屏,所述显示屏与所述基于频谱分析的脑电信号质量的检测装置连接。
进一步,具体的,所述可视化装置包括指示灯,所述指示灯与所述基于频谱分析的脑电信号质量的检测装置连接。
进一步,具体的,所述可视化装置包括声音提示模块,所述声音提示模块与所述基于频谱分析的脑电信号质量的检测装置连接。
本实用新型的有益效果是,本实用新型的基于频谱分析的脑电信号质量的检测装置及系统,通过预处理模块对获取的脑电信号做快速傅里叶变换,把时域信号变为频域信号,建立功率谱密度PSD(F),通过第一拟合模块对功率谱密度PSD(F)中的非周期性成分进行非线性拟合,通过第二拟合模块对周期性成分做非线性拟合,得到多个特征参数,通过检测模块对多个特征参数进行组合评估得出脑电信号的检测结果。本装置通过建立信号分解模型,在频域上对脑电信号的非周期性成分和周期性成分进行拟合处理,量化噪声参数,增加信号质量的可解释性;并且能够直接测得工频对脑电信号的干扰,进一步提高信号检测的准确性;本装置考虑到了电极脱落、环境白噪及工频干扰等因素对脑电信号的干扰,并且通过参数对这些噪声进行了量化,在评估脑电信号质量时综合考虑了多种噪声的影响,提高了信号检测结果的可靠性。本装置基于频域对脑电信号质量进行了分析,可用于实时信号质量评估,结合量化的参数,指导用户对”低质量数据段”,做出相应的降噪操作,提高数据的可用性。
附图说明
下面结合附图和实施例对本实用新型进一步说明。
图1是本实用新型基于频谱分析的脑电信号质量的检测装置的一种结构示意图。
图2是本实用新型基于频谱分析的脑电信号质量的检测装置的另一结构示意图。
图3是本实用新型检测模块的一种结构示意图。
图4是本实用新型检测模块的另一结构示意图。
图5是本实用新型的功率谱密度和最终拟合函数的曲线示意图。
图6是本实用新型的SVM分类单元分类结果的示意图。
图7是本实用新型的六个特征参数的雷达图及区域W的示意图。
图8是本实用新型的六个特征参数的封闭区域Q的示意图。
图9是本实用新型的六个特征参数的封闭区域P的示意图。
图10是本实用新型的六个特征参数的封闭区域J的示意图。
图11是本实用新型的六个特征参数的封闭区域T的示意图。
图12是本实用新型的六个特征参数的封闭区域U的示意图。
图13是本实用新型基于频谱分析的脑电信号质量的检测系统的结构示意图。
图14是本实用新型可视化装置的第一种结构示意图。
图15是本实用新型可视化装置的第二种结构示意图。
图16是本实用新型可视化装置的第三种结构示意图。
图中:1、采集模块,2、预处理模块,3、第一拟合模块,4、筛选模块,5、第二拟合模块,6、检测模块,7、计算模块,61、分类单元,62、特征量化单元,100、基于频谱分析的脑电信号质量的检测装置,200、可视化装置,201、显示屏,202、指示灯,203、声音提示模块。
具体实施方式
现在结合附图对本实用新型作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本实用新型的基本结构,因此其仅显示与本实用新型有关的构成。
在本实用新型的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本实用新型和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本实用新型的限制。此外,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实用新型的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本实用新型的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本实用新型中的具体含义。
脑电信号具有的周期性成分和非周期性成分特性,周期性成分是指具有特征频率的成分,通常称为神经振荡的信号,例如delta,theta,alpha,beta,gamma等特定频段,非周期性成分是指非有节奏的活动或没有特征频率的活动。
如图1所示,一种基于频谱分析的脑电信号质量的检测装置,包括:
采集模块1,采集模块1被配置为获取时间窗口内的脑电信号,得到M组时域数据。采集模块1例如可以是电极,通过电极采集受测对象的脑电信号。
预处理模块2,预处理模块2与采集模块1连接,预处理模块2被配置为对M组时域数据做快速傅里叶变换,得到K组频域数据,根据K组频域数据得到功率谱密度PSD(F)。
