CN108685577A - 一种脑功能康复效果评估装置及方法 - Google Patents
一种脑功能康复效果评估装置及方法 Download PDFInfo
- Publication number
- CN108685577A CN108685577A CN201810603172.6A CN201810603172A CN108685577A CN 108685577 A CN108685577 A CN 108685577A CN 201810603172 A CN201810603172 A CN 201810603172A CN 108685577 A CN108685577 A CN 108685577A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- mean value
- phase
- coupling
- signal data
- 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.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Neurology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种脑功能康复效果评估装置及方法,其中,该装置包括:近红外探测仪、小波变换分析模块、小波幅值分析模块、小波相位相干性分析模块、效应连接分析模块以及康复效果评估模块,其中,近红外探测仪,用于采集血氧信号数据序列;小波变换分析模块、小波幅值分析模块、小波相位相干性分析模块、效应连接分析模块,通过对采集的血氧信号数据序列进行计算得到脑部采集点之间的连接情况;康复效果评估模块,通过脑部采集点之间的连接情况进行康复效果评估。本发明实施例通过对脑部进行血氧信号采集得到脑部康复效果评估,使康复效果的展示更加直观。
Description
技术领域
本发明涉及脑功能康复领域,具体涉及一种基于近红外的脑功能康复效果评估装置及方法。
背景技术
脑卒中是我国的常见病、多发病,是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病,包括缺血性和出血性卒中。幸存患者往往存在肢体功能障碍,严重影响患者的身心健康和生活质量。康复治疗是脑卒中后促进功能恢复的主要措施,有效的康复训练能够减轻患者的失能状况、提高患者自理能力、加速脑卒中的康复进程。
在目前的康复训练治疗中,常采用量表的形式评定康复效果,根据初期评估、中期评估、末期评估的分差来分析患者功能状况和康复进展情况。该方法较为费时,且其评估结果一定程度上受到康复医生主观因素的影响。在康复训练设备上,目前市场上涌现出大量结合肢体动作和人机交互界面的辅具,给出患者行为表现得分。该方法是一种间接地对脑卒中病发源头的康复进行估计,无法直接了解脑卒中病发源头的康复的情况。
发明内容
有鉴于此,本发明的目的在于提供一种脑功能康复效果评估装置及方法,以便于通过直接检测发病源头的情况来判断脑卒中的恢复情况。
第一方面,本发明实施例提供一种脑功能康复效果评估装置,包括:近红外探测仪、小波变换分析模块、小波幅值分析模块、小波相位相干性分析模块、效应连接分析模块以及康复效果评估模块,其中,
近红外探测仪,用于在不同采集点采集血氧信号数据序列,每一采集点对应一通道,每一通道对应一血氧信号数据序列;
小波变换分析模块,用于依次对所述血氧信号数据序列进行复小波变换,得到所述血氧信号数据序列的时域平均相位信息、频域平均相位信息和小波变换结果;
小波幅值分析模块,用于根据所述小波变换结果,在频域上进行梯形积分,得到血氧信号数据序列的小波幅值均值;
小波相位相干性分析模块,用于根据每两两通道的频域平均相位信息,得到小波相位相干性均值,利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值;
效应连接分析模块,用于利用动态贝叶斯推论估计方法,对多个通道的时域平均相位信息进行处理,得到所述多个通道之间的耦合强度和耦合方向;
康复效果评估模块,用于依据小波幅值均值、小波相位相干性均值、耦合强度和耦合方向,以及,预先设置的康复效果评估策略,进行康复效果评估。
可选地,还包括:替代信号生成模块以及效应连接预处理模块,其中,
替代信号生成模块,用于通过幅值自适应的傅里叶变换替代信号方法生成对应于所述血氧信号数据序列的替代信号数据序列,输出至小波变换分析模块;
小波变换分析模块,还用于依次对所述替代信号数据序列进行复小波变换,得到所述替代信号数据序列的替代信号时域平均相位信息、频域平均相位信息;
小波相位相干性分析模块,还用于根据每两两通道的替代信号频域平均相位信息,得到替代信号小波相位相干性均值,利用频域上的梯形积分方法,对替代信号小波相位相干性值进行积分,得到替代信号小波相位相干性均值,输出至效应连接预处理模块;
效应连接分析模块,还用于利用动态贝叶斯推论估计方法,对多个通道的替代信号时域平均相位信息进行处理,得到所述多个通道之间的替代信号耦合强度,输出至效应连接预处理模块;
效应连接预处理模块,用于分别计算替代信号小波相位相干性的相干性标准差以及替代信号耦合强度的耦合强度标准差;
若所述小波相位相干性均值大于对应的替代信号小波相位相干性均值与2倍相干性标准差的和值,通知小波相位相干性分析模块,将所述小波相位相干性均值输出至康复效果评估模块;
若所述耦合强度大于对应的替代信号小波耦合强度均值与2倍耦合强度标准差的和值,通知效应连接分析模块,将所述耦合强度输出至康复效果评估模块。
可选地,还包括:成像模块,用于根据预先设置的图论方法以及所述小波相位相干性均值、耦合强度和耦合方向,形成脑效应连接图像、脑功能连接图像。
可选地,所述成像模块包括:功能连接成像单元以及效应连接成像单元,其中,
功能连接成像单元,用于依据各通道的位置构建功能节点,若功能节点间的小波相位相干性均值大于对应的替代信号小波相位相干性均值与2倍相干性标准差的和值,为所述功能节点间设置构成功能连接的边,得到功能连接无向图;
效应连接成像单元,用于依据各通道的位置构建效应节点,若效应节点间的耦合强度大于对应的替代信号耦合强度与2倍相干性标准差的和值,为所述效应节点间设置构成效应连接的边,所述效应连接的边的方向为所述耦合方向,得到效应连接有向图。
可选地,,所述成像模块还包括:
网络参数计算单元,用于基于所述功能连接无向图和效应连接有向图,计算网络参数,所述网络参数包括:顶点度、集群系数、最短路径、局部效率以及全局效率。
可选地,所述小波变换分析模块包括:小波变换尺度序列获取单元以及复小波变换处理单元,其中,
小波变换尺度序列获取单元,用于依据预先设置的小波中心频率、采样周期以及小波变换频率,获取小波变换尺度序列;
复小波变换处理单元,用于将所述小波变换尺度序列、母小波窗函数以及血氧信号数据序列的时间序列进行复小波变换,得到小波变换结果,所述小波变换结果包括:所述血氧信号数据序列的时域平均相位信息、频域平均相位信息和小波变换结果。
可选地,,所述小波相位相干性分析模块包括:
相位信息差计算单元,用于计算频域上每两两通道上血氧信号数据的相位信息之差,得到相位信息差;
均化单元,用于计算所述相位信息差的余弦值的余弦均值,以及,所述相位信息差的正弦值的正弦均值;
小波相位相干性值计算单元,用于计算所述余弦均值的平方与正弦均值的平方的和值,求取所述和值的平方根,得到小波相位相干性值;
小波相位相干性均值,用于利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值。
可选地,,利用下式计算所述余弦均值:
式中,
<cosΔφxy(f)>为余弦均值;
Δφxy(f)为通道x、y的相位信息差;
Δφxy(f,tl)为通道x、y中第l个血氧信号数据的相位信息差;
L为血氧信号数据序列中包含的血氧信号数据个数。
可选地,,利用下式计算所述小波相位相干性均值:
式中,
为小波相位相干性均值;
fmax为小波变换频率上限;
fmin为小波变换频率下限;
Cφ(f)为小波相位相干性值;
第二方面,本发明实施例提供一种脑功能康复效果评估方法,包括:使用近红外探测仪在不同采集点采集血氧信号数据序列,每一采集点对应一通道,每一通道对应一血氧信号数据序列;
对所述血氧信号数据序列进行复小波变换,得到所述血氧信号数据序列的时域平均相位信息、频域平均相位信息和小波变换结果;
根据每两两通道的频域平均相位信息,利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值;
利用动态贝叶斯推论估计方法,对多个通道的时域平均相位信息进行处理,得到所述多个通道之间的耦合强度和耦合方向;
依据小波幅值均值、小波相位相干性均值、耦合强度和耦合方向,以及,预先设置的康复效果评估策略,进行康复效果评估。
本发明实施例提供的脑功能康复效果评估装置及方法,采用近红外探测仪结合贝叶斯反馈算法得到脑部康复效果的评估,与现有技术中的依靠病人的运动状态结合医生的经验做出评估相比,其得到的脑部康复情况更加准确,更加直观。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了第一种本发明实施例所提供的脑功能康复效果评估装置的结构图;
图2示出了第二种本发明实施例所提供的脑功能康复效果评估装置的结构图;
图3示出了第三种本发明实施例所提供的脑功能康复效果评估装置的结构图;
图4示出了本发明实施例所提供的脑功能康复效果评估方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到现有的脑卒中康复情况基于此,本发明实施例提供了一种直接对病源康复情况进行检测的方法和装置,下面通过实施例进行描述。
本发明实施例提供一种脑功能康复效果评估装置,如图1所示,包括:近红外探测仪101、小波变换分析模块102、小波幅值分析模块103、小波相位相干性分析模块104、效应连接分析模块105、康复效果评估模块106。其中,
近红外探测仪101,用于在不同采集点采集血氧信号数据序列,每一采集点对应一通道,每一通道对应一血氧信号数据序列;
光源和探头在采集点处进行采集,光源和探头之间组成通道,一般地光源和探头距离较近,在后期处理时可以视作一个点,即每一采集点对应一通道。
本实施例中,每个通道采集一血氧信号数据序列。作为一可选实施例,实时采集康复训练者全脑或特定脑区的血氧信号数据10-20分钟(采样时间),采样频率不低于10Hz。
假设采样时间为U,通道数为T,得到通道x上血氧信号数据为关于采样时间u的序列gx(u),在采样时间内,通道x上采集到的血氧信号数据序列中的血氧信号数据个数为L。
小波变换分析模块102,用于依次对所述血氧信号数据序列进行复小波变换,得到所述血氧信号数据序列的时域平均相位信息、频域平均相位信息和小波变换结果;
本实施例中,作为一可选实施例,小波变换分析模块102包括:小波变换尺度序列获取单元以及复小波变换处理单元,其中,
小波变换尺度序列获取单元,用于依据预先设置的小波中心频率、采样周期以及小波变换频率,获取小波变换尺度序列;
复小波变换处理单元,用于将所述小波变换尺度序列、母小波窗函数以及血氧信号数据序列的时间序列进行复小波变换,得到小波系数,所述小波系数包括:所述血氧信号数据序列的时域平均相位信息、频域平均相位信息和小波变换结果。
本实施例中,对每一通道采集的血氧信号数据分别进行小波变换分析。具体的,确定小波变换尺度序列s,使得小波变换频率f与感兴趣的频率相对应。
小波变换尺度序列s与小波变换频率f的转换关系满足:
其中,fc为小波变换中心频率,通常取1Hz;δt为设定的采样周期。
进行连续复小波变换处理,其公式为:
其中,W(s,t)是通道x的血氧信号数据进行小波变换后得到的小波系数;
t为时间参数,t的取值范围为0~U;
表示母小波窗函数;
表示母小波窗函数移动到t时刻时,该母小波窗函数与采样时间序列的卷积;
gx(u)表示通道x所测血氧信号数据的时间序列。
W(s,t)包括小波变换结果W'(f,t)和相位信息φ(f,t)。
本实施例中,对于通道x,以小波变换频率与感兴趣的0.6–2.0Hz频率相对应为例,对应的小波系数为通道x的血氧信号数据在0.6–2.0Hz频域进行小波变换后得到的小波系数。
该频域上的时域平均相位信息为计算公式为:
M为设定的尺度序列的元素个数,
式中,
fmax为感兴趣的频率上限,例如,fmax=2;
fmin为感兴趣的频率下限,例如,fmin=0.6。
小波幅值分析模块103,用于根据所述小波变换结果,在频域上进行梯形积分,得到血氧信号数据序列的小波幅值均值;
本实施例中,对W(s,t)进行小波幅值分析,通过在频域0.6–2.0Hz上的梯形积分方法,得到通道x上的血氧信号数据在0.6–2.0Hz的小波幅值均值。
小波相位相干性分析模块104,用于根据每两两通道的时域平均相位信息,得到小波相位相干性均值,利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值;
本实施例中,作为一可选实施例,小波相位相干性分析模块104包括:
相位信息差计算单元,用于计算频域上每两两通道上血氧信号数据的相位信息之差,得到相位信息差;
均化单元,用于计算所述相位信息差的余弦值的余弦均值,以及,所述相位信息差的正弦值的正弦均值;
小波相位相干性值计算单元,用于计算所述余弦均值的平方与正弦均值的平方的和值,求取所述和值的平方根,得到小波相位相干性值;
小波相位相干性均值,用于利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值。
本实施例中,对相位信息φ(f,t)进行小波相位相干性分析。通过小波相位相干性分析方法,处理频域上每两两通道上血氧信号数据得到的相位信息之差,以通道x、y为例,相位信息之差Δφxy(f,t);将cosΔφxy(f,t)和sinΔφxy(f,t)在时域内平均化得到<cosΔφxy(f)>和<sinΔφxy(f)>,计算公式为:
l=1,2,...,L;
式中,
<cosΔφxy(f)>为余弦均值;
Δφxy(f)为通道x、y的相位信息差;
Δφxy(f,tl)为通道x、y中第l个血氧信号数据的相位信息差;
L为血氧信号数据序列中包含的血氧信号数据个数。
由此计算小波相位相干性值:
同样通过在频域上的梯形积分方法对小波相位相干性值进行积分,得到每两两通道血氧信号在预设特定波段0.6–2.0Hz的小波相位相干性均值;
式中,
为小波相位相干性均值;
fmax为小波变换频率上限;
fmin为小波变换频率下限;
Cφ(f)为小波相位相干性值;
效应连接分析模块105,用于利用动态贝叶斯推论估计方法,对多个通道的时域平均相位信息进行处理,得到所述多个通道之间的耦合强度和耦合方向;
本实施例中,利用多个通道在预设特定波段0.6–2.0Hz内血氧信号数据的时域平均相位信息,建立通道x在该预设特定波段0.6–2.0Hz内的相位振子模型:
N为选取的通道数量,可以根据实际需要选取,例如,可以全部通道在频域上的对应时域平均相位信息计算通道x的振子模型。本实施例中,为了便于计算,选取另一通道与x通道组成网络,例如,选择y通道,即取N为2。
ωx(t)描述相位增长速率,称为通道x的振子模型的固有频率;ξx(t)为高斯白噪声;q为耦合函数,描述振子间的耦合状态,φ为各个通道的时域平均相位信息本实施例中为了便计算,仅考虑x y两个通道之间的影响;
其中,对上式中的ωx(t)+qx(φ1,φ2,...φN,t),利用傅里叶逼近法分解为多个基函数的和,基函数可选取为振子模型中涉及的时域平均相位信息的多项式组合的正弦或者余弦,具体如下:本实施例中,将振子模型转化为:
K为预设的时域平均相位信息傅立叶分量的最高阶数。实施例中取K为2。
设选取基函数个数为p,实施例中选取p1=1=1、p2=sinφx、p3=sin(φx+2φy)、p4=cos(φx-2φy)作为基函数时间序列,p=4,基于基函数的运算矩阵用P=[p1,p2,p3,p4]表示。实际中可以根据需要自主选择基函数的个数。
则上式完整的相位振子模型为
由得到其中未知。
本实施例中通过动态贝叶斯推论即是根据已测得的时间序列χ={xl≡x(tl)}(t1=lh,l为采样点,h为采样间隔),去推测整个康复训练过程中两时间序列间的耦合系数矩阵C,贝叶斯推论公式为:
其中,M={C,E},E为噪声矩阵,pprior(M)为先验概率密度,pχ(M|χ)为后验概率密度,其生理含义为相位振子在这种耦合关系的作用下达到稳态的概率最大。
因此需要求pχ(M|χ)的最大值,假设模型的先验信息已知(包括先验概率密度pprior(M)),则问题转化为如何确定用来推断后验信息的似然函数,模型的概率密度的负对数似然函数定义为:
其中,φ.为所求耦合关系的通道φx,φy,即[φx,φy];
P(φ.,l)
通过递归计算负对数似然函数的稳定点坐标,即可得到某一状态下相位振子模型间的耦合系数及噪声矩阵。递归过程如下:
C=I-1r,
其中,I为密度矩阵,r为临时变量矩阵。以上循环过程的终止条件为递归算法不再对耦合系数矩阵产生调节作用,即∑(Cprior-Cpost)2/Cpost 2<ε,ε为极小的恒量,这里的∑表示矩阵元素的求和;此时的Cpost为我们所要求的C。迭代开始时的初始耦合系数矩阵C=0,初始I=0。
由所述递归结果,从振子φx到振子φy的耦合强度定义为耦合系数矩阵的欧几里得范数:
本实施例中,作为一可选实施例,
耦合方向用来区分振子φx与振子φy间耦合关系,定义为:
其中,D<x,y>∈[-1,1];若D<x,y>为正则耦合方向为φy指向φx,为负则φx指向φy。
qx→y=||qx:y||。
以上,通过动态贝叶斯推论估计方法,得到每两两通道血氧信号在预设特定波段0.6–2.0Hz内的耦合强度和耦合方向,其他波段内的耦合强度和耦合方向的计算方法与特定波段0.6–2.0Hz内耦合强度和耦合方向的计算方法相类似。
康复效果评估模块106,用于依据小波幅值均值、小波相位相干性均值、耦合强度和耦合方向,以及,预先设置的康复效果评估策略,进行康复效果评估。
本实施例中,康复效果评估策略可以根据各康复阶段对应的小波幅值均值、小波相位相干性均值、耦合强度和耦合方向来设置,通过将上述计算得到的小波幅值均值、小波相位相干性均值、耦合强度和耦合方向分别与各康复阶段对应的指标值进行匹配,可以得到当前所处的康复阶段。
本实施例中,作为一可选实施例,参考图2,该装置还包括:替代信号生成模块201以及效应连接预处理模块202,其中,
替代信号生成模块201,用于通过幅值自适应的傅里叶变换替代信号方法生成对应于所述血氧信号数据序列的替代信号数据序列,输出至小波变换分析模块102;
小波变换分析模块102,还用于依次对所述替代信号数据序列进行复小波变换,得到所述替代信号数据序列的替代信号时域平均相位信息、替代信号频域平均相位信息;
小波相位相干性分析模块104,还用于根据每两两通道的替代信号频域平均相位信息,得到替代信号小波相位相干性均值,利用频域上的梯形积分方法,对替代信号小波相位相干性值进行积分,得到替代信号小波相位相干性均值,输出至效应连接预处理模块202;
效应连接分析模块105,还用于利用动态贝叶斯推论估计方法,对多个通道的替代信号时域平均相位信息进行处理,得到所述多个通道之间的耦合强度,输出至效应连接预处理模块202;
效应连接预处理模块202,用于分别计算替代信号小波相位相干性的相干性标准差以及替代信号耦合强度的耦合强度标准差;
若所述小波相位相干性均值大于对应的替代信号小波相位相干性均值与2倍相干性标准差的和值,通知小波相位相干性分析模块104,将所述小波相位相干性均值输出至康复效果评估模块106;
若所述耦合强度大于对应的替代信号小波耦合强度均值与2倍耦合强度标准差的和值,通知效应连接分析模块105,将所述耦合强度输出至康复效果评估模块106。
本实施例中,通过幅值自适应的傅里叶变换替代信号方法生成L个对应于每个血氧信号数据的替代信号数据。通过L个替代血氧信号数据,得到每每两个替代血氧信号数据对应的替代信号小波相位相干性均值、替代信号耦合强度。
分别计算替代信号小波相位相干性的相干性标准差以及替代信号耦合强度的耦合强度标准差;
若一波段的小波相位相干性均值大于该波段的替代信号小波相位相干性均值与2倍相干性标准差的和值,构成功能连接。
若一波段的耦合强度大于该波段的替代信号小波耦合强度均值与2倍耦合强度标准差的和值,构成效应连接。
本实施例中,作为再一可选实施例,参考图3,该装置还包括:
成像模块301,用于根据预先设置的图论方法以及所述小波相位相干性均值、耦合强度和耦合方向,形成脑效应连接图像、脑功能连接图像。
本实施例中,作为一可选实施例,成像模块301包括:功能连接成像单元以及效应连接成像单元,其中,
功能连接成像单元,用于依据各通道的位置构建功能节点,若功能节点间的小波相位相干性均值大于对应的替代信号小波相位相干性均值与2倍相干性标准差的和值,为所述功能节点间设置构成功能连接的边,得到功能连接无向图;
效应连接成像单元,用于依据各通道的位置构建效应节点,若效应节点间的耦合强度大于对应的替代信号耦合强度与2倍相干性标准差的和值,为所述效应节点间设置构成效应连接的边,所述效应连接的边的方向为所述耦合方向,得到效应连接有向图。
本实施例中,作为再一可选实施例,成像模块301还包括:
网络参数计算单元,用于基于所述功能连接无向图和效应连接有向图,计算网络参数,所述网络参数包括:顶点度、集群系数、最短路径、局部效率以及全局效率。
本实施例中,基于各波段(0.005-2Hz)的功能连接,形成波段0.005-2Hz上的大脑功能连接网络;以及,基于各波段(0.005-2Hz)的效应连接,形成波段0.005-2Hz上的大脑效应连接网络。
本发明实施例中的预设波段以0.005-2Hz为例,并非限定,除此之外还可以采用别的波段。
本实施例中,作为一可选实施例,波段的数量为6,可以采用的六个特定波段的特征分别对应其特定生理来源:第I段:0.6–2.0Hz,来源于心率活动;第II段:0.145–0.6Hz,来源于呼吸作用;第III段:0.052–0.145Hz,来源于肌源性活动;第IV段,0.021–0.052Hz,来源于神经性活动;第V段,0.0095–0.021Hz,来源于与一氧化氮有关的内皮细胞代谢活动;第VI段,0.005–0.0095Hz,来源于与一氧化氮无关的内皮细胞代谢活动。
在图论分析中,将各个通道位置简化为节点,各个节点间的相互作用简化为边,若节点间构成功能连接或效应连接,则节点间存在边,否则不存在边。基于脑功能连接及效应连接的计算结果可以将康复训练者脑连接情况简化为功能连接无向图和效应连接有向图,并计算出以下网络参数:
A、顶点度
无向图的顶点度为网络中与该顶点(节点)直接相连的边的个数;有向图中,顶点度包括出度与入度,顶点vi的出度与入度分别为该顶点指向其他顶点的边的个数与其他顶点指向该顶点的边的个数。顶点度的大小反应每个顶点在网络中的重要程度。
B、集群系数
设某网络为存在n个顶点,V(G)为图G(无向图或有向图)的顶点集,E(G)为图G的边集,V(G)为图G的关联函数,表征节点集与边集的对应关系邻接矩阵为A=(aij)n×n,其中,如顶点i与顶点j具有效应连接或功能连接,aij=1,如顶点i与顶点j不具有效应连接和功能连接,aij=0。
顶点vi的顶点度为ki。对于无向图,关于顶点的集群系数为:
其中i,j,m=1,2,···,n。
整个网络的集群系数为网络中所有顶点的集群系数的平均值。
对于有向图,关于结点的集群系数为:
其中,表示有向网络中某顶点的集群系数;i,j,m=1,2,···,n。整个网络的集群系数为网络中所有顶点的集群系数的平均值。集群系数反映了网络的集团化程度,可以从一定程度上量化康复训练者各通道、脑区间连接的紧密程度。
C、最短路径
本实施例中,利用迪克斯屈拉迭代算法计算最短路径。w(vi,vj)为边vivj的权值,i,j不直接连接则权值为无穷大,假设求节点v1和vx之间的最短路径长度,定义L(vx)(x=1,2,…,n)表示初始顶点v1到顶点vx间的路径长度,初始值L(v1)=0,L(vx)=∞(x=2,3,…,n);定义有序节点集合S,用于存放从节点v1到vx的最短路径所包含的节点,初始值S0={v1},i=1。迭代步骤如下:
(1)所有L(vi)=min{L(v),L(v1)+w(v1,v)};
(2)若vi+1是使L(v)最小的顶点,则令Si+1=Si∪{vi+1};
判断vx∈S?若是,此时即为顶点v1到顶点vx间的最短路径长度,若否,执行下一步;
(3)对所有L(vi+1)=min{L(v),L(vi+1)+w(vi+1,v)};
(4)重复步骤(2)、(3),直到vx∈S,此时L(vi=x)即为顶点v1到顶点vx间的最短路径长度,S中包含最短路径所经过的点。网络的最短路径长度为此网络中任意两节点间最短路径长度的均值,定义为:
D、局部效率
Gi表示顶点vi的邻居顶点所构成的子图,Ljk表示顶点vj和vk之间的最短路径长度,则顶点vi的局部效率为:
将网络中所有结点的局部效率进行平均,即得整个网络的局部效率。局部效率表征着整个脑网络中,各个子网络(模块)之间信息传递效率的高低。
E、全局效率
网络的全局效率计算公式为:
其中,Lij表示顶点vi和vj之间的最短路径长度,网络全局效率为所有顶点全局效率的均值。全局效率从全网络的角度对网络中信息传递的速率和效率进行评估。
以上,通过图论处理方法得到功能连接网络和效应连接网络的网络参数:顶点度、集群系数、最短路径长度、局部效率和全局效率。
本发明实施例还提供一种脑功能康复效果评估方法,参考图4,包括:
采集血氧信号数据序列401;
对信号数据序列进行复小波变换402;
对小波相位相干性值进行积分403;
对多个通道的时域平均相位信息进行处理404;
生成替代信号数据序列405;
对替代信号数据序列进行复小波变换406;
对替代信号小波相位相干性值进行积分407;
对多个通道的替代信号时域平均相位信息进行处理408;
进行康复效果评估409;
生成图像410。
本发明实施例提供一种脑功能康复效果评估方法,包括:使用近红外探测仪在不同采集点采集血氧信号数据序列,每一采集点对应一通道,每一通道对应一血氧信号数据序列;
对所述血氧信号数据序列进行复小波变换,得到所述血氧信号数据序列的时域平均相位信息、频域平均相位信息和小波变换结果;
根据每两两通道的频域平均相位信息,利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值;
利用动态贝叶斯推论估计方法,对多个通道的时域平均相位信息进行处理,得到所述多个通道之间的耦合强度和耦合方向;
依据小波幅值均值、小波相位相干性均值、耦合强度和耦合方向,以及,预先设置的康复效果评估策略,进行康复效果评估。
还包括:通过幅值自适应的傅里叶变换替代信号方法生成对应于所述血氧信号数据序列的替代信号数据序列;
依次对所述替代信号数据序列进行复小波变换,得到所述替代信号数据序列的替代信号时域平均相位信息、替代信号频域平均相位信息;
根据每两两通道的替代信号频域平均相位信息,得到替代信号小波相位相干性均值,利用频域上的梯形积分方法,对替代信号小波相位相干性值进行积分,得到替代信号小波相位相干性均值;
利用动态贝叶斯推论估计方法,对多个通道的替代信号时域平均相位信息进行处理,得到所述多个通道之间的替代信号耦合强度;
分别计算替代信号小波相位相干性的相干性标准差以及替代信号耦合强度的耦合强度标准差;若所述小波相位相干性均值大于对应的替代信号小波相位相干性均值与2倍相干性标准差的和值,利用所述小波相位相干性均值进行康复效果评估;
若所述耦合强度大于对应的替代信号小波耦合强度均值与2倍耦合强度标准差的和值,利用所述耦合强度进行康复效果评估。
根据图论方法以及所述小波相位相干性均值、耦合强度和耦合方向,形成脑效应连接图像、脑功能连接图像。
依据各通道的位置构建功能节点,若功能节点间的小波相位相干性均值大于对应的替代信号小波相位相干性均值与2倍相干性标准差的和值,为所述功能节点间设置构成功能连接的边,得到功能连接无向图;
依据各通道的位置构建效应节点,若效应节点间的耦合强度大于对应的替代信号耦合强度与2倍相干性标准差的和值,为所述效应节点间设置构成效应连接的边,所述效应连接的边的方向为所述耦合方向,得到效应连接有向图。
基于所述功能连接无向图和效应连接有向图,计算网络参数,所述网络参数包括:顶点度、集群系数、最短路径、局部效率以及全局效率。
所述对所述血氧信号数据序列进行复小波变换包括:依据预先设置的小波中心频率、采样周期以及小波变换频率,获取小波变换尺度序列;
将所述小波变换尺度序列、母小波窗函数以及血氧信号数据序列的时间序列进行复小波变换,得到小波系数,所述小波系数包括:所述血氧信号数据序列的时域平均相位信息、频域平均相位信息和小波变换结果。
所述根据每两两通道的频域平均相位信息,利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值,包括:
计算频域上每两两通道上血氧信号数据的相位信息之差,得到相位信息差;
计算所述相位信息差的余弦值的余弦均值,以及,所述相位信息差的正弦值的正弦均值;
计算所述余弦均值的平方与正弦均值的平方的和值,求取所述和值的平方根,得到小波相位相干性值;
利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值。
利用下式计算所述余弦均值:
式中,
<cosΔφxy(f)>为余弦均值;
Δφxy(f)为通道x、y的相位信息差;
Δφxy(f,tl)为通道x、y中第l个血氧信号数据的相位信息差;
L为血氧信号数据序列中包含的血氧信号数据个数。
利用下式计算所述小波相位相干性均值:
式中,
为小波相位相干性均值;
fmax为小波变换频率上限;
fmin为小波变换频率下限;
Cφ(f)为小波相位相干性值;
本发明实施例所提供的进行脑功能康复效果评估方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的脑功能康复效果评估装置及方法可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的***、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种脑功能康复效果评估装置,其特征在于,包括:近红外探测仪、小波变换分析模块、小波幅值分析模块、小波相位相干性分析模块、效应连接分析模块以及康复效果评估模块,其中,
近红外探测仪,用于在不同采集点采集血氧信号数据序列,每一采集点对应一通道,每一通道对应一血氧信号数据序列;
小波变换分析模块,用于依次对所述血氧信号数据序列进行复小波变换,得到所述血氧信号数据序列的时域平均相位信息、频域平均相位信息和小波变换结果;
小波幅值分析模块,用于根据所述小波变换结果,在频域上进行梯形积分,得到血氧信号数据序列的小波幅值均值;
小波相位相干性分析模块,用于根据每两两通道的频域平均相位信息,得到小波相位相干性均值,利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值;
效应连接分析模块,用于利用动态贝叶斯推论估计方法,对多个通道的时域平均相位信息进行处理,得到所述多个通道之间的耦合强度和耦合方向;
康复效果评估模块,用于依据小波幅值均值、小波相位相干性均值、耦合强度和耦合方向,以及,预先设置的康复效果评估策略,进行康复效果评估。
2.根据权利要求1所述的装置,其特征在于,还包括:替代信号生成模块以及效应连接预处理模块,其中,
替代信号生成模块,用于通过幅值自适应的傅里叶变换替代信号方法生成对应于所述血氧信号数据序列的替代信号数据序列,输出至小波变换分析模块;
小波变换分析模块,还用于依次对所述替代信号数据序列进行复小波变换,得到所述替代信号数据序列的替代信号频域平均相位信息、时域平均相位信息;
小波相位相干性分析模块,还用于根据每两两通道的替代信号频域平均相位信息,得到替代信号小波相位相干性均值,利用频域上的梯形积分方法,对替代信号小波相位相干性值进行积分,得到替代信号小波相位相干性均值,输出至效应连接预处理模块;
效应连接分析模块,还用于利用动态贝叶斯推论估计方法,对多个通道的替代信号时域平均相位信息进行处理,得到所述多个通道之间的替代信号耦合强度,输出至效应连接预处理模块;
效应连接预处理模块,用于分别计算替代信号小波相位相干性的相干性标准差以及替代信号耦合强度的耦合强度标准差;
若所述小波相位相干性均值大于对应的替代信号小波相位相干性均值与2倍相干性标准差的和值,通知小波相位相干性分析模块,将所述小波相位相干性均值输出至康复效果评估模块;
若所述耦合强度大于对应的替代信号小波耦合强度均值与2倍耦合强度标准差的和值,通知效应连接分析模块,将所述耦合强度输出至康复效果评估模块。
3.根据权利要求1所述的装置,其特征在于,还包括:
成像模块,用于根据预先设置的图论方法以及所述小波相位相干性均值、耦合强度和耦合方向,形成脑效应连接图像、脑功能连接图像。
4.根据权利要求3所述的装置,其特征在于,所述成像模块包括:功能连接成像单元以及效应连接成像单元,其中,
功能连接成像单元,用于依据各通道的位置构建功能节点,若功能节点间的小波相位相干性均值大于对应的替代信号小波相位相干性均值与2倍相干性标准差的和值,为所述功能节点间设置构成功能连接的边,得到功能连接无向图;
效应连接成像单元,用于依据各通道的位置构建效应节点,若效应节点间的耦合强度大于对应的替代信号耦合强度与2倍相干性标准差的和值,为所述效应节点间设置构成效应连接的边,所述效应连接的边的方向为所述耦合方向,得到效应连接有向图。
5.根据权利要求4所述的装置,其特征在于,所述成像模块还包括:
网络参数计算单元,用于基于所述功能连接无向图和效应连接有向图,计算网络参数,所述网络参数包括:顶点度、集群系数、最短路径、局部效率以及全局效率。
6.根据权利要求1至5任一项所述的装置,其特征在于,所述小波变换分析模块包括:小波变换尺度序列获取单元以及复小波变换处理单元,其中,
小波变换尺度序列获取单元,用于依据预先设置的小波中心频率、采样周期以及小波变换频率,获取小波变换尺度序列;
复小波变换处理单元,用于将所述小波变换尺度序列、母小波窗函数以及血氧信号数据序列的时间序列进行复小波变换,得到小波变换结果,所述小波变换结果包括:所述血氧信号数据序列的频域平均相位信息、时域平均相位信息。
7.根据权利要求1至5任一项所述的装置,其特征在于,所述小波相位相干性分析模块包括:
相位信息差计算单元,用于计算频域上每两两通道上血氧信号数据的相位信息之差,得到相位信息差;
均化单元,用于计算所述相位信息差的余弦值的余弦均值,以及,所述相位信息差的正弦值的正弦均值;
小波相位相干性值计算单元,用于计算所述余弦均值的平方与正弦均值的平方的和值,求取所述和值的平方根,得到小波相位相干性值;
小波相位相干性均值,用于利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值。
8.根据权利要求7所述的装置,其特征在于,利用下式计算所述余弦均值:
式中,
<cosΔφxy(f)>为余弦均值;
Δφxy(f)为通道x、y的相位信息差;
Δφxy(f,tl)为通道x、y中第l个血氧信号数据的相位信息差;
L为血氧信号数据序列中包含的血氧信号数据个数。
9.根据权利要求8所述的装置,其特征在于,利用下式计算所述小波相位相干性均值:
式中,
为小波相位相干性均值;
fmax为小波变换频率上限;
fmin为小波变换频率下限;
Cφ(f)为小波相位相干性值;
10.一种脑功能康复效果评估方法,其特征在于,包括:
在不同采集点采集血氧信号数据序列,每一采集点对应一通道,每一通道对应一血氧信号数据序列;
对所述血氧信号数据序列进行复小波变换,得到所述血氧信号数据序列的时域平均相位信息、频域平均相位信息和小波变换结果;
根据所述小波变换结果,在频域上进行梯形积分,得到血氧信号数据序列的小波幅值均值;
根据每两两通道的频域平均相位信息,利用频域上的梯形积分方法,对小波相位相干性值进行积分,得到小波相位相干性均值;
利用动态贝叶斯推论估计方法,对多个通道的时域平均相位信息进行处理,得到所述多个通道之间的耦合强度和耦合方向;
依据小波幅值均值、小波相位相干性均值、耦合强度和耦合方向,以及,预先设置的康复效果评估策略,进行康复效果评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810603172.6A CN108685577B (zh) | 2018-06-12 | 2018-06-12 | 一种脑功能康复效果评估装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810603172.6A CN108685577B (zh) | 2018-06-12 | 2018-06-12 | 一种脑功能康复效果评估装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108685577A true CN108685577A (zh) | 2018-10-23 |
CN108685577B CN108685577B (zh) | 2020-11-06 |
Family
ID=63849753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810603172.6A Active CN108685577B (zh) | 2018-06-12 | 2018-06-12 | 一种脑功能康复效果评估装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108685577B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109864745A (zh) * | 2019-01-08 | 2019-06-11 | 国家康复辅具研究中心 | 一种新型的脑卒中风险评估方法与*** |
CN110025308A (zh) * | 2019-04-09 | 2019-07-19 | 澳门大学 | 一种心电特征提取方法、心拍识别方法及装置 |
CN110433397A (zh) * | 2019-08-20 | 2019-11-12 | 国家康复辅具研究中心 | 一种与经颅磁刺激同步的动态脑功能检测方法及*** |
CN111281399A (zh) * | 2020-02-03 | 2020-06-16 | 国家康复辅具研究中心 | 基于近红外的多频段生理信号反馈***及其使用方法 |
CN111631731A (zh) * | 2020-05-09 | 2020-09-08 | 国家康复辅具研究中心 | 近红外脑功能与触力/运动信息融合的评估方法及*** |
CN112022136A (zh) * | 2020-09-11 | 2020-12-04 | 国家康复辅具研究中心 | 基于近红外脑功能与步态参数的评估方法及*** |
CN112274144A (zh) * | 2019-07-22 | 2021-01-29 | 苏州布芮恩智能科技有限公司 | 近红外脑功能成像数据的处理方法、装置和存储介质 |
CN112885471A (zh) * | 2021-03-12 | 2021-06-01 | 上海中医药大学附属岳阳中西医结合医院 | 基于贝叶斯网络最大熵自学习扩展集对分析的银屑病疗效评价*** |
CN113100768A (zh) * | 2021-04-14 | 2021-07-13 | 中国人民解放军陆军特色医学中心 | 一种基于计算机视觉失能毁伤效应评估*** |
CN113786194A (zh) * | 2021-08-31 | 2021-12-14 | 佛山科学技术学院 | 脑卒中运动功能评估模型构建方法和运动功能评估方法 |
CN114469672A (zh) * | 2022-01-24 | 2022-05-13 | 国家康复辅具研究中心 | 基于多信号耦合导向的气动压缩康复*** |
CN115778323A (zh) * | 2022-11-21 | 2023-03-14 | 山东大学 | 一种多源数据融合的用户康复水平评估*** |
CN116763268A (zh) * | 2023-05-10 | 2023-09-19 | 广州培生信息技术有限公司 | 一种人体多指标检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0998972A (ja) * | 1995-10-06 | 1997-04-15 | Hitachi Ltd | 生体光計測装置及び画像作成方法 |
CN102755162A (zh) * | 2012-06-14 | 2012-10-31 | 天津大学 | 一种基于视听认知事件相关脑电的身份识别方法 |
CN105844111A (zh) * | 2016-04-07 | 2016-08-10 | 杭州电子科技大学 | 一种基于脑效应网络的新型脑电卒中评估方法 |
CN105912837A (zh) * | 2016-03-30 | 2016-08-31 | 泰山医学院 | 基于功能磁共振数据的个体脑效应连接网的构建方法 |
CN106419850A (zh) * | 2016-11-03 | 2017-02-22 | 国家康复辅具研究中心 | 基于近红外光谱和血压信息的动态脑功能检测方法及*** |
US20170173262A1 (en) * | 2017-03-01 | 2017-06-22 | François Paul VELTZ | Medical systems, devices and methods |
-
2018
- 2018-06-12 CN CN201810603172.6A patent/CN108685577B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0998972A (ja) * | 1995-10-06 | 1997-04-15 | Hitachi Ltd | 生体光計測装置及び画像作成方法 |
CN102755162A (zh) * | 2012-06-14 | 2012-10-31 | 天津大学 | 一种基于视听认知事件相关脑电的身份识别方法 |
CN105912837A (zh) * | 2016-03-30 | 2016-08-31 | 泰山医学院 | 基于功能磁共振数据的个体脑效应连接网的构建方法 |
CN105844111A (zh) * | 2016-04-07 | 2016-08-10 | 杭州电子科技大学 | 一种基于脑效应网络的新型脑电卒中评估方法 |
CN106419850A (zh) * | 2016-11-03 | 2017-02-22 | 国家康复辅具研究中心 | 基于近红外光谱和血压信息的动态脑功能检测方法及*** |
US20170173262A1 (en) * | 2017-03-01 | 2017-06-22 | François Paul VELTZ | Medical systems, devices and methods |
Non-Patent Citations (2)
Title |
---|
LINGGUO BU ET AL: "Effects of Sleep Deprivation on Phase Synchronization as Assessed by Wavelet Phase Coherence Analysis of Prefrontal Tissue Oxyhemoglobin Signals", 《PLOS ONE》 * |
TOMISLAV STANKOVSKI ET AL: "Alterations in the coupling functions between cortical and cardio-respiratory oscillations due to anaesthesia with propofol and sevoflurane", 《PHIL. TRANS. R. SOC. A》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109864745A (zh) * | 2019-01-08 | 2019-06-11 | 国家康复辅具研究中心 | 一种新型的脑卒中风险评估方法与*** |
CN110025308A (zh) * | 2019-04-09 | 2019-07-19 | 澳门大学 | 一种心电特征提取方法、心拍识别方法及装置 |
CN110025308B (zh) * | 2019-04-09 | 2021-09-10 | 澳门大学 | 一种心电特征提取方法、心拍识别方法及装置 |
CN112274144A (zh) * | 2019-07-22 | 2021-01-29 | 苏州布芮恩智能科技有限公司 | 近红外脑功能成像数据的处理方法、装置和存储介质 |
CN110433397A (zh) * | 2019-08-20 | 2019-11-12 | 国家康复辅具研究中心 | 一种与经颅磁刺激同步的动态脑功能检测方法及*** |
CN111281399A (zh) * | 2020-02-03 | 2020-06-16 | 国家康复辅具研究中心 | 基于近红外的多频段生理信号反馈***及其使用方法 |
CN111631731B (zh) * | 2020-05-09 | 2022-05-13 | 国家康复辅具研究中心 | 近红外脑功能与触力/运动信息融合的评估方法及*** |
CN111631731A (zh) * | 2020-05-09 | 2020-09-08 | 国家康复辅具研究中心 | 近红外脑功能与触力/运动信息融合的评估方法及*** |
CN112022136A (zh) * | 2020-09-11 | 2020-12-04 | 国家康复辅具研究中心 | 基于近红外脑功能与步态参数的评估方法及*** |
CN112885471A (zh) * | 2021-03-12 | 2021-06-01 | 上海中医药大学附属岳阳中西医结合医院 | 基于贝叶斯网络最大熵自学习扩展集对分析的银屑病疗效评价*** |
CN113100768A (zh) * | 2021-04-14 | 2021-07-13 | 中国人民解放军陆军特色医学中心 | 一种基于计算机视觉失能毁伤效应评估*** |
CN113100768B (zh) * | 2021-04-14 | 2022-12-16 | 中国人民解放军陆军特色医学中心 | 一种基于计算机视觉失能毁伤效应评估*** |
CN113786194A (zh) * | 2021-08-31 | 2021-12-14 | 佛山科学技术学院 | 脑卒中运动功能评估模型构建方法和运动功能评估方法 |
CN114469672A (zh) * | 2022-01-24 | 2022-05-13 | 国家康复辅具研究中心 | 基于多信号耦合导向的气动压缩康复*** |
CN115778323A (zh) * | 2022-11-21 | 2023-03-14 | 山东大学 | 一种多源数据融合的用户康复水平评估*** |
CN115778323B (zh) * | 2022-11-21 | 2024-04-26 | 山东大学 | 一种多源数据融合的用户康复水平评估*** |
CN116763268A (zh) * | 2023-05-10 | 2023-09-19 | 广州培生信息技术有限公司 | 一种人体多指标检测方法及装置 |
CN116763268B (zh) * | 2023-05-10 | 2024-01-26 | 广州培生信息技术有限公司 | 一种人体多指标检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108685577B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108685577A (zh) | 一种脑功能康复效果评估装置及方法 | |
Singh et al. | Optimal selection of wavelet basis function applied to ECG signal denoising | |
KR102008196B1 (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
Shuzan et al. | A novel non-invasive estimation of respiration rate from motion corrupted photoplethysmograph signal using machine learning model | |
Raj et al. | A personalized point-of-care platform for real-time ECG monitoring | |
WO2017124044A1 (en) | Machine-learning-based denoising of doppler ultrasound blood flow and intracranial pressure signal | |
CN106446777A (zh) | 基于卷积神经网络的无创血糖数据处理方法及*** | |
Lin et al. | Wave-shape oscillatory model for biomedical time series with applications | |
Wang et al. | Biometric recognition based on scalable end-to-end convolutional neural network using photoplethysmography: A comparative study | |
Brophy et al. | A machine vision approach to human activity recognition using photoplethysmograph sensor data | |
Zhou et al. | Causality detection with matrix-based transfer entropy | |
Shen et al. | Robust and scalable manifold learning via landmark diffusion for long-term medical signal processing | |
Patil et al. | An Adaptive parameter free data mining approach for healthcare application | |
Liang et al. | Identification of heart sounds with arrhythmia based on recurrence quantification analysis and Kolmogorov entropy | |
Korats et al. | A space-time-frequency dictionary for sparse cortical source localization | |
Zou et al. | Rhythmmamba: Fast remote physiological measurement with arbitrary length videos | |
Huang et al. | Airflow recovery from thoracic and abdominal movements using synchrosqueezing transform and locally stationary Gaussian process regression | |
Pillai et al. | Personalized step counting using wearable sensors: A domain adapted LSTM network approach | |
Rakshit et al. | Wavelet sub-bands features-based ECG signal quality assessment scheme for computer-aided monitoring system | |
US11324411B2 (en) | Method and system for determining cardiovascular parameters | |
McSharry et al. | A comparison of nonlinear noise reduction and independent component analysis using a realistic dynamical model of the electrocardiogram | |
Shuzan et al. | A novel non-invasive estimation of respiration rate from photoplethysmograph signal using machine learning model | |
Todo et al. | Dimension Reduction for time series with Variational AutoEncoders | |
Mouney et al. | A new blood pressure estimation approach using ppg sensors: subject specific evaluation over a long-term period | |
Sahoo et al. | Prediction of ECG fiducial parameters from PPG signals for the analysis of cardiovascular diseases: A novel Gaussian process regression-based approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220804 Address after: 212300 Danyang hi tech Pioneer Park Phase I, South Third Ring Road, Danyang City, Zhenjiang City, Jiangsu Province Patentee after: DANYANG HUICHUANG MEDICAL EQUIPMENT Co.,Ltd. Address before: 1 ronghua Middle Road, Beijing Economic and Technological Development Zone, Beijing Patentee before: NATIONAL RESEARCH CENTER FOR REHABILITATION TECHNICAL AIDS |