CN112842358A - 脑部生理数据的处理***、方法、设备及存储介质 - Google Patents
脑部生理数据的处理***、方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112842358A CN112842358A CN201911174689.9A CN201911174689A CN112842358A CN 112842358 A CN112842358 A CN 112842358A CN 201911174689 A CN201911174689 A CN 201911174689A CN 112842358 A CN112842358 A CN 112842358A
- Authority
- CN
- China
- Prior art keywords
- data
- type
- information
- processing
- brain
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 410
- 210000004556 brain Anatomy 0.000 title claims abstract description 348
- 238000000034 method Methods 0.000 title claims abstract description 142
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 201000010099 disease Diseases 0.000 claims abstract description 94
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 94
- 238000001514 detection method Methods 0.000 claims abstract description 89
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims description 96
- 238000001228 spectrum Methods 0.000 claims description 47
- 239000012634 fragment Substances 0.000 claims description 37
- 230000003595 spectral effect Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 32
- 241000282414 Homo sapiens Species 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 17
- 238000012502 risk assessment Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012351 Integrated analysis Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 5
- 208000014644 Brain disease Diseases 0.000 abstract description 12
- 230000005856 abnormality Effects 0.000 abstract description 9
- 238000013399 early diagnosis Methods 0.000 abstract description 9
- 230000002265 prevention Effects 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 28
- 238000003672 processing method Methods 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000003727 cerebral blood flow Effects 0.000 description 10
- 238000007917 intracranial administration Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 230000008451 emotion Effects 0.000 description 7
- 230000007177 brain activity Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 208000024827 Alzheimer disease Diseases 0.000 description 5
- 208000006011 Stroke Diseases 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 230000002490 cerebral effect Effects 0.000 description 5
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 206010039966 Senile dementia Diseases 0.000 description 3
- 206010015037 epilepsy Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 206010034010 Parkinsonism Diseases 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006806 disease prevention Effects 0.000 description 2
- 230000002496 gastric effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004770 neurodegeneration Effects 0.000 description 2
- 208000015122 neurodegenerative disease Diseases 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- 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
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Neurology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Neurosurgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请实施例提供一种脑部生理数据的处理***、方法、设备及存储介质。在本申请实施例中,通过预处理组件获取针对脑部生理数据的数据处理请求,将脑部生理数据划分为多个数据片段,识别多个数据片段各自对应的数据类型,而后基于多个数据片段各自对应的数据类型来在多个数据片段中确定至少两个连续的第一类型数据,从而有效地实现了对正常有用的脑部生理数据进行的提取操作,而后可以利用数据段分析组件对至少两个连续的第一类型数据进行处理,具体的,可以进行疾病风险预测处理、信号异常检测处理等,从而可以获得脑部生理数据的疾病风险预测结果、信号异常检测结果等,有效地实现了基于脑部生理数据实现对于脑疾病的预防、早期诊断和早期干预。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种脑部生理数据的处理***、方法、设备及存储介质。
背景技术
随着全球人口老龄化时代的到来,阿尔茨海默综合症、帕金森综合症以及亨廷顿综合症等神经衰退性疾病日益成为人类的健康负担,于此同时,我国的脑卒中、癫痫等各种脑疾病人数是世界上最多的,这使得对于脑疾病的预防、早期诊断和早期干预的研究与应用尤为紧迫。
发明内容
本申请的多个方面提供一种脑部生理数据的处理***、方法、设备及存储介质,用以基于脑部生理数据实现对于脑疾病的预防、早期诊断和早期干预。
第一方面,本申请实施例提供了一种脑部生理数据的处理***,包括:
预处理组件,用于获取针对脑部生理数据的数据处理请求,将所述脑部生理数据划分为多个数据片段,识别所述多个数据片段各自对应的数据类型,在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;
数据段分析组件,与所述预处理组件通信连接,用于获取所述至少两个连续的第一类型数据,并对所述至少两个连续的第一类型数据进行处理,以获得所述脑部生理数据的处理结果。
第二方面,本申请实施例提供了一种脑部生理数据的处理方法,包括:
获取针对脑部生理数据的数据处理请求;
将所述脑部生理数据划分为多个数据片段;
识别所述多个数据片段各自对应的数据类型;
在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;
对所述至少两个连续的第一类型数据进行处理,以获得所述脑部生理数据的处理结果。
第三方面,本申请实施例提供了一种脑部生理数据的处理装置,包括:
第一获取模块,用于获取针对脑部生理数据的数据处理请求;
第一划分模块,用于将所述脑部生理数据划分为多个数据片段;
第一识别模块,用于识别所述多个数据片段各自对应的数据类型;
第一确定模块,用于在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;
第一处理模块,用于对所述至少两个连续的第一类型数据进行处理,以获得所述脑部生理数据的处理结果。
第四方面,本发明实施例提供了一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第二方面中的脑部生理数据的处理方法。
第五方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第二方面中的脑部生理数据的处理方法。
在本申请实施例中,通过获取针对脑部生理数据的数据处理请求,将所述脑部生理数据划分为多个数据片段,识别所述多个数据片段各自对应的数据类型,而后基于多个数据片段各自对应的数据类型来在所述多个数据片段中确定至少两个连续的第一类型数据,从而有效地实现了对正常有用的脑部生理数据进行的提取操作,而后可以对至少两个连续的第一类型数据进行处理,具体的,可以进行疾病风险预测处理、信号异常检测处理等,从而可以获得脑部生理数据的疾病风险预测结果、信号异常检测结果等,从而有效地实现了基于脑部生理数据实现对于脑疾病的预防、早期诊断和早期干预。
第六方面,本申请实施例提供了一种脑部生理数据的采集方法,包括:
获取人体的脑部生理数据;
对所述脑部生理数据进行滤波处理,获得滤波后数据信号;
识别所述滤波后数据信号的数据质量;
在所述数据质量满足预设要求时,利用所述滤波后数据信号生成所述脑部生理数据。
第七方面,本申请实施例提供了一种脑部生理数据的采集装置,包括:
第二获取模块,用于获取人体的脑部生理数据;
第二滤波模块,用于对所述脑部生理数据进行滤波处理,获得滤波后数据信号;
第二识别模块,用于识别所述滤波后数据信号的数据质量;
第二处理模块,用于在所述数据质量满足预设要求时,利用所述滤波后数据信号生成所述脑部生理数据。
第八方面,本发明实施例提供了一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第七方面中的脑部生理数据的采集方法。
第九方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第七方面中的脑部生理数据的采集方法。
在本申请实施例中,通过获取人体的脑部生理数据,而后对所述脑部生理数据进行滤波处理,并识别所述滤波后数据信号的数据质量;在所述数据质量满足预设要求时,利用所述滤波后数据信号生成所述脑部生理数据,从而实现了对脑部生理数据进行采集时,自动评估信号的质量好坏,进一步保证了脑部生理数据的数据质量,进一步提高了对脑部生理数据进行分析处理的准确可靠性。
第十方面,本申请实施例提供了一种数据的处理方法,包括:
获取针对待处理数据的数据处理请求;
将所述待处理数据划分为多个数据片段;
识别所述多个数据片段各自对应的数据类型;
在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;
对所述至少两个连续的第一类型数据进行处理,以获得所述待处理数据的处理结果。
第十一方面,本申请实施例提供了一种脑部生理数据的处理装置,包括:
第三获取模块,用于获取针对待处理数据的数据处理请求;
第三划分模块,用于将所述待处理数据划分为多个数据片段;
第三识别模块,用于识别所述多个数据片段各自对应的数据类型;
第三确定模块,用于在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;
第三处理模块,用于对所述至少两个连续的第一类型数据进行处理,以获得所述待处理数据的处理结果。
第十二方面,本发明实施例提供了一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第十方面中的数据的处理方法。
第十三方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第十方面中的数据的处理方法。
第十四方面,本发明实施例提供了一种检测帽,包括:
检测电极,用于与人体脑部相接触,获取脑部生理数据;
数据传输模块,用于将所述脑部生理数据发送至服务器,所述服务器被配置为:将所述脑部生理数据划分为多个数据片段;识别所述多个数据片段各自对应的数据类型;在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;对所述至少两个连续的第一类型数据进行处理,以获得所述脑部生理数据的处理结果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例的脑部生理数据的处理***的结构示意图一;
图2为本申请一示例性实施例的数据段分析组件的结构示意图;
图3为本申请一示例性实施例的脑部生理数据的处理***的结构示意图二;
图4为本申请一示例性实施例的脑部生理数据的处理方法的场景示意图一;
图5为本申请一示例性实施例的脑部生理数据的处理方法的场景示意图二;
图6为本申请一示例性实施例的脑部生理数据的处理方法的场景示意图三;
图7为本申请又一示例性实施例的脑部生理数据的处理方法的场景示意图;
图8为本申请又一示例性实施例的脑部生理数据的处理方法的示意图;
图9为本申请一示例性实施例的脑部生理数据的处理方法的流程示意图;
图10为本申请一示例性实施例的确定与所述脑部生理数据相对应的目标数据的示意图一;
图11为本申请一示例性实施例的确定与所述脑部生理数据相对应的目标数据的示意图二;
图12为本申请另一示例性实施例的脑部生理数据的处理方法的流程示意图;
图13为本申请又一示例性实施例的脑部生理数据的处理方法的流程示意图;
图14为本申请一示例性实施例的脑部生理数据的采集方法的流程示意图;
图15为本申请一示例性实施例的数据的处理方法的流程示意图;
图16为本申请一示例性实施例的脑部生理数据的处理装置的结构示意图;
图17为与图16所示实施例提供的脑部生理数据的处理装置对应的电子设备的结构示意图;
图18为本申请一示例性实施例的脑部生理数据的采集装置的结构示意图;
图19为与图18所示实施例提供的脑部生理数据的采集装置对应的电子设备的结构示意图;
图20为本申请一示例性实施例的数据的处理装置的结构示意图;
图21为与图20所示实施例提供的数据的处理装置对应的电子设备的结构示意图;
图22为本申请一示例性实施例的检测帽的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
