CN112043263B - 一种对新生儿脑电信号中其它仪器产生的伪差的识别***和方法 - Google Patents
一种对新生儿脑电信号中其它仪器产生的伪差的识别***和方法 Download PDFInfo
- Publication number
- CN112043263B CN112043263B CN202011036974.7A CN202011036974A CN112043263B CN 112043263 B CN112043263 B CN 112043263B CN 202011036974 A CN202011036974 A CN 202011036974A CN 112043263 B CN112043263 B CN 112043263B
- Authority
- CN
- China
- Prior art keywords
- data
- electroencephalogram
- artifact
- instruments
- section
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/04—Babies, e.g. for SIDS detection
- A61B2503/045—Newborns, e.g. premature baby monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
Abstract
本发明公开了一种对新生儿脑电信号中其它仪器产生的伪差的识别***和方法,本方法先采集到新生儿脑电信号,并且对脑电信号进行滤波预处理,然后以时长T为一段,分成n段,对每一段进行各个伪差的识别,确定该段是否存在由其它仪器产生的伪差。本发明通过两种对周期性信号敏感的算法来进行检测,相较单独地一种检测方法,可以更好地提高算法的灵敏度和准确性。
Description
技术领域
本发明涉及一种对新生儿脑电信号中其它仪器产生的伪差的识别***和方法。
背景技术
新生儿脑电信号中包括各种各样的伪差,例如其它仪器产生的伪差(暖箱、输液泵等伪差),如不能充分识别以上伪差,则对脑电信号的读取起到误导作用。
发明内容
为了克服现有技术中存在的问题,本发明提供一种识别准确度更高的对新生儿脑电信号中其它仪器产生的伪差的识别***和方法。
为了实现上述目标,本发明采用如下的技术方案:对新生儿脑电信号中其它仪器产生的伪差的识别***,其特征在于,包括脑电信号的采集、预处理与分段模块、对每一段脑电信号进行伪差识别的伪差识别模块;所述的伪差识别模块为其它仪器产生的伪差识别模块。其它仪器指的是除了脑电测量仪以外的仪器。
所述的脑电信号的采集、预处理与分段模块用于执行如下步骤:
1.采集新生儿脑电信号;
2.对步骤1采集的脑电信号进行陷波处理,然后进行滤波;
3.将经步骤2预处理(即陷波和滤波)的脑电信号以时长T为一段,分成n段。
上述步骤1为采集步骤,步骤2为预处理步骤,步骤3为分段步骤。其中T>=8s,且可被 8整除即可,优选的,T=32s(秒)。
其中脑电信号(指的是脑电信号的幅值,图1纵坐标)为数值序列。每一次采样,得到一个数据点(信号长度+1),幅值(单位μV)就是这个数据点的大小,经过多次采样,得到一个数值序列。
本文中,脑电信号的数据均由新生儿脑电测量仪直接给出。一段脑电信号即一段脑电数据(即经过采集、预处理和分段后的脑电信号,一段脑电数据由每次采样得到的幅值(即x(t),t=1、2、3…)组成,幅值即图1的纵坐标,t表示采样次数且可与图1的横坐标时间相互换算)。前述的每次采样得到的幅值,指的是经过采集、预处理(陷波和滤波)得到的幅值,以下同(适用于仪器伪差识别)。本文中,所有加粗变量表示矩阵,即是一个数值序列。非加粗的参数,表示单个变量,即一个数值。本文中数据通常是一段数值序列,数据的长度就是这段数值序列的个数(即数值的个数)。
本文中,设信号的采样率为sr(即脑电仪的采样率),一段脑电信号的时长是T,那么采样周期C=1/sr,总的信号长度L0=sr*T(信号长度即数据长度),此段信号共经过L0次采样,包括第1、2、3…L0次采样,检测到L0个数值(又称为幅值)。本文中,时长T的单位均为秒。
