基于脑电特征的最小意识状态程度的评估方法与流程

1.本发明属于医疗诊断评估技术领域，具体涉及基于脑电特征的最小意识状态程度的评估方法。


背景技术：

2.相关研究提出根据行为学量表可以将病情复杂繁多的最小意识状态(mcs)进行进一步细分，具体为mcs 和mcs
‑
两种状态。行为学量表评估需要有经过专业训练的执业医师进行，且存有一定的误诊率。因此，辅助诊疗手段的发展，如神经电生理技术(脑电图eeg)，神经成像技术(功能核磁共振成像fmri,正电子发射断层拦描技术pet)等在意识障碍评估中已有广泛的应用。神经成像技术虽然在空间层面有较高的解析度，但却存有高成本，不便利性等问题，从而选择一种具有较低成本，且有利于连续追踪的辅助诊疗技术对患者意识状态的评估具有重大的应用意义。eeg作为反映大脑皮层功能变化的敏感指标，依靠其客观性、非侵入性、连续跟踪性和较高的时间分辨率,可以实现低成本，连续床边追踪检测的意识状态评估。与此同时，脑电信号作为一种高维混沌信号，利用其非线性动力学特征可以反映出大脑头皮表面的神经元是否兴奋或受到抑制，进一步反映大脑脑区的功能性变化。
3.目前针对意识障碍患者脑电特征的处理，大多选取单一的非线性动力学参数，如近似熵approximate entropy(apen)，样本熵sample entropy(sampen)和排列熵permutation entropy(peren)等进行评估，且评估的结果多是在全脑区的总体评估，而没有对不同脑区进行进一步地细分分析。这样的检测评估准确度较低，单一的特征参数存有一定的局限性，且不利于面对脑区受损情况不同的患者的状态评估，对临床的辅助诊疗来说无法起到较大的帮助。
4.因此，设计一种检测评估准确度高，能够进行多特征分析，有利于面对脑区受损情况不同的患者状态评估的基于脑电特征的最小意识状态程度的评估方法，就显得十分必要。
5.例如，申请号为cn201910150296.8所述的一种基于脑电信号的意识障碍诊断方法，具体包括以下步骤：s1、脑电信号的采集：首先医护人员可将脑电信号采集单元安装在诊断者的头部各位置，然后通过中央处理模块控制脑电信号采集单元对诊断者头部进行脑电信号采集，s2、脑电信号的去噪滤波处理。虽然大大提高检测评估的准确度和分析处理速度，实现对检测的脑电波进行滤波去噪处理，避免受到眼电伪迹和其他信号源的干扰，很好的达到了通过对提取的四个特征值分别同时进行分析处理的目的，实现了脑电检查完成后通过分析算法自动生成诊断分析表并自动进行打印，从而大大方便了医护人员的诊断工作，但不足之处在于，由于缺少分脑区处理过程，因此不利于对不同类型患者意识情况作出针对性评估，同时也由于缺少脑地形图的结果输出，无法直观地了解分析结果的变化。


