一种基于静息态脑电的背景活动自动识别方法及系统
阅读说明：本技术 一种基于静息态脑电的背景活动自动识别方法及系统 (Background activity automatic identification method and system based on resting electroencephalogram ) 是由 郭毅 党鸽 李在望 石雪 于 2021-07-20 设计创作，主要内容包括：本发明公开一种基于静息态脑电的背景活动自动识别方法及系统,通过系统自动对患者睁眼和闭眼状态的脑电信号进行分区域识别,并分别提取各区域各频率的脑电特征,通过参照标准化范围对脑电特征进行分析比对,最终将识别分析结果输出为可视化报告,便于快速人工核验,必要时在线编辑修改,实现脑电自动判读高效性的同时,也保障了结果分析的准确性,为从原始二维脑电高效快捷得解读高维数据信息提供了可能性,也为不熟悉EEG数据分析及处理的非脑电专业人员提供了有潜力的技术手段。本发明可以实现识别过程的自动化,提高识别效率,从而减轻繁重且重复的机械化劳动,以便于医务人员投入结果报告的分析和判断中,提高工作效率,节省人力成本。(The invention discloses a background activity automatic identification method and a system based on resting state electroencephalogram, which automatically carry out regional identification on electroencephalogram signals of eye opening and eye closing states of a patient through the system, respectively extract electroencephalogram characteristics of each frequency of each region, analyze and compare the electroencephalogram characteristics by referring to a standardized range, and finally output an identification and analysis result as a visual report, thereby facilitating quick manual verification, editing and modifying on line when necessary, realizing the high efficiency of electroencephalogram automatic interpretation, ensuring the accuracy of result analysis, providing possibility for efficiently and quickly interpreting high-dimensional data information from original two-dimensional electroencephalogram, and providing a potential technical means for non-electroencephalogram professionals who are not familiar with EEG data analysis and processing. The invention can realize the automation of the identification process and improve the identification efficiency, thereby reducing the heavy and repeated mechanized labor, facilitating the medical staff to input the analysis and judgment of the result report, improving the working efficiency and saving the labor cost.)
