基于TDE-HMM模型的脑信号分析方法和装置 专利技术说明

医药医疗技术的改进;医疗器械制造及应用技术基于tde-hmm模型的脑信号分析方法和装置技术领域1.本发明涉及大脑疾病检测分析领域，特别是涉及一种基于tde-hmm模型的脑信号分析方法和装置。背景技术：2.大脑疾病是指影响大脑结构、功能和活动的疾病，它可以影响大脑的各种方面，包括认知、运动、感觉、情绪、行为等等。大脑疾病的种类很多，包括神经退行性疾病(如阿尔茨海默病、帕金森病)、脑血管疾病(如脑卒中)、癫痫、头痛、精神疾病(如抑郁症、精神分裂症)等。大脑疾病对患者的身体、心理和社交功能都会产生负面影响，并且可能会导致严重的残疾或死亡，因此，对于大脑疾病的检测与分析非常重要。3.对于大脑疾病的早期检测诊断主要是依据患者的肢体语言进行分类检测，例如基于语音的帕金森症检测方法，主要是对于是否患病检测。后来，对大脑疾病的检测方法包括行为特征检查、脑影像学检查(ct扫描、mri、pet扫描等)、脑脊液检查、脑电图(eeg)等。4.应该注意，上面对技术背景的介绍只是为了方便对本技术的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本技术的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。技术实现要素：5.鉴于以上所述现有技术，本发明的目的在于提供一种基于tde-hmm模型的脑信号分析方法和装置，以提出一种新分析脑电信号和脑磁信号的方法。6.为实现上述目的及其他相关目的，本发明提供一种基于tde-hmm模型的脑信号分析方法，至少包括以下步骤：7.步骤一，获取脑信号的原始空间数据，并对脑信号的原始空间数据进行预处理得到源重建数据；所述脑信号包括脑电信号和脑磁信号；8.步骤二，对所述脑信号的源重建数据进行再处理后得到脑信号的源网络数据，并将所述脑信号的源网络数据输入tde-hmm模型进行训练得到状态概率时间序列；9.步骤三，基于所述状态概率时间序列和所述脑信号的源网络数据进行病例分析。10.优选地，所述预处理至少包括以下步骤：11.(1)对所述脑信号的原始空间数据进行去噪处理得到脑信号的分离数据；12.(2)对所述脑信号的分离数据进行波束成形处理得到脑信号的源网络数据。13.优选地，所述去噪处理包括信号-空间分离、配准和坏段检测。14.优选地，所述预处理还包括在所述配准之后和所述坏段检测之前进行下采样和滤波处理。15.优选地，所述预处理还包括在所述坏段检测之后进行自动独立成分分析。16.优选地，所述再处理包括脑区分割。17.优选地，所述再处理还包括聚类分析。18.优选地，步骤二中，将所述脑信号的源网络数据进行顺序时间嵌入以及pca降维分析后训练得到所述状态概率时间序列。19.优选地，基于所述状态概率时间序列和所述脑信号的源网络数据进行病例分析包括：20.(1)对所述状态概率时间序列进行处理得到二值化状态时间序列；21.(2)根据所述二值化状态时间序列和所述脑信号的源网络数据得到分析结果；22.(3)根据分析结果对病例的病因进行分析。23.为实现上述目的及其他相关目的，本发明还提供一种基于tde-hmm模型的脑信号分析装置，所述装置包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，所述处理器在执行所述计算机程序时实现上述的基于tde-hmm模型的脑信号分析方法的步骤。24.如上所述，本发明的基于tde-hmm模型的脑信号分析方法和装置，具有以下有益效果：25.本发明先获取脑信号的原始空间数据，并对脑信号的原始空间数据进行预处理得到源重建数据；其中，所述脑信号包括脑电信号和脑磁信号；再对所述脑信号的源重建数据进行再处理后得到脑信号的源网络数据，并将所述脑信号的源网络数据输入tde-hmm模型进行训练得到状态概率时间序列；最后基于所述状态概率时间序列和所述脑信号的源网络数据进行病例分析。本发明利用基于hmm算法的脑信号分析方法不仅能对是否患病进行早期的检测诊断，还能对患者的大脑患病区域进行机理分析，为临床诊断与治疗提供新的依据。附图说明26.图1显示为本发明基于tde-hmm模型的脑信号分析方法的流程示意图。27.图2显示为本发明thd-hmm模型的示意图。28.图3显示为本发明实施例中的平均光谱激活图的示意图。29.图4显示为本发明实施例中各个状态的功率谱的示意图。30.图5显示为本发明实施例中参数分析的示意图。31.图6显示为本发明实施例中个状态之间的转换矩阵示意图。具体实施方式32.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。33.请参阅图1-6。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。34.由于脑电信号(脑电信号，eeg)是大量神经元同步活动的突触后电位经总和后形成的，它是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体表征，脑电对径向电流活动更敏感，同时脑电设备价廉，应用广泛，但是在头皮和大脑组织之间起保护作用的颅骨电导率远小于其他周围组织，极大地降低颅外探测脑电的信号强度；而脑磁信号(脑磁信号，meg)记录的是神经细胞相关的带电离子的迁移产生的局部微弱电流所形成的颅外磁场总和，对切向电流活动更敏感，脑磁受大脑结构非均匀性影响小，时间分辨率高，空间分辨率较高，无创，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体表征，但是测量设备及维护昂贵。二者各有优势，可以进行相互补充。因此，本发明提出一种对脑信号(脑电和脑磁)进行分析的新方法，将正常人与患者的脑信号的检测分析结果进行对比分析，不仅能对是否患病进行早期的检测诊断，还能对患者的大脑患病区域进行机理分析，为临床诊断与治疗提供新的依据。35.在对脑信号进行检测分析时以前采用用于研究光谱特性或功能连通性的时变模式的方法使用滑动时间窗。该方法预先指定变化模式的时间分辨率，当相同模式在其他时间点重复出现时，会使数据的使用效率低下。并且该方法还需要选择时间窗口的宽度，短窗口可能会导致噪声估计，而长窗口可能会错过最快的变化；为了解决这一问题，提出了采用隐马尔可夫模型(hidden markov model，hmm)，hmm模型是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程，其难点是从可观察的参数中确定该过程的隐含参数，然后利用这些参数来做进一步的分析，例如模式识别是在被建模的系统被认为是一个马尔可夫过程与未观测到的(隐藏的)的状态的统计马尔可夫模型。hmm模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生；所以，hmm模型是一个双重随机过程——具有一定状态数的隐马尔可夫链和显示随机函数集。hmm模型的优点是根据高斯分布的均值和协方差特征进行状态分类，能够识别多区域光谱特性在亚秒级时间尺度上随时间的变化；但存在通道过多造成输入数据的过拟合问题，故又提出了采用时延嵌入-隐马尔可夫模型(time-delay embedding hidden markov model，tde-hmm)如图2所示，该模型是在hmm模型的基础上，对输入数据进行顺序时延嵌入和pca降维分析从而避免过拟合现象。因此，本发明提出了基于tde-hmm模型对脑信号进行分析检测，即本发明提出一种基于tde-hmm模型的脑信号分析方法、装置和电子设备。36.方法实施例：37.如图1所示为本发明基于tde-hmm模型的脑信号分析方法的流程图，现通过以下内容对本发明基于tde-hmm模型的脑信号分析方法的技术方案进行详细的介绍。38.步骤一，获取脑信号的原始空间数据，并对脑信号的原始空间数据进行预处理得到脑信号的源重建数据；其中，所述脑信号包括脑电信号和脑磁信号；39.本发明通过磁传感器和微电流传感器的输出端采集到脑信号的原始空间数据，因此，原始空间数据分别对应脑电信号和脑磁信号。40.本发明中预处理至少包括以下步骤：41.(1)对所述脑信号的原始空间数据进行去噪处理得到脑信号的分离数据；42.其中，所述去噪处理包括信号-空间分离、配准和坏段检测；43.在本发明中，信号-空间分离处理是指对脑信号的原始空间数据信号-空间分离，具体是利用maxfilter工具箱将外部噪声与大脑神经元活动产生的信号进行区分，从而去除环境噪声的干扰；其中，maxfilter是将记录的脑信号(脑电/磁信号)中的哪些部分来自大脑内的神经元活动，哪些来自外部噪声源采用最大滤波器的方法进行区分。44.在本发明中，配准是指使用rhino进行结构核磁共振与对经过信号-空间分离后的脑信号之间的配准(osl中包括鼻子的头部形状配准)，其中，osl的全称ohba software library，即ohba软件库。45.其中，rhino是美国robert mcneel&assoc开发的pc上强大的专业3d造型软件，它可以在windows系统中建立、编辑、分析和转换nurbs曲线、细分曲线、四边面重新拓扑、曲面和实体。不受复杂度、阶数以及尺寸的限制。46.在本发明中，由于脑信号(脑电和脑磁)所采集的数据并不全部是神经元产生的信号，可能会因为人工伪影引入偏差，因此需要将坏段剔除。本发明的坏段检测是利用广义极端学生化偏差(extreme studentized deviate，gesd)方法去除不良的坏段。换言之，通过广义极端学生化偏差方法将对应于离群值的窗口标记为连续数据中的坏段，然后将坏段去除。其中，坏段是由于检测过程中由于患者的异常活动引起的，具有脑信号特征的信号断，以及被伪迹所(如肌电/磁信号)污染的信号段。47.作为本发明的优选实施方式，在配准后且在坏段检测之前进行下采样与滤波处理，将配准后的脑信号下采样到一定频率以减少计算需求和分析所消耗的磁盘空间量。在特定频率范围内应用带通滤波器，以去除配准之后的数据集中的非常慢(1hz以下)的趋势和很高(100hz以上)的频率。相对应的，坏段检测在下采样与滤波以后对信号进行坏段检测，利用广义极端学生化偏差(extreme studentized deviate)gesd方法去除不良段，去噪效果更好。在本发明实施例中，将信号下采样至250hz，减少计算需求与磁盘消耗1-45hz滤波，去除趋势与高频。48.作为本发明的优选实施方式，对坏段检测之后的脑信号进行自动独立成分分析，即使用ica算法识别脑信号数据集中定期重复出现的伪迹，即眼球运动的心跳产生的脑信号，从而进一步去除信号噪声。49.其中，ica算法的研究可分为基于信息论准则的迭代估计方法和基于统计学的代数方法两大类，从原理上来说，它们都是利用了源信号的独立性和非高斯性。基于信息论的方法研究中，各国学者从最大熵、最小互信息、最大似然和负熵最大化等角度提出了一系列估计算法。如fastica算法、infomax算法、最大似然估计算法等。50.若没有进行下采样和自动地理分析，进行后续分析过程中运算量大，也会对结果的有一定的影响。51.(2)对所述脑信号的分离数据进行波束成形处理得到脑信号的源重建数据。52.本发明利用波束成形来反演估计脑内神经活动源的位置、方向和强度信息，以此来对病灶点进行溯源定位。53.本发明考虑到脑信号包括脑磁信号和脑电信号，具体通过磁传感器或者微电流传感器分别获得脑磁信号和脑电信号，这两种传感器具有不同量级的方差，因此在源定位的波束成形期间对协方差矩阵计算的贡献不相等。为了减少这种差异，在波束成形之前对这两种传感器进行归一化。54.步骤二，对所述脑信号的源重建数据进行再处理后得到脑信号的源网络数据，并将所述脑信号的源网络数据输入tde-hmm模型进行训练得到状态概率时间序列；55.