一种基于振幅整合脑电图的睡眠觉醒周期的分析方法技术

本发明专利技术公开了一种基于振幅整合脑电图的睡眠觉醒周期的分析方法，其涉及图像处理技术领域，通过采集脑电数据、上传并识别干扰信号，获取aEEG数据的平滑边界属性特征，将属性特征进行窗口分割，可提高分析效率，并将输入属性特征转化为浮点数值，更为方便后期的数据分析，然后交给模型1和模型2学习，利用具体算法自动识别AS和QS周期，提高了临床上aEEG识别、分析的效率与正确性，缩减了人工识别分析aEEG数据时间。数据时间。数据时间。

【技术实现步骤摘要】
一种基于振幅整合脑电图的睡眠觉醒周期的分析方法


[0001]本专利技术涉及图像处理
,特别涉及一种基于振幅整合脑电图的睡眠觉醒周期的分析方法。

技术介绍

[0002]伴随着人类社会和科学技术的进步，新生儿医学飞速发展。近年来，我国新生儿医学的工作者在围产期脑损伤的理论研究、临床诊治和新技术的开发应用等方面作了不懈的努力，并有了长足的进步。其中，脑电生理监测中的振幅整合脑电图(aEEG)是评估新生儿脑发育和脑损伤的重要方法之一。
[0003]经过多年的研究和实践使我国医疗人员对aEEG技术有了不断深入的认识，体会到aEEG与传统EEG、脑影像学和脑氧代谢监测在临床检查中构成互补关系，能够客观地评价发育中脑的成熟度，了解多种病因所致新生儿急性脑病的严重程度，发现不同形式的严重新生儿惊厥，在新生儿神经系统疾病和脑发育的诊治评价中具有很好的实用价值，且无创、便捷、异行，是新生儿临床医学邻域是适宜技术，恰当使用aEEG并将正确结果服务于临床是根本需求。
[0004]目前，aEEG的临床应用有限，其直接产物是抽象的图像，对专业的脑电分析技术有较高要求，且人工分析检测过程耗费时间长，受到局限。