技术领域
本发明涉及静息态脑电分析识别领域，尤其涉及一种基于静息态脑电的背景活动自动识别方法及系统。
背景技术
脑电图(EEG)是一种无创伤、非侵入式的神经电信号采集技术，可以在极高的时间精度上反应大脑神经元的集群点的电活动，与检查耗时长、费用高以及有创的检测手段相比，具有时间分辨率高、检查耗时短、费用低、方便易行等优点。近年来，脑电图成为评估大脑功能活动改变的有力工具，随着脑功能影像技术的发展，脑电信号与神经系统疾病如癫痫、脑血管疾病、失眠、焦虑抑郁、帕金森病等疾病有着密切的关系，通过电极层面及源层面的能量、脑连接分析提取高维脑电特征，用于部分疾病的辅助诊断、疗效预测及预后判断具有一定潜力。
人工处理脑电信号的局限性：脑电信号的背景活动解读需要具备几年以上的专业培训并具备一定的临床经验，脑电信号的特征提取需要熟悉Matlab及EEGlab的软件操作流程，使得脑电分析解读无法广泛普及，本系统一键式自动化处理分析系统解决了用户受限的难题。
人工识别耗时耗力：脑电图在临床应用中最常用于辅助癫痫的诊断。采集患者脑电图后，通过人工识别脑电图的背景活动以及癫痫波。癫痫波具有特征性较好识别，但背景活动的识别往往耗费大量人力。
人工识别脑电图需要脑电专科医师仔细对每10秒数据进行识别检查，一般8小时记录的脑电图需花费数小时，而且需要经过长时间培养的经验丰富的脑电图医师。脑电数据量较大，处理时间较长，对硬件和操作人员的要求比较高，当前的手动EEG处理模式限制了数据分析的效率。
人工识别具有主观性及非一致性：由于EEG结果的判断缺乏客观量化指标，所以在很大程度上受医生和技术人员个人经验水平和综合分析能力的影响。阅图者对诊断标准的理解不尽一致，常带有不同程度的主观性和倾向性，造成对EEG结果判断的不一致。国内报告从事EEG专业10年以上的高年资医生对EEG结果判断的一致率为73％，高年资医生与从事本专业不足5年的低年资医生之间的一致率为64％。
基于脑电信号特征的机器学习分类识别具有较高效率，但缺乏统一的具体特征标准，泛化能力较差：将原始脑电进行时频转化，进行特征提取，结合机器学习模型进行训练，识别效率较高，但准确性、特异性以及泛化能力需要大样本验证，识别结果受模型训练的样本影响较大。
因此，现有技术存在缺陷，需要改进。
发明内容
本发明的目的是克服现有技术的不足，提供一种基于静息态脑电的背景活动自动识别方法及系统。
本发明的技术方案如下：提供一种基于静息态脑电的背景活动自动识别方法，包括如下步骤：
步骤1：利用脑电信号采集设备获取患者的静息态脑电rsEEG信号；
步骤2：采用ARTIST全自动去噪法对患者处于闭眼状态及睁眼状态各3min的静息态脑电rsEEG信号数据进行预处理；
步骤3：分别计算并提取各个频段不同脑区的平均时间占比、平均幅值以及双侧幅值差这三个脑电特征；
步骤4：对已提取的脑电特征进行分析判读，依次分别在重度背景异常、中度背景异常、轻度背景异常、界限性脑电图以及正常脑电图特征条件中进行判别；
步骤5：根据判别结果自动生成可视化报告，呈现脑电背景活动识别的结论，以及各频段不同脑区的定量化脑电特征及其参考范围；
步骤6：根据步骤5所生成的可视化报告进行人工快速核验，必要时通过人工对存在偏差的报告内容进行修改编辑。
进一步地，所述步骤2的具体步骤如下：
步骤2.1：让患者分别保持闭眼状态及睁眼状态一段时间，并从采集信号中各选取3min的静息态脑电rsEEG信号数据；
步骤2.2：去除静息态脑电rsEEG信号数据中的直流电漂移；
步骤2.2：分别去除闭眼状态及睁眼状态所选取的信号数据中的眼动干扰；
步骤2.3：将采样率降至250Hz，并将带通滤波调节为1-45Hz，对坏通道进行替代；
步骤2.4：将数据进行分段，每段数据时长为2s；
步骤2.5：去除分段后的坏通道并进行插值；
步骤2.6：对独立成分进行分析后，去除伪差成分，采用平均参考取值。
进一步地，步骤3的具体步骤如下：
步骤3.1：将全脑划分为四个区域，其中第一区域包括额区与前颞区，第二区域包括中央区与中颞区，第三区域包括顶区、第四区域包括枕区与后颞区；
步骤3.2：根据频率的计算方法，将脑电图每个通道随时间出现的不同频率的信号进行识别，将频率分为五个频段，分别为α波、β波、γ波、δ波以及θ波，并将识别出的不同频率的波用不同的颜色进行标记，然后将每个频段出现的波的时间长度比信号总时间长度，即为每个频段的平均时间占比；
