CN108158579B - 一种非接触非侵入无损伤的癫痫自组织监测预警干预***及获取干扰脑电分布的方法 - Google Patents
一种非接触非侵入无损伤的癫痫自组织监测预警干预***及获取干扰脑电分布的方法 Download PDFInfo
- Publication number
- CN108158579B CN108158579B CN201711302562.1A CN201711302562A CN108158579B CN 108158579 B CN108158579 B CN 108158579B CN 201711302562 A CN201711302562 A CN 201711302562A CN 108158579 B CN108158579 B CN 108158579B
- Authority
- CN
- China
- Prior art keywords
- potential
- time
- brain
- signal acquisition
- contact
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 13
- 210000004556 brain Anatomy 0.000 claims abstract description 122
- 210000004761 scalp Anatomy 0.000 claims abstract description 24
- 238000010168 coupling process Methods 0.000 claims abstract description 14
- 230000008878 coupling Effects 0.000 claims abstract description 12
- 238000005859 coupling reaction Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000011282 treatment Methods 0.000 claims abstract description 4
- 230000005284 excitation Effects 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 30
- 238000009825 accumulation Methods 0.000 claims description 13
- 230000001037 epileptic effect Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000004134 energy conservation Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000002964 excitative effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000004880 explosion Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000013016 damping Methods 0.000 claims description 2
- 206010010904 Convulsion Diseases 0.000 abstract description 6
- 230000000739 chaotic effect Effects 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 208000028329 epileptic seizure Diseases 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 description 16
- 230000036284 oxygen consumption Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000002490 cerebral effect Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000000170 cell membrane Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002607 hemopoietic effect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000007428 craniotomy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 102000006240 membrane receptors Human genes 0.000 description 1
- 108020004084 membrane receptors Proteins 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 239000002504 physiological saline solution Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种非接触非侵入无损伤的癫痫自组织监测预警干预***及获取干扰脑电分布的方法，该***包括非接触采集模块、非接触控制模块与非接触干预模块；非接触采集模块包括若干与头皮不接触的信号采集电极；非接触控制模块包括时间预测单元和空间预测单元；非接触干预模块包括若干可控脉冲电磁单元，可控脉冲电磁单元具有正对头皮的电磁线圈，电磁线圈与信号采集电极交错布置；本发明***可以在癫痫发作之前预测其发作时间、发作位置、并根据其预测结果以自组织方式干预大脑中电荷分布与电流趋势，充分利用了混沌电路的初始敏感性、机器学习以及生物电磁耦合原理非接触非侵入无损伤测量脑电与干预癫痫，可应用于可穿戴设备与移动医疗领域。
Description
技术领域
本发明涉及电磁理疗领域，具体涉及一种非接触、非侵入、无损伤的癫痫监测预警干预***及获取干扰脑电分布的方法。
背景技术
癫痫即俗称的羊角风或羊癫风，是由内部网络缺陷引起的、部分网络节点压力过高，从而引发的部分网络节点压力过高的放电现象。
除了患者脑部区域结构损伤以外，癫痫发作造成的抽搐、丧失意识，也会使患者造成跌伤、磕碰等二次伤害。目前主要的治疗分为：药物治疗辅助以手术治疗。
越来越多的证据表明：电磁场可能作为诱导因子对细胞的信号通道产生影响；细胞膜是环境电磁场与细胞作用的主要靶部位，细胞膜受体是电磁场可能的信号耦合点之一。此外，由于混沌动力***的动力学行为对初始参数的极端敏感性，人们可以通过非线性电路对一些微弱信号进行检测与提取。
发明内容
本发明的目的在于针对现有技术的不足，提供一种非接触非侵入无损伤的癫痫自组织监测预警干预***及获取干扰脑电分布的方法。
本发明的目的是通过以下技术方案来实现的：一种非接触非侵入无损伤的癫痫自组织监测预警干预***，该***为三层叠加结构，从内至外分别为：非接触采集模块、非接触干预模块和非接触控制模块；
所述非接触采集模块包括n个信号采集电极，信号采集电极与头皮不接触，通过放大器放大信号采集电极采集的癫痫患者脑电波，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e'i,i＝1,2,3,...,n，随后通过滤波器对电位e′i进行降噪、过滤处理得到滤波后的电位ei,i＝1,2,3,...,n；
所述非接触控制模块包括时间预测单元和空间预测单元；时间-空间耦合控制确定癫痫爆发的时刻与癫痫爆发的位置；
所述时间预测单元通过当前t1时刻之前的设定时间间隔内的各个时间点采集的电位序列，训练得到预测函数P，通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)，预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的预测电位e(t*)标记e*，e*对应的信号采集电极的位置集合A＝{(x,y)|e*≥θ}判断为时间预测的爆发位置，其中x代表信号采集电极在非接触采集模块中的行数，y代表信号采集电极在非接触采集模块中的列数，e*对应的时间t*为癫痫预测爆发时间；将预测的爆发位置发送给空间预测单元，同时启动空间预测单元，否则继续进行监测；
所述空间预测单元通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x,y)，获得n个信号采集电极的n(η+1)个电压e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，每个信号采集点的η+1个电压e(i,t)(x,y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度D(i,j)，(i＝1,2,...,n,j＝1,2,...η)；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值
通过比较n个信号采集电极的电压梯度平均值
得到电压梯度极大值坐标(x',y')的集合B与极小值坐标(x",y")的集合C；
通过求集合A和B的交集得到大脑兴奋区域坐标(x*,y*)集合P，通过求集合
和C的交集得到大脑非兴奋区域坐标(x^,y^)集合N，并将坐标集合信息发送给干预模块；
所述非接触干预模块包括m个可控脉冲电磁单元，所述可控脉冲电磁单元具有正对头皮的电磁线圈，所述电磁线圈与信号采集电极交错布置，在垂直方向上无重叠；所述电磁线圈产生大小与极性可控的干预磁场B，所述干预磁场B对非兴奋区域集合N以自组织干预方式进行电磁刺激按摩，根据大脑能量守恒原理疏散兴奋区域集合P所在大脑区域的大量积聚电荷，使得大脑中电荷聚集水平始终保持一种平衡状态；
人的大脑每天都会消耗能量，且每个人每天大脑能量的消耗量为一个随时间变化的值，拥有消耗峰值Emax与消耗谷值Emin。每个时刻消耗的能量与大脑每时刻的耗氧量有关。而一个人的每时刻耗氧量与自身机能有关，比如心脏造血能力、肌肉结构等，接近于一个常值；
为了方便描述，以下能量值E指每日各个时段能量消耗能量的平均值，耗氧量Voc为每日各个时段大脑消耗氧气的平均值；
设一个人的某一个时刻大脑消耗总能量为Etotal，同一时刻兴奋区域消耗的能量为Ea，非兴奋区域消耗的能量为Ep，大脑消耗总能量的速(梯)度为
兴奋区域消耗能量的速(梯)度为非兴奋区域消耗能量的速(梯)度为
大脑的耗氧量为Voc，大脑内能量最大的消耗速度VEmax，则有以下关系式：
Etotal∝Voc，VEmax∝Voc，Ea+Ep＝Etotal (1)
大脑中消耗的总能量Etotal取决于大脑耗氧量Voc,大脑内能量最大的消耗速度VEmax也制约于大脑耗氧量Voc。因此大脑中的消耗能量守恒且不会产生能量突变的情况。基于此，当大脑非兴奋区域能量Ep若以某梯度变高时，兴奋区域能量Ea将会以某梯度变低。
考虑到大脑能量消耗量随着时间变化并不是一个恒定变化的值，因此给出大脑消耗总能量以及其消耗的速度关系式：
其中，t为任意时刻，Δt为极小的一段时间间隔。由(1)、(2)式可得到以下关系式：
由(3)式，当兴奋区域的能量消耗梯度与非兴奋区域的能量消耗梯度
之和等于大脑消耗总能量的梯度
且因为总能量消耗梯度
小于总能量最大消耗速度VEmax且VEmax与耗氧量Voc正相关，故总能量消耗速度
与大脑耗氧量Voc成正比，同样受大脑耗氧量的制约，故能量变化梯度同样不会发生突变。因此，当非兴奋区域能量消耗的梯度
减少时，原来兴奋区域能量的
就会上升，且能量变化速度不会发生突变。这样就可以通过控制非兴奋区域能量消耗梯度增量变化，来使得能量变化梯度达到最大。
当癫痫即将发作时，可控电磁单元发出的电磁脉冲B通过电磁耦合刺激大脑非兴奋区域并使其兴奋起来，假设梯度与
为常值时，非兴奋区域的能量将按照
上升，同时兴奋区域的能量将按照梯度
下降。从而使得大脑中的能量重新分配，大脑兴奋区域的大量电荷将向非兴奋区域移动，从而使得大脑当中的脑电分布得到平衡，并且可以通过控制电磁脉冲B的频率、波形等使兴奋区域能量梯度达到最大。
所述自组织干预方式具体实施过程如下：
时间预测单元与空间预测单元预测结束后得到大脑兴奋区域坐标(x*,y*)集合P与大脑非兴奋区域坐标(x^,y^)集合N，集合P中有p个元素，集合N中有l个元素；当启动非接触干预模块时，集合N中l个坐标对应的脉冲电磁单元开始发出电磁脉冲Bi(i＝1,2,…,l,l<m)，电磁脉冲Bi在0T到2T之间调节，电磁脉冲Bi分别作用于集合N中每个坐标所对应的头皮区域σi(i＝1,2,…,l)，通过生物电磁耦合作用，σi区域内大脑电荷开始积聚，测量电位ei(i＝1,2,…,l)升高；则根据大脑能量守恒原理，集合P中每个坐标对应的头皮区域λk(k＝1,2,…,p)的电荷开始疏散，测量电位ek(k＝1,2,…,p)开始下降；作用时间持续ΔT后，若兴奋区域信号采集单元电位ek(k＝1,2,…,p)电位都小于电位阈值θ时，则非接触干预模块工作结束，否则继续干预操作。
所述大脑能量守恒原理如下：设一个人某一个时刻大脑消耗总能量为Etotal，同一时刻兴奋区域消耗的能量为Ea，非兴奋区域消耗的能量为Ep，大脑消耗总能量的梯度为
兴奋区域消耗能量的梯度为
非兴奋区域消耗能量的梯度为大脑的耗氧量为Voc，大脑内能量最大的消耗速度VEmax，则有关系式：Etotal∝Voc，VEmax∝Voc，Ea+Ep＝Etotal；大脑中消耗的总能量Etotal取决于大脑的耗氧能力，即大脑耗氧量Voc，大脑内能量最大的消耗速度VEmax也制约于大脑耗氧量Voc；因此大脑中的消耗能量守恒且不会产生能量突变的情况；基于此，当大脑非兴奋区域能量Ep若以某梯度变高时，兴奋区域能量Ea将会以某梯度变低；若表示能量变化梯度
与
为常值时，当非兴奋区域的能量按照
上升时，兴奋区域的能量将按照梯度
下降；从而使得大脑中的能量重新分配，大脑兴奋区域积聚的大量电荷将向其他区域移动，从而使得大脑当中的电荷分布得到平衡。
进一步地，该***置于大脑外侧，外观呈帽形。
进一步地，所述放大器为非接触信号放大器，不同于以往需要开颅手术或是给头皮上涂抹盐水等手段增强信号，信号采集电极与头皮可以接触也可以不接触，采用非线性电路，利用混沌电路的初始敏感性可以测量微小的扰动，如杜芬电路振子电路可以用来测量微弱信号的变化；非接触信号放大器通过杜芬电路公式搭建而成：
其中k是阻尼比，x为测量信号，(x3-x5)为非线性恢复力，γsin(ωt+π)为内置驱动信号，γ为内置驱动信号的幅值，ω为内置驱动信号的频率。
进一步地，所述通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)具体为：
对于第i个信号采集电极，通过放大过滤后得到的电位时间序列为ei(t),(i＝1,2,...,n)，设c(i)为与节点i相邻的节点集合，m为c(i)中的元素个数，表示相邻节点的个数，ec(i)(t)为节点集合c(i)的电位；以ei(t)与ec(i)(t)的历史数据作为输入输出样本来训练预测函数P；
训练过程具体如下：
定义预测函数P的输入为input，输出为output；取Δt为一个时间间隔，则t时刻第i个信号采集点电位为ei(t)，t时刻以前τ个时间间隔的电位表示为ei(t-1),ei(t-2)...,ei(t-τ)；第i个信号采集点的相邻采集点的电位为ec(i)(t)、τ个时间间隔的电位表示为ec(i)(t-1),ec(i)(t-2)...,e(i)(t-τ)；以m+1个长度为1+τ的样本作为输入，则输入表示为：
input＝{ei(t),ei(t-1),...,ei(t-τ),ec(i)(t),ec(i)(t-1),...,ec(i)(t-τ)}；
预测函数P的输出为t时刻经过一个时间间隔Δt的电位ei(t+1)，则输出表示为：output＝{ei(t+1)}；
训练第k代的时候，input的输入长度为(1+m)*(1+τ)，输出长度为1；
若t取之前的某一时刻t0，将训练输入
input＝{ei(t0),ei(t0-1),...,ei(t0-τ),ec(i)(t0),ec(i)(t0-1),...,ec(i)(t0-τ)}和训练输出
output＝{ei(t0+1)}作为一组训练样本；取时间间隔为Δt'、且从t0时刻后取N个时间间隔，即t0,t0+1,...,t0+N-1对应的input和output作为N组训练样本，训练代数k取1000次到10000次，根据训练结果得到训练函数P，即output＝P(input)；
当t取当前时刻t1，则通过预测函数P预测得到下一时刻t1+Δt的采集点电压幅值ei(t1+Δt)；令预测时刻t*＝t1+Δt，得到预测时刻t*的预测电位e(t*)。
进一步地，所述空间预测单元中，电压梯度平均值
的获取方法如下：
通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x,y)，获得n个信号采集电极n(η+1)个时刻的采集电位
e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，将e(i,t)(x,y)记作e(i,t)，则有采集电位矩阵：
采集电位矩阵的每一行表示η+1个较短时刻的采集电位序列，对矩阵相邻两列作差，得到n个信号采集电极的η个电位梯度
D(i,j)＝e(i,t)(x,y)-e(i,t-1)(x,y)，(t＝t1-η+1,...,t1-2,t1-1,t1.i＝1,2,...,n,j＝1,2,...η)，则有电位梯度矩阵：
电压梯度矩阵的第i行表示第i个信号采集点的电位时间差分序列，第j列表示第j个相邻的电位时间梯度，随后对每一行的电位时间差分序列求取平均值得到电压梯度平均值
进一步地，所述可控脉冲电磁单元包括PWM波控制模块、全控可关断电力电子器件模块、电磁线圈；所述全控可关断电力电子器件模块采用IGBT，PWM波控制模块的输出端接IGBT的门极G，IGBT的集电极C分别接电容C1的一端和滑动变阻器R1的第一固定端，滑动变阻器R1的第二固定端连接电源的正极，IGBT的发射极E接电磁线圈的一端，电磁线圈的另一端和电容C1的另一端相连后接电源的负极；所述滑动变阻器R1能够改变电磁线圈中电流的大小；通过PWM波控制模块控制IGBT的开启和关断，从而改变电磁线圈中的电流大小，进而改变干预磁场
的方向以及强弱。
一种非接触非侵入无损伤自组织方式获取干扰脑电分布的方法，以一种非接触非侵入无损伤的方法获取并以自组织的方式干扰电荷的分布与电流的趋势；这种方法包括非接触测量大脑中的电荷与电流的分布，时间预测结合空间预测来定位电荷积聚较多且积聚速度块或者电荷积聚较少且积聚速度慢的区域，并基于自组织的方法干预大脑中的电荷的分布与神经元中的电流趋势；具体步骤如下：
第1步：通过n个信号采集电极采集被试者的脑电波，信号采集电极与头皮不接触，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e'i,i＝1,2,3,...,n，随后通过滤波器对电位e'i进行降噪、过滤处理得到滤波后的电位ei,i＝1,2,3,...,n；
第2步：时间预测：通过t时刻之前的设定时间间隔内的各个时间点采集的电位序列，训练得到预测函数P，通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)，预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的信号采集电极的位置集合设置为A＝{(x,y)|e*≥θ}，其中(x,y)为信号采集电极的位置坐标；
第3步：空间预测：通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极的位置(x,y)，获得n个信号采集电极的n(η+1)个电压
e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，每个信号采集点的η+1个电压e(i,t)(x,y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度D(i,j)，(i＝1,2,...,n,j＝1,2,...η)；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值
通过比较n个信号采集电极的电压梯度平均值得到电压梯度极大值坐标(x',y')的集合B与极小值坐标(x",y")的集合C；
第4步：通过集合A和B的交集得到大脑兴奋区域坐标(x*,y*)集合P，通过求集合
和C的交集得到大脑非兴奋区域坐标(x^,y^)集合N；
第5步：脑电干扰：大脑兴奋区域坐标(x*,y*)集合P中有p个元素，大脑非兴奋区域坐标(x^,y^)集合N中有l个元素；当开始脑电干扰时，对集合N中的l个坐标发出电磁脉冲Bi(i＝1,2,…,l,l<m)，电磁脉冲Bi在0T到2T之间调节，电磁脉冲Bi分别作用于集合N中每个坐标所对应的头皮区域σi(i＝1,2,…,l)，通过生物电磁耦合作用，σi区域内大脑电荷开始积聚，测量电位ei(i＝1,2,…,l)升高；则根据大脑能量守恒原理，集合P中每个坐标对应的头皮区域λk(k＝1,2,…,p)的电荷开始疏散，测量电位ek(k＝1,2,…,p)开始下降；作用时间持续ΔT后，若兴奋区域信号采集单元电位ek(k＝1,2,…,p)电位都小于电位阈值θ时，则停止干扰，否则继续干扰操作。
本发明的有益效果是：
(1)由于传统的脑电测量手段需要对被试验者开颅插电极片或是紧贴头皮抹生理盐水贴电极片来获取所需数据，对被试验者带来了极大的困扰。本发明采用非接触手段如杜芬信号检测电路等对本***使用者的脑电数据进行检测。利用混沌电路的初始敏感性可以以非侵入、无损伤的方法获得脑电信号；
(2)一般的发明只是预测癫痫爆发时间来提出预警，预警功能并不完善。本发明提出了一种利用脑电梯度场的方法对癫痫位置进行预测，结合时-空预测结合的方法得到脑电中电荷大量积聚到临界值的时间以及空间位置。
(3)电荷在大脑中流动时会因为某些结构上的缺陷而导致电荷大量积聚，引发癫痫等脑部放电症状。本发明通过可控磁场的干预作用，提出了基于自组织方式的干预方法，使电荷积聚区域电荷转移至电荷积聚较少区域。
(4)本发明轻便快捷，可应用于可穿戴设备与移动医疗领域。
附图说明
图1本***的外观概念图；
图2可控脉冲电磁单元与杜芬脑电采集单元分布图；
图3本***的杜芬脑电采集电路图；
图4时间序列预测示意图；
图5空间预测电压拟合表面图；
图6可控脉冲电磁单元电路图；
图7自组织干预方式示意图；
图8本***的组成框图；
图9本***的完整工作流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明做进一步的描述。
本发明提供的一种非接触非侵入无损伤的癫痫自组织监测预警干预***，如图1所示，该***外观呈帽形或是包裹住大脑的形状，具有三层结构，从内至外分别为：非接触采集模块、非接触干预模块和非接触控制模块；杜芬脑电采集单元与可控脉冲电磁单元分布如图2所示，彼此互不重叠，交错排列。
非接触采集模块包括n个信号采集电极，信号采集电极与头皮不接触，通过放大器放大信号采集电极采集的癫痫患者脑电波，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e'i,i＝1,2,3,...,n，随后通过滤波器对电位e′i进行降噪、过滤处理得到滤波后的电位ei,i＝1,2,3,...,n；如图3所示，信号采集电极电路由杜芬电路方程实现。
如图4所示，所述时间预测单元通过t时刻之前的设定时间间隔内的各个时间点采集的电位序列，训练得到预测函数P；
对于第i个信号采集电极，通过放大过滤后得到的电位时间序列为ei(t),(i＝1,2,...,n)，设c(i)为与节点i相邻的节点集合，m为c(i)中的元素个数，表示相邻节点的个数，ec(i)(t)为节点集合c(i)的电位；
定义预测函数P的输入为input，输出为output；取Δt为一个时间间隔，则t时刻第i个信号采集点电位为ei(t)，t时刻以前τ个时间间隔的电位表示为ei(t-1),ei(t-2)...,ei(t-τ)；第i个信号采集点的相邻采集点的电位为ec(i)(t)、τ个时间间隔的电位表示为
ec(i)(t-1),ec(i)(t-2)...,e(i)(t-τ)；以1+m个长度为1+τ的样本作为输入，则输入表示为：
input＝{ei(t),ei(t-1),...,ei(t-τ),ec(i)(t),ec(i)(t-1),...,ec(i)(t-τ)}；
预测函数P的输出为t时刻经过一个时间间隔Δt的电位ei(t+1)，则输出表示为：output＝{ei(t+1)}；
训练第k代的时候，input的输入长度为(1+m)*(1+τ)，输出长度为1；
若t取之前的某一时刻t0，将训练输入
input＝{ei(t0),ei(t0-1),...,ei(t0-τ),ec(i)(t0),ec(i)(t0-1),...,ec(i)(t0-τ)}和训练输出
output＝{ei(t0+1)}作为一组训练样本；取时间间隔为Δt'、且从t0时刻后取N个时间间隔，即t0,t0+1,...,t0+N-1对应的input和output作为N组训练样本，训练代数k取1000次到10000次，根据训练结果得到训练函数P，即output＝P(input)；
当t取当前时刻，则通过预测函数P预测得到下一时刻t+Δt的采集点电压幅值ei(t+Δt)；令预测时刻t*＝t+Δt，得到预测时刻t*的预测电位e(t*)。
预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的预测电位e(t*)标记e*，e*对应的信号采集电极的位置集合A＝{(x,y)|e*≥θ}判断为时间预测的爆发位置，其中x代表信号采集电极在采集模块中的行数，y代表信号采集电极在采集模块中的列数，e*对应的时间t*为癫痫预测爆发时间；将预测的爆发位置发送给空间预测单元，同时启动空间预测单元，否则继续进行监测；
如图5所示，空间预测单元通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x,y)，获得n个信号采集电极的n(η+1)个电压e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，每个信号采集点的η+1个电压e(i,t)(x,y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度D(i,j)，(i＝1,2,...,n,j＝1,2,...η)；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值通过比较n个信号采集电极的电压梯度平均值
得到电压梯度极大值坐标(x',y')的集合B与极小值坐标(x",y")的集合C；
通过求集合A和B的交集得到大脑兴奋区域坐标(x*,y*)集合P，通过求集合
和C的交集得到大脑非兴奋区域坐标(x^,y^)集合N，并将坐标集合信息发送给干预模块；
所述非接触干预模块包括m个可控脉冲电磁单元，如图6所示，可控脉冲电磁单元具有正对头皮的电磁线圈，所述电磁线圈与信号采集电极交错布置，在垂直方向上无重叠；所述电磁线圈产生大小与极性可控的干预磁场B，所述干预磁场B对非兴奋区域集合N以自组织干预方式进行电磁刺激按摩，根据大脑能量守恒原理疏散兴奋区域集合P所在大脑区域的大量积聚电荷，使得大脑中电荷聚集水平始终保持一种平衡状态；
人的大脑每天都会消耗能量，每个时刻消耗的能量与大脑每时刻的耗氧量有关。而一个人的每时刻耗氧量与自身机能有关，比如心脏造血能力、肌肉结构等，接近于一个常值。因此可以推导得到当刺激非兴奋区域活动起来时，兴奋区域的积聚电荷将会疏散，电荷量将达到较低水平。
如图7所示，兴奋区域P与非兴奋区域N在大脑属于不同区域，可控电磁单元发出的电磁脉冲B通过电磁耦合刺激大脑非兴奋区域并使其兴奋起来，由于大脑中的消耗能量守恒且不会产生能量突变的情况，非兴奋区域的能量将按照某一梯度上升，同时兴奋区域的能量将按照某一能量下降。从而使得大脑中的能量重新分配，大脑兴奋区域的大量电荷将向非兴奋区域移动，从而使得大脑当中的脑电分布得到平衡。
本***组成图如图8所示，完整工作流程图如图9所示。
实施例1：
下面以一个佩戴此***的被试对象为例，具体说明本***的使用方法：
具体地，当被试对象佩戴本***时，信号采集电极与头皮不接触，通过放大器放大信号采集电极采集的癫痫患者脑电波，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e'i,i＝1,2,3,...,n，随后通过滤波器对电位e′i进行降噪、过滤处理得到滤波后的电位ei,i＝1,2,3,...,n；
对于第i个信号采集电极，通过放大过滤后得到的电位时间序列为ei(t),(i＝1,2,...,n)，设c(i)为与节点i相邻的节点集合，m为c(i)中的元素个数，表示相邻节点的个数，ec(i)(t)为节点集合c(i)的电位；将被试对象佩戴此***的时刻设置为t0，将训练输入
input＝{ei(t0),ei(t0-1),...,ei(t0-τ),ec(i)(t0),ec(i)(t0-1),...,ec(i)(t0-τ)}和训练输出
output＝{ei(t0+1)}作为一组训练样本；取时间间隔为Δt'、且从t0时刻后取N个时间间隔，即t0,t0+1,...,t0+N-1对应的input和output作为N组训练样本，训练代数k取5000次，根据训练结果得到训练函数P，即output＝P(input)；
当t取佩戴时刻，则通过预测函数P预测得到下一时刻t+Δt的采集点电压幅值ei(t+Δt)；令预测时刻t*＝t+Δt，得到预测时刻t*的预测电位e(t*)。
预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的预测电位e(t*)标记e*，e*对应的信号采集电极的位置集合A＝{(x,y)|e*≥θ}判断为时间预测的爆发位置，其中x代表信号采集电极在采集模块中的行数，y代表信号采集电极在采集模块中的列数，e*对应的时间t*为癫痫预测爆发时间；将预测的爆发位置发送给空间预测单元，同时启动空间预测单元，否则继续进行监测；
空间预测单元通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x,y)，获得n个信号采集电极的n(η+1)个电压e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，每个信号采集点的η+1个电压e(i,t)(x,y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度D(i,j)，(i＝1,2,...,n,j＝1,2,...η)；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值
通过比较n个信号采集电极的电压梯度平均值
得到电压梯度极大值坐标(x',y')的集合B与极小值坐标(x",y")的集合C；
通过求集合A和B的交集得到大脑兴奋区域坐标(x*,y*)集合P，通过求集合
和C的交集得到大脑非兴奋区域坐标(x^,y^)集合N，并将坐标集合信息发送给干预模块；
时间预测单元与空间预测单元预测结束后得到大脑兴奋区域坐标(x*,y*)集合P与大脑非兴奋区域坐标(x^,y^)集合N，集合P中有p个元素，集合N中有l个元素；当启动干预模块时，集合N中l个坐标对应的脉冲电磁单元开始发出电磁脉冲Bi(i＝1,2,…,l,l<m)，电磁脉冲Bi在0T到2T之间调节，电磁脉冲Bi分别作用于集合N中每个坐标所对应的头皮区域σi(i＝1,2,…,l)，通过生物电磁耦合作用，σi区域内大脑电荷开始积聚，测量电位ei(i＝1,2,…,l)升高；则根据大脑能量守恒原理，集合P中每个坐标对应的头皮区域λk(k＝1,2,…,p)的电荷开始疏散，测量电位ek(k＝1,2,…,p)开始下降；作用时间持续ΔT后，若兴奋区域信号采集单元电位ek(k＝1,2,…,p)电位都小于电位阈值θ时，则干预模块工作结束，否则继续干预操作。
实施例2：
下面以一个***的使用者使用该***使用本***的时间-空间耦合方法预测与只进行时间预测方法的***对比使用效果：
假设一个室外场景，癫痫患者佩戴此***搭乘公交车前往某地，假设t0时刻为佩戴***的时间，t1为当前时刻，也为时间预测单元发出预警信号的时刻。从t0时刻开始，非接触采集模块开始检测脑电患者的脑电电压值，若只有简单时间预测，即在t1时刻预警癫痫爆发并向外界发出信号，在这个时间段内患者可以找到地方坐下来或是平躺在地上，但是依然无法避免癫痫的爆发，在室外场景或是没有人陪同的场景下依然会对患者造成伤害；
当采用本发明的时间-空间耦合方法预警癫痫爆发的时间t*以及爆发点的兴奋区域P与非兴奋区域N，则可以使得患者在t1时刻接受到***的报警并接受***采用自组织的方法干扰大脑中的电荷分布，当患者大脑内的电荷达到平衡的时候报警解除，***继续监测患者的脑电，并将刚刚预警以及干扰的操作发送给患者以及患者的医疗数据中以备后面医生进行进一步的分析与诊断。
实施例3：
根据设置脑电电位阈值θ值的大小，可以将此方法用来抑制大脑内过高电荷积聚或是大脑内过低电荷积聚；当大脑神经元亢奋时使用将阈值θ调成较高的值，当大脑神经元低迷时使用将阈值θ调成较低的值；
下面以两个佩戴此***的使用者来实现使用该***的方法以非接触非侵入无损伤地获取以及干扰脑电分布：
***使用者甲是一名夜晚失眠的使用者，在睡觉的时间点神经元亢奋，非接触测量得到的兴奋区域P脑电电压值高于阈值θ；
当他佩戴此***时，首先以一种非接触非侵入无损伤的方法获取大脑中的电荷分布，当检测到脑电电压值过高的情况，时间预测单元提示脑电出现异常，表明此刻大脑神经元此刻处于亢奋状态，利用时间-空间耦合控制的方法确定出脑电电压值过高的兴奋区域集合P以及脑电电压值较低的非兴奋区域集合N，通过对大脑非兴奋区域N的电磁按摩，使得兴奋区域P的电位下降，大脑重新恢复平静状态，进而可以进入安稳的睡眠状态；
而***使用者乙是一名夜晚疲劳驾驶的使用者，驾驶过程中大部分时间神经元处于低迷状态，非接触测量得到的非兴奋区域N脑电电压值低于阈值θ；
当他佩戴此***时，首先以一种非接触非侵入无损伤的方法获取大脑中的电荷分布，当检测到脑电电压值过低的情况，时间预测单元提示脑电出现异常，可能需要使其保持头脑清醒；利用时间-空间耦合控制的方法确定出神经元非兴奋区域集合N与正常兴奋区域P，通过对大脑非兴奋区域的电磁按摩，非兴奋区域N的电荷聚集，电位上升；大脑重新恢复清醒状态，可以预防疲劳驾驶的危害。
Claims (7)
1.一种非接触非侵入无损伤的癫痫自组织监测预警干预***，其特征在于，该***为三层叠加结构，从内至外分别为：非接触采集模块、非接触干预模块和非接触控制模块；
所述非接触采集模块包括n个信号采集电极，信号采集电极与头皮不接触，通过放大器放大信号采集电极采集的癫痫患者脑电波，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e′i，i＝1，2，3，...，n，随后通过滤波器对电位e′i进行降噪、过滤处理得到滤波后的电位ei，i＝1，2，3，...，n；
所述非接触控制模块包括时间预测单元和空间预测单元；
所述时间预测单元通过当前t1时刻之前的设定时间间隔内的各个时间点采集的经降噪、过滤处理后的电位序列，训练得到预测函数P，通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)，预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的预测电位e(t*)标记e*，e*对应的信号采集电极的位置集合A＝{(x，y)|e*≥θ}判断为时间预测的爆发位置，其中x代表信号采集电极在非接触采集模块中的行数，y代表信号采集电极在非接触采集模块中的列数，e*对应的时间t*为癫痫预测爆发时间；将预测的爆发位置发送给空间预测单元，同时启动空间预测单元，否则继续进行监测；
所述空间预测单元通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x，y)，获得n个信号采集电极的n(η+1)个电压e(i，t)(x，y)，t＝t1-η，...，t1-2，t1-1，t1；i＝1，2，...，n，每个信号采集点的η+1个电压e(i，t)(x，y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度D(i，j)，i＝1，2，...，n，j＝1，2，...η；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值
通过比较n个信号采集电极的电压梯度平均值
得到电压梯度极大值坐标(x′，y′)的集合B与极小值坐标(x″，y″)的集合C；
通过求集合A和B的交集得到大脑兴奋区域坐标(x*，y*)集合P，通过求集合
和C的交集得到大脑非兴奋区域坐标(x^，y^)集合N，并将坐标集合信息发送给干预模块；
所述非接触干预模块包括m个可控脉冲电磁单元，所述可控脉冲电磁单元具有正对头皮的电磁线圈，所述电磁线圈与信号采集电极交错布置，在垂直方向上无重叠；所述电磁线圈产生大小与极性可控的干预磁场
所述干预磁场
对非兴奋区域集合N以自组织干预方式进行电磁刺激按摩，根据大脑能量守恒原理疏散兴奋区域集合P所在大脑区域的大量积聚电荷，使得大脑中电荷聚集水平始终保持一种平衡状态；所述自组织干预方式具体实施过程如下：
时间预测单元与空间预测单元预测结束后得到大脑兴奋区域坐标(x*，y*)集合P与大脑非兴奋区域坐标(x^，y^)集合N，集合P中有p个元素，集合N中有l个元素；当启动非接触干预模块时，集合N中l个坐标对应的脉冲电磁单元开始发出电磁脉冲Bi，i＝1，2，...，l，l＜m，电磁脉冲Bi在0T到2T之间调节，电磁脉冲Bi分别作用于集合N中每个坐标所对应的头皮区域σi，i＝1，2，...，l，通过生物电磁耦合作用，σi区域内大脑电荷开始积聚，测量电位ei升高，i＝1，2，...，l；则根据大脑能量守恒原理，集合P中每个坐标对应的头皮区域λk的电荷开始疏散，测量电位ek开始下降，k＝1，2，...，p；作用时间持续ΔT后，若兴奋区域信号采集单元电位ek电位都小于电位阈值θ时，则非接触干预模块工作结束，否则继续干预操作，k＝1，2，...，p。
2.根据权利要求1所述的非接触非侵入无损伤的癫痫自组织监测预警干预***，其特征在于，该***置于大脑外侧，外观呈帽形。
3.根据权利要求1所述的非接触非侵入无损伤的癫痫自组织监测预警干预***，其特征在于，所述放大器为杜芬电路放大器，通过以下公式搭建而成：
其中k是阻尼比，x为测量信号，(x3-x5)为非线性恢复力，γsin(ωt+π)为内置驱动信号，γ为内置驱动信号的幅值，ω为内置驱动信号的频率。
4.根据权利要求1所述的非接触非侵入无损伤的癫痫自组织监测预警干预***，其特征在于，所述通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)具体为：
对于第i个信号采集电极，通过放大过滤后得到的电位时间序列为ei(t)，i＝1，2，...，n，设c(i)为与节点i相邻的节点集合，m为c(i)中的元素个数，表示相邻节点的个数，ec(i)(t)为节点集合c(i)的电位；以ei(t)与ec(i)(t)的历史数据作为输入输出样本来训练预测函数P；
训练过程具体如下：
定义预测函数P的输入为input，输出为output；取Δt为一个时间间隔，则t时刻第i个信号采集点电位为ei(t)，t时刻以前τ个时间间隔的电位表示为ei(t-1)，ei(t-2)...，ei(t-τ)；第i个信号采集点的相邻采集点的电位为ec(i)(t)、τ个时间间隔的电位表示为ec(i)(t-1)，ec(i)(t-2)...，e(i)(t-τ)；以m+1个长度为1+τ的样本作为输入，则输入表示为：
input＝{ei(t)，ei(t-1)，...，ei(t-τ)，ec(i)(t)，ec(i)(t-1)，...，ec(i)(t-τ)}；
预测函数P的输出为t时刻经过一个时间间隔Δt的电位ei(t+1)，则输出表示为：output＝{ei(t+1)}；
训练第k代的时候，input的输入长度为(1+m)*(1+τ)，输出长度为1；
若t取之前的某一时刻t0，将训练输入input＝{ei(t0)，ei(t0-1)，...，ei(t0-τ)，ec(i)(t0)，ec(i)(t0-1)，...，ec(i)(t0-τ)}和训练输出output＝{ei(t0+1)}作为一组训练样本；取时间间隔为Δt′、且从t0时刻后取N个时间间隔，即t0，t0+1，...，t0+N-1对应的input和output作为N组训练样本，训练代数k取1000次到10000次，根据训练结果得到训练函数P，即output＝P(input)；
当t取当前时刻t1，则通过预测函数P预测得到下一时刻t1+Δt的采集点电压幅值ei(t1+Δt)；令预测时刻t*＝t1+Δt，得到预测时刻t*的预测电位e(t*)。
5.根据权利要求1所述的非接触非侵入无损伤的癫痫自组织监测预警干预***，其特征在于，所述空间预测单元中，电压梯度平均值
的获取方法如下：
通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x，y)，获得n个信号采集电极n(η+1)个时刻的采集电位e(i，t)(x，y)，t＝t1-η，...，t1-2，t1-1，t1；i＝1，2，...，n，将e(i，t)(x，y)记作e(i，t)，则有采集电位矩阵：
采集电位矩阵的每一行表示η+1个较短时刻的采集电位序列，对矩阵相邻两列作差，得到n个信号采集电极的η个电位梯度
D(i，j)＝e(i，t)(x，y)-e(i，t-1)(x，y)，t＝t1-η+1，...，t1-2，t1-1，t1.i＝1，2，...，n，j＝1，2，...η，则有电位梯度矩阵：
电压梯度矩阵的第i行表示第i个信号采集点的电位时间差分序列，第j列表示第j个相邻的电位时间梯度，随后对每一行的电位时间差分序列求取平均值
得到电压梯度平均值
6.根据权利要求1所述的非接触非侵入无损伤的癫痫自组织监测预警干预***，其特征在于，所述可控脉冲电磁单元包括PWM波控制模块、全控可关断电力电子器件模块、电磁线圈；所述全控可关断电力电子器件模块采用IGBT，PWM波控制模块的输出端接IGBT的门极G，IGBT的集电极C分别接电容C1的一端和滑动变阻器R1的第一固定端，滑动变阻器R1的第二固定端连接电源的正极，IGBT的发射极E接电磁线圈的一端，电磁线圈的另一端和电容C1的另一端相连后接电源的负极；所述滑动变阻器R1能够改变电磁线圈中电流的大小；通过PWM波控制模块控制IGBT的开启和关断，从而改变电磁线圈中的电流大小，进而改变干预磁场的方向以及强弱。
7.一种非接触非侵入无损伤自组织方式获取干扰脑电分布的方法，其特征在于，以一种非接触非侵入无损伤的方法获取并以自组织的方式干扰电荷的分布与电流的趋势；这种方法包括非接触测量大脑中的电荷与电流的分布，时间预测结合空间预测来定位电荷积聚较多且积聚速度快或者电荷积聚较少且积聚速度慢的区域，并基于自组织的方法干预大脑中的电荷的分布与神经元中的电流趋势；具体步骤如下：
第1步：通过n个信号采集电极采集被试者的脑电波，信号采集电极与头皮不接触，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e′i，i＝1，2，3，...，n，随后通过滤波器对电位e′i进行降噪、过滤处理得到滤波后的电位ei，i＝1，2，3，...，n；
第2步：时间预测：通过t时刻之前的设定时间间隔内的各个时间点采集的经降噪、过滤处理后的电位序列，训练得到预测函数P，通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)，预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的信号采集电极的位置集合设置为A＝{(x，y)|e*≥θ}，其中(x，y)为信号采集电极的位置坐标；
第3步：空间预测：通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极的位置(x，y)，获得n个信号采集电极的n(η+1)个电压e(i，t)(x，y)，t＝t1-η，...，t1-2，t1-1，t1；i＝1，2，...，n，每个信号采集点的η+1个电压e(i，t)(x，y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度D(i，j)，i＝1，2，...，n，j＝1，2，...η；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值
通过比较n个信号采集电极的电压梯度平均值
得到电压梯度极大值坐标(x′，y′)的集合B与极小值坐标(x″，y″)的集合C；
第4步：通过集合A和B的交集得到大脑兴奋区域坐标(x*，y*)集合P，通过求集合
和C的交集得到大脑非兴奋区域坐标(x^，y^)集合N；
第5步：脑电干扰：大脑兴奋区域坐标(x*，y*)集合P中有p个元素，大脑非兴奋区域坐标(x^，y^)集合N中有l个元素；当开始脑电干扰时，对集合N中的l个坐标发出电磁脉冲Bi，i＝1，2，...，l，l＜m，电磁脉冲Bi在0T到2T之间调节，电磁脉冲Bi分别作用于集合N中每个坐标所对应的头皮区域σi，i＝1，2，...，l，通过生物电磁耦合作用，σi区域内大脑电荷开始积聚，测量电位ei升高，i＝1，2，...，l；则根据大脑能量守恒原理，集合P中每个坐标对应的头皮区域λk的电荷开始疏散，测量电位ek开始下降，k＝1，2，...，p；作用时间持续ΔT后，若兴奋区域信号采集单元电位ek电位都小于电位阈值θ时，则停止干扰，否则继续干扰操作，k＝1，2，...，p。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711302562.1A CN108158579B (zh) | 2017-12-08 | 2017-12-08 | 一种非接触非侵入无损伤的癫痫自组织监测预警干预***及获取干扰脑电分布的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711302562.1A CN108158579B (zh) | 2017-12-08 | 2017-12-08 | 一种非接触非侵入无损伤的癫痫自组织监测预警干预***及获取干扰脑电分布的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108158579A CN108158579A (zh) | 2018-06-15 |
| CN108158579B true CN108158579B (zh) | 2020-01-21 |
Family
ID=62525647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711302562.1A Active CN108158579B (zh) | 2017-12-08 | 2017-12-08 | 一种非接触非侵入无损伤的癫痫自组织监测预警干预***及获取干扰脑电分布的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108158579B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110077923A (zh) * | 2019-05-09 | 2019-08-02 | 迅达（中国）电梯有限公司 | 电梯指令登记*** |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1009330B (zh) * | 1987-03-30 | 1990-08-29 | 创建基立有限公司 | 一种电脑电信号检测处理装置 |
| CN102488967B (zh) * | 2004-12-27 | 2016-03-30 | 诺沃库勒有限公司 | 利用电场从不同方向***等 |
| US9072482B2 (en) * | 2010-09-16 | 2015-07-07 | General Electric Company | Method and apparatus for automatic seizure monitoring |
| CN102613971B (zh) * | 2012-03-30 | 2013-10-30 | 北京品驰医疗设备有限公司 | 基于脑电的癫痫检测与干预装置 |
-
2017
- 2017-12-08 CN CN201711302562.1A patent/CN108158579B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108158579A (zh) | 2018-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106512206B (zh) | 植入式闭环脑深部刺激*** | |
| US4165750A (en) | Bioelectrically controlled electric stimulator of human muscles | |
| CN101146573A (zh) | 神经刺激设备及方法 | |
| CN106175690A (zh) | 慢波睡眠增强***及慢波睡眠监测方法 | |
| US11938315B2 (en) | Methods and systems for discrete measurement of electrical characteristics | |
| CN105899255A (zh) | 脑波测量及头脑刺激*** | |
| CN106175799A (zh) | 基于脑电波评估人体情绪和疲劳状态的方法及*** | |
| CN105336104A (zh) | 具有预防疲劳驾驶功能的穿戴装置、及预防疲劳驾驶方法 | |
| CN103889503A (zh) | 用于治疗神经紊乱的非规律电刺激模式 | |
| CN101557855A (zh) | 用于促进恢复性睡眠的方法及设备 | |
| CN109965870A (zh) | 一种自动检测和刺激治疗癫痫的方法 | |
| CN108158579B (zh) | 一种非接触非侵入无损伤的癫痫自组织监测预警干预***及获取干扰脑电分布的方法 | |
| CN109621156A (zh) | 一种脑电反馈式微电流刺激助眠仪及应用方法 | |
| CN109068982B (zh) | 包括检测动作电位集群放电的探针和刺激癫痫患者迷走神经的探针的*** | |
| CN108175401B (zh) | 一种癫痫对偶互补方式监测预警干预***及方法 | |
| CN104353184A (zh) | 肌电反馈式刺激仪 | |
| US20150224309A1 (en) | Muscle supporter and muscle support method | |
| CN107981860B (zh) | 一种非接触非侵入无损伤的癫痫路径可达方式监测预警干预***及获取干扰脑电分布的方法 | |
| CN105597233B (zh) | 具有非接触供电功能的心脏起搏器 | |
| CN109893755A (zh) | 一种经颅电刺激电极脱落监测警报装置及应用 | |
| CN210433843U (zh) | 基于高频电刺激的智能阻断***和设备 | |
| CN207675896U (zh) | 一种在线分布式蓄电池组监测设备 | |
| CN209154887U (zh) | 用于动物试验的差频电刺激设备及*** | |
| CN215387044U (zh) | 具备多生理信号检测功能的经颅磁刺激仪 | |
| CN205307613U (zh) | 具有非接触供电功能的心脏起搏器 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |