ES2854705T3 - Aparato de análisis de actividad cerebral - Google Patents

Aparato de análisis de actividad cerebral Download PDF

Info

Publication number
ES2854705T3
ES2854705T3 ES17175004T ES17175004T ES2854705T3 ES 2854705 T3 ES2854705 T3 ES 2854705T3 ES 17175004 T ES17175004 T ES 17175004T ES 17175004 T ES17175004 T ES 17175004T ES 2854705 T3 ES2854705 T3 ES 2854705T3
Authority
ES
Spain
Prior art keywords
brain
signals
brain activity
modulation signals
electrical signal
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
Application number
ES17175004T
Other languages
English (en)
Inventor
Chia-Chi Chang
Pei-Chen Lin
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.)
A Neuron Electronic Corp
Original Assignee
A Neuron Electronic Corp
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 A Neuron Electronic Corp filed Critical A Neuron Electronic Corp
Application granted granted Critical
Publication of ES2854705T3 publication Critical patent/ES2854705T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/72—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert 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
    • A61B5/7228—Signal modulation applied to the input signal sent to patient or subject; Demodulation to recover the physiological signal
    • 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
    • A61B5/742—Details of notification to user or communication with user or patient; User input means using visual displays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

Un aparato de análisis de actividad cerebral (1), que procesa al menos una señal eléctrica cerebral para generar un resultado de análisis, que comprende al menos una unidad de percepción (10) que detecta las ondas cerebrales de un sujeto para adquirir dicha al menos una señal eléctrica cerebral; una unidad de visualización (16) conectada eléctricamente con dicha unidad de procesamiento de señales (12) y que presenta dicho resultado de análisis; y una unidad de procesamiento de señales (12) que está en comunicación con dicha unidad de percepción (10) para recibir dicha señal eléctrica cerebral, utilizando un método de descomposición no estacionario para descomponer dicha señal eléctrica cerebral para adquirir una pluralidad de señales secundarias que portan componentes de características intrínsecas, demodulando cada una de dichas señales secundarias para generar señales de modulación correspondientes, respectivamente, a dichas señales secundarias, caracterizado por llevar a cabo una iteración recursiva de dichas señales de modulación, en donde se utiliza una máscara de características para determinar si se debe continuar con la descomposición y la demodulación adicionales de las señales de modulación adquiridas o para seleccionar señales de modulación de interés a partir de todas dichas señales de modulación como señales de modulación de características, y llevar a cabo unos procesos de cuantificación y unos procesos de identificación de dichas señales de modulación de características para obtener el resultado de análisis correspondiente a dicha señal eléctrica cerebral.