技术实现思路

[0005]为了解决上述技术问题，本专利技术的目的在于提供一种基于振幅整合脑电图的睡眠觉醒周期的分析方法，能够自动化地将抽象的图像转化成能服务于临床的重要信息，帮助医师快速判断新生儿健康情况，提高了临床上aEEG识别、分析的效率与正确性。
[0006]为了实现上述目的，本专利技术所采用的技术方案为：一种基于振幅整合脑电图的睡眠觉醒周期的分析方法，包括如下步骤：
[0007]S10：通过放置在头皮适当位置的多导电极片进行脑电数据采集，并传输至计算机进行处理，生成振幅整合脑电图(aEEG)；
[0008]S20：将采集生成的aEEG数据上传至服务器，服务器获取aEEG数据后，对受到外部原因干扰导致aEEG信号异常进行识别，并标记异常时间段；
[0009]S30：根据aEEG数据，提取aEEG数据的平滑边界，并获取边界对应的属性特征数据；
[0010]S40：根据aEEG数据的平滑边界属性特征，识别AS和QS，得到睡眠觉醒周期；
[0011]其中，S40具体包括步骤：
[0012]S401：按照窗口长度为40个时间单位，跨度为20个时间单位，将数据进行窗口分割形成多维特征向量，使用每一窗口中占比最多的标注的类作为该窗口的数据标注；
[0013]S402：将输入属性经过归一化变成在区间(0，1)之间的浮点数值；
[0014]S403：多维特征向量与其对应的数据标注分别输入给模型1和模型2进行模型训练，使模型1和模型2分别学习到数据特征，使模型1和模型2拥有识别能力和分类能力；
[0015]S404：为训练后的模型输入处理好的推理数据，即可输出模型的推理分类的概率分布向量；
[0016]S405：对于每个时间窗口，将两个模型的输出的分类概率分布进行平均Bagging集成，计算出最终的概率分布，并取其中概率最高的一类为识别结果；
[0017]S406：将每个窗口的输出结果进行拼接结合，使结果与输入的时序数据的长度一致且对应；
[0018]S407：对所有窗口结果进行平滑化处理，每50个时间单位作为一个窗口，用其中占比最大的一类作为整个窗口的整体分类结果。
[0019]通过采用上述技术方案，经过aEEG脑电数据的采集，对采集的脑电数据实现去躁，提高检测的精度，并根据获取的平滑边界属性特征，自动识别睡眠觉醒周期，其中，分析识别AS和QS的方法中，对数据窗口分割，并形成多维特征向量，可提高数据整体的处理效率，输入属性向浮点数值的转化，更加方便后期对数据的处理，最终利用模型实现数据的分析处理，大大缩减了人工识别分析aEEG数据时间。
[0020]优选的，根据S407的平滑后结果，一个完整的睡眠觉醒周期片段同时满足：
[0021](1)总长度超过30分钟；
[0022](2)由相邻的完整的AS+QS或QS+AS组成；
[0023](3)相邻的AS与QS之间的距离不超过5个时间单位；
[0024](4)不与其它完整的睡眠觉醒周期在时间轴上有重叠。
[0025]通过采用上述技术方案，确定完整的睡眠觉醒周期输出条件，使得最终的分析结果更为可靠、精准。
[0026]优选的，多维特征向量设置为12维特征向量。
[0027]通过采用上述技术方案，12维特征向量的设置，可提高检测精度。
[0028]优选的，12维特征向量包括整条通道平均下边界值、整条通道的平均带宽值、窗口的下边界中最大值、窗口的平均带宽、窗口的最小带宽值、窗口的最大带宽值、窗口的下边界值的标准差、窗口的带宽值的标准差、窗口的平均下边界值与整个通道的平均下边界值差、窗口的平均带宽与整个通道的平均带宽之差、窗口的最大下边界值与整个通道的平均下边界值之差、窗口的最小带宽与整个通道的平均带宽之差。
[0029]通过采用上述技术方案，确定12维特征向量的具体类型，使其对划分的窗口实现更为全面的数据分析，从而保证检测精度。
[0030]优选的，S10具体包括步骤：
[0031]S101：使用者佩戴脑电监测设备，进行阻抗测试后，开始原始脑电信号的采集；
[0032]S102：将采集到的原始脑电信号传输至信号放大器，进行电磁干扰滤波；
[0033]S103：对过滤掉电磁干扰的原始脑电信号进行模数转换；
[0034]S104：对转化为数字信号的原始脑电进行低通抗混滤波，并将去除混叠干扰后的信号传输至算法计算机；
[0035]S105：对传输至算法计算机的原始脑电信号进行非对称带通滤波，去除运动、肌肉活动、心电等引起的干扰；
[0036]S106：对滤波后的脑电信号进行整流、平滑处理；
[0037]S107：对整流、平滑处理后的脑电信号进行时间轴压缩，并对信号幅度进行半对数
压缩处理，从而获得振幅整合脑电图(aEEG)。
[0038]通过采用上述技术方案，利用脑电监测设备获取原始的振幅整合脑电图(aEEG)。
[0039]优选的，S20具体包括步骤：
[0040]S201：使用aEEG检测设备的高精度电极片进行感应，并采集aEEG数据，并将采集的数据上传至服务器；
[0041]S202：服务器在时间序列上将数据分割为长度为20个时间单位的时间窗口，使用每个时刻上下边界值，做为输入层的特征图谱，每一窗口中占比最多的标注类作为该窗口的数据标注；
[0042]S203：将输入数据经过归一化变成在区间(0，1)之间的浮点数值；
[0043]S204：输入数据与相应数据标注输入给两个1维卷积神经网络模型进行同时训练，使两个模型分别学习到数据特征，使他们拥有识别能力和分类能力；
[0044]S205：为训练后的模型输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于振幅整合脑电图的睡眠觉醒周期的分析方法，其特征在于，包括如下步骤：S10：通过放置在头皮适当位置的多导电极片进行脑电数据采集，并传输至计算机进行处理，生成振幅整合脑电图(aEEG)；S20：将采集生成的aEEG数据上传至服务器，服务器获取aEEG数据后，对受到外部原因干扰导致aEEG信号异常进行识别，并标记异常时间段；S30：根据aEEG数据，提取aEEG数据的平滑边界，并获取边界对应的属性特征数据；S40：根据aEEG数据的平滑边界属性特征，识别AS和QS，得到睡眠觉醒周期；其中，S40具体包括步骤：S401：按照窗口长度为40个时间单位，跨度为20个时间单位，将数据进行窗口分割形成多维特征向量，使用每一窗口中占比最多的标注的类作为该窗口的数据标注；S402：将输入属性经过归一化变成在区间(0，1)之间的浮点数值；S403：多维特征向量与其对应的数据标注分别输入给模型1和模型2进行模型训练，使模型1和模型2分别学习到数据特征，使模型1和模型2拥有识别能力和分类能力；S404：为训练后的模型输入处理好的推理数据，即可输出模型的推理分类的概率分布向量；S405：对于每个时间窗口，将两个模型的输出的分类概率分布进行平均Bagging集成，计算出最终的概率分布，并取其中概率最高的一类为识别结果；S406：将每个窗口的输出结果进行拼接结合，使结果与输入的时序数据的长度一致且对应；S407：对所有窗口结果进行平滑化处理，每50个时间单位作为一个窗口，用其中占比最大的一类作为整个窗口的整体分类结果。2.根据权利要求1所述的基于振幅整合脑电图的睡眠觉醒周期的分析方法，其特征在于，根据S407的平滑后结果，一个完整的睡眠觉醒周期片段同时满足：(1)总长度超过30分钟；(2)由相邻的完整的AS+QS或QS+AS组成；(3)相邻的AS与QS之间的距离不超过5个时间单位；(4)不与其它完整的睡眠觉醒周期在时间轴上有重叠。3.根据权利要求1所述的基于振幅整合脑电图的睡眠觉醒周期的分析方法，其特征在于，多维特征向量设置为12维特征向量。4.根据权利要求3所述的基于振幅整合脑电图的睡眠觉醒周期的分析方法，其特征在于，12维特征向量包括整条通道平均下边界值、整条通道的平均带宽值、窗口的下边界中最大值、窗口的平均带宽、窗口的最小带宽值、窗口的最大带宽值、窗口的下边界值的标准差、窗口的带宽值的标准差、窗口的平均下边界值与整个通道的平均下边界值差、窗口的平均带宽与整个通道的平均带宽之差、窗口的最大下边界值与整个通道的平均下边界值之差、窗口的最小带宽与整个通道的平均带宽之差。5.根据权利要求1所述的基于振幅整合脑电图的睡眠觉醒周期的分析方法，其特征在于，S10具体包括步骤：S101：使用者佩戴脑电监测设备，进行阻抗测试后，开始原始脑电信号的采集；S102：将采集到的原始脑电信号传输至信号放大器，进行电磁干扰滤波；
S103：对过滤掉电磁干扰的原始脑电信号...

【专利技术属性】
技术研发人员：杨红，程国强，秦瑞，郭胜男，
申请(专利权)人：杭州沃维医疗科技有限公司，
类型：发明
国别省市：