專利名稱：一種非線性腦電信號(hào)分析方法以及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種腦電信號(hào)分析方法和裝置來識(shí)別腦狀態(tài)，特別涉及一種對(duì)腦電序列的預(yù)處理和排序熵的分析方法和裝置。
背景技術(shù)：
腦電信號(hào)表達(dá)大腦神經(jīng)細(xì)胞的電活動(dòng)，直接反映腦組織的電生理活動(dòng)和大腦的功能狀態(tài)。研究表明，通過對(duì)腦電信號(hào)的深入分析，可以識(shí)別不同的大腦狀態(tài)。當(dāng)前，腦電信號(hào)分析的主要方法有時(shí)域分析、頻域分析、時(shí)頻分析、信息熵和非線性動(dòng)力學(xué)等。概述如下(1)時(shí)域分析法直接從時(shí)域提取特征，是最早發(fā)展起來的方法，它直觀性強(qiáng)，物理意義比較明確，因此目前仍有不少使用，主要用來直接提取波形特征，進(jìn)行峰值檢測(cè)、直方圖分析、方差分析等。實(shí)驗(yàn)證明這些參數(shù)與腦狀態(tài)存在著一定的相關(guān)性。然而，由于腦電信號(hào)測(cè)量的個(gè)體差異性的影響，EEG的幅值不能直接反映腦電活動(dòng)，使這些傳統(tǒng)的腦電時(shí)域參數(shù)在實(shí)際中很少應(yīng)用。(2)采用快速傅立葉變換及在此基礎(chǔ)上發(fā)展起來的頻域分析，主要包括δ率、中心頻率(Medium power frequency, MPF)、邊緣頻率(Spectral edge frequency, SEF)等參數(shù)。S率是指EEG功率譜中δ波段(0.5-3. 75Hz)功率與α波段(8. 0-13. 5Hz)和β波段(13. 75-30. OHz)功率之和的比值，即慢波功率與快波功率之比，MPF和SEF分別是EEG功率譜中達(dá)到總功率的50%和95%時(shí)對(duì)應(yīng)的頻率。大量研究證實(shí)MF和SEF與腦狀態(tài)有密切關(guān)系；然而，這些參數(shù)同樣在不同個(gè)體間存在差異性。(3)腦電信號(hào)是時(shí)變、非平穩(wěn)信號(hào)，單純的時(shí)域或頻域表示都不能準(zhǔn)確的表達(dá)信號(hào)，只有把時(shí)間和頻率結(jié)合起來進(jìn)行處理，才能更好的從腦電信號(hào)中提取有用信息。時(shí)頻方法在時(shí)域和頻域同時(shí)具有良好的局部化分析以及其它一些重要性質(zhì)，所以在腦電信號(hào)分析中受到重視。常用的時(shí)頻方法有短時(shí)傅里葉變換、小波變換等，它們可以更好的揭示腦電信號(hào)的時(shí)頻分布特性，進(jìn)而研究大腦神經(jīng)振蕩的相關(guān)動(dòng)力學(xué)特性，但如何從中提取有用的腦電特征以描述腦狀態(tài)的變換，尚需進(jìn)一步的研究。(4)熵是系統(tǒng)無(wú)序性(即混亂度)的一種度量。aiarmon熵根據(jù)已知幅值的概率分布預(yù)測(cè)將來值，計(jì)算直接方便，但它未對(duì)EEG總功率取歸一化，這樣也存在個(gè)體間差異性問題。傅里葉譜熵通過對(duì)信號(hào)計(jì)算功率譜得到，芬蘭Datex-Ohmeda公司基于時(shí)頻均衡譜熵算法開發(fā)了商業(yè)化M-entropy模塊。然而，譜熵計(jì)算基于傅立葉變換，它更適合于分析線性平穩(wěn)信號(hào)，而并不能準(zhǔn)確的估計(jì)腦電信號(hào)的瞬時(shí)特征。