技术实现要素：

6.本发明是为了克服现有技术中，现有针对意识障碍患者脑电特征的处理评估方
式，存在准确度较低，单一的特征参数存有一定的局限性，且不利于面对脑区受损情况不同的患者的状态评估，对临床的辅助诊疗来说无法起到较大帮助的问题，提供了一种检测评估准确度高，能够进行多特征分析，有利于面对脑区受损情况不同的患者状态评估的基于脑电特征的最小意识状态程度的评估方法。
7.为了达到上述发明目的，本发明采用以下技术方案：
8.基于脑电特征的最小意识状态程度的评估方法，包括以下步骤：
9.s1，脑电信号的采集：医护人员将脑电信号采集模块安装于患者的头部处，然后通过信号分析模块控制脑电信号采集模块进行脑电信号采集；
10.s2，脑电信号的预处理：利用脑电信号采集模块将采集到的脑电信号传递至信号分析模块，信号分析模块内的脑电信号预处理系统对采集到的脑电信号进行滤波去噪处理，再通过独立成分分析方法去除眼电、肌电和眼飘，得到所需的脑电信号；
11.s3，脑电信号特征的提取：步骤s2中预处理完成后的脑电信号数据传递至信号分析模块内的信号特征提取系统，所述信号特征提取系统根据所得脑电信号数据，分别计算脑电信号采集模块每个通道的非线性参数，并将结果传递至信号分析模块内的信号特征分析系统；
12.s4，脑电信号特征的分析：信号分析模块的信号特征分析系统将步骤s3中获得的脑电信号数据进行整合分析，根据脑电信号采集模块的分布情况，利用优化算法对于不同的脑区的数据进行针对性地分析；
13.s5，评估结果可视化：从所述信号特征分析系统中获得非线性参数整合分析结果，结合患者的临床评估结果，评估显示模块将结果显示出来，同时利用脑地形图将结果进一步可视化输出。
14.作为优选，所述非线性参数包括近似熵，样本熵和排列熵。
15.作为优选，所述脑电采集模块与信号分析模块实现双向连接，所述信号分析模块与评估显示模块实现双向连接。
16.作为优选，所述信号分析模块包括脑电信号预处理系统、信号特征提取系统和信号特征分析系统；所述脑电信号预处理系统与信号特征提取系统实现双向连接，所述信号特征提取系统与信号特征分析系统实现双向连接。
17.作为优选，步骤s4中所述优化算法包括如下步骤：
18.s41，获得来自信号特征提取系统计算所得的熵值结果；
19.s42，根据平均算法计算全脑区的熵值结果；
20.s43，根据脑电信号采集模块通道所处的脑区位置，各通道所占取的权重比，计算各脑区的熵值结果；
21.s44，输出患者病例的脑区分析结果。
22.作为优选，所述脑区包括额叶、颞叶和顶叶。
23.作为优选，步骤s5中，所述评估显示模块显示出结果包括患者全脑区与特定脑区的不同结果。
24.本发明与现有技术相比，有益效果是：(1)本发明采用多特征联合分析有利于避免单一特征分析的局限性；(2)本发明采用脑区数据的针对性分析有利于对不同类型患者意识情况的针对性评估；(3)本发明采用脑地形图的结果输出有利于直观地了解分析结果的
变化。
附图说明
25.图1为本发明基于脑电特征的最小意识状态程度的评估方法的一种流程图；
26.图2为本发明基于脑电特征的最小意识状态程度的评估方法的一种系统结构原理框图；
27.图3为本发明中信号分析模块的一种结构原理框图；
28.图4为本发明中优化算法的一种流程图；
29.图5为本发明基于脑电特征的最小意识状态程度的评估方法输出的静息状态下mcs 患者和mcs
‑
患者的近似熵apen、样本熵sampen和排列熵peren的一种eeg脑电地形结果图。
具体实施方式
30.为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
31.实施例1：
32.如图1所示的基于脑电特征的最小意识状态程度的评估方法，包括以下步骤：
33.s1，脑电信号的采集：医护人员将脑电信号采集模块安装于患者的头部处，然后通过信号分析模块控制脑电信号采集模块进行脑电信号采集；
34.s2，脑电信号的预处理：利用脑电信号采集模块将采集到的脑电信号传递至信号分析模块，信号分析模块内的脑电信号预处理系统对采集到的脑电信号进行滤波去噪处理，再通过独立成分分析方法去除眼电、肌电和眼飘，得到所需的脑电信号；
