[go: up one dir, main page]

CN117281535B - 一种基于脑电参数的脑状态分析装置 - Google Patents

一种基于脑电参数的脑状态分析装置

Info

Publication number
CN117281535B
CN117281535B CN202311148582.3A CN202311148582A CN117281535B CN 117281535 B CN117281535 B CN 117281535B CN 202311148582 A CN202311148582 A CN 202311148582A CN 117281535 B CN117281535 B CN 117281535B
Authority
CN
China
Prior art keywords
brain
parameter
characteristic
parameters
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311148582.3A
Other languages
English (en)
Other versions
CN117281535A (zh
Inventor
高峰
曹红雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Langfang Zhenguigu Technology Co ltd
Original Assignee
Langfang Zhenguigu Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Langfang Zhenguigu Technology Co ltd filed Critical Langfang Zhenguigu Technology Co ltd
Priority to CN202311148582.3A priority Critical patent/CN117281535B/zh
Publication of CN117281535A publication Critical patent/CN117281535A/zh
Application granted granted Critical
Publication of CN117281535B publication Critical patent/CN117281535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于脑电参数的脑状态分析装置，包括：预处理模块用于获取脑电参数，筛选可用参数并得到相对应的特征参数；参数提纯模块用于为每个特征参数匹配相对应的通信信道，并进行参数提纯，得到脑电典型参数；参数转化模块用于基于脑电典型参数，得到功率频谱图；功率匹配模块用于基于功率频谱图的时空分布波动，得到相对应的特定微状态；状态分析模块用于综合分析所有特定微状态，得到脑状态。通过对脑电参数的筛选以及特征提取，得到特性参数，并匹配相对应的通信信道，得到脑电典型参数并分析，综合分析所有微状态，得到脑状态的详细分析，更好的掌握脑部病症，增强对脑部病症诊断的精准性。

