CN114652328A - 一种用于失眠的双向闭环脑机交互电针参数智能匹配*** - Google Patents

一种用于失眠的双向闭环脑机交互电针参数智能匹配*** Download PDF

Info

Publication number
CN114652328A
CN114652328A CN202210246606.8A CN202210246606A CN114652328A CN 114652328 A CN114652328 A CN 114652328A CN 202210246606 A CN202210246606 A CN 202210246606A CN 114652328 A CN114652328 A CN 114652328A
Authority
CN
China
Prior art keywords
electroencephalogram
acupuncture
potential
module
electro
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
Application number
CN202210246606.8A
Other languages
English (en)
Inventor
崔兴然
吴文忠
顾忠泽
刘成勇
万旺
秦泽光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Jiangsu Provincial Hospital of Chinese Medicine
Original Assignee
Southeast University
Jiangsu Provincial Hospital of Chinese Medicine
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University, Jiangsu Provincial Hospital of Chinese Medicine filed Critical Southeast University
Priority to CN202210246606.8A priority Critical patent/CN114652328A/zh
Publication of CN114652328A publication Critical patent/CN114652328A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/369Electroencephalography [EEG]
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61HPHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H39/00Devices for locating or stimulating specific reflex points of the body for physical therapy, e.g. acupuncture
    • A61H39/002Using electric currents
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61HPHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H39/00Devices for locating or stimulating specific reflex points of the body for physical therapy, e.g. acupuncture
    • A61H39/08Devices for applying needles to such points, i.e. for acupuncture ; Acupuncture needles or accessories therefor
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61NELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00Electrotherapy; Circuits therefor
    • A61N1/18Applying electric currents by contact electrodes
    • A61N1/32Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/36014External stimulators, e.g. with patch electrodes
    • A61N1/3603Control systems
    • A61N1/36031Control systems using physiological parameters for adjustment
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61HPHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2230/00Measuring physical parameters of the user
    • A61H2230/08Other bio-electrical signals
    • A61H2230/10Electroencephalographic signals
    • A61H2230/105Electroencephalographic signals used as a control parameter for the apparatus

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Rehabilitation Therapy (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pain & Pain Management (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Psychology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种用于失眠的双向闭环脑机交互电针参数智能匹配***,包括脑电采集模块、OpenViBe信号接口与控制平台模块、实时信号处理模块、电针参数智能匹配模块、电针刺激模块、实时显示模块;脑电采集模块实时采集电针过程中失眠患者的脑电信号;OpenViBe信号接口与控制平台模块完成脑电信号获取过程中的时间同步、实时访问、集中收集和存储要求;实时信号处理模块对脑电进行预处理、信息解码和特征筛选;电针参数智能匹配模块实现最佳电针刺激参数的精准匹配;电针刺激模块在特定穴位上进行电流刺激;实时显示模块将脑电信息解码进程和电针刺激参数进行可视化显示。本发明根据实时脑电特征精准匹配电针刺激参数实现双向闭环交互,达到最佳治疗失眠的目的。

