基于小波包變換的生物電腦部信號(hào)分析方法
【專利摘要】本案涉及一種基于小波包變換的生物電腦部信號(hào)分析方法，包括：對(duì)采集到的腦部信號(hào)進(jìn)行預(yù)處理，得到預(yù)處理信號(hào)；針對(duì)該預(yù)處理信號(hào)，選擇匹配度最高的小波基函數(shù)進(jìn)行小波變換分解，獲得感興趣頻帶或頻率子帶的特征信號(hào)；通過(guò)建立閾值T來(lái)對(duì)所述特征信號(hào)進(jìn)行狀態(tài)劃分，最終得到感興趣頻帶或頻率子帶的狀態(tài)編碼。本案利用小波包變換來(lái)更加精確的對(duì)感興趣的頻帶或頻率子帶進(jìn)行提取，并進(jìn)行狀態(tài)判別，聯(lián)合不同的頻帶狀態(tài)對(duì)患者狀態(tài)進(jìn)行刻畫(huà)，從而指導(dǎo)對(duì)患者狀態(tài)的分析；本方法具有狀態(tài)特異性和自適應(yīng)性。
【專利說(shuō)明】
基于小波包變換的生物電腦部信號(hào)分析方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種生物電腦部信號(hào)的數(shù)據(jù)處理方法，特別涉及一種基于小波包變換 的腦部場(chǎng)電位信號(hào)分析方法。
【背景技術(shù)】
[0002] 患者狀態(tài)的精確確定對(duì)于臨床分析十分重要，但是目前很多生理狀態(tài)都沒(méi)有客觀 評(píng)價(jià)的標(biāo)準(zhǔn)如運(yùn)動(dòng)障礙的程度，慢性疼痛的等級(jí)，通常對(duì)這些狀態(tài)的確定主要依靠醫(yī)生經(jīng) 驗(yàn)以及患者自身的體驗(yàn)，具有很大的主觀性。對(duì)于人體生物電腦信號(hào)的研究發(fā)現(xiàn)大腦活動(dòng) 的水平跟很多生理狀態(tài)相關(guān)，這些信號(hào)可以應(yīng)用于患者狀態(tài)的定量評(píng)估，并指導(dǎo)患者的治 療。
[0003] 生物電腦部信號(hào)中蘊(yùn)含著大量的信息，但只有部分頻率帶的信息與特定狀態(tài)相 關(guān)，因此需要對(duì)頻率帶信息進(jìn)行提取，并得到這些信息與患者狀態(tài)之間的關(guān)系。但是在現(xiàn)有 技術(shù)中，對(duì)這些信息的提取方法比較單一，基本類似"一刀切"的辦法，即設(shè)定一個(gè)功率閾 值，超過(guò)該閾值是一種狀態(tài)，未超過(guò)的是另一種狀態(tài)，這種粗略的提取方法顯然為后續(xù)的狀 態(tài)分析提供了較高的誤判信息。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)存在的不足，本案提供了一種基于小波包變換的生物電腦部信號(hào)分 析方法。小波包變換提供了一種更加精細(xì)的數(shù)據(jù)分類方法，它能夠動(dòng)態(tài)有效的提取窄帶信 號(hào)，并且可以根據(jù)需求自適應(yīng)地選擇頻帶然后根據(jù)頻率特征選擇合適的小波函數(shù)得到準(zhǔn)確 的頻帶信息。當(dāng)多個(gè)頻帶與患者狀態(tài)相關(guān)時(shí)進(jìn)行聯(lián)合表達(dá)能夠更加精細(xì)的對(duì)患者狀態(tài)進(jìn)行 刻畫(huà)。
[0005] 為實(shí)現(xiàn)上述目的，本案通過(guò)以下技術(shù)方案實(shí)現(xiàn)：
[0006] -種基于小波包變換的生物電腦部信號(hào)分析方法，其包括：
[0007] 步驟1)預(yù)處理：
[0008] 對(duì)采集到的腦部信號(hào)的原始數(shù)據(jù)進(jìn)行篩選，挑選出有效信號(hào)；
[0009] 對(duì)所述有效信號(hào)進(jìn)行計(jì)算得到差分信號(hào)；
[0010] 對(duì)所述差分信號(hào)進(jìn)行去工頻干擾和基線漂移，最終得到預(yù)處理信號(hào)；