小波熵將小波分析和信息熵結(jié)合，其基本思想是把小波變換系數(shù)矩陣處理成一個(gè)概率分布序列，用該序列的熵值來反映這個(gè)矩陣的稀疏程度，即被分析信號(hào)概率分布的有序程度。雖然小波熵算法可以得到信號(hào)復(fù)雜度在時(shí)域上的動(dòng)態(tài)變化信息，但熵的概念是建立在概率的基礎(chǔ)上，如果分析的信號(hào)較短，則沒有統(tǒng)計(jì)意義。因此，小波熵在反映信號(hào)時(shí)變特性方面是比較粗糙的，只能做定性的研究。(5)近年來，隨著非線性動(dòng)力學(xué)的發(fā)展，越來越多的證據(jù)表明大腦是一個(gè)非線性系統(tǒng)，而腦電信號(hào)即是這個(gè)系統(tǒng)的輸出。因此，人們把一些非線性動(dòng)力學(xué)的方法應(yīng)用于腦電信號(hào)分析，如關(guān)聯(lián)維數(shù)、Lempel-Ziv復(fù)雜度、近似熵等。其中近似熵是一種常用的度量序列的復(fù)雜性方法，其特點(diǎn)是具有較好的抗干擾和抗噪的能力，對(duì)隨機(jī)信號(hào)或是確定性信號(hào)都可使用，因此適合用來分析生物信號(hào)。但是近似熵的計(jì)算則需要相對(duì)長(zhǎng)的、穩(wěn)態(tài)的、無(wú)噪的數(shù)據(jù)，因此不適合用于實(shí)際的腦電狀態(tài)監(jiān)控系統(tǒng)的需求。通過分析腦電信號(hào)，研究大腦的狀態(tài)變化仍然是起步階段。時(shí)域和頻域方法的應(yīng)用盡管能看到顯著的結(jié)果，但準(zhǔn)確率不高，另外這些方法應(yīng)用的前提是假設(shè)EEG為線性平穩(wěn)信號(hào)，而實(shí)際EEG信號(hào)是來自大腦這一非線性動(dòng)力學(xué)系統(tǒng)的非線性、非平穩(wěn)信號(hào)，因此信息熵和非線性動(dòng)力學(xué)方法得到了迅速發(fā)展，取得了較好的效果，然而這些分析方法還需要大量的研究來驗(yàn)證其有效性。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種非線性腦電信號(hào)分析方法和裝置，能夠更為準(zhǔn)確的對(duì)清醒和睡眠狀態(tài)下的腦電信號(hào)分析。本發(fā)明的技術(shù)方案如下一種非線性腦電信號(hào)分析方法，包括以下步驟步驟101，實(shí)時(shí)采集原始腦電信號(hào)；步驟102，對(duì)采集的腦電信號(hào)進(jìn)行分段；步驟103，分析各段腦電信號(hào)狀態(tài)并做預(yù)處理去除干擾；步驟104，計(jì)算各段腦電信號(hào)的排序熵，根據(jù)排序熵值的大小確定腦的活動(dòng)狀態(tài)。步驟102種采用移動(dòng)窗口技術(shù)對(duì)腦電信號(hào)分段。所述腦電信號(hào)分段的分段長(zhǎng)度選取10s，相鄰數(shù)據(jù)段重疊75%。步驟103中分析各段腦電信號(hào)狀態(tài)，如果腦電信號(hào)為清醒腦電信號(hào)，則對(duì)清醒腦電信號(hào)的預(yù)處理采取以下措施去除奇異信號(hào)；根據(jù)信號(hào)的統(tǒng)計(jì)特性確定閾值去除異常信號(hào)點(diǎn)或段；去除眼動(dòng)干擾；利用眼動(dòng)干擾信號(hào)的時(shí)域、頻域特征檢測(cè)其是否存在，存在的話應(yīng)用平穩(wěn)小波變換(SWT)設(shè)定閾值去除；去除白噪聲、基線漂移以及呼吸偽差；利用小波變換方法分解腦電信號(hào)，將最低頻帶系數(shù)置零以去除由于電極阻