Description

一种基于脑电参数的脑状态分析装置
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于脑电参数的脑状态分析装置。
背景技术
目前，随着科学技术的发展，科技武装了医学，造就了仪器，不仅颠覆了医学的传统概念，也彻底改变了医学的实践模式。随着医学与现代信息技术、材料科技等技术的深度交叉融合，极大地促进了医学科技的发展，现代医学技术成果越来越快地应用于临床，正在使疾病诊断和治疗模式发生革命性的变化。现代医学技术中关于于脑部疾病的分析最为重要，脑电信息的分析处理是脑部治疗的关键环节。
因此本发明提供一种基于脑电参数的脑状态分析装置。
发明内容
本发明提供一种基于脑电参数的脑状态分析装置，用以通过对脑电参数的筛选以及特征提取，得到特性参数，并匹配相对应的通信信道，得到脑电典型参数并进行功率频谱分析，综合分析所有微状态，得到脑状态的详细分析，进一步掌握脑部病症，提高了脑电参数分析的精确度，增强对脑部病症诊断的精准性。
本发明提供一种基于脑电参数的脑状态分析装置，包括：
预处理模块：获取脑电参数，筛选可用参数并得到相对应的特征参数；
参数提纯模块：为每个特征参数匹配相对应的通信信道，并进行参数提纯，得到脑电典型参数；
参数转化模块：基于脑电典型参数，得到功率频谱图；
功率匹配模块：基于功率频谱图的时空分布波动，得到相对应的特定微状态；
状态分析模块：综合分析所有特定微状态，得到脑状态。
优选的，一种基于脑电参数的脑状态分析装置，所述预处理模块，包括：
初诊断单元，用于根据病人的病症描述，确定对所述病人的脑电测量方案；
脑电测量单元，用于根据所述脑电测量方案，将匹配的测量设备放置在所述病人的目标部位进行脑电测量，获取得到每个测量设备的脑电测量结果；
区域判断单元，用于对所述脑电测量结果进行脑区域划分并通过脑电区域标准参数的比较分析，得到可用脑部区域；
筛选参数单元，用于基于可用脑部区域，对所有脑电参数进行筛选，得到可用参数。
优选的，一种基于脑电参数的脑状态分析装置，所述预处理模块，还包括：
特征信息解析单元，用于基于所有可用参数，得到相对应的数个特征信息；
子特征编码单元，用于分解每个特征信息，得到数个子特征信息并对每个子特征信息进行编码，得到子特征编码；
子特征向量转化单元，用于对每个子特征编码进行映射，得到子特征向量，进而得到每个特征信息相对应的子特征向量集合；
特征度计算单元，用于基于子特征向量集合，计算对应特征信息的当下特征度；
特征度保留单元，用于若当下特征度大于预设特征度，则保留对应的特征信息；
特征参数构建单元，用于基于保留的所有特征信息，构建可用参数相对应的特征参数。
优选的，一种基于脑电参数的脑状态分析装置，所述特征度计算单元，包括：
；其中，表示对应特征信息的当下特征度；表示子特征向量集合中子特征向量的数量；表示子特征向量集合中第个子特征向量的模；表示子特征向量集合中所有子特征向量的模的平均值；表示第个子特征向量的特征权重；表示对应特征信息的预设相对系数；表示子特征向量集合中所有子特征向量的平均向量；表示子特征向量集合中第个子特征向量；表示向量的模；表示获取与中的较大者；表示获取的差值绝对值。
优选的，一种基于脑电参数的脑状态分析装置，所述参数提纯模块，包括：
检测信号获取单元，用于将可用参数相对应的特征参数输入到检测通信信道，得到检测信号；
检测信号频谱获得单元，用于基于滤波显示器，得到检测信号的检测信号频谱；
检测频带获取单元，用于基于所述检测信号频谱，得到相对应的特征频带信息；
参数-特性转化单元，用于基于参数-特性分析模型，获取得到所述特征参数相对应的损失特性；
信道匹配单元，用于基于所述损失特性以及特征频带信息，从信道数据库中匹配得到相对应的第一通信信道；
特征信号获取单元，用于将可用参数相对应的特征参数输入到所述第一通信信道，得到特征信号；
特征信号频谱获取单元，用于获取所述特征信号的特征信号频谱；
有效波除杂单元，用于获取所述特征信号频谱中的有效波，并对有效波中的无周期信号进行去除；
有效波区域划分单元，用于基于有效波中的信号强度，将有效波分为高强度信号区域、中强度信号区域以及低强度信号区域；
信号集合获取单元，用于基于高强度信号区域、中强度信号区域以及低强度信号区域，分别得到对应的高频信号集合、中频信号集合以及低频信号集合；
低频信号衰减分析单元，用于基于低频信号集合，得到低频信号衰减趋势；
非理想衰减点获取单元，基于所述低频信号衰减趋势，得到衰减趋势最大的非理想衰减点；
衰减点延迟单元，用于在所述非理想衰减点引入预设调制参数，延迟非理想衰减点至理想衰减点，得到理想低频信号集合；