Description

DESCRIPCIÓN
Aparato de análisis de actividad cerebral
Esta solicitud reivindica prioridad para la solicitud de patente de Taiwán n.° 106114720 presentada el 4 de mayo de 2017, cuyo contenido se incorpora por referencia en su totalidad.
Antecedentes de la invención
Campo de la invención
La presente invención se refiere a una tecnología de análisis de ondas cerebrales, particularmente a un método de análisis de actividad cerebral capaz de evaluar la actividad cerebral y un aparato de este.
Descripción de la técnica relacionada
El análisis de ondas cerebrales convencional incluye un análisis de forma de onda, un análisis de frecuencia temporal, un análisis de complejidad, etc. El resultado del análisis de frecuencia temporal es una referencia importante en el campo relacionado. Sin embargo, la evaluación de la actividad cerebral basada en el análisis de frecuencia temporal está restringida por las limitaciones del cálculo espectral, tal como el supuesto matemático, la resolución de escala de tiempo, la distorsión de la información y las influencias de los armónicos. De este modo, la aplicabilidad del análisis de frecuencia temporal está degradada en gran medida. Así mismo, es menos probable que la tecnología actual de análisis de frecuencia temporal analice el resultado de la multiplicación, sino que únicamente puede analizar el resultado de la suma lineal.
La detección de crisis convencional, que se basa en el método de análisis de frecuencia temporal, adopta la medición de frecuencia (aumentando una componente de oscilación de 30-40 Hz) y la medición de amplitud para la detección de crisis. En general, los cambios de una señal fisiológica, tal como una señal eléctrica cerebral, contienen diversos mecanismos fisiológicos e interferencias pertinentes. El modelo matemático de redes neuronales consiste en la suma y la multiplicación dentro de una estructura de múltiples capas. La señal de onda cerebral es el resultado de la red neuronal y es percibida mediante la electroencefalografía. La tecnología convencional del análisis de ondas cerebrales consiste en analizar las "características que aparecen en el funcionamiento neuronal" o los "estados de función cerebral correspondientes a las ondas cerebrales". Sin embargo, con la tecnología existente es difícil analizar la modulación de señal de la multiplicación y está limitada para aplicaciones pertinentes.
La técnica anterior de las patentes relacionadas publicadas tiene, respectivamente, diferentes desventajas. La patente de los Estados Unidos n.° 6.480.743 divulga un "sistema y método para la estimulación cerebral adaptativa", que está destinado a ser utilizado como tratamiento de enfermedades neurológicas. La patente adopta una tecnología de análisis de semionda para adquirir los parámetros para establecer la forma de onda del estímulo eléctrico del tratamiento. El ajuste de parámetros de la técnica anterior se basa principalmente en las características fundamentales de la señal de onda cerebral primitiva. De este modo, el resultado de la identificación se ve afectado principalmente por las interferencias de la señal de onda cerebral primitiva. La patente de los Estados Unidos n.° 8.131.352 divulga un "sistema y método para ajustar automáticamente los umbrales de detección en un detector de eventos neurológicos controlado por retroalimentación", que adopta las características de amplitud de la onda cerebral primitiva con un valor umbral para la detección de eventos. Sin embargo, las características de amplitud constan de diversa información fisiológica y son muy sensibles al sesgo de la señal objetivo, lo cual puede provocar el error de detección. La patente de los Estados Unidos n.° 6.810.285 divulga "percepción y detección de crisis utilizando un dispositivo implantable", que adopta el análisis de morfología de forma de onda (incluidos el análisis de dominio temporal y el análisis de extracción de características) para detectar eventos neurológicos. Todo su funcionamiento se basa en la forma de onda primitiva de la señal de onda cerebral. De este modo, los resultados de la detección son sensibles a las interferencias de la distorsión de la forma de onda provocada por los ruidos. Así mismo, la precisión de esta está limitada por el hecho de que una parte de las regulaciones de las funciones neurológicas se presenta en las señales moduladas y es poco probable que se evalúe y estime con las características de la forma de onda primitiva. Una patente de Taiwán n.° 1487503 divulga "un dispositivo automático de estadificación del sueño, que utiliza un análisis de entropía para evaluar la actividad cerebral". Sin embargo, la técnica anterior no puede tratar los cambios de las características de frecuencia temporal de la señal de onda cerebral, sino que únicamente puede estimar la característica de complejidad. Además, la técnica anterior adopta el filtrado y suavizado, respectivamente, antes y después del procesamiento de la forma de onda principal, lo que podría reducir las características intrínsecas clave y, prácticamente, provocar errores de detección.