人类大脑大约有1000亿个神经元,它们如何连接以及连接错误与导致精神错乱或是出现严重的神经性疾病之间的具体关系尚未确定。紧接着,随着全球人口老龄化时代的到来,阿尔茨海默综合症、帕金森综合症以及亨廷顿综合症等神经衰退性疾病日益成为人类的健康负担,于此同时,我国的脑卒中、癫痫等各种脑疾病人数是世界上最多的,这使得对于脑疾病的预防、早期诊断和早期干预的研究与应用尤为紧迫。
在对人类的大脑进行研究的过程中,发现脑活动是高度动态化的,在执行工作甚至静息状态下都会有持续的变化。因此,绘制活体脑中的实时神经活动并理解其含义是极度困难的,而脑电图(electroencephalogram,简称EEG)作为一种动态记录大脑电活动的技术,不仅是脑血管疾病、老年痴呆和中风等慢性疾病监测和诊疗的基础,而且具有非侵入、经济、便捷灵活等特点,在临床有非常广泛的应用。
本申请实施例提供了一种脑电生理数据的处理***,包括预处理组件和数据段分析组件,其中,预处理组件可以去除脑部生理数据中的伪差数据,从而获取到可用的至少两个连续的第一类型数据,而后利用数据段分析组件对第一类型数据进行分析处理,从而可以获得与脑部生理数据相对应的处理结果,这样有效地提高了脑部生理数据的质量以及脑部生理数据的分析效率。上述的脑部生理数据可以包括:脑电信号、脑血流量、颅内压等等,其中,脑电信号是指在记录大脑活动时所获得的电信号;脑血流量是指单位时间内血液通过脑血管某横截面积的流量;颅内压是指颅腔内脑脊液的压力。
具体的,在预处理组件获取脑部生理数据之后,基于脑部生理数据的长程特点,可以将脑部生理数据划分为多个数据片段,识别多个数据片段各自对应的数据类型,如:阿尔法波、伪差波等等,基于所有数据片段各自对应的数据类型,针对整个脑部生理数据可以提取出一个或多个关键段数据,每个关键段数据中可以包括至少两个连续的第一类型数据,该关键段数据即为正常、有用的脑部生理数据,并该关键段数据中已经过滤掉大部分无重要意义的数据片段,而后可以基于所有的关键段数据进行分析处理操作,例如:可以进行数据异常检测处理、疾病预测处理、异常放电信号检测处理等,从而可以获取到该脑部生理数据的数据异常检测结果、疾病预测结果、异常放电信号检测结果等处理结果,基于所获取的处理结果,有效地实现了基于脑部生理数据实现进行脑疾病的预防、早期诊断和早期干预。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例的脑部生理数据的处理***的结构示意图一。如图1所示,本实施例提供了一种脑部生理数据的处理***的结构,需要注意的是,上述的脑部生理数据可以包括:脑电信号、脑血流量、颅内压等等,其中,脑电信号是指在记录大脑活动时所获得的电信号;脑血流量是指单位时间内血液通过脑血管某横截面积的流量;颅内压是指颅腔内脑脊液的压力。为了便于说明,下面以脑电信号作为脑部生理数据为例进行说明。
该处理***包括:预处理组件1和数据段分析组件2。具体的,预处理组件1和数据段分析组件2可以执行以下过程:
预处理组件1,用于获取针对脑电信号的数据处理请求,将所述脑电信号划分为多个数据片段,识别所述多个数据片段各自对应的数据类型,在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;
数据段分析组件2,与所述预处理组件通信连接,用于获取所述至少两个连续的第一类型数据,并对所述至少两个连续的第一类型数据进行处理,以获得所述脑电信号的处理结果。
其中,预处理组件1可以去除脑部生理数据中的伪差数据,例如,在脑部生理数据为脑电信号时,预处理组件1可以去除脑电信号中的伪差信号,从而获取到至少两个连续的第一类型数据。在获取到至少两个连续的第一类型数据之后,预处理组件1可以将至少两个连续的第一类型数据发送至数据段分析组件2,该数据段分析组件2可以对至少两个连续的第一类型数据进行分析处理,具体的,如图2所示,所述数据段分析组件2可以包括:第一获取子组件2a、第二获取子组件2b和数据处理子组件2c,第一获取子组件2a、第二获取子组件2b和数据处理子组件2c分别可以执行以下步骤以实现去除脑电信号中的伪差数据:
第一获取子组件2a,用于在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息;
第二获取子组件2b,用于确定与所有的至少两个连续的第一类型数据相对应的第一工作频率;
数据处理子组件2c,与所述第一获取子组件和所述第二获取子组件通信连接,用于对所述第一占比信息和所述第一工作频率进行处理,以获得所述脑电信号的第一处理结果。
在一些实例中,所述预设类型数据包括以下至少一种:阿尔法波数据、快波数据、慢波数据。
在一些实例中,在所述第一获取子组件2a在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息时,所述第一获取子组件2a,用于:获取所有的至少两个连续的第一类型数据的频谱信息;基于所述频谱信息,计算各个预设类型数据的数据片段的第一占比信息。
在一些实例中,在所述第一获取子组件2a获取所有的至少两个连续的第一类型数据的频谱信息时,所述第一获取子组件2a,用于:获取与所有的至少两个连续的第一类型数据相对应的频域数据;对所述频域数据进行功率谱密度计算,获得所有的至少两个连续的第一类型数据的频谱信息。
在一些实例中,在所述第一获取子组件2a基于所述频谱信息,计算各个预设类型数据的数据片段的第一占比信息时,所述第一获取子组件2a,用于:在每个所述至少两个连续的第一类型数据中,基于所述频谱信息确定所述各个预设类型数据的数据片段的第二占比信息;针对所有的至少两个连续的第一类型数据,将所述各个预设类型数据的所有第二占比信息的平均值确定为所述各个预设类型数据的数据片段的第一占比信息。
在一些实例中,在所述第二获取子组件2b确定与所有的至少两个连续的第一类型数据相对应的第一工作频率时,所述第二获取子组件2b,用于:获取与每个所述至少两个连续的第一类型数据相对应的第二工作频率;基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率。
在一些实例中,在所述第二获取子组件2b获取与每个所述至少两个连续的第一类型数据相对应的第二工作频率时,所述第二获取子组件2b,用于:基于每个所述至少两个连续的第一类型数据的频谱信息,获取与每个所述至少两个连续的第一类型数据相对应的第二工作频率。
在一些实例中,在所述第二获取子组件2b基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率时,所述第二获取子组件1b,用于:将所有的第二工作频率的平均值确定为与所有至少两个连续的第一类型数据相对应的第一工作频率。
在一些实例中,所述数据处理子组件2c,还用于:在获取所有的至少两个连续的第一类型数据的频谱信息之后,基于所有的至少两个连续的第一类型数据的频谱信息,生成与所述脑电信号相对应的脑地形图。
在一些实例中,所述数据处理子组件2c,还用于:在确定至少两个连续的第一类型数据之后,基于所述至少两个连续的第一类型数据,生成与所述至少两个连续的第一类型数据相对应的脑地形图。
在一些实例中,为了提高该***的实用性,本实施例中的所述***还包括:疾病风险评估组件3,与所述预处理组件1通信连接,用于:获取所述至少两个连续的第一类型数据;获取所有的至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征;基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与所述脑电信号相对应的疾病预测信息。
其中,疾病风险评估组件3被训练为用于基于数据的时域特征、频域特征以及导联连接特征进行疾病预测处理,从而可以获取到疾病预测信息,具体的,疾病风险评估组件3可以采用多个数据的时域特征、频域特征以及导联连接特征进行学习训练得到,上述的多个数据的时域特征、频域特征以及导联连接特征标注有不同的疾病预测信息。
具体的,在疾病风险评估组件3获取所有的至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征时,可以通过预设的特征提取器来实现,即将至少两个连续的第一类型数据输入至特征提取器中,从而可以获取到至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征。其中,特征提取器预先被训练用于提取数据的时域特征、频域特征以及导联连接特征,具体的,可以利用多个至少两个连续的第一类型数据可以对特征提取器进行学习训练,并且,上述的至少两个连续的第一类型数据标注有不同的时域特征、频域特征以及导联连接特征。
在一些实例中,在所述疾病风险评估组件3基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与所述脑电信号相对应的疾病预测信息时,所述疾病风险评估组件3,用于:基于所有的时域特征、频域特征以及导联连接特征,获取与所有至少两个连续的第一类型数据相对应的第一预测信息;基于所有的第一预测信息确定与所述脑电信号相对应的疾病预测信息。
在一些实例中,所述***还包括:综合分析组件5,与所述数据段分析组件2和所述疾病风险评估组件3通信连接,用于:获取所述第一占比信息、所述第一工作频率以及与所述脑电信号相对应的疾病预测信息;对与所述脑电信号相对应的疾病预测信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑电信号相对应的第二处理结果。
在一些实例中,所述***还包括:异常放电信号检测组件4,用于:获取脑电信号;识别所述脑电信号中是否包括异常放电信号;在所述脑电信号中包括异常放电信号时,确定所述异常放电信号的位置信息。
其中,在采集到所述之后,可以将输入至异常放电信号检测组件中,在所述脑电信号中包括异常放电信号时,所述异常放电信号检测组件可以输出所述中的异常放电信号的位置信息,并且,还可以根据需要输出异常放电信号的类型信息。在异常放电信号检测组件可以输出异常放电信号的类型信息时,该所述异常放电信号检测组件可以利用多个训练得到,所述中标注有不同信号类型的异常放电信号。
在一些实例中,所述***还包括:综合分析组件5,与所述数据段分析组件2和所述异常放电信号检测组件4通信连接,用于:获取所述第一占比信息、所述第一工作频率以及所述异常放电信号的位置信息;对所述异常放电信号的位置信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑电信号的第三处理结果。
在一些实例中,所述综合分析组件5与疾病风险评估组件3通信连接,用于:获取与所述脑电信号相对应的疾病预测信息;对所述异常放电信号的位置信息、与所述脑电信号相对应的疾病预测信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑电信号的第四处理结果。
具体的,在不同的应用场景中,用户可以存在不同的数据处理请求,该***可以基于不同的数据处理请求进行不同的数据处理操作,举例来说:
场景一:用户可以针对数据段分析组件2提出第一处理请求,此时,数据段分析组件2可以基于第一处理请求对对所述至少两个连续的第一类型数据进行处理,以获得所述脑电信号的第一处理结果。
场景二:用户可以针对数据段分析组件2和疾病风险评估组件3提出第二处理请求,此时,数据段分析组件2可以基于第二处理请求对对所述至少两个连续的第一类型数据进行处理,以获得所述脑电信号的数据段处理结果;疾病风险评估组件3可以基于第二处理请求对至少两个连续的第一类型数据进行疾病预测处理,获得疾病预测结果,此时,综合分析组件5可以基于数据段处理结果和疾病预测结果进行综合分析,以获得所述脑电信号的第二处理结果。
场景三:用户可以针对数据段分析组件2和异常放电信号检测组件4提出第二处理请求,此时,数据段分析组件2可以基于第二处理请求对对所述至少两个连续的第一类型数据进行处理,以获得所述脑电信号的数据段处理结果;异常放电信号检测组件4可以基于第二处理请求识别所述脑电信号中是否包括异常放电信号,获得异常放电信号的检测结果,此时,综合分析组件5可以基于数据段处理结果和异常放电信号的检测结果进行综合分析,以获得所述脑电信号的第三处理结果。
场景四:用户可以针对数据段分析组件2、疾病风险评估组件3和异常放电信号检测组件4提出第二处理请求,此时,数据段分析组件2可以基于第二处理请求对对所述至少两个连续的第一类型数据进行处理,以获得所述脑电信号的数据段处理结果;疾病风险评估组件3可以基于第二处理请求对至少两个连续的第一类型数据进行疾病预测处理,获得疾病预测结果,异常放电信号检测组件4可以基于第二处理请求识别所述脑电信号中是否包括异常放电信号,获得异常放电信号的检测结果,此时,综合分析组件5可以基于数据段处理结果、疾病预测结果和异常放电信号的检测结果进行综合分析,以获得所述脑电信号的第四处理结果。
在上述实施例的基础上,继续参考附图3所示,本实施例中的***还可以包括:数据采集组件6,与所述预处理组件4通信连接,用于:
获取人体的脑部数据信号;
对所述脑部数据信号进行滤波处理,获得滤波后数据信号;
基于所述滤波后数据信号,获得所述脑电信号。
在一些实例中,所述数据采集组件6,还用于:在基于所述滤波后数据信号,获得所述脑电信号之前,识别所述滤波后数据信号的数据质量;在所述数据质量满足预设要求时,则基于所述滤波后数据信号生成所述脑电信号。
在一些实例中,所述数据采集组件6,还用于:获取所有滤波后数据信号的数据量信息;在所述数据量信息大于或等于预设阈值时,则基于所述滤波后数据信号生成所述脑电信号。
在一些实例中,所述数据采集组件6,还用于:在所述数据量信息大于或等于预设阈值时,停止采集人体的脑部数据信号。
在一些实例中,所述数据采集组件6,还用于:在所述数据量信息大于或等于预设阈值之前,获取所述数据信号的采集时间;在所述采集时间大于或等于预设时间阈值时,则生成提示信息,所述提示信息用于标识获取所述数据信号的操作异常。
在一些实例中,所述数据采集组件6,还用于:在所述数据质量满足预设要求时,对所述滤波后数据信号进行显示。
具体的,在数据采集组件6采集脑电信号时,数据采集组件6可以通过连接的多个探测电极可以获取到多通道的脑电信号,将脑电信号传输至放大器,其中,放大器可以独立于数据采集组件6,或者,也可以集成在数据采集组件6中,从而构成一体式设备。在放大器获取到脑电信号之后,可以对脑电信号进行放大,经过放大的脑电信号,通过无线或有线方式输入至计算装置,计算设备可以对经过放大处理后的脑电信号进行数据显示及数据存储,同时,还可以利用数据质量自动检测算法检测输入的脑电信号的数据质量,并基于数据质量判断该脑电信号是否满足预设要求。在一些实例中,计算设备可以是嵌入式设备或者个人电脑。在一些实例中,计算设备与放大器均集成在数据采集组件6上,构成一体化设备。
需要注意的是,本实施例中的脑部生理数据的处理***还可以应用于驾驶车辆的应用场景、员工工作的应用场景以及学生学习的工作场景,在不同的应用场景中,可以获得不同的检测结果。
举例来说,在驾驶车辆的应用场景中,该脑部生理数据的处理***可以集成在车载设备上,从而可以获取驾驶员的脑部生理数据,而后对脑部生理数据的分析识别,可以检测驾驶员是否处于疲惫状态、注意力的集中程度或者是否处于愤怒等负面情绪,从而可以获得与脑部生理数据相对应的检测结果,并可以基于该检测结果生成相关的提示信息,例如:“疲劳驾驶,建议休息”、“注意力不集中,请注意交通路况”、“情绪激动、建议停止行驶”等等。另外,驾驶员处于疲惫状态、注意力不集中或者处于愤怒等负面情绪时,为了提高交通安全,可以以声音和/或指示灯闪亮的方式输出上述的提示信息,以提醒驾驶员注意交通安全,有利于保护机动车驾驶者自身及他人的人身安全。
相类似的,在员工工作的应用场景以及学生学习的工作场景中,该脑部生理数据的处理***可以集成在办公设备或者学习设备上,从而可以获取员工或者学生的脑部生理数据,而后对脑部生理数据的分析识别,可以检测员工或者学生是否处于疲惫状态、注意力的集中程度或者是否处于愤怒等负面情绪,从而可以获得与脑部生理数据相对应的检测结果,并可以基于该检测结果生成相关的提示信息,例如:“建议休息”、“建议停止工作”、“建议停止学习”、“建议放松心情”等等。具体的,对于员工而言,在检测结果表征脑部处于疲惫状态、或者注意力不集中或者处于负面情绪时,通过所输出的提示信息,可以使得员工能够及时停止工作,从而避免由于脑部处于疲惫状态、或者注意力不集中或者处于负面情绪对自身造成伤害的问题,有利于保护员工的人身安全。对于学生而言,在检测结果表征脑部处于疲惫状态、或者注意力不集中或者处于负面情绪时,通过所输出的提示信息,可以使得学生能够及时调整注意力或者调整状态,从而避免由于脑部处于疲惫状态、或者注意力不集中或者处于负面情绪而导致学习效率低的问题,有利于提高学习者的学习效率。
