用于确定脑电图的微状态的方法和设备技术

提出用于确定脑电图EEG的微状态的方法和设备。该方法包括获取受试者在多个导联通道上的脑电图信号；基于与正常的脑电图信号对应的参考微状态对脑电图信号进行聚类；以及基于聚类的结果生成与受试者对应的微状态模板以确定微状态。该方法可以可以降低对所采集的EEG信号质量的严格要求，降低聚类分析方法对EEG信号中的噪声的敏感性，保持微状态分析方法的准确性和高效性。准确性和高效性。准确性和高效性。

【技术实现步骤摘要】
用于确定脑电图的微状态的方法和设备


[0001]本申请涉及脑电图信号分析，具体地，涉及用于确定脑电图的微状态的方法、设备和计算机可读存储介质。

技术介绍

[0002]脑电图(EEG)信号可以表征人类的脑电活动，其具有高时间分辨率以及高空间分辨率的优点。1987年，Lehmann根据EEG信号的脑地形图的拓扑变化首次提出微状态的概念。他认为EEG的微状态能够反映出人类的全局脑功能状态变化是不连续以及非线性的。微状态揭示出人脑活动中90％的变化可以由四种微状态之间的转换来解释，这四种微状态之间的转换可以代表任何人类的大脑活动变化。2009年，Lehmann进一步根据实验确定一个EEG微状态的持续时间为80
‑
120ms，并且微状态之间不能平滑地相互转换，而是突然变化的。
[0003]EEG的微状态作为一种越来越受欢迎的脑电活动分析方法，通常针对来自受试者的一批EEG信号数据，应用诸如k
‑
means等的聚类方法获得上述四类微状态，进而对微状态之间的转换关系和每个微状态出现的次数进行进一步的脑功能研究。
[0004]但是，现有的微状态分析方案多是基于经过严格去噪后的EEG信号数据进行聚类而获得四种微状态。对于单个EEG信号数据而言，由于EEG信号质量不同，特别是在EEG信号中存在高噪声时导致信号质量较差的情况下，现有微状态聚类方法对高信号质量的需求使得其对噪声的敏感性较大而适用性较低，无法保证预期的聚类效果。
[0005]因此，存在对现有的EEG微状态确定和分析方案进行改进的需求。