第一拟合模块3,第一拟合模块3与预处理模块1连接,第一拟合模块3被配置为对功率谱密度PSD(F)中非周期性成分的数据进行非线性拟合,得到拟合函数L(F),分解得到拟合函数L(F)中的第一特征参数组。
筛选模块4,筛选模块4与预处理模块2连接,筛选模块4被配置为去除功率谱密度PSD(F)中非周期性成分的数据,得到周期性成分的数据。
第二拟合模块5,第二拟合模块5与筛选模块4连接,第二拟合模块5被配置为对周期性成分的数据进行非线性拟合,得到拟合函数G(F)n,分解得到拟合函数G(F)n中的第二特征参数组。
检测模块6,检测模块6与第一拟合模块3连接,检测模块6与第二拟合模块5连接,检测模块6被配置为将第一特征参数组和第二特征参数组进行组合评估,得出脑电信号质量的检测结果。
在本实施例中,检测装置可以包括处理器和存储器,存储器可以存储采集模块1采集到的脑电信号,处理器内设有预处理模块2、第一拟合模块3、筛选模块4、第二拟合模块5及检测模块6,处理器可以对采集到的脑电信号进行预处理、拟合、筛选及检测。采集模块1获取时间窗口内的脑电信号可以是通过单个通道内获取的原始脑电数据;或者,脑电信号是不同空间分布的多个通道内获取的原始脑电数据进行线性和非线性组合处理后的脑电数据,例如可以是将多个通道内采集到的原始脑电数据进行加权平均处理后的脑电数据。在本实施例中,时间窗口的长度此处不做限制,可以根据需要进行选择,例如,时间窗口的长度可以是几秒、几分钟、几小时或者几天时间,1秒内获取的脑电信号可以包含1000多组时域数据。
在本实施例中,获取的原始脑电信号数据是时域数据,预处理模块2可以对时域数据做快速傅里叶变换简称FFT转变为频域数据,根据这些频域数据可以得到功率谱密度PSD(F),功率谱密度PSD(F)的横坐标为频率,纵坐标为功率谱密度。根据快速傅里叶变换选择的采样频率不同,得到的频域数据的数量也不同。
在本实施例中,第一拟合模块3对非周期性成分的数据进行非线性拟合后得到的拟合函数为L(F)=b-log(k+Fx),其中,F表示频率变量,b表示偏移量,x表示幂律分布系数,k为拐点,当k和F取零时,可以得到直流分量参数DC。第一特征参数组可以包括偏移量b、幂律分布系数x和直流分量DC,但不限于此,对于不同种类的脑电信号还可以包括其他特征参数。例如,将多组非周期性成分的数据输入软件程序中,可以得到拟合函数,也就是说,可以得到偏移量b和幂律分布系数x的数值,一段脑电信号中的非周期性成分可以拟合出一个函数L(F),一个拟合函数L(F)可以分解出一组第一特征参数组。脑电信号从神经元群传递到头皮,信号的衰减呈幂律分布。人的脑电波有四大类:α波、β波、Q波和δ波,α波8-13赫兹也被称为“α节律”,它还被称为“安静波”人处于清醒状态最静时的脑波和“长寿波”对健康长寿有利,足见它对人的心身健康至关重要。α节律频率与年龄有密切关系,婴幼儿期枕区尚未形成α节律,一般在3岁左右出现最初的α节律,约8Hz;10岁时接近成人水平,达到10Hz且混有δ波和θ波。现有技术采用时域分析检测脑电信号的质量时,由于不同年龄阶段的脑电信号的时域波形表现不同,无法用统一的阈值进行判断,判断结果容易出现偏差。在不同水平的神经元种群活动中,神经功率谱的形状变化揭示了种群内部的不同动态。幂律分布系数x的变化意味着神经元之间相关性的改变,而偏移量b的移动则意味着种群活动的总体增加或减少。
在本实施例中,通过筛选模块4去除功率谱密度PSD(F)中的非周期性成分,使得功率谱密度PSD(F)只剩下周期性成分,便于后续对周期性成分进行非线性拟合,排除干扰。
在本实施例中,周期性成分在功率谱中会呈现为峰值,反映了特定频率的功率,脑电信号中可以包括多个周期性成分多个峰值,这些峰值服从高斯分布,第二拟合模块5对周期性成分进行非线性拟合可以得到拟合函数其中,F表示频率变量,c表示中心频率,ω表示带宽,a表示中心频率的能量高度,在本实施例中,第二特征参数组可以包括带宽ω、中心频率的能量高度a和中心频率c,但不限于此,第二特征参数组还可以包括其他特征参数。可以理解的是,一个峰值可以拟合出一个函数G(F)n,一个函数G(F)n可以分解出一组第二特征参数组,脑电信号中的非周期性成分可以包括生理信号和噪声信号,根据第二特征参数组可以分析出该峰值是生理信号还是噪声信号。例如,当脑电信号收到工频干扰时例如50Hz或者60Hz,高斯分布的拟合曲线上会出现相应的带宽和能量高度,这样能够直接测得工频干扰,便于后续评价脑电信号的质量。
