一种基于电阻抗层析成像的非线性脑卒中分析方法技术

本发明专利技术公开了一种基于电阻抗层析成像的非线性脑卒中分析方法，该方法将非线性方法与EIT相结合，有效避免求解电导率分布时严重的病态性。根据被测场域获取代表阻抗信息的电压信号，将采集的多组电压信号通过降维处理得到电压变化的一维时间序列。首先求一维时间序列的最佳时间延迟和最佳嵌入维度对时间序列进行向量拓展，得到时间序列所对应的高维向量组。然后计算向量组的状态，得到向量组的状态矩阵，并对状态矩阵进行绘制，得到所对应的二维图像。最后对二维图像的小范围复杂度分析来判断数据来源的状态。本发明专利技术所提方法该方法能够有效的避免求解电导率分布时严重的病态性，并且比机器学习算法更加简单。并且比机器学习算法更加简单。并且比机器学习算法更加简单。

【技术实现步骤摘要】
一种基于电阻抗层析成像的非线性脑卒中分析方法


[0001]本专利技术属于电学层析成像
，具体涉及一种基于电阻抗层析成像的非线性脑卒中分析方法。

技术介绍

[0002]脑卒中，其实质是因为脑部动静脉病变而导致的急性脑神经功能受损，脑卒中的发病率极高，一旦发病极容易致残，治愈后复发概率也较高。据世界卫生组织统计，现脑卒中是人类第二大死亡原因，其死亡率约为30％。在我国，脑血管疾病已经是引起国民死亡的首要原因，中国每年新发脑卒中病人达200万，发病率高达1.5
‰
，且发病率正以每年近9％的速率上升。脑卒中分为缺血型和出血型两个亚型，其中前者最为常见，约占55％～90％。缺血性脑卒中因其具有高致残率，还加上脑部神经功能恢复具有长期性和不完全性，对社会和个人家庭造成的负担极重。
[0003]如何降低患者死亡率并改善预后效果是目前亟待解决的问题。有研究表明在缺血性脑卒中发病四个半小时内进行溶栓处理可以有效降低患者的死亡率并具有较好的预后效果。在临床应用中，计算机断层扫描(Computed Tomography，CT)和磁共振成像(Magnetic Resonance Imaging，MRI)是常用的成像方法。但是CT具有放射性，而核磁共振的价格是十分昂贵的。近年来，电阻抗断层成像(Electrical Impedance Tomography，EIT)引起了学者相当大的研究兴趣。与CT和MRI相比，EIT具有便携、无创、成本低的特点，更适合用于患者疾病的早期判断和床边监护。EIT技术应用于脑部监测中，将安全电流注入附着在头皮上的一对相对电极中，测量剩余电极对之间的边界电压，以恢复检测区域内的电导率分布。然而，电阻抗层析成像的逆问题是严重病态的，会导致重建质量不佳，影响分析的准确性。在最近的研究中，已经提出了基于电阻抗层析成像数据的各种分类方法。与基于图像的方法不同，这种方法避免了图像重建中所需的逆问题的求解，因此结果更可靠。如：B.McDermott等人2018发布在PlosOne第13卷、第7期，文献编号为e0200469，题为《使用具有电阻抗断层成像测量框架的SVM分类器检测脑出血》(Brain haemorrhage detection using a SVM classifier with electrical impedance tomography measurement frames)。这些研究已经证明了基于电阻抗成像测量数据进行分类的潜力。应该注意的是，文中采用的SVM方法属于机器学习算法，需要根据不同模型进行学习，相比传统的分类方法比较复杂。而且，只使用SVM检测出血性脑卒中，并没有考虑缺血性脑卒中的分类情况。因此，需要一种比机器学习算法简单的方法对缺血性脑卒中的类型进行快速识别，以帮助医生更好的判断当前患者的情况以便患者得到及时有效的治疗。
[0004]本专利技术提出了一种基于电阻抗层析成像的非线性脑卒中分析方法，该方法将通过非线性方法与电阻抗层析成像相结合有效的避免求解电导率分布时严重的病态性，并且比机器学习算法更加简单，能够有效的对缺血性脑卒中进行判断。