Description

一种用于失眠的双向闭环脑机交互电针参数智能匹配***
技术领域
本发明属于电针技术领域,特别涉及一种用于失眠的双向闭环脑机交互电针参数智能匹配***。
背景技术
失眠是一种不易入睡的状态,一般会伴随着白天精神不佳、嗜睡、易怒、或是抑郁等症状,严重影响着患者的身心健康。电针因易于实现针刺标准化又能提高针刺疗效而被临床广泛使用。但有关电针刺激量的临床研究少且存在以下不足:首先,电针频率、波形选择存在显著分歧,电针强度仍以患者耐受为度,量化依据缺乏客观性,其次,大多学者研究单一电针参数对疗效的影响,缺乏多种电针参数最佳组合的临床研究。
脑电可以反映出大脑的内在活动状态,而脑电图技术因其无创、无辐射、可便携及高时间分辨率等优势被广泛应用于失眠、癫痫等脑疾病的临床治疗。脑电特征类别多样,但采用什么样的脑电特征可以最为准确地表征电针治疗失眠过程中的大脑状态和针刺疗效,仍是未解决的关键问题。
发明内容
发明目的:为了解决上述背景技术中提到的技术问题,本发明提出了一种用于失眠的双向闭环脑机交互电针参数智能匹配***,并提出一种改进的脑电微状态复杂度分析算法,建立“电针参数-脑电效应-反馈-调整电针参数”的双向闭环脑机交互***,实现可视化电针精准治疗失眠。
技术方案:本发明提供一种用于失眠的双向闭环脑机交互电针参数智能匹配***,包括脑电采集模块、OpenViBe信号接口与控制平台模块、实时信号处理模块、电针参数智能匹配模块、电针刺激模块、实时显示模块;
所述脑电采集模块包括全脑电极帽和放大器,实时采集失眠患者的全脑脑电信号并传输至OpenViBe信号接口与控制平台模块;
所述OpenViBe信号接口与控制平台模块完成脑电信号获取过程中的时间同步、实时访问、集中收集和存储要求;
所述实时信号处理模块对脑电进行预处理、脑电信息解码和脑电特征筛选,并采用改进的微状态复杂度分析方法,基于全局场能量波峰电势拓扑信息和波谷电势拓扑信息综合提取微状态离散时间序列,为电针刺激效应提供客观检测指标;
所述电针参数智能匹配模块将脑电特征向量输入深度学习模型以实现最佳电针刺激参数的精准匹配;
所述电针刺激模块包含控制电路、输出导线、电针夹、针灸针,根据匹配得到的电针参数在特定穴位上自动进行对应的电流刺激;
所述实时显示模块将电针过程中脑电信息解码进程和电针刺激参数进行可视化显示,并提供医生进行手动调整的功能。
进一步地,所述OpenViBE信号接收与控制平台模块采用开源的OpenViBE框架,实现不同模块之间实时的脑电信号获取及传输、脑电特征与电针参数的传输,为双向闭环的脑机交互***提供基础架构。
进一步地,所述微状态复杂度分析方法实现过程如下:
对于通道数为N的全脑脑电信号[X1(t),X2(t),X3(t),…,XN(t)],计算大脑活动的全局场功率GFP:
Figure BDA0003544947800000021
使用基于拓扑的雾化和聚集层次聚类算法作为微状态分析的聚类算法,对局部波峰值点的电势拓扑和局部波谷值点的电势拓扑分别进行聚类分析;将每一个局部波峰值点的电势拓扑图都看作为一个族类,所有的电势拓扑图最初都被当做独立的群体,对局部波谷值点的电势拓扑操作也相同;分别计算每一个电势拓扑图与其他地形图的空间相关性:
Figure BDA0003544947800000022
