[發(fā)明專利]一種腦電波中疼痛成分的提取和表達方法

有效

• 申請?zhí)枺?/td>: 201710290734.1
• 申請日: 2017-04-28
• 公開（公告）號: CN107184204B
• 公開（公告）日: 2021-01-19
• 發(fā)明（設計）人: 吳一兵
• 申請（專利權）人: 北京易飛華通機器人技術有限公司
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/374;A61B5/00
• 代理公司: 北京萬科園知識產(chǎn)權代理有限責任公司 11230
• 代理人: 杜澄心;張亞軍

1.一種腦電波中疼痛成分的提取和表達方法，其特征在于：利用腦電波作為原始信號進行處理，離散化采集到計算機或服務器中，施加數(shù)學計算分析，將腦電波分解成涵蓋低頻、中頻、高頻、超高頻的分量，提取其中和疼痛、鎮(zhèn)痛、焦慮、緊張、瞻妄、遺忘、舒適相關的特征成分，經(jīng)過歸一化處理，表達為0-100的無量綱數(shù)據(jù)，實時反映人的疼痛、鎮(zhèn)痛、焦慮、緊張、瞻妄、遺忘、舒適的實時客觀定量深度；利用腦電傳感電極，佩戴于頭部的前額部和耳部，無創(chuàng)采集腦部多個部位的導聯(lián)電位信號，信號帶寬包含腦電波中的超過30Hz的超高頻成分，各導聯(lián)的腦電波信號經(jīng)由前置放大、模數(shù)轉(zhuǎn)換進入單片機，再通過數(shù)據(jù)加密、壓縮后，經(jīng)由有線方式直接傳送至計算機系統(tǒng)，或經(jīng)由無線通訊控制單元的TCP/IP協(xié)議包裝并發(fā)送到互聯(lián)網(wǎng)數(shù)據(jù)服務器，計算機或服務器中的軟件系統(tǒng)對接收到的腦電信號實時處理計算、顯示、存儲、轉(zhuǎn)發(fā)，其中計算部分采用小波分析、波形識別算法，分解腦電波中的有效成分和偽差成分，經(jīng)由多維譜分析、模式識別分析、相關性分析、擬合回歸分析，提取出疼痛、鎮(zhèn)痛、焦慮、緊張、瞻妄、遺忘、舒適的特征指標，經(jīng)過歸一化處理，獲得0-100的多個定量數(shù)據(jù)，實時客觀定量反映人體的疼痛、鎮(zhèn)痛、焦慮、緊張、瞻妄、遺忘、舒適的程度，得到疼痛深度、鎮(zhèn)痛深度、焦慮深度、緊張深度、瞻妄深度、遺忘深度、舒適深度指數(shù)；腦電信號采集單元具備有線及無線通訊能力，和計算機組合成為疼痛深度測量系統(tǒng)，或者，通過互聯(lián)網(wǎng)平臺和服務器組合成為云計算模式的疼痛深度測量系統(tǒng)，形成對疼痛測量數(shù)據(jù)的遠程醫(yī)療服務共享平臺，形成疼痛測量的大數(shù)據(jù)收集新模式：利用232接口標準、3G、4G、藍牙、和/或WIFI通訊技術，實現(xiàn)近遠程、多環(huán)境、實時的腦電采集傳輸，對于采集放大的腦電波模擬信號，單片機對其模數(shù)轉(zhuǎn)換，將多路腦電波離散信號實時壓縮、加密、打包，實現(xiàn)動態(tài)存儲隊列管理，識別通訊線路，自動切換通訊模式，控制通訊發(fā)送實時數(shù)據(jù)包；在小波處理計算中，分解出眼動電波和肌電波生物電信號序列，作為信號強度和干擾信號的標記特征使用；