在本实施例中,检测模块6在进行脑电信号质量检测时,每次选取一组第二特征参数组与第一特征特征参数组进行组合评估,得到该脑电信号的质量检测结果。如果采集到的脑电信号中包含多个峰值,则依次将每个峰值拟合得到的第二特征参数组与第一特征参数组进行组合分析,得到整个脑电信号的质量检测结果。
如图2所示,本装置还包括计算模块7,计算模块7与第一拟合模块3连接,计算模块7与第二拟合模块5连接,计算模块7与检测模块6连接,计算模块7被配置为将拟合函数L(F)和拟合函数G(F)n进行叠加,得到最终拟合函数NPS(F)=L(F)+G(F)n,计算最终拟合函数NPS(F)与功率谱密度PSD(F)之间的回归评价指标参数;检测模块6被配置为将回归评价指标参数、第一特征参数组及第二特征参数组进行组合评估,得出脑电信号质量的检测结果。回归评价指标参数包括皮尔逊相关系数R2、平均绝对误差MAE、均方根误差RMSE以及平均绝对百分比误差MAPE等等。例如,皮尔逊相关系数其中,covX,Y表示最终拟合函数NPS(F)和功率谱密度PSD(F)的协方差,表示最终拟合函数NPS(F)的方差,表示功率谱密度PSD(F)的方差。相关系数R2代表最终拟合函数NPS(F)和功率谱密度PSD(F)的相关程度,反映了拟合结果的好坏,R2取值范围为0-1,越接近1,表明拟合效果越好。例如,平均绝对误差其中,X表示所述最终拟合函数NPS(F),Y表示所述功率谱密度PSD(F)。平均绝对误差越小,说明拟合效果越好。
如图3所示,检测模块6包括分类单元61,分类单元61被配置为对第一特征参数组、第二特征参数组和回归评价指标参数进行组合评估分类,得出脑电信号质量的检测结果。分类单元61可以是SVM分类单元、神经网络分类单元等等。
如图4所示,检测模块6包括特征量化单元62,特征量化单元62被配置为对第一特征参数组、第二特征参数组和回归评价指标参数进行组合并通过特征图进行量化评估,得出脑电信号质量的检测结果。特征图可以包括雷达图、柱状图或折线图等等。
如图5所示,获取的脑电信号经过预处理模块2处理得到的功率谱密度PSD(F)如曲线E所示,非周期性成分的拟合函数L(F)如曲线F所示,最终拟合函数NPS(F)如曲线G所示,其中,曲线G的三个波峰为周期性成分高斯拟合的结果。从图5中可以看出,三个波峰的中心频率分别为15Hz、50Hz及100Hz,在频率50Hz的能量高度是较高的,说明该脑电信号受到了50Hz工频干扰。
如图6所示,以SVM分类单元为例,本实施例采用的SVM分类单元61是已经经过训练的SVM分类单元61,例如,通过对15个被试者,每个被试者采集20分钟的脑电数据,共有15*1200*6个的特征参数数据,根据五折交叉验证法,采用软间隔SVM算法训练模型,再用于脑电信号质量的在线评估,能够识别出脑电信号的质量,例如,输出结果0表示脑电信号质量非常好,输出结果1表示脑电信号质量尚可,输出结果2表示脑电信号质量差。如图6所示,图6(a)是某一时间窗口内的脑电信号,时间约为1600秒,从图中可以发现脑电信号大部分时间是比较平稳的,但是某些时刻会有波动。图6(b)是专家标注的脑电信号的真实标签,0表示脑电信号质量非常好,1表示脑电信号质量尚可,2表示脑电信号质量差。图6(c)是本装置的SVM分类单元61根据多个特征参数得出的检测结果,0表示脑电信号质量非常好,1表示脑电信号质量尚可,2表示脑电信号质量差。比较图6(b)和图6(c)可知,本方法的检测结果与专家标注的真实标签基本一致,本方法可以有效、快速地对脑电信号的质量进行检测。
特征图以雷达图为例,绘制雷达图时,选取的特征参数可以是第一特征参数组、第二特征参数组和回归评价指标参数的集合的任一子集,雷达图可以是多种形式的正多边形(例如是正四边形,正五边形,正六边形等等)、接近圆形或者圆形,且雷达图的各变量分布顺序不唯一。下面以六个特征参数(x,R2,ω,a,b,DC)绘制雷达图为例,通过特征图进行量化评估具体包括:首先确定六个特征参数x,R2,ω,a,b,DC的数值范围;根据该数值范围绘制雷达图,调整每个特征参数的轴线刻度使得雷达图的外边界形成正六边形;在雷达图上确定表示脑电信号质量良好的区域W;确定测量得到的每个特征参数的数值在雷达图中的位置点,将位置点连成一个封闭区域;如果封闭区域全部在区域W内部,则认为该脑电信号质量良好;如果封闭区域没有全部在区域W内部,则认为该脑电信号质量不佳。