抗改變引起的基線漂移及呼吸偽差的影響，在其它頻帶上采用基于經(jīng)驗(yàn)貝葉斯估計(jì)的閾值化方法去除信號(hào)中含有的高斯白噪聲；去除肌電等干擾；用卡爾曼濾波器訓(xùn)練自適應(yīng)AR模型去除肌電信號(hào)以及其它瞬態(tài)高幅信號(hào)干擾；如果腦電信號(hào)為睡眠腦電信號(hào)，則對(duì)睡眠腦電信號(hào)的預(yù)處理采取以下措施去除奇異信號(hào)；根據(jù)信號(hào)的統(tǒng)計(jì)特性確定閾值去除異常信號(hào)點(diǎn)或段；去除白噪聲、基線漂移以及呼吸偽差；利用小波變換方法分解腦電信號(hào)，將最低頻帶系數(shù)置零以去除由于電極阻抗改變引起的基線漂移及呼吸偽差的影響，在其它頻帶上采用基于經(jīng)驗(yàn)貝葉斯估計(jì)的閾值化方法去除信號(hào)中含有的高斯白噪聲。步驟104中腦電信號(hào)的排序熵計(jì)算采用以下方法①將腦電信號(hào)|x(i)，i = 1，2，···}嵌入到一個(gè)m維空間中=Xi = [x(i)， x(i+L),…，x(i+(m-l)L)]，其中m為嵌入維數(shù)，L為延遲；②將序列Xi中的元素按照增序排列[x(i+a_l)L) ^ χ(i+(J2-I)L)彡…彡x(i+(jm-l)L)]；當(dāng)序列中有元素相等，即x(i+(jn_l)L) = χ(i+(Ji2-DL)時(shí)，χ按照相應(yīng)的j的順序排序，即如果jn < ji2， x(i+(jn-l)U < χ(i+(Ji2-DL)；③將這個(gè)重構(gòu)序列看作一種符號(hào)序列，設(shè)每種符號(hào)出現(xiàn)的概率分別為P1,P2, ···&，其中K彡m!，那么時(shí)間序列{x(i)，i = 1，2，···}的排序熵定義為
KHp(Iit) = -^PjInPj
；=1當(dāng)Pj = 1/m ！時(shí)，Hp(m)取得最大值In (m ！)，據(jù)此將Hp(m)規(guī)一化，表示為0 ^ Hp = Hp/In (m ！)彡 1最終輸出排序熵值和繪制排序熵圖，根據(jù)排序熵值的大小估確定腦活動(dòng)狀態(tài)。一種非線性腦電信號(hào)分析裝置，包括用于實(shí)時(shí)采集原始腦電信號(hào)的采集模塊；用于對(duì)腦電信號(hào)分段的分段模塊；用于分析各段腦電信號(hào)狀態(tài)并做預(yù)處理去除干擾的預(yù)處理模塊；用于計(jì)算各段腦電信號(hào)的排序熵，根據(jù)排序熵值的大小確定腦的活動(dòng)狀態(tài)的計(jì)算確定模塊。所述分段模塊采用移動(dòng)窗口技術(shù)對(duì)腦電信號(hào)進(jìn)行分段。所述腦電信號(hào)分段的分段長(zhǎng)度選取10s，相鄰數(shù)據(jù)段重疊75%。所述預(yù)處理模塊分析各段腦電信號(hào)狀態(tài)，如果腦電信號(hào)為清醒腦電信號(hào)，則對(duì)清醒腦電信號(hào)進(jìn)行如下預(yù)處理根據(jù)信號(hào)的統(tǒng)計(jì)特性確定閾值去除異常信號(hào)點(diǎn)或段；利用眼動(dòng)干擾信號(hào)的時(shí)域、頻域特征檢測(cè)其是否存在，存在的話應(yīng)用平穩(wěn)小波變換(SWT)設(shè)定閾值去除； 