其它仪器产生的伪差识别模块用于执行以下步骤:1)取一段脑电数据(即脑电信号),并进行自相关计算,得到Data4;2)求得Data4中的波峰个数,若波峰个数在阈值th3和th4之间,th3=T/8,th4=3*T/4,T为该段脑电数据的时长,则判定该段脑电数据存在仪器伪差;3)若步骤2)中得到该段脑电数据为非伪差数据(即未识别出该段脑电数据存在仪器伪差),则将该段脑电数据平均分成8段,设每段数据长度为L,在第2~3段中寻找最大值位置L1, 在第6~7段中寻找最大值位置L2,最大值位置L1和L2分别为第2~3段中所有数据点中的最大幅值的所在位置、第6~7段中所有数据点中的最大幅值的所在位置,幅值为一个数据点的大小(图1中数据点的纵坐标,例如L1、L2均为数据点);4)分别在L1和L2处各取左右长度为 L的脑电数据,分别为Data6和Data7;5)求Data6和Data7的皮尔逊相关系数c,若c>th3′, 优选地,th3′=0.88(0.8≤th3′≤1),则判定该段脑电数据存在仪器伪差;步骤2)、3)5) 中所提到的“该段脑电数据”均指步骤1)取得的“一段脑电数据”,而不是Data4。
步骤2)中若判定该段脑电数据存在仪器伪差,则已经识别出其它仪器产生的伪差,程序结束,不再执行步骤(3)-(5)。当步骤(2)未识别出该段脑电数据存在仪器伪差,则继续执行步骤(3)-(5)。
因此,具体地,其它仪器产生的伪差识别模块用于执行以下步骤:
第一种情形:1)取一段脑电数据(即脑电信号),并进行自相关计算,得到Data4;2)求得Data4中的波峰个数,若波峰个数在阈值th3和th4之间,th3=T/8,th4=3*T/4,T为该段脑电数据的时长,则判定该段脑电数据存在仪器伪差。
第二种情形:1)取一段脑电数据(即脑电信号),并进行自相关计算,得到Data4;2)求得Data4中的波峰个数,若波峰个数不在阈值th3和th4之间,th3=T/8,th4=3*T/4, T为该段脑电数据的时长,则未识别出该段脑电数据存在仪器伪差;3)将该段脑电数据平均分成8段,设每段数据长度为L,在第2~3段中寻找最大值位置L1,在第6~7段中寻找最大值位置L2;4)分别在L1和L2处各取左右长度为L的数据,分别为Data6和Data7;5)求Data6和Data7的皮尔逊相关系数c,若c>th3′,优选地,th3′=0.88(0.8≤th3′≤1),则判定该段脑电数据存在仪器伪差;
第三种情形:1)取一段脑电数据(即脑电信号),并进行自相关计算,得到Data4;2)求得Data4中的波峰个数,若波峰个数不在阈值th3和th4之间,th3=T/8,th4=3*T/4, T为该段脑电数据的时长,则未识别出该段脑电数据存在仪器伪差;3)将该段脑电数据平均分成8段,设每段数据长度为L,在第2~3段中寻找最大值位置L1,在第6~7段中寻找最大值位置L2;4)分别在L1和L2处各取左右长度为L的数据,分别为Data6和Data7;5)求Data6和Data7的皮尔逊相关系数c,若c≤th3′,优选地,th3′=0.88(0.8≤th3′≤1),则该段脑电数据未识别出存在仪器伪差。
其中,以L1为中心点,L1左侧取长度L数据、L1右侧取长度L数据得到Data6,即Data6数据长度为2L。以L2为中心点,L2左侧取长度L数据、L2右侧取长度L数据得到Data7,即Data7 数据长度为2L。
其他仪器产生的伪差,如输液泵伪差、暖箱伪差等,这些仪器产生的伪差都较有明显的周期性,而且相对脑电来说波幅比较大,所以使用对周期性信号检测比较灵敏的自相关算法和皮尔逊相关系数来计算,检测信号是否存在某种周期性。周期信号的自相关函数也是周期性的,且周期和信号的周期相同,而噪声的自相关函数随相关间隔的增大而衰减很快。所以在使用自相关算法来检测是否存在其他仪器产生的伪差的时候,可以把伪差看成一种周期性的信号,而脑电信号可以看成它的噪声,如此,进行自相关计算,则可以根据自相关结果的周期性来判断是否存在该种伪差(步骤1)~步骤2))。对于皮尔逊相关系数,可以反映信号的相关性,系数越大,则两个信号越相关,认为0.8~1.0存在极强相关。所以步骤3)~步骤 5)中将该段脑电信号分成前后两端,并求得相关系数,用来判断前后两端信号是否存在相关性。而正常脑电信号是没有周期性的,所以当使用该算法时,不会存在强相关,而当存在仪器伪差时,由于仪器伪差的周期性,且幅值相对脑电信号较大,所以使用该算法时会出现强相关的现象。该部分的伪差识别,通过两种对周期性信号敏感的算法来进行检测,相较单独地一种检测方法,可以更好地提高算法的灵敏度和准确性。