下面结合方法实施例,针对脑部生理数据的应用场景和处理过程进行详细说明。
图4为本申请一示例性实施例的脑部生理数据的处理方法的场景示意图一。如图4所示,本实施例提供了一种脑部生理数据的处理方法的应用场景,需要注意的是,上述的脑部生理数据可以包括:脑电信号、脑血流量、颅内压等等,其中,脑电信号是指在记录大脑活动时所获得的电信号;脑血流量是指单位时间内血液通过脑血管某横截面积的流量;颅内压是指颅腔内脑脊液的压力。为了便于说明,下面以脑电信号作为脑部生理数据为例进行说明。具体的,该处理方法的执行主体包括:终端设备101和处理装置102。
其中,终端设备101可以是任何具有一定计算能力的计算设备。终端设备101的基本结构可以包括:至少一个处理器。处理器的数量取决于终端设备101的配置和类型。终端设备101也可以包括存储器,该存储器可以为易失性的,例如RAM,也可以为非易失性的,例如只读存储器(Read-Only Memory,ROM)、闪存等,或者也可以同时包括两种类型。存储器内通常存储有操作***(Operating System,OS)、一个或多个应用程序,也可以存储有程序数据等。除了处理单元和存储器之外,终端设备101还包括一些基本配置,例如网卡芯片、IO总线、显示组件以及一些***设备等。可选地,一些***设备可以包括,例如键盘、鼠标、输入笔、打印机等。其它***设备在本领域中是众所周知的,在此不做赘述。可选地,终端设备101可以为PC(personal computer)终端等。
处理装置102是指可以在网络虚拟环境中提供计算处理服务的设备,通常是指利用网络进行信息规划的服务器。在物理实现上,处理装置102可以是任何能够提供计算服务,响应服务请求,并进行处理的设备,例如可以是常规服务器、云服务器、云主机、虚拟中心等。处理装置102的构成主要包括处理器、硬盘、内存、***总线等,和通用的计算机架构类似。
在本申请实例中,终端设备101,用于生成针对脑电信号的数据处理请求,并将数据处理请求传输至处理装置102;处理装置102,用于接收数据处理请求,并基于该数据处理请求对脑电信号进行相应的数据处理操作,具体包括:将脑电信号划分为多个数据片段;而后,识别多个数据片段各自对应的数据类型,并在多个数据片段中,确定至少两个连续的第一类型数据,第一类型数据为非伪差数据,并对至少两个连续的第一类型数据进行处理,例如:可以进行数据异常检测处理、疾病预测处理、异常放电信号检测处理等,从而可以获取到该脑电信号的数据异常检测结果、疾病预测结果、异常放电信号检测结果等处理结果,基于所获取的处理结果,有效地实现了基于脑电信号实现进行脑疾病的预防、早期诊断和早期干预。
在一些实例中,处理装置102可以通过脑电采集设备100获取人体的脑电信号。具体的,如图5所示,脑电采集设备100用于采集人体104的脑电信号,并将所采集的脑电信号传输至处理装置102,从而使得处理装置102可以获取到脑电信号,而后,处理装置102可以基于终端设备101发送的数据处理请求对脑电信号进行分析处理。
在一些实例中,终端设备101可以将数据处理请求以及脑电信号一同传输至处理装置102,此时,终端设备101可以通过脑电采集设备100获取人体的脑电信号。具体的,如图6所示,脑电采集设备100用于采集人体104的脑电信号,并将所采集的脑电信号传输至终端设备101,从而使得终端设备101可以获取到脑电信号,并基于脑电信号生成数据处理请求,而后将脑电信号以及数据处理请求传输至处理装置102,以使得处理装置可以根据数据处理请求对脑电信号进行分析处理。
具体的,脑电采集设备100可以连接有多个探测电极(例如,多个探测电极包括:探测电极103a、探测电极103b、探测电极103c),探测电极可以为干电极或者湿电极;并且,探测电极的电极分布符合国际10-20***的电极放置法。在采集过程中,可以将探测电极103a、探测电极103b、探测电极103c固定在人体104的头部各个位置处。在脑电采集设备100的接口105与探测电极103a、探测电极103b、探测电极103c连接之后,脑电采集设备100可以采集到人体104的脑电信号。此外,脑电采集设备100还可以连接有显示装置106,在采集到人体104的脑电信号之后,可以通过显示装置106进行实时显示。当然,脑电采集设备100的具体形状结构仅是示例性的,还可以包括头盔、帽子、寝具、封装后的便携探测电极等其他多种装置,本申请在此不做限制。
在一些实例中,可以利用脑电采集设备100采集人体104的多导脑电信号。脑电采集设备100可以包括能够采集脑电波(Electroencephalogram,简称EEG)的仪器设备,不同生产商所提供的脑电采集设备100的导联数量可以不同,例如:可以包括8导、24导、64导等多种数量规格的导联接口,本申请在此不做限制。
在一些实例中,在处理装置102对至少两个连续的第一类型数据进行处理,以获得与数据处理请求相对应的处理结果时,处理装置102可以:在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息;确定与所有的至少两个连续的第一类型数据相对应的第一工作频率;对第一占比信息和第一工作频率进行处理,以获得脑电信号的第一处理结果。
在一些实例中,预设类型数据包括以下至少一种:阿尔法波数据、快波数据、慢波数据。
在一些实例中,在处理装置102在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息时,该处理装置102可以:获取所有的至少两个连续的第一类型数据的频谱信息;基于频谱信息,计算各个预设类型数据的数据片段的第一占比信息。
在一些实例中,在处理装置102获取所有的至少两个连续的第一类型数据的频谱信息时,该处理装置102可以:获取与所有的至少两个连续的第一类型数据相对应的频域数据;对频域数据进行功率谱密度计算,获得所有的至少两个连续的第一类型数据的频谱信息。
在一些实例中,在处理装置102基于频谱信息,计算各个预设类型数据的数据片段的第一占比信息时,该处理装置102可以:在每个至少两个连续的第一类型数据中,基于频谱信息确定各个预设类型数据的数据片段的第二占比信息;针对所有的至少两个连续的第一类型数据,将各个预设类型数据的所有第二占比信息的平均值确定为各个预设类型数据的数据片段的第一占比信息。
在一些实例中,在处理装置102确定与所有的至少两个连续的第一类型数据相对应的第一工作频率时,该处理装置102可以:获取与每个至少两个连续的第一类型数据相对应的第二工作频率;基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率。
在一些实例中,在处理装置102获取与每个至少两个连续的第一类型数据相对应的第二工作频率时,该处理装置102可以:基于每个至少两个连续的第一类型数据的频谱信息,获取与每个至少两个连续的第一类型数据相对应的第二工作频率。
在一些实例中,在处理装置102基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率时,该处理装置102可以:将所有的第二工作频率的平均值确定为与所有至少两个连续的第一类型数据相对应的第一工作频率。
在一些实例中,在获取所有的至少两个连续的第一类型数据的频谱信息之后,处理装置102还可以:基于所有的至少两个连续的第一类型数据的频谱信息,生成与脑电信号相对应的脑地形图。
在一些实例中,在确定至少两个连续的第一类型数据之后,处理装置102还可以:基于至少两个连续的第一类型数据,生成与至少两个连续的第一类型数据相对应的脑地形图。
在一些实例中,在确定至少两个连续的第一类型数据之后,处理装置102还可以:获取所有至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征;基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与脑电信号相对应的疾病预测信息。
在一些实例中,在处理装置102基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与脑电信号相对应的疾病预测信息时,该处理装置102可以:基于所有的时域特征、频域特征以及导联连接特征,获取与所有至少两个连续的第一类型数据相对应的第一预测信息;基于所有的第一预测信息确定与脑电信号相对应的疾病预测信息。
在一些实例中,在获取与脑电信号相对应的疾病预测信息之后,处理装置102可以:对与脑电信号相对应的疾病预测信息、第一占比信息和第一工作频率进行处理,以获得脑电信号相对应的第二处理结果。
在一些实例中,在获取脑电信号之后,处理装置102可以:识别脑电信号中是否包括异常放电信号;在脑电信号中包括异常放电信号时,确定异常放电信号的位置信息。其中,异常放电信号包括下述中的至少一种信号:尖波,棘波,尖慢波,棘慢波,多棘慢波,棘节律,异常慢波、蝶骨异常波。
在一些实例中,在确定异常放电信号的位置信息之后,处理装置102可以:对异常放电信号的位置信息、第一占比信息和第一工作频率进行处理,以获得脑电信号的第三处理结果。
在一些实例中,在确定所述异常放电信号的位置信息之后,处理装置102可以:对所述异常放电信号的位置信息、与所述脑电信号相对应的疾病预测信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑电信号的第四处理结果。
在一些实例中,在处理装置102获取脑电信号时,该处理装置102可以:获取脑电采集设备采集的所有通道的数据信号;对每个通道的数据信号进行滤波处理,获得滤波后数据信号;基于滤波后数据信号,获得脑电信号。
在一些实例中,在基于滤波后数据信号,获得脑电信号之前,该处理装置102可以:识别滤波后数据信号的数据质量;在数据质量满足预设要求时,则基于滤波后数据信号生成脑电信号。
在一些实例中,在处理装置102基于滤波后数据信号生成脑电信号时,该处理装置102可以:获取所有滤波后数据信号的数据量信息;在数据量信息大于或等于预设阈值时,则基于滤波后数据信号生成脑电信号。
在一些实例中,该处理装置102可以:在数据量信息大于或等于预设阈值时,停止获取脑电采集设备采集的所有通道的数据信号。
在一些实例中,在数据量信息大于或等于预设阈值之前,该处理装置102可以:获取数据信号的采集时间;在采集时间大于或等于预设时间阈值时,则生成提示信息,提示信息用于标识获取数据信号的操作异常。
在一些实例中,在数据质量满足预设要求时,该处理装置102可以:对滤波后数据信号进行显示。
在一些实施例中,终端设备101与处理装置102之间、终端设备101与脑电采集设备100之间、脑电采集设备100与处理装置102之间进行网络连接或通信连接,上述的网络连接可以是无线或有线网络连接。上述通信连接的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax等中的任意一种。
图7为本申请又一示例性实施例的脑电信号的处理方法的场景示意图。如图7所示,本实施例提供了脑电信号的处理方法的另一场景,该场景中,处理方法的执行主体包括:脑电采集设备401以及服务器402。
在本申请实例中,脑电采集设备401,用于采集脑电信号,具体的,如图8所示,通过脑电采集设备401连接的多个探测电极可以获取到多通道的脑电信号,将脑电信号传输至放大器407,其中,放大器407可以独立于脑电采集设备401,或者,也可以集成在脑电采集设备401中,从而构成一体式设备。在放大器407获取到脑电信号之后,可以对脑电信号进行放大,经过放大的脑电信号,通过无线或有线方式输入至计算装置406,计算设备406可以对经过放大处理后的脑电信号进行数据显示及数据存储,同时,还可以利用数据质量自动检测算法检测输入的脑电信号的数据质量,并基于数据质量判断该脑电信号是否满足预设要求。在一些实例中,计算设备406可以是嵌入式设备或者个人电脑。在一些实例中,计算设备406与放大器407均集成在脑电采集设备401上,构成一体化设备。
在脑电采集设备401采集脑电信号之后,可以将脑电信号传输至服务器402,此时,服务器402可以接收脑电信号,而后获取用户针对脑电信号输入的数据处理请求,并基于数据处理请求对脑电信号进行相应的数据处理操作,具体包括:将脑电信号划分为多个数据片段;而后识别多个数据片段各自对应的数据类型,并在多个数据片段中,确定至少两个连续的第一类型数据,第一类型数据为非伪差数据,并对至少两个连续的第一类型数据进行处理,例如:信号异常检测处理、疾病预测处理等等,从而可以获取到该脑电信号的信号异常检测结果、疾病预测结果等等。
在一些实例中,在服务器402对至少两个连续的第一类型数据进行处理,以获得与数据处理请求相对应的处理结果时,服务器402可以:在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息;确定与所有的至少两个连续的第一类型数据相对应的第一工作频率;对第一占比信息和第一工作频率进行处理,以获得脑电信号的第一处理结果。
在一些实例中,预设类型数据包括以下至少一种:阿尔法波数据、快波数据、慢波数据。
在一些实例中,在服务器402在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息时,该服务器402可以:获取所有的至少两个连续的第一类型数据的频谱信息;基于频谱信息,计算各个预设类型数据的数据片段的第一占比信息。
在一些实例中,在服务器402获取所有的至少两个连续的第一类型数据的频谱信息时,该服务器402可以:获取与所有的至少两个连续的第一类型数据相对应的频域数据;对频域数据进行功率谱密度计算,获得所有的至少两个连续的第一类型数据的频谱信息。
在一些实例中,在服务器402基于频谱信息,计算各个预设类型数据的数据片段的第一占比信息时,该服务器402可以:在每个至少两个连续的第一类型数据中,基于频谱信息确定各个预设类型数据的数据片段的第二占比信息;针对所有的至少两个连续的第一类型数据,将各个预设类型数据的所有第二占比信息的平均值确定为各个预设类型数据的数据片段的第一占比信息。
在一些实例中,在服务器402确定与所有的至少两个连续的第一类型数据相对应的第一工作频率时,该服务器402可以:获取与每个至少两个连续的第一类型数据相对应的第二工作频率;基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率。
在一些实例中,在服务器402获取与每个至少两个连续的第一类型数据相对应的第二工作频率时,该服务器402可以:基于每个至少两个连续的第一类型数据的频谱信息,获取与每个至少两个连续的第一类型数据相对应的第二工作频率。
在一些实例中,在服务器402基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率时,该服务器402可以:将所有的第二工作频率的平均值确定为与所有至少两个连续的第一类型数据相对应的第一工作频率。
在一些实例中,在获取所有的至少两个连续的第一类型数据的频谱信息之后,服务器402还可以:基于所有的至少两个连续的第一类型数据的频谱信息,生成与脑电信号相对应的脑地形图。
在一些实例中,在确定至少两个连续的第一类型数据之后,服务器402还可以:基于至少两个连续的第一类型数据,生成与至少两个连续的第一类型数据相对应的脑地形图。
在一些实例中,在确定至少两个连续的第一类型数据之后,服务器402还可以:获取所有至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征;基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与脑电信号相对应的疾病预测信息。
在一些实例中,在服务器402基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与脑电信号相对应的疾病预测信息时,该服务器402可以:基于所有的时域特征、频域特征以及导联连接特征,获取与所有至少两个连续的第一类型数据相对应的第一预测信息;基于所有的第一预测信息确定与脑电信号相对应的疾病预测信息。
