一种基于脑电信号分析的方法
阅读说明：本技术 一种基于脑电信号分析的方法 (Electroencephalogram signal analysis-based method ) 是由 张鑫 张志勇 张楷隋 于 2021-08-06 设计创作，主要内容包括：本发明公开了一种基于脑电信号分析的方法,通过大数据对采集到的脑电数据进行去噪预处理；对预处理后的脑电数据进行10秒加窗计算,根据每个窗口的数据分别计算出样本熵、排列熵、小波熵、爆发抑制率和边缘频率五个参数；所得全部参数输入所建立的支持向量机SVC模型中进行训练,得到BIS指数,并输出BIS指数和爆发抑制率。本发明实现麻醉深度指数BIS计算数据窗口为10秒窗,相较于现有技术所沿用的30秒窗口有了较大提升；同时,本发明通过建立的支持向量机SVC训练模型,加速了实施处理速度,通过大数据训练的训练模型也保证了选用较短数据窗口仍可以对噪声进行有效滤除与数值的精确计算。(The invention discloses an electroencephalogram signal analysis-based method, which comprises the steps of carrying out denoising pretreatment on acquired electroencephalogram data through big data; performing 10-second windowing calculation on the preprocessed electroencephalogram data, and respectively calculating five parameters of sample entropy, permutation entropy, wavelet entropy, explosion suppression rate and edge frequency according to the data of each window; all the obtained parameters are input into the established SVC model of the support vector machine for training to obtain the BIS index, and the BIS index and the outbreak suppression rate are output. The invention realizes that the BIS calculation data window is a 10-second window, which is greatly improved compared with the 30-second window used in the prior art; meanwhile, the implementation processing speed is accelerated through the established SVC training model, and the training model for big data training also ensures that noise can be effectively filtered and the numerical value can be accurately calculated by selecting a shorter data window.)
技术领域
本发明涉及生理电信号处理领域，具体涉及一种基于脑电信号分析的方法，可以应用于对脑电信号的准确评估或应用于脑电科学研究中。
背景技术
麻醉手术中需要进行意识监测，以防止麻醉过深、过浅所引发的不好的术后效果及并发症。在手术中给予患者麻醉药物时，可以通过麻醉深度指数(BIS)来进行意识监测的判断：指数范围为0～100，其中100为完全清醒状态，0为完全无意识状态。BIS指数是通过脑电信号进行一系列计算后，转化为已被临床认可的可信数字。进行有效的麻醉意识监测能减少麻醉深度过浅时导致的术中知晓，以及过深时导致的不良预后，还能帮助降低手术成本，加快患者术后清醒。因此，精确的BIS指数对于临床应用存在极大的意义。
中国专利文献CN 104545949公开了一种基于脑电的麻醉深度监测方法，采用决策树分类器，权重参数不可变，泛用性较差，所用窗口为30秒，实时性较差。
中国专利文献CN110840411公开了一种麻醉深度的测量方法、存储介质及电子设备，采集多导脑电生成模拟信号进行麻醉深度评估，其需要对颅脑建模，生成对应点位的模拟脑电，可靠性较差。
发明内容
本发明目的是解决现有技术中对麻醉所产生的脑电信号进行处理后所得麻醉深度指数存在实时性和可靠性较差的问题，为此，本发明提供了一种基于脑电信号分析的方法，使处理后的脑电数据具有更好的实时性和泛用性。
本发明采用如下技术方案：
一种基于脑电信号分析的方法，所述方法包括如下步骤：
步骤1、通过大数据对采集到的脑电数据进行去噪预处理；
步骤2、对预处理后的脑电数据进行10秒加窗计算，根据每个窗口的数据计算出样本熵、排列熵、小波熵、爆发抑制率和边缘频率参数；
步骤3、将步骤2中所得全部参数输入所建立的支持向量机SVC模型中进行训练，得到BIS指数，并输出BIS指数和爆发抑制率。
经过机器学习算法SVC迭代计算后，再通过样本训练对所述步骤2中所得到的样本熵、排列熵和小波熵进行权重分配，合并计算出数据的信号复杂度指数，并输出。
所述步骤1中采用高通滤波和低通滤波相结合方式去除脑电波中含有的环境噪声和生物信号噪声。
所述步骤2中的脑电样本熵的计算方法是：
在所采集的N个脑电数据组成的时间序列中，按序号组成一组维数为m的向量序列，在两个定义向量Xm(i)和Xm(j)之间，若给定Xm(i)，统计Xm(i)到Xm(j)之间距离小于r的j数量，记为Bi：
并定义
增加维数到m+1，对Bi m+1(r)和Bm+1(r)再次进行运算，计算脑电波样本熵为：
所述步骤2中的脑电排列熵的计算方法是：
对所采集的脑电数据的时间序列X进行相空间重构(相空间大小记为m)，得到矩阵，矩阵中的每一行都是一个相空间长度的序列；
对矩阵中的每一行按升序重新排列，排序后记录该行排序前的下标顺序得到一组符号序列，m维相空间映射有m！种不同的符号序列；
将每一种符号序列出现的概率记为P1，P2，...Pk，按照信息熵的定义，时间序列X(i)的k种不同符号序列的排列熵定义为PE(m)＝-∑PjlnPj
所述步骤2中的脑电小波熵的计算方法是：
通过脑电数据计算出dwt常数C和数量向量L后，计算脑电信号总波能量Et，利用公式WE＝-sum(Et.*log(Et))，计算出最终总小波熵。
所述步骤2中的脑电爆发抑制率的计算方法是：
将脑电数据中相邻波峰波谷之差<5μV，且持续时间>0.5s时判定为爆发前的抑制；
记录脑电数据中相邻波峰波谷之差<5μV的连续数据数量，并将此波峰波谷之间的这段数据以1表示，作为抑制部分数据；
记录脑电数据中相邻波峰波谷之差>5μV的连续数据数量，并将此波峰波谷之间的这段数据以0表示，作为其他部分；
对脑电数据进行无重叠加窗计算，计算每个窗口中抑制部分数据量占总窗口中所有数据量的百分比，得到脑电波爆发抑制率。
所述步骤2中的脑电边缘频率的计算方法是：
绘制脑电数据的fft频谱图，计算频谱数据下方90％或95％的频谱总面积，并得到频谱总面积所对应的频率，即得边缘频率。
本发明技术方案，具有如下优点：
A.本发明提供了相较现有技术具有更好的实时性，可以实现脑电数据的高实时性与高精度并存，还可以实现麻醉深度指数BIS计算数据窗口为10秒窗，相较于现有技术所沿用的30秒窗口有了较大提升；同时，本发明通过建立的支持向量机SVC训练模型，加速了实施处理速度，通过大数据训练的训练模型也保证了选用较短数据窗口仍可以对噪声进行有效滤除与数值的精确计算。
现有商用设备大多基于论文(A Primer for EEG Signal Processing inAnesthesia)所述参数模型，包括双谱域参数、爆发抑制比、边缘频率、贝塔比值等，其中双谱域参数计算量最大，包括傅里叶变换，时间复杂度为幂级。同时，为了保证双谱域参数精度，必须选取较长时间片段的脑电信号，因此基于此论文的后续商用设备沿用了30秒窗口的设置。而本发明优化了参数组，弃用时间复杂度高的双谱域参数，选用多个计算简单同时特征覆盖面广的参数组来描述麻醉深度，提高了实时性。本发明选用熵参数作为双谱域参数的替代，可以有效检出脑电在不同麻醉深度的特征，保证了麻醉深度计算的精确性。
B.本发明采用样本熵、排列熵、小波熵、爆发抑制率和边缘频率五个参数进行融合，经所建立并训练好的支持向量机SVC训练模型进行计算后得到了BIS指数、爆发抑制率和信号复杂度指数，有助于医生根据所得参数对麻醉深度作出准确判断；利用输出的信号复杂度指数数值以及爆发抑制率数值，在术中实时监测场景中具有实际应用效果，具有较高的实用性。
附图说明
为了更清楚地说明本发明
具体实施方式
，下面将对具体实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所提供的脑电信号分析方法组成结构示意图。
图2是本发明所提供的脑电信号分析方法流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1和图2所示，本发明提供了一种基于脑电信号分析的方法，包括如下步骤：