采用小波公式：

分別是小波變換的縮放因子、平移參數(shù)；

是小波變換的角頻率；

是小波變換的母函數(shù)；

是原始腦電波離散序列的小波變換結果序列；

是反變換后的時域信號序列；

對腦電向量組

b_i1（t）= [ y'₁ y'₂ y'₃ … y'_m’-2 y'_m’-1 y'_m’ ]

i1：腦電波導聯(lián)數(shù)量；

m’：腦電波數(shù)據(jù)數(shù)量；

y'：腦電波數(shù)據(jù)序列；

t：時間點；

實時計算處理，以多尺度濾波器組算法，分解出各尺度窗口下的小波基函數(shù)

(Wb(2^i,w_i（r）)) i∈z

(Wb(2^0, w₀（r）))，(Wb(2^1, w₁（r）))…(Wb(2^N, w_N（r）))

w_i（r）：代表了小波變換后的一組結果數(shù)據(jù)序列；

r：代表數(shù)據(jù)序列中的序列號；

z：時域空間；

i：尺度；

由小波基函數(shù)和各尺度數(shù)據(jù)的反變換，獲得一組時域重構函數(shù)如下：

ｆ_i(t)=∑Wb(2^i,w_i)*Ψ_2^i(u)

i：尺度

Wb：小波基函數(shù)；

w_i：各尺度小波變換后的結果數(shù)據(jù)；

Ψ_2^0(u), Ψ_2^1(u)... Ψ_2^N(u)：母函數(shù)尺度小波數(shù)據(jù)點；

N：階數(shù)；

u：尺度小波數(shù)據(jù)點的數(shù)據(jù)序列號；

t：時間點；

各個重構函數(shù)代表了不同尺度下的腦電波，眼動電波和肌電波的表現(xiàn)；尺度也對應信號的頻率成分，分布于腦電圖的常規(guī)節(jié)律和高頻節(jié)律；對于分解的重構函數(shù)的各個序列數(shù)據(jù)，采用模式識別算法中的波形識別算法提取出數(shù)據(jù)的特征點：

T_i（h）∈ z ；

T：特征值向量；

i：尺度；

h：特征數(shù)據(jù)的序列號；

z：時域空間；

向量T_i（h）中的特征數(shù)據(jù)包含特異點、幅度、變異、斜率、面積、自相關、互相關計算結果，計算來自于基本算法：

計算數(shù)據(jù)序列：

y（j'，i）= （f_i（j'）-f_i（j'-1））/ Δt'

f_i（j'）是f_i（t）的離散時間數(shù)據(jù)序列；

j'：時間離散數(shù)據(jù)下標；

i：尺度；

Δt'：是離散點j'-1與j'之間的時間間隔；

獲取序列 y（j'，i）中最大數(shù)值，其中的正負反相點，就是特異點，特異點的數(shù)量由Δt'值的大小決定；

對f_i（j'）序列數(shù)據(jù)施加迭代微分算法：

Δt₁'：是離散點j₂+k-1與j₂+k之間的時間間隔；

k：Δt₁'的增量，從1至N'；N'為一個常數(shù)；

j₂：時間點的數(shù)值序號；

i：尺度；

對于矩陣d（j₂，k）中的各個向量，將向量中的數(shù)據(jù)點排序以及相加，選取每個向量中的數(shù)據(jù)點的最大值和相加和，作為斜率和幅度；

針對重構函數(shù)，將處理得到的結果向量 y（j'，i）、d（j₂，k）生成模式類ω1,ω2,…, ωc，然后利用模式之間的距離函數(shù)計算各個小波重構函數(shù)的距離；得到小波重構函數(shù)的變異、自相關、互相關數(shù)值；

計算小波重構函數(shù)f_i（t）的積分：

S_i= ∫f_i（t）*dt

t：時間；

i：尺度；

求得各個函數(shù)的面積數(shù)值；

T_i（h）向量表達了小波重構函數(shù)的波形特點和規(guī)律；對于采集的腦電波中的眼動電信號和額肌電信號，分布于特定尺度的小波重構函數(shù)中，針對這些小波重構函數(shù)f'_i（t），首先，求取其中的一階導數(shù)：

D_i（j₂'）=（f'_i（j₂'）-f'_i（j₂'+Δt₂））/Δt₂

f'_i（j₂'）是f'_i（t）的離散時間數(shù)據(jù)序列；

i：尺度；

j₂'：時間離散數(shù)據(jù)下標；

Δt₂：是離散點j₂'-1和j₂'的時間間隔；

對D_i（j₂'）排序，得到極大值和極小值，設定閾值Q，求取 D_i（j₂'）的正負極性變異點，得到一組極值點向量：

M_i（t1）：高點；

m_i（t2）：低點；

i：尺度；

t1,t2：極值的時間點；

對相關于眼動和肌電的小波重構函數(shù)采用積分算法：

SS =∫f'_i（t）^2 * dt

得到肌電和眼動的功率值大??；針對結果數(shù)據(jù)，經(jīng)過歸一組合算法：

Sq=exp(a’*abs（M_i-m_i）+b’*SS)；

a’，b’為加權系數(shù),是常數(shù)，由信號表達范圍決定；

Sq指示干擾的信號強度的定量表達，作為顯示結果之一；

重構函數(shù)中消除了眼動和肌電的小波重構函數(shù)，采用功率譜算法：

t：時間點；

：功率譜的角頻率；

i：尺度；

獲得重構腦電波中功率譜的各個成分：

F_i={α，β，δ，θ，sef，mef}；

i：尺度；

α、β、δ、θ：各波段功率百分比；

sef：功率譜計算的邊緣頻率；

mef：功率譜計算的中心頻率；

結合波形識別所得到的特征向量，組合成為一組涵蓋了時域和頻域的特征數(shù)據(jù)：

G_i（j₃）={T_i，F(xiàn)_i}；

i：尺度；

j₃：特征數(shù)據(jù)序列號；

數(shù)據(jù)向量G_i（j₃）組，作為腦電波小波重構函數(shù)的一次處理結果，被命名為腦電波一級處理的元數(shù)據(jù)組，被作為二次計算的基礎數(shù)據(jù)；

提取各尺度重構函數(shù)元數(shù)據(jù)中的特征數(shù)據(jù)，計算其中各尺度相對應的特征數(shù)據(jù)的比率、各尺度特征數(shù)據(jù)的斜率、變化率以及積分面積：

Y_i2（j₃）= { G_i（j₃）-G_i（j₃-1）/ Δj₃ } ∈ z ；

Z_i2（j₃）={ G_i（j₃）/ G_i（j₃-1）} ∈ z ；

V_i2（j₃）= {∫G_i（j₃）*Δj₃ } ∈ z ；

L_i2（j₃）= { abs（G_i（j₃₁）-G_i（j₃₂））} ∈ z ；

j₃、j₃₁ 、j₃₂：特征數(shù)據(jù)序列號；

i2：結果序列號；

Δj₃：特征數(shù)據(jù)序列號對應的增量；

z：時域計算空間；

對于各個數(shù)據(jù)序列，經(jīng)過數(shù)據(jù)加權，得到一系列數(shù)據(jù)計算公式：

E_i2={a₁，b₁，c₁，d₁}*{Y_i2，Z_i2，V_i2，L_i2}；

i2：結果序列號；

a₁、b₁、c₁、d₁：加權系數(shù)，常數(shù)；

對E_i2數(shù)據(jù)施加歸一化計算：

疼痛指數(shù)=（exp(E₀)）×100

鎮(zhèn)痛指數(shù)=（exp(E₁)）×100

緊張指數(shù)=（exp(E₂)）×100

譫妄指數(shù)=（exp(E₃)）×100

焦慮指數(shù)=（exp(E₄)）×100

遺忘指數(shù)=（exp(E₅)）×100

舒適指數(shù)=（exp(E₆)）×100；

得到腦電波中的疼痛、鎮(zhèn)痛、焦慮、緊張、瞻妄、遺忘、舒適的實時客觀定量特征指標。

2.如權利要求1所述的一種腦電波中疼痛成分的提取和表達方法，其特征在于：自腦電波中同步提取出鎮(zhèn)痛、焦慮、緊張、瞻妄、遺忘、舒適的定量表達，與疼痛深度的定量表達一起，完成疼痛測量的過程，達到疼痛測量的完整性和精準性。