其中,u、v分别为两不同的电势地形图,分别计算每一个电势拓扑图与其他拓扑图的空间相关性,并选取相关性总和最低的拓扑图视为最差的拓扑图;将当前最差的拓扑图重新分配到与其相关性最密切的剩余群体中,并将这一群体中的电势拓扑图平均,得到新的电势拓扑分布;经过每次迭代都重新分配一个最差的电势拓扑图,直到聚类簇数达到预先的设置类别数量;对GFP局部波峰值点的电势拓扑和局部波谷值点的电势拓扑图分别进行以上聚类计算,得到基于GFP局部波峰值点的电势拓扑图的聚类微状态和GFP局部波谷值点的电势拓扑图的聚类微状态;GFP局部波峰值点的电势拓扑图被聚类为4类微状态地形,GFP局部波谷值点的电势拓扑图被聚类为2类微状态地形;将每个时间点处的头皮电势拓扑图与聚类得到的标准微状态进行空间相关性比较,并将头皮电势匹配标准微状态的标签;脑电信号被解码为六种微状态交替出现的微状态时间序列,经过对微状态计算过程中的重定义,改进的微状态分析可以得到具有更高的全局可解释方差GEV的微状态时间序列:
Figure BDA0003544947800000031
其中,m为原始头皮电势拓扑图的数目,新的微状态时间序列可以代表更多时刻的大脑状态变化;得到微状态离散序列后,对离散化序列计算多尺度熵,得到大脑微状态之间动态切换的复杂度。
进一步地,所述脑电特征筛选实现过程如下:
将重叠组稀疏LASSO模型引入深度信念网DBN模型,基于神经网络重新编码特征;首先将传统脑电信号特征转化成新的统一模态的特征,通过采用结构化稀疏约束的优化方法,计算得到每个特征维度的优化权值;选择具有较高权值的特征维度,提取并筛选得到的多模态特征;采用的目标函数为:
Figure BDA0003544947800000032
在Group LASSO中,将不同频率脑电传统特征分成G组,Ig是g组的特征下标(g=1,…,G),
Figure BDA0003544947800000033
是每一组的加权,λ为惩罚参数,β为待估参数。
进一步地,所述电针参数智能匹配模块中,基于深度学习实现脑电特征与最佳电针刺激参数的精准匹配模型,并在实时闭环***中使用迁移学习不断迭代优化模型,提高电针参数的匹配精度。
进一步地,所述电针刺激参数包含输出波形、脉冲频率和电流强度。
有益效果:与现有技术相比,本发明的有益效果为:本发明实时采集电针过程中失眠患者脑电信号,基于改进的微状态算法提取脑电微状态等特征,结合深度学习等技术精准匹配失眠人群最佳电针刺激量,构建双向闭环脑机交互***,实现了可视化电针精准治疗失眠。
附图说明
图1为双向闭环脑机交互电针参数智能匹配***组成框图;
图2为双向闭环脑机交互电针参数智能匹配***示意图
图3为本发明提出的微状态改进算法的流程图;
图4为双向闭环脑机交互电针参数智能匹配***的工作原理示意图;
图5为本发明中电针参数和脑电特征可视化页面图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
本发明提出一种用于失眠的双向闭环脑机交互电针参数智能匹配***,如图1所示,包括脑电采集模块、OpenViBe信号接口与控制平台模块、实时信号处理模块、电针参数智能匹配模块、电针刺激模块、实时显示模块。其中:
如图2所示,脑电采集模块包括全脑电极脑电帽和放大器,采样率达1000Hz,可以实时采集失眠患者的全脑脑电信号,通过放大器放大之后传输到OpenViBe信号接收与控制平台模块。主机包括OpenViBe信号接收与控制平台模块、实时信号处理模块与电针参数智能匹配模块。电针仪中包含电针刺激模块中的控制电路,通过将主机与电针仪嵌为一体,可以实现根据匹配的电针参数自动改变电流输出而无需人工操作的自动化效果。
OpenViBe信号接口与控制平台模块完成脑电信号获取过程中的时间同步、实时访问、集中收集和存储要求。实时信号处理模块对脑电进行预处理、脑电信息解码和脑电特征筛选,并采用改进的微状态复杂度分析方法,基于全局场能量波峰电势拓扑信息和波谷电势拓扑信息综合提取微状态离散时间序列,为电针刺激效应提供客观检测指标。OpenViBe信号接收与控制平台模块为闭环脑机接口的主要框架。OpenViBe是一种用于设计、测试和在线使用的脑机接口软件平台,可用于实时神经科学研究和双向闭环脑机交互技术的实现。