CN116992219A - 基于噪声检测指标的信号质量表征单元、噪声源定位方法 - Google Patents

基于噪声检测指标的信号质量表征单元、噪声源定位方法 Download PDF

Info

Publication number
CN116992219A
CN116992219A CN202311146930.3A CN202311146930A CN116992219A CN 116992219 A CN116992219 A CN 116992219A CN 202311146930 A CN202311146930 A CN 202311146930A CN 116992219 A CN116992219 A CN 116992219A
Authority
CN
China
Prior art keywords
characterization
index
value
lead
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311146930.3A
Other languages
English (en)
Other versions
CN116992219B (zh
Inventor
黄肖山
胥红来
董泽彬
章希睿
季志强
唐经纬
李雪
郝慎才
宫长辉
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.)
Neuracle Technology Changzhou Co ltd
Original Assignee
Neuracle Technology Changzhou Co ltd
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 Neuracle Technology Changzhou Co ltd filed Critical Neuracle Technology Changzhou Co ltd
Priority to CN202311146930.3A priority Critical patent/CN116992219B/zh
Publication of CN116992219A publication Critical patent/CN116992219A/zh
Application granted granted Critical
Publication of CN116992219B publication Critical patent/CN116992219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1103—Detecting eye twinkling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • A61B5/7221—Determining signal validity, reliability or quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/22—Source localisation; Inverse modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Psychology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明属于噪声检测技术领域，具体涉及一种基于噪声检测指标的信号质量表征单元、噪声源定位方法。本发明的信号质量表征单元包括指标表征模组、导联表征模组、单被试表征模组中的至少一种；其中指标表征模组适于根据单个导联中的各噪声检测指标获取其对应的指标表征值；导联表征模组适于将单个导联中的各指标表征值融合为导联表征值；单被试表征模组适于将单个被试者的各导联表征值融合为被试表征值。本发明通过多个模组设置的信号质量表征单元，能够快速判别被试者的信号质量，快速定位/消除在线信号的噪声来源。

Description

基于噪声检测指标的信号质量表征单元、噪声源定位方法
技术领域
本发明属于噪声检测技术领域，具体涉及一种基于噪声检测指标的信号质量表征单元、噪声源定位方法。
背景技术
脑电是一种弱生理电信号，相对于心电信号、肌电信号更加微弱，在实际应用场景中，脑电信号易受工频、白噪等外源性干扰以及肌电、眼电、运动伪迹等内源性干扰的影响，导致采集到的脑电信号数据质量降低，无法完成有效的分析、分类、检测任务。
现有技术中，脑电或其他信号质量表征单元大多采用直入式一层设置，当多个被试者同时参与实验或实时数据采集时，操作人员无法第一时间定位到具有噪声信号的被试者及无法快速定位/消除单个被试/被试某通道的在线信号的噪声来源。
发明内容
本发明的目的是克服现有技术中存在的操作人员无法快速定或消除噪声来源的缺陷，提供了一种基于噪声检测指标的信号质量表征单元、噪声源定位方法，能够快速定位噪声来源。
为解决上述技术问题，作为本发明的第一个方面，提供了一种信号质量表征单元，包括：指标表征模组、导联表征模组、单被试表征模组中的至少一种；其中
所述指标表征模组适于根据单个导联中的各噪声检测指标获取其对应的指标表征值；
所述导联表征模组适于将单个导联中的各指标表征值融合为导联表征值；
所述单被试表征模组适于将单个被试者的各导联表征值融合为被试表征值。
进一步地，所述指标表征模组包括：
指标评定模块，根据噪声检测指标的检测值获取其对应的指标评定结果，即所述指标表征值；
指标显示模块，通过所述指标评定结果表征各噪声检测指标对于导联表征值的影响。
进一步地，所述根据噪声检测指标的检测值获取其对应的指标评定结果包括：
基于历史数据获取噪声检测指标的历史值，得到各噪声检测指标对应的取值范围；
基于在测数据获取噪声检测指标的检测值；
根据各噪声检测指标对应的取值范围将噪声检测指标的检测值映射为统一的指标评分，即所述指标评定结果。
进一步地，所述导联表征模组包括：
指标融合模块，用于将单个导联中的各指标表征值融合为导联评定结果，即所述导联表征值；
导联排布图，按照信号采集位置显示各导联位置及其对应的导联评定结果。
进一步地，将单个导联中的各指标评定结果融合为导联评定结果包括：
取各噪声检测指标评分的均值或最小值或最大值或中位数或RMS值，作为导联评定结果。
进一步地，所述单被试表征模组包括：
导联融合模块，用于将单个被试者的各导联表征值融合为被试表征值；
背景模块，通过伪彩显示底色；
波形数据，显示在所述背景模块的所述底色上；
表征模块，用于表征所述被试表征值；其中
所述伪彩显示包括：
将各导联表征值映射成不同的伪彩等级；
设定伪彩等级的颜色并作为在测数据在该时刻该导联对应的波形数据的所述底色。
进一步地，将单个被试者的各导联表征值融合为被试表征值包括：
获取单被试者的先验信息；
根据所述先验信息选择设定导联；
对设定导联的导联表征值取均值或最小值或最大值或中位数或分位值或RMS值，融合为被试表征值。
进一步地，还包括多被试表征模组，用于表征多个被试者的信号质量。
进一步地，所述噪声检测指标包括能量指标和波形指标，其中，
所述能量指标包括：
基础噪声类型指标，包括直流分量、偏移量、幂律分布系数中的至少一种；
混合噪声类型指标，包括拟合度；
特定噪声类型指标，包括工频强度、信噪比、***底噪、低频能量、白噪声、快速眨眼中的至少一种；
所述波形指标包括线长、眨眼检测、过零率、均方根振幅、最大坡度、峰度中的至少一种。
进一步地，所述信号质量表征单元包括：单被试表征模组、导联表征模组、指标表征模组且三者依次关联。
第二个方面，本发明提供了一种用于多被试者的信号质量表征方式，包括信号质量表征单元，所述信号质量表征单元包括多被试表征模组和导联表征模组；其中，所述多被试表征模组、导联表征模组关联设置。
第三个方面，本发明提供了一种信号质量检测***，包括：
电极传感器模块，用于采集各导联的原始模拟信号；
放大器模块，对原始模拟信号进行放大；
数模转换模块，将放大后的原始模拟信号转换为数字信号，即各导联的历史数据或在测数据；
第一下位机模块，用于转发所述数字信号，或第二下位机模块，适于根据数字信号获取信号质量的表征值；
上位机模块，运行如上所述的信号质量表征单元；
显示模块，显示所述信号质量的表征值。
进一步地，所述信号质量的表征值包括：指标表征值、导联表征值、被试表征值、整体信号质量中的至少一种。
第四个方面，本发明提供了一种噪声源定位方法，包括：构建信号质量表征单元，即依次构建指标表征模组、导联表征模组、单被试表征模组；
依次展开单被试表征模组、导联表征模组、指标表征模组，以获取噪声来源。
第五个方面，本发明提供了一种伪迹判断方法，包括信号质量表征单元，所述信号质量表征单元包括导联表征模组，所述导联表征模组通过导联排布图和指标融合模块表征各导联表征值的空间分布；
即根据信号质量的空间分布判断被试者的伪迹类型。
进一步地，还包括所述的指标表征模组；其中，
所述导联表征模组、指标表征模组关联设置。
第六个方面，本发明提供了一种信号筛选方法，运行如上述所述的信号质量表征单元以获取信号质量的表征值；
根据所述信号质量的表征值将在测数据进行数据分段；
对数据分段的在测数据进行数据段筛选。
进一步地，根据所述信号质量的表征值将在测数据进行数据分段包括：
根据历史数据的导联表征值设置不同的伪彩等级；
将在测数据的导联表征值映射成伪彩数据；
根据伪彩数据选定在测数据的底色；以及
将在测数据的波形数据通过所述底色，以呈现不同的颜色，即进行数据分段。
第七个方面，本发明提供了一种信号数据段的定位方法，运行如上述所述的信号质量表征单元以获取信号质量的表征值；
根据所述信号质量的表征值将在测数据进行数据分段；
对数据分段的在测数据进行数据段定位；其中，
所述信号质量的表征值通过伪彩映射与在测数据叠加显示进行在测数据的数据分段。
本发明一种基于噪声检测指标的信号质量表征单元、噪声源定位方法的有益效果是：本发明通过多个模组设置的信号质量表征单元，能够快速判别被试者的信号质量，快速定位/消除在线信号的噪声来源，或将数据质量及存在伪迹类型已知的数据继续应用于其他场景，如：用于训练或评估某种去噪方法效果，分析不同数据质量数据在某模型/某场景中的实际应用效果等。