在量化处理时,特征参数R2,ω,a,b及DC均为测量得到的原始数值,x的数值为原始数值进行正太分布变换得到的例如是通过3sigma原则得到的映射值。在本实施例中,六个特征参数的数值范围分别为:0≤x≤5,0.5≤R2≤1,0≤ω≤3,1≤a≤6,0≤b≤5,6≤DC≤11,该数值范围是通过选取15个试验者,采集每个试验者的1200多组头皮脑电数据,对采集到的约2万组观测数据分别进行高斯概率分布评估分析得到的,在一定程度上能够反映脑电信号质量的所有情况,需要说明的是,不同类型的脑电信号的数值范围是不同的,脑电信号例如可以是头皮脑电信号或者颅内脑电信号等等。绘制雷达图可以采用excel或者FineReport报表软件等工具,确定一个圆心,以放射线的形式画出六个轴线,设置每个轴线的刻度,使得画出的雷达图形成一个正六边形,每一条轴线代表一个特征参数的数值范围如图7所示。根据上述获取的大量观测数据的各特征参数的观测值,计算各特征参数在高斯分布下的95%的单侧\双侧置信区间,可以确定表示脑电信号质量良好的区域W,如图7所示。分别确定实时测量得到的六个特征参数的数值在雷达图中的位置点,将六个位置点连成一个封闭区域,如果封闭区域全部在区域W内部,则认为该脑电信号质量良好;如果封闭区域没有全部在区域W内部,则认为该脑电信号质量不佳。例如,图7中的封闭区域O为六个特征参数全部落入区域W的范围内,表明该脑电信号的质量良好;图8中的封闭区域Q的参数a超出了区域W的范围,说明该脑电信号的质量不佳,受到了50Hz工频的干扰。图9中的封闭区域P的参数x和R2超出了区域W的范围,说明该脑电信号质量不佳,有肌电噪声。图10中的封闭区域J的参数b和x超出了区域W,说明该脑电信号质量不佳,有低频噪声。图11中的封闭区域T的参数b、DC和x超出了区域W,说明该脑电信号质量不佳,有电极脱落干扰。图12中的封闭区域U的参数b和DC超出了区域W,说明该脑电信号质量不佳,存在无效导联。
如图13所示,一种基于频谱分析的脑电信号质量的检测系统,包括基于频谱分析的脑电信号质量的检测装置100以及可视化装置200,可视化装置200与基于频谱分析的脑电信号质量的检测装置100连接。可视化装置200能够直观地检测结果反馈给用户。
如图14所示,可视化装置200包括显示屏201,显示屏201与基于频谱分析的脑电信号质量的检测装置100连接。显示屏201可以通过文字或者图片等形式显示脑电信号质量的检测结果,例如,如果脑电信号检测结果为“质量佳”,则显示屏201上可以显示“质量佳”;如果脑电信号检测结果为“质量差”,则显示屏201上可以显示“质量差”,给用户直观地反馈。
如图15所示,可视化装置200包括指示灯202,指示灯202与基于频谱分析的脑电信号质量的检测装置100连接。例如,如果脑电信号检测结果为“质量佳”,则指示灯202显示为绿色,如果脑电信号检测结果为“质量差”,则指示灯202显示为红色,如果脑电信号检测结果为“质量尚可”,则指示灯202显示为黄色。
如图16所示,可视化装置200包括声音提示模块203,声音提示模块203与基于频谱分析的脑电信号质量的检测装置100连接。例如,如果脑电信号检测结果为“质量佳”,则声音提示模块203播放舒缓的音乐;如果脑电信号检测结果为“质量差”,则声音提示模块203播放报警音乐;如果脑电信号检测结果为“质量尚可”,则声音提示模块203播放带有节奏的音乐。
综上,本实用新型的基于频谱分析的脑电信号质量的检测装置及系统,通过对获取的脑电信号做快速傅里叶变换,把时域信号变为频域信号,建立功率谱密度PSD(F);对功率谱密度PSD(F)中的周期性分为和为周期性成分分别做非线性拟合,获得多个特征参数,将多个特征参数进行组合评估,可以得到脑电信号质量的结果。本方法通过建立信号分解模型,在频域上对脑电信号的非周期性成分和周期性成分进行拟合,量化噪声参数,增加信号质量的可解释性;并且能够直接测得工频对脑电信号的干扰,进一步提高信号检测的准确性。本方法本方法基于频域对脑电信号质量进行了分析,可用于实时信号质量评估,结合量化的参数,指导用户对”低质量数据段”,做出相应的降噪操作,提高数据的可用性。
以上述依据本实用新型的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项实用新型技术思想的范围内,进行多样的变更以及修改。本项实用新型的技术性范围并不局限于说明书上的内容,必须要如权利要求范围来确定其技术性范围。
Claims (15)