信号调整单元，用于基于理想低频信号集合对有效波进行调整，得到理想高频信号集合以及理想中频信号集合；
数量差计算单元，用于依次计算理想高频信号集合与高频信号集合的第一信号数量差以及理想中频信号集合与中频信号集合的第二信号数量差；
脑电典型参数获取单元，用于若所述第一信号数量差以及第二信号数量差都在预设调整差值内，则将基于所述第一通信信道得到的特征信号进行解码及参数提纯，得到脑电典型参数。
优选的，一种基于脑电参数的脑状态分析装置，所述参数转化模块，包括：
模拟功率转化单元，用于将脑电典型参数输入到参数-功率转换模型，得到脑电模拟功率；
功率频谱图获取单元，用于基于脑电模拟功率，得到功率频谱图。
优选的，一种基于脑电参数的脑状态分析装置，所述模拟功率转化单元，包括：
训练样本集构建块，用于获取所有脑电典型参数以及相对应的特征参数名称，构建训练样本集；
模型构建块，用于构建参数-功率转换模型，其中，所述参数-功率转换模型包括名称分类层、脑电模拟层以及输出功率层；
模型训练块，用于将所述训练样本集输入至参数-功率转换模型，得到脑电模拟功率。
优选的，一种基于脑电参数的脑状态分析装置，所述功率匹配模块，包括：
类别获取单元，用于基于功率频谱图相对应的特征参数的特征类别，得到相对应的微状态类别；
功率频谱分析单元，用于基于所述功率频谱图，得到时空分布波动；
波动分析单元，用于基于时空分布波动，得到时空分布波动的波动趋势、时空分布波动的最大峰值与最小峰值的波动差值、时空分布波动的平均峰值以及平均谷值；
指数获取单元，用于获取微状态参数对照表，得到与所述波动趋势、波动差值、平均峰值以及平均谷值相对应的微状态指数。
优选的，一种基于脑电参数的脑状态分析装置，所述状态分析模块，包括：
病症分析单元，用于提取病症描述中的病症特征，并确定每个病症特征基于所有病症特征的关联出现概率以及病症独特性；
；
；其中，表示第个病症特征与剩余所有病症特征之间的关联函数；表示每个病症特征与剩余所有病症特征进行关联后的累加和函数；表示交集符号；表示并集符号；表示第个病症特征的关联出现概率；表示第个病症特征的病症独特性；表示第个病症特征的历史被赋予独特值；
权重获取单元，用于基于关联出现概率以及病症独特性，向每个病症特征设置病症标识，并从权重设置数据库中，获取得到每类别微状态的权重，其中，所述病症标识与病症的关联出现概率、病症独特性以及病症所匹配类别有关；
脑状态获取单元，用于将所有微状态类别以及相对应的微状态指数、微状态的权重输入到微状态综合模型，得到脑状态。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于脑电参数的脑状态分析装置的结构框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例
本发明实施例提供一种基于脑电参数的脑状态分析装置，如图1所示，包括：
预处理模块：获取脑电参数，筛选可用参数并得到相对应的特征参数；
参数提纯模块：为每个特征参数匹配相对应的通信信道，并进行参数提纯，得到脑电典型参数；
参数转化模块：基于脑电典型参数，得到功率频谱图；
功率匹配模块：基于功率频谱图的时空分布波动，得到相对应的特定微状态；
状态分析模块：综合分析所有特定微状态，得到脑状态。
该实施例中，脑电参数指的是通过医疗设备将获得的脑神经细胞总体活动信息转化为电信号后得到的信息参数，从而达到对大脑状态的掌握，其中，包括脑神经细胞总体活动离子交换，新陈代谢。
该实施例中，可用参数指的是根据病人的病症描述，从所有脑电参数中选取可以利用的参数，从而达到缩小分析范围的目的。
该实施例中，特征参数指的是通过对可用参数分解之后的特征信息中的每个子特征信息进行分析，得到的能够代表可用参数特征的参数。
该实施例中，脑电典型参数指的是通过对特征参数的拆解分析、除杂得到的能够代表脑电参数的参数。
该实施例中，功率频谱图指的是通过对脑电典型参数的模拟，得到的脑电状态模拟的每个脑电典型参数相对应的功率频率与能量的关系的图表。
该实施例中，时空分布波动指的是脑电状态模拟的每个脑电典型参数相对应的功率频率与能量在时间上和空间上分布的波动图，从而达到了解当下脑部状态的目的。
该实施例中，特定微状态指的是通过对时空分布波动的波动趋势、时空分布波动的最大峰值与最小峰值的波动差值、时空分布波动的平均峰值以及平均谷值以及微状态参数对照表的匹配，得到的能够表示脑部的一小部分状态。
上述技术方案的工作原理及有益效果是：通过对脑电参数的筛选以及特征提取，得到特性参数，并匹配相对应的通信信道，得到脑电典型参数并进行功率频谱分析，综合分析所有微状态，得到脑状态的详细分析，进一步掌握脑部病症，提高了脑电参数分析的精确度，增强对脑部病症诊断的精准性。