A partir de la publicación de solicitud de patente US 2006/0111644 A1 se conoce un sistema de determinación de epilepsia para la detección del inicio de crisis específicas del paciente, cuyo sistema tiene las características del preámbulo de la reivindicación 1. El sistema emplea un algoritmo de clasificación y asocia las formas de onda de EEG de referencia con una clase de crisis o una clase de no crisis.
La publicación de patente CN 102824173 B divulga un método de análisis de EEG que comprende las etapas de descomposición, demodulación, filtrado de ondas y cálculo de una frecuencia instantánea mediante el cálculo de componentes en cuadratura o una fase instantánea o mediante la realización de una modulación de frecuencia, por ejemplo.
La publicación "Descomposición intrínseca de escala de tiempo: análisis de frecuencia-energía temporal y filtrado en tiempo real de señales no estacionarias", M.G. Frei et. al., Proceedings of the Royal Society, Mathematical, Physical and Engineering Sciences, vol. 463, n.° 2078, 15 de agosto de 2006, páginas 321-342, divulga un nuevo algoritmo sobre la base de la descomposición intrínseca de escala de tiempo, donde se adquiere un mapa de distribución de frecuencia-energía mediante descomposición, descomposición de escala de tiempo, transformación espectral, etc.
Con el fin de evaluar la funcionalidad cerebral y las limitaciones revolucionarias de la tecnología convencional, la presente invención construye un algoritmo novedoso para implementar un método de análisis de actividad cerebral y un aparato de este para analizar las características que aparecen en el funcionamiento neuronal y el estado de función cerebral, denominada actividad cerebral, correspondiente a las ondas cerebrales.
Sumario de la invención
El objetivo principal de la presente invención es proporcionar un método de análisis de actividad cerebral y un aparato de este, que descompone y analiza las modulaciones de frecuencia y las modulaciones de amplitud para construir un espacio de características de múltiples capas y de múltiples dimensiones que presenta las características no estacionarias en las actividades cerebrales.
Otro objetivo de la presente invención es proporcionar un método de análisis de actividad cerebral y un aparato de este, que utiliza una máscara de características para reducir en gran medida la complejidad de cómputo de la tecnología de descomposición convencional y, de este modo, obviamente reducir la carga de cómputo, mediante la cual mejorar la viabilidad de la tecnología de análisis de ondas cerebrales.
Un objetivo adicional de la presente invención es proporcionar un método de análisis de actividad cerebral y un aparato de este, que puede mejorar la tasa de detección del análisis de ondas cerebrales.
Con el fin de alcanzar los objetivos mencionados anteriormente, la presente invención propone un aparato de análisis de actividad cerebral que tiene las características de la reivindicación 1. Las realizaciones adicionales son la materia objeto de las reivindicaciones dependientes. El aparato de análisis de actividad cerebral de acuerdo con la invención comprende al menos una unidad de percepción, una unidad de procesamiento de señales y una unidad de visualización. La unidad de percepción recopila la señal de onda cerebral de un sujeto para adquirir al menos una señal eléctrica cerebral. La unidad de procesamiento de señales está en comunicación con la unidad de percepción para recibir la señal eléctrica cerebral y descompone y demodula la señal eléctrica cerebral. De acuerdo con una máscara de características, la unidad de procesamiento de señales determina si continúa con la iteración recursiva del procesamiento o selecciona señales de modulación de interés a partir de todas las señales de modulación como señales de modulación de características. Después de adquirir las señales de modulación de características, la unidad de procesamiento de señales realiza procesos de cuantificación y procesos de identificación de todas las señales de modulación de características para obtener un resultado de análisis correspondiente a la señal eléctrica cerebral. Entonces, la unidad de procesamiento de señales presenta el resultado de análisis como actividad cerebral en una unidad de visualización.
En una realización, el aparato de análisis de actividad cerebral comprende, además, una unidad de almacenamiento conectada eléctricamente con la unidad de procesamiento de señales para almacenar las señales, los datos y los resultados, que son procesados o generados por la unidad de procesamiento de señales.
A continuación, las realizaciones se describen en detalle junto con los dibujos adjuntos para facilitar la comprensión de los objetivos, de los contenidos técnicos y de los logros de la presente invención.
Breve descripción de los dibujos
Figura 1 es un diagrama de bloques que muestra esquemáticamente un aparato de análisis de actividad cerebral de acuerdo con una realización de la presente invención;
Figura 2 es un diagrama de flujo de un método de análisis de actividad cerebral de acuerdo con una realización de la presente invención;
Figura 3(a) es un diagrama que muestra una señal de onda cerebral primitiva;