在一些实例中,在获取与脑电信号相对应的疾病预测信息之后,服务器402可以:对与脑电信号相对应的疾病预测信息、第一占比信息和第一工作频率进行处理,以获得脑电信号相对应的第二处理结果。
在一些实例中,在获取脑电信号之后,服务器402可以:识别脑电信号中是否包括异常放电信号;在脑电信号中包括异常放电信号时,确定异常放电信号的位置信息。其中,异常放电信号包括下述中的至少一种信号:尖波,棘波,尖慢波,棘慢波,多棘慢波,棘节律,异常慢波、蝶骨异常波。
在一些实例中,在确定异常放电信号的位置信息之后,服务器402可以:对异常放电信号的位置信息、第一占比信息和第一工作频率进行处理,以获得脑电信号的第三处理结果。
在一些实例中,在确定所述异常放电信号的位置信息之后,服务器402可以:对所述异常放电信号的位置信息、与所述脑电信号相对应的疾病预测信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑电信号的第四处理结果。
在一些实例中,在服务器402获取脑电信号时,该处理装置102可以:获取脑电采集设备采集的所有通道的数据信号;对每个通道的数据信号进行滤波处理,获得滤波后数据信号;基于滤波后数据信号,获得脑电信号。
在一些实例中,在基于滤波后数据信号,获得脑电信号之前,该服务器402可以:识别滤波后数据信号的数据质量;在数据质量满足预设要求时,则基于滤波后数据信号生成脑电信号。
在一些实例中,在服务器402基于滤波后数据信号生成脑电信号时,该服务器402可以:获取所有滤波后数据信号的数据量信息;在数据量信息大于或等于预设阈值时,则基于滤波后数据信号生成脑电信号。
在一些实例中,该服务器402可以:在数据量信息大于或等于预设阈值时,停止获取脑电采集设备采集的所有通道的数据信号。
在一些实例中,在数据量信息大于或等于预设阈值之前,该服务器402可以:获取数据信号的采集时间;在采集时间大于或等于预设时间阈值时,则生成提示信息,提示信息用于标识获取数据信号的操作异常。
在一些实例中,在数据质量满足预设要求时,该服务器402可以:对滤波后数据信号进行显示。
在一些实施例中,脑电采集设备401与服务器402之间进行网络连接或通信连接,上述的网络连接可以是无线或有线网络连接。上述通信连接的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax等中的任意一种。
图9为本申请一示例性实施例的脑部生理数据的处理方法的流程示意图。参考附图9所示,本实施例提供了一种脑部生理数据的处理方法,该方法可以由处理装置或者服务器执行,下面以服务器作为执行主体为例进行说明。具体的,该方法可以包括以下步骤:
S601:获取针对脑部生理数据的数据处理请求。
S602:将脑部生理数据划分为多个数据片段。
S603:识别多个数据片段各自对应的数据类型。
S604:在多个数据片段中,确定至少两个连续的第一类型数据,第一类型数据为非伪差数据。
S605:对至少两个连续的第一类型数据进行处理,以获得脑部生理数据的处理结果。
以下针对上述步骤进行详细阐述:
S601:获取针对脑部生理数据的数据处理请求。
其中,数据处理请求可以是终端设备发送至服务器的,或者,数据处理请求也可以是基于用户的执行操作所生成的,该数据处理请求用于请求对脑部生理数据进行数据处理操作,该数据处理操作可以包括:信号异常检测处理、疾病预测处理等等。需要注意的是,上述的脑部生理数据可以包括:脑电信号、脑血流量、颅内压等等,其中,脑电信号是指在记录大脑活动时所获得的电信号;脑血流量是指单位时间内血液通过脑血管某横截面积的流量;颅内压是指颅腔内脑脊液的压力。为了便于说明,下面以脑电信号作为脑部生理数据为例进行说明。
另外,脑电信号可以是通过脑电采集设备所获取的数据,该脑电信号可以为实时的数字信号数据流,例如:01001011010、1011100011等等。在利用脑电采集设备采集脑电信号时,对于脑电采集设备的信号采样率和导联数量不做限制,例如:脑电采集设备的导联数量可以包括8导、24导、64导等多种数量规格;并且,所采集的脑电信号的格式包括但不限于:脑电图(Electroencephalogram,简称EEG)格式、分形图像格式(Fractal ImageFormat,简称FIF)、欧洲数据格式(European Data Format,简称EDF)格式等等。
在一些实例中,该脑电信号可以是经过滤波处理后的数据,即脑电采集设备通过多个探测电极采集到多个通道的脑电信号之后,可以对所有通道的脑电信号进行滤波处理,具体的,可以将每个通道的脑电信号输入至滤波器,通过滤波器实现对每个通道的脑电信号进行独立的带通滤波处理,以滤除脑电信号中包括的某些高频信号和/或某些低频信号,举例来说,可以是指带通滤波器的频率为0.5-40Hz,此时,在利用带通滤波器对脑电信号进行滤波处理之后,可以滤波脑电信号中包括的低于0.5Hz的低频信号和高于40Hz的高频信号,从而可以获得经过滤波处理后的脑电信号。可以理解的是,带通滤波器的频率并不限于上述举例说明,本领域技术人员可以根据具体的应用场景进行设置,例如:在一个示例中,可以设置带通滤波器的频率为0.2-40Hz。
在获取到滤波处理后的脑电信号之后,脑电采集设备可以将脑电信号发送至服务器,此时,服务器可以接收到经过滤波处理后的脑电信号。
在一些实例中,该脑电信号也可以是未经过滤波处理的数据,即脑电采集设备通过多个探测电极采集到多个通道的脑电信号之后,直接将多个通道的脑电信号发送至服务器,此时,服务器可以获取到脑电采集设备采集的所有通道的脑电信号,而后,可以对每个通道的脑电信号进行滤波处理,具体的,可以将每个通道的脑电信号输入至滤波器,通过滤波器实现对每个通道的脑电信号进行独立的带通滤波处理,以滤除脑电信号中包括的某些高频信号和/或某些低频信号,从而可以经过滤波处理后的滤波后数据信号,而后可以基于滤波后数据信号,获得脑电信号。
在一些实例中,为了能够保证脑电信号的数据质量,在基于滤波后数据信号,获得脑电信号之前,服务器还可以先识别滤波后数据信号的数据质量,具体的,可以利用预设的质量分析模型对滤波后数据信号进行分析处理,从而可以获取到滤波后数据信号的数据质量,其中,质量分析模型被训练用于识别数据的质量。而后可以对滤波后数据信号的数据质量进行分析处理,在数据质量不满足预设要求时,则禁止基于该滤波后数据信号生成脑电信号;在数据质量满足预设要求时,则可以基于滤波后数据信号生成脑电信号。在一些实例中,在数据质量满足预设要求时,本实施例中的方法还包括:对滤波后数据信号进行显示。
举例来说,现有滤波后数据信号a和滤波后数据信号b,利用质量分析模型对信号a和信号b进行分析识别,可以获取到信号a的数据质量为80分,信号b的数据质量为70分,此时,若预设要求中包括有质量阈值为75分。那么,信号a的数据质量80分大于质量阈值75,则说明信号a的数据质量满足预设要求,信号b的数据质量70分小于质量阈值75,则说明信号b的数据质量不满足预设要求。总结来说,由于滤波后信号a满足预设要求,因此,可以利用滤波后数据信号a生成脑电信号。
在一些实例中,基于滤波后数据信号生成脑电信号,包括:获取所有滤波后数据信号的数据量信息;在数据量信息大于或等于预设阈值时,则基于滤波后数据信号生成脑电信号。
其中,滤波后数据信号可以包括一个或多个,在一个或多个滤波后数据信号的数据质量均满足预设要求,则可以基于所有的滤波后数据信号生成脑电信号,以便对脑电信号进行分析处理。具体应用时,当脑电信号满足预设数据量之后,即可以实现对脑电信号的准确分析,因此,在生成脑电信号时,为了能够减少数据采集资源的浪费,可以获取所有滤波后数据信号的数据量信息;在数据量信息大于或等于预设阈值时,则基于滤波后数据信号生成脑电信号,从而有效地保证了脑电信号数据获取的准确可靠性。在一些实例中,本实施例中的方法还包括:在数据量信息大于或等于预设阈值时,停止获取脑电采集设备采集的所有通道的数据信号。
举例来说,假定针对数据量信息的预设阈值P为2M;现有滤波后数据信号a、滤波后数据信号b、滤波后数据信号c、滤波后数据信号d以及滤波后数据信号e,其中,信号a、信号b、信号d以及信号e的数据质量均满足预设要求,因此,可以信号a、信号b、信号d以及信号e生成脑电信号。具体的,先获取信号a、信号b、信号d以及信号e的数据量P1为2.3M,此时,数据量P1>P,则可以基于信号a、信号b、信号d以及信号e生成脑电信号,并停止对脑电信号的采集操作。若信号a、信号b、信号d以及信号e的数据量P2为1.9M时,P2<P,则可以继续采集脑电信号,以获取数据质量满足预设要求的滤波后数据信号f,在获取到滤波后数据信号f之后,可以基于信号a、信号b、信号d、信号e以及信号f生成脑电信号,并停止对脑电信号的采集操作。
具体的,在获取所有滤波后数据信号的数据量信息的数据量信息大于或等于预设阈值时,则基于滤波后数据信号生成脑电信号,通过所生成的脑电信号即可实现对脑电信号的准确分析,因此,可以停止获取脑电采集设备所采集的所有通道的数据信号,从而有效地避免了数据采集资源的浪费。
在一些实例中,在数据量信息大于或等于预设阈值之前,方法还包括:获取数据信号的采集时间;在采集时间大于或等于预设时间阈值时,则生成提示信息,提示信息用于标识获取数据信号的操作异常。
具体的,在获取脑电信号的过程中,为了保证脑电信号的获取效率,可以获取数据信号的采集时间,而后对采集时间与预设时间阈值进行分析比较,在采集时间小于预设时间阈值时,则说明对脑电信号的采集时间较短,则可以继续进行脑电信号的采集操作;在采集时间大于或等于预设时间阈值时,则说明对脑电信号的采集时间较长,仍然没有获取到符合预设要求的脑电信号,此时,为了提高脑电信号的获取效率,可以生成提示信息,该提示信息用于标识获取数据信号的操作异常。在一些实例中,通过显示设备对提示信息进行显示,以使得用户可以及时查看到提示信息,并基于提示信息进行相应的调整以及检查操作,例如:检查或者调整脑电采集设备的探测电极的连接关系,调整脑电采集设备的阻抗信息等等。在一些实例中,还可以将提示信息发送至客户端,以提醒用户及时对脑电采集设备的采集操作进行检查和调整。
S602:将脑电信号划分为多个数据片段。
其中,在获取到脑电信号之后,可以将脑电信号按照预设规则划分为多个数据片段,本实施例中对于数据片段的具体个数不做限定,本领域技术人员可以根据具体的应用需求和设计需求进行设置,例如:数据片段的个数可以为8个、10个或者12个等等。
另外,本实施例对于将脑电信号划分为多个数据片段的具体实现方式不做限定,本领域技术人员可以根据具体的应用场景进行任意设置,例如:可以配置与多个数据片段各自对应的片段起始位置,通过多个数据片段各自对应的片段起始位置,将脑电信号划分为多个数据片段。
在一些实例中,将脑电信号划分为多个数据片段可以包括:获取滑窗长度以及相邻窗口之间的窗口重叠率;基于滑窗长度和窗口重叠率,利用滑窗算法将脑电信号划分为多个数据片段。
其中,滑窗长度和相邻窗口之间的窗口重叠率可以根据具体的应用场景和应用需求进行配置,在一些实例中,可以通过卷积神经网络模型来确定滑窗长度和窗口重叠率,其中,卷积神经网络模型用于识别多种预设数据类型的脑电信号;具体的,可以基于卷积神经网络模型设定滑窗初始值和步长信息,例如:滑窗初始值为0.5s,步长信息为0.1,而后可以利用卷积神经网络模型对基于上述滑窗初始值所获取到的数据片段进行分析识别,并获取分析识别的准确率;在准确率小于预设阈值时,则可以基于步长信息对滑窗初始值进行调整,并利用卷积神经网络模型对基于调整后的滑窗长度所获取到的数据片段进行分析识别,并获取分析识别的准确率,重复操作,而后可以将识别准确率较高的滑窗长度确定为目标滑窗长度,从而实现了滑窗长度的具体实现过程。
另外,通过卷积神经网络模型来确定窗口重叠率的具体实现过程与上述确定滑窗长度的具体实现过程相类似,在此不再赘述。
在一些实例中,还可以综合脑电信号的长度来配置滑窗长度和窗口重叠率,例如:脑电信号长度为10s时,滑窗长度可以为2s,窗口重叠率可以为50%,此时,相邻窗口之间重叠1s。在脑电信号长度为20s时,滑窗长度可以为3s,窗口重叠率可以为50%,此时,相邻窗口之间重叠1.5s。需要注意的是,窗口重叠率小于100%。
在获取到滑窗长度和窗口重叠率之后,可以利用滑窗算法将脑电信号划分为多个数据片段,例如:在脑电信号长度为10s,滑窗长度为2s,窗口重叠率为50%时,此时,可以利用滑窗算法将脑电信号划分为9个数据片段,每个数据片段的长度均相等,从而实现了将脑电信号划分为多个定长的数据片段。
S603:识别多个数据片段各自对应的数据类型。
在获取到多个数据片段之后,可以对多个数据片段进行分析处理,以识别多个数据片段各自对应的数据类型,其中,一个数据片段可以对应有一个数据类型,而多个数据片段所对应的数据类型可以包括:阿尔法波数据、伪差波数据、其他类型波数据。
在一些实例中,识别多个数据片段各自对应的数据类型可以包括:根据卷积神经网络模型,识别多个数据片段各自对应的数据类型;其中,卷积神经网络模型被训练用于识别多种预设数据类型的脑电信号。具体的,多种预设数据类型包括以下至少一种:阿尔法波数据、伪差波数据、其他类型波数据。
其中,卷积神经网络模型是预先被训练的、用于识别多种预设数据类型的脑电信号的模型。在对卷积神经网络模型进行训练时,可以包括:获取多个脑电信号,多个脑电信号对应于多种预设数据类型;此时,多种预设数据类型包括:阿尔法波数据、伪差波数据、其他类型波数据。而后,对多个脑电信号进行有监督训练,即可以获得用于识别脑电信号的数据类型的卷积神经网络模型。
具体的,在利用卷积神经网络识别多个数据片段各自对应的数据类型时,可以每个数据片段对应预设类型数据的概率信息;而后将概率信息最大的预设类型信息确定数据片段所对应的数据类型。举例来说:预设类型数据包括阿尔法波数据、伪差波数据和其他类型波数据,对于一个数据片段而言,为阿尔法波数据的概率L1为70%,为伪差波数据的概率L2为10%,为其他类型波数据的概率L3的概率为20%,其中,L1+L2+L3=1;通过比较可知,上述三个概率之间的关系为L1>L3>L2,因此,则确定该数据片段的数据类型为阿尔法波数据。
在一些实例中,在识别多个数据片段各自对应的数据类型之后,可以基于多个数据片段各自对应的数据类型,将多个数据片段添加上类型标记信息。举例来说:脑电信号长度为10s,滑窗长度为2s,窗口重叠率为50%,即重叠1s,此时,整个脑电信号可以划分为9个数据片段,在卷积神经网络模型,识别多个数据片段各自对应的数据类型之后,假定:阿尔法波数据标记为0,伪差波数据标记为1,其他类型波数据标记为2,此时,则可以获取到与9个数据片段相对应的类型标记序列为1,2,0,0,0,1,1,1,2。
S604:在多个数据片段中,确定至少两个连续的第一类型数据,第一类型数据为非伪差数据。
其中,在获取到多个数据片段各自对应的数据类型之后,可以基于多个数据片段各自对应的数据类型,确定与脑电信号相对应的目标数据,该目标数据即为至少两个连续的第一类型数据,并且,第一类型数据的数据类型为非伪差数据,具体的,两个连续的数据片段是指相邻的两个数据片段,非伪差数据可以包括阿尔法波类型数据和其他类型波数据。
举例来说,阿尔法波数据标识为0,伪差波数据标识为1,其他类型波数据标识为2,将脑电信号划分为多个数据片段,依次为片段a、片段b、片段c、片段d、片段e和片段f,如图10所示,若上述数据片段各自对应的数据类型依次为:0、1、2、0、1、0,通过上述数据片段各自对应的数据类型,可以确定目标数据为两个连续的片段c和片段d。如图11所示,若上述数据片段各自对应的数据类型依次为:1、0、2、0、1、2时,通过上述数据片段各自对应的数据类型,可以确定目标数据为三个连续的片段b、片段c和片段d。
S605:对至少两个连续的第一类型数据进行处理,以获得脑电信号的处理结果。
其中,在确定至少两个连续的第一类型数据(也可以称为关键段数据)之后,可以对所确定关键段数据进行分析处理,可以理解的是,关键段数据的个数可以为一个或多个。
在一些实例中,对至少两个连续的第一类型数据进行处理,以获得与数据处理请求相对应的处理结果,包括:在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息;确定与所有的至少两个连续的第一类型数据相对应的第一工作频率;对第一占比信息和第一工作频率进行处理,以获得脑电信号的第一处理结果。