步骤1、通过大数据对采集到的脑电数据进行去噪预处理；采用低通滤波和高通滤波相结合方式去除脑电波中含有的环境噪声和生物信号噪声；这里的生物信号噪声，比如在采集脑电的过程中，容易同时采集到与脑电距离相近的眼电，因此还需进行去眼电滤波。
这里的大数据来源分为两部分：一部分为自采脑电数据；另一部分来自https://vitaldb.net，vitaldb开源麻醉数据库。
步骤2、对预处理后的脑电数据进行10秒加窗计算，根据每个窗口的数据计算出样本熵、排列熵、小波熵、爆发抑制率和边缘频率参数；
其中通过对样本熵、排列熵和小波熵进行权重分配，合并计算出数据的信号复杂度指数，并输出；依据对爆发抑制率的计算得到爆发抑制率参数；
对已做好预处理的脑电数据，进行加窗计算，这里优选采用10秒窗口，通过每个窗口中的数据计算出所有参数并输出。随着每个新脑电数据输入，10秒窗口向后推移，每个参数也随之增加长度，以进行实时参数输出。
步骤3、将步骤2中所得五个参数全部输入所建立的支持向量机SVC模型中进行训练，得到BIS指数，并输出BIS指数、爆发抑制率和信号复杂度指数。
本发明可以实现脑电数据的高实时性与高精度并存，可以实现麻醉深度指数BIS计算数据窗口为10秒窗，相较于现有技术所沿用的30秒窗口有了较大提升。本发明选用熵参数作为双谱域参数的替代，选用多个计算简单同时特征覆盖面广的参数组来描述麻醉深度，提高了实时性，加速了实施处理速度，可以有效检出脑电在不同麻醉深度的特征，保证了麻醉深度计算的精确性。
五个参数的计算方法分别如下：
(1)脑电样本熵的计算方法：
在所采集的N个脑电数据组成的时间序列中，按序号组成一组维数为m的向量序列，向量Xm(i)、Xm(j)分别为N个脑电数据组成的数组的子序列。在两个定义向量Xm(i)和Xm(j)之间，若给定Xm(i)，统计Xm(i)到Xm(j)之间向量距离小于r的j数量，记为Bi：
给定阈值r(r>0)，统计d[Xm(i)，Xm(j)]<r的数目，并与总的矢量个数N-m的比值
并对上式得到的结果求平均，即，定义
增加维数到m+1，对Bi m+1(r)和Bm+1(r)再次进行运算，计算脑电波样本熵为：
(2)脑电排列熵的计算方法：
对所采集的脑电数据的时间序列X进行相空间重构(相空间大小记为m)，得到矩阵，矩阵中的每一行都是一个相空间长度的序列；
对矩阵中的每一行按升序重新排列，排序后记录该行排序前的下标顺序得到一组符号序列，m维相空间映射有m！种不同的符号序列；
将每一种符号序列出现的概率记为P1，P2，...Pk，按照信息熵的定义，时间序列X(i)的k种不同符号序列的排列熵定义为PE(m)＝-∑PjlnPj
(3)脑电小波熵的计算方法是：
j为小波分解层数。在j的范围中，Cj(k)为分解系数，并有小波能量
Lj为Cj(k)的个数。
因此，信号的总能量为：
相对小波能量为：
最后计算出小波熵为：
(4)脑电爆发抑制率的计算方法是：
将脑电数据中相邻波峰波谷之差<5μV，且持续时间>0.5s时判定为爆发前的抑制；
记录脑电数据中相邻波峰波谷之差<5μV的连续数据数量，并将此波峰波谷之间的这段数据以1表示；
记录脑电数据中相邻波峰波谷之差>5μV的连续数据数量，并将此波峰波谷之间的这段数据以0表示；
将所有数据以1和0表示后，1为抑制部分数据，0为其他部分。对脑电数据进行无重叠加窗计算，计算所有窗口中抑制部分数据量总和占总窗口中所有数据量的百分比，得到脑电波爆发抑制率。即：
BSR＝窗口中抑制部分数据量/窗口中总数据量*100％。
(5)脑电边缘频率的计算方法是：
绘制脑电数据的fft频谱图，计算频谱数据下方90％或95％的频谱总面积，并得到频谱总面积所对应的频率，即得边缘频率。
先用fft函数计算出magRD，fRD；
计算出总频谱面积
smMag＝sum(magRD(1:round(length(magRD)/2)).^2)；
设curSum＝0；
for i＝1:len
curSum＝curSum+magRD(i)^2；
当curSum>smMag*0.95时，输出dataSEF＝fRD(i-2)。
本发明采用样本熵、排列熵、小波熵、爆发抑制率和边缘频率五个参数进行融合，经所建立的支持向量机SVC训练模型进行计算后得到了BIS指数、爆发抑制率和信号复杂度指数，有助于医生根据所得参数对麻醉深度作出准确判断。同时，利用输出的信号复杂度指数数值以及爆发抑制率数值，在术中实时监测场景设备中嵌入本发明分析方法，具有很好的实际应用效果。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于DR系统的骨密度校正和测量的方法