1.一种基于频谱分析的脑电信号质量的检测装置,其特征在于,包括:
采集模块(1),所述采集模块(1)被配置为获取时间窗口内的脑电信号,得到M组时域数据;
预处理模块(2),所述预处理模块(2)与所述采集模块(1)连接,所述预处理模块(2)被配置为对所述M组时域数据做快速傅里叶变换,得到K组频域数据,根据所述K组频域数据得到功率谱密度PSD(F);
第一拟合模块(3),所述第一拟合模块(3)与所述预处理模块(2)连接,所述第一拟合模块(3)被配置为对所述功率谱密度PSD(F)中非周期性成分的数据进行非线性拟合,得到拟合函数L(F),分解得到所述拟合函数L(F)中的第一特征参数组;
筛选模块(4),所述筛选模块(4)与所述预处理模块(2)连接,所述筛选模块(4)被配置为去除所述功率谱密度PSD(F)中非周期性成分的数据,得到周期性成分的数据;
第二拟合模块(5),所述第二拟合模块(5)与所述筛选模块(4)连接,所述第二拟合模块(5)被配置为对所述周期性成分的数据进行非线性拟合,得到拟合函数G(F)n,分解得到所述拟合函数G(F)n中的第二特征参数组;
检测模块(6),所述检测模块(6)与所述第一拟合模块(3)连接,所述检测模块(6)与所述第二拟合模块(5)连接,所述检测模块(6)被配置为将所述第一特征参数组和第二特征参数组进行组合评估,得出所述脑电信号质量的检测结果。
2.如权利要求1所述的基于频谱分析的脑电信号质量的检测装置,其特征在于,所述装置还包括:
计算模块(7),所述计算模块(7)与所述第一拟合模块(3)连接,所述计算模块(7)与所述第二拟合模块(5)连接,所述计算模块(7)与所述检测模块(6)连接,所述计算模块(7)被配置为将所述拟合函数L(F)和所述拟合函数G(F)n进行叠加,得到最终拟合函数NPS(F)=L(F)+G(F)n,计算最终拟合函数NPS(F)与所述功率谱密度PSD(F)之间的回归评价指标参数;所述检测模块(6)被配置为将所述回归评价指标参数、所述第一特征参数组及所述第二特征参数组进行组合评估,得出所述脑电信号质量的检测结果。
3.如权利要求2所述的基于频谱分析的脑电信号质量的检测装置,其特征在于,所述回归评价指标参数包括皮尔逊相关系数R2、平均绝对误差MAE、均方根误差RMSE以及平均绝对百分比误差MAPE。
4.如权利要求1所述的基于频谱分析的脑电信号质量的检测装置,其特征在于,所述脑电信号是单个通道内获取的原始脑电数据;或,所述脑电信号是不同空间分布的多个通道内获取的原始脑电数据进行线性和非线性组合处理后的脑电数据。
5.如权利要求2所述的基于频谱分析的脑电信号质量的检测装置,其特征在于,所述脑电信号包括至少一个所述周期性成分,每个所述周期性成分进行非线性拟合后得到一个拟合函数G(F)n,每个拟合函数G(F)n能够分解出一组所述第二特征参数组。
6.如权利要求1所述的基于频谱分析的脑电信号质量的检测装置,其特征在于,所述拟合函数L(F)=b-log(k+Fx),其中,F表示频率变量,b表示偏移量,x表示幂律分布系数,k为拐点;当k和F为零时,得到直流分量参数DC,所述第一特征参数组包括偏移量b、幂律分布系数x和直流分量DC。
10.如权利要求2所述的基于频谱分析的脑电信号质量的检测装置,其特征在于,所述检测模块(6)包括分类单元(61),所述分类单元(61)被配置为对所述第一特征参数组、第二特征参数组和回归评价指标参数进行组合评估分类,得出所述脑电信号质量的检测结果。
11.如权利要求2所述的基于频谱分析的脑电信号质量的检测装置,其特征在于,所述检测模块(6)包括特征量化单元(62),所述特征量化单元(62)被配置为对所述第一特征参数组、第二特征参数组和回归评价指标参数进行组合并通过特征图进行量化评估,得出所述脑电信号质量的检测结果。
12.一种基于频谱分析的脑电信号质量的检测系统,其特征在于,包括如权利要求1-11任一项所述基于频谱分析的脑电信号质量的检测装置(100)以及可视化装置(200),所述可视化装置(200)与所述基于频谱分析的脑电信号质量的检测装置(100)连接。
13.如权利要求12所述的一种基于频谱分析的脑电信号质量的检测系统,其特征在于,所述可视化装置(200)包括显示屏(201),所述显示屏(201)与所述基于频谱分析的脑电信号质量的检测装置(100)连接。
14.如权利要求12所述的一种基于频谱分析的脑电信号质量的检测系统,其特征在于,所述可视化装置(200)包括指示灯(202),所述指示灯(202)与所述基于频谱分析的脑电信号质量的检测装置(100)连接。