综上，本发明给出一种信号质量的评估结果，并分析其可能的噪声来源，为后续数据的使用提供了额外的信号质量维度特征。被试表征模组、导联表征模组、指标表征模组三者依次关联，被试表征模组能够宏观表征被试的信号质量分布及其在实验过程/回放中随时间变化情况，导联表征模组进行信号质量的直观呈现，能够直观表征各通道的信号质量空间分布及其在实验过程/回放中随时间变化情况可据此定位部分场景中常见噪声来源，指标表征模组精确定位所选通道噪声类型及对应指标维度，三者依次关联的设置，使得操作人员对实验中各被试/单一被试的信号质量有宏观把控，由宏观把控再到精准定位，保证操作人员信息的准确性及做出反应的快速性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例的信号质量表征单元的操作流程图；
图2是本发明实施例的噪声检测指标的分类图；
图3是本发明实施例能量指标的计算流图；
图4是本发明实施例单被试表征模组的软件界面初始状态图；
图5是本发明实施例启动图4中表征模块的软件界面效果展示图；
图6是本发明实施例的融合得到被试表征值的流程图；
图7是本发明实施例的伪彩显示的波形数据图；
图8是本发明实施例的信号质量检测***的流程图；
图9是某段直流分量指标数值较特异的波形数据对应的功率谱密度曲线和拟合曲线图；
图10是某段偏移量指标数值较特异的波形数据的功率谱密度曲线和拟合曲线图；
图11是某段幂律分布系数指标数值较特异的波形数据的功率谱密度曲线和拟合曲线图；
图12是存在50Hz工频干扰的波形数据的功率谱密度曲线和拟合曲线图；
图13是存在工频、非脑电频段其他干扰的波形数据的功率谱密度曲线和拟合曲线图；
图14是某段拟合度指标数值较特异的波形数据的功率谱密度曲线和拟合曲线图；
图15是某段***底噪指标数值较特异的波形数据的功率谱密度曲线和拟合曲线图；
图16是存在低频伪迹的波形数据的功率谱密度曲线和拟合曲线图；
图17是白噪声较弱时对应的波形数据的功率谱密度曲线和拟合曲线图；
图18是白噪声较强时对应的波形数据的功率谱密度曲线和拟合曲线图；
图19是存在快速眨眼的波形数据的功率谱密度曲线和拟合曲线图；
图20是本发明实施例的在测数据进行数据分段的流程图。
图中:101、指标显示模块，201、导联排布图，301、表征模块，1、电极传感器模块，2、放大器模块，3、数模转换模块，4、第一下位机模块，5、第二下位机模块，6、上位机模块，7、显示模块。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1-图5所示的一种信号质量表征单元，包括指标表征模组、导联表征模组、单被试表征模组中的至少一种，其中指标表征模组适于根据单个导联中的各噪声检测指标获取其对应的指标表征值，导联表征模组适于将单个导联中的各指标表征值融合为导联表征值，单被试表征模组适于将单个被试者的各导联表征值融合为被试表征值。
作为信号质量表征单元的一种优选的实施方式。
本发明的信号质量表征单元可以同时设置有指标表征模组、导联表征模组、单被试表征模组。信号质量表征单元的构建方式为依次构建指标表征模组、导联表征模组、单被试表征模组，信号质量表征单元的表征方式为按照单被试表征模组、导联表征模组、指标表征模组依次关联打开，其具体的操作流程如图1所示。初始状态，设备处于“实时采集”或“离线回放”状态，手动或默认开启信号质量分析功能，开启后单被试表征模组显示被试表征值，打开后的单被试表征模组的软件界面初始状态如图4所示，判断是否观测各导联的信号质量，不需要观测各导联表征值对应结束操作流程，若需要观测各导联表征值，手动或默认开启导联表征模组，在导联表征模组上显示所有导联的导联表征值，其中手动开启导联表征模组，即启动图4所显示的表征模块301，打开如图5所示的效果展示图，效果展示图可同时显示指标表征模组的软件界面或手动启动后进入指标表征模组的软件界面，即点击导联表征模组上的导联排布图201上的导联表征值，打开指标表征模组的软件显示界面，当所选导联某些噪声检测指标异常时，文字提示噪音类型，指标表征模组中启动伪彩显示进入单被试表征模组，显示具有伪彩底色的波形数据，操作流程结束。
作为信号质量表征单元的另一种可选的实施方式。
信号质量表征单元包括多被试表征模组、单被试表征模组、导联表征模组、指标表征模组，多被试表征模组用于表征多个被试者的信号质量，多被试表征模组包括多个被试者的信号质量显示模块7，被使者的信号质量表征值通过信号质量显示模块7对应显示。
作为构建指标表征模组的一种可选的实施方式。
指标表征模组包括指标评定模块和指标显示模块101，指标评定模块根据噪声检测指标的检测值获取其对应的指标评定结果，即指标表征值，每一个指标评定结果体现出一种噪音类型的强弱。指标显示模块101通过指标评定结果表征各噪声检测指标对于导联表征值的影响。
（1）噪声检测指标的获取方式。
本实施例中的噪声检测指标包括基于波形数据得到的波形指标和基于PSD函数、PSD拟合函数得到的能量指标。其中能量指标包括基础噪声类型指标、混合噪声类型指标以及特定噪声类型指标。
具体如下，参见图2，基础噪声类型指标，包括直流分量、偏移量、幂律分布系数中的至少一种，混合噪声类型指标，包括拟合度，特定噪声类型指标，包括工频强度、信噪比、***底噪、低频能量、白噪声、快速眨眼中的至少一种。
波形指标包括线长、眨眼检测、过零率、均方根振幅、最大坡度、峰度中的至少一种。其中衡量伪影的窗口应具有更大的均方根振幅，最大坡度指示产生大的电压尖峰的高振幅或高频伪影，过零率在高频伪影中增加，而在导致波形数据轨迹漂移远离零线的低频伪影中减少。峰度是波形数据出现异常值的可能性，可能性越高、峰度值就越大，分布越接近于正态分布，峰度值就越低。
（2）根据噪声检测指标的检测值获取其对应的指标评定结果包括以下步骤：
首先基于历史数据获取噪声检测指标的历史值，得到各噪声检测指标对应的取值范围；
其次基于在测数据获取噪声检测指标的检测值；
最后根据各噪声检测指标对应的取值范围将噪声检测指标的检测值映射为统一的指标评分，即指标评定结果。指标评分是基于各指标在大量数据上的普遍分布范围映射为统一指标评分获取的相应的映射公式，再将在测信号的真实值依照各自的区间通过映射公式映射为0-100的分值。各指标的映射公式包括线性映射公式、非线性映射公式以及阶段性指标映射公式中至少一种，其中线性指标映射公式需首先基于信号质量已知脑电数据库中大量信号质量各异的真实数据统计得到指标分布上限与下限，再依据如下其中一种线性指标映射公式进行映射；
线性指标得分=取整[(指标分布上限–指标真实值)/(指标分布上限-指标分布下限)*100];
线性指标得分=取整[(指标真实值-指标分布下限)/(指标分布上限-指标分布下限)*100];
直流分量指标、偏移量指标、幂律分布系数以及信噪比指标为线性指标，采用上述两种映射公式均可。
非线性指标映射公式需首先基于信号质量已知脑电数据库中大量信号质量各异的真实数据统计得到指标分布上限与下限，再依据如下非线性指标映射公式进行映射；
非线性指标得分=取整[非线性映射函数（(指标分布上限–指标真实值)/(指标分布上限-指标分布下限)）*100]，其中非线性映射函数包括开方、平方、幂次等。本实施方式中工频强度指标为非线性指标采用上述非线性指标得分映射公式。
阶段性指标映射公式需首先基于信号质量已知脑电数据库中大量信号质量各异的真实数据统计得到每个阶段值对应的指标分布上限与下限，再依据如下阶段性指标映射公式进行映射，本实施方式中仅有***底噪采用阶段性指标映射公式；具体为：
阶段性指标得分=if(阶段指标分布上限≥指标真实值≥阶段指标分布下限)）*阶段值。参照图3-图19，对获取到的某波形数据通过PSD估计算法得到原始PSD，图9到图19中均以C表示原始PSD曲线，C’表示最终拟合结果NPS曲线，其中直流分量指标对应的DC=PSD(0)，直流分量DC即PSD(0)的取值，直流分量作为一种基础噪声类型指标用于衡量放大器是否正常工作，不同放大器有不同的参数，落在DC取值的正常阈值内则表明不存在因放大器故障而导致的信号质量的异常，图9为某一段直流分量指标数值较特异的波形数据对应的功率谱密度曲线和拟合曲线对比图，该段数据直流分量DC=8.8379，当直流分量对应的指标评分为100或接近于100的某一区间时，该时间段的波形数据为不存在放大器故障的脑电数据。需要说明的是本实施例中PSD估计算法采用Welch方法，但不仅限于该方法，Welch方法为现有技术，本文中不再做详细说明。
对于上述得到的原始PSD进行整体笼统拟合，即对原始的PSD筛选周期性成分数据，并对周期性成分数据使用节律拟合函数进行拟合并得到节律拟合函数/>中各参数值，其中，a为节律拟合峰高，c为节律拟合频率偏移量，w为节律拟合峰宽，f为频率变量。
将原始PSD数据减去周期性成分数据得到非周期性成分数据，对非周期形成分数据进行拟合，得到背景拟合函数,其中，b为非周期成分偏移量，x为幂律分布系数。
计算最终拟合函数：。
本实施方式中基础噪声类型指标还包括偏移量offset=b和幂律分布系数f-coeff=x，参照图10某段偏移量指标数值较特异的波形数据的功率谱密度曲线和拟合曲线图，offset=3.3065，对应指标评分为23，即存在低频伪迹时，偏移量指标变大，对应评分降低。参见图11某段幂律分布系数指标数值较特异的波形数据的功率谱密度曲线和拟合曲线图，幂律分布***数f-coeff=-0.0070时，对应的幂律分布系数指标的得分为14，即存在肌电伪迹时，幂律分布系数指标变小，对应评分降低。
拟合度来衡量拟合函数对于真实PSD的拟合效果；当该指标低于一定值时，其余指标可信度下降，信号质量整体较差，但无法说明具体原因，认为是多种噪音类型叠加的结果，因此拟合度指标为一种混合噪声类型指标，拟合度的计算公式为R2=皮尔逊相关系数[原始PSD(f),NPS(f)]，参见图14某一段拟合度指标数值较特异的波形数据的功率谱密度曲线和拟合曲线图，拟合度指标R2=0.5229时，对应的拟合度指标得分为0，即存在干扰或噪声时，拟合度指标变小，其对应的评分降低。
在不同的使用场景下，面对不同类型的伪迹时，需要在基础噪声类型指标或混合噪声类型的基础上扩展其他噪声类型或细化某一噪声类型，使得本信号质量表征单元能够涵盖更多的噪声类型或更精准定位伪迹的噪声类型，因此本申请衍生出特定噪声类型指标，特定类型噪声指标包括工频强度、信噪比、***底噪、低频能量、白噪声以及快速眨眼。
其中工频强度是能量高度a的平方乘以中心频率c,计算公式为PLI=，其中f是频率变量。参见图12存在50Hz工频干扰的波形数据的功率谱密度曲线和拟合曲线图，工频强度指标PLI=25.8897，其对应的工频强度指标的得分为0，即存在工频干扰时，工频强度指标变大，其对应的评分降低。
信噪比计算公式为SNR=10log10(脑电频段能量/干扰频段能量)；参见图13存在工频、非脑电频段其他干扰的波形数据的功率谱密度曲线和拟合曲线图，信噪比指标SNR=7.9699时，其对应的信噪比指标得分为16，即存在工频、非脑电频段干扰时，该指标变小，评分降低。
***底噪Baseline=mean（NPS(fmax-δ):NPS(fmax))，其中δ为底噪频率参数。参见图15某段***底噪指标数值较特异的波形数据的功率谱密度曲线和拟合曲线图，当***底噪变强时，***底噪指标变大，其对应的指标评分降低。
低频能量为指定干扰低频段，计算公式为LBP=，其中[f 0,f 1]为指定干扰低频段；参见图16存在低频伪迹的波形数据的功率谱密度曲线和拟合曲线图，LBP=15.6924，存在低频伪迹时，低频能量指标变大，其对应的指标评分降低。低频能量（LBP）的计算中包含了偏移量指标的值，但在面对特定类型伪迹时偏移量变化更灵敏，低频能量则更稳定。低频能量和偏移量用于在使用场景不同时衡量不同类型伪迹。
白噪声的计算公式为WGN=|NPS(f 2）-NPS（f 3)|，其中,[f 2,f 3]为非脑电频段；参见图17和图18白噪声较弱和较强时对应的波形数据的功率谱密度曲线和拟合曲线图，白噪声较强时，导致非脑电频段PSD整体抬升，拟合结果趋近水平线。白噪声指标变小，其对应的评分降低。
快速眨眼计算公式为REB=β·映射(offset)＋(1-β)·映射(f-coeff)，或者REB=β·映射(LBP)＋(1-β)·映射(f-coeff)，其中，β为快速眨眼参数，具体的说，该参数表示被试眨眼时的相对肌电程度、或说被试眨眼力度，与被试者高度相关。如图19所示，存在快速眨眼的波形数据的功率谱密度曲线和拟合曲线图，快速眨眼REB=0.2793，对应的快速眨眼指标得分为26，被试快速眨眼时，快速眨眼指标变小，对应的其评分降低。将低频能量指标和幂律分布系数指标同时融入快速眨眼指标的计算公式中，或者将偏移量和幂律分布系数同时融入快速眨眼指标的计算公式中，在面对快速眨眼伪迹时可以取到比多个指标直接联合判断更好的效果，在特定使用场景下更具特异性。
根据节律拟合函数、背景拟合函数以及最终拟合函数直接或间接提取上述各能量指标,再加上基于波形数据直接得到的波形指标可全面覆盖脑电中各类噪声类型，保证信号质量分析结果的准确性。本发明的PSD拟合方法，有较好的拟合度，为后续基于PSD拟合函数提出的各指标奠定良好基础。
（3）指标显示模块101能够突显出各指标对波形数据的影响，从而定位噪声类型，有益于操作者或被试者做快速准确的调整。
在进行大量数据实验及真实实验过程中，发现基础噪声类型指标和混合噪声类型指标无法衡量的异常波形数据。如两段数据仅仅采用基础噪声类型指标和混合噪声类型指标时，出现一个或多个指标的指标得分类似，但波形数据存在明显数据质量差异的情况。也就是说仅仅采用基础噪声类型指标和混合噪声类型指标对于噪声类型归类不完全且无法进一步地细化噪音类型。本申请中设置了特定类型噪声指标。通过观察波形数据所计算得到的PSD与信号质量良好、不含该噪音类型数据的对比，定位二者存在显著差异的频率范围或PSD指标维度，并将这种区别使用新指标量化表示。而后在多种表示方式中选择最具特异性的一个灵敏度量作为最终新指标计算公式即可。
在指标表征模组中的指标显示模块101通过多维雷达图、表格或其他显示形式显示，需要进一步说明的指标表征模组中的指标显示模块101显示的指标种类根据实际的应用可以进行自由选择组合也可以直接选取默认组合方式，为后续数据段的筛选做基础准备，指标的组合种类不同，应用的信号质量分析场景不同，本实施例中以五维雷达图为例，如图5所示，五维雷达图各指标代表常见噪声类型，显示信号质量。雷达图面积越大，整体信号质量越好。各指标评分越低，说明该指标维度信号质量越差。如现雷达图的指标组合为直流分量、偏移量、幂律分布系数、工频强度以及信噪比时，适用于提示常见噪音类型的场景，即噪音来源多样，可能来源包括但不限于：电极、放大器、被试、工频、环境等。每一个指标的指标评分对应一种或多种噪音类型，例如DC--电极脱落或放大器损坏，offset--运动伪迹或眼电，f-coeff—肌电伪迹，工频强度PLI—工频，信噪比SNR—信号与噪音比，不再一一说明。
当然根据实际的应用可选用其他指标组合，如直流分量、偏移量、幂律分布系数、工频强度以及拟合度，适用于实验者更关注PSD本身的场景，该组合可以更好提示PSD自身参数与当前拟合情况。或选择直流分量、偏移量、幂律分布系数、信噪比以及快速眨眼，适用于更关注被试者的场景，即噪音主要来源在于被试者，同时认为实验环境符合标准。选择直流分量、工频强度、信噪比、***底噪以及白噪声，则适用于更关注实验环境和实验设备的场景，此时通常认为被试配合实验，不额外引入运动伪迹或眼电、肌电等噪声。
其中指标表征模组中的各指标组合方式包括默认组合方式和自定义组合方式，默认组合方式根据常用的指标组合进行模块化设定，在使用时可以模块化选择，自定义组合方式根据实际的需要进行设定，灵活性较高。
作为构建导联表征模组的一种可选的实施方式。
导联表征模组包括指标融合模块和如图5所示的导联排布图201，其中指标融合模块用于将单个导联中的各指标表征值融合为导联评定结果，即导联表征值，本实施例中单个导联的导联评定结果取各噪声检测指标评分的均值或最小值或最大值或中位数或RMS值，其中RMS值是各指标评分的均方根值,用于融合各指标数据偏离其指标评分均值的程度。导联排布图201按照信号采集位置显示各导联位置及其对应的导联评定结果。需要说明的是当需要导联评定结果具有较高的灵敏度时选用最小值；当需要更具稳定性时选用中位数；更能平等衡量各维度或/和各噪音类型用均值；较不易被个别指标影响用最大值；需要衡量各指标差异或/和各噪音类型强度差异时选用RMS值。本实施方式中的导联评定结果的取被试层的噪声检测指标得分的最小值。
基于上述噪声检测指标的一种伪迹判断方法，包括导联表征模组，导联表征模组通过导联排布图和指标融合模块表征各导联表征值的空间分布；即根据信号质量的空间分布判断被试者的伪迹类型。
当只有一个被试者进行生理数据实时采集或实验时，表征组件可仅包括导联表征模组和指标表征模组；其中导联表征模组、指标表征模组关联设置。操作人员通过导联表征模组宏观把控被试者的各导联的信号质量及其空间分布情况，通过指标表征模组定位噪声类型，从而实时做出调整消除实验噪声。导联表征模组包括导联排布图和指标融合模块，通过导联排布图和指标融合模块表征各导联表征值的空间分布，操作人员或判断平台根据信号质量的空间分布判断被试者的伪迹类型，本实施方式以脑电信号为例，若前额区通道信号质量差，说明存在眼动/眨眼噪声；脸颊附件两通道信号质量差，说明存在咬牙/肌电噪声；***通道信号质量差，说明存在运动伪迹/晃头噪声；枕区通道信号质量差，说明脑电帽不贴合，可能存在白噪声；全通道信号质量差，说明实验环境可能存在较强工频干扰；个别通道信号质量差，说明该通道电极可能脱落。指标表征模组包括指标评定模块和指标显示模块101，能够根据指标显示模块101上的各噪声检测指标对各导联表征值的影响进一步地判断伪迹。
当多个被试者同时参与生理数据的实时采集或实验的场景时，表征组件可包括多被试表征模组和导联表征模组。操作人员通过多被试表征模组宏观把控每个被试者的信号质量，并通过导联表征模组初步判断伪迹类型即噪声类型。
本发明还设置有一种用于多被试者的信号质量表征单元，包括多被试表征模组和导联表征模组；其中，多被试表征模组、导联表征模组关联设置。操作人员通过多被试表征模组根据每个被试者的信号质量宏观筛选，并通过导联表征模组上的每个导联的信号质量进行细化筛选。
作为构建单被试表征模组的一种可选的实施方式。
单被试表征模组包括：导联融合模块、背景模块、波形数据、表征模块301。导联融合模块用于将单个被试者的各导联表征值融合为被试表征值，背景模块通过伪彩显示底色，波形数据显示在背景模块的底色上，表征模块301用于表征被试表征值。如图6所示，其中将单个被试者的各导联表征值融合为被试表征值包括以下步骤：
A1.获取单被试者的先验信息；
A2.根据先验信息选择设定导联；
A3.对设定导联的导联表征值取均值或最小值或最大值或中位数或分位数或RMS值，融合为被试表征值。
其中，导联表征值的取值根据实际的应用场景进行选择设置，当需要具有较高的灵敏度时选用最小值；当需要更具稳定性时选用中位数；更能平等衡量各导联表征值用均值；较不易被个别导联表征值影响用最大值；需要衡量各导联表征值差异时选用RMS值。本实施方式中选用分位数方式中的较大四分位数，其中分位数可根据用户关注的数据区间调整，不做绝对限定。
其中先验信息包括设备实际状况、实验设置及预先计划等。
步骤A2中根据先验信息设定导联，这里的导联是被试者的所有导联或根据场景剔除部分导联后的剩余导联。
伪彩显示包括：将各导联表征值映射成不同的伪彩等级；设定伪彩等级的颜色并作为在测数据在该时刻该导联对应的波形数据的底色。
在进行数据段筛选时，操作者只需要根据波形数据的底色进行选取，利用伪彩可快速确定数据片段的信号质量的好坏，选取数据段易判断，实现在采集端获取高质量的波形数据。
如图8所示，本发明的包括上述信号质量表征单元的信号质量检测***包括用于采集各导联的原始模拟信号的电极传感器模块1，对原始模拟信号进行放大的放大器模块2，将放大后的原始模拟信号转换为数字信号，即各导联的历史数据或在测数据的数模转换模块3；用于转发数字信号的第一下位机模块4，适于根据数字信号获取信号质量的表征值的第二下位机模块5，运行上述的信号质量表征单元的上位机模块6以及显示信号质量的表征值的显示模块7。需要进一步说明的是信号质量的表征值也可在上位机模块6中计算获取。
进一步说明的是，电极传感器模块1将采集到的原始模拟信号通过放大器模块2进行信号放大，数模转换模块3以固定采样率，将放大后的模拟信号转换为数字信号，将待处理的数字信号通过第一下位机模块4传输到上位机模块6中，上位机模块6进行表征值的计算获取以及运行信号质量表征单元或者设置第二下位机模块5，第二下位机模块5进行表征值的计算获取并将获取的表征值和数字信号一并传输到上位机模块6中，显示模块7由上位机模块6控制显示信号质量表征单元中涉及到的各表征值。
本案中，下位机模块的功能可以分成两种形式，第一种即第一下位机模块（MCU/ARM/DSP硬件＋嵌入式软件），存储/转发数字信号，此时上位机模块（PC硬件＋PC软件）需要处理数字信号，输出SQI的计算值，并配合UI工作流将其显示给用户。第二种即第一下位机模块（MCU/ARM/DSP硬件＋嵌入式软件），存储/处理数字信号并输出SQI的计算值，此时上位机模块（PC硬件＋PC软件）需要配合UI工作流将第一下位机模块4输出的SQI计算值显示给用户。信号质量的表征值包括指标表征值、导联表征值、被试表征值中的至少一种，本实施例的指标表征值，根据噪声检测指标的检测值获取其对应的指标评定结果，即指标表征值，导联表征值将单个导联中的各指标表征值融合为导联评定结果，将单个被试者的各导联表征值融合成为被试表征值。
本实施例中还包括一种信号质量的信号筛选方法，运行信号质量表征单元以获取信号质量的表征值，根据信号质量的表征值将在测数据进行数据分段，对数据分段的在测数据进行数据段筛选。具体体现在通过信号质量检测***中的上位机运行信号质量表征单元，通过显示模块显示信号质量的表征值，根据信号质量的表征值将在测数据进行数据分段；然后对已经数据分段的在测数据进行数据段筛选，筛选出匹配性较高的波形数据段。
如图20所示，根据信号质量的表征值将在测数据进行数据分段包括以下步骤：
B1.根据历史数据的导联表征值设置不同的伪彩等级；
B2.将在测数据的导联表征值映射成伪彩数据；
B3.根据伪彩数据选定在测数据的底色；
B4.将在测数据的波形数据通过底色，以呈现不同的颜色，即进行数据分段。
在上位机模块6和显示模块7的运行下，将当前导联的信号质量映射成伪彩，作为波形数据的底色，以固定的数据片段周期刷新显示，如图7所示，伪彩1为绿色，对应信号质量为优，伪彩2为黄色，对应信号质量为中，伪彩3为红色，对应信号质量为差，当数据片段的伪彩位于非优区间时，设置有文字提示异常指标，显示对应异常指标的信号质量得分。
本发明将各导联的信号质量映射为伪彩，设置为波形数据的底色，即信号质量以不同底色与波形数据叠加显示，利用伪彩的不同颜色可快速确定数据片段的信号质量的好坏，实现数据段的快速、高质量筛选。本发明通过将各导联的信号质量表征值映射成不同的伪彩等级，并作为在测数据在该时刻该导联对应的波形数据的底色，使得相关人员通过底色颜色就能够快速准确的筛选出较高质量的波形数据段。
本发明能够在线或离线分析信号质量，可与其他设备集成，以此作为筛选工具，一方面可以实现用户在采集端获取更高质量的信号数据，另一方面可实现分析已采集数据的质量以快速匹配后续的信号处理算法。通过指标表征模组的指标表征值或噪音类型的显示能够快速的确定噪声类型，适用于患者或操作人员快速的做出相应调整。现有技术中，为获得质量较高的信号数据，采用去噪的方式留取信号质量较高的数据信号，因部分真实需要的信号数据与噪音数据有相似性，对采集到的信号数据进行去噪处理的过程中，易误去除需要的真实的信号数据，采用去噪处理来保证获取质量较高的信号数据的方式，对采集到的真实数据有较大的影响，尤其具有混合噪音的信号数据段，采用去噪的方式，对真实数据的影响难以评估。本发明信号筛选的方法得到信号质量较好的数据段，不需要去噪处理信号，有效的解决了上述问题。
本实施例中还一种包括信号数据段的定位方法，运行上述信号质量表征单元以获取信号质量的表征值，然后根据信号质量的表征值将在测数据进行数据分段，最后对数据分段的在测数据进行数据段定位，其中，信号质量的表征值通过伪彩映射与在测数据叠加显示进行在测数据的数据分段。在实时监测、波形回放、多被试、单被试场景中，将信号质量通过伪彩映射为数据段的底色，将信号质量的伪彩映射和数据段层叠显示，保证操作人员能够快速定位到所需要的信号质量的数据段上。
应当理解，以上所描述的具体实施例仅用于解释本发明，并不用于限定本发明。由本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (19)

1.一种基于噪声检测指标的信号质量表征单元，其特征在于，包括：
指标表征模组、导联表征模组、单被试表征模组中的至少一种；其中
所述指标表征模组适于根据单个导联中的各噪声检测指标获取其对应的指标表征值；
所述导联表征模组适于将单个导联中的各指标表征值融合为导联表征值；
所述单被试表征模组适于将单个被试者的各导联表征值融合为被试表征值。
2.根据权利要求1所述的信号质量表征单元，其特征在于，
所述指标表征模组包括：
指标评定模块，根据噪声检测指标的检测值获取其对应的指标评定结果，即所述指标表征值；
指标显示模块，通过所述指标评定结果表征各噪声检测指标对于导联表征值的影响。
3.根据权利要求2所述的信号质量表征单元，其特征在于，
所述根据噪声检测指标的检测值获取其对应的指标评定结果包括：
基于历史数据获取噪声检测指标的历史值，得到各噪声检测指标对应的取值范围；
基于在测数据获取噪声检测指标的检测值；
根据各噪声检测指标对应的取值范围将噪声检测指标的检测值映射为统一的指标评分，即所述指标评定结果。
4.根据权利要求3所述的信号质量表征单元，其特征在于，
所述导联表征模组包括：
指标融合模块，用于将单个导联中的各指标表征值融合为导联评定结果，即所述导联表征值；
导联排布图，按照信号采集位置显示各导联位置及其对应的导联评定结果。
5.根据权利要求4所述的信号质量表征单元，其特征在于，
将单个导联中的各指标评定结果融合为导联评定结果包括：
取各噪声检测指标评分的均值或最小值或最大值或中位数或RMS值，作为导联评定结果。
6.根据权利要求1所述的信号质量表征单元，其特征在于，
所述单被试表征模组包括：
导联融合模块，用于将单个被试者的各导联表征值融合为被试表征值；
背景模块，通过伪彩显示底色；
波形数据，显示在所述底色上；
表征模块，用于表征所述被试表征值；其中
所述伪彩显示包括：
将各导联表征值映射成不同的伪彩等级；
设定伪彩等级的颜色并作为在测数据在该时刻该导联对应的波形数据的所述底色。
7.根据权利要求6所述的信号质量表征单元，其特征在于，
将单个被试者的各导联表征值融合为被试表征值包括：
获取单被试者的先验信息；
根据所述先验信息选择设定导联；
对设定导联的导联表征值取均值或最小值或最大值或中位数或分位值或RMS值，融合为被试表征值。
8.根据权利要求1所述的信号质量表征单元，其特征在于，还包括多被试表征模组，用于表征多个被试者的信号质量。
9.根据权利要求1所述的信号质量表征单元，其特征在于，
所述噪声检测指标包括能量指标和波形指标，其中，
所述能量指标包括：
基础噪声类型指标，包括直流分量、偏移量、幂律分布系数中的至少一种；
混合噪声类型指标，包括拟合度；
特定噪声类型指标，包括工频强度、信噪比、***底噪、低频能量、白噪声、快速眨眼中的至少一种；
所述波形指标包括线长、眨眼检测、过零率、均方根振幅、最大坡度、峰度中的至少一种。
10.根据权利要求1所述的信号质量表征单元，其特征在于，
所述信号质量表征单元包括：单被试表征模组、导联表征模组、指标表征模组且三者依次关联。
11.一种用于多被试者的信号质量表征单元，其特征在于，包括如权利要求8所述的信号质量表征单元；
所述多被试表征模组、导联表征模组关联设置。
12.一种信号质量检测***，其特征在于，包括：
电极传感器模块，用于采集各导联的原始模拟信号；
放大器模块，对原始模拟信号进行放大；
数模转换模块，将放大后的原始模拟信号转换为数字信号，即各导联的历史数据或在测数据；
第一下位机模块，用于转发所述数字信号，或第二下位机模块，适于根据数字信号获取信号质量的表征值；
上位机模块，运行如权利要求1所述的信号质量表征单元；
显示模块，显示所述信号质量的表征值。
13.根据权利要求12所述的信号质量检测***，其特征在于，
所述信号质量的表征值包括：指标表征值、导联表征值、被试表征值中的至少一种。
14.一种噪声源定位方法，其特征在于，包括：
构建如权利要求1所述的信号质量表征单元，即依次构建指标表征模组、导联表征模组、单被试表征模组；
依次展开单被试表征模组、导联表征模组、指标表征模组，以获取噪声来源。
15.一种伪迹判断方法，包括如所述权利要求4所述的信号质量表征单元，其特征在于，所述导联表征模组通过导联排布图和指标融合模块表征各导联表征值的空间分布；
即根据信号质量的空间分布判断被试者的伪迹类型。
16.根据权利要求15所述的伪迹判断方法，其特征在于，
所述导联表征模组、指标表征模组关联设置。
17.一种信号筛选方法，其特征在于，
运行如权利要求1所述的信号质量表征单元以获取信号质量的表征值；
根据所述信号质量的表征值将在测数据进行数据分段；
对数据分段的在测数据进行数据段筛选。
18.根据权利要求17所述的信号筛选方法，其特征在于，
根据所述信号质量的表征值将在测数据进行数据分段包括：
根据历史数据的导联表征值设置不同的伪彩等级；
将在测数据的导联表征值映射成伪彩数据；
根据伪彩数据选定在测数据的底色；以及
将在测数据的波形数据通过所述底色，以呈现不同的颜色，即进行数据分段。
19.一种信号数据段的定位方法，其特征在于，运行如权利要求1所述的信号质量表征单元以获取信号质量的表征值；
根据所述信号质量的表征值将在测数据进行数据分段；
对数据分段的在测数据进行数据段定位；其中，
所述信号质量的表征值通过伪彩映射与在测数据叠加显示进行在测数据的数据分段。
CN202311146930.3A 2023-09-07 2023-09-07 基于噪声检测指标的信号质量表征单元、噪声源定位方法 Active CN116992219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311146930.3A CN116992219B (zh) 2023-09-07 2023-09-07 基于噪声检测指标的信号质量表征单元、噪声源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311146930.3A CN116992219B (zh) 2023-09-07 2023-09-07 基于噪声检测指标的信号质量表征单元、噪声源定位方法

Publications (2)

Publication Number Publication Date
CN116992219A true CN116992219A (zh) 2023-11-03
CN116992219B CN116992219B (zh) 2023-12-26

Family

ID=88524891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311146930.3A Active CN116992219B (zh) 2023-09-07 2023-09-07 基于噪声检测指标的信号质量表征单元、噪声源定位方法

Country Status (1)

Country Link
CN (1) CN116992219B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117746905A (zh) * 2024-02-18 2024-03-22 百鸟数据科技(北京)有限责任公司 基于时频持续性分析的人类活动影响评估方法及***

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103735260A (zh) * 2013-12-27 2014-04-23 深圳市理邦精密仪器股份有限公司 一种心电导联波形显示的方法及***
CN103735259A (zh) * 2013-12-27 2014-04-23 深圳市理邦精密仪器股份有限公司 一种心电信号质量判断指示的方法及***
US20160045117A1 (en) * 2014-08-14 2016-02-18 Nehemiah T. Liu Peak Detection System and Method for Calculation of Signal-Derived Metrics
CN108024750A (zh) * 2015-08-25 2018-05-11 皇家飞利浦有限公司 Ecg导联信号的高/低频信号质量评价
CN111671399A (zh) * 2020-06-18 2020-09-18 清华大学 噪声感知强度的测量方法、装置和电子设备
CN111728607A (zh) * 2020-06-23 2020-10-02 北京脑陆科技有限公司 一种基于脑电波信号特征的眼部噪声去除方法
CN112244872A (zh) * 2020-09-28 2021-01-22 北京智源人工智能研究院 脑电图信号伪差识别、去除、评估方法、装置及电子设备
CN113712563A (zh) * 2020-05-12 2021-11-30 深圳市理邦精密仪器股份有限公司 动态心电图分析方法、心电监测设备以及存储介质
CN114469131A (zh) * 2021-12-13 2022-05-13 中国科学院深圳先进技术研究院 自适应实时心电信号质量评估方法
CN114557684A (zh) * 2022-02-22 2022-05-31 东南大学 一种腕表式脉搏心电同步采集显示装置
CN114886388A (zh) * 2022-07-12 2022-08-12 浙江普可医疗科技有限公司 一种麻醉深度监测过程中脑电信号质量的评估方法及装置
CN115153620A (zh) * 2022-07-04 2022-10-11 中北大学 基于mems技术的心音心电检测仪及其检测方法
WO2022236749A1 (zh) * 2021-05-12 2022-11-17 北京太阳电子科技有限公司 脑电波异常放电检测方法、装置、介质及设备
CN115429292A (zh) * 2021-06-02 2022-12-06 博睿康科技（常州）股份有限公司 基于频谱分析的脑电信号质量的检测装置及***
CN116473569A (zh) * 2023-05-05 2023-07-25 郑州大学第一附属医院 一种心电图数据处理方法、***及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103735259A (zh) * 2013-12-27 2014-04-23 深圳市理邦精密仪器股份有限公司 一种心电信号质量判断指示的方法及***
CN103735260A (zh) * 2013-12-27 2014-04-23 深圳市理邦精密仪器股份有限公司 一种心电导联波形显示的方法及***
US20160045117A1 (en) * 2014-08-14 2016-02-18 Nehemiah T. Liu Peak Detection System and Method for Calculation of Signal-Derived Metrics
CN108024750A (zh) * 2015-08-25 2018-05-11 皇家飞利浦有限公司 Ecg导联信号的高/低频信号质量评价
CN113712563A (zh) * 2020-05-12 2021-11-30 深圳市理邦精密仪器股份有限公司 动态心电图分析方法、心电监测设备以及存储介质
CN111671399A (zh) * 2020-06-18 2020-09-18 清华大学 噪声感知强度的测量方法、装置和电子设备
CN111728607A (zh) * 2020-06-23 2020-10-02 北京脑陆科技有限公司 一种基于脑电波信号特征的眼部噪声去除方法
CN112244872A (zh) * 2020-09-28 2021-01-22 北京智源人工智能研究院 脑电图信号伪差识别、去除、评估方法、装置及电子设备
WO2022236749A1 (zh) * 2021-05-12 2022-11-17 北京太阳电子科技有限公司 脑电波异常放电检测方法、装置、介质及设备
CN115429292A (zh) * 2021-06-02 2022-12-06 博睿康科技（常州）股份有限公司 基于频谱分析的脑电信号质量的检测装置及***
CN114469131A (zh) * 2021-12-13 2022-05-13 中国科学院深圳先进技术研究院 自适应实时心电信号质量评估方法
CN114557684A (zh) * 2022-02-22 2022-05-31 东南大学 一种腕表式脉搏心电同步采集显示装置
CN115153620A (zh) * 2022-07-04 2022-10-11 中北大学 基于mems技术的心音心电检测仪及其检测方法
CN114886388A (zh) * 2022-07-12 2022-08-12 浙江普可医疗科技有限公司 一种麻醉深度监测过程中脑电信号质量的评估方法及装置
CN116473569A (zh) * 2023-05-05 2023-07-25 郑州大学第一附属医院 一种心电图数据处理方法、***及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUIJUAN YANG 等: "Quality Assessment of EEG Signals based on Statistics of Signal Fluctuations", 《2014 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS》, pages 1853 - 1857 *
刘名顺: "脑电地形图及其临床应用", 《现代电生理学杂志》, vol. 15, no. 3, pages 173 - 187 *
王雯莹 等: "基于EMI硬化放大器的脑电信号采集***", 《计算机与数字工程》, vol. 46, no. 7, pages 1374 - 1379 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117746905A (zh) * 2024-02-18 2024-03-22 百鸟数据科技(北京)有限责任公司 基于时频持续性分析的人类活动影响评估方法及***
CN117746905B (zh) * 2024-02-18 2024-04-19 百鸟数据科技(北京)有限责任公司 基于时频持续性分析的人类活动影响评估方法及***

Also Published As

Publication number Publication date
CN116992219B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN110801237B (zh) 一种基于眼动和脑电特征的认知能力评估***
US4493539A (en) Method and apparatus for objective determination of visual contrast sensitivity functions
US7892189B2 (en) Movement analysis display apparatus and movement analyzing method
CN116992219B (zh) 基于噪声检测指标的信号质量表征单元、噪声源定位方法
US20060282008A1 (en) System and method for vision examination utilizing fault detection
CA2939437C (en) Method for automatically evaluating an absence eeg, computer program and evaluating device therefor
EP1216656B1 (en) Method and apparatus for estimating degree of neuronal impairment in brain cortex
KR20180116184A (ko) 자율신경 균형 및 조절능력의 평가 장치 및 그 제어 방법
KR20190059376A (ko) 뇌파를 통한 뇌 인지기능 평가 플랫폼 및 방법
CN111553617B (zh) 基于虚拟场景中认知力的操控工效分析方法、设备及***
CN113598790A (zh) 基于听觉刺激的意识障碍脑功能网络的意识评估方法
JP2007524448A (ja) 初期の緑内障を検出し、モニタする自動処置方法及び装置
CN113827246A (zh) 脑磁数据采集分析方法及***
CN115310804A (zh) 基于决策层融合的飞行员情境意识判别方法和***
CN112587136B (zh) 味觉感官评估方法和***
CN116509417B (zh) 基于神经相似性的消费者偏好一致性预测方法
CN116369853A (zh) 一种基于脑机交互技术的嗅觉功能标准化评估装置及方法
CN107296586A (zh) 视觉误差检测设备/方法及基于该设备的书写***/方法
KR102448271B1 (ko) 시각유발반응 측정 기반의 객관적 색각이상 검사 시스템
Sardjono et al. Comparative SNR Analysis Between Instrument ADAS1000 and AD620
JPH10276988A (ja) 眼振計の表示装置及びその表示方法
KR101994788B1 (ko) 광전용적맥파를 이용한 뇌혈관 질환 및 협착 분석 장치 및 방법
JPS61137540A (ja) 脳波の周波数・振幅分布地図作成表示装置
JPH06304157A (ja) 疲労に対する筋肉の耐性及び感度の判定方法
CN116898419A (zh) 一种人体组织生物电阻抗的检测***及检测方法

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