实施例
本实施例提供一种基于脑电参数的脑状态分析装置，所述预处理模块，包括：
初诊断单元，用于根据病人的病症描述，确定对所述病人的脑电测量方案；
脑电测量单元，用于根据所述脑电测量方案，将匹配的测量设备放置在所述病人的目标部位进行脑电测量，获取得到每个测量设备的脑电测量结果；
区域判断单元，用于对所述脑电测量结果进行脑区域划分并通过脑电区域标准参数的比较分析，得到可用脑部区域；
筛选参数单元，用于基于可用脑部区域，对所有脑电参数进行筛选，得到可用参数。
该实施例中，脑电测量方案指的是按照病人的病症描述，初步得到的需要进行脑电测量项的方案。
该实施例中，脑区域划分指的是按照脑部生理特征划分的区域，每个区域的脑电参数可以独立或者组合表示一种脑部生理状态。
该实施例中，脑电区域标准参数指的是根据脑区域划分得到的脑部区域的参数，能够代表该脑部区域在脑部生理最低标准状态下的参数，当脑电测量结果中的参数不符合脑电区域标准参数时，则判定测量有误，参数不可用。
该实施例中，可用脑部区域指的是该脑部区域相对应的脑电测量结果符合脑电区域标准参数，参数可用的脑部区域。
上述技术方案的工作原理及有益效果是：通过对病人的病症描述给出脑电测量方案，还通过对脑区域划分并进行结果验证，得到可用脑部区域的可用参数，缩小脑电测量的范围，减少不可用参数的干扰，提高了对脑电分析的精确度与效率。
实施例
本实施例提供一种基于脑电参数的脑状态分析装置，所述预处理模块，还包括：
特征信息解析单元，用于基于所有可用参数，得到相对应的数个特征信息；
子特征编码单元，用于分解每个特征信息，得到数个子特征信息并对每个子特征信息进行编码，得到子特征编码；
子特征向量转化单元，用于对每个子特征编码进行映射，得到子特征向量，进而得到每个特征信息相对应的子特征向量集合；
特征度计算单元，用于基于子特征向量集合，计算对应特征信息的当下特征度；
特征度保留单元，用于若当下特征度大于预设特征度，则保留对应的特征信息；
特征参数构建单元，用于基于保留的所有特征信息，构建可用参数相对应的特征参数。
该实施例中，特征信息指的是通过对可用参数的分析得到的能够表示可用参数特征的详细信息，比如，神经冲动在回路中的传导速度，回路的长短以及延迟回路，神经侧路的存在等。
该实施例中，子特征信息指的是由特征信息按照子特征类别拆解而成的子特征信息。
该实施例中，当下特征度指的是通过对当下特征信息中子特征向量进行计算，得到的能够表示当下特征信息的特征显现程度。
该实施例中，预设特征度指的是预先设置好的能够区分可保留特征信息与不可保留特征信息的阈值的特征度，若当下特征度小于预先特征度，则当下特征信息的特征体现未达到需要进行分析的程度，不予保留。
上述技术方案的工作原理及有益效果是：通过对特征信息的拆解分析，得到子特征向量并进行计算，得到特征信息相对应的当下特征度，筛选特征参数，
减少非特征参数的干扰，提高了对脑电分析的精确度与效率。
实施例
本实施例提供一种基于脑电参数的脑状态分析装置，所述特征度计算单元，包括：
其中，表示对应特征信息的当下特征度；表示子特征向量集合中子特征向量的数量；表示子特征向量集合中第个子特征向量的模；表示子特征向量集合中所有子特征向量的模的平均值；表示第个子特征向量的特征权重；表示对应特征信息的预设相对系数；表示子特征向量集合中所有子特征向量的平均向量；表示子特征向量集合中第个子特征向量；表示向量的模；表示获取与中的较大者；表示获取的差值绝对值。
上述技术方案的工作原理及有益效果是：通过对当下特征度的计算，筛选特征度达到标准的特征参数，减少非特征参数的干扰，提高了对脑电分析的精确度与效率。
上述技术方案的工作原理及有益效果是：通过对当下特征度的计算，筛选特征度达到标准的特征参数，减少非特征参数的干扰，提高了对脑电分析的精确度与效率。
实施例
本实施例提供一种基于脑电参数的脑状态分析装置，所述参数提纯模块，包括：
检测信号获取单元，用于将可用参数相对应的特征参数输入到检测通信信道，得到检测信号；
检测信号频谱获得单元，用于基于滤波显示器，得到检测信号的检测信号频谱；
检测频带获取单元，用于基于所述检测信号频谱，得到相对应的特征频带信息；
参数-特性转化单元，用于基于参数-特性分析模型，获取得到所述特征参数相对应的损失特性；
信道匹配单元，用于基于所述损失特性以及特征频带信息，从信道数据库中匹配得到相对应的第一通信信道；
特征信号获取单元，用于将可用参数相对应的特征参数输入到所述第一通信信道，得到特征信号；
特征信号频谱获取单元，用于获取所述特征信号的特征信号频谱；