15.如权利要求12所述的一种基于频谱分析的脑电信号质量的检测系统,其特征在于,所述可视化装置(200)包括声音提示模块(203),所述声音提示模块(203)与所述基于频谱分析的脑电信号质量的检测装置(100)连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202121221058.0U CN215017693U (zh) | 2021-06-02 | 2021-06-02 | 基于频谱分析的脑电信号质量的检测装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202121221058.0U CN215017693U (zh) | 2021-06-02 | 2021-06-02 | 基于频谱分析的脑电信号质量的检测装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN215017693U true CN215017693U (zh) | 2021-12-07 |
Family
ID=79208263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202121221058.0U Active CN215017693U (zh) | 2021-06-02 | 2021-06-02 | 基于频谱分析的脑电信号质量的检测装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN215017693U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429292A (zh) * | 2021-06-02 | 2022-12-06 | 博睿康科技(常州)股份有限公司 | 基于频谱分析的脑电信号质量的检测装置及系统 |
CN116831598A (zh) * | 2023-06-14 | 2023-10-03 | 中国医学科学院生物医学工程研究所 | 一种脑肌信号评估方法和装置 |
-
2021
- 2021-06-02 CN CN202121221058.0U patent/CN215017693U/zh active Active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429292A (zh) * | 2021-06-02 | 2022-12-06 | 博睿康科技(常州)股份有限公司 | 基于频谱分析的脑电信号质量的检测装置及系统 |
CN116831598A (zh) * | 2023-06-14 | 2023-10-03 | 中国医学科学院生物医学工程研究所 | 一种脑肌信号评估方法和装置 |
CN116831598B (zh) * | 2023-06-14 | 2024-06-04 | 中国医学科学院生物医学工程研究所 | 一种脑肌信号评估方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019424265B2 (en) | Fatigue Classiffication Method Based on Brain Function Network Constructed via Generalized Consistency and Relevant Vector Machine | |
Kiymik et al. | Automatic recognition of alertness level by using wavelet transform and artificial neural network | |
Fraser et al. | Automated biosignal quality analysis for electromyography using a one-class support vector machine | |
Sabeti et al. | Entropy and complexity measures for EEG signal classification of schizophrenic and control participants | |