本发明的另一个目的是提供一种对新生儿脑电信号中其它仪器产生的伪差的识别方法,其特征在于,包括如下步骤:
1.采集新生儿脑电信号;
2.对步骤1采集的脑电信号进行陷波处理,然后进行滤波;
3.将经过步骤2预处理的脑电信号以时长T为一段,分成n段;
对每段脑电信号数据(即脑电数据)按照下述其它仪器产生的伪差识别方法进行处理,判断出该段数据是否存在伪差;
其它仪器产生的伪差识别:
1.取一段脑电数据,并进行自相关计算,得到Data4;
2.求得Data4中的波峰个数,若波峰个数在阈值th3和th4之间,优选地th3=T/8,th4=3*T/4,则判定该段脑电数据存在仪器伪差;
3.若步骤2中得到该段脑电数据为非伪差数据,则将该段脑电数据平均分成8段(即8 个子段),设每段(即每个子段)数据长度为L,在第2~3段中寻找最大值位置L1,在第6~7 段中寻找最大值位置L2;
4.分别在L1和L2处各取左右长度为L的数据,分别为Data6和Data7;
5.求Data6和Data7的皮尔逊相关系数c,若c>th3′,优选地,th3′=0.88(0.8≤th3′≤1),则判定该段存在仪器伪差;
所述的仪器伪差包括暖箱伪差、输液泵伪差等仪器造成的伪差。
优选的,仪器伪差识别过程中,步骤1具体为:设一段脑电数据长度为L0,该段脑电数据为x(t),t=1,2,3…,L0,一段脑电数据由每次采样得到的幅值x(t)组成,幅值即图1的纵坐标;
则自相关计算公式如下:
x(t)指第t次采样得到的数值(即第t次采样得到的数据点的大小,所述的数据点的大小即幅值);
当t>τ时,x(t-τ)指第(t-τ)采样得到的数值;当t≤τ时,x(t-τ)=0;Data4= Rx(τ);Data4是一个数值序列,步骤2的波峰的个数即此数值序列极大值的个数;L=L0/8, L为各子段数据长度;
步骤5)中,设x=Data6,y=Data7;
其中i指第i次采样,每次采样占1个数据长度值;xi指数据 Data6中第i次采样得到的数据点的大小(幅值);yi指数据Data7中第i次采样得到的数据点的大小(幅值);是x的均值;是y的均值。其中i=1、2、3…2L。本说明书中所有的“幅值”均指图1纵坐标。Data6由x1、x2、x3…x2L组成,Data7由y1、y2、y3…y2L组成。
本发明还提供使用前述的识别***或前述的识别方法的新生儿脑电测量仪。除了集成于新生儿脑电测量仪,前述的识别***或前述的识别方法可独立存在,即:将脑电信号提取出来,并进行上述的识别程序(脑电信号仍由脑电测量仪采集,并由独立的识别***提取脑电信号,之后的预处理、分段、仪器伪差识别步骤均相同)。
本发明还提供一种对新生儿脑电信号中其它仪器产生的伪差的识别***,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现前述的识别方法。
此外,本发明还包括一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现前述的识别方法。
相对于现有技术,本发明的有益效果为:本发明通过两种对周期性信号敏感的算法来进行伪差检测,相较单独地一种伪差检测方法,可以更好地提高算法的灵敏度和准确性,通过本发明的伪差识别***自动识别新生儿脑电信号中的仪器伪差。本方法可帮助医护人员更好地读取新生儿脑电图,降低人为剔除伪差的难度。值得一提的是,本发明的目的不是诊断疾病,而是识别新生儿脑电信号中的仪器伪差。
附图说明
图1为仪器伪差识别Data6和Data7的构成示意图,Data6和Data7数据长度分别为2L, Data6和Data7分别有2L个数据点(采集2L次);横坐标1-8为分段标志(8个子段),例如0-1之间为第一段,1-2之间为第二段...7-8之间为第八段,8个子段的数据长度分别为L,每个子段采集信号L次;Data6、Data7均和8个子段的构成方式不同。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
本发明公开了一种新生儿脑电信号伪差识别的方法,识别的伪差为其它仪器产生的伪差 (暖箱、输液泵等伪差),本方法先采集到新生儿脑电信号,并且对脑电信号进行陷波和滤波预处理,然后以时长T为一段,分成n段,对每一段进行仪器伪差的识别,确定该段是否存在伪差。本发明中,所有伪差识别均由识别***和方法独立完成,无需人工计算和人工识别。