有效波除杂单元，用于获取所述特征信号频谱中的有效波，并对有效波中的无周期信号进行去除；
有效波区域划分单元，用于基于有效波中的信号强度，将有效波分为高强度信号区域、中强度信号区域以及低强度信号区域；
信号集合获取单元，用于基于高强度信号区域、中强度信号区域以及低强度信号区域，分别得到对应的高频信号集合、中频信号集合以及低频信号集合；
低频信号衰减分析单元，用于基于低频信号集合，得到低频信号衰减趋势；
非理想衰减点获取单元，基于所述低频信号衰减趋势，得到衰减趋势最大的非理想衰减点；
衰减点延迟单元，用于在所述非理想衰减点引入预设调制参数，延迟非理想衰减点至理想衰减点，得到理想低频信号集合；
信号调整单元，用于基于理想低频信号集合对有效波进行调整，得到理想高频信号集合以及理想中频信号集合；
数量差计算单元，用于依次计算理想高频信号集合与高频信号集合的第一信号数量差以及理想中频信号集合与中频信号集合的第二信号数量差；
脑电典型参数获取单元，用于若所述第一信号数量差以及第二信号数量差都在预设调整差值内，则将基于所述第一通信信道得到的特征信号进行解码及参数提纯，得到脑电典型参数。
该实施例中，检测通信信道指的是预先设置通信信道的参数为通常运行参数，从而达到对在检测通信信道内的信号进行检测的目的。
该实施例中，滤波显示器指的是将信号中为杂波的特定波段频率滤除后，显示检测信号的信号频谱曲线。
该实施例中，检测信号频谱指的是能够显示检测信号强弱的频率普密度的频率的分布曲线。
该实施例中，特征频带信息指的是检测信号能够有效通过检测通信信道信道的信号的最大频带宽度，即检测信号所占据的频带宽度。
该实施例中，参数-特性分析模型指的是由参数以及相对应的损失特性训练而成的，能够根据特征参数相对应的损失特性的模型。
该实施例中，损失特性指的是基于对特征参数的分析，特征参数本身在传输过程中正常损失的特征性能，从而达到对特征参数的传输中的合理损失进行剔除的目的，其中，损失特性包括：易受介质的极化影响的特性、易串扰特性以及对外辐射特性。
该实施例中，信道数据库指的是由当前设备所有种类的通信信道构成的数据库。
该实施例中，特征信号频谱指的是能够显示检测信号强弱的频率普密度的频率的分布曲线。
该实施例中，无周期信号指的是无周期性规律的信号。
该实施例中，高频信号集合指的是在高强度信号区域的表示信号强度高等的信号的集合。
该实施例中，中频信号集合指的是在中强度信号区域的表示信号强度中等的信号的集合。
该实施例中，低频信号集合指的是在低强度信号区域的表示信号强度低等的信号的集合。
该实施例中，非理想衰减点指的是根据低频信号衰减趋势分析，得到的衰减趋势最大的实际衰减点，且该实际衰减点在理想衰减点之前。
该实施例中，调制参数指的是能够对低频信号集合中的信号与能量高的载波信号进行混合，产生一个新的高能量信号的过程，从而达到延缓低频信号衰减的目的。
该实施例中，理想衰减点指的是在调制参数可以影响的范围内，根据低频信号利用率最大的情况下的低频信号衰减趋势的衰减点。
该实施例中，理想低频信号集合指的是在调制参数的调制后，低强度信号区域中的信号构建的集合。
该实施例中，理想高频信号集合指的是在调制参数的调制后，高强度信号区域中的信号构建的集合。
该实施例中，理想中频信号集合指的是在调制参数的调制后，中强度信号区域中的信号构建的集合。
该实施例中，预设调整差值指的是预先设置好的，能够表示调制参数调制前后对高频信号集合以及中频信号集合在合理影响内的差值，若第一信号数量差大于预设调整差值，则调制失败，若第二信号数量差大于预设调整差值，则调制失败。
上述技术方案的工作原理及有益效果是：通过对特征参数进行检测，得到相对应的特征频带信息，还通过对特征参数的损失特性进行分析得到损失特征得到相对应的通信信道，还通过分析提纯特征信号的特征信号频谱，并进行有效波分级分析，调制低频信号，使得特征参数在传输中提纯，提高了对脑电分析的精确度与效率。
实施例
本实施例提供一种基于脑电参数的脑状态分析装置，所述参数转化模块，包括：
模拟功率转化单元，用于将脑电典型参数输入到参数-功率转换模型，得到脑电模拟功率；
功率频谱图获取单元，用于基于脑电模拟功率，得到功率频谱图。
该实施例中，参数-功率转换模型指的是由脑电典型参数以及相对应的功率训练得到的，能够将脑电典型参数转化为功率的模型。
上述技术方案的工作原理及有益效果是：通过对脑电典型参数进行模拟，得到相对应的功率频谱图，有利于对脑电典型参数的分析，从而达到得到特定微状态信息的目的，有利于对脑部状态进行分析。
实施例
本实施例提供一种基于脑电参数的脑状态分析装置，所述模拟功率转化单元，包括：