本发明的对所述脑信号的源重建数据进行再处理后得到源网络数据中的再处理包括脑区分割，即根据分割模版将脑信号的源重建数据分割为n块，t个时间节点；其中，n是人脑模版的数量，有39脑区模板、68脑区模板、116脑区模板等；56.作为本发明的一种优选实施方式，再处理还包括聚类分析，即在脑信号的源重建数据分割之后进行聚类分析。因为后续在进行隐马尔可夫训练时需要人为指定状态数量，通常需要从2-20个状态进行训练，挑选效果最好的。为了缩短分析时间，采用类似动态聚类算法，先进行预分类，确定一个大概范围，从而可以节省大量时间成本。57.本发明中，将所述脑信号的源网络数据输入tde-hmm模型进行训练得到状态概率时间序列的过程为：58.将所述脑信号的源网络数据进行顺序时间嵌入以及pca降维分析后训练得到所述状态概率时间序列。59.本发明中脑信号的源网络数据经过顺序时间嵌入以及pca降维分析能够有效防止训练过程中发生数据的拟合。60.本发明的状态概率时间序列仅用于描述状态的时间特性，可以用来计算状态谱与脑信号功率相关。61.步骤三，基于所述状态概率时间序列和所述脑信号的源网络数据进行病因分析。62.本发明中，基于所述状态概率时间序列和所述脑信号的源网络数据进行病因分析包括：63.(1)对所述状态概率时间序列进行处理得到二值化状态时间序列；64.本发明对所述状态概率时间序列采用维特比算法进行处理得到二值化状态时间序列。其中，二值化状态时间序列用于描述状态的时间特性，一个状态是一个时间序列。65.(2)根据所述二值化状态时间序列和所述脑信号的源网络数据得到分析结果；66.本发明中，采用hmm-mar工具箱进行处理得到分析结果，所述分析结果至少包括平均光谱激活图、不同状态的功率谱、参数分析等。其中，参数分析至少包括状态间隔、状态寿命和状态占比。67.本发明中，对于每个推断的状态，计算相应的概率时间过程，并使用在中引入的状态多维度方法在特定频率(1-30hz)范围内估计特定于状态的脑信号的功率谱。68.(3)根据分析结果对病例的病因进行分析。69.对健康人群的脑信号与患者的脑信号或者患者自身治疗前与治疗后的脑信号的分析结果进行对比分析，即对比分析如图3所示的平均光谱激活图、如图4所示的各个状态的功率谱、如5所示的参数分析(状态间隔、状态寿命、状态占比)，从而对大脑疾病的病因进行检测分析。其中，各个状态之间的转换矩阵如图6所示。70.装置实施例：71.本发明还提出一种基于tde-hmm模型的脑信号分析装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，所述处理器在执行所述计算机程序时实现上述的基于tde-hmm模型的脑信号分析方法的步骤。72.其中，基于tde-hmm模型的脑信号分析方法的步骤已在方法实施例中详细介绍，为避免重复赘述，此处不再展开进行介绍说明。73.综上所述，本发明先获取脑信号的原始空间数据，并对脑信号的原始空间数据进行预处理得到源重建数据；其中，所述脑信号包括脑电信号和脑磁信号；再对所述脑信号的源重建数据进行再处理后得到脑信号的源网络数据，并将所述脑信号的源网络数据输入tde-hmm模型进行训练得到状态概率时间序列；最后基于所述状态概率时间序列和所述脑信号的源网络数据进行病例分析。本发明首次对脑信号利用hmm模型对大脑疾病进行检测分析，运用经过隐马尔可夫模型分析所得的状态对正常人和患者进行平均光谱激活图、各个状态的功率谱、状态之间的转换矩阵、相关参数(状态间隔、状态寿命、状态占比)等对比分析。为临床诊断与治疗提供新的依据，进一步探索理解大脑的工作机理。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。74.上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!