步骤:
1.采集新生儿脑电信号;
2.对步骤1采集的脑电信号进行50Hz的陷波处理,然后进行0.5~40Hz的滤波;
3.将经步骤2预处理的脑电信号以时长T为一段,优选地T=32s,分成n段;
4.对每段脑电数据进行下述其它仪器产生的伪差识别步骤处理,判断出该段数据是否存在伪差;
上述的步骤1中,脑电信号采集过程如下:使用现有的新生儿脑电测量仪(例如型号:CFM-Ⅰ,设备名称:新生儿脑电测量仪,生产厂家:南京伟思医疗科技股份有限公司),按照仪器操作手册,可采集到脑电信号。此外,可选用其它任何现有的新生儿脑电测量仪完成信号采集。
上述的步骤2)中,对脑电信号进行工频噪声去除,即:对50Hz的工频干扰进行陷波处理,然后进行截止频率为0.5Hz(下限频率)和40Hz(上限频率)的带通滤波,可使用但不限于二阶巴特沃斯滤波器,得到可人工判读的脑电信号。
其它仪器产生的伪差(如暖箱伪差、输液泵伪差)识别
1.取一段脑电数据(即脑电信号),并进行自相关计算,得到Data4;
2.求得Data4中的波峰个数,若波峰个数在阈值th3和th4之间,th3=T/8,th4=3*T/4, T为该段脑电数据的时长,则判定该段脑电数据存在仪器伪差;
3.若步骤2)中得到该段脑电数据为非伪差数据(即波峰个数不在阈值th3和th4之间,未识别出该段脑电数据存在仪器伪差),则将该段脑电数据平均分成8段,设每段数据长度为 L,在第2~3段中寻找最大值位置L1,在第6~7段中寻找最大值位置L2,最大值位置L1和L2分别为第2~3段中所有数据点中的最大幅值所在位置、第6~7段中所有数据点中的最大幅值所在位置,幅值为一个数据点的大小(图1中数据点的纵坐标,L1、L2分别为第2~3段中幅值最大的那个数据点、第6~7段中幅值最大的那个数据点);
4.分别在L1和L2处各取左右长度为L的数据,分别为Data6和Data7;
5.求Data6和Data7的皮尔逊相关系数c,若c>th3′,th3′=0.88,则判定该段脑电数据存在仪器伪差;
具体地,其它仪器产生的伪差识别方法具有三种情形。
第一种情形:1)取一段脑电数据(即脑电信号),并进行自相关计算,得到Data4;2)求得Data4中的波峰个数,若波峰个数在阈值th3和th4之间,th3=T/8,th4=3*T/4,T为该段脑电数据的时长,则判定该段脑电数据存在仪器伪差。
第二种情形:1)取一段脑电数据(即脑电信号),并进行自相关计算,得到Data4;2)求得Data4中的波峰个数,若波峰个数不在阈值th3和th4之间,th3=T/8,th4=3*T/4, T为该段脑电数据的时长,则未识别出该段脑电数据存在仪器伪差;3)将该段脑电数据平均分成8段,设每段数据长度为L,在第2~3段中寻找最大值位置L1,在第6~7段中寻找最大值位置L2;4)分别在L1和L2处各取左右长度为L的数据,分别为Data6和Data7;5)求Data6和Data7的皮尔逊相关系数c,若c>th3′,th3′=0.88,则判定该段脑电数据存在仪器伪差;
第三种情形:1)取一段脑电数据(即脑电信号),并进行自相关计算,得到Data4;2)求得Data4中的波峰个数,若波峰个数不在阈值th3和th4之间,th3=T/8,th4=3*T/4, T为该段脑电数据的时长,则未识别出该段脑电数据存在仪器伪差;3)将该段脑电数据平均分成8段,设每段数据长度为L,在第2~3段中寻找最大值位置L1,在第6~7段中寻找最大值位置L2;4)分别在L1和L2处各取左右长度为L的数据,分别为Data6和Data7;5)求Data6和Data7的皮尔逊相关系数c,若c≤th3′,优选地,th3′=0.88,则该段脑电数据未识别出存在仪器伪差。
步骤1中,设一段脑电数据长度为L0,脑电数据为x(t),t表示采样次数,t=1,2,3…,L0,则自相关计算公式如下:
x(t)指第t次采样得到的数值(即第t次采样得到的数据点的大小,所述的大小即幅值);
当t>τ时,x(t-τ)指第(t-τ)次采样得到的数值(数值即幅值见图1纵坐标);Data4=Rx(τ);当t≤τ时,x(t-τ)=0;Data4是一个数值序列,步骤2的波峰的个数即此数值序列极大值的个数;L=L0/8,L为各子段数据长度;
步骤5中,设x=Data6,y=Data7;
其中i指第i次采样,每次采样占1个数据长度值;xi指数据 Data6中第i次采样得到的数据点的大小(幅值);yi指数据Data7中第i次采样得到的数据点的大小(幅值);是x的均值;是y的均值。其中i=1、2、3…2L。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (8)
1.一种对新生儿脑电信号中其它仪器产生的伪差的识别***,其特征在于,包括脑电信号的采集、预处理与分段模块、对每一段脑电信号进行伪差识别的伪差识别模块;所述的伪差识别模块为其它仪器产生的伪差识别模块;其它仪器为产生的伪差具有明显周期性的仪器;
所述的脑电信号的采集、预处理与分段模块用于执行如下步骤:
(1)采集新生儿脑电信号;
(2)对步骤(1)采集的脑电信号进行陷波处理,然后进行滤波;
(3)将经过步骤(2)预处理的脑电信号以时长T为一段,f的单位为s(秒),分成n段;
其它仪器产生的伪差识别模块用于执行以下步骤:1)取一段脑电数据,并进行自相关计算,得到Data4;2)求得Data4中的波峰个数,若波峰个数在阈值th3和th4之间,th3=T/8,th4=3*T/4,T为该段脑电数据的时长,则判定该段脑电数据存在仪器伪差;3)若步骤2)中得到该段脑电数据为非伪差数据,则将该段脑电数据平均分成8段,设每段数据长度为L,在第2~3段中寻找最大值位置L1,在第6~7段中寻找最大值位置L2,最大值位置L1和L2分别为第2~3段中所有数据点中的最大幅值的所在位置、第6~7段中所有数据点中的最大幅值的所在位置;4)分别在L1和L2处各取左右长度为L的数据,分别为Data6和Data7;5)求Data6和Data7的皮尔逊相关系数c,若c>th3′,0.8≤th3′≤1,则判定该段脑电数据存在仪器伪差。
2.一种对新生儿脑电信号中其它仪器产生的伪差的识别方法,其特征在于,包括如下步骤:
采集新生儿脑电信号;
对脑电信号进行陷波处理,然后进行滤波;
将脑电信号以时长T为一段,分成n段;
对每段脑电信号按照其它仪器产生的伪差识别方法进行处理,判断出该段数据是否存在伪差;其它仪器为产生的伪差具有明显周期性的仪器;
其它仪器产生的伪差识别方法:
一、取一段脑电数据,并进行自相关计算,得到Data4;
二、求得Data4中的波峰个数,若波峰个数在阈值th3和th4之间,th3=f/8,th4=3*T/4,则判定该段脑电数据存在仪器伪差;
三、若步骤二中得到该段脑电数据为非伪差数据,则将该段脑电数据平均分成8段,设每段数据长度为L,在第2~3段中寻找最大值位置L1,在第6~7段中寻找最大值位置L2;最大值位置L1和L2分别为第2~3段中所有数据点中的最大幅值的所在位置、第6~7段中所有数据点中的最大幅值的所在位置;
四、分别在L1和L2处各取左右长度为L的数据,分别为Data6和Data7;
五、求Data6和Data7的皮尔逊相关系数c,若c>th3′,0.8≤th3′≤1,则判定该段脑电数据存在仪器伪差。
3.根据权利要求2所述的一种对新生儿脑电信号中其它仪器产生的伪差的识别方法,其特征在于,所述的其它仪器产生的伪差包括暖箱、输液泵造成的伪差。
4.根据权利要求2所述的一种对新生儿脑电信号中其它仪器产生的伪差的识别方法,其特征在于,其它仪器产生的伪差识别过程中,步骤一具体为:设一段脑电数据长度为L0,此段脑电数据为x(t),t=1,2,3…,L0;则自相关计算公式如下:
x(t)为第t次采样得到的数值,即第t次采样得到的数据点的大小,所述的数据点的大小即幅值;当t>τ时,x(t-τ)指第(t-τ)次采样得到的数值;当t≤τ时,x(t-τ)=0;Data4是一个数值序列,Data4=Rx(τ);步骤二的波峰的个数即此数值序列极大值的个数;L=L0/8,L为各子段数据长度;
步骤五中,设x=Data6,y=Data7;
5.根据权利要求2所述的一种对新生儿脑电信号中其它仪器产生的伪差的识别方法,其特征在于,对脑电信号进行陷波处理,然后进行滤波的具体步骤为:对脑电信号进行工频噪声去除,对50Hz的工频干扰进行陷波处理,然后进行截止频率为0.5Hz和40Hz的带通滤波,可使用但不限于二阶巴特沃斯滤波器,得到可人工判读的脑电信号。
6.使用权利要求1所述的识别***或权利要求2-5任意一项所述的识别方法的新生儿脑电测量仪。
7.一种对新生儿脑电信号中其它仪器产生的伪差的识别***,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求2-5任一项所述的识别方法。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求2-5任一项所述的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011036974.7A CN112043263B (zh) | 2020-09-28 | 2020-09-28 | 一种对新生儿脑电信号中其它仪器产生的伪差的识别***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011036974.7A CN112043263B (zh) | 2020-09-28 | 2020-09-28 | 一种对新生儿脑电信号中其它仪器产生的伪差的识别***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112043263A CN112043263A (zh) | 2020-12-08 |
CN112043263B true CN112043263B (zh) | 2023-01-31 |
Family
ID=73604898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011036974.7A Active CN112043263B (zh) | 2020-09-28 | 2020-09-28 | 一种对新生儿脑电信号中其它仪器产生的伪差的识别***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112043263B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113768532A (zh) * | 2021-08-20 | 2021-12-10 | 中北大学 | 基于五路心音信号分类算法的健康检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6463316B1 (en) * | 2000-04-07 | 2002-10-08 | The United States Of America As Represented By The Secretary Of The Air Force | Delay based active noise cancellation for magnetic resonance imaging |
JP2009195571A (ja) * | 2008-02-22 | 2009-09-03 | Kanazawa Inst Of Technology | ノイズ除去方法とその方法を利用可能な生体情報計測装置および脳磁場計測装置 |
CN108366730A (zh) * | 2015-10-05 | 2018-08-03 | 塔塔咨询服务公司 | 对eeg信号进行预处理用于认知负荷测量的方法和*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL156868A (en) * | 2003-07-10 | 2009-09-22 | Rafael Advanced Defense Sys | A system for identifying and evaluating cyclic structures with a noisy signal |
JP7187785B2 (ja) * | 2018-03-15 | 2022-12-13 | 株式会社リコー | 情報表示装置、生体信号計測システムおよびプログラム |
-
2020
- 2020-09-28 CN CN202011036974.7A patent/CN112043263B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6463316B1 (en) * | 2000-04-07 | 2002-10-08 | The United States Of America As Represented By The Secretary Of The Air Force | Delay based active noise cancellation for magnetic resonance imaging |
JP2009195571A (ja) * | 2008-02-22 | 2009-09-03 | Kanazawa Inst Of Technology | ノイズ除去方法とその方法を利用可能な生体情報計測装置および脳磁場計測装置 |
CN108366730A (zh) * | 2015-10-05 | 2018-08-03 | 塔塔咨询服务公司 | 对eeg信号进行预处理用于认知负荷测量的方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112043263A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10194821B2 (en) | Medical device having automated ECG feature extraction | |
Sadhukhan et al. | R-peak detection algorithm for ECG using double difference and RR interval processing | |
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、***、装置和介质 | |
CN110811609A (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法 | |
CN111956217B (zh) | 一种面向实时脑电信号的眨眼伪迹识别方法及*** | |
US20210267551A1 (en) | Noise detection method and apparatus | |
CN107233093B (zh) | R波的检测方法、装置及电子设备 | |
CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
CN106618560B (zh) | 脑电波信号的处理方法和装置 | |
CN109645979A (zh) | 动态心电信号伪差识别方法及装置 | |
CN105748066A (zh) | 一种心电信号波形特征点的提取方法及装置 | |
CN106618542A (zh) | 一种去噪心率信号检测装置及方法 | |
CN110123304B (zh) | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 | |
CN108937916A (zh) | 一种心电信号检测方法、装置及存储介质 | |
CN107622259B (zh) | 一种t波检测方法、心电数据分析方法及装置 | |
CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测***及其应用 | |
Jaswal et al. | QRS detection using wavelet transform | |
Belkadi et al. | A robust QRS detection approach using stationary wavelet transform | |
CN107550484B (zh) | 一种心磁信号质量评价方法及*** | |
CN107361764A (zh) | 一种心电信号特征波形r波的快速提取方法 | |
CN112949639A (zh) | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 | |
CN112043263B (zh) | 一种对新生儿脑电信号中其它仪器产生的伪差的识别***和方法 | |
Gajare et al. | MATLAB-based ECG R-peak Detection and Signal Classification using Deep Learning Approach | |
El-Gohary et al. | User-guided interictal spike detection | |
Kannathal et al. | Analysis of electrocardiograms |
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 |