训练样本集构建块，用于获取所有脑电典型参数以及相对应的特征参数名称，构建训练样本集；
模型构建块，用于构建参数-功率转换模型，其中，所述参数-功率转换模型包括名称分类层、脑电模拟层以及输出功率层；
模型训练块，用于将所述训练样本集输入至参数-功率转换模型，得到脑电模拟功率。
上述技术方案的工作原理及有益效果是：通过将所有脑电典型参数以及相对应的特征参数名称构建训练样本集，对构建的参数-功率转换模型进行训练，对脑电典型参数进行模拟，从而达到得到特定微状态信息的目的，有利于对脑部状态进行分析。
实施例
本实施例提供一种基于脑电参数的脑状态分析装置，所述功率匹配模块，包括：
类别获取单元，用于基于功率频谱图相对应的特征参数的特征类别，得到相对应的微状态类别；
功率频谱分析单元，用于基于所述功率频谱图，得到时空分布波动；
波动分析单元，用于基于时空分布波动，得到时空分布波动的波动趋势、时空分布波动的最大峰值与最小峰值的波动差值、时空分布波动的平均峰值以及平均谷值；
指数获取单元，用于获取微状态参数对照表，得到与所述波动趋势、波动差值、平均峰值以及平均谷值相对应的微状态指数。
该实施例中，特征类别指的是获取的特征信息按照脑部功能分类得到的类别，包括神经类别，血液类别以及细胞类别。
该实施例中，微状态类别指的是根据特征信息的类别得到的相对应的微状态的类别，包括神经微状态，血液微状态以及细胞微状态。
该实施例中，时空分布波动的波动趋势指的是每一时刻脑电状态模拟的每个脑电典型参数相对应的功率频率与能量在时间上和空间上分布的波动图的趋势，从而达到对微状态进行分析的目的。
该实施例中，时空分布波动的平均谷值指的是在每两个单位时间内脑电状态模拟的每个脑电典型参数相对应的功率频率与能量在时间上和空间上分布的波动图的时变量的最小值。
该实施例中，微状态参数对照表指的是由时空分布波动的波动趋势，时空分布波动的最大峰值与最小峰值的波动差值，时空分布波动的平均峰值以及平均谷值，以及相对应的微状态指数构建的对照表。
该实施例中，微状态指数指的是按照微状态参数对照表上的当下的时空分布波动的波动趋势、时空分布波动的最大峰值与最小峰值的波动差值、时空分布波动的平均峰值以及平均谷值共同对照下得到的微状态的指数。
上述技术方案的工作原理及有益效果是：通过对功率频谱图进行分析，得到时空分布波动并进行分析，得到时空分布波动的波动趋势、时空分布波动的最大峰值与最小峰值的波动差值、时空分布波动的平均峰值以及平均谷值，在微状态对照表上得到每个微状态类别的微状态指数，有利于对脑部状态进行分析，提高了脑部分析的准确度与效率。
实施例
本实施例提供一种基于脑电参数的脑状态分析装置，所述状态分析模块，包括：
病症分析单元，用于提取病症描述中的病症特征，并确定每个病症特征基于所有病症特征的关联出现概率以及病症独特性；
；
；其中，表示第个病症特征与剩余所有病症特征之间的关联函数；表示每个病症特征与剩余所有病症特征进行关联后的累加和函数；表示交集符号；表示并集符号；表示第个病症特征的关联出现概率；表示第个病症特征的病症独特性；表示第个病症特征的历史被赋予独特值；
权重获取单元，用于基于关联出现概率以及病症独特性，向每个病症特征设置病症标识，并从权重设置数据库中，获取得到每类别微状态的权重，其中，所述病症标识与病症的关联出现概率、病症独特性以及病症所匹配类别有关；
脑状态获取单元，用于将所有微状态类别以及相对应的微状态指数、微状态的权重输入到微状态综合模型，得到脑状态。
该实施例中，病症特征指的是从病人的病症描述中提取到的，能够代表病症的本质特性的特征。
该实施例中，关联出现概率指的是每个病症与其余的病症特征有可能相联系，一起出现的概率。
该实施例中，病症独特性指的是病症特征相对应的病症区别于其他病症特征相对应的病症的鲜明特征性。
该实施例中，权重设置数据库指的是由病症标识以及相对应的微状态权重构成的数据库。
该实施例中，微状态权重指的是一种类别的微状态对脑状态影响的重要程度。
该实施例中，微状态综合模型指的是由微状态类别以及相对应的微状态指数、微状态的权重以及相对应的脑状态训练得到的，能够对微状态类别以及相对应的微状态指数、微状态的权重综合分析转化为脑状态的模型。
上述技术方案的工作原理及有益效果是：通过对病症特征基于所有病症特征的关联出现概率以及病症独特性进行分析，得到相对应的微状态权重，并对所有微状态类别以及相对应的微状态指数、微状态的权重进行分析，得到脑状态分析结果，提高了脑电参数分析的精确度，增强对脑部病症的诊断能力。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。