OpenViBE为用户提供了设计和更改实验程序的灵活性,为Python和Matlab等其他语言编写的应用程序和处理算法提供了强大的接口。本发明的OpenViBe信号接收与控制平台模块主要使用的是OpenViBE应用层中的Acquisition Sever应用,Acquisition Sever通过在PC端的OpenViBE环境从脑电采集模块获取神经信号,再通过LabStreamingLayer(LSL)协议封装后发送至实时信号处理模块来完成信号的实时传输。LSL主要由内核liblsl、数据流出口(Stream Outlets)、数据流入口(Stream Inlets)、解析函数(Resolve Function)与内置时钟(Bulit-in Clock)组成,可以满足时间序列信号传输过程中需要时间同步、实施访问、集中收集、储存及可视化的要求。
电针参数智能匹配模块将脑电特征向量输入深度学习模型以实现最佳电针刺激参数的精准匹配。基于深度学习实现脑电特征与最佳电针刺激参数的精准匹配模型,并在实时闭环***中使用迁移学习不断迭代优化模型,提高电针参数的匹配精度。电针刺激参数包含输出波形、脉冲频率和电流强度。
电针刺激模块包含控制电路、输出导线、电针夹、针灸针,根据匹配得到的电针参数在特定穴位上自动进行对应的电流刺激。
实时显示模块将电针过程中脑电信息解码进程和电针刺激参数进行可视化显示,并提供医生进行手动调整的功能。将电针过程中脑电信息解码进程和电针刺激参数进行可视化显示,并提供医生进行手动调整电针参数、控制电针及脑电数据采集开始与结束的功能。
如图3所示,实时信号处理模块中采用的脑电微状态计算方法,为失眠症电针刺激效应提供客观检测指标,具体实现过程如下:
(1)对于通道数为N的全脑脑电信号[X1(t),X2(t),X3(t),…,XN(t)],计算大脑活动的全局场功率(Global fieldpower,GFP):
Figure BDA0003544947800000051
传统的微状态分析假设GFP曲线的局部最大值处代表最高的场强和最大的信噪比的时刻,故提取GFP局部最大值处的脑电电势拓扑进行下一步的微状态聚类分析。然而其局限性为①GFP峰值点处的电势拓扑仅占所有时间点的很小一部分,因此会丢失大量的相关信息。②且GFP的峰值点值范围跨度较大,GFP峰值点可能包括很小的GFP值,这与其提取信噪比最大处的脑电电势的假设所违背,其造成影响并未有文章进行验证。因此在本申请提出的改进算法中,对微状态的提取进行了重定义,分别从局部波峰值点和局部波谷值点中提取电势拓扑,分别进行下一步的微状态聚类。
(2)使用基于拓扑的雾化和聚集层次聚类算法(TAAHC)作为微状态分析的聚类算法,对局部波峰值点的电势拓扑和局部波谷值点的电势拓扑分别进行聚类分析。聚类算法步骤为:
1)将每一个局部波峰值点的电势拓扑图都看作为一个族类,所有的电势拓扑图最初都被当做独立的群体,对局部波谷值点的电势拓扑操作也相同。
2)分别计算每一个电势拓扑图与其他地形图的空间相关性:
Figure BDA0003544947800000061
其中,u、v分别为两不同的电势地形图,分别计算每一个电势拓扑图与其他拓扑图的空间相关性,并选取相关性总和最低的拓扑图视为最差的拓扑图。
3)将当前最差的拓扑图重新分配到与其相关性最密切的剩余群体中,并将这一群体中的电势拓扑图平均,得到新的电势拓扑分布;
4)重复步骤2)和步骤3),经过每次迭代都重新分配一个最差的电势拓扑图,直到聚类簇数达到预先的设置类别数量。
5)对GFP局部波峰值点的电势拓扑和局部波谷值点的电势拓扑图分别进行以上聚类计算,得到基于GFP局部波峰值点的电势拓扑图的聚类微状态和GFP局部波谷值点的电势拓扑图的聚类微状态。通常地,传统的微状态分析为GFP波峰位置的电势拓扑图聚类计算4类标准微状态地形图,在本申请的改进方法中,GFP局部波峰值点的电势拓扑图被聚类为4类微状态地形,GFP局部波谷值点的电势拓扑图被聚类为2类微状态地形。
6)将每个时间点处的头皮电势拓扑图与聚类得到的标准微状态进行空间相关性比较,并将头皮电势匹配标准微状态的标签。经过计算,脑电信号被解码为六种微状态交替出现的微状态时间序列,经过对微状态计算过程中的重定义,改进的微状态分析可以得到具有更高的全局可解释方差(Global explainedvariance,GEV)的微状态时间序列:
Figure BDA0003544947800000062
其中,m为原始头皮电势拓扑图的数目,新的微状态时间序列可以代表更多时刻的大脑状态变化。
7)得到微状态离散序列后,对离散化序列计算多尺度熵,可以得到大脑微状态之间动态切换的复杂度。
在脑电特征筛选过程中,为了挖掘表征电针效应的关键脑电特征,本发明将重叠组稀疏LASSO模型引入深度信念网DBN模型,基于神经网络重新编码特征。传统的LASSO使用L1正则化惩罚实现稀疏化模型,来学***上的,通过组与组之间的重叠结构,将组间相似特征联系在一起,减少由于大量相似特征离散地存在于多个组中,导致多个组被同时激活,能够处理组与组之间特征存在重叠的问题,有助于提高模型的识别率,弥补传统稀疏DBN网络的不足之处。具体来说:
首先将传统脑电信号特征转化成新的统一模态的特征,通过采用结构化稀疏约束的优化方法,计算得到每个特征维度的优化权值。那些具有较高权值的特征维度最终被选择出来,成为最终提取并且经过筛选得到的多模态特征。这里采用的目标函数为:
Figure BDA0003544947800000071
在Group LASSO中,将不同频率脑电传统特征分成G组,Ig是g组的特征下标(g=1,…,G),
Figure BDA0003544947800000072
是每一组的加权,λ为惩罚参数,β为待估参数。不同于Lasso方法将每个特征的系数项的绝对值加总,这里所加总的是每个组系数的L2范数,在优化的过程中,该结构尽量选出更少的组(组间稀疏)。该方法在特征组间与组内同时产生稀疏效果,组内的某些特征维度与组间的某些类似特征同时被剔除,完成筛选后的关键脑电特征被输入到电针参数智能匹配模型。
电针参数智能匹配模块主要根据之前训练好的模型,以脑电特征为输入从而输出最佳的电针参数。通过大量实验数据,以不同电针参数对应不同脑电特征,以最佳治疗失眠评分为目标,通过快速压缩残差卷积神经网络FCRes-CNNs进行有监督分类模型训练,直接应用训练好的分类模型则可实时根据脑电特征计算得到最佳电针参数。此外,在实时闭环***中使用迁移学习不断迭代优化模型,提高电针参数的匹配精度。
电针刺激模块根据匹配得到的电针参数自动改变输出波形、脉冲频率和电流强度进行刺激。
如图5所示,实时显示模块将计算得到的脑电特征和电针参数进行可视化显示,以方便医生更好掌握目前患者情况。同时,提供医生进行手动调整电针参数、控制电针及脑电数据采集开始与结束的功能。
实时显示界面由Python+Pyqt架构实现,通过PC显示器实现各种人机交互功能,包括采集和实验参数的设置、实时脑电信息解码反馈显示及最优电针刺激参数显示。此方案可以有效地进行算法的在线实验验证,同时模块化的编程方法对***功能的扩展上有很大的潜力。
本发明的工作原理框如图4所示,采集电针过程中失眠患者的全脑脑电信号,根据图3所提方法计算患者的脑电微状态序列等特征,根据已有患者治疗前后的微状态和其他特征数据库,通过深度学习训练所得模型进行电针参数精准匹配,从而改变电针刺激参数进行电针治疗;根据治疗后的脑电信号提取新的微状态等特征,以此形成持续的双向闭环交互。这里的双向是指由脑电信号经由特征提取和匹配模型后到电针参数,再由电针根据电针参数进行电流刺激从而影响脑电信号。

Claims (6)

1.一种用于失眠的双向闭环脑机交互电针参数智能匹配***,其特征在于,包括脑电采集模块、OpenViBe信号接口与控制平台模块、实时信号处理模块、电针参数智能匹配模块、电针刺激模块、实时显示模块;
所述脑电采集模块包括全脑电极帽和放大器,实时采集失眠患者的全脑脑电信号并传输至OpenViBe信号接口与控制平台模块;
所述OpenViBe信号接口与控制平台模块完成脑电信号获取过程中的时间同步、实时访问、集中收集和存储要求;
所述实时信号处理模块对脑电进行预处理、脑电信息解码和脑电特征筛选,并采用改进的微状态复杂度分析方法,基于全局场能量波峰电势拓扑信息和波谷电势拓扑信息综合提取微状态离散时间序列,为电针刺激效应提供客观检测指标;
所述电针参数智能匹配模块将脑电特征向量输入深度学习模型以实现最佳电针刺激参数的精准匹配;
所述电针刺激模块包含控制电路、输出导线、电针夹、针灸针,根据匹配得到的电针参数在特定穴位上自动进行对应的电流刺激;
所述实时显示模块将电针过程中脑电信息解码进程和电针刺激参数进行可视化显示,并提供医生进行手动调整的功能。
2.根据权利要求1所述的一种用于失眠的双向闭环脑机交互电针参数智能匹配***,其特征在于,所述OpenViBE信号接收与控制平台模块采用开源的OpenViBE框架,实现不同模块之间实时的脑电信号获取及传输、脑电特征与电针参数的传输,为双向闭环的脑机交互***提供基础架构。
3.根据权利要求1所述的一种用于失眠的双向闭环脑机交互电针参数智能匹配***,其特征在于,所述微状态复杂度分析方法实现过程如下:
对于通道数为N的全脑脑电信号[X1(t),X2(t),X3(t),…,XN(t)],计算大脑活动的全局场功率GFP:
Figure FDA0003544947790000011
使用基于拓扑的雾化和聚集层次聚类算法作为微状态分析的聚类算法,对局部波峰值点的电势拓扑和局部波谷值点的电势拓扑分别进行聚类分析;将每一个局部波峰值点的电势拓扑图都看作为一个族类,所有的电势拓扑图最初都被当做独立的群体,对局部波谷值点的电势拓扑操作也相同;分别计算每一个电势拓扑图与其他地形图的空间相关性:
Figure FDA0003544947790000021
其中,u、v分别为两不同的电势地形图,分别计算每一个电势拓扑图与其他拓扑图的空间相关性,并选取相关性总和最低的拓扑图视为最差的拓扑图;将当前最差的拓扑图重新分配到与其相关性最密切的剩余群体中,并将这一群体中的电势拓扑图平均,得到新的电势拓扑分布;经过每次迭代都重新分配一个最差的电势拓扑图,直到聚类簇数达到预先的设置类别数量;对GFP局部波峰值点的电势拓扑和局部波谷值点的电势拓扑图分别进行以上聚类计算,得到基于GFP局部波峰值点的电势拓扑图的聚类微状态和GFP局部波谷值点的电势拓扑图的聚类微状态;GFP局部波峰值点的电势拓扑图被聚类为4类微状态地形,GFP局部波谷值点的电势拓扑图被聚类为2类微状态地形;将每个时间点处的头皮电势拓扑图与聚类得到的标准微状态进行空间相关性比较,并将头皮电势匹配标准微状态的标签;脑电信号被解码为六种微状态交替出现的微状态时间序列,经过对微状态计算过程中的重定义,改进的微状态分析可以得到具有更高的全局可解释方差GEV的微状态时间序列:
Figure FDA0003544947790000022
其中,m为原始头皮电势拓扑图的数目,新的微状态时间序列可以代表更多时刻的大脑状态变化;得到微状态离散序列后,对离散化序列计算多尺度熵,得到大脑微状态之间动态切换的复杂度。
4.根据权利要求1所述的一种用于失眠的双向闭环脑机交互电针参数智能匹配***,其特征在于,所述脑电特征筛选实现过程如下:
将重叠组稀疏LASSO模型引入深度信念网DBN模型,基于神经网络重新编码特征;首先将传统脑电信号特征转化成新的统一模态的特征,通过采用结构化稀疏约束的优化方法,计算得到每个特征维度的优化权值;选择具有较高权值的特征维度,提取并筛选得到的多模态特征;采用的目标函数为:
Figure FDA0003544947790000031
在Group LASSO中,将不同频率脑电传统特征分成G组,Ig是g组的特征下标(g=1,…,G),
Figure FDA0003544947790000032
是每一组的加权,λ为惩罚参数,β为待估参数。
5.根据权利要求1所述的一种用于失眠的双向闭环脑机交互电针参数智能匹配***,其特征在于,所述电针参数智能匹配模块中,基于深度学习实现脑电特征与最佳电针刺激参数的精准匹配模型,并在实时闭环***中使用迁移学习不断迭代优化模型,提高电针参数的匹配精度。
6.根据权利要求1所述的一种用于失眠的双向闭环脑机交互电针参数智能匹配***,其特征在于,所述电针刺激参数包含输出波形、脉冲频率和电流强度。
CN202210246606.8A 2022-03-14 2022-03-14 一种用于失眠的双向闭环脑机交互电针参数智能匹配*** Pending CN114652328A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210246606.8A CN114652328A (zh) 2022-03-14 2022-03-14 一种用于失眠的双向闭环脑机交互电针参数智能匹配***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210246606.8A CN114652328A (zh) 2022-03-14 2022-03-14 一种用于失眠的双向闭环脑机交互电针参数智能匹配***

Publications (1)

Publication Number Publication Date
CN114652328A true CN114652328A (zh) 2022-06-24

Family

ID=82028937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210246606.8A Pending CN114652328A (zh) 2022-03-14 2022-03-14 一种用于失眠的双向闭环脑机交互电针参数智能匹配***

Country Status (1)

Country Link
CN (1) CN114652328A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115212422A (zh) * 2022-07-05 2022-10-21 四川脑科学与类脑智能研究院 一种基于摇晃刺激的睡眠调控***及方法
CN115445050A (zh) * 2022-08-30 2022-12-09 东南大学 一种基于双向闭环脑机音乐接口的身心状态调节***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115212422A (zh) * 2022-07-05 2022-10-21 四川脑科学与类脑智能研究院 一种基于摇晃刺激的睡眠调控***及方法
CN115212422B (zh) * 2022-07-05 2023-04-14 四川脑科学与类脑智能研究院 一种基于摇晃刺激的睡眠调控***及方法
CN115445050A (zh) * 2022-08-30 2022-12-09 东南大学 一种基于双向闭环脑机音乐接口的身心状态调节***
CN115445050B (zh) * 2022-08-30 2024-03-12 东南大学 一种基于双向闭环脑机音乐接口的身心状态调节***

Similar Documents

Publication Publication Date Title
Gao et al. A GPSO-optimized convolutional neural networks for EEG-based emotion recognition
Zhu et al. Separated channel convolutional neural network to realize the training free motor imagery BCI systems
Liu et al. Subject-independent emotion recognition of EEG signals based on dynamic empirical convolutional neural network
US6988056B2 (en) Signal interpretation engine
Li et al. Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation
CN110969108B (zh) 一种基于自主运动想象脑电的肢体动作识别方法
CN114652328A (zh) 一种用于失眠的双向闭环脑机交互电针参数智能匹配***
Glassman A wavelet-like filter based on neuron action potentials for analysis of human scalp electroencephalographs
Sun et al. Golden subject is everyone: A subject transfer neural network for motor imagery-based brain computer interfaces
Li et al. EEG emotion recognition based on 3-D feature representation and dilated fully convolutional networks
Yang et al. Mlp with riemannian covariance for motor imagery based eeg analysis
CN109598222A (zh) 基于eemd数据增强的小波神经网络运动想象脑电分类方法
Li et al. EEG signal classification method based on feature priority analysis and CNN
Mustafa et al. The analysis of eeg spectrogram image for brainwave balancing application using ann
CN115640827B (zh) 对电刺激数据处理的智能闭环反馈网络方法及***
Tang et al. Motor imagery EEG decoding based on multi-scale hybrid networks and feature enhancement
CN109034015B (zh) Fsk-ssvep的解调***及解调算法
Meng et al. Evaluation of decomposition parameters for high-density surface electromyogram using fast independent component analysis algorithm
CN114145745B (zh) 基于图的多任务自监督情绪识别方法
Wang et al. Multiband decomposition and spectral discriminative analysis for motor imagery BCI via deep neural network
CN116400800A (zh) 一种基于脑机接口和人工智能算法的als患者人机交互***及方法
Li et al. Identification of emotion using electroencephalogram by tunable Q-factor wavelet transform and binary gray wolf optimization
Ma et al. An improved Bi-LSTM EEG emotion recognition algorithm
Li et al. Multi-modal emotion recognition based on deep learning of EEG and audio signals
Ghanbari et al. Brain computer interface with genetic algorithm

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