[0011] 步驟2)特征提?。?br>[0012] 針對(duì)所述預(yù)處理信號(hào)，選擇匹配度最高的小波基函數(shù)進(jìn)行小波包變換分解，獲得 感興趣頻帶或頻率子帶的特征信號(hào)；
[0013] 步驟3)狀態(tài)判別：
[0014] 通過(guò)建立閾值T來(lái)對(duì)所述特征信號(hào)進(jìn)行狀態(tài)劃分，最終得到感興趣頻帶或頻率子 帶的狀態(tài)編碼。
[0015] 優(yōu)選的是，所述的基于小波包變換的生物電腦部信號(hào)分析方法，其中，在步驟1)中 還包括對(duì)所述差分信號(hào)進(jìn)行低通濾波。
[0016] 優(yōu)選的是，所述的基于小波包變換的生物電腦部信號(hào)分析方法，其中，在步驟1)中 還包括對(duì)所述差分信號(hào)進(jìn)行降采樣處理。
[0017] 優(yōu)選的是，所述的基于小波包變換的生物電腦部信號(hào)分析方法，其中，步驟2)中， 所述小波基函數(shù)的選擇方法為：
[0018] 根據(jù)感興趣頻帶或頻率子帶的特征信號(hào)在對(duì)稱性、正交性、緊支性方面的要求，粗 選出若干個(gè)具有相似程度的小波基函數(shù)，隨后分別代入小波包變換函數(shù)中分別計(jì)算得到若 干個(gè)小波包系數(shù)的熵，將最小的熵所對(duì)應(yīng)的小波包基函數(shù)確立為匹配度最高的小波基函 數(shù)。
[0019] 優(yōu)選的是，所述的基于小波包變換的生物電腦部信號(hào)分析方法，其中，感興趣頻帶 或頻率子帶的特征信號(hào)是利用小波包變換后得到的對(duì)應(yīng)的感興趣頻帶或頻率子帶的小波 包系數(shù)C來(lái)進(jìn)行表征。
[0020] 優(yōu)選的是，所述的基于小波包變換的生物電腦部信號(hào)分析方法，其中，步驟3)中， 所述閾值T通過(guò)以下方法獲得：
[0021] 對(duì)早于當(dāng)前數(shù)據(jù)的一段時(shí)間內(nèi)的小波包系數(shù)C取中值，得median( |C| );
[0022] 設(shè)o=median( I CI )/0 · 6745;
[0023] 將〇代入minimaxi函數(shù)得到計(jì)算結(jié)果t;
[0024] 將t乘以閾值權(quán)重，得到當(dāng)前數(shù)據(jù)所對(duì)應(yīng)的閾值T。
[0025]優(yōu)選的是，所述的基于小波包變換的生物電腦部信號(hào)分析方法，其中，在步驟3) 中，狀態(tài)劃分的方法為：
[0026]以閾值T為臨界，將每個(gè)小波包系數(shù)C分別與閾值T進(jìn)行比較，從而將所有C多T的情 形和所有C<T的情形區(qū)分開(kāi)。
[0027]優(yōu)選的是，所述的基于小波包變換的生物電腦部信號(hào)分析方法，其中，所述狀態(tài)編 碼米用二進(jìn)制編碼。
[0028] 本發(fā)明的有益效果是:本案利用小波包變換來(lái)更加精確的對(duì)感興趣的頻帶或頻率 子帶進(jìn)行提取，并進(jìn)行狀態(tài)判別，聯(lián)合不同的頻帶狀態(tài)對(duì)患者狀態(tài)進(jìn)行刻畫(huà)，從而指導(dǎo)對(duì)患 者狀態(tài)的分析;本方法具有狀態(tài)特異性和自適應(yīng)性，選用小波包變換更為精細(xì)地提取與患 者狀態(tài)相關(guān)的生物電腦信號(hào)特征，并且提供了解決小波包變換中參數(shù)的選擇方案，有效的 提高的小波包變換的有效性和準(zhǔn)確性;并且本案選用閾值模型對(duì)患者狀態(tài)進(jìn)行判別，對(duì)狀 態(tài)進(jìn)行編碼，能夠更加精細(xì)的對(duì)疾病狀態(tài)進(jìn)行劃分。
【附圖說(shuō)明】
[0029] 圖1為基于生物電腦信號(hào)實(shí)現(xiàn)患者狀態(tài)判別的模型框架圖。
[0030] 圖2為患者狀態(tài)判別算法模型中的預(yù)處理示意圖。