Claims (7)

1.一种基于脑电参数的脑状态分析装置，其特征在于，包括：
预处理模块：获取脑电参数，筛选可用参数并得到相对应的特征参数；
参数提纯模块：为每个特征参数匹配相对应的通信信道，并进行参数提纯，得到脑电典型参数；
参数转化模块：基于脑电典型参数，得到功率频谱图；
功率匹配模块：基于功率频谱图的时空分布波动，得到相对应的特定微状态；
状态分析模块：综合分析所有特定微状态，得到脑状态；
所述功率匹配模块，包括：
类别获取单元，用于基于功率频谱图相对应的特征参数的特征类别，得到相对应的微状态类别；
功率频谱分析单元，用于基于所述功率频谱图，得到时空分布波动；
波动分析单元，用于基于时空分布波动，得到时空分布波动的波动趋势、时空分布波动的最大峰值与最小峰值的波动差值、时空分布波动的平均峰值以及平均谷值；
指数获取单元，用于获取微状态参数对照表，得到与所述波动趋势、波动差值、平均峰值以及平均谷值相对应的微状态指数；
所述状态分析模块，包括：
病症分析单元，用于提取病症描述中的病症特征，并确定每个病症特征基于所有病症特征的关联出现概率以及病症独特性；
；
；其中，表示第个病症特征与剩余所有病症特征之间的关联函数；表示每个病症特征与剩余所有病症特征进行关联后的累加和函数；表示交集符号；表示并集符号；表示第个病症特征的关联出现概率；表示第个病症特征的病症独特性；表示第个病症特征的历史被赋予独特值；
权重获取单元，用于基于关联出现概率以及病症独特性，向每个病症特征设置病症标识，并从权重设置数据库中，获取得到每类别微状态的权重，其中，所述病症标识与病症的关联出现概率、病症独特性以及病症所匹配类别有关；
脑状态获取单元，用于将所有微状态类别以及相对应的微状态指数、微状态的权重输入到微状态综合模型，得到脑状态。
2.根据权利要求1所述的基于脑电参数的脑状态分析装置，其特征在于，所述预处理模块，包括：
初诊断单元，用于根据病人的病症描述，确定对所述病人的脑电测量方案；
脑电测量单元，用于根据所述脑电测量方案，将匹配的测量设备放置在所述病人的目标部位进行脑电测量，获取得到每个测量设备的脑电测量结果；
区域判断单元，用于对所述脑电测量结果进行脑区域划分并通过脑电区域标准参数的比较分析，得到可用脑部区域；
筛选参数单元，用于基于可用脑部区域，对所有脑电参数进行筛选，得到可用参数。
3.根据权利要求2所述的基于脑电参数的脑状态分析装置，其特征在于，所述预处理模块，还包括：
特征信息解析单元，用于基于所有可用参数，得到相对应的数个特征信息；
子特征编码单元，用于分解每个特征信息，得到数个子特征信息并对每个子特征信息进行编码，得到子特征编码；
子特征向量转化单元，用于对每个子特征编码进行映射，得到子特征向量，进而得到每个特征信息相对应的子特征向量集合；
特征度计算单元，用于基于子特征向量集合，计算对应特征信息的当下特征度；
特征度保留单元，用于若当下特征度大于预设特征度，则保留对应的特征信息；
特征参数构建单元，用于基于保留的所有特征信息，构建可用参数相对应的特征参数。
4.根据权利要求3所述的基于脑电参数的脑状态分析装置，其特征在于，所述特征度计算单元，包括：
；其中，表示对应特征信息的当下特征度；表示子特征向量集合中子特征向量的数量；表示子特征向量集合中第个子特征向量的模；表示子特征向量集合中所有子特征向量的模的平均值；表示第个子特征向量的特征权重；表示对应特征信息的预设相对系数；表示子特征向量集合中所有子特征向量的平均向量；表示子特征向量集合中第个子特征向量；表示向量的模；表示获取与中的较大者；表示获取的差值绝对值。
5.根据权利要求1所述的基于脑电参数的脑状态分析装置，其特征在于，所述参数提纯模块，包括：
检测信号获取单元，用于将可用参数相对应的特征参数输入到检测通信信道，得到检测信号；
检测信号频谱获得单元，用于基于滤波显示器，得到检测信号的检测信号频谱；
检测频带获取单元，用于基于所述检测信号频谱，得到相对应的特征频带信息；
参数-特性转化单元，用于基于参数-特性分析模型，获取得到所述特征参数相对应的损失特性；
信道匹配单元，用于基于所述损失特性以及特征频带信息，从信道数据库中匹配得到相对应的第一通信信道；
特征信号获取单元，用于将可用参数相对应的特征参数输入到所述第一通信信道，得到特征信号；
特征信号频谱获取单元，用于获取所述特征信号的特征信号频谱；
有效波除杂单元，用于获取所述特征信号频谱中的有效波，并对有效波中的无周期信号进行去除；
有效波区域划分单元，用于基于有效波中的信号强度，将有效波分为高强度信号区域、中强度信号区域以及低强度信号区域；
信号集合获取单元，用于基于高强度信号区域、中强度信号区域以及低强度信号区域，分别得到对应的高频信号集合、中频信号集合以及低频信号集合；
低频信号衰减分析单元，用于基于低频信号集合，得到低频信号衰减趋势；
非理想衰减点获取单元，基于所述低频信号衰减趋势，得到衰减趋势最大的非理想衰减点；
衰减点延迟单元，用于在所述非理想衰减点引入预设调制参数，延迟非理想衰减点至理想衰减点，得到理想低频信号集合；
信号调整单元，用于基于理想低频信号集合对有效波进行调整，得到理想高频信号集合以及理想中频信号集合；
数量差计算单元，用于依次计算理想高频信号集合与高频信号集合的第一信号数量差以及理想中频信号集合与中频信号集合的第二信号数量差；
脑电典型参数获取单元，用于若所述第一信号数量差以及第二信号数量差都在预设调整差值内，则将基于所述第一通信信道得到的特征信号进行解码及参数提纯，得到脑电典型参数。
6.根据权利要求1所述的基于脑电参数的脑状态分析装置，其特征在于，所述参数转化模块，包括：
模拟功率转化单元，用于将脑电典型参数输入到参数-功率转换模型，得到脑电模拟功率；
功率频谱图获取单元，用于基于脑电模拟功率，得到功率频谱图。
7.根据权利要求6所述的基于脑电参数的脑状态分析装置，其特征在于，所述模拟功率转化单元，包括：
训练样本集构建块，用于获取所有脑电典型参数以及相对应的特征参数名称，构建训练样本集；
模型构建块，用于构建参数-功率转换模型，其中，所述参数-功率转换模型包括名称分类层、脑电模拟层以及输出功率层；
模型训练块，用于将所述训练样本集输入至参数-功率转换模型，得到脑电模拟功率。
CN202311148582.3A 2023-09-07 2023-09-07 一种基于脑电参数的脑状态分析装置 Active CN117281535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311148582.3A CN117281535B (zh) 2023-09-07 2023-09-07 一种基于脑电参数的脑状态分析装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311148582.3A CN117281535B (zh) 2023-09-07 2023-09-07 一种基于脑电参数的脑状态分析装置