Subasi | Automatic recognition of alertness level from EEG by using neural network and wavelet coefficients | |
US5083571A (en) | Use of brain electrophysiological quantitative data to classify and subtype an individual into diagnostic categories by discriminant and cluster analysis | |
Gruszczyńska et al. | Epilepsy identification based on EEG signal using RQA method | |
Boubchir et al. | A review of feature extraction for EEG epileptic seizure detection and classification | |
US20180279938A1 (en) | Method of diagnosing dementia and apparatus for performing the same | |
CN215017693U (zh) | 基于频谱分析的脑电信号质量的检测装置及系统 | |
Kalaivani et al. | Prediction of biomedical signals using deep learning techniques | |
KR20120012364A (ko) | 생체신호 기반 자동 수면단계 분류시스템 | |
CN113040788B (zh) | 基于频谱分析的脑电信号质量的检测方法 | |
CN112861625B (zh) | 一种堆叠去噪自编码器模型确定方法 | |
Jadhav et al. | Automated sleep stage scoring using time-frequency spectra convolution neural network | |
Furui et al. | Non-Gaussianity detection of EEG signals based on a multivariate scale mixture model for diagnosis of epileptic seizures | |
CN115429292A (zh) | 基于频谱分析的脑电信号质量的检测装置及系统 | |
Wang et al. | Eeg-based real-time drowsiness detection using hilbert-huang transform | |
CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
Fickling et al. | Good data? The EEG quality index for automated assessment of signal quality | |
CN107320097B (zh) | 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置 | |
Li et al. | A segmentation-denoising network for artifact removal from single-channel EEG | |
Liu et al. | Epileptic seizure detection and prediction in EEGS using power spectra density parameterization | |
Kaundanya et al. | Performance of k-NN classifier for emotion detection using EEG signals | |
Durka et al. | High resolution parametric description of slow wave sleep |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |