專利名稱：用于實時監(jiān)測的大腦電位非線性趨勢圖形的生成方法
技術領域：
本發(fā)明公開了一種利用計算機技術和非線性動力學分析方法實現(xiàn)用于實時監(jiān)測的大腦電位非線性趨勢圖形的生成方法。它涉及一種大腦電位非線性趨勢圖的生成方法。
背景技術：
傳統(tǒng)腦電圖分析手段歸納起來可分為兩大類時域分析和頻域分析。時域分析包括波幅、頻率、時程、瞬態(tài)分布和曲線下面積等，主要反映腦電信號的幾何性質。頻域分析表現(xiàn)腦電信號數(shù)據(jù)隨頻率變化的規(guī)律和所反映的信息，其核心為基于(快速)傅立葉變換的各頻段功率譜估計，包括功率譜、相干等。傅立葉變換要求信號是確定的并且平穩(wěn)的，而腦電信號中存在著許多突發(fā)的、瞬態(tài)的信號(如棘波等)，這種情況下譜分析反映較差。近年來，利用混沌與分形理論等非線性動力學原理和方法來研究和分析大腦的功能活動狀態(tài)，已經(jīng)成為大腦功能研究的新熱點。研究表明EEG信號起源于一個高度的非線性系統(tǒng)；腦電活動具有確定性混沌特性。非線性動力學分析可以提供線性分析不能獲得的、有關神經(jīng)網(wǎng)絡功能的信息，能提供大腦功能活動變化軌跡的情況。因此非線性動力學方法更適合監(jiān)測腦電活動中所包含的意識認知變化信息，它代表了腦電信號分析方法的未來發(fā)展方向。目前，由于非線性動力學分析需要進行大量數(shù)據(jù)的復雜分析，難以實現(xiàn)實時分析，也缺乏實時反映長時間過程的分析方法。

發(fā)明內容
本發(fā)明針對現(xiàn)有技術的不足，提供了一種利用計算機技術和非線性動力學分析方法實現(xiàn)用于實時監(jiān)測的大腦電位非線性趨勢圖形的生成方法。它從頭皮不同部位采集原始腦電信息，經(jīng)過A/D轉換為數(shù)字化腦電信息，按照非線性動力學原理，運用時間序列重構系統(tǒng)在狀態(tài)空間中的軌道，將各導聯(lián)數(shù)字化腦電信息轉換為反映當前非線性動力學特性的關聯(lián)維數(shù)、復雜度和近似熵非線性指數(shù)，該轉換在1秒之內完成，利用時間序列的非線性指數(shù)繪制出非線性趨勢圖，來反映整個過程的非線性動力學特性變化情況。本發(fā)明可運用于麻醉過程中麻醉深度的實時監(jiān)測，為麻醉過程提供準確實時的麻醉深度變化情況，為麻醉醫(yī)師采取適當措施提供客觀依據(jù)；進行麻醉藥物效果評價，以及研究麻醉藥物在腦內的分布、對大腦高級功能產(chǎn)生影響情況等。還可用于大腦認知功能活動、不同生理狀態(tài)、各種癡呆狀態(tài)、精神疾病以及神經(jīng)康復等情況下的EEG信號分析。
為了達到上述技術效果，本發(fā)明采用以下的步驟(1)從頭皮不同部位采集原始腦電信息；(2)將采集到的原始腦電信號進行A/D轉換為數(shù)字化信息，濾除各種干擾并存于存儲器中；(3)運用時間序列重構各導聯(lián)腦電信號在狀態(tài)空間中的軌道；(4)在關聯(lián)維數(shù)、復雜度和近似熵三種腦電非線性動力學分析方法中選擇一種進行分析；(5)對緩沖于存儲器中的腦電信息進行遞推處理，重構包含遞推信息的新的向量集；(6)對經(jīng)過遞推處理后的向量集分別按所選腦電非線性動力學分析方法，使用簡化和優(yōu)化的方法，進行關聯(lián)維數(shù)的計算；選擇適當和優(yōu)化的參數(shù)，進行復雜度和近似熵的計算，實現(xiàn)實時分析；(7)利用時間序列的關聯(lián)維數(shù)、復雜度和近似熵非線性指數(shù)，反映當前非線性動力學特性，按時間順序繪制出大腦電位非線性趨勢圖形——非線性趨勢圖，來反映整個過程的非線性動力學特性變化情況；(8)存儲并輸出所得到的非線性指數(shù)和非線性趨勢圖。