其中,预设类型数据包括以下至少一种:阿尔法波数据、快波数据、慢波数据。具体的,阿尔法波数据的频率范围可以为8-13Hz,快波数据是指频率高于阿尔法波数据的最高频率的数据,例如:快波数据可以包括β波数据,该β波数据的频率范围为13-30Hz。慢波数据是指频率低于阿尔法波数据的最低频率的数据,例如:慢波数据可以包括δ波数据、θ波数据、锯齿波数据等等,其中,δ波数据的频率范围为1-4Hz、θ波数据的频率范围为4-8Hz、锯齿波数据的频率范围为2-6Hz。
由于关键段数据(至少两个连续的第一类型数据)的个数可以为一个或多个,为了能够实现对整个脑电信号进行分析处理,需要对所有关键段数据进行分析处理。具体的,可以在所有的关键段数据中,获取各个预设数据类型的数据片段的第一占比信息;可以理解的是,第一占比信息的个数与预设数据类型相对应,即一个预设数据类型对应有一个第一占比信息。
在一些实施例中,在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息,包括:获取所有的至少两个连续的第一类型数据的频谱信息;而后基于频谱信息,计算各个预设类型数据的数据片段的第一占比信息。
在一些实施例中,获取所有的至少两个连续的第一类型数据的频谱信息,包括:获取与所有的至少两个连续的第一类型数据相对应的频域数据;对频域数据进行功率谱密度计算,获得所有的至少两个连续的第一类型数据的频谱信息。
在一些实施例中,基于频谱信息,计算各个预设类型数据的数据片段的第一占比信息,包括:在每个至少两个连续的第一类型数据中,基于频谱信息确定各个预设类型数据的数据片段的第二占比信息;针对所有的至少两个连续的第一类型数据,将各个预设类型数据的所有第二占比信息的平均值确定为各个预设类型数据的数据片段的第一占比信息。
举例来说,假定阿尔法波数据的数据片段标识为1,快波数据的数据片段标识为2,慢波数据的数据片段标识为0;所确定的至少两个连续的第一类型数据包括:数据A、数据B、数据C和数据D;在获取到上述数据之后,可以对每个数据进行快速傅里叶变换处理,从而可以获取到与数据A相对应的频域数据a、与数据B相对应的频域数据b、与数据C相对应的频域数据c以及与数据D相对应的频域数据d。而后对上述的频域数据进行功率谱密度计算,获得与频域数据a相对应的频谱信息f1、与频域数据b相对应的频谱信息f2、与频域数据c相对应的频谱信息f3以及与频域数据d相对应的频谱信息f4。
在获取到上述频谱信息之后,可以基于预设类型数据所对应的频率特征来确定各个预设类型数据的数据片段在上述数据A、数据B、数据C和数据D中的第二占比信息。假定数据A中包括有:1和2,数据B中包括1、2,数据C中包括0、1和2,数据D中包括1、0。通过对频谱信息f1进行分析识别,在数据A中,1所对应的第二占比信息为65%,上述2所对应的第二占比信息为35%;相类似的,可以获取到如下数据:在数据B中,1所对应的第二占比信息为45%,上述2所对应的第二占比信息为55%;在数据C中,0所对应的第二占比信息为25%,1所对应的第二占比信息为55%,上述2所对应的第二占比信息为20%;在数据D中,0所对应的第二占比信息为32%,1所对应的第二占比信息为68%。
在获取到上述第二占比信息之后,可以将各个预设类型数据的所有第二占比信息的平均值确定为各个预设类型数据的数据片段的第一占比信息。具体的数据见下述表格:
相类似的,在一些实施例中,确定与所有的至少两个连续的第一类型数据相对应的第一工作频率,包括:获取与每个至少两个连续的第一类型数据相对应的第二工作频率;基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率。
在一些实施例中,获取与每个至少两个连续的第一类型数据相对应的第二工作频率,包括:基于每个至少两个连续的第一类型数据的频谱信息,获取与每个至少两个连续的第一类型数据相对应的第二工作频率。
在一些实施例中,基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率,包括:将所有的第二工作频率的平均值确定为与所有至少两个连续的第一类型数据相对应的第一工作频率。
举例来说,假定阿尔法波数据的数据片段标识为1,快波数据的数据片段标识为2,慢波数据的数据片段标识为0;所确定的至少两个连续的第一类型数据包括:数据A、数据B、数据C和数据D;在获取到上述数据之后,可以对每个数据进行快速傅里叶变换处理和功率谱密度处理,从而可以获取获得与频域数据A相对应的频谱信息f1、与频域数据B相对应的频谱信息f2、与频域数据C相对应的频谱信息f3以及与频域数据D相对应的频谱信息f4。
在获取到上述频谱信息之后,可以基于预设类型数据所对应的频率特征来确定上述数据A、数据B、数据C和数据D中的第二工作频率。假定数据A的第二工作频率FA为14Hz,数据B的第二工作频率FB为16Hz,数据C的第二工作频率FC为10Hz,数据D的第二工作频率FD为6Hz。在获取到上述第二工作频率之后,可以将所有的第二工作频率的平均值确定为与所有至少两个连续的第一类型数据相对应的第一工作频率。具体的数据见下述表格:
在获取到第一占比信息和第一工作频率之后,可以对第一占比信息和第一工作频率进行处理,具体的,可以将第一占比信息与预设占比信息进行分析对比,在第一占比信息大于预设占比信息时,可以得到第一处理结果,第一处理结果用于标识在脑电信号中,预设数据类型的数据片段的占比较高;在第一占比信息小于预设占比信息时,可以得到第二处理结果,第二处理结果用于标识在脑电信号中,预设数据类型的数据片段的占比较低。同理的,可以将第一工作频率与预设工作频率进行分析对比,在第一工作频率大于预设工作频率时,可以得到第三处理结果,第三处理结果用于标识脑电信号工作频率较高;在第一工作频率小于预设工作频率时,可以得到第四处理结果,第四处理结果用于标识脑电信号工作频率较低,从而可以获取到脑电信号的处理结果。通过上述所获取的脑电信号的处理结果,可以实现了基于脑电信号实现对于脑疾病的预防、早期诊断和早期干预。
本实施例提供的脑电信号的处理方法,通过获取针对脑电信号的数据处理请求,将脑电信号划分为多个数据片段,识别多个数据片段各自对应的数据类型,而后基于多个数据片段各自对应的数据类型来在多个数据片段中确定至少两个连续的第一类型数据,从而有效地实现了对正常有用的脑电信号进行的提取操作,而后可以对至少两个连续的第一类型数据进行处理,具体的,可以进行疾病风险预测处理、信号异常检测处理等等,从而可以获得脑电信号的疾病风险预测结果、信号异常检测结果等等,从而有效地实现了基于脑电信号实现对于脑疾病的预防、早期诊断和早期干预,进而提高了该方法的实用性。
在一些实例中,在获取所有的至少两个连续的第一类型数据的频谱信息之后,方法还包括:基于所有的至少两个连续的第一类型数据的频谱信息,生成与脑电信号相对应的脑地形图,此时的脑地形图与整个脑电信号相对应。在一些实例中,在获取到上述的脑地形图之后,该方法还包括:将脑地形图存储至预设区域。
在一些实例中,在确定至少两个连续的第一类型数据之后,方法还包括:基于至少两个连续的第一类型数据,生成与至少两个连续的第一类型数据相对应的脑地形图,此时的脑地形图与至少两个连续的第一类型数据相对应。在一些实例中,在获取到上述的脑地形图之后,该方法还包括:将脑地形图存储至预设区域。
图12为本申请另一示例性实施例的脑部生理数据的处理方法的流程示意图。在上述任意一个实施例的基础上,参考附图12所示,本实施例提供的脑部生理数据的处理方法可以实现基于脑部生理数据进行疾病风险预测操作,具体的,在用户存在疾病风险预测的需求时,即可以进行老年痴呆评估、抑郁评估、脑卒中风险评估、睡眠质量评估、癫痫异常波检查等处理。具体的,在确定至少两个连续的第一类型数据之后,本实施例中的方法还包括:
S901:获取所有至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征。
S902:基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与脑部生理数据相对应的疾病预测信息。
以下针对上述步骤进行详细阐述:
S901:获取所有至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征。
在获取到所有的至少两个连续的第一类型数据之后,可以将所有的至少两个连续的第一类型数据输入至特征提取器,通过特征提取器可以获取所有至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征,其中,时域特征包括幅值统计信息,预设频率的占比信息等等;导联连接特征包括任意两个导联之间的位置关系等。具体应用时,通过特征提取器所获取的特征维度约为2000维,可以理解的是,所获取的特征维度并不限于上述的2000维度,本领域技术人员可以根据具体的应用场景进行任意设置,在此不再赘述。
S902:基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与脑部生理数据相对应的疾病预测信息。
具体的,可以将获取的所有时域特征、频域特征以及导联连接特征输入至预先训练的机器学习模型中,该机器学习模型被训练用于实现疾病的预设评估;在机器学习模型获取到所有的特征信息之后,可以获取到与每类疾病所对应的疾病预测信息,例如:抑郁所对应的预测风险值为0.3、老年痴呆所对应的预测风险值为0.4、脑卒中风险所对应的预测风险值0.5等等。在获取到上述疾病预测信息之后,可以将疾病预测信息存储至预设区域,以便对疾病预测信息的调取和查看。
在一些实例中,基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与脑部生理数据相对应的疾病预测信息,包括:基于所有的时域特征、频域特征以及导联连接特征,获取与所有至少两个连续的第一类型数据相对应的第一预测信息;基于所有的第一预测信息确定与脑部生理数据相对应的疾病预测信息。
举例来说,所确定的至少两个连续的第一类型数据包括:数据A、数据B、数据C和数据D,数据A所对应的时域特征、频域特征以及导联连接特征构成特征集合a,数据B所对应的时域特征、频域特征以及导联连接特征构成特征集合b,数据C所对应的时域特征、频域特征以及导联连接特征构成特征集合c,数据D所对应的时域特征、频域特征以及导联连接特征构成特征集合d。
而后可以分别将特征集合a、特征集合b、特征集合c和特征集合d输入至机器学***均值确定与脑电信号相对应的疾病预测信息。
在一些实例中,在获取与脑电信号相对应的疾病预测信息之后,本实施例中的方法还可以包括:对与脑电信号相对应的疾病预测信息、第一占比信息和第一工作频率进行处理,以获得脑电信号相对应的第二处理结果。
在一些实例中,可以基于第二处理结果生成与脑电信号相对应的数据报告,该数据报告中可以汇总数据信息以及相对应的图像信息,这样可以方便用户对第二处理结果进行查看。
在获取到与脑电信号相对应的疾病预测信息之后,可以结合上述实施例所获取的第一占比信息和第一工作频率进行综合分析处理,从而可以获取到与脑电信号相对应的第二处理结果,进一步提高了对脑电信号进行分析处理的准确可靠性。
图13为本申请另一示例性实施例的脑部生理数据的处理方法的流程示意图。在上述任意一个实施例的基础上,参考附图13所示,本实施例提供的脑部生理数据的处理方法可以实现基于脑部生理数据进行异常放电信号的检测,具体的,在用户存在癫痫检测的需求时,即可以实现异常放电信号的检测操作,其中,异常放电信号包括下述中的至少一种信号:尖波,棘波,尖慢波,棘慢波,多棘慢波,棘节律,异常慢波、蝶骨异常波。具体的,在获取脑部生理数据之后,本实施例中的方法可以包括:
S1001:获取脑部生理数据。
S1002:识别脑部生理数据中是否包括异常放电信号。
S1003:在脑部生理数据中包括异常放电信号时,确定异常放电信号的位置信息。
具体的,在获取到脑电信号之后,可以将脑电信号输入至异常信号检测模型组件中,经异常信号检测模型组件输出多导脑电信号中的异常放电信号以及异常放电信号的信号类型,其中,异常信号检测模型组件利用多个脑电样本信号训练得到,脑电样本信号中标注有不同信号类型的异常放电信号。在脑电信号中包括异常放电信号时,确定异常放电信号在整个脑电信号中的位置信息。
在一些实例中,异常信号检测模型组件可以包括利用机器学习方式训练得到的模型组件。机器学习方式还可以包括K近邻算法、感知机算法、决策树、支持向量机、逻辑斯底回归、最大熵等,相应的,生成的模型组件如朴素贝叶斯、隐马尔科夫等。当然,在其他实施例中,机器学习方式还可以包括深度学习学习方式、强化学习方式等等,生成的模型组件可以包括卷积神经网络模型组件(Convolutional Neural Networks,CNN)、循环神经网络模型组件(Recurrent Neural Network,RNN)、LeNet、ResNet、长短期记忆网络模型组件(LongShort-Term Memory,LSTM)、双向长短期记忆网络模型组件(Bi-LSTM)等等,本申请在此不做限制。
在一些实例中,在确定异常放电信号的位置信息之后,本实施例中的方法还包括:对异常放电信号的位置信息、第一占比信息和第一工作频率进行处理,以获得脑电信号的第三处理结果。
在一些实例中,可以基于第三处理结果生成与脑电信号相对应的数据报告,该数据报告中可以汇总数据信息以及相对应的图像信息,这样可以方便用户对第三处理结果进行查看。
在另一些实例中,在确定异常放电信号的位置信息之后,本实施例中的方法还包括:对异常放电信号的位置信息、与脑电信号相对应的疾病预测信息、第一占比信息和第一工作频率进行处理,以获得脑电信号的第四处理结果。
在获取到异常放电信号的位置信息之后,可以结合上述实施例所获取的第一占比信息和第一工作频率进行综合分析处理,从而可以获取到与脑电信号相对应的第三处理结果,进一步提高了对脑电信号进行分析处理的准确可靠性。
图14为本申请又一示例性实施例的脑部生理数据的采集方法的流程示意图。参考附图14所示,本实施例提供了一种脑部生理数据的采集方法,其中,脑部生理数据可以包括:脑电信号、脑血流量、颅内压等等,其中,脑电信号是指在记录大脑活动时所获得的电信号;脑血流量是指单位时间内血液通过脑血管某横截面积的流量;颅内压是指颅腔内脑脊液的压力。具体的,该方法可以由脑电采集设备执行,具体的,该方法可以包括以下步骤:
S1101:获取人体的脑部生理数据。
S1102:对脑部生理数据进行滤波处理,获得滤波后数据信号。
S1103:识别滤波后数据信号的数据质量。
S1104:在数据质量满足预设要求时,利用滤波后数据信号生成脑部生理数据。
在一些实例中,利用滤波后数据信号生成脑部生理数据,包括:获取所有滤波后数据信号的数据量信息;在数据量信息大于或等于预设阈值时,则基于滤波后数据信号生成脑部生理数据。
在一些实例中,本实施例中的方法还包括:在数据量信息大于或等于预设阈值时,停止获取脑部生理数据。
在一些实例中,在数据量信息大于或等于预设阈值之前,方法还包括:获取数据信号的采集时间;在采集时间大于或等于预设时间阈值时,则生成提示信息,提示信息用于标识获取数据信号的操作异常。
在一些实例中,在数据质量满足预设要求时,方法还包括:对滤波后数据信号进行显示。
举例来说,在脑部生理数据为脑电信号时,假定多导脑电信号的长度为6秒,导联数量为32导或者16导,采样率为256,此时,对于脑电采集设备而言,输入信号为1536*32的矩阵,单个数值的范围为-32768-32767。具体的,在信号采集时,可以每隔6秒获取到一个多导脑电信号,而后,可以将获取到的多导脑电信号输入滤波器进行滤波,获得滤波后数据信号。之后,利用训练好的神经网络算法对滤波后数据信号进行类型识别,判断其是否为伪差或者睡眠波,若是伪差或睡眠波,则继续采集进行多导脑电信号的采集操作。若不是伪差或者睡眠波,则可以对滤波后数据信号进行质量识别,具体的,将滤波后数据信号输入到已经训练好的信号质量评分神经网络中,获得数据质量评分,若数据质量评分高于预设阈值,则说明该滤波后数据信号的信号质量较好;若数据质量评分低于预设阈值,则说明该滤波后数据信号的信号质量较差。
获取到数据质量评分之后,可以将信号质量较好以及信号质量较差的信号输入寄存器中进行存储,同时,将质量较好的信号在显示器中进行显示。随着脑电信号的不断采集,在寄存器中的信号质量好的片段越来越多,若信号质量好的滤波后数据信号的数据量大于或等于预设数量阈值时,例如:识别所获取的滤波后数据信号的片段个数,在片段个数大于或等于预设的10段时,则可以基于所有的滤波后数据信号生成脑电信号,并将脑电信号在显示器中进行显示。在生成脑电信号之后,可以生成提示信息,并将提示信息在显示器中进行显示,以提示操作者当前的脑电信号采集过程结束,可以停止采集。
