本發(fā)明涉及醫(yī)療測試領域，具體涉及一種基于獨立分量分析的腦電測量器及方法。

背景技術(shù)：

現(xiàn)有睡眠監(jiān)測腦電測量的共同缺點是需要在大腦的枕葉、頂葉和額葉等多個位置安放電極，這些位置上大量頭發(fā)的存在會阻礙電極與頭皮的接觸，給電極放置帶來了極大的挑戰(zhàn)。因此傳統(tǒng)的睡眠監(jiān)測腦電濕電極普遍需要使用導電膏，以減小頭發(fā)對電極接觸的影響，降低電極與皮膚之間的接觸電阻。這種濕電極最大的缺點在于，導電膏在一定時間內(nèi)易干掉，這顯然不利于心電和腦電信號的長期監(jiān)測。導電膏的使用通常會給病人的皮膚帶來刺激性而產(chǎn)生不舒適的感覺，枕葉安放金屬電極會給病人的正常睡眠帶來極大的影響。一般情況下還需要剪掉電極安放位置的頭發(fā)，病人的接受度普遍較低。同時，濕電極的安放需要專業(yè)的醫(yī)護人員進行，導致醫(yī)護人員工作量較大，病人的檢查費用較高，而且存在病人皮膚對導電膏或者電極固定膠帶過敏的風險。

干電極雖然可以避免導電膏的使用，但是也存在自身的缺點和局限性。電容式干電極的最大優(yōu)勢是可以隔著衣物記錄生物電勢信號，缺點是信噪比較小，容易受干擾。因此往往需要有較大電極面積，并且只能測量相對強度較大的信號(如心電信號的監(jiān)護)。因此，電容式干電極采集到的腦電信號信噪比較低，采集過程對病人翻身動作和呼吸動作都極為敏感，信號的抗干擾能力較差?；谖⒓{柱狀陣列的阻抗式干電極由于難以穿過毛發(fā)濃密的區(qū)域，因此很難用來提取頭皮腦電。毫米級或厘米級的柱子陣列干電極由于其大尺寸，可以有效穿過毛發(fā)，可以用于毛發(fā)區(qū)域。由于具有較大的接觸阻抗，這種電極往往在電極后部緊跟一個跟隨放大器，稱為有源干電極(active dry electrode)。針式電極的引入，阻抗式干電極往往在病人睡覺壓迫電極時會產(chǎn)生刺痛感；放大器的引入，會導致電極的實現(xiàn)成本較高，電路設計較為復雜，而且對病人的身體挪動極為敏感。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有技術(shù)中的上述不足，提供了一種基于獨立分量分析的腦電測量器。

為實現(xiàn)上述目的，本發(fā)明的具體方案如下：一種基于獨立分量分析的腦電測量器，用于綁在額頭上的松緊帶、放置在耳朵上的參考電極以及放置在耳朵上的接地電極；所述松緊帶設有若干個金屬電極。

本發(fā)明進一步設置為，相鄰兩個所述金屬電極的間距相等。

本發(fā)明進一步設置為，所述松緊帶設有粘扣。

利用權(quán)利要求1所述腦電測量器的一種測量腦電的方法，包括以下步驟：

A：將接地電極、參考電極以及松緊帶內(nèi)的金屬電極分別通過電極線接入相關的腦電采集設備，進行睡眠腦電的采集，從而得出不同位置的腦電、肌電混合信號；

B：采用獨立分量分析法對混合信號進行計算，分離得出包括腦電分量以及肌電的相互獨立的源信號；

C：采用自適應濾波對源信號進行濾波。

本發(fā)明進一步設置為，在步驟B中的獨立分量分析法，包括以下步驟：

S1：根據(jù)公式X＝[x₁(t),x₂(t),…x_k(t)]^T得出混合信號矩陣，其中k的取值為金屬電極的數(shù)量，x_i(t)[i＝1,2,…k]為不同金屬電極得到的觀察樣本；

S2：設置源信號矩陣S＝[s₁(t),s₂(t),…s_z(t)]^T，其中z為源信號的數(shù)量，s_i(t)[i＝1,2,…z]為相互獨立源信號，包括有肌電以及α波、β波等腦電分量；

S3：設置混合矩陣A，用以描述信號混合過程的特征；

S4：設置噪聲矩陣n；得出混合信號與源信號的關系X＝AS+n；

S5：設置分離系統(tǒng)矩陣W以及源信號S的估計值Y，得出關系Y＝WX；

S6：采用固定點算法算出W值，從而得出相互獨立的源信號s_i(t)[i＝1,2,…z]。

本發(fā)明進一步設置為，在步驟C中的自適應濾波，包括以下步驟：

K1：初始化權(quán)系數(shù)矢量w的初始值，設定為0；

K2：更新n＝0,1,2……，用公式e(n)＝d(n)-x^T(n)w(n)、w(n+1)＝w(n)+2μe(n)x(n)對權(quán)值進行計算；

K3：求得濾波權(quán)重系數(shù)w(n+1)，重復步驟K2，一直打到穩(wěn)態(tài)為止；

K4：按照公式對每個源信號進行濾波。

本發(fā)明的有益效果：本發(fā)明提出一種新的電極優(yōu)化方法，只需在額頭放置8個外表光滑的金屬電極，利用獨立分量分析和自適應濾波軟件算法分離記錄信號中的腦電成分和眼電成分，最后用分離得到的腦電和眼電進行睡眠的分析和評估。這種電極優(yōu)化方法避免了在大腦諸多位置放置大量電極，從根本上消除了電極安放對病人正常睡眠的影響；該發(fā)明提出的優(yōu)化方案將所有電極集中于額頭上，完全避免了頭發(fā)對電極接觸的影響，從而提高了睡眠監(jiān)測的信號質(zhì)量和結(jié)果的穩(wěn)定性。