所述的對腦電信息進行遞推處理采取以下的方法在重構系統(tǒng)狀態(tài)空間中的軌道之前，對緩沖于存儲器中的腦電信號V(i)進行遞推處理，將腦電信號序列X(i)＝(x(1)，x(2)，x(3)，...，x(N))經(jīng)過遞推處理后，轉換成新的向量集V(i)=X(i-k)X(i-k+1)···X(i)]]>其中k＝m/N，0≤k≤i其中m為遞推長度，每次處理的數(shù)據(jù)中均為經(jīng)過遞推處理后的腦電信號序列，這樣就保證了處理結果的連貫性；處理完畢后，將緩存中的V(i)原始腦電信號序列移動到緩存中的V(i-1)處。
所述的關聯(lián)維數(shù)的計算采取以下的方法關聯(lián)維數(shù)D2的計算通過被研究的時間序列重建系統(tǒng)在狀態(tài)空間中的軌道通過延遲時間嵌入的方法實現(xiàn)重構M維向量V(i)，L延遲時間，M為嵌入維數(shù)V(i)＝(x(i)，x(i+L)，x(i+2×L)，...，x(i+(M-1)×L))其中關聯(lián)積分的計算C(r)=1NrefΣi=1Nref1N-iΣj>iNθ(r-||V(j)-V(i)||)]]>其中θ是Heavside函數(shù)如果x＜0，θ(x)＝0；如果x≥0，θ(x)＝1；Nref為參考點的數(shù)目；找出logC(r)/log(r)之間的線性部分，求出該部分擬合直線的斜率，該斜率即為關聯(lián)維數(shù)D2D2=limr→0logC(r)log(r)]]>所述的復雜度和近似熵的計算采取以下的方法復雜度的計算按照Kasper和Schuster的算法進行計算；近似熵的計算按照Pincus的算法進行計算；為了實現(xiàn)實時處理，復雜度和近似熵的計算數(shù)據(jù)長度采取250-1000數(shù)據(jù)點，并選擇額顳部導聯(lián)進行實時分析。這樣，對計算中所使用的使16導長度為每導500個數(shù)據(jù)的腦電信號可以在0.5秒之內完成計算(使用P4 1.7G、128兆內存的計算機)，完全達到了實時分析的要求。
所述的非線性指數(shù)的產(chǎn)生和非線性趨勢圖的繪制采取以下的方法
按上述方法計算出的關聯(lián)維數(shù)、復雜度和近似熵，按照遞推處理方法，對于結果Ri有 其中，n的取值范圍在m/N～50之間；利用實時計算出的關聯(lián)維數(shù)、復雜度和近似熵的非線性指數(shù)，反映當前非線性動力學特性。再按非線性指數(shù)與時間的關系實時繪制出大腦電位非線性趨勢圖形，來反映整個過程的非線性動力學特性變化情況。
本發(fā)明與現(xiàn)有技術相比有益的效果是由本發(fā)明獲得的非線性指數(shù)和非線性趨勢圖，實現(xiàn)了非線性動力學的實時分析；能夠實時反映所測腦電信號的非線性動力學特性的變化，能夠方便地了解整個觀察過程的非線性動力學特性的變化趨勢；有助于我們了解腦電信號中所包含的復雜信息，全面反映腦電動態(tài)變化過程；另外，借助非線性指數(shù)和非線性趨勢圖，可運用于麻醉過程中麻醉深度的實時監(jiān)測，為麻醉過程提供準確實時的麻醉深度變化情況，為麻醉醫(yī)師采取適當措施提供客觀依據(jù)；進行麻醉藥物效果評價，以及研究麻醉藥物在腦內的分布、對大腦高級功能產(chǎn)生影響情況；研究麻醉狀態(tài)下大腦功能活動尤其是意識認知等原始腦電信息的變化規(guī)律。還可用于大腦認知功能活動、不同生理狀態(tài)、各種癡呆狀態(tài)、精神疾病以及神經(jīng)康復等情況下的EEG信號分析。


圖1是本發(fā)明的工作流程示意圖。
圖2(a)麻醉過程開始前安靜閉眼腦電信號波形；圖2(b)麻醉過程全麻狀態(tài)下腦電信號波形；圖2(c)麻醉復蘇過程腦電信號波形；圖3(a)麻醉過程開始前安靜閉眼狀態(tài)下非線性指數(shù)和非線性趨勢圖；圖3(b)麻醉過程全麻狀態(tài)下非線性指數(shù)和非線性趨勢圖；具體實施方式
下面結合附圖和具體實施方式
對本發(fā)明作進一步的詳細說明。