步骤3.3：计算每个识别出的脑电波的峰-峰值，保存为每个波的幅值，各个频段下所有脑电波的平均峰-峰值即为此频段平均幅值；
步骤3.4：以脑部中线为分界，将左右半球中某频段的平均幅值的差值除以左右半球相同频段的平均幅值中的低值，反映左右半球的对称性，从而得出双侧幅值差；
步骤3.5：根据步骤3.2-步骤3.4提取出各个频段中各个区域的平均时间占比、平均幅值、以及双侧幅值差脑电特征。
进一步地，所述步骤4中的正常脑电图的诊断标准如下：
①δ波在各区的平均时间占比为0-2％，平均幅值为0-50μV；
②θ波在各区的平均时间占比为0-15％，平均幅值为0-50μV；
③α波在第一区域及第二区域的平均时间占比为40-100％，在第三区域的平均时间占比为45-100％，在第四区域的平均时间占比为50-100％，各区平均幅值为0-100μV；
④β波在各区的平均时间占比为0-40％，平均幅值为0-20μV；
⑤各频段在第一区域以及第二区域的双侧幅值差为0-30％，在第三区域的双侧幅值差为0-40％，在第四区域的双侧幅值差为0-100％。
进一步地，所述步骤4中的界限性脑电图的诊断标准如下：
有下述任意一项异常表现即为界限性脑电图：
①δ波在各区的平均时间占比为2-5％，平均幅值为＞50μV；
②θ波在各区的平均时间占比为15-30％，平均幅值为＞50μV；
③α波在第一区域及第二区域的平均时间占比为10-40％，在第三区域的平均时间占比为10-45％，在第四区域的平均时间占比为10-50％，各区平均幅值为＞100μV；
④β波在各区的平均时间占比为40-100％，平均幅值为20-50μV；
⑤各频段在第一区域以及第二区域的双侧幅值差为30-50％，在第三区域的双侧幅值差为40-60％，在第四区域的双侧幅值差为100-150％。
进一步地，所述步骤4中的轻度背景异常的诊断标准如下：
有下述任意一项异常表现即为轻度背景异常：
①δ波在各区的平均时间占比为5-10％；
②θ波在各区的平均时间占比为30-75％；
③α波各区的平均时间占比为5-10％；
④β波在各区的平均幅值为＞50μV；
⑤各频段在第一区域以及第二区域的双侧幅值差为50-75％，在第三区域的双侧幅值差为60-85％，在第四区域的双侧幅值差为150-200％。
进一步地，所述步骤4中的中度背景异常的诊断标准如下：
有下述任意一项异常表现即为中度背景异常：
①δ波在各区的平均时间占比为10-95％；
②θ波在各区的平均时间占比为75-95％；
③α波各区的平均时间占比为0-5％；
④各频段在第一区域以及第二区域的双侧幅值差为＞75％，在第三区域的双侧幅值差为＞85％，在第四区域的双侧幅值差为＞200％。
进一步地，所述步骤4中的重度背景异常的诊断标准下：
有下述任意一项异常表现即为重度背景异常：
①δ波在各区的平均时间占比为95-100％；
②θ波在各区的平均时间占比为95-100％。
本发明还提供一种背景活动自动识别系统，包括：相互连接的数据管理模块、数据储存模块以及数据处理分析模块，所述数据管理模块包括：数据编辑修改模块以及信息录入模块，数据处理分析模块包括：预处理模块、频率识别及颜色标识模块、脑区划分模块、特征提取计算模块、比对模块以及可视化模块，所述数据管理模块、预处理模块、频率识别及颜色标识模块以及脑区划分模块与特征提取计算模块连接，所述特征提取计算模块与比对模块连接，所述比对模块与可视化模块连接，所述可视化模块与数据储存模块连接，所述数据储存模块与数据编辑修改模块连接。
进一步地，所述数据管理模块为计算机组，所述数据储存模块为磁盘阵列存储器，所述数据处理分析模块为处理器。
采用上述方案，本发明通过系统自动对不同脑区不同频率的脑电特征进行计算提取，包括平均时间占比、平均幅值、双侧幅值差，参照标准化范围对脑电特征进行分析比对，最终输出可视化报告，实现脑电背景活动分级。随后可人工进行快速核验，必要时在线修改编辑，在满足本系统自动识别高效性的同时，保障了结果分析的准确性，也增加了本系统应用的灵活性，从而将从原始二维脑电高效提取高维数据信息提供可能性，也为非脑电专业医师及科研工作者提供有潜力的脑电分析技术手段。相对于传统人工识别处理方式，本发明实现了脑电背景活动识别过程的自动化，将脑电图医师从繁琐耗时的背景活动识别及描述工作中分离出来，以便投入报告结果审核以及阵发性异常活动的深度判读，提高工作效率，节省人力成本。