Figura 3(b) es un diagrama que muestra esquemáticamente que una señal eléctrica cerebral se descompone en una pluralidad de señales secundarias que portan componentes de características intrínsecas de acuerdo con una realización de la presente invención;
Figura 3(c) es un diagrama que muestra esquemáticamente que las señales secundarias se demodulan en señales de modulación, cada una de las cuales contiene una parte de modulación de frecuencia y una parte de modulación de amplitud de acuerdo con una realización de la presente invención; Figura 3(d) es un diagrama que muestra esquemáticamente las señales generadas después de que la descomposición y la demodulación se hayan realizado tres veces de acuerdo con una realización de la presente invención;
Figura 3(e) es un diagrama que muestra esquemáticamente las señales determinadas por una máscara de características de acuerdo con una realización de la presente invención;
Figura 3(f) es un diagrama que muestra esquemáticamente que las señales de modulación de interés se seleccionan a partir de todas las señales de modulación de acuerdo con una realización de la presente invención; y
Figuras 4(a)-4(e) son diagramas que muestran esquemáticamente las señales generadas en ciclos secuenciales de descomposición y demodulación de la señal eléctrica cerebral medida durante la condición normal y la crisis de acuerdo con una realización de la presente invención, en donde la máscara de características es M=x(FM[2],AM[1(FM[1,2],AM[1,2]),2]).
Descripción detallada de la invención
El método y aparato de análisis de actividad cerebral de la presente invención corresponden a la arquitectura de funcionamiento fundamental de una red neuronal, que utiliza una tecnología de descomposición de forma de onda no lineal para explorar características de variaciones de diferentes modulaciones y resolver variaciones intrínsecas de múltiples capas y de múltiples dimensiones, mediante la cual proporcionar una tecnología de análisis de múltiples dimensiones y de baja distorsión de la función neurológica, por cuyo motivo aumenta la precisión del uso de ondas cerebrales para diagnosticar enfermedades neurológicas.
Consulte la figura 1, un diagrama de bloques que muestra esquemáticamente un aparato de análisis de actividad cerebral de acuerdo con una realización de la presente invención. El aparato de análisis de actividad cerebral 1 de la presente invención comprende una unidad de percepción 10 que detecta la señal de onda cerebral de un sujeto para adquirir una señal eléctrica cerebral; una unidad de procesamiento de señales 12 en comunicación con la unidad de percepción 10; una unidad de almacenamiento 14 conectada eléctricamente con la unidad de procesamiento de señales 12; y una unidad de visualización 16 conectada eléctricamente con la unidad de procesamiento de señales 12. La unidad de procesamiento de señales 12 es un circuito integrado específico de la aplicación (ASIC, por las siglas en inglés de Application-specifíc Integrated Circuit), una unidad de microcontrolador (MCU, por las siglas en inglés de Microcontroller Unit) o un microprocesador. La unidad de procesamiento de señales 12 recibe la señal eléctrica cerebral y realiza cálculos de los componentes de características intrínsecas para obtener un resultado de análisis correspondiente a la señal eléctrica cerebral, tal como el estado de la actividad cerebral. Los modelos, los datos y las señales utilizadas en el procesamiento y el análisis y los resultados se almacenan en la unidad de almacenamiento 14, que puede ser un dispositivo de almacenamiento externo o incorporado. La unidad de visualización 16 presenta la información emitida por la unidad de procesamiento de señales 12 y los resultados de la evaluación del estado de la actividad cerebral.
Después de que se haya descrito anteriormente la arquitectura fundamental del aparato de la presente invención, el método de análisis de actividad cerebral de la presente invención se describirá completamente a continuación. Consulte la figura 2, un diagrama de flujo de un método de análisis de actividad cerebral de acuerdo con una realización de la presente invención, y consulte la figura 1 de nuevo. El método de análisis de actividad cerebral de la presente invención comprende las etapas S10-S24. En la etapa S10, se utiliza la unidad de percepción 10 para medir la onda cerebral de al menos un sujeto para adquirir al menos una señal eléctrica cerebral, como se muestra en la figura 3(a). La señal eléctrica cerebral puede ser una señal de electroencefalografía (EEG), una señal de electroencefalograma intracraneal (iEEG) o una señal de electrocorticograma (ECoG). La señal eléctrica cerebral se transmite a la unidad de procesamiento de señales 12 y se procesa y analiza en las etapas S12-S24.