圖1顯示了本發(fā)明的工作流程。本發(fā)明使用多導生理信號采集分析系統(tǒng)，按照國際標準導聯(lián)10～20系統(tǒng)在接受麻醉的病人頭皮安放FP1(左前額)、FP2(右前額)、T3(左顳)、T4(右顳)、C3(左頂)、C4(右頂)、O1(左枕)、O2(右枕)8導電極，以雙耳垂為參考。記錄接受麻醉的病人從開始接受麻醉到手術結束麻醉復蘇的全過程。原始腦電信息采樣頻率為500或1000Hz，模/數(shù)轉換精度12位。將采集到的原始腦電信號進行A/D轉換為數(shù)字化信息，濾除各種干擾并存于存儲器中，長度為2000點。
在進行重建系統(tǒng)在狀態(tài)空間中的軌道之前，對緩沖于存儲器中的腦電信號V(i)進行遞推處理，將腦電信號序列X(i)＝(x(1)，x(2)，x(3)，...，x(N))經(jīng)過遞推處理后，轉換成新的向量集
V(i)=X(i-k)X(i-k+1)···X(i)]]>其中k＝m/N，0≤k≤i其中m為遞推長度，每次處理的數(shù)據(jù)中均為經(jīng)過遞推處理后的腦電信號序列，這樣就保證了處理結果的連貫性；處理完畢后，將緩存中的V(i)原始腦電信號序列移動到緩存中的V(i-1)處。
關聯(lián)維數(shù)D2的計算通過被研究的時間序列重建系統(tǒng)在狀態(tài)空間中的軌道通過延遲時間嵌入的方法實現(xiàn)重構M維向量V(i)，L延遲時間，M為嵌入維數(shù)。
V(i)＝(x(i)，x(i+L)，x(i+2×L)，...，x(i+(M-1)×L))關聯(lián)積分的計算C(r)=1NrefΣi=1Nref1N-iΣj>iNθ(r-||V(j)-V(i)||)]]>其中θ是Heavside函數(shù)如果x＜0，θ(x)＝0；如果x≥0，θ(x)＝1；Nref為參考點的數(shù)目；找出logC(r)/log(r)之間的線性部分，求出該部分擬合直線的斜率，該斜率即為關聯(lián)維數(shù)D2D2=limr→0logC(r)log(r)]]>復雜度和近似熵的計算復雜度的計算按照Kasper和Schuster的算法進行計算；近似熵的計算按照Pincus的算法進行計算；為了實現(xiàn)實時處理，復雜度和近似熵的計算數(shù)據(jù)長度采取250-1000數(shù)據(jù)點，并選擇額顳部導聯(lián)進行實時分析。這樣，對計算中所使用的使16導長度為每導500個數(shù)據(jù)的腦電信號可以在0.5秒之內完成計算(使用P4 1.7G、128兆內存的計算機)，完全達到了實時分析的要求。
按上述方法計算出的關聯(lián)維數(shù)、復雜度和近似熵，按照遞推處理方法，對于結果Ri有 其中，n的取值范圍在m/N～50之間；我們使用n值為2時，非線性指數(shù)的計算達到了實時處理的要求。
利用實時計算出的關聯(lián)維數(shù)、復雜度和近似熵的非線性指數(shù)，反映當前非線性動力學特性。再按時間順序實時繪制出大腦電位非線性趨勢圖形—非線性趨勢圖，來反映整個過程的非線性動力學特性變化情況。
圖2(a)、2(b)、2(c)分別顯示了從接受麻醉的病人采集到的多導生理信號。其中，前八導信號為分別來自頭皮FP1(左前額)、FP2(右前額)、T3(左顳)、T4(右顳)、C3(左頂)、C4(右頂)、O1(左枕)、O2(右枕)8個部位的腦電信息，第九導為肌電信息。圖2(a)為麻醉過程開始前安靜閉眼狀態(tài)下，圖2(b)為麻醉過程全麻狀態(tài)下、圖2(c)為麻醉過程結束復蘇過程?？梢钥吹?，麻醉過程中腦電信號與麻醉過程開始前安靜閉眼狀態(tài)存在差別，但和麻醉過程結束復蘇過程比較接近。我們從肉眼很難看出腦電信號中所包含的復雜信息。肌電信息顯示，在清醒狀態(tài)下如圖2(a)，軀體存在著肌電活動，這與軀體必須維持適當?shù)募埩τ嘘P；在使用了肌松藥的麻醉過程，由于藥物的作用，阻斷了神經(jīng)—肌肉之間的聯(lián)系，所以我們在麻醉過程幾乎看不到肌電活動如圖2(b)；但如果肌松藥的藥效下降或消失，則會出現(xiàn)肌電活動。