附图说明
图1为本发明的流程框图。
图2为脑电分区示意图。
图3为脑电信号不同频率的颜色标记识别示意图。
图4为各脑区各频段波出现平均时间占比、平均幅值及双侧幅值差及其参考范围。
图5为自动化脑电报告分级参考标准表。
图6为本发明的系统连接框图。
具体实施方式
以下结合附图和具体实施例，对本发明进行详细说明。
请参阅图1，本发明提供一种基于静息态脑电的背景活动自动识别方法，包括如下步骤：
步骤1：利用脑电信号采集设备获取患者的静息态脑电rsEEG信号。
步骤2：采用ARTIST全自动去噪法对患者处于闭眼状态及睁眼状态各3min的静息态脑电rsEEG信号数据进行预处理。具体步骤如下：
步骤2.1：让患者分别保持闭眼状态及睁眼状态一段时间，并从采集信号中各选取3min的静息态脑电rsEEG信号数据；
步骤2.2：去除静息态脑电rsEEG信号数据中的直流电漂移；
步骤2.2：分别去除闭眼状态及睁眼状态所选取的信号数据中的眼动干扰；
步骤2.3：将采样率降至250Hz，并将带通滤波调节为1-45Hz，对坏通道进行替代；
步骤2.4：将数据进行分段，每段数据时长为2s；
步骤2.5：去除分段后的坏通道并进行插值；
步骤2.6：对独立成分进行分析后，去除伪差成分，采用平均参考取值。
选取患者保持闭眼状态及睁眼状态的各3min的静息态脑电rsEEG信号数据，从而保证信号数据的稳定性，以便于后续进行识别。通过采用ARTIST全自动去噪法，去除选取的信号数据中的杂波干扰，以提高信号数据的识别准确性。
步骤3：分别提取各个频段不同脑区的平均时间占比、平均幅值以及双侧幅值差这三个脑电特征。具体步骤如下：
步骤3.1：请参阅图2，将全脑划分为四个区域，其中第一区域包括额区与前颞区，第二区域包括中央区与中颞区，第三区域包括顶区、第四区域包括枕区与后颞区。额区channel包括leftFchan(F7、F3)与rightFchan(F8、F4)。前颞区包括FT7、FT8。中央区channel包括leftCchan(C3)与rightCchan(C4)。中颞区包括T7、T8。顶区channel包括leftPchan(P3)与rightPchan(P4)。枕区channel包括leftOchan(O1)与rightOchan(O2)。后头部包括枕区，前头部包括除枕区外上述其它区域。
步骤3.2：请参阅图3，根据频率的计算方法，将脑电图每个通道随时间出现的不同频率的信号进行识别，将频率分为五个频段，分别为α波、β波、γ波、δ波以及θ波，并将识别出的不同频率的波用不同的颜色进行标记，然后将每个频段出现的波的时间长度比信号总时间长度，即为每个频段的平均时间占比。其中，δ波的频率范围为1-4Hz，θ波的频率范围为4-8Hz，α波的频率范围为8-13Hz，β波的频率范围为13-30Hz，γ波的频率范围为30-45Hz，频率大于45Hz的波不纳入计算。频率指一秒内相同周期的波形重复出现的次数，或一个波占一秒的几分之一，单位为Hz或周期/秒(c/s)，头皮EEG分析的频率范围通常在0.1-100Hz，将EEG频率分为δ波、θ波、α波、β波、γ波五个频带。频率的测量是指从任意一个脑波的波谷至下一个波谷，或从任意一个波峰至下一个波峰。
具体来说，在预处理的时间序列信号上，计算每个可见波的所属频段范围：代码自动检索每个波的所占时间，即从波谷-波峰-波谷的时间长度。其中波谷的定义为首先出现的局部最小值，波峰为之后出现的最大值，当下一个波谷出现，并且下降支的幅值大于上升支的1/2时，判断为一个脑电波。当脑电波所占时间为0.25s-1s时，标记为δ波。当脑电波所占时间在0.125s-0.25s之间时，标记为θ波。同理，0.076s-0.125s之间为α波，33ms-76ms为β波，22ms-33ms之间为γ波。时间小于22ms的波不纳入计算范围。将识别出的不同频率的波使用不同的颜色进行标记。之后，将每个频段出现的波的时间长度比上信号总时间长度，即为每个频段的平均时间占比。
步骤3.3：计算每个识别出的脑电波的峰-峰值，保存为每个波的幅值，各个频段下所有脑电波的平均峰-峰值即为此频段平均幅值。
波幅是指用于描述脑波的电压，以微伏(μV)为单位(1μV＝10-6V)测定任意两个电极之间的电位差，此电压的高度经放大器定标电压测定，可通过脑波的高度(mm)确定电压值。
计算每个识别出的脑电波的峰-峰值，保存为每个波的幅值。各个频段下所有脑电波的平均峰-峰值即为此频段平均幅值。例如，10s内识别出3个θ波，它们的峰-峰值分别为20μV，25μV，30μV，则θ波频段的平均幅值为25μV。
步骤3.4：以脑部中线为分界，将左右半球中某频段的平均幅值的差值除以左右半球相同频段的平均幅值中的低值，反映左右半球的对称性，即双侧幅值差；
步骤3.5：请参阅图4，根据步骤3.2-步骤3.4提取出各个频段中各个区域的平均时间占比、平均幅值、以及双侧幅值差脑电特征。
步骤4：请参阅图5，对提取的脑电特征进行分析判读，依次分别在重度背景异常、中度背景异常、轻度背景异常、界限性脑电图以及正常脑电图特征条件中进行判别。
本系统基于成年人脑电图诊断参考标准，将平均时间占比、平均幅值以及双侧幅值差三个特征作为核心参数进行脑电自动判读，首先判读所采集的患者的脑电图是否为正常脑电图，如不符合，则依次判读是否符合重度背景异常、中度背景异常、轻度背景异常、界限性脑电图特征条件。
进一步地，所述步骤4中的正常脑电图的诊断标准如下：
①δ波在各区的平均时间占比为0-2％，平均幅值为0-50μV；
②θ波在各区的平均时间占比为0-15％，平均幅值为0-50μV；
③α波在第一区域及第二区域的平均时间占比为40-100％，在第三区域的平均时间占比为45-100％，在第四区域的平均时间占比为50-100％，各区平均幅值为0-100μV；
④β波在各区的平均时间占比为0-40％，平均幅值为0-20μV；
⑤各频段在第一区域以及第二区域的双侧幅值差为0-30％，在第三区域的双侧幅值差为0-40％，在第四区域的双侧幅值差为0-100％。进一步地，所述步骤4中的界限性脑电图的诊断标准如下：
有下述任意一项异常表现即为界限性脑电图：
①δ波在各区的平均时间占比为2-5％，平均幅值为＞50μV；
②θ波在各区的平均时间占比为15-30％，平均幅值为＞50μV；
③α波在第一区域及第二区域的平均时间占比为10-40％，在第三区域的平均时间占比为10-45％，在第四区域的平均时间占比为10-50％，各区平均幅值为＞100μV；
④β波在各区的平均时间占比为40-100％，平均幅值为20-50μV；
⑤各频段在第一区域以及第二区域的双侧幅值差为30-50％，在第三区域的双侧幅值差为40-60％，在第四区域的双侧幅值差为100-150％。进一步地，所述步骤4中的轻度背景异常的诊断标准如下：
有下述任意一项异常表现即为轻度背景异常：
①δ波在各区的平均时间占比为5-10％；
②θ波在各区的平均时间占比为30-75％；
③α波各区的平均时间占比为5-10％；
④β波在各区的平均幅值为＞50μV；
⑤各频段在第一区域以及第二区域的双侧幅值差为50-75％，在第三区域的双侧幅值差为60-85％，在第四区域的双侧幅值差为150-200％。进一步地，所述步骤4中的中度背景异常的诊断标准如下：
有下述任意一项异常表现即为中度背景异常：
①δ波在各区的平均时间占比为10-95％；
②θ波在各区的平均时间占比为75-95％；
③α波各区的平均时间占比为0-5％；
④各频段在第一区域以及第二区域的双侧幅值差为＞75％，在第三区域的双侧幅值差为＞85％，在第四区域的双侧幅值差为＞200％。
进一步地，所述步骤4中的重度背景异常的诊断标准下：
有下述任意一项异常表现即为重度背景异常：
①δ波在各区的平均时间占比为95-100％；
②θ波在各区的平均时间占比为95-100％。
步骤5：根据判别结果自动生成可视化报告，呈现脑电背景活动识别的结论，以及各频段不同脑区的定量化脑电特征及其参考范围；
本系统仅对成人EEG背景异常进行分级识别，但不包括阵发性异常(癫痫样放电)，癫痫样放电需要人工核验中专业人员对局部阵发性异常活动单独进行具体描述。将所提取出的值与脑电背景活动分级识别的定量参考范围进行对比并归类：(1)正常脑电图，需符合表格中所列数值的所有；(2)其它，只需符合表格中所列数值的任意一个。然后根据计算比较自动生成可视化报告，对脑电背景活动进行分级识别，并对报告内容进行详细描述，将自动计算的个体化脑电特征以数字化形式显示，并将正常参考值列出，红色代表较正常值增大，蓝色代表较正常值减小。
步骤6：根据步骤5所生成的可视化报告进行人工快速核验，必要时通过人工对存在偏差的报告内容进行修改编辑。脑电图师根据可视化报告结果进行快速人工审核，必要时可针对报告内容进行在线修改和调整，也可对阵发性异常活动进行具体描述，增加了本系统应用的灵活性和便捷性。