利用小波變換方法分解腦電信號(hào)，將最低頻帶系數(shù)置零以去除由于電極阻抗改變引起的基線漂移及呼吸偽差的影響，在其它頻帶上采用基于經(jīng)驗(yàn)貝葉斯估計(jì)的閾值化方法去除信號(hào)中含有的高斯白噪聲；用卡爾曼濾波器訓(xùn)練自適應(yīng)AR模型去除肌電信號(hào)以及其它瞬態(tài)高幅信號(hào)干擾；如果腦電信號(hào)為睡眠腦電信號(hào)，則對(duì)睡眠腦電信號(hào)進(jìn)行如下預(yù)處理去除奇異信號(hào)；根據(jù)信號(hào)的統(tǒng)計(jì)特性確定閾值去除異常信號(hào)點(diǎn)或段；去除白噪聲、基線漂移以及呼吸偽差；利用小波變換方法分解腦電信號(hào)，將最低頻帶系數(shù)置零以去除由于電極阻抗改變引起的基線漂移及呼吸偽差的影響，在其它頻帶上采用基于經(jīng)驗(yàn)貝葉斯估計(jì)的閾值化方法去除信號(hào)中含有的高斯白噪聲。所述計(jì)算確定模塊對(duì)腦電信號(hào)的排序熵計(jì)算為①將腦電信號(hào)|x(i)，i = 1，2，···}嵌入到一個(gè)m維空間中=Xi = [x(i)， x(i+L),…，x(i+(m-l)L)]，其中m為嵌入維數(shù)，L為延遲；②將序列Xi中的元素按照增序排列[x(i+a_l)L) ^ χ(i+(J2-I)L) x(i+(jm-l)L)]；當(dāng)序列中有元素相等， 即x(i+(jn_l)L) = χ(i+(Ji2-DL)時(shí)，χ按照相應(yīng)的j的順序排序，即如果jn < ji2， x(i+(jn-l)U < χ(i+(Ji2-DL)；③將這個(gè)重構(gòu)序列看作一種符號(hào)序列，設(shè)每種符號(hào)出現(xiàn)的概率分別為P1,P2, ···&，其中K彡m!，那么時(shí)間序列{x(i)，i = 1，2，···}的排序熵定義為
Hp(Tn) = -YjPjXrJyi
；=1當(dāng)Pj = 1/m ！時(shí)，Hp(m)取得最大值In (m ！)，據(jù)此將Hp(m)規(guī)一化，表示為0 ^ Hp = Hp/In (m ！)彡 1最終輸出排序熵值和繪制排序熵圖，根據(jù)排序熵值的大小估確定腦活動(dòng)狀態(tài)。本發(fā)明可用于大腦不同認(rèn)知功能活動(dòng)、生理狀態(tài)情況下的腦電信號(hào)分析，尤其可以應(yīng)用于研究睡眠腦活動(dòng)的變化等。本發(fā)明的方法和裝置與現(xiàn)有方法相比，有益效果(1)排序熵從相空間的角度出發(fā)，對(duì)腦電信號(hào)的結(jié)構(gòu)變化的模式進(jìn)行統(tǒng)計(jì)分析，揭示腦電信號(hào)的不確定性、穩(wěn)定程度和信息量。(2)本發(fā)明是從腦電信號(hào)的復(fù)雜性特征出發(fā)進(jìn)行分析的，該方法在本質(zhì)上與腦電信號(hào)的特點(diǎn)吻合。(3)排序熵將腦電序列映射為符號(hào)序列并恰當(dāng)?shù)谋硎竞头治觯拍詈?jiǎn)單、計(jì)算速度快，抗噪能力強(qiáng)。


圖1為本發(fā)明的方法工作流程示意圖。圖2A為從慢波睡眠狀態(tài)(SWS)到快速眼動(dòng)睡眠狀態(tài)(REM)轉(zhuǎn)換期間的原始腦電信號(hào)。圖2B為圖2A的腦電信號(hào)預(yù)處理后計(jì)算的排序熵。圖3A為快速眼動(dòng)睡眠狀態(tài)(REM)到清醒狀態(tài)(AWK)轉(zhuǎn)換期間的原始腦電信號(hào)。圖;3B為圖3A的腦電信號(hào)預(yù)處理后計(jì)算的排序熵。圖4A是在清醒狀態(tài)下采集的一段長(zhǎng)10秒的含噪腦電信號(hào)。圖4B是應(yīng)用步驟3中所述的預(yù)處理方法對(duì)圖4A的腦電信號(hào)處理的結(jié)果。圖 5 為 m = 3 和 L = 1，2，3，4，5(即 PE(3，1)，PE (3，2)，PE (3，3)，PE (3，4)，PE (3， 5))時(shí)，SWS和REM狀態(tài)下的排序熵的比較結(jié)果(左列)，以及REM和AWK狀態(tài)下的排序熵的比較結(jié)果(右列)。圖6是本發(fā)明分析裝置的結(jié)構(gòu)框圖。
具體實(shí)施例方式下面結(jié)合附圖和一個(gè)具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。圖1為本發(fā)明的方法工作流程示意圖。首先是步驟101，采集腦電信號(hào)。本實(shí)施例對(duì)4只大鼠進(jìn)行了腦電信號(hào)采集，采樣頻率是128Hz。圖2A為一例從慢波睡眠狀態(tài)(SWS) 到快速眼動(dòng)睡眠狀態(tài)(REM)轉(zhuǎn)換期間的腦電信號(hào)。圖3A為一例快速眼動(dòng)睡眠狀態(tài)(REM) 到清醒狀態(tài)(AWK)轉(zhuǎn)換期間的腦電信號(hào)。在步驟102，采用移動(dòng)窗口技術(shù)對(duì)采集的腦電信號(hào)數(shù)據(jù)進(jìn)行分段處理。為了實(shí)時(shí)跟蹤大腦狀態(tài)的變化，需要對(duì)腦電信號(hào)進(jìn)行分段處理。在此實(shí)施例中， 對(duì)上述腦電數(shù)據(jù)分段，分段長(zhǎng)度選取10s，即N = 1觀0(采樣頻率U8Hz)，相鄰數(shù)據(jù)段重疊 75%進(jìn)行數(shù)據(jù)分析。
在步驟103，對(duì)分段腦電信號(hào)進(jìn)行預(yù)處理。預(yù)處理前須判斷腦電信號(hào)所處的狀態(tài)。通過腦電中肌電分量的存在性來判斷大鼠處于清醒還是意識(shí)消失的睡眠狀態(tài)。肌電分量的出現(xiàn)表明大鼠可對(duì)外部激勵(lì)產(chǎn)生響應(yīng)，清醒時(shí)這種響應(yīng)會(huì)比較顯著，而進(jìn)入睡眠后這種響應(yīng)會(huì)減弱。本實(shí)施例借助時(shí)頻均衡譜熵算法來實(shí)現(xiàn)失意時(shí)刻的檢測(cè)。該算法分別測(cè)定了反應(yīng)熵與狀態(tài)熵，兩熵之差為肌電熵即反映了肌電活動(dòng)。通過監(jiān)測(cè)腦電信號(hào)中肌電熵的變化，當(dāng)熵值低于某一閾值時(shí)，即判斷此時(shí)大鼠由清醒轉(zhuǎn)入失意狀態(tài)，然后在此前后將采用不同的預(yù)處理方案。若大鼠處于清醒期，則對(duì)腦電信號(hào)采取如下的預(yù)處理措施①去除奇異信號(hào)；具體可根據(jù)信號(hào)的統(tǒng)計(jì)特性，如均值、方差等確定閾值去除異常信號(hào)點(diǎn)或段；②去除眼動(dòng)干擾；眼動(dòng)干擾信號(hào)表現(xiàn)為高幅慢波，其頻率范圍一般在2-16HZ。先利用時(shí)頻域的一些特征檢測(cè)是否存在眼動(dòng)干擾，再應(yīng)用平穩(wěn)小波變換(SWT)設(shè)定閾值去除眼動(dòng)干擾；③去除白噪聲和基線漂移以及呼吸偽差；基于小波變換的方法將信號(hào)分解到不同頻帶，將最低頻帶 (0-0. 8Hz)系數(shù)置零以去除由于電極阻抗改變引起的基線漂移以及呼吸偽差，在其它頻帶上采用基于經(jīng)驗(yàn)貝葉斯估計(jì)的閾值化方法，去除腦電信號(hào)中可能含有的高斯白噪聲；④去除肌電等干擾；肌電信號(hào)通常表現(xiàn)為高頻瞬態(tài)大幅度特征，頻率范圍為32-47HZ，用卡爾曼濾波器訓(xùn)練的自適應(yīng)的AR模型可有效去除肌電信號(hào)以及其它瞬態(tài)大幅度信號(hào)干擾。若大鼠腦電信號(hào)處于睡眠狀態(tài)，僅采用清醒時(shí)預(yù)處理措施的第①和③措施，即無(wú)需檢測(cè)和去除眼動(dòng)和肌電干擾。圖4A是在清醒狀態(tài)下采集的一段長(zhǎng)10秒的含噪腦電信號(hào)，圖4B是應(yīng)用步驟103 中所述的預(yù)處理方法對(duì)圖4A的腦電信號(hào)處理的結(jié)果。在步驟104，通過計(jì)算排序熵來描述腦狀態(tài)，其具體細(xì)節(jié)如下將每一段腦電信號(hào){x(i), i = 1,2, ···}嵌入到一個(gè)m維空間中=Xi = [x(i), x(i+L), ...，x(i+(m-l)L)]。其中m為嵌入維數(shù)，L為延遲。對(duì)序列Xi中的元素按照增序排列[x(i+a-l)L) ^ χ(i+(J2-I)L)彡… ^ χ (i+(Jffl-DL) J0 當(dāng)有數(shù)相等，即 x(i+(jn-l)L) = χ (i+(Ji2-I)L)時(shí)，χ 按照相應(yīng)的 j 的順序排序，即如果jn < ji2，那么χ (i+ (Jil-I) U <x (i+ (ji2-l) L)。那么任意向量\都能唯一的映射為(J: J2,…丄)。對(duì)于m個(gè)符號(hào)(1，2，…m)可能最多有m ！種排列方式。顯然，在m維空間中的每個(gè)向量&，都能被映射為m ！種排列方式中的一種。令每種排列方式出現(xiàn)的概率為P1, P2, ···&，其中K彡m!。那么時(shí)間序列|x(i)，i = 1，2，···}的排序熵為:
KHp(Iit) = -^PjInPj
；=1這里舉一個(gè)例子來說明排序熵的計(jì)算。如χ = {4，7，9，10，6，11，3}，取111 = 3丄=
1，可重構(gòu)序列到相空間 X =
47979109106106116113
將其每一行中的數(shù)據(jù)按增序進(jìn)行排列并映射為符號(hào)，則各行依次可表示為012， 012，120，102，120，那么共有5種排列，且排列號(hào)012的次數(shù)為2次，排列號(hào)120的次數(shù)為2
次，排列號(hào)102的次數(shù)為1次，因此排序熵為
權(quán)利要求
1.一種非線性腦電信號(hào)分析方法，其特征在于，包括以下步驟 步驟101，實(shí)時(shí)采集原始腦電信號(hào)；步驟102，對(duì)采集的腦電信號(hào)進(jìn)行分段；步驟103，分析各段腦電信號(hào)狀態(tài)并做預(yù)處理去除干擾；步驟104，計(jì)算各段腦電信號(hào)的排序熵，根據(jù)排序熵值的大小確定腦的活動(dòng)狀態(tài)。
2.根據(jù)權(quán)利要求1所述的一種非線性腦電信號(hào)分析方法，其特征在于，步驟102種采用移動(dòng)窗口技術(shù)對(duì)腦電信號(hào)分段。
3.根據(jù)權(quán)利要求2所述的一種非線性腦電信號(hào)分析方法，其特征在于，所述腦電信號(hào)分段的分段長(zhǎng)度選取10s，相鄰數(shù)據(jù)段重疊75%。
4.根據(jù)權(quán)利要求1或2所述的一種非線性腦電信號(hào)分析方法，其特征在于，步驟103中分析各段腦電信號(hào)狀態(tài)，如果腦電信號(hào)為清醒腦電信號(hào)，則對(duì)清醒腦電信號(hào)的預(yù)處理采取以下措施去除奇異信號(hào)；根據(jù)信號(hào)的統(tǒng)計(jì)特性確定閾值去除異常信號(hào)點(diǎn)或段； 去除眼動(dòng)干擾；利用眼動(dòng)干擾信號(hào)的時(shí)域、頻域特征檢測(cè)其是否存在，存在的話應(yīng)用平穩(wěn)小波變換設(shè)定閾值去除；去除白噪聲、基線漂移以及呼吸偽差；利用小波變換方法分解腦電信號(hào)，將最低頻帶系數(shù)置零以去除由于電極阻抗改變引起的基線漂移及呼吸偽差的影響，在其它頻帶上采用基于經(jīng)驗(yàn)貝葉斯估計(jì)的閾值化方法去除信號(hào)中含有的高斯白噪聲；去除肌電干擾；用卡爾曼濾波器訓(xùn)練自適應(yīng)AR模型去除肌電信號(hào)以及瞬態(tài)高幅信號(hào)干擾；如果腦電信號(hào)為睡眠腦電信號(hào)，則對(duì)睡眠腦電信號(hào)的預(yù)處理采取以下措施 去除奇異信號(hào)；根據(jù)信號(hào)的統(tǒng)計(jì)特性確定閾值去除異常信號(hào)點(diǎn)或段； 去除白噪聲、基線漂移以及呼吸偽差；利用小波變換方法分解腦電信號(hào)，將最低頻帶系數(shù)置零以去除由于電極阻抗改變引起的基線漂移及呼吸偽差的影響，在其它頻帶上采用基于經(jīng)驗(yàn)貝葉斯估計(jì)的閾值化方法去除信號(hào)中含有的高斯白噪聲。
5.根據(jù)權(quán)利要求4所述的一種非線性腦電信號(hào)分析方法，其特征在于，步驟104中腦電信號(hào)的排序熵計(jì)算采用以下方法①將腦電信號(hào){x(i)，i = 1,2, ···}嵌入到一個(gè)m維空間中=Xi = [x(i), x(i+L),…，x(i+(m-l)L)]，其中m為嵌入維數(shù)，L為延遲；②將序列Xi中的元素按照增序排列[x(i+a_l)L) ^ χ(i+(J2-I)L) x(i+(jm-l)L)]；當(dāng)序列中有元素相等， 即x(i+(jn_l)L) = χ(i+(Ji2-DL)時(shí)，χ按照相應(yīng)的j的順序排序，即如果jn < ji2， x(i+(jn-l)U < χ(i+(Ji2-DL)；③將這個(gè)重構(gòu)序列看作一種符號(hào)序列，設(shè)每種符號(hào)出現(xiàn)的概率分別為P1,P2, ···&，其中K彡m!，那么時(shí)間序列{x(i)，i = 1，2，···}的排序熵定義為
6.一種非線性腦電信號(hào)分析裝置，其特征在于，包括 用于實(shí)時(shí)采集原始腦電信號(hào)的采集模塊；用于對(duì)腦電信號(hào)分段的分段模塊；用于分析各段腦電信號(hào)狀態(tài)并做預(yù)處理去除干擾的預(yù)處理模塊； 用于計(jì)算各段腦電信號(hào)的排序熵，根據(jù)排序熵值的大小確定腦的活動(dòng)狀態(tài)的計(jì)算確定模塊。
7.根據(jù)權(quán)利要求6所述的一種非線性腦電信號(hào)分析裝置，其特征在于，所述分段模塊采用移動(dòng)窗口技術(shù)對(duì)腦電信號(hào)進(jìn)行分段。
8.根據(jù)權(quán)利要求7所述的一種非線性腦電信號(hào)分析裝置，其特征在于，所述腦電信號(hào)分段的分段長(zhǎng)度選取10s，相鄰數(shù)據(jù)段重疊75%。