技术实现思路

[0005]本专利技术解决的技术问题是提出了一种基于电阻抗层析成像的非线性脑卒中分析方法，该方法将通过非线性方法与电阻抗层析成像相结合有效的避免求解电导率分布时严重的病态性，能够有效的对缺血性脑卒中进行判断。
[0006]本专利技术为解决上述技术问题采用如下技术方案，一种基于电阻抗层析成像的非线性脑卒中分析方法，其特征在于具体步骤为：
[0007]步骤S1，获取正常大鼠的电阻抗断层成像数据和缺血性脑卒中大鼠的电阻抗断层成像数据，以大鼠头骨矢状缝中点为坐标原点，令沿矢状缝方向为长轴方向垂直矢状缝方向为短轴方向，在大鼠顶骨上构建长轴长1.5cm，短轴长1.25cm的椭圆形区域，沿椭圆区域边界均匀放置8个电极，令矢状缝与冠状缝交界处的电极为1号电极，并依次逆时针编号其余7个电极，采用相对电流激励相邻电压测量且激励电极不测量的模式，依次采集循环激励循环测量下的边界电压值，循环激励循环测量步骤如下：
[0008](1)使用1号和5号电极作为激励电极进行电流激励，依次采集3号电极与2号电极的电压测量值差值、4号电极与3号电极的电压测量值差值、7号电极与6号电极的电压测量值差值、8号电极与7号电极的电压测量值差值；
[0009](2)使用2号和6号电极作为激励电极进行电流激励，依次采集4号电极与3号电极的电压测量值差值、5号电极与4号电极的电压测量值差值、8号电极与7号电极的电压测量值差值、1号电极与8号电极的电压测量值差值；
[0010](3)按照以上激励顺序和采集顺序，依次类推，最后，使用8号和4号电极作为激励电极进行电流激励，依次采集2号电极与1号电极的电压测量值差值、3号电极与2号电极的电压测量值差值、6号电极与5号电极的电压测量值差值、7号电极与6号电极的电压测量值差值；
[0011]一次循环激励循环测量可采集32个电压测量值差值，循环激励循环测量共进行L次，将L次循环激励循环测量采集到的电压测量值差值分为32组，分组的规则为：将L次循环激励循环测量中，同一编号电极激励下对应的相同编号两电极的电压测量值差值分为一组，进行L次循环激励循环测量获得32组长度均为L的电压测量值差值，即为获取的电阻抗断层成像数据；
[0012]步骤S2，将采集到的EIT数据转化为一维时间序列x(k)，计算公式如下：
[0013][0014]式中，k＝1,2,
…
,L，L为循环激励循环测量的总次数；x(k)为电压变化的一维时间序列，c表示电压测量值差值的组数，为32组；V
ab
(k)表示缺血性脑卒中大鼠的第k次循环激励循环测量中第a(a＝1,2,
…
,8)次电流激励下第b(b＝1,...,4)个电压测量值差值，V
0ab
表示正常大鼠的第a次电流激励下的第b个电压测量值差值，V
0ab
表示正常大鼠单次循环激励循环测量中第a次电流激励下的第b个电压测量值差值；
[0015]步骤S3，求一维时间序列x(k)的最佳时间延迟τ，迭代求解过程如下：
[0016](1)设置初始化参数：第一时间延迟t＝1，最大时间延迟t
max
，第一嵌入维度m＝2，以上变量均为整数；
[0017](2)将一维时间序列x(k)按第一时间延迟t和第一嵌入维度m进行向量拓展，其中m
维拓展向量一X(u)的计算公式如下：
[0018]X(u)＝(x(u),x(u+t),x(u+2t),
···
,x(u+(m
‑
1)t))
[0019]式中，u为中间变量一；
[0020]令u＝k，并限定u的取值为u＝1,2,
…
,L
‑
(m
‑
1)t，得到拓展向量组一：
[0021][0022](3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电阻抗层析成像的非线性脑卒中分析方法，其特征在于具体步骤为：步骤S1，获取正常大鼠的电阻抗断层成像数据和缺血性脑卒中大鼠的电阻抗断层成像数据，以大鼠头骨矢状缝中点为坐标原点，令沿矢状缝方向为长轴方向垂直矢状缝方向为短轴方向，在大鼠顶骨上构建长轴长1.5cm，短轴长1.25cm的椭圆形区域，沿椭圆区域边界均匀放置8个电极，令矢状缝与冠状缝交界处的电极为1号电极，并依次逆时针编号其余7个电极，采用相对电流激励相邻电压测量且激励电极不测量的模式，依次采集循环激励循环测量下的边界电压值；一次循环激励循环测量可采集32个电压测量值差值，循环激励循环测量共进行L次，将L次循环激励循环测量采集到的电压测量值差值分为32组，分组的规则为：将L次循环激励循环测量中，同一编号电极激励下对应的相同编号两电极的电压测量值差值分为一组，进行L次循环激励循环测量获得32组长度均为L的电压测量值差值，即为获取的电阻抗断层成像数据；步骤S2，将采集到的EIT数据转化为一维时间序列x(k)，计算公式如下：式中，k＝1,2,
…
,L，L为循环激励循环测量的总次数；x(k)为电压变化的一维时间序列，c表示电压测量值差值的组数，为32组；V
ab
(k)表示缺血性脑卒中大鼠的第k次循环激励循环测量中第a(a＝1,2,
…
,8)次电流激励下第b(b＝1,...,4)个电压测量值差值，V
0ab
表示正常大鼠的第a次电流激励下的第b个电压测量值差值，V
0ab
表示正常大鼠单次循环激励循环测量中第a次电流激励下的第b个电压测量值差值；步骤S3，求一维时间序列x(k)的最佳时间延迟τ，迭代求解过程如下：(1)设置初始化参数：第一时间延迟t＝1，最大时间延迟t
max
，第一嵌入维度m＝2，以上变量均为整数；(2)将一维时间序列x(k)按第一时间延迟t和第一嵌入维度m进行向量拓展，其中m维拓展向量一X(u)的计算公式如下：X(u)＝(x(u),x(u+t),x(u+2t),
···
,x(u+(m
‑
1)t))式中，u为中间变量一；令u＝k，并限定u的取值为u＝1,2,
…
,L
‑
(m
‑
1)t，得到拓展向量组一：(3)求拓展向量组一的信息熵H(X)，计算公式如下：式中，P
X
(X(u))为X(u)出现的概率；
(4)再将一维时间序列x(k)按第二时间延迟t
*
＝t+1和第一嵌入维度m进行向量拓展，其中m维拓展向量二X
*
(f)的计算公式如下：X
*
(f)＝(x(f),x(f+t
*
),x(f+2t
*
),
···
,x(f+(m
‑
1)t
*
))式中，f为中间变量二；令f＝k，并限定f的取值为f＝1,2,
…
,L
‑
(m
‑
1)t
*
，得到拓展向量组二：(5)求拓展向量组二的信息熵H(X
*
)，计算公式如下：式中，为X
*
(f)出现的概率；(6)求拓展向量组一和拓展向量组二的联合熵H(X,X
*
)，计算公式如下：式中，表示X(u)和X
*
(f)一起出现的概率；(7)计算拓展向量组一的信息熵H(X)与拓展向量组二的信息熵H(X
*
)的和与联合熵H(X,X
*
)的差值I(t)，计算公式如下：I(t)＝H(X)+H(X
*
)
‑
H(X,X
*
)(8)判断是否满足停止迭代条件t＞t
max
，若否，更新t＝t+1，并返回步骤S3的第(2)步，继续迭代求解；若是，以t＝0，I＝0为坐标原点，建立以t为横坐标I为纵坐标的坐标系，判断I(t)曲线是否存在极小值，若存在极小值，令极小值所对应的t为最佳时间延迟τ，即τ＝t；若不存在极小值，τ＝t
max
；步骤S4，求一维时间序列x(k)的最佳嵌入维度M，迭代求解过程如下：(1)设置初始化参数：第二嵌入维度最大第二嵌入维度距离阈值ω＝0.1，变化比例阈值θ＝0.1，点计数参数np＝0；(2)对一维时间序列x(k)按最佳时间延迟τ和第二嵌入维度进行向量拓展，其中维拓展向量ψ(n)的计算公式如下：式中，n为中间变量三；令n＝k，并限定n的取值为得到拓展向量组三：
(3)...

【专利技术属性】
技术研发人员：施艳艳，高振，王萌，杨坷，李亚婷，
申请(专利权)人：河南师范大学，
类型：发明
国别省市：