[0031] 圖3為患者狀態(tài)判別算法模型中的特征提取示意圖。
[0032] 圖4為對(duì)提取的特征進(jìn)行狀態(tài)判別的示意圖。
[0033]圖5為利用小波包變換提取出的theta和alpha頻帶活動(dòng)示意圖。
[0034]圖6為不同小波基函數(shù)在提取theta和alpha頻帶活動(dòng)的小波包系數(shù)熵。
[0035]圖7為生成的alpha頻帶模擬信號(hào)，其中心頻率為10.5Hz，信噪比為_(kāi)5dB，包絡(luò)是周 期為4s的梯形波圖。
[0036]圖8為利用算法模型對(duì)模擬信號(hào)進(jìn)行實(shí)驗(yàn)得到的結(jié)果與理論結(jié)果的對(duì)比圖。
[0037]圖9為利用本案模型對(duì)真實(shí)慢性疼痛信號(hào)進(jìn)行信號(hào)分析提取得到theta和alpha頻 帶的小波包系數(shù)并對(duì)各節(jié)律活動(dòng)狀態(tài)進(jìn)行劃分。
[0038]圖10為利用theta和alpha節(jié)律活動(dòng)的狀態(tài)對(duì)患者狀態(tài)進(jìn)行編碼。
【具體實(shí)施方式】
[0039] 下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說(shuō)明，以令本領(lǐng)域技術(shù)人員參照說(shuō)明書(shū)文 字能夠據(jù)以實(shí)施。
[0040] 本案列出一實(shí)施例的基于小波包變換的生物電腦部信號(hào)分析方法，其包括：
[0041 ] 步驟1)預(yù)處理：
[0042]對(duì)采集到的腦部信號(hào)的原始數(shù)據(jù)進(jìn)行篩選，挑選出有效信號(hào)；
[0043] 對(duì)有效信號(hào)進(jìn)行計(jì)算得到差分信號(hào)；
[0044] 對(duì)差分信號(hào)進(jìn)行去工頻干擾和基線漂移，最終得到預(yù)處理信號(hào)；
[0045] 步驟2)特征提?。?br>[0046] 針對(duì)預(yù)處理信號(hào)，選擇匹配度最高的小波基函數(shù)進(jìn)行小波變換分解，獲得感興趣 頻帶或頻率子帶的特征信號(hào)；
[0047]步驟3)狀態(tài)判別：
[0048]通過(guò)建立閾值T來(lái)對(duì)特征信號(hào)進(jìn)行狀態(tài)劃分，最終得到感興趣頻帶或頻率子帶的 狀態(tài)編碼。
[0049] 其中，在步驟1)中還包括對(duì)差分信號(hào)進(jìn)行低通濾波。
[0050] 其中，在步驟1)中還包括對(duì)差分信號(hào)進(jìn)行降采樣處理。
[0051] 其中，步驟2)中，小波基函數(shù)的選擇方法為：
[0052]根據(jù)感興趣頻帶或頻率子帶的特征信號(hào)在對(duì)稱性、正交性、緊支性方面的要求，粗 選出若干個(gè)具有相似程度的小波基函數(shù)，隨后分別代入小波包變換函數(shù)中分別計(jì)算得到若 干個(gè)小波包系數(shù)的熵，將最小的熵所對(duì)應(yīng)的小波基函數(shù)確立為匹配度最高的小波包基函 數(shù)。
[0053]其中，感興趣頻帶或頻率子帶的特征信號(hào)是利用小波包變換后得到的對(duì)應(yīng)的感興 趣頻帶或頻率子帶的小波包系數(shù)C來(lái)進(jìn)行表征。
[0054] 其中，步驟3)中，閾值T通過(guò)以下方法獲得：
[0055] 對(duì)早于當(dāng)前數(shù)據(jù)的一段時(shí)間內(nèi)的小波包系數(shù)C取中值，得median( |C| );
[0056] 設(shè)o=median( I CI )/0 · 6745;
[0057] 將〇代入minimaxi函數(shù)得到計(jì)算結(jié)果t;
[0058] 將t乘以閾值權(quán)重，得到當(dāng)前數(shù)據(jù)所對(duì)應(yīng)的閾值T。