根据实验得出，与人工识别结果比较，在124例异常脑电图报告中，人工识别出108例为异常，系统识别出124例为异常；在170例人工报告为正常脑电图的患者中，人工识别出170例为正常，系统识别出169例为正常，随后分析1例未识别为正常的原因主要由于眼动伪迹预处理不完善所致，重新预处理后识别100％为正常。
敏感度(SEN)：真阳性率，实际异常病患被诊断出来的百分比，其计算公式如下：
人工识别：(被人工识别诊断阳性患者÷实际总的阳性患者)*100％＝(108÷124)*100％＝87.10％。
自动识别：(被自动识别诊断阳性患者÷实际总的阳性患者)*100％＝(124÷124)*100％＝100％。
特异度(SPE)：真阴性率，实际无病按诊断标准被正确判别为无病的百分比，其计算公式如下：
人工识别：(被人工识别诊断阴性患者÷实际总的阴性患者)*100％＝(170÷170)*100％＝100％。
自动识别：(被自动识别诊断阴性患者÷实际总的阴性患者)*100％＝(169÷170)*100％＝99.4％。
平衡正确率(BAC)：考虑了信号集中正负样本数存在偏态情况对正确率的影响，其计算公式如下：
人工识别：1/2*(87.10％+100％)*100％＝93.6％。
自动识别：1/2*(100％+99.4％)*100％＝99.7％。
从上述数据可知，本系统自动分析的结果在正常和异常脑电的分级中效果总体较好，具有良好的敏感度、特异度以及平衡正确率指标。同时，上述数据证明本发明所提出的自动识别方法在自动识别的准确率方面较人工识别有明显的提高，证实了本发明所提供的自动识别方法的有效性。
请参阅图6，本发明还提供一种背景活动自动识别系统，包括：相互连接的数据管理模块、数据储存模块以及数据处理分析模块，所述数据管理模块包括：数据编辑修改模块以及信息录入模块，数据处理分析模块包括：预处理模块、频率识别及颜色标识模块、脑区划分模块、特征提取计算模块、比对模块以及可视化模块。所述数据管理模块、预处理模块、频率识别及颜色标识模块以及脑区划分模块与特征提取计算模块连接，所述特征提取计算模块与比对模块连接，所述比对模块与可视化模块连接，所述可视化模块与数据储存模块连接，所述数据储存模块与数据编辑修改模块连接。
所述数据管理模块为计算机组，所述数据储存模块为磁盘阵列存储器，所述数据处理分析模块为处理器。
信息录入模块，可便于医护人员查看患者信息，并对患者的基本信息，如门诊号、姓名、疾病类型等进行编辑。如果有新加入的患者，也可通过信息录入模块对患者的相关信息进行录入。
数据处理分析模块可以实现脑电数据的处理。其中预处理模块可实现静息态脑电rsEEG信号数据的预处理，去除信号数据中的干扰片段，提高识别的准确性。频率识别及颜色标识模块可以将脑电图每个通道随时间出现的不同频率的信号进行识别与标识。脑区划分模块可将全脑电图分为四个脑区。预处理模块、频率识别及颜色标识模块以及脑区划分模块的输出结果，作为特征提取计算模块的输入数据，从而提取计算出各个频段不同脑区的平均时间占比、平均幅值以及双侧幅值差这三个脑电特征。然后将特征提取计算模块的输出结果输入到比对模块中，再发送至可视化模块中，从而将比对识别结果输出为可视化报告，并将可视化报告存储于数据储存模块中。医务人员可通过计算机组查看存储于数据储存模块内的可视化报告，同时，可通过数据编辑修改模块对报告中的进行快速人工核验必要时对报告内容进行编辑修改提高报告的准确性与权威性。
综上所述，本发明通过系统自动对不同脑区不同频率的脑电特征进行计算提取，包括平均时间占比、平均幅值、双侧幅值差，参照标准化范围对脑电特征进行分析比对，最终输出可视化报告，实现脑电背景活动分级。随后可人工进行快速核验，必要时在线修改编辑，在满足本系统自动识别高效性的同时，保障了结果分析的准确性，也增加了本系统应用的灵活性，从而将从原始二维脑电高效提取高维数据信息提供可能性，也为非脑电专业医师及科研工作者提供有潜力的脑电分析技术手段。相对于传统人工识别处理方式，本发明实现了脑电背景活动识别过程的自动化，将脑电图医师从繁琐耗时的背景活动识别及描述工作中分离出来，以便投入报告结果审核以及阵发性异常活动的深度判读，提高工作效率，节省人力成本。
以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。