技术实现思路

[0006]鉴于上文中提及的缺陷和待解决的问题，本申请提出用于确定脑电图EEG的微状态的方案，其可以克服现有微状态聚类分析技术对EEG信号中的噪声(特别是高噪声成分)的敏感性，体现出在各种噪声情况下准确地基于EEG信号确定针对受试者的特定微状态的优点。
[0007]根据本申请的一方面，提出一种用于确定脑电图的微状态的方法，包括：获取受试者在多个导联通道上的脑电图信号；基于与正常的脑电图信号对应的参考微状态对脑电图信号进行聚类；以及基于聚类的结果生成与受试者对应的微状态模板以确定微状态。
[0008]根据本申请的另一方面，提出一种用于确定脑电图的微状态的设备，包括：获取单元，被配置为获取受试者在多个导联通道上的脑电图信号；分析单元，被配置为基于与正常的脑电图信号对应的参考微状态对脑电图信号进行聚类，以及基于聚类的结果生成与受试者对应的微状态模板以确定微状态。
[0009]根据本申请的又一方面，提出一种计算机可读存储介质，其上存储有计算机程序，该计算机程序包括可执行指令，当该可执行指令被处理器执行时，实施如上所述的方法。
[0010]根据本申请的再一方面，提出一种电子设备，包括处理器；以及存储器，用于存储所述处理器的可执行指令；其中，该可执行指令在被处理器执行时实现如上所述的方法。
[0011]基于本申请提出的确定脑电图EEG的微状态的方法和设备，可以降低对所采集的EEG信号质量的严格要求，降低聚类分析方法对EEG信号中的噪声的敏感性，保持微状态分析方法的准确性和高效性。其中，通过采用来自大量健康人群的正常EEG信号数据的微状态聚类结果作为参考微状态的普适典型形态，用其代替传统的k
‑
means聚类方法中的原始随机聚类中心，可以加快聚类算法的迭代速度。在迭代过程中，进一步通过聚类中心回退和控制迭代次数的方式微调迭代过程，控制聚类结果偏离原始聚类中心的速度和程度而确保每次迭代后不会偏离参考的聚类中心过远。这种方式在保证微状态聚类结果至少达到甚至超过传统k
‑
means聚类方法结果的前提下尽可能降低微状态聚类和分析方法对信号质量的依赖程度，还可以体现出微状态对于受试者的特异性。在改进聚类过程的基础上，本申请还可以对参与聚类的样本进行筛选，进一步降低和/或移除在采集的EEG信号中噪声成分过高或由于去噪不够严格导致的噪声干扰，提高微状态的聚类结果准确性。
附图说明
[0012]通过参照附图详细描述其示例性实施例，本申请的上述和其它特征及优点将变得更加明显。
[0013]图1为根据本申请的一个实施例的用于确定脑电图EEG的微状态的方法的示意性流程。
[0014]图2为根据本申请的一个实施例的从脑电图EEG信号中提取待聚类的样本的示意图。
[0015]图3为根据本申请的一个实施例的作为固定的聚类中心的参考微状态的微状态地形图的示意图。
[0016]图4为根据本申请的一个实施例的用于确定脑电图的微状态的设备的示意性结构框图。
[0017]图5为根据本申请的一个实施例的用于确定脑电图的微状态的电子设备的示意框图。
具体实施方式
[0018]现在将参考附图更全面地描述示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本申请的内容变得全面和完整，并将示例性实施例的构思全面地传达给本领域的技术人员。在图中，为了清晰起见，可能会夸大部分元件的尺寸或加以变形。在图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
[0019]此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、元件等。在其它情况下，不详细示出或描述公知结构、方法或者操作以避免模糊本申请的各个方面。
[0020]在临床上使用脑电设备(例如脑电放大器)采集患者的脑电图EEG信号。在本文中，脑电图EEG的微状态主要涉及受试者处于静息态下的微状态，其一般包括右额
‑
左后部(A)、
左额
‑
右后部(B)、中额
‑
枕叶(C)和中额(D)地形图的四个微状态。微状态时间序列用于表征微状态随时间变化，其常用的微状态参数可以是从EEG信号生成的微状态的平均持续时间，出现频率，覆盖范围，地形图(拓扑形状图)，微状态振幅，全局解释方差和转换概率等。这些参数变化可以描述人脑的微状态变化。在下文的示例性实施例中，基于以EEG信号的多个导联通道上的信号电压幅度的分布图作为微状态地形图来获取与受试者相对应的特定微状态。但是，本领域技术人员将理解，电压幅度分布图形式的微状态地形图仅仅是示例而不是对本申请方案的限制，本领域技术人员还可以使用其他微状态参数来实施本申请提出的EEG的微状态的确定和分析方案。
[0021]如上文所述，现有的微状态聚类分析方案对EEG信号的信号质量要求较高(即必须采用低噪声EEG信号)，使得其无法应用于具有噪声成分比例较高的EEG信号。高噪声含量的EEG信号会导致参与聚类的微状态地形图(即聚类样本)参差不齐，所以通过聚类结果得出的微状态无法代表真实的人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于确定脑电图的微状态的方法，包括：获取受试者在多个导联通道上的脑电图信号；基于与正常的脑电图信号对应的参考微状态对所述脑电图信号进行聚类；基于所述聚类的结果生成与所述受试者对应的微状态模板以确定所述微状态。2.根据权利要求1所述的方法，其特征在于，基于与正常的脑电图信号对应的参考微状态对所述脑电图信号进行聚类包括：基于所获取的脑电图信号生成所述脑电图的总体场功率曲线；将与所述总体场功率曲线的峰值对应的时刻处的所述脑电图信号在所述多个导联通道上的微状态地形图作为所述聚类的样本；基于所述参考微状态对所述样本进行聚类。3.根据权利要求2所述的方法，其特征在于，通过如下公式计算所述总体场功率：其中，GFP(t)为所述脑电图信号在时刻t处的总体场功率，n为导联通道的数量，i为正整数并且1≤i≤n，V
i
(t)为第i个导联通道的脑电图信号在时刻t处测量的电压，V
mean
(t)为所述多个导联通道的脑电图信号在时刻t处测量的电压的平均值。4.根据权利要求3所述的方法，其特征在于，所述参考微状态通过对正常的脑电图信号进行严格去噪以及聚类来确定，基于所述参考微状态对所述样本进行聚类包括：将所述参考微状态的微状态地形图作为固定的聚类中心对所述样本进行聚类。5.根据权利要求4所述的方法，其特征在于，在对所述样本进行聚类之前，基于所述样本与所述固定的聚类中心的相似度筛选所述样本。6.根据权利要求5所述的方法，其特征在于，通过如下公式计算所述相似度：其中，sim为样本与所述固定的聚类中心的相似度，v为所述固定的聚类中心，vi为参与所述聚类的样本，norm()表示对微状态地形图的向量求模长。7.根据权利要求5所述的方法，其特征在于，基于所述样本与所述固定的聚类中心的相似度...

【专利技术属性】
技术研发人员：闫宇翔，赵童，张琪，
申请(专利权)人：灵犀云医学科技北京有限公司，
类型：发明
国别省市：