附圖說明

利用附圖對發(fā)明作進一步說明，但附圖中的實施例不構(gòu)成對本發(fā)明的任何限制，對于本領域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明腦電測量器的結(jié)構(gòu)示意圖；

圖2是本發(fā)明測量腦電方法的流程圖；

圖3是本發(fā)明腦電成分分解的原理框圖；

圖4是本發(fā)明腦電成分去噪的示意圖；

圖5是本發(fā)明自適應橫向濾波器的結(jié)構(gòu)框圖；

其中：1-松緊帶；2-金屬電極；3-粘扣。

具體實施方式

結(jié)合以下實施例對本發(fā)明作進一步描述。

如圖1所示，本實施例所述的一種基于獨立分量分析的腦電測量器，用于綁在額頭上的松緊帶1、放置在耳朵上的參考電極以及放置在耳朵上的接地電極；所述松緊帶1設有若干個金屬電極2。本實施例所述的一種基于獨立分量分析的腦電測量器，相鄰兩個所述金屬電極2的間距相等。本實施例所述的一種基于獨立分量分析的腦電測量器，所述松緊帶1設有粘扣3。具體地，在使用的時候本實施例的腦電測量器需要與腦電采集設備連接，金屬電極2、參考電極以及接地電極將相關測量后傳輸至腦電采集設備當中，然后進行計算；其中金屬電極2的數(shù)量為8個，按照4X2的矩陣均勻分布在松緊帶1的中間，通過粘扣3使得松緊帶1綁在用戶的額頭上。

利用權(quán)利要求1所述腦電測量器的一種測量腦電的方法，包括以下步驟：

A：將接地電極、參考電極以及松緊帶1內(nèi)的金屬電極2分別通過電極線接入相關的腦電采集設備，進行睡眠腦電的采集，從而得出不同位置的腦電、肌電混合信號；

B：采用獨立分量分析法對混合信號進行計算，分離得出包括腦電分量以及肌電的相互獨立的源信號；

C：采用自適應濾波對源信號進行濾波。

本發(fā)明進一步設置為，在步驟B中的獨立分量分析法，包括以下步驟：

S1：根據(jù)公式X＝[x₁(t),x₂(t),…x_k(t)]^T得出混合信號矩陣，其中k的取值為金屬電極2的數(shù)量，x_i(t)[i＝1,2,…k]為不同金屬電極2得到的觀察樣本；

S2：設置源信號矩陣S＝[s₁(t),s₂(t),…s_z(t)]^T，其中z為源信號的數(shù)量，s_i(t)[i＝1,2,…z]為相互獨立源信號，包括有肌電以及α波、β波等腦電分量；

S3：設置混合矩陣A，用以描述信號混合過程的特征；

S4：設置噪聲矩陣n；得出混合信號與源信號的關系X＝AS+n；

S5：設置分離系統(tǒng)矩陣W以及源信號S的估計值Y，得出關系Y＝WX；

S6：采用固定點算法算出W值，從而得出相互獨立的源信號s_i(t)[i＝1,2,…z]。

本發(fā)明進一步設置為，在步驟C中的自適應濾波，包括以下步驟：

K1：初始化權(quán)系數(shù)矢量w0的初始值，設定為0；

K2：更新n＝0,1,2……，用公式e(n)＝d(n)-x^T(n)w(n)、w(n+1)＝w(n)+2μe(n)x(n)對權(quán)值進行計算；

K3：求得濾波權(quán)重系數(shù)wn+1，重復步驟K2，一直打到穩(wěn)態(tài)為止；

K4：按照公式對每個源信號進行濾波。

具體地，如圖2和圖3所示，在金屬電極2采集信息的時候，會采集到相關的肌電以及腦電分量，其中腦電分量包括有α波、β波等分量，而肌電與腦電分量在采集的時候會在混合矩陣A中混合在一起，同時，會有噪聲矩陣n進行干擾，此時，采用獨立分量分析法得出分離矩陣W，從而分離得到肌電以及腦電分量；而在尋找最優(yōu)分離矩陣W過程中，建立獨立判據(jù)函數(shù)G，比如非高斯性度量、互信息極小化、信息極大化及極大似然估計等判據(jù)，采用隨機梯度法、自適應算法、旋轉(zhuǎn)因子乘積算法等方法，尋找判據(jù)函數(shù)的最優(yōu)解。同時使用FastICA算法，又稱固定點(Fixed-Point)算法。FastICA算法本質(zhì)上是一種最小化估計分量互信息的神經(jīng)網(wǎng)絡方法，是利用最大熵原理來近似負熵，并通過一個合適的非線性函數(shù)G并使其達到最優(yōu)；從而得出分離矩陣W的值，根據(jù)公式Y(jié)＝WX即可以得到源信號s_i(t)[i＝1,2,…z]的估算值Y；