圖3(a)、3(b)分別顯示了接受麻醉的病人的非線性指數(shù)和非線性趨勢圖。圖3(a)代表了麻醉過程開始前安靜閉眼狀態(tài)，圖3(b)代表了麻醉過程全麻狀態(tài)。左邊的數(shù)值為非線性指數(shù)，反映了當前時刻的麻醉深度情況；右邊的曲線為非線性趨勢圖，反映了整個麻醉過程麻醉深度的變化情況情況。圖3(a)、3(b)分別顯示了兩個部位(具體為FP1和FP2)的近似熵非線性指數(shù)和非線性趨勢圖。從圖3(a)可以發(fā)現(xiàn)，當前時刻FP1和FP2的近似熵非線性指數(shù)分別為1.11和1.06；整個安靜閉眼過程非線性趨勢圖顯示非線性指數(shù)數(shù)值在0.8～1.1之間波動。此結果表明，清醒狀態(tài)下近似熵非線性指數(shù)保持相對較高的水平，這主要是由于大腦皮層仍保持一定程度的活躍、大腦皮層神經(jīng)細胞之間仍有一定量的通訊所致。從圖3(b)可以發(fā)現(xiàn)，當前時刻FP1和FP2的近似熵非線性指數(shù)分別為0.59和0.60；全麻狀態(tài)下的整個麻醉過程非線性趨勢圖顯示非線性指數(shù)數(shù)值在0.5～0.6之間波動，數(shù)值長時間保持相對穩(wěn)定。此結果說明，麻醉過程中近似熵非線性指數(shù)保持穩(wěn)定的水平，這主要是大腦皮層神經(jīng)細胞受麻醉藥物的影響，其活躍程度和相互之間的聯(lián)系受到了明顯的抑制，導致了神經(jīng)細胞電活動信息復雜度減小，所以反映腦電信號復雜性的近似熵的數(shù)值降低。
從麻醉過程各階段的腦電信號表現(xiàn)來看，頭皮記錄的腦電信號包含相關的意識認知功能信息。腦電每個電極反映了成百萬的神經(jīng)元的活動，特別是來自于大腦皮層第5層的錐體細胞。腦電信號包含了關于網(wǎng)絡層次的信息，特別是局部網(wǎng)絡的同步程度以及相隔較遠的網(wǎng)絡的耦聯(lián)情況。與傳統(tǒng)的基于傅立葉分析的方法相比，非線性動力學分析更適合從腦電信息中提取相關信息。從非線性指數(shù)和非線性趨勢圖，以及麻醉深度綜合判斷的應用來看，此方法更適合監(jiān)測腦電活動中所包含的麻醉深度變化信息。而麻醉深度多導生理信號的實時監(jiān)測方法的實現(xiàn)，可以實現(xiàn)實時觀察腦電信號中所包含的、反映大腦皮層神經(jīng)網(wǎng)絡活動的復雜信息。
上面已結合附圖對本發(fā)明的具體實施方式
進行了示例性的描述，顯然本發(fā)明并不限于此，在本發(fā)明范圍內進行的各種形式的改變均沒有超出本發(fā)明的保護范圍。
權利要求
1.一種利用計算機技術和非線性動力學分析方法實現(xiàn)用于實時監(jiān)測的大腦電位非線性趨勢圖形的生成方法，包括如下步驟(1)從頭皮不同部位采集原始腦電信號波形；(2)將采集到的原始腦電信號進行A/D轉換為數(shù)字化信息，濾除各種干擾并存于存儲器中；(3)運用時間序列重構各導聯(lián)腦電信號在狀態(tài)空間中的軌道；(4)在關聯(lián)維數(shù)、復雜度和近似熵三種腦電非線性動力學分析方法中選擇一種進行分析；其特征在于它還采用以下的步驟(5)對緩沖于存儲器中的腦電信息進行遞推處理，重構包含遞推信息的新的向量集；(6)對經(jīng)過遞推處理后的向量集分別按所選腦電非線性動力學分析方法，使用簡化和優(yōu)化的方法，進行關聯(lián)維數(shù)的計算；選擇適當和優(yōu)化的參數(shù)，進行復雜度和近似熵的計算，實現(xiàn)實時分析；(7)利用時間序列的關聯(lián)維數(shù)、復雜度和近似熵非線性指數(shù)，反映當前非線性動力學特性，按時間順序繪制出大腦電位非線性趨勢圖形—非線性趨勢圖，來反映整個過程的非線性動力學特性變化情況。(8)存儲并輸出所得到的非線性指數(shù)和非線性趨勢圖。