[0059] 其中，在步驟3)中，狀態(tài)劃分的方法為：
[0060] 以閾值T為臨界，將每個(gè)小波包系數(shù)C分別與閾值T進(jìn)行比較，從而將所有C多T的情 形和所有c<T的情形區(qū)分開(kāi)。
[0061] 其中，狀態(tài)編碼優(yōu)選采用二進(jìn)制編碼。選擇的感興趣頻帶或頻率子帶的個(gè)數(shù)將決 定編碼的位數(shù)，例如只有1個(gè)感興趣頻帶或頻率子帶時(shí)，分為兩種狀態(tài):大于等于閾值的狀 態(tài)為"Γ，而小于閾值的狀態(tài)為"0" ；若有兩個(gè)核團(tuán)分別有1個(gè)和2個(gè)感興趣頻率子帶，那么患 者狀態(tài)將有8種組合模式:000、001、010、011、100、101、110和111。本案并不限于二進(jìn)制編 碼，其他的編碼形式亦可以。
[0062] 根據(jù)實(shí)際情況確定感興趣頻帶和頻率子帶，其中實(shí)際情況指:例如：帕金森狀態(tài)與 STN核團(tuán)的beta頻段（15-30HZ)密切相關(guān)，再如研究發(fā)現(xiàn)疼痛狀態(tài)與PAG和VPL核團(tuán)神經(jīng)活動(dòng) 的theta和alpha頻帶或頻率子帶相關(guān)等。本案可以用于任何頻帶，示例頻帶包括δ帶、α帶、β 帶和γ帶以及這些頻帶的頻率子帶。頻率子帶具有比頻帶窄的頻率寬度，因此頻帶可由多 個(gè)頻率子帶進(jìn)行定義。
[0063] 生物電腦部信號(hào)的不同頻帶與不同狀態(tài)相關(guān)聯(lián)。在以下表1中示出頻帶劃分的一 個(gè)示例：
[0064] 表1、頻帶劃分
[0065]
[0066] 然而，頻帶范圍不僅限于上述表格中的范圍，可以包括多個(gè)頻率子帶（例如，可由 多個(gè)頻率子帶組成），每個(gè)頻率子帶具有比頻帶更窄的寬度，頻帶的頻率子帶可具有相同或 不同的寬度。
[0067] 所檢測(cè)的生物電腦部信號(hào)的特定頻帶內(nèi)的活動(dòng)可能由于患者的狀態(tài)發(fā)生改變而 改變，也可能是患者狀態(tài)發(fā)生改變的原因，因此特定頻帶內(nèi)的生物電活動(dòng)與患者狀態(tài)密切 相關(guān)，可用來(lái)指示患者狀態(tài)。
[0068] 相比一個(gè)單獨(dú)的頻帶信號(hào)的狀態(tài)，多個(gè)核團(tuán)的多個(gè)頻率子帶的活動(dòng)狀態(tài)能夠更好 的對(duì)患者狀態(tài)進(jìn)行劃分，例如多個(gè)頻率子帶可以劃分疼痛的不同等級(jí)，從一級(jí)到十級(jí)?；?一個(gè)或多個(gè)核團(tuán)的一個(gè)或多個(gè)感興趣頻帶或頻率子帶的小波包系數(shù)計(jì)算閾值劃分狀態(tài)可 以對(duì)患者狀態(tài)進(jìn)行分析。
[0069] 本實(shí)施例以慢性疼痛狀態(tài)為例，但在其他示例中，除了慢性疼痛之外，該算法模型 可應(yīng)用于其他患者狀態(tài)的分析，諸如，但不限于，運(yùn)動(dòng)障礙等狀態(tài)判斷。
[0070] 雖然貫穿本案的生物電腦部信號(hào)主要以人腦深部場(chǎng)電位信號(hào)（LFP)為例，但本案 所提供的算法還可用于諸如，但不限于，頭皮腦電(EEG)，腦磁圖，功能磁共振數(shù)據(jù)等與患者 狀態(tài)分析相關(guān)的生物電腦部信號(hào)。
[0071]本算法模型主要分為3個(gè)模塊，其結(jié)構(gòu)示意圖如圖1所示:預(yù)處理模塊、特征提取模 塊和狀態(tài)判別模塊。
[0072]算法模型的具體實(shí)現(xiàn)方式如下：
[0073] 為了使結(jié)果更加精準(zhǔn)，對(duì)采集到的原始數(shù)據(jù)進(jìn)行預(yù)處理分析，如圖2所示，主要包 括以下步驟：
[0074] 1)對(duì)信號(hào)質(zhì)量不佳的信號(hào)進(jìn)行剔除，包括利用信號(hào)判斷接收到的信號(hào)是否來(lái)自于 預(yù)先選擇的大腦核團(tuán)。
[0075] 2)從記錄電極的四個(gè)觸點(diǎn)得到的四通道信號(hào)計(jì)算出差分信號(hào)；
[0076] 3)對(duì)信號(hào)進(jìn)行50Hz陷波濾波去除工頻干擾，由于與患者狀態(tài)相關(guān)的局部場(chǎng)電位主 要集中在90Hz以下，因此可以做90Hz低通濾波去除高頻信號(hào)，然后做3Hz高通濾波去除掉基 線漂移，最后信號(hào)降采樣到采樣率為500Hz以減少計(jì)算量，提高計(jì)算速度。
[0077] 對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取，具體步驟如圖3所示的特征提取模塊。利用小波 包變換分解數(shù)據(jù)，提取感興趣頻帶或頻率子帶的信號(hào)，利用小波包系數(shù)表征這些頻帶信號(hào) 活動(dòng)的情況。
[0078] 特征提取是實(shí)時(shí)進(jìn)行的，特征提取模塊對(duì)收到的信號(hào)進(jìn)行很短的時(shí)間窗處理，例 如每接收到〇.2s信號(hào)處理一次，也可以選擇其他較短的時(shí)間窗。本算法模型具有實(shí)時(shí)性，其 實(shí)現(xiàn)方式是每個(gè)模塊每次只處理很短時(shí)間的最新數(shù)據(jù)，且每個(gè)模塊的處理窗長(zhǎng)均相同，在 本例中處理窗長(zhǎng)經(jīng)選擇后確認(rèn)為針對(duì)theta(6-9Hz)頻帶為0.338，而&1卩1^(9-12抱)頻帶為 0.29s。同時(shí)狀態(tài)判別模塊的先驗(yàn)數(shù)據(jù)也具有實(shí)時(shí)性，其方式是當(dāng)判別模型完成一個(gè)時(shí)間窗 內(nèi)數(shù)據(jù)的判別后就將窗內(nèi)數(shù)據(jù)納入到先驗(yàn)數(shù)據(jù)中，并丟棄原始先驗(yàn)數(shù)據(jù)中的尾部等長(zhǎng)的數(shù) 據(jù)，因此既保持先驗(yàn)信息的長(zhǎng)度，又同時(shí)進(jìn)行更新。
[0079] 在計(jì)算窗內(nèi)利用小波包變換對(duì)局部場(chǎng)電位信號(hào)進(jìn)行分解，并提取特征頻段，得到 對(duì)應(yīng)的小波包系數(shù)。在做小波包變換前首先要進(jìn)行參數(shù)選擇，包括:確定合適的小波基函數(shù) 來(lái)提取特定的信號(hào)節(jié)律，以及分解時(shí)分解層數(shù)，熵，和提取節(jié)點(diǎn)等參數(shù)的設(shè)定。但由于分解 層數(shù)，熵，和提取節(jié)點(diǎn)這些參數(shù)的選擇在當(dāng)前狀態(tài)下是本領(lǐng)域所公知通用的，因此，這些參 數(shù)相當(dāng)于就是已知的，唯一需要選擇的就是小波基函數(shù)。
[0080] 上述對(duì)于小波包變換中小波基函數(shù)的選擇方法是:結(jié)合需要提取的與患者狀態(tài)相 關(guān)的節(jié)律特征的特性和小波基函數(shù)本身的特性，如對(duì)稱性、正交性和緊支性對(duì)小波基函數(shù) 進(jìn)行粗篩選得到一組比較可靠的小波基函數(shù)組。比較利用這些小波基函數(shù)提取特征后的小 波包系數(shù)的熵，熵越小對(duì)應(yīng)的小波基函數(shù)越適合當(dāng)前的特征提取，從而得到針對(duì)該節(jié)律特 征的最佳小波基函數(shù)。圖6為利用多組真實(shí)信號(hào)比較不同小波基函數(shù)的結(jié)果，統(tǒng)計(jì)發(fā)現(xiàn) bior3.7小波基在提取alpha頻帶熵相對(duì)于其他具有良好的表現(xiàn)，而對(duì)于theta頻帶rbio3.7 較好。
[0081] 上述做小波包分解提取特征時(shí)分解層數(shù)和提取節(jié)點(diǎn)的確定方法:需要根據(jù)特征節(jié) 律的頻段改變?cè)夹盘?hào)的采樣率，使所需節(jié)律能夠從小波包分解樹(shù)上完整的提取出來(lái)。例 如特征節(jié)律的頻段為9-12HZ，則需要把原始信號(hào)重采樣使采樣率變?yōu)?84Hz，這樣根據(jù)小波 包分解定律，9-12HZ存在于節(jié)點(diǎn)[6 2]，因此分解層數(shù)為6層，提取節(jié)點(diǎn)為[6 2]。
[0082]上述小波包變換的參數(shù)中熵使用Shannon熵。
[0083]對(duì)提取的特征進(jìn)行狀態(tài)判別，方法如圖4所示，狀態(tài)判別模炔基于提取特征的小波 包系數(shù)利用閾值模型計(jì)算閾值，大于等于閾值對(duì)應(yīng)狀態(tài)"Γ，小于閾值對(duì)應(yīng)狀態(tài)"〇"。這種對(duì) 狀態(tài)的編碼是采用二進(jìn)制編碼，本案也可以選擇其他編碼形式。
[0084]上述閾值模型是基于閾值去噪構(gòu)建的，其理論為具有模式特征的信號(hào)節(jié)律的小波 包系數(shù)要大于等于隨機(jī)狀態(tài)下的小波包系數(shù)。其具體步驟包括：
[0085] 1)得到對(duì)噪聲水平進(jìn)行估計(jì)〇,為median( |Cj,k| )/0.6745，其中(^為小波包系數(shù)。 [0086] 2)選用"minimaxi"閾值估計(jì)方法估計(jì)閾值t;
[0087] 3)閾值t在乘以閾值權(quán)重得到最終的閾值T，本例中閾值權(quán)重設(shè)為1。
[0088]進(jìn)一步地，特征判別模塊具有預(yù)測(cè)能力，使用固定長(zhǎng)度的先驗(yàn)數(shù)據(jù)計(jì)算閾值作為 對(duì)當(dāng)前數(shù)據(jù)閾值的預(yù)測(cè)。
[0089]為了驗(yàn)證本案方法的有效性實(shí)驗(yàn)生成了 9-12HZ節(jié)律的模擬信號(hào)（圖8)，其中心頻 率為10.5Hz的信號(hào)并加入-5dB噪聲信號(hào)，其包絡(luò)是周期為4s的梯形波，利用算法模型計(jì)算 得出小波包變換的小波基函數(shù)選擇bior3.7,分解層數(shù)為6層，提取節(jié)點(diǎn)為[6 2]，并理論上 計(jì)算開(kāi)啟和關(guān)閉刺激的時(shí)間。圖8中還包括有利用本案的算法模型計(jì)算得到的動(dòng)態(tài)閾值和 狀態(tài)劃分，并與理論狀態(tài)進(jìn)行比較，結(jié)果顯示算法有著較高的精度和準(zhǔn)確度，算法的正確開(kāi) 啟率為95.14%，正確關(guān)閉率為98.28%。需要說(shuō)明的是模擬信號(hào)的信噪比對(duì)于準(zhǔn)確率有較 大的影響。
[0090] 在本例中，利用該算法對(duì)慢性疼痛患者的場(chǎng)電位信號(hào)進(jìn)行狀態(tài)劃分，感興趣頻帶 分別為theta(6-9Hz)和alpha頻帶（9-12Hz)(圖9)，其中信號(hào)主要來(lái)自PVAG和感覺(jué)丘腦核 團(tuán)。實(shí)驗(yàn)發(fā)現(xiàn)數(shù)據(jù)中同時(shí)存在由兩種頻率段組合的四種模式（圖10): "〇〇"，"01"，"10"， "11"，并且這四種模式的百分比與患者的狀態(tài)有關(guān)。
[0091] 模擬數(shù)據(jù)與真實(shí)疼痛場(chǎng)電位數(shù)據(jù)的實(shí)驗(yàn)證明了算法模型能夠有效實(shí)現(xiàn)患者狀態(tài) 的判別，克服了以往單純的使用功率譜分析作為與患者狀態(tài)相關(guān)的度量，同時(shí)也解決了準(zhǔn) 確提取節(jié)律的問(wèn)題。