9.根據(jù)權(quán)利要求6或7所述的一種非線性腦電信號(hào)分析裝置，其特征在于，所述預(yù)處理模塊分析各段腦電信號(hào)狀態(tài)，如果腦電信號(hào)為清醒腦電信號(hào)，則對(duì)清醒腦電信號(hào)進(jìn)行如下預(yù)處理根據(jù)信號(hào)的統(tǒng)計(jì)特性確定閾值去除異常信號(hào)點(diǎn)或段；利用眼動(dòng)干擾信號(hào)的時(shí)域、頻域特征檢測(cè)其是否存在，存在的話應(yīng)用平穩(wěn)小波變換 (SWT)設(shè)定閾值去除；利用小波變換方法分解腦電信號(hào)，將最低頻帶系數(shù)置零以去除由于電極阻抗改變引起的基線漂移及呼吸偽差的影響，在其它頻帶上采用基于經(jīng)驗(yàn)貝葉斯估計(jì)的閾值化方法去除信號(hào)中含有的高斯白噪聲；用卡爾曼濾波器訓(xùn)練自適應(yīng)AR模型去除肌電信號(hào)以及瞬態(tài)高幅信號(hào)干擾； 如果腦電信號(hào)為睡眠腦電信號(hào)，則對(duì)睡眠腦電信號(hào)進(jìn)行如下預(yù)處理 去除奇異信號(hào)；根據(jù)信號(hào)的統(tǒng)計(jì)特性確定閾值去除異常信號(hào)點(diǎn)或段； 去除白噪聲、基線漂移以及呼吸偽差；利用小波變換方法分解腦電信號(hào)，將最低頻帶系數(shù)置零以去除由于電極阻抗改變引起的基線漂移及呼吸偽差的影響，在其它頻帶上采用基于經(jīng)驗(yàn)貝葉斯估計(jì)的閾值化方法去除信號(hào)中含有的高斯白噪聲。
10.根據(jù)權(quán)利要求9所述的一種非線性腦電信號(hào)分析裝置，其特征在于，所述計(jì)算確定模塊對(duì)腦電信號(hào)的排序熵計(jì)算為①將腦電信號(hào){x(i)，i = 1,2, ···}嵌入到一個(gè)m維空間中=Xi = [x(i), x(i+L),…，x(i+(m-l)L)]，其中m為嵌入維數(shù)，L為延遲；②將序列Xi中的元素按照增序排列[x(i+a_l)L) ^ χ(i+(J2-I)L) x(i+(jm-l)L)]；當(dāng)序列中有元素相等， 即x(i+(jn_l)L) = χ(i+(Ji2-DL)時(shí)，χ按照相應(yīng)的j的順序排序，即如果jn < ji2， x(i+(jn-l)U < χ(i+(Ji2-DL)；③將這個(gè)重構(gòu)序列看作一種符號(hào)序列，設(shè)每種符號(hào)出現(xiàn)的概率分別為P1,P2, ···&，其中K彡m!，那么時(shí)間序列{x(i)，i = 1，2，···}的排序熵定義為Hp(Tn) = -Y4PjXnPj；=1當(dāng)P」=1/m ！時(shí)，Hp (m)取得最大值ln(m ！)，據(jù)此將Hp (m)規(guī)一化，表示為 0 ^ Hp = Hp/In (m ！)彡 1最終輸出排序熵值和繪制排序熵圖，根據(jù)排序熵值的大小估確定腦活動(dòng)狀態(tài)。
全文摘要
本發(fā)明公開一種腦電信號(hào)分析方法和裝置來識(shí)別腦狀態(tài)，對(duì)采集的腦電信號(hào)進(jìn)行分段，分析各段腦電信號(hào)狀態(tài)并做預(yù)處理去除干擾；最后計(jì)算各段腦電信號(hào)的排序熵，根據(jù)排序熵值的大小確定腦的活動(dòng)狀態(tài)。本發(fā)明可用于大腦不同認(rèn)知功能活動(dòng)、生理狀態(tài)情況下的腦電信號(hào)分析，尤其可以應(yīng)用于研究睡眠腦活動(dòng)的變化等。本發(fā)明采用的排序熵從相空間的角度出發(fā)，對(duì)腦電信號(hào)的結(jié)構(gòu)變化的模式進(jìn)行統(tǒng)計(jì)分析，揭示腦電信號(hào)的不確定性、穩(wěn)定程度和信息量。
文檔編號(hào)A61B5/0476GK102488516SQ201110414388
公開日2012年6月13日 申請(qǐng)日期2011年12月13日 優(yōu)先權(quán)日2011年12月13日
發(fā)明者李小俚, 李段, 歐陽(yáng)高翔 申請(qǐng)人:湖州康普醫(yī)療器械科技有限公司