2.根據(jù)權利要求1所述的大腦電位非線性趨勢圖形的生成方法，其特征在于對腦電信息進行遞推處理采取以下的方法在重構系統(tǒng)狀態(tài)空間中的軌道之前，對緩沖于存儲器中的腦電信號V(i)進行遞推處理，將腦電信號序列X(i)＝(x(1)，x(2)，x(3)，...，x(N))經(jīng)過遞推處理后，轉換成新的向量集V(i)=X(i-k)X(i-k+1)···X(i)]]>其中k＝m/N，0≤k≤i其中m為遞推長度，每次處理的數(shù)據(jù)中均為經(jīng)過遞推處理后的腦電信號序列，這樣就保證了處理結果的連貫性；處理完畢后，將緩存中的V(i)原始腦電信號序列移動到緩存中的V(i-1)處。
3.根據(jù)權利要求1所述的大腦電位非線性趨勢圖形的生成方法，其特征在于關聯(lián)維數(shù)的計算采取以下的方法通過被研究的時間序列重建系統(tǒng)在狀態(tài)空間中的軌道通過延遲時間嵌入的方法實現(xiàn)重構M維向量V(i)，L延遲時間，M為嵌入維數(shù)V(i)＝(x(i)，x(i+L)，x(i+2×L)，...，x(i+(M-1)×L))其中關聯(lián)積分的計算C(r)=1NrefΣi=1Nref1N-iΣj>iNθ(r-||V(j)-V(i)||)]]>其中θ是Heavside函數(shù)如果x＜0，θ(x)＝0；如果x≥0，θ(x)＝1；Nref為參考點的數(shù)目；找出logC(r)/log(r)之間的線性部分，求出該部分擬合直線的斜率，該斜率即為關聯(lián)維數(shù)D2D2=limr→0logC(r)log(r)]]>
4.根據(jù)權利要求1所述的大腦電位非線性趨勢圖形的生成方法，其特征在于復雜度和近似熵的計算采取以下的方法復雜度的計算按照Kasper和Schuster的算法進行計算；近似熵的計算按照Pincus的算法進行計算；其中，復雜度和近似熵的計算數(shù)據(jù)長度采取250-1000數(shù)據(jù)點，并選擇額顳部導聯(lián)進行實時分析。
5.根據(jù)權利要求1所述的大腦電位非線性趨勢圖形的生成方法，其特征在于非線性指數(shù)的產(chǎn)生和非線性趨勢圖的繪制采取以下的方法按上述方法計算出的關聯(lián)維數(shù)、復雜度和近似熵，按照遞推處理方法，對于結果Ri有 其中，n的取值范圍在m/N～50之間；再按非線性指數(shù)與時間的關系實時繪制出大腦電位非線性趨勢圖形。
全文摘要
本發(fā)明公開了一種利用計算機技術和非線性動力學分析方法實現(xiàn)用于實時監(jiān)測的大腦電位趨勢圖形的生成方法。它涉及一種大腦電位非線性趨勢圖的生成方法。其實現(xiàn)步驟是先從頭皮不同部位采集原始腦電信息，經(jīng)過A/D轉換為數(shù)字化腦電信息，按照非線性動力學原理，運用時間序列重構系統(tǒng)在狀態(tài)空間中的軌道，將各導聯(lián)數(shù)字化腦電信息轉換為反映當前非線性動力學特性的關聯(lián)維數(shù)、復雜度和近似熵非線性指數(shù)，該轉換在1秒之內完成，利用時間序列的非線性指數(shù)繪制出非線性趨勢圖，來反映整個過程的非線性動力學特性變化情況。本發(fā)明可運用于麻醉過程中麻醉深度的實時監(jiān)測，為麻醉過程提供準確實時的麻醉深度變化情況，為麻醉醫(yī)師采取適當措施提供客觀依據(jù)；進行麻醉藥物效果評價，以及研究麻醉藥物在腦內的分布、對大腦高級功能產(chǎn)生影響情況等。還可用于大腦認知功能活動、不同生理狀態(tài)、各種癡呆狀態(tài)、精神疾病以及神經(jīng)康復等情況下的EEG信號分析。
文檔編號G06F19/00GK1567331SQ0313774
公開日2005年1月19日 申請日期2003年6月23日 優(yōu)先權日2003年6月23日
發(fā)明者吳東宇 申請人:吳東宇, 尹嶺