具体的,在获取脑电信号的过程中,为了保证脑电信号的获取效率,可以实时获取数据信号的采集时间,而后对采集时间与预设时间阈值进行分析比较,在采集时间小于预设时间阈值时,则说明对脑电信号的采集时间较短,则可以继续进行脑电信号的采集操作;在采集时间大于或等于预设时间阈值时,则说明对脑电信号的采集时间较长,仍然没有获取到符合预设要求的脑电信号,此时,为了提高脑电信号的获取效率,可以生成提示信息,该提示信息可以标识获取数据信号的操作异常。在一些实例中,还可以通过显示设备显示提示信息,以使得用户可以及时查看到提示信息,并基于提示信息进行相应的调整以及检查操作,例如:检查或者调整脑电采集设备的探测电极的连接关系,调整脑电采集设备的阻抗信息等等。在一些实例中,还可以将提示信息发送至客户端,以提醒用户及时进行相应的调整以及检查操作。
本实施例提供的脑部生理数据的采集方法,通过获取人体的脑部生理数据,对脑部生理数据进行滤波处理,获得滤波后数据信号,识别滤波后数据信号的数据质量,有效地实现了自动评估信号的质量,在数据质量满足预设要求时,利用滤波后数据信号生成脑部生理数据,从而进一步保证了脑部生理数据获取的质量,提高了对脑电数据进行分析识别的准确可靠性。
图15为本申请一示例性实施例的数据的处理方法的流程示意图。参考附图15所示,本实施例提供了一种数据的处理方法,该数据的处理方法可以由获取到待处理数据的服务器执行。具体的,该方法可以包括:
S1201:获取针对待处理数据的数据处理请求;
S1202:将待处理数据划分为多个数据片段;
S1203:识别多个数据片段各自对应的数据类型;
S1204:在多个数据片段中,确定至少两个连续的第一类型数据,第一类型数据为非伪差数据;
S1205:对至少两个连续的第一类型数据进行处理,以获得待处理数据的处理结果。
在一些实例中,待处理数据包括以下至少一种类型:脑电信号、心电信号、胃电信号。具体的,在待处理数据包括心电信号时,本实施例即提供了一种心电信号的处理方法,其具体的实现过程、实现原理和实现效果与上述的脑电信号的处理方法的实现过程、实现原理和实现效果相类似,具体可参考上述陈述内容,在此不再赘述。同理的,在待处理数据包括胃电信号时,本实施例即提供了一种胃电信号的处理方法,其具体的实现过程、实现原理和实现效果与上述的脑电信号的处理方法的实现过程、实现原理和实现效果相类似,具体可参考上述陈述内容,在此不再赘述。
可以理解的是,本实施例中的待处理数据并不限于上述所举例的数据,还可以包括其他类型的数据,本领域技术人员可以根据具体的应用需求和设计需求进行任意设置,只要能够实现去除待处理数据中包括的伪差数据,获得与待处理数据相对应的目标数据即可,在此不再赘述。
需要注意的是,本实施例中的方法还可以包括上述图1-图13所示实施例的方法,本实施例未详细描述的部分,可参考对图1-图13所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图13所示实施例中的描述,在此不再赘述。
图16为本申请一示例性实施例的脑部生理数据的处理装置的结构示意图。参考附图16所示,本实施例提供了一种脑部生理数据的处理装置,该处理装置可以包括:第一获取模块1301、第一划分模块1302、第一识别模块1303、第一确定模块1304以及第一处理模块1305。具体的,
第一获取模块1301,用于获取针对脑部生理数据的数据处理请求;
第一划分模块1302,用于将脑部生理数据划分为多个数据片段;
第一识别模块1303,用于识别多个数据片段各自对应的数据类型;
第一确定模块1304,用于在多个数据片段中,确定至少两个连续的第一类型数据,第一类型数据为非伪差数据;
第一处理模块1305,用于对至少两个连续的第一类型数据进行处理,以获得脑部生理数据的处理结果。
在一些实例中,在第一处理模块1305对至少两个连续的第一类型数据进行处理,以获得与数据处理请求相对应的处理结果时,该第一处理模块1305用于执行:在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息;确定与所有的至少两个连续的第一类型数据相对应的第一工作频率;对第一占比信息和第一工作频率进行处理,以获得脑部生理数据的第一处理结果。
在一些实例中,预设类型数据包括以下至少一种:阿尔法波数据、快波数据、慢波数据。
在一些实例中,在第一处理模块1305在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息时,该第一处理模块1305用于执行:获取所有的至少两个连续的第一类型数据的频谱信息;基于频谱信息,计算各个预设类型数据的数据片段的第一占比信息。
在一些实例中,在第一处理模块1305获取所有的至少两个连续的第一类型数据的频谱信息时,该第一处理模块1305用于执行:获取与所有的至少两个连续的第一类型数据相对应的频域数据;对频域数据进行功率谱密度计算,获得所有的至少两个连续的第一类型数据的频谱信息。
在一些实例中,在第一处理模块1305基于频谱信息,计算各个预设类型数据的数据片段的第一占比信息时,该第一处理模块1305用于执行:在每个至少两个连续的第一类型数据中,基于频谱信息确定各个预设类型数据的数据片段的第二占比信息;针对所有的至少两个连续的第一类型数据,将各个预设类型数据的所有第二占比信息的平均值确定为各个预设类型数据的数据片段的第一占比信息。
在一些实例中,在第一处理模块1305确定与所有的至少两个连续的第一类型数据相对应的第一工作频率时,该第一处理模块1305用于执行:获取与每个至少两个连续的第一类型数据相对应的第二工作频率;基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率。
在一些实例中,在第一处理模块1305获取与每个至少两个连续的第一类型数据相对应的第二工作频率时,该第一处理模块1305用于执行:基于每个至少两个连续的第一类型数据的频谱信息,获取与每个至少两个连续的第一类型数据相对应的第二工作频率。
在一些实例中,在第一处理模块1305基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率时,该第一处理模块1305用于执行:将所有的第二工作频率的平均值确定为与所有至少两个连续的第一类型数据相对应的第一工作频率。
在一些实例中,在获取所有的至少两个连续的第一类型数据的频谱信息之后,本实施例中的第一处理模块1305还可以用于:基于所有的至少两个连续的第一类型数据的频谱信息,生成与脑部生理数据相对应的脑地形图。
在一些实例中,在确定至少两个连续的第一类型数据之后,本实施例中的第一处理模块1305还可以用于:基于至少两个连续的第一类型数据,生成与至少两个连续的第一类型数据相对应的脑地形图。
在一些实例中,在确定至少两个连续的第一类型数据之后,本实施例中的第一处理模块1305还可以用于:获取所有至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征;基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与脑部生理数据相对应的疾病预测信息。
在一些实例中,在第一处理模块1305基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与脑部生理数据相对应的疾病预测信息时,该第一处理模块1305用于执行:基于所有的时域特征、频域特征以及导联连接特征,获取与所有至少两个连续的第一类型数据相对应的第一预测信息;基于所有的第一预测信息确定与脑部生理数据相对应的疾病预测信息。
在一些实例中,在获取与脑部生理数据相对应的疾病预测信息之后,本实施例中的第一处理模块1305还可以用于:对与脑部生理数据相对应的疾病预测信息、第一占比信息和第一工作频率进行处理,以获得脑部生理数据相对应的第二处理结果。
在一些实例中,在获取脑部生理数据之后,本实施例中的第一处理模块1305还可以用于:识别脑部生理数据中是否包括异常放电信号;在脑部生理数据中包括异常放电信号时,确定异常放电信号的位置信息。
在一些实例中,在确定异常放电信号的位置信息之后,本实施例中的第一处理模块1305还可以用于:对异常放电信号的位置信息、第一占比信息和第一工作频率进行处理,以获得脑部生理数据的第三处理结果。
在一些实例中,在确定异常放电信号的位置信息之后,本实施例中的第一处理模块1305还可以用于:对所述异常放电信号的位置信息、与所述脑部生理数据相对应的疾病预测信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑部生理数据的第四处理结果。
在一些实例中,在第一获取模块1301获取脑部生理数据时,该第一获取模块1301可以用于执行:获取脑电采集设备采集的所有通道的数据信号;对每个通道的数据信号进行滤波处理,获得滤波后数据信号;基于滤波后数据信号,获得脑部生理数据。
在一些实例中,在基于滤波后数据信号,获得脑部生理数据之前,本实施例中的第一获取模块1301可以用于执行:识别滤波后数据信号的数据质量;在数据质量满足预设要求时,则基于滤波后数据信号生成脑部生理数据。
在一些实例中,在第一获取模块1301基于滤波后数据信号生成脑部生理数据时,该第一获取模块1301可以用于执行:获取所有滤波后数据信号的数据量信息;在数据量信息大于或等于预设阈值时,则基于滤波后数据信号生成脑部生理数据。
在一些实例中,本实施例中的第一处理模块1305还可以用于:在数据量信息大于或等于预设阈值时,停止获取脑电采集设备采集的所有通道的数据信号。
在一些实例中,在数据量信息大于或等于预设阈值之前,本实施例中的第一处理模块1305还可以用于:获取数据信号的采集时间;在采集时间大于或等于预设时间阈值时,则生成提示信息,提示信息用于标识获取数据信号的操作异常。
在一些实例中,在数据质量满足预设要求时,第一处理模块1305还可以用于:对滤波后数据信号进行显示。
图16所示装置可以执行图4-图13所示实施例的方法,本实施例未详细描述的部分,可参考对图4-图13所示实施例的相关说明。该技术方案的执行过程和技术效果参见图4-图13所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图16所示脑部生理数据的处理装置的结构可实现为一电子设备,该电子设备可以是脑电采集设备、服务器等各种设备。如图17所示,该电子设备可以包括:处理器1401和存储器1402。其中,存储器1402用于存储相对应电子设备执行上述图4-图13所示实施例中提供的脑部生理数据的处理方法的程序,处理器1401被配置为用于执行存储器1402中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被处理器901执行时能够实现如下步骤:
获取针对脑部生理数据的数据处理请求;
将脑部生理数据划分为多个数据片段;
识别多个数据片段各自对应的数据类型;
在多个数据片段中,确定至少两个连续的第一类型数据,第一类型数据为非伪差数据;
对至少两个连续的第一类型数据进行处理,以获得脑部生理数据的处理结果。
进一步的,处理器1401还用于执行前述图4-图13所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括通信接口1403,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图4-图13所示方法实施例中脑部生理数据的处理方法所涉及的程序。
图18为本申请一示例性实施例的脑部生理数据的采集装置的结构示意图;参考附图18所示,本实施例提供了一种脑部生理数据的采集装置,该采集装置可以包括:第二获取模块1501、第二滤波模块1502、第二识别模块1503和第二处理模块1504。具体的,
第二获取模块1501,用于获取人体的脑部生理数据;
第二滤波模块1502,用于对脑部生理数据进行滤波处理,获得滤波后数据信号;
第二识别模块1503,用于识别滤波后数据信号的数据质量;
第二处理模块1504,用于在数据质量满足预设要求时,利用滤波后数据信号生成脑部生理数据。
在一些实例中,在第二处理模块1504利用滤波后数据信号生成脑部生理数据时,该第二处理模块1504可以用于执行:获取所有滤波后数据信号的数据量信息;在数据量信息大于或等于预设阈值时,则基于滤波后数据信号生成脑部生理数据。
在一些实例中,本实施例中的第二处理模块1504可以用于执行:在数据量信息大于或等于预设阈值时,停止获取脑部生理数据。
在一些实例中,在数据量信息大于或等于预设阈值之前,本实施例中的第二处理模块1504可以用于执行:获取数据信号的采集时间;在采集时间大于或等于预设时间阈值时,则生成提示信息,提示信息用于标识获取数据信号的操作异常。
在一些实例中,在数据质量满足预设要求时,本实施例中的第二处理模块1504可以用于执行:对滤波后数据信号进行显示。
图18所示装置可以执行图14所示实施例的方法,本实施例未详细描述的部分,可参考对图14所示实施例的相关说明。该技术方案的执行过程和技术效果参见图14所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图18所示脑部生理数据的采集装置的结构可实现为一电子设备,该电子设备可以是脑电采集设备、服务器等各种设备。如图19所示,该电子设备可以包括:处理器1601和存储器1602。其中,存储器1602用于存储相对应电子设备执行上述图14所示实施例中提供的脑部生理数据的采集方法的程序,处理器1601被配置为用于执行存储器1602中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被处理器901执行时能够实现如下步骤:
获取人体的脑部生理数据;
对脑部生理数据进行滤波处理,获得滤波后数据信号;
识别滤波后数据信号的数据质量;
在数据质量满足预设要求时,利用滤波后数据信号生成脑部生理数据。
进一步的,处理器1601还用于执行前述图14所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括通信接口1603,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图14所示方法实施例中脑部生理数据的采集方法所涉及的程序。
图20为本申请一示例性实施例的数据的处理装置的结构示意图;参考附图20所示,本实施例提供了一种数据的处理装置,该处理装置可以包括:第三获取模块1701、第三划分模块1702、第三识别模块1703、第三确定模块1704和第三处理模块1705。具体的,
第三获取模块1701,用于获取针对待处理数据的数据处理请求;
第三划分模块1702,用于将待处理数据划分为多个数据片段;
第三识别模块1703,用于识别多个数据片段各自对应的数据类型;
第三确定模块1704,用于在多个数据片段中,确定至少两个连续的第一类型数据,第一类型数据为非伪差数据;
第三处理模块1705,用于对至少两个连续的第一类型数据进行处理,以获得待处理数据的处理结果。
在一些实例中,待处理数据包括以下至少一种类型:脑部生理数据、心电信号、胃电信号。
图20所示装置可以执行图15所示实施例的方法,本实施例未详细描述的部分,可参考对图15所示实施例的相关说明。该技术方案的执行过程和技术效果参见图15所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图20所示数据的处理装置的结构可实现为一电子设备,该电子设备可以是手机、终端设备、服务器等各种设备。如图21所示,该电子设备可以包括:处理器1801和存储器1802。其中,存储器1802用于存储相对应电子设备执行上述图15所示实施例中提供的数据的处理方法的程序,处理器1801被配置为用于执行存储器1802中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被处理器1801执行时能够实现如下步骤:
获取针对待处理数据的数据处理请求;
将待处理数据划分为多个数据片段;
识别多个数据片段各自对应的数据类型;
在多个数据片段中,确定至少两个连续的第一类型数据,第一类型数据为非伪差数据;
对至少两个连续的第一类型数据进行处理,以获得待处理数据的处理结果。
进一步的,处理器1801还用于执行前述图15所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括通信接口1803,用于电子设备与其他设备或通信网络通信。
此外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图15所示方法实施例中数据的处理方法所涉及的程序。
图22为本申请一示例性实施例的检测帽的结构示意图。参考附图22所示,本实施例提供了一种检测帽2201,该检测帽2201可以用于检测脑部生理数据,并对脑部生理数据传输至服务器2202,具体的,该检测帽2201包括:
检测电极2201a,用于与人体脑部相接触,获取脑部生理数据;
数据传输模块2201b,用于将所述脑部生理数据发送至服务器2202,所述服务器2202被配置为:将所述脑部生理数据划分为多个数据片段;识别所述多个数据片段各自对应的数据类型;在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;对所述至少两个连续的第一类型数据进行处理,以获得所述脑部生理数据的处理结果。
在一些实例中,所述数据传输模块2201b,用于接收所述脑部生理数据的处理结果。所述检测帽2201还包括:输出模块2201c,用于输出所述处理结果。
具体的,在检测电极2201a获取到脑部生理数据之后,可以通过数据传输模块2201b直接将脑部生理数据发送至服务器2202,服务器2202可以对脑部生理数据进行分析处理,获得脑部生理数据的处理结果;并可以将脑部生理数据的处理结果返回至检测帽2201,此时,检测帽2201可以通过数据传输模块2201b接收到脑部生理数据的处理结果,并利用输出模块2201c输出所述处理结果。
在一些实例中,所述数据传输模块2201b,与移动设备2203通信连接,用于通过所述移动设备2203将所述脑部生理数据发送至服务器2202。
具体的,在检测电极2201a获取到脑部生理数据之后,可以通过数据传输模块2201b将脑部生理数据发送至移动设备2203,移动设备2203可以对脑部生理数据进行显示,并将脑部生理数据发送至服务器2202,此时,服务器2202可以对脑部生理数据进行分析处理,获得脑部生理数据的处理结果;并可以将脑部生理数据的处理结果返回至移动该设备2203,此时,移动该设备2203可以接收并显示脑部生理数据的处理结果。
在一些实例中,所述数据传输模块2201b,还用于接收提示信息;所述输出模块2201c,还用于输出所述提示信息。
具体的,服务器2202被配置为可以基于脑部生理数据的处理结果生成相对应的提示信息,并将提示信息发送至检测帽2201,检测帽2201通过数据传输模块2201b接收到提示信息,并可以通过输出模块2201c输出提示信息,其中,输出模块2201c可以包括语音输出模块和/或文字输出模块,在输出模块2201c包括语音输出模块时,可以以预设声音对提示信息进行语音播报,例如:以预设声音播报“本次检测无异常”;在输出模块2201c包括文字输出模块时,则可以以预设的文本形式对提示信息进行显示,例如:以预设文本显示“本次检测有轻微帕金森前兆,请去医院检查”等等。在一些实例中,为了便于提示用户,本实施例中的数据传输模块2201b还可以将所接收到的提示信息和处理结果发送至移动设备2203,从而使得用户可以通过移动设备2203直接查看到相关的提示信息,进一步提高了该检测帽2201使用的方便程度。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如601、602、603等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明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。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程多媒体数据计算设备的处理器以产生一个机器,使得通过计算机或其他可编程多媒体数据计算设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程多媒体数据计算设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程多媒体数据计算设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (52)
1.一种脑部生理数据的处理***,其特征在于,包括:
预处理组件,用于获取针对脑部生理数据的数据处理请求,将所述脑部生理数据划分为多个数据片段,识别所述多个数据片段各自对应的数据类型,在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;
数据段分析组件,与所述预处理组件通信连接,用于获取所述至少两个连续的第一类型数据,并对所述至少两个连续的第一类型数据进行处理,以获得所述脑部生理数据的处理结果。
2.根据权利要求1所述的***,其特征在于,所述数据段分析组件,包括:
第一获取子组件,用于在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息;
第二获取子组件,用于确定与所有的至少两个连续的第一类型数据相对应的第一工作频率;
数据处理子组件,与所述第一获取子组件和所述第二获取子组件通信连接,用于对所述第一占比信息和所述第一工作频率进行处理,以获得所述脑部生理数据的第一处理结果。
3.根据权利要求2所述的***,其特征在于,所述预设类型数据包括以下至少一种:阿尔法波数据、快波数据、慢波数据。
4.根据权利要求2所述的***,其特征在于,在所述第一获取子组件在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息时,所述第一获取子组件,用于:
获取所有的至少两个连续的第一类型数据的频谱信息;
基于所述频谱信息,计算各个预设类型数据的数据片段的第一占比信息。
5.根据权利要求4所述的***,其特征在于,在所述第一获取子组件获取所有的至少两个连续的第一类型数据的频谱信息时,所述第一获取子组件,用于:
获取与所有的至少两个连续的第一类型数据相对应的频域数据;
对所述频域数据进行功率谱密度计算,获得所有的至少两个连续的第一类型数据的频谱信息。
6.根据权利要求4所述的***,其特征在于,在所述第一获取子组件基于所述频谱信息,计算各个预设类型数据的数据片段的第一占比信息时,所述第一获取子组件,用于:
在每个所述至少两个连续的第一类型数据中,基于所述频谱信息确定所述各个预设类型数据的数据片段的第二占比信息;
针对所有的至少两个连续的第一类型数据,将所述各个预设类型数据的所有第二占比信息的平均值确定为所述各个预设类型数据的数据片段的第一占比信息。
7.根据权利要求2所述的***,其特征在于,在所述第二获取子组件确定与所有的至少两个连续的第一类型数据相对应的第一工作频率时,所述第二获取子组件,用于:
获取与每个所述至少两个连续的第一类型数据相对应的第二工作频率;
基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率。
8.根据权利要求7所述的***,其特征在于,在所述第二获取子组件获取与每个所述至少两个连续的第一类型数据相对应的第二工作频率时,所述第二获取子组件,用于:
基于每个所述至少两个连续的第一类型数据的频谱信息,获取与每个所述至少两个连续的第一类型数据相对应的第二工作频率。
9.根据权利要求7所述的***,其特征在于,在所述第二获取子组件基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率时,所述第二获取子组件,用于:
将所有的第二工作频率的平均值确定为与所有至少两个连续的第一类型数据相对应的第一工作频率。
10.根据权利要求4所述的***,其特征在于,所述数据处理子组件,还用于:
在获取所有的至少两个连续的第一类型数据的频谱信息之后,基于所有的至少两个连续的第一类型数据的频谱信息,生成与所述脑部生理数据相对应的脑地形图。
11.根据权利要求2所述的***,其特征在于,所述数据处理子组件,还用于:
在确定至少两个连续的第一类型数据之后,基于所述至少两个连续的第一类型数据,生成与所述至少两个连续的第一类型数据相对应的脑地形图。
12.根据权利要求2所述的***,其特征在于,所述***还包括:疾病风险评估组件,与所述预处理组件通信连接,用于:
获取所述至少两个连续的第一类型数据;
获取所有的至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征;
基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与所述脑部生理数据相对应的疾病预测信息。
13.根据权利要求12所述的***,其特征在于,在所述疾病风险评估组件基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与所述脑部生理数据相对应的疾病预测信息时,所述疾病风险评估组件,用于:
基于所有的时域特征、频域特征以及导联连接特征,获取与所有至少两个连续的第一类型数据相对应的第一预测信息;
基于所有的第一预测信息确定与所述脑部生理数据相对应的疾病预测信息。
14.根据权利要求12所述的***,其特征在于,所述***还包括:综合分析组件,与所述数据段分析组件和所述疾病风险评估组件通信连接,用于:
获取所述第一占比信息、所述第一工作频率以及与所述脑部生理数据相对应的疾病预测信息;
对与所述脑部生理数据相对应的疾病预测信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑部生理数据相对应的第二处理结果。
15.根据权利要求2-14中任意一项所述的***,其特征在于,所述***还包括:异常放电信号检测组件,用于:
获取脑部生理数据;
识别所述脑部生理数据中是否包括异常放电信号;
在所述脑部生理数据中包括异常放电信号时,确定所述异常放电信号的位置信息。
16.根据权利要求15所述的***,其特征在于,所述***还包括:综合分析组件,与所述数据段分析组件和所述异常放电信号检测组件通信连接,用于:
获取所述第一占比信息、所述第一工作频率以及所述异常放电信号的位置信息;
对所述异常放电信号的位置信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑部生理数据的第三处理结果。
17.根据权利要求16所述的***,其特征在于,所述综合分析组件与疾病风险评估组件通信连接,用于:
获取与所述脑部生理数据相对应的疾病预测信息;
对所述异常放电信号的位置信息、与所述脑部生理数据相对应的疾病预测信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑部生理数据的第四处理结果。
18.根据权利要求15所述的***,其特征在于,所述***还包括:数据采集组件,与所述预处理组件通信连接,用于:
获取人体的脑部数据信号;
对所述脑部数据信号进行滤波处理,获得滤波后数据信号;
基于所述滤波后数据信号,获得所述脑部生理数据。
19.根据权利要求18所述的***,其特征在于,所述数据采集组件,还用于:
在基于所述滤波后数据信号,获得所述脑部生理数据之前,识别所述滤波后数据信号的数据质量;
在所述数据质量满足预设要求时,则基于所述滤波后数据信号生成所述脑部生理数据。
20.根据权利要求19所述的***,其特征在于,所述数据采集组件,还用于:
获取所有滤波后数据信号的数据量信息;
在所述数据量信息大于或等于预设阈值时,则基于所述滤波后数据信号生成所述脑部生理数据。
21.根据权利要求20所述的***,其特征在于,所述数据采集组件,还用于:
在所述数据量信息大于或等于预设阈值时,停止采集人体的脑部数据信号。
22.根据权利要求20所述的***,其特征在于,所述数据采集组件,还用于:
在所述数据量信息大于或等于预设阈值之前,获取所述数据信号的采集时间;
在所述采集时间大于或等于预设时间阈值时,则生成提示信息,所述提示信息用于标识获取所述数据信号的操作异常。
23.根据权利要求19所述的***,其特征在于,所述数据采集组件,还用于:在所述数据质量满足预设要求时,对所述滤波后数据信号进行显示。
24.一种脑部生理数据的处理方法,其特征在于,包括:
获取针对脑部生理数据的数据处理请求;
将所述脑部生理数据划分为多个数据片段;
识别所述多个数据片段各自对应的数据类型;
在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;
对所述至少两个连续的第一类型数据进行处理,以获得所述脑部生理数据的处理结果。
25.根据权利要求24所述的方法,其特征在于,对所述至少两个连续的第一类型数据进行处理,以获得与所述数据处理请求相对应的处理结果,包括:
在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息;
确定与所有的至少两个连续的第一类型数据相对应的第一工作频率;
对所述第一占比信息和所述第一工作频率进行处理,以获得所述脑部生理数据的第一处理结果。
26.根据权利要求25所述的方法,其特征在于,所述预设类型数据包括以下至少一种:阿尔法波数据、快波数据、慢波数据。
27.根据权利要求25所述的方法,其特征在于,在所有的至少两个连续的第一类型数据中,获取各个预设数据类型的数据片段的第一占比信息,包括:
获取所有的至少两个连续的第一类型数据的频谱信息;
基于所述频谱信息,计算各个预设类型数据的数据片段的第一占比信息。
28.根据权利要求27所述的方法,其特征在于,所述获取所有的至少两个连续的第一类型数据的频谱信息,包括:
获取与所有的至少两个连续的第一类型数据相对应的频域数据;
对所述频域数据进行功率谱密度计算,获得所有的至少两个连续的第一类型数据的频谱信息。
29.根据权利要求27所述的方法,其特征在于,所述基于所述频谱信息,计算各个预设类型数据的数据片段的第一占比信息,包括:
在每个所述至少两个连续的第一类型数据中,基于所述频谱信息确定所述各个预设类型数据的数据片段的第二占比信息;
针对所有的至少两个连续的第一类型数据,将所述各个预设类型数据的所有第二占比信息的平均值确定为所述各个预设类型数据的数据片段的第一占比信息。
30.根据权利要求27所述的方法,其特征在于,确定与所有的至少两个连续的第一类型数据相对应的第一工作频率,包括:
获取与每个所述至少两个连续的第一类型数据相对应的第二工作频率;
基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率。
31.根据权利要求30所述的方法,其特征在于,所述获取与每个所述至少两个连续的第一类型数据相对应的第二工作频率,包括:
基于每个所述至少两个连续的第一类型数据的频谱信息,获取与每个所述至少两个连续的第一类型数据相对应的第二工作频率。
32.根据权利要求30所述的方法,其特征在于,基于所有的第二工作频率,计算与所有至少两个连续的第一类型数据相对应的第一工作频率,包括:
将所有的第二工作频率的平均值确定为与所有至少两个连续的第一类型数据相对应的第一工作频率。
33.根据权利要求27所述的方法,其特征在于,在获取所有的至少两个连续的第一类型数据的频谱信息之后,所述方法还包括:
基于所有的至少两个连续的第一类型数据的频谱信息,生成与所述脑部生理数据相对应的脑地形图。
34.根据权利要求25中任意一项所述的方法,其特征在于,在确定至少两个连续的第一类型数据之后,所述方法还包括:
基于所述至少两个连续的第一类型数据,生成与所述至少两个连续的第一类型数据相对应的脑地形图。
35.根据权利要求25中任意一项所述的方法,其特征在于,在确定至少两个连续的第一类型数据之后,所述方法还包括:
获取所有至少两个连续的第一类型数据的时域特征、频域特征以及导联连接特征;
基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与所述脑部生理数据相对应的疾病预测信息。
36.根据权利要求35所述的方法,其特征在于,基于所有的时域特征、频域特征以及导联连接特征进行分析处理,获取与所述脑部生理数据相对应的疾病预测信息,包括:
基于所有的时域特征、频域特征以及导联连接特征,获取与所有至少两个连续的第一类型数据相对应的第一预测信息;
基于所有的第一预测信息确定与所述脑部生理数据相对应的疾病预测信息。
37.根据权利要求35所述的方法,其特征在于,在获取与所述脑部生理数据相对应的疾病预测信息之后,所述方法还包括:
对与所述脑部生理数据相对应的疾病预测信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑部生理数据相对应的第二处理结果。
38.根据权利要求25-37中任意一项所述的方法,其特征在于,所述方法还包括:
获取脑部生理数据;
识别所述脑部生理数据中是否包括异常放电信号;
在所述脑部生理数据中包括异常放电信号时,确定所述异常放电信号的位置信息。
39.根据权利要求38所述的方法,其特征在于,在确定所述异常放电信号的位置信息之后,所述方法还包括:
对所述异常放电信号的位置信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑部生理数据的第三处理结果。
40.根据权利要求38所述的方法,其特征在于,在确定所述异常放电信号的位置信息之后,所述方法还包括:
对所述异常放电信号的位置信息、与所述脑部生理数据相对应的疾病预测信息、所述第一占比信息和所述第一工作频率进行处理,以获得所述脑部生理数据的第四处理结果。
41.根据权利要求38所述的方法,其特征在于,获取脑部生理数据,包括:
获取人体的脑部数据信号;
对所述脑部数据信号进行滤波处理,获得滤波后数据信号;
基于所述滤波后数据信号,获得所述脑部生理数据。
42.根据权利要求41所述的方法,其特征在于,在基于所述滤波后数据信号,获得所述脑部生理数据之前,所述方法还包括:
识别所述滤波后数据信号的数据质量;
在所述数据质量满足预设要求时,则基于所述滤波后数据信号生成所述脑部生理数据。
43.根据权利要求42所述的方法,其特征在于,基于所述滤波后数据信号生成所述脑部生理数据,包括:
获取所有滤波后数据信号的数据量信息;
在所述数据量信息大于或等于预设阈值时,则基于所述滤波后数据信号生成所述脑部生理数据。
44.根据权利要求43所述的方法,其特征在于,所述方法还包括:
在所述数据量信息大于或等于预设阈值时,停止获取脑电采集设备采集的所有通道的数据信号。
45.根据权利要求43所述的方法,其特征在于,在所述数据量信息大于或等于预设阈值之前,所述方法还包括:
获取所述数据信号的采集时间;
在所述采集时间大于或等于预设时间阈值时,则生成提示信息,所述提示信息用于标识获取所述数据信号的操作异常。
46.根据权利要求42所述的方法,其特征在于,在所述数据质量满足预设要求时,所述方法还包括:
对所述滤波后数据信号进行显示。
47.一种脑部生理数据的处理设备,包括存储器以及处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于:
获取针对脑部生理数据的数据处理请求;
将所述脑部生理数据划分为多个数据片段;
识别所述多个数据片段各自对应的数据类型;
在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;
对所述至少两个连续的第一类型数据进行处理,以获得所述脑部生理数据的处理结果。
48.一种存储有计算机程序的计算机可读存储介质,其特征在于,计算机程序被一个或多个处理器执行时,致使所述一个或多个处理器实现权利要求24-46中任意一项所述方法中的步骤。
49.一种检测帽,其特征在于,包括:
检测电极,用于与人体脑部相接触,获取脑部生理数据;
数据传输模块,用于将所述脑部生理数据发送至服务器,所述服务器被配置为:将所述脑部生理数据划分为多个数据片段;识别所述多个数据片段各自对应的数据类型;在所述多个数据片段中,确定至少两个连续的第一类型数据,所述第一类型数据为非伪差数据;对所述至少两个连续的第一类型数据进行处理,以获得所述脑部生理数据的处理结果。
50.根据权利要求49所述的检测帽,其特征在于,
所述数据传输模块,与移动设备通信连接,用于通过所述移动设备将所述脑部生理数据发送至服务器。
51.根据权利要求49所述的检测帽,其特征在于,
所述数据传输模块,用于接收所述脑部生理数据的处理结果;
所述检测帽还包括:
输出模块,用于输出所述处理结果。
52.根据权利要求51所述的检测帽,其特征在于,
所述数据传输模块,还用于接收提示信息;
所述输出模块,还用于输出所述提示信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911174689.9A CN112842358A (zh) | 2019-11-26 | 2019-11-26 | 脑部生理数据的处理***、方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911174689.9A CN112842358A (zh) | 2019-11-26 | 2019-11-26 | 脑部生理数据的处理***、方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112842358A true CN112842358A (zh) | 2021-05-28 |
Family
ID=75984756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911174689.9A Pending CN112842358A (zh) | 2019-11-26 | 2019-11-26 | 脑部生理数据的处理***、方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112842358A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024041038A1 (zh) * | 2022-08-22 | 2024-02-29 | 博睿康科技(常州)股份有限公司 | 在线信号的时相检测方法、时相检测单元、闭环调控*** |
CN117898682A (zh) * | 2024-03-19 | 2024-04-19 | 四川大学华西医院 | 基于胃肠电信号的癫痫预测***及构建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004096040A1 (en) * | 2003-05-02 | 2004-11-11 | The University Of Queensland | Method of predicting outcome of a stroke using eeg |
CN101023864A (zh) * | 2007-01-22 | 2007-08-29 | 河北医科大学第二医院 | 建立出血性脑梗死大鼠模型的方法 |
CN104257379A (zh) * | 2014-09-23 | 2015-01-07 | 京东方科技集团股份有限公司 | 一种脑电处理装置及方法和睡眠监测佩戴设备 |
CN104902814A (zh) * | 2012-10-12 | 2015-09-09 | 加利福尼亚大学董事会 | 检测生理信号的额部电极传感器的配置和空间放置 |
CN109247936A (zh) * | 2018-10-31 | 2019-01-22 | 山东大学 | 一种全夜睡眠监测的异常脑电行为监测***及方法 |
CN109497997A (zh) * | 2018-12-10 | 2019-03-22 | 杭州妞诺科技有限公司 | 基于多数据采集的癫痫发作检测设备及预警*** |
KR20190073330A (ko) * | 2019-06-14 | 2019-06-26 | 주식회사 아이메디신 | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 |
-
2019
- 2019-11-26 CN CN201911174689.9A patent/CN112842358A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004096040A1 (en) * | 2003-05-02 | 2004-11-11 | The University Of Queensland | Method of predicting outcome of a stroke using eeg |
CN101023864A (zh) * | 2007-01-22 | 2007-08-29 | 河北医科大学第二医院 | 建立出血性脑梗死大鼠模型的方法 |
CN104902814A (zh) * | 2012-10-12 | 2015-09-09 | 加利福尼亚大学董事会 | 检测生理信号的额部电极传感器的配置和空间放置 |
CN104257379A (zh) * | 2014-09-23 | 2015-01-07 | 京东方科技集团股份有限公司 | 一种脑电处理装置及方法和睡眠监测佩戴设备 |
CN109247936A (zh) * | 2018-10-31 | 2019-01-22 | 山东大学 | 一种全夜睡眠监测的异常脑电行为监测***及方法 |
CN109497997A (zh) * | 2018-12-10 | 2019-03-22 | 杭州妞诺科技有限公司 | 基于多数据采集的癫痫发作检测设备及预警*** |
KR20190073330A (ko) * | 2019-06-14 | 2019-06-26 | 주식회사 아이메디신 | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 |
Non-Patent Citations (4)
Title |
---|
侯木舟;韩旭里;黄献;: "BP神经网络在脑电图信号预测中的应用", 计算机工程与设计, no. 14, 28 July 2006 (2006-07-28) * |
周霖;韦晓燕;陈秋源;陈子怡;周毅;: "脑电数据处理与分析技术研究进展", 中国数字医学, no. 05, 15 May 2018 (2018-05-15) * |
张睿;刘绍明;: "基于EEG信号分析处理的癫痫预测研究", 现代生物医学进展, no. 04, 10 February 2013 (2013-02-10) * |
李红利;王江;邓斌;魏熙乐;: "癫痫脑电的递归确定性分析", 计算机应用研究, no. 03, 15 March 2013 (2013-03-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024041038A1 (zh) * | 2022-08-22 | 2024-02-29 | 博睿康科技(常州)股份有限公司 | 在线信号的时相检测方法、时相检测单元、闭环调控*** |
CN117898682A (zh) * | 2024-03-19 | 2024-04-19 | 四川大学华西医院 | 基于胃肠电信号的癫痫预测***及构建方法 |
CN117898682B (zh) * | 2024-03-19 | 2024-05-17 | 四川大学华西医院 | 基于胃肠电信号的癫痫预测***及构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Online prediction of driver distraction based on brain activity patterns | |
CN110001652B (zh) | 驾驶员状态的监测方法、装置及终端设备 | |
US20210358611A1 (en) | Method for Detecting Epileptic Spike, Method for Training Network Model, and Computer Device | |
AU2019246815B2 (en) | Systems and methods for diagnosing sleep | |
KR101768332B1 (ko) | 우울 정도를 실시간으로 분석하는 방법 및 그 시스템 | |
US20170065229A1 (en) | Neural oscillation monitoring system | |
CN107252313A (zh) | 一种安全驾驶的监测方法及***、汽车、可读存储介质 | |
CN110584657B (zh) | 一种注意力检测方法及*** | |
CN102988025A (zh) | 用于显示生理信息的***和方法 | |
US20220031242A1 (en) | Method and system for collecting and processing bioelectrical signals | |
CN112842358A (zh) | 脑部生理数据的处理***、方法、设备及存储介质 | |
US11672459B2 (en) | Localized collection of biological signals, cursor control in speech-assistance interface based on biological electrical signals and arousal detection based on biological electrical signals | |
CA3086793A1 (en) | System and method for calculation of an index of brain activity | |
CA3014574C (en) | Estimation method, estimation program, estimation device, and estimation system | |
CN117557850A (zh) | 一种基于多模态脑数据融合的意识障碍评估方法及装置 | |
Rundo et al. | Innovative saliency based deep driving scene understanding system for automatic safety assessment in next-generation cars | |
KR101527273B1 (ko) | 전두엽 부착형 뇌파신호 검출 및 뇌파기반 집중력 분석 방법 및 장치 | |
Callegari et al. | EpiCare—A home care platform based on mobile cloud computing to assist epilepsy diagnosis | |
KR20150006949A (ko) | 생체 신호를 이용한 감정 인식 방법 및 그 장치 | |
CN113397563A (zh) | 抑郁分类模型的训练方法、装置、终端及介质 | |
JP6628341B2 (ja) | 意思解読装置及び意思伝達支援装置 | |
Abdi-Sargezeh et al. | Advances in epilepsy monitoring by detection and analysis of brain epileptiform discharges. | |
Kumar et al. | Measurement of efficiency of auditory vs visual communication in HMI: A cognitive load approach | |
CN115206489A (zh) | 一种基于神经反馈***的冥想训练方法、装置及电子设备 | |
Höller et al. | EEG-response consistency across subjects in an active oddball task |
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 |