[0092] 盡管本發(fā)明的實(shí)施方案已公開(kāi)如上，但其并不僅僅限于說(shuō)明書(shū)和實(shí)施方式中所列 運(yùn)用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對(duì)于熟悉本領(lǐng)域的人員而言，可容易地 實(shí)現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限 于特定的細(xì)節(jié)和這里示出與描述的圖例。
【主權(quán)項(xiàng)】
1. 一種基于小波包變換的生物電腦部信號(hào)分析方法，其特征在于，包括： 步驟1)預(yù)處理： 對(duì)采集到的腦部信號(hào)的原始數(shù)據(jù)進(jìn)行篩選，挑選出有效信號(hào)； 對(duì)所述有效信號(hào)進(jìn)行計(jì)算得到差分信號(hào)； 對(duì)所述差分信號(hào)進(jìn)行去工頻干擾和基線漂移，最終得到預(yù)處理信號(hào)； 步驟2)特征提?。? 針對(duì)所述預(yù)處理信號(hào)，選擇匹配度最高的小波基函數(shù)進(jìn)行小波包變換分解，獲得感興 趣頻帶或頻率子帶的特征信號(hào)； 步驟3)狀態(tài)判別： 通過(guò)建立閾值T來(lái)對(duì)所述特征信號(hào)進(jìn)行狀態(tài)劃分，最終得到感興趣頻帶或頻率子帶的 狀態(tài)編碼。2. 如權(quán)利要求1所述的基于小波包變換的生物電腦部信號(hào)分析方法，其特征在于，在步 驟1)中還包括對(duì)所述差分信號(hào)進(jìn)行低通濾波。3. 如權(quán)利要求1所述的基于小波包變換的生物電腦部信號(hào)分析方法，其特征在于，在步 驟1)中還包括對(duì)所述差分信號(hào)進(jìn)行降采樣處理。4. 如權(quán)利要求1所述的基于小波包變換的生物電腦部信號(hào)分析方法，其特征在于，步驟 2) 中，所述小波基函數(shù)的選擇方法為： 根據(jù)感興趣頻帶或頻率子帶的特征信號(hào)在對(duì)稱性、正交性、緊支性方面的要求，粗選出 若干個(gè)與特征信號(hào)具有相似程度的小波基函數(shù)，隨后分別代入小波包變換函數(shù)中分別計(jì)算 得到若干個(gè)小波包系數(shù)的熵，將最小的熵所對(duì)應(yīng)的小波包基函數(shù)確立為匹配度最高的小波 基函數(shù)。5. 如權(quán)利要求1所述的基于小波包變換的生物電腦部信號(hào)分析方法，其特征在于，感興 趣頻帶或頻率子帶的特征信號(hào)是利用小波包變換后得到的對(duì)應(yīng)的感興趣頻帶或頻率子帶 的小波包系數(shù)C來(lái)進(jìn)行表征。6. 如權(quán)利要求1所述的基于小波包變換的生物電腦部信號(hào)分析方法，其特征在于，步驟 3) 中，所述閾值T通過(guò)以下方法獲得： 對(duì)早于當(dāng)前數(shù)據(jù)的一段時(shí)間內(nèi)的小波包系數(shù)C取中值，得median( |C| ); 設(shè)〇=median( I CI )/0.6745; 將0代入minimaxi閾值計(jì)算函數(shù)得到計(jì)算結(jié)果t; 將t乘以閾值權(quán)重，得到當(dāng)前數(shù)據(jù)所對(duì)應(yīng)的閾值T。7. 如權(quán)利要求1所述的基于小波包變換的生物電腦部信號(hào)分析方法，其特征在于，在步 驟3)中，狀態(tài)劃分的方法為： 以閾值T為臨界，將每個(gè)小波包系數(shù)C分別與閾值T進(jìn)行比較，從而將所有OT的情形和 所有C<T的情形區(qū)分開(kāi)。8. 如權(quán)利要求1所述的基于小波包變換的生物電腦部信號(hào)分析方法，其特征在于，所述 狀態(tài)編碼米用二進(jìn)制編碼。
【文檔編號(hào)】G06F19/00GK106037725SQ201610487800
【公開(kāi)日】2016年10月26日
【申請(qǐng)日】2016年6月28日
【發(fā)明人】王守巖, 羅回春, 杜雪瑩, 黃永志
【申請(qǐng)人】中國(guó)科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所