FastICA算法還可以利用最大熵原理估計最佳的源信號數(shù)目，因此本發(fā)明采用FastICA算法，先估計肌電和腦電分量的數(shù)目，然后分別得到每個分量對應的時域波形。本發(fā)明應用FastICA之前還做了以下處理，使得ICA的計算更加簡單：

1中心化：如果混合信號的各分量均值都為零，可以簡化ICA的計算，因此應用ICA算法前常常將觀測樣本中心化，使樣本的中心移至零點；

2白化：給定一組樣本，利用線性變換去除它們的相關性，得到一組互相獨立的樣本，并作為ICA的輸入，可以加快ICA算法的收斂速度。通常采用特征值分解的方法對信號進行白化；

3濾波：除了中心化和白化，有的場合還采用濾波器對混有不相干噪聲的觀測樣本進行濾波，以減小噪聲對結(jié)果的影響。

如圖4和圖5所示，自適應濾波主要包括參數(shù)可調(diào)的數(shù)字濾波器和自適應算法兩部分，其中x(n)稱為輸入信號，y(n)稱為輸出信號，d(n)稱為期望信號，e(n)為誤差信號，其中，e(n)＝d(n)-y(n)。這里，期望信號d(n)是根據(jù)不同用途來選擇的，自適應濾波器的輸出信號y(n)是對期望信號d(n)進行估計的，濾波參數(shù)受誤差信號e(n)的控制并自動調(diào)整，使輸出信號y(n)最接近期望信號d(n)。除e(n)之外，有時也要用到輸入信號x(n)對濾波器參數(shù)進行調(diào)整。自適應濾波器控制機理是用誤差序列e(n)按照某種準則和算法對其濾波器系數(shù)進行調(diào)節(jié)，最終使自適應濾波的目標函數(shù)最小化。在自適應算法中，最小均方算法Least Mean Square，LMS是運用最廣泛的一類算法。自適應橫向濾波器結(jié)構(gòu)框圖，它是一種具有可調(diào)節(jié)抽頭權(quán)系數(shù)的橫向濾波器，權(quán)系數(shù)w₁(n)，w₂(n)，…，w_M(n)表示在n時刻的值。

令權(quán)系數(shù)矢量：w(n)＝[w₁(n),w₂(n),…w_M(n)]^T，濾波器抽頭輸入信號矢量：x(n)＝[x(n),x(n-1),…x(n-M)]^T，因此，輸出信號y(n)為

誤差序列e(n)可以寫成e(n)＝d(n)-y(n)。LMS算法使用的準則是使濾波器的期望輸出值和實際輸出值之間的均方誤差(MSE)最小化的準則(數(shù)理統(tǒng)計中均方誤差是指參數(shù)估計值與參數(shù)真值之差平方的期望值，MSE的值越小，說明預測模型描述實驗數(shù)據(jù)具有更好的精確度)，即e(n)的平方值的期望值最小，并根據(jù)這個判據(jù)來修改權(quán)系數(shù)w(n)以達到最優(yōu)，即確定w(n)使目標函數(shù)的值最小。

最速下降法又稱梯度下降法，是一個最優(yōu)化迭代算法，它利用梯度信息分析自適應濾波性能和追蹤最佳濾波狀態(tài)?；谧钏傧陆捣ǖ腖MS算法的迭代公式如下：

w(n+1)＝w(n)+2μe(n)x(n)

此式為LMS算法最終表達式，式中，x(n)為自適應濾波器的輸入；d(n)為參考信號；e(n)為誤差；w(n)為權(quán)重系數(shù)；μ為步長。LMS算法收斂的條件為：0<μ<1/λ_max，λ_max是輸入信號自相關矩陣的最大特征值。在實際使用中，需要合理選擇步長參數(shù)μ,該參數(shù)將影響算法的收斂和失調(diào)性能。

基于以上推導過程，LMS自適應濾波算法對腦電分量進行去噪的流程如下：

步驟1：初始化權(quán)系數(shù)矢量w(0)為任意初始值，一般可以設為0；

步驟2：更新n＝0,1,2……，用下面兩個公式對權(quán)值進行計算：

e(n)＝d(n)-x^T(n)w(n)

w(n+1)＝w(n)+2μe(n)x(n)

步驟3：求得濾波權(quán)重系數(shù)w(n+1)，重復步驟2，一直到達穩(wěn)態(tài)為止。

步驟4：按照公式對ICA算法得到的每一個分量進行濾波，從而進一步去除環(huán)境噪聲、自發(fā)腦電等干擾。

最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術(shù)人員應當理解，可以對發(fā)明的技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實質(zhì)和范圍。