基于压缩域的脑电信号微状态模板生成方法技术

本申请适用于脑电信号处理技术领域，提供了基于压缩域的脑电信号微状态模板生成方法

【技术实现步骤摘要】
基于压缩域的脑电信号微状态模板生成方法、装置及终端


[0001]本申请属于脑电信号处理
，尤其涉及基于压缩域的脑电信号微状态模板生成方法
、
装置及终端
。

技术介绍

[0002]对脑电进行分析的方法中，脑电微状态采用多通道电极的地形图拓扑结构定义状态，反映了脑电中占主导地位的大脑网络的同步活动产生的瞬态脑状态，是分析脑电数据的重要工具
。
对不同的人群，可以使用这些人群的脑电数据进行聚类，形成微状态模板，如对于老年痴呆
(AD)
人群
、
轻度认知障碍
(MCI)
人群
、
正常人群可分别计算出
AD
组
、MCI
组
、
正常组的微状态聚类结果，即微状态模板
。
[0003]脑电图数据是典型的非结构化流数据，它较文本诊疗数据要大的多，对其高效处理具有挑战性
。
目前脑电微状态模板都是基于原始数据生成的，这给数据存储
、
传输和分析带来了较大压力
。

技术实现思路

[0004]为克服相关技术中存在的问题，本申请实施例提供了基于压缩域的脑电信号微状态模板生成方法
、
装置及终端
。
[0005]本申请是通过如下技术方案实现的：
[0006]第一方面，本申请实施例提供了一种基于压缩域的脑电信号微状态模板生成方法，包括：
[0007]对脑电信号进行转换变换，得到由低频分量和高频分量构成的压缩概要；其中，所述脑电信号包括多类，每一类脑电信号对应一类用户；
[0008]对所述低频分量数据进行数据分割，形成多个测试序列；
[0009]对所述多个测试序列进行带通滤波，并计算滤波后的每个测试序列的全局场功率；
[0010]搜索每个测试序列全局场功率
GFP
的局部极值点，将所述局部极值点位置的测试序列数据组成新序列，对新序列使用聚类算法进行聚类，生成与各类用户对应的微状态模板
。
[0011]结合第一方面，在一些实施例中，所述对脑电信号进行转换变换，得到由低频分量和高频分量构成的压缩概要，包括：
[0012]步骤
A1、
对于给定的原始向量
D
＝
{d1,d2,d3,
…
d
n
}
，
n
＝2t
，根据预设误差
Δ
，将每一原始数据表示为数据区间
[0013]步骤
A2、
假设相邻区间为和
i
为奇数，依次对相邻两区间进行计算，得到更新的数据区间低频分量和转换系数高频分量
b
，将更新的数据区间存
储于原始行向量的处，将转换系数
b
存储于原始行向量的处，
l1表示当前分解的级数；其中，当时，当时，
b
＝0，
φ
表示空集，
[0014]步骤
A3、
对新生成的低频分量再次进行步骤
A1
的计算，得到新的低频分量和高频分量；
[0015]步骤
A4、
逐级计算，直到计算到第
L
级，此时选择数据区间端点的平均值作为低频分量的近似值；
[0016]步骤
A5、
第
L
级低频分量置
0。
[0017]结合第一方面，在一些实施例中，在所述对所述低频分量数据进行数据分割之前，所述基于压缩域的脑电信号微状态模板生成方法还包括：
[0018]通过重构模型
[0019][0020][0021]对所述压缩概要进行重构，重构到第
L
‑1级得到重构的低频分量和高频分量；
[0022]其中，为第
l2级重构分量中存放位置为
i
的重构数据，为第
l2级重构分量中存放位置为
i+1
的重构数据；当
l2＝1时，为压缩概要中存放位置为处的数据；当
l2>1
时，为第
l2‑1级重构分量中存放位置为处的数据；当
l2＝1时，为压缩概要中存放位置为处的数据；当
l2>1
时，为第
l2‑1级重构分量中存放位置为处的数据；
l2表示当前重构的级数，
l2＝
1,2,...,L
‑1，每一级重构时
i
＝
1,3,5,...,m2‑1，
L
为分解级数
。
[0023]结合第一方面，在一些实施例中，所述对所述低频分量数据进行数据分割，形成多个测试序列，包括：
[0024]按照预设时长对低频分量数据进行数据分割，形成多个测试序列，每个测试序列的时间长度为两秒
。
[0025]结合第一方面，在一些实施例中，在所述对所述多个测试序列进行带通滤波之前，所述基于压缩域的脑电信号微状态模板生成方法还包括：
[0026]去除电极电压幅值大于阈值的测试序列，所述阈值为
100
μ
v。
[0027]结合第一方面，在一些实施例中，所述计算滤波后的每个测试序列的全局场功率，
包括：
[0028]通过计算滤波后的每个测试序列的全局场功率，
t
代表时刻点，
i
代表电极位置，
v
代表电极电压幅值
。
[0029]结合第一方面，在一些实施例中，所述对新序列使用聚类算法进行聚类，生成与各类用户对应的微状态模板，包括：
[0030]通过
AAHC
聚类算法对新序列进行聚类，生成与各类用户对应的四种微状态模板，四种微状态模板分别为微状态类别
A、
微状态类别
B、
微状态类别
C
和微状态类别
D。
[0031]第二方面，本申请实施例提供了一种基于压缩域的脑电信号微状态模板生成装置，包括：
[0032]变换模块，用于对脑电信号进行转换变换，得到由低频分量和高频分量构成的压缩概要；其中，所述脑电信号包括多类，每一类脑电信号对应一类用户；
[0033]分割模块，用于对所述低频分量数据进行数据分割，形成多个测试序列；
[0034]滤波计算模块，用于对所述多个测试序列进行带通滤波，并计算滤波后的每个测试序列的全局场功率；
[0035]生成模块，用于搜索每个测试序列全局场功率
GFP
的局部极值点，将所述局部极值点位置的测试序列数据组成新序列，对新序列使用聚类算法进行聚类，生成与各类用户对应的微状态模板
。
[0036]第三方面，本申请实施例提供了一种终端，包括存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于压缩域的脑电信号微状态模板生成方法，其特征在于，包括：对脑电信号进行转换变换，得到由低频分量和高频分量构成的压缩概要；其中，所述脑电信号包括多类，每一类脑电信号对应一类用户；对所述低频分量数据进行数据分割，形成多个测试序列；对所述多个测试序列进行带通滤波，并计算滤波后的每个测试序列的全局场功率；搜索每个测试序列全局场功率
GFP
的局部极值点，将所述局部极值点位置的测试序列数据组成新序列，对新序列使用聚类算法进行聚类，生成与各类用户对应的微状态模板
。2.
如权利要求1所述的基于压缩域的脑电信号微状态模板生成方法，其特征在于，所述对脑电信号进行转换变换，得到由低频分量和高频分量构成的压缩概要，包括：步骤
A1、
对于给定的原始向量
D
＝
{d1,d2,d3,
…
d
n
}
，
n
＝2t
，根据预设误差
Δ
，将每一原始数据表示为数据区间步骤
A2、
假设相邻区间为和
i
为奇数，依次对相邻两区间进行计算，得到更新的数据区间低频分量和转换系数高频分量
b
，将更新的数据区间存储于原始行向量的处，将转换系数
b
存储于原始行向量的处，
l1表示当前分解的级数；其中，当时，当时，
b
＝0，
φ
表示空集，步骤
A3、
对新生成的低频分量再次进行步骤
A1
的计算，得到新的低频分量和高频分量；步骤
A4、
逐级计算，直到计算到第
L
级，此时选择数据区间端点的平均值作为低频分量的近似值；步骤
A5、
第
L
级低频分量置
0。3.
如权利要求1所述的基于压缩域的脑电信号微状态模板生成方法，其特征在于，在所述对所述低频分量数据进行数据分割之前，所述基于压缩域的脑电信号微状态模板生成方法还包括：通过重构模型通过重构模型对所述压缩概要进行重构，重构到第
L
‑1级得到重构的低频分量和高频分量；其中，为第
l2级重构分量中存放位置为
i
的重构数据，为第
l2级重构分量中存放
位置为
i+1
的重构数据；当
l2＝1时，为压缩概要中存放位置为处的数据；当
l2>1
时，为第
l2‑1级重构分量中存放位置为处的数据；当
l2＝1时，为压缩概要中存放位置为处的数据；当
l2>1
...

【专利技术属性】
技术研发人员：冯春雨，史玉盼，李晓云，黄世中，王怀瑞，赵环宇，黎彤亮，
申请(专利权)人：河北省科学院应用数学研究所，
类型：发明
国别省市：