En la etapa S12, se utiliza un método de descomposición no estacionario, tal como el método de descomposición de modo empírico (EMD, por las siglas en inglés de Empirical Mode Decomposition), para descomponer la señal eléctrica cerebral para adquirir una pluralidad de señales secundarias que portan componentes de características intrínsecas, como los componentes 1-7 que se muestran en la figura 3(b). En la etapa S14, se demodula cada una de las señales secundarias, en donde se utiliza una operación de normalización para descomponer las señales secundarias, que portan, respectivamente, diferentes componentes de características intrínsecas, para adquirir señales de modulación correspondientes, respectivamente, a las señales secundarias. Las señales de modulación incluyen partes de modulación de frecuencia y partes de modulación de amplitud. La señal de capa 1 que se muestra en la figura 3(c) incluye las partes de modulación de frecuencia (Wk(t), k=1-7) y las partes de modulación de amplitud (A¡(t), i=1-7), que se obtienen mediante la descomposición de cada señal secundaria. En la etapa S16, se realiza una iteración recursiva, en donde se utiliza una máscara de características preestablecida para determinar si se debe realizar una iteración recursiva de la señal de modulación adquirida (incluidas las partes de modulación de frecuencia y las partes de modulación de amplitud), es decir, determinar si se debe realizar un proceso adicional de descomposicióndemodulación de las señales adquiridas. En caso negativo, el proceso pasa directamente a la etapa S20. En caso afirmativo, el proceso pasa a la etapa S18: continúa la descomposición y la demodulación de las señales. Los detalles de la descomposición y la demodulación en la etapa S18 son, respectivamente, idénticos a la etapa S12 y a la etapa S14. Una vez completada la etapa S18, el proceso vuelve a la etapa S16 para determinar si continúa un proceso adicional de descomposición-demodulación de las señales hasta que el número de descomposición y demodulación haya alcanzado el número determinado por la máscara de características. El número de iteraciones recursivas (el número de descomposición y demodulación de señales) es exactamente el número de las capas en las que se descompone la señal. El número de iteraciones recursivas necesarias para analizar la característica depende de las características de la señal. En esta realización, las componentes de la capa 1 se descomponen y demodulan adicionalmente por segunda y tercera vez para generar las señales de modulación de la capa 2 que se muestran en la figura 3(c) y las señales de modulación de la capa 3 que se muestran en la figura 3(d).
El número de iteraciones recursivas y las características de señal determinan las componentes de características. Por lo tanto, en la etapa S20, se establece una máscara de características M para determinar las componentes de características. Como se muestra en la figura 3(e) y la figura 3(f), la máscara de características M se utiliza para seleccionar señales de modulación de interés como señales de modulación de características a partir de señales de modulación de capa 1, señales de modulación de capa 2 y señales de modulación de capa 3. Las señales de modulación de características se utilizarán en el cálculo siguiente para obtener la variación de múltiples dimensiones de las características intrínsecas de la onda cerebral. En la etapa S22, se realizan los procesos de cuantificación de las características de interés, tal como el cálculo de densidades de potencia, de frecuencias instantáneas o de períodos promediados de las características de interés. En la etapa S24, se utiliza un modelo de clasificación para realizar los procesos de identificación. El modelo de clasificación se construye de acuerdo con el historial personal y los parámetros previamente entrenados. Por ende, la presente invención puede obtener el resultado de análisis correspondiente a la señal eléctrica cerebral mencionada anteriormente, es decir, el estado de la actividad cerebral. Después de obtener el estado de la actividad cerebral, la unidad de procesamiento de señales 12 presenta el resultado en la unidad de visualización 16.
Para lograr una demostración completa del espíritu de la presente invención, el ejemplo que se muestra en la figura 4(a) y la figura 4(b) se utiliza para ilustrar los contenidos técnicos de la presente invención. Las porciones rodeadas por un círculo son las características seleccionadas por la máscara de características M=x(FM[2],AM[1(FM[1,2],AM[1,2]),2]), en donde x indica la señal eléctrica cerebral; las cifras arábigas 1, 2 indican las señales secundarias; a M indica la modulación de amplitud; FM denota la modulación de frecuencia. La figura 4(a) muestra la señal eléctrica cerebral detectada en una crisis. La señal de la figura 4(a) se descompone en una pluralidad de señales secundarias de características intrínsecas en un método de descomposición no estacionario, como se muestra en la figura 4(b). Cada una de las señales secundarias de la figura 4(b) se demodula en una parte de modulación de frecuencia y una parte de modulación de amplitud, como se muestra en la figura 4(c). Las señales de modulación x(FM[2]) y x(AM[1,2]) se seleccionan como las características que se utilizarán en el cálculo siguiente. La señal de modulación x(AM[1]) se descompone adicionalmente para desarrollar la variación características intrínsecas de la señal de modulación, como se muestra en la figura 4(d). Cada una de las señales de la figura 4(d) se demodula adicionalmente en una parte de modulación de frecuencia y una parte de modulación de amplitud, como se muestra en la figura 4(e). Las señales de modulación x(AM[1(FM[1,2])]) y x(AM[1(AM[1,2])]) se seleccionan como las señales de modulación de características que se utilizarán en el cálculo siguiente. De este modo, todas las señales de modulación de características de interés se pueden obtener de acuerdo con la máscara de características para implementar el cálculo posterior.