Publications (2)

Publication Number Publication Date
CN117281535A CN117281535A (zh) 2023-12-26
CN117281535B true CN117281535B (zh) 2025-11-28

Family

ID=89250881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311148582.3A Active CN117281535B (zh) 2023-09-07 2023-09-07 一种基于脑电参数的脑状态分析装置

Country Status (1)

Country Link
CN (1) CN117281535B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119376532B (zh) * 2024-10-08 2025-05-23 苏州高博职业学院 一种基于虚拟现实技术的文创体验系统及控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109893126A (zh) * 2019-03-21 2019-06-18 杭州电子科技大学 基于脑功能网络特征的癫痫发作预测方法
CN110811557A (zh) * 2019-11-15 2020-02-21 西安交通大学 一种基于微状态功率谱分析的麻醉深度监测系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012284246B2 (en) * 2011-07-16 2017-02-23 David M. Devilbiss Systems and methods for the physiological assessment of brain health and the remote quality control of EEG systems
US12042293B2 (en) * 2016-09-27 2024-07-23 Mor Research Applications Ltd. EEG microstates analysis
KR102236791B1 (ko) * 2019-11-29 2021-04-06 서울대학교병원 뇌파 분석 기반 환자진단 지원 시스템 및 방법
CN114970599B (zh) * 2022-04-01 2025-04-18 中国科学院深圳先进技术研究院 注意缺陷关联脑电信号的识别方法、识别装置、存储介质
CN116098637A (zh) * 2023-02-21 2023-05-12 天津大学 一种基于ica优化校正脑电微状态的大脑功能评测装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109893126A (zh) * 2019-03-21 2019-06-18 杭州电子科技大学 基于脑功能网络特征的癫痫发作预测方法
CN110811557A (zh) * 2019-11-15 2020-02-21 西安交通大学 一种基于微状态功率谱分析的麻醉深度监测系统及方法

Also Published As

Publication number Publication date
CN117281535A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN111616701B (zh) 基于多元变分模态分解的脑电多域特征提取方法
Learned et al. A wavelet packet approach to transient signal classification
Sharanreddy et al. EEG signal classification for epilepsy seizure detection using improved approximate entropy
CN114081508B (zh) 一种基于深度神经网络与cca特征融合的棘波检测方法
CN113076878B (zh) 基于注意力机制卷积网络结构的体质辨识方法
CN1317624C (zh) 基于瞬态视觉诱发电位提取脑机接口控制信号的方法
CN117281535B (zh) 一种基于脑电参数的脑状态分析装置
Song et al. Epileptic seizure detection using brain-rhythmic recurrence biomarkers and ONASNet-based transfer learning
CN104720797A (zh) 一种基于单通道的脑电信号中肌电噪声消除方法
CN111419221A (zh) 一种基于图卷积网络的脑电图信号分析方法
CN104173046A (zh) 一种色彩标记振幅整合脑电图的提取方法
Wang et al. PSDCE: Physiological signal-based double chaotic encryption for instantaneous E-healthcare services
CN118245865A (zh) 一种基于脉冲神经网络的电磁信号检测技术
CN120256918A (zh) 基于神经网络的多模态脑电特征认知能力评估系统
CN118924302A (zh) 基于变分模态分解的心脑耦合特征提取方法及系统
CN111652132B (zh) 基于深度学习的非视距身份识别方法、设备及存储介质
Liu et al. Trust EEG epileptic seizure detection via evidential multi-view learning
CN110403602B (zh) 用于脑电信号情感分析的改进公共空间模式特征提取方法
Jaffino et al. Expectation-maximization extreme machine learning classifier for epileptic seizure detection
CN115099274A (zh) 一种脑电信号识别方法
CN114254672A (zh) 基于双路注意力卷积神经网络的通信辐射源个体识别方法
CN119184694A (zh) 一种基于脑电特征融合选择的四维注意力识别方法
Pan et al. Classification of Power Quality Disturbances Using Resnet with Channel Attention Mechanism
CN101908099B (zh) 神经元信息单位放电分析方法及分析系统
CN117814811A (zh) 基于脑电波监测的电力巡检人员安全工作时限预测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Country or region after: China

Address after: No. 1 # 435, Hualeng Food and Beverage Co., Ltd., No. 20 Qingxiang Road, Guangyang Economic Development Zone, Guangyang District, Langfang City, Hebei Province, 065000

Applicant after: Langfang Zhenguigu Technology Co.,Ltd.

Address before: No. 1 # 435, Hualeng Food and Beverage Co., Ltd., No. 20 Qingxiang Road, Guangyang Economic Development Zone, Guangyang District, Langfang City, Hebei Province, 065000

Applicant before: Langfang Zhenguigu Technology Co.,Ltd.

Country or region before: China

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant