专利详情

标题一种脑状态稳定特征的检测方法
[标]当前申请(专利权)人南开大学 | 天津市环湖医院
申请日2022年6月22日
申请号CN202210708345.7
公开(公告)日2024年7月16日
公开(公告)号CN115153531B
授权日2024年7月16日
法律状态/事件授权
专利类型授权发明
发明人于宁波 | 巫嘉陵 | 韩建达 | 朱志中 | 王金 | 于洋 | 卢杰威
受理局中国
当前申请人(专利权)地址300071 天津市南开区卫津路94号 (天津,天津,南开区)
IPC分类号A61B5/1455 | G06F18/10 | G06F18/23
国民经济行业分类号C4040 | C3479 | C4024 | C3585 | C3961 | C3584 | C3581
代理机构天津盛理知识产权代理有限公司
代理人王利文

摘要

本发明涉及一种脑状态稳定特征的检测方法,其技术特点是:建立检测脑状态稳定特征的测试范式;测试人员佩戴功能近红外探头并按照测试范式进行测试,收集测试人员在进行步态任务时的脑信号,并对收集的脑信号进行预处理;利用滑动窗对预处理的信号进行划分,对每个滑动窗内的信号进行功能连通性的构建,得到连通性矩阵:对所有连通性矩阵进行聚类;计算得到脑状态稳定特征,该脑状态稳定特征包括步行任务中状态的方差和变异系数。本发明设计合理,能够准确检测得到脑状态稳定特征,有效地揭示了大脑的运行机制,具有快速准确、使用方便等特点,可广泛应用于驾驶员疲劳检测、脑机接口等领域。

1.一种脑状态稳定特征的检测方法,其特征在于:包括以下步骤: 步骤1、建立检测脑状态稳定特征的测试范式; 步骤2、测试人员佩戴功能近红外探头并按照步骤1建立的测试范式进行测试,收集测试人员在进行步态任务时的脑信号,并对收集的脑信号进行预处理; 步骤3、利用滑动窗对预处理的信号进行划分,对每个滑动窗内的信号进行功能连通性的构建,得到连通性矩阵: 步骤4、对所有连通性矩阵进行聚类; 步骤5、计算得到脑状态稳定特征,该脑状态稳定特征包括步行任务中状态的方差和变异系数。 2.根据权利要求1所述的一种脑状态稳定特征的检测方法,其特征在于:所述步骤1建立的测试范式包括如下内容: ⑴测试人员站立35秒; ⑵测试人员按照正常的步行速度行走一分钟; ⑶测试人员休息2分钟。 3.根据权利要求1所述的一种脑状态稳定特征的检测方法,其特征在于:所述步骤2对收集到的脑信号进行预处理的方法包括: ⑴利用修正的朗伯比尔定律将收集的光强信号转换成含氧血红蛋白的浓度变化; ⑵利用0.01-0.2Hz的带通滤波器去噪; ⑶利用滑动窗技术去除信号的伪迹: ⑷提取步态任务时的数据并以步行任务前5秒的信号为基线进行校正。 4.根据权利要求1所述的一种脑状态稳定特征的检测方法,其特征在于:所述步骤3的具体实现方法为:首先设置滑动窗的大小及步长,然后计算每两个通道信号之间的皮尔逊相关系数: 其中,xi和xj表示第i和j通道的信号,m表示信号xi的长度,表示信号xi的均值; 最后,建立连通性矩阵: 其中,N是通道的总数目。 5.根据权利要求4所述的一种脑状态稳定特征的检测方法,其特征在于:所述滑动窗的大小设置为20秒,所述步长设置为1秒。 6.根据权利要求1所述的一种脑状态稳定特征的检测方法,其特征在于:所述步骤4的具体实现方法为:计算类别数从1到10的类间距离,并利用肘方法确定最佳的类别数;根据最佳的类别数,得到每个类别的聚类中心,每个聚类中心代表一个脑状态,并以聚类中心来确定每个时刻脑功能连接网络所处的状态。 7.根据权利要求1所述的一种脑状态稳定特征的检测方法,其特征在于:所述步骤4的具体实现方法为:所述步骤5按照下式计算方差SSD和变异系数SCV: 其中,T是步行时生成的窗口的数目,S(t)表示t时刻的脑状态,表示脑状态的均值。

技术领域 [0001]本发明属于信号检测技术领域,涉及脑信号检测,尤其是一种脑状态稳定特征的检测方法。 背景技术 [0002]随着脑成像技术的飞速发展,脑信号分析和检测受到了越来越多人的关注和重视。现有的脑信号采集技术主要包括包括脑电测量、功能核磁、正电子放射断层造影术等。然而,功能核磁和正电子放射断层造影术很难收集人进行运动任务时的大脑变化,脑电测量则准备过程繁杂,需要较长的准备时间。 [0003]近些年,越来越多的研究人员利用功能近红外对脑信号进行分析和研究。由于功能近红外准备时间较短,并且具有较强的抗运动干扰能力,能够有效收集进行运动任务时大脑的功能变化,因此收到了研究人员的青睐。 [0004]在功能近红外的研究当中,最常使用的特征包括时域特征、频域特征、图特征和相位特征,然而这些特征并没有考虑大脑状态的稳定。研究表明,脑状态能够描述某个时刻大脑信息的交流,脑状态会随着时间而发生变化,通过大脑状态在某段时间内的变化能够揭示大脑运行的机制,可用于驾驶员疲劳检测、脑机接口等领域。 [0005]综上所述,如何准确检测脑状态稳定特征是目前迫切需要解决的问题。 发明内容 [0006]本发明的目的在于克服现有技术的不足,提供一种设计合理、快速准确且使用方便的脑状态稳定特征的检测方法。 [0007]本发明解决现有的技术问题是采取以下技术方案实现的: [0008]一种脑状态稳定特征的检测方法,包括以下步骤: [0009]步骤1、建立检测脑状态稳定特征的测试范式; [0010]步骤2、测试人员佩戴功能近红外探头并按照步骤1建立的测试范式进行测试,收集测试人员在进行步态任务时的脑信号,并对收集的脑信号进行预处理; [0011]步骤3、利用滑动窗对预处理的信号进行划分,对每个滑动窗内的信号进行功能连通性的构建,得到连通性矩阵: [0012]步骤4、对所有连通性矩阵进行聚类; [0013]步骤5、计算得到脑状态稳定特征,该脑状态稳定特征包括步行任务中状态的方差和变异系数。 [0014]进一步,所述步骤1建立的测试范式包括如下内容: [0015]⑴测试人员站立35秒; [0016]⑵测试人员按照正常的步行速度行走一分钟; [0017]⑶测试人员休息2分钟。 [0018]进一步,所述步骤2对收集到的脑信号进行预处理的方法包括: [0019]⑴利用修正的朗伯比尔定律将收集的光强信号转换成含氧血红蛋白的浓度变化; [0020]⑵利用0.01-0.2Hz的帯通滤波器去噪; [0021]⑶利用滑动窗技术去除信号的伪迹: [0022]⑷提取步态任务时的数据并以步行任务前5秒的信号为基线进行校正。 [0023]进一步,所述步骤3的具体实现方法为:首先设置滑动窗的大小及步长,然后计算每两个通道信号之间的皮尔逊相关系数: [0024] [0025]其中,xi和xj表示第i和j通道的信号,m表示信号xi的长度,表示信号xi的均值; [0026]最后,建立连通性矩阵: [0027] [0028]其中,N是通道的总数目。 [0029]进一步,所述滑动窗的大小设置为20秒,所述步长设置为1秒。 [0030]进一步,所述步骤4的具体实现方法为:计算类别数从1到10的类间距离,并利用肘方法确定最佳的类别数;根据最佳的类别数,得到每个类别的聚类中心,每个聚类中心代表一个脑状态,并以聚类中心来确定每个时刻脑功能连接网络所处的状态。 [0031]进一步,所述步骤4的具体实现方法为:所述步骤5按照下式计算方差SSD和变异系数SCV: [0032] [0033] [0034]其中,T是步行时生成的窗口的数目,S(t)表示t时刻的脑状态,表示脑状态的均值。 [0035]本发明的优点和积极效果是: [0036]本发明设计合理,其利用功能近红外测量人进行步态任务时大脑的信号,对收集的信号进行预处理,划分多个等长的时间窗,构建每个时间窗的功能连通矩阵,对所有的功能连通矩阵进行聚类,得到每个时刻脑功能网络所代表的脑状态,计算任务时间内脑的方差的变异系数,进而得到脑状态稳定特征,有效地揭示了大脑的运行机制,具有快速准确、使用方便等特点,可广泛应用于驾驶员疲劳检测、脑机接口等领域。 附图说明 [0037]图1是本发明的处理流程图。 具体实施方式 [0038]以下结合附图对本发明实施例做进一步详述。 [0039]一种脑状态稳定特征的检测方法,如图1所示,包括以下步骤: [0040]步骤1、建立检测脑状态稳定特征的测试范式,该测试范式的具体流程如下: [0041]⑴测试人员站立35秒。 [0042]⑵测试人员按照正常的步行速度行走一分钟。 [0043]⑶测试人员休息2分钟。 [0044]步骤2、测试人员佩戴功能近红外探头并保证功能近红外的探头贴近于需要测量的脑区,按照步骤1建立的测试范式进行测试,收集测试人员在进行步态任务时的脑信号,并对收集的脑信号进行预处理。 [0045]在本步骤中,对收集到的脑信号需要进行预处理,预处理方法包括光强转换、生理噪声去除、伪迹去除和基线校正,具体预处理方法如下: [0046]⑴利用修正的朗伯比尔定律将收集的光强信号转换成含氧血红蛋白的浓度变化,完成光强转换处理。 [0047]⑵利用0.01-0.2Hz的帯通滤波器去噪,完成生理噪声去除处理。 [0048]⑶利用滑动窗技术去除信号的伪迹。 [0049]⑷提取步态任务时的数据并以步行任务前5秒的信号为基线进行校正。 [0050]步骤3、利用滑动窗对预处理的信号进行划分,滑动窗的大小设置为20秒,步长设置为1秒。对每个滑动窗内的信号进行功能连通性的构建,具体方法为:计算每两个通道信号的皮尔逊相关系数: [0051] [0052]其中,xi和xj表示第i和j通道的信号,m表示信号xi的长度,表示信号xi的均值。 [0053]按上式计算每两个通道之间的系数,并构建连通性矩阵: [0054] [0055]其中,N是通道的总数目。 [0056]步骤4、对所有连通性矩阵进行聚类。 [0057]在本步骤中,为了确定最优的聚类数目,计算类别数从1到10的类间距离,并利用肘方法确定最佳的类别数。确认好最佳的类别数,得到每个类别的聚类中心,每个聚类中心代表一个脑状态,以聚类中心来确定每个时刻脑功能连接网络所处的状态。 [0058]步骤5、计算得到脑状态稳定特征,包括步行任务中状态的方差SSD和变异系数SCV: [0059] [0060] [0061]其中,T是步行时生成的窗口的数目,S(t)表示某个时刻的脑状态,表示脑状态的均值。方差SSD和变异系数SCV用于衡量脑状态的稳定度,值越小脑状态的稳定度越低。 [0062]通过以上步骤即可实现脑状态稳定特征的检测功能,该脑状态稳定特征能够揭示大脑的运行机制,具有广泛的应用领域,如: [0063]脑机接口:脑状态稳定特征能够描述大脑状态的稳定度,当脑状态的稳定度较低时,代表存在某个意图和激活,通过识别这个意图加强脑部信号和机器之间的交流。 [0064]疲劳检测:当人脑处理疲劳时,脑状态的稳定度会降低,进而警告驾驶员,防止疲劳导致的交通事故。 [0065]需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。