En la presente invención, la aplicación principal de la máscara de características es determinar el número de descomposición y demodulación de señales y las posiciones de las señales de modulación de características seleccionadas. El ejemplo descrito anteriormente utiliza una cadena de palabras M=x(FM[2],AM[1(FM[1,2],AM[1,2]),2]) para expresar la máscara de características. Sin embargo, la máscara de características también se puede expresar mediante una matriz de secuencia, en donde las dimensiones de matriz de números impares son las secuencias de las señales secundarias posteriores a la descomposición, y las dimensiones de matriz de números pares son las secuencias de las señales de modulación posteriores a la demodulación, y en donde el número indica la señal de modulación de características seleccionada por la dimensión de matriz. En la dimensión de matriz de número par, FM está dispuesta en la parte frontal y AM está dispuesta en la parte trasera. De este modo, x(AM[1(FM[1,2])]) y x(AM[1(AM[1,2])]) se pueden indicar mediante ([2], [([1, 2] [1,2]), 2]).
En la presente invención, la máscara de características también se puede expresar mediante una matriz de múltiples dimensiones, tal como una matriz booleana de múltiples dimensiones (abreviada como T/F). Los detalles de esta se detallan a continuación:
La primera descomposición emite tres señales secundarias de secuencias de una dimensión en forma de [() () ()].
La demodulación convierte las señales secundarias en secuencias de dos dimensiones que tienen dos partes de modulación en forma de [([], []) ([], []) ([], [])], estando FM dispuesta antes y AM dispuesta detrás, en donde
x(FM[2]) se expresa mediante [([F],[F]) ([T],[F]) ([F],[F])];
x(AM[1,2]) se expresa mediante [([F],[T]) ([F],[T]) ([F],[F])];
x(FM[2], AM [1,2]) se expresa mediante [([F], [T]) ([T], [T]) ([F], [F])].
El componente de modulación se descompone en tres señales secundarias de secuencias de tres dimensiones en forma de [([() () ()], [() () ()]) ([() () ()], [() () ()]) ([() () ()], [() () ()])].
Entonces, la demodulación iterativa convierte las señales secundarias en secuencias de cuatro dimensiones que tienen dos componentes de modulación en forma de [([([], []) ([], []) ([], [])], [([], []) ([], []) ([], [])]) ([([], []) ([], []) ([], [])], [([], []) ([], []) ([], [])]) ([([], []) ([], []) ([], [])], [([], [ ]) ([], []) ([], □)])], estando FM dispuesta antes y AM dispuesta detrás.
Una parte de la máscara de características seleccionada se puede expresar de la siguiente manera: x(AM[1(FM[1,2])]) se indica mediante [([F],[([T],[F]) ([T],[F]) ([F],[F])]) ([F],[F])([F],[F])];
x(AM[1(AM[1,2])]) se indica mediante [([F],[([F],[T]) ([F],[T]) ([F],[F])]) ([F],[F])([F],[F])].
En síntesis, x(FM[2], AM[1(FM[1,2], AM[1,2]), 2]) en el ejemplo mencionado anteriormente se puede expresar mediante una matriz de múltiples dimensiones indicada mediante [([F],[([T],[T]) ([T],[T]) ([F],[F])]) ([T],[T]) ([F],[F])].
Además de implicar la estimación de formas de onda y análisis espectral de frecuencia de la tecnología convencional, la presente invención proporciona, además, cálculos de características intrínsecas, que son particularmente útiles para la red neuronal de múltiples capas donde muchas características intrínsecas no son obvias en la onda primitiva y el espectro de frecuencia primitivo. La presente invención no solo presenta las variaciones de la onda cerebral para mejorar la precisión de la identificación, sino que también realiza la descomposición y el análisis con respecto a diferentes modulaciones de frecuencia y modulaciones de amplitud para formar un espacio de características de múltiples capas y de múltiples dimensiones, lo cual es suficiente para revelar las características no estacionarias de la actividad cerebral. Así mismo, la máscara de características utilizada por la presente invención puede reducir significativamente la complejidad que sufre la tecnología convencional en la descomposición de las señales y reducir eficazmente la carga en el cómputo. Por lo tanto, la presente invención puede promover en gran medida la viabilidad del diagnóstico basado en ondas cerebrales en enfermedades neurológicas.
Las realizaciones se han descrito anteriormente para demostrar los contenidos técnicos y las características de la presente invención y permitir que los expertos en la materia comprendan, hagan y utilicen la presente invención. Sin embargo, estas realizaciones son únicamente para ejemplificar la presente invención, pero no para limitar el alcance de la presente invención. Cualquier modificación o variación se deberá incluir dentro del alcance de la presente invención.

Claims (10)

REIVINDICACIONES
1. Un aparato de análisis de actividad cerebral (1), que procesa al menos una señal eléctrica cerebral para generar un resultado de análisis, que comprende
al menos una unidad de percepción (10) que detecta las ondas cerebrales de un sujeto para adquirir dicha al menos una señal eléctrica cerebral;
una unidad de visualización (16) conectada eléctricamente con dicha unidad de procesamiento de señales (12) y que presenta dicho resultado de análisis; y
una unidad de procesamiento de señales (12) que está en comunicación con dicha unidad de percepción (10) para recibir dicha señal eléctrica cerebral, utilizando un método de descomposición no estacionario para descomponer dicha señal eléctrica cerebral para adquirir una pluralidad de señales secundarias que portan componentes de características intrínsecas, demodulando cada una de dichas señales secundarias para generar señales de modulación correspondientes, respectivamente, a dichas señales secundarias,
caracterizado por
llevar a cabo una iteración recursiva de dichas señales de modulación, en donde se utiliza una máscara de características para determinar si se debe continuar con la descomposición y la demodulación adicionales de las señales de modulación adquiridas o para seleccionar señales de modulación de interés a partir de todas dichas señales de modulación como señales de modulación de características, y llevar a cabo unos procesos de cuantificación y unos procesos de identificación de dichas señales de modulación de características para obtener el resultado de análisis correspondiente a dicha señal eléctrica cerebral.
2. El aparato de análisis de actividad cerebral (1) de acuerdo con la reivindicación 1, en donde dicha señal eléctrica cerebral es una señal de electroencefalografía, una señal de electroencefalograma intracraneal o una señal de electrocorticografía.
3. El aparato de análisis de actividad cerebral (1) de acuerdo con la reivindicación 1, en donde dicho método de descomposición no estacionario es un método de descomposición de modo empírico.
4. El aparato de análisis de actividad cerebral (1) de acuerdo con la reivindicación 1, en donde se utiliza una operación de normalización para demodular cada una de dichas señales secundarias para obtener dichas señales de modulación.
5. El aparato de análisis de actividad cerebral (1) de acuerdo con la reivindicación 1, en donde dichas señales de modulación incluyen partes de modulación de frecuencia y partes de modulación de amplitud.
6. El aparato de análisis de actividad cerebral (1) de acuerdo con la reivindicación 1, en donde dicho resultado de análisis es un estado de la actividad cerebral.
7. El aparato de análisis de actividad cerebral (1) de acuerdo con la reivindicación 1, en donde dichos procesos de cuantificación incluyen el cálculo de densidades de potencia, de frecuencias instantáneas o de períodos promediados.
8. El aparato de análisis de actividad cerebral (1) de acuerdo con la reivindicación 1, en donde se utiliza un modelo de clasificación en dichos procesos de identificación, y en donde dicho modelo de clasificación implica el historial personal y los parámetros previamente entrenados.
9. El aparato de análisis de actividad cerebral (1) de acuerdo con la reivindicación 1, que comprende, además, una unidad de almacenamiento (14) conectada eléctricamente con dicha unidad de procesamiento de señales (12) para almacenar las señales, los datos y los resultados procesados por dicha unidad de procesamiento de señales (12).
10. El aparato de análisis de actividad cerebral (1) de acuerdo con la reivindicación 1, en donde dicha máscara de características está en forma de una cadena de palabras, una matriz de secuencia o una matriz de múltiples dimensiones.
ES17175004T 2017-05-04 2017-06-08 Aparato de análisis de actividad cerebral Active ES2854705T3 (es)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106114720A TWI620546B (zh) 2017-05-04 2017-05-04 腦波分析方法及其裝置

Publications (1)

Publication Number Publication Date
ES2854705T3 true ES2854705T3 (es) 2021-09-22

Family

ID=59034512

Family Applications (1)

Application Number Title Priority Date Filing Date
ES17175004T Active ES2854705T3 (es) 2017-05-04 2017-06-08 Aparato de análisis de actividad cerebral

Country Status (6)

Country Link
US (2) US10702175B2 (es)
EP (1) EP3398505B1 (es)
CN (1) CN107361765B (es)
ES (1) ES2854705T3 (es)
PT (1) PT3398505T (es)
TW (1) TWI620546B (es)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325402B (zh) * 2018-08-06 2022-04-15 高维度（深圳）生物信息智能应用有限公司 一种信号处理方法、系统及计算机存储介质
US11123564B2 (en) * 2019-05-30 2021-09-21 A-Neuron Electronic Corporation Electrical stimulation controlling device and electrical stimulation system
US11602299B2 (en) * 2020-06-16 2023-03-14 A-Neuron Electronic Corporation Method and system for processing electroencephalogram signal
CN111973179B (zh) * 2020-08-25 2021-06-25 北京智源人工智能研究院 脑电波信号处理方法、装置、电子设备及存储介质
US11697020B2 (en) * 2020-11-19 2023-07-11 A-Neuron Electronic Corporation Method for generating stimulation parameters, electrical stimulation control apparatus and electrical stimulation system
TWI839176B (zh) * 2023-04-10 2024-04-11 臺北醫學大學 睡眠分期資訊偵測方法以及使用該方法的電子裝置與伺服器
CN117390531B (zh) * 2023-11-20 2024-04-02 兰州交通大学 一种基于ieemd脑电信号分解的抑郁症自动识别方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6480743B1 (en) 2000-04-05 2002-11-12 Neuropace, Inc. System and method for adaptive brain stimulation
US6810285B2 (en) 2001-06-28 2004-10-26 Neuropace, Inc. Seizure sensing and detection using an implantable device
WO2005117693A1 (en) * 2004-05-27 2005-12-15 Children's Medical Center Corporation Patient-specific seizure onset detection system
CN101259016A (zh) * 2007-03-06 2008-09-10 李小俚 实时自动检测癫痫特征波的方法
US8131352B2 (en) 2007-06-20 2012-03-06 Neuropace, Inc. System and method for automatically adjusting detection thresholds in a feedback-controlled neurological event detector
CN101810479B (zh) * 2009-12-16 2011-09-14 天津大学 复合下肢想象动作脑电的相位特征提取方法
CN101869477B (zh) * 2010-05-14 2011-09-14 北京工业大学 一种自适应脑电信号中眼电伪迹的自动去除方法
WO2012095171A1 (en) * 2011-01-12 2012-07-19 Widex A/S Bi-hemispheric brain wave system and method of performing bi-hemispherical brain wave measurements
TWI487503B (zh) 2012-02-01 2015-06-11 Univ Nat Cheng Kung 自動睡眠分期裝置
CN102824173B (zh) * 2012-09-17 2014-04-02 北京理工大学 一种脑电图信号分类方法
CN104757968A (zh) * 2014-08-08 2015-07-08 沈阳工业大学 儿童失神性癫痫发作情况的中间数据统计评价方法
US20160045127A1 (en) * 2014-08-15 2016-02-18 The Regents Of The University Of Michigan Automated detector and classifier of high frequency oscillations and indicator seizure onset
CN106539582A (zh) * 2015-09-17 2017-03-29 中央大学 脑功能成像辨识的方法及系统

Also Published As

Publication number Publication date
CN107361765A (zh) 2017-11-21
US10702175B2 (en) 2020-07-07
EP3398505B1 (en) 2020-11-18
US20200281492A1 (en) 2020-09-10
TWI620546B (zh) 2018-04-11
PT3398505T (pt) 2021-02-19
US11638562B2 (en) 2023-05-02
EP3398505A1 (en) 2018-11-07
US20180317792A1 (en) 2018-11-08
TW201842881A (zh) 2018-12-16
CN107361765B (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
ES2854705T3 (es) Aparato de análisis de actividad cerebral
Yao et al. Which reference should we use for EEG and ERP practice?
Sun et al. Deep neural networks constrained by neural mass models improve electrophysiological source imaging of spatiotemporal brain dynamics
CA2728437C (en) Consistent signal selection by signal segment selection techniques
US10251571B1 (en) Method for improving accuracy of pulse rate estimation
Menshawy et al. An automatic mobile-health based approach for EEG epileptic seizures detection
US8954127B2 (en) Systems and methods for estimating values of a continuous wavelet transform
US9826940B1 (en) Optical tracking of heart rate using PLL optimization
US20110071376A1 (en) Determination Of A Physiological Parameter
WO2019108426A1 (en) Continuous detection and monitoring of heart arrhythmia using both wearable sensors and cloud-resident analyses
US12011269B2 (en) Electrophysiological signal processing method, corresponding system, computer program product and vehicle
US20160106331A1 (en) Fractal index analysis of human electroencephalogram signals
US20170164850A1 (en) Method For Improving Heart Rate Estimates By Combining Multiple Measurement Modalities
Aygun et al. Robust interbeat interval and heart rate variability estimation method from various morphological features using wearable sensors
AU2021350834A9 (en) Systems, devices, and methods for developing a fetal oximetry model for use to determine a fetal oximetry value
Rundo et al. Real-Time Deep Neuro-Vision Embedded Processing System for Saliency-based Car Driving Safety Monitoring
WO2020160058A1 (en) Systems and methods for computationally efficient non-invasive blood quality measurement
Martinez-Millana et al. Integrated IoT intelligent system for the automatic detection of cardiac variability
Xie et al. Heart rate estimation from ballistocardiogram using hilbert transform and viterbi decoding
Gupta et al. A comparative study of application of different non-conventional filters on electroencephalogram
Hossain et al. A Deep Convolutional Autoencoder for Automatic Motion Artifact Removal in Electrodermal Activity Signals: A Preliminary Study
Lamarque et al. A new concept of virtual patient for real-time ECG analyzers
CN113194811A (zh) 院内病人恢复状态的评估方法、装置、系统及存储介质
John et al. Multimodal fusion for robust respiratory rate estimation in wearable sensing
Ni Enhanced IoT-Based Electrocardiogram Monitoring System with Deep Learning