35.s3，脑电信号特征的提取：步骤s2中预处理完成后的脑电信号数据传递至信号分析模块内的信号特征提取系统，所述信号特征提取系统根据所得脑电信号数据，分别计算脑电信号采集模块每个通道的非线性参数，并将结果传递至信号分析模块内的信号特征分析系统；
36.s4，脑电信号特征的分析：信号分析模块的信号特征分析系统将步骤s3中获得的脑电信号数据进行整合分析，根据脑电信号采集模块的分布情况，利用优化算法对于不同的脑区的数据进行针对性地分析；
37.s5，评估结果可视化：从所述信号特征分析系统中获得非线性参数整合分析结果，结合患者的临床评估结果，评估显示模块将结果显示出来，同时利用脑地形图将结果进一步可视化输出。
38.其中，步骤s3中所述非线性参数包括近似熵，样本熵和排列熵。
39.所述近似熵计算方式如下：
40.1.确定时间序列{x(i),i＝1,2,
…
,n}
41.2.构造一个长度为m的窗口将时间序列划分为k＝n m
‑
1个子序列，并构造对应的向量空间：
42.x
m
(i)＝[x(i),x(i 1),
…
,x(i m
‑
1)],i＝1,
…
,n
‑
m 1
[0043]
3.在向量空间中，定义每个向量x
m
(i)到除自身之外的向量x
m
(j)的距离为
[0044][0045]
4.设相似容差距离为r，计算满足的向量c
m
(i)的个数，并计算其概率分布
[0046][0047]
5.计算其对数平均值ψ
m
(r)，将窗口长度增加到m 1，重复以上步骤，重新计算ψ
m 1
(r)
[0048][0049]
6.计算近似熵apen的值：
[0050]
apen(m,r,n)＝ψ
m
(r)
‑
ψ
m 1
(r)
[0051]
所述样本熵计算方式如下：
[0052]
1.使用与apen相同的步骤获取值ψ
m
(r)
[0053][0054]
2.将窗口长度增加到m 1，重复以上步骤(近似熵算法的步骤1至4)，重新计算ψ
m 1
(r)
[0055]
3.计算样本熵sampen的值：
[0056]
sampen(r,m,n)＝ln(ψ
m 1
(r)/ψ
m
(r))
[0057]
所述排列熵计算方式如下：
[0058]
1.将具有滞后时间τ的长度为n的时间序列x(n)的相空间重构为m维向量：
[0059]
x
m
(i)＝[x(i),x(i τ),
…
,x(i (m
‑
1)τ)],i＝1,
…
,n
‑
(m
‑
1)τ
[0060]
2.通过比较相空间各分量的值，按照值的大小将它们升序排列：
[0061]
x[i (j1‑
1)τ]≤x[i (j2‑
1)τ]≤
…
≤x[i (j
m
‑
1)τ]
[0062]
3.有m！种不同符号序列(j1,j2,
…
,j
m
)在m维相空间的映射中，计算每个符号序列的概率p1,p2,
…
,p
k
，得到k个不同符号序列的排列熵时间序列x(i)可以定义为：
[0063][0064]
进一步的，在步骤s1过程中，脑电图信号的采样频率为256hz，采集时间持续5分钟以上。
[0065]
进一步的，如图2所示，所述脑电采集模块与信号分析模块实现双向连接，所述信
号分析模块与评估显示模块实现双向连接。
[0066]
进一步的，如图3所示，所述信号分析模块包括脑电信号预处理系统、信号特征提取系统和信号特征分析系统；所述脑电信号预处理系统与信号特征提取系统实现双向连接，所述信号特征提取系统与信号特征分析系统实现双向连接。
[0067]
进一步的，如图4所示，步骤s4中所述优化算法包括如下步骤：
[0068]
s41，获得来自信号特征提取系统计算所得的熵值结果；
[0069]
s42，根据平均算法计算全脑区的熵值结果；
[0070]
s43，根据脑电信号采集模块通道所处的脑区位置，各通道所占取的权重比，计算各脑区的熵值结果；
[0071]
s44，输出患者病例的脑区分析结果。
[0072]
其中，所述脑区包括额叶、颞叶和顶叶；所述熵值结果包括近似熵、样本熵和排列熵。
[0073]
进一步的，步骤s5中，所述评估显示模块显示出结果包括患者全脑区与特定脑区的不同结果。
[0074]
通过本发明步骤，最终得到如图5所示的可视化结果展示：
[0075]
静息状态下mcs 患者和mcs
‑
患者的近似熵apen(上图)、样本熵sampen(中图)和排列熵peren(下图)的结果如图5所示。颜色的深浅反映了大脑区域的熵值大小和活跃水平，颜色越深代表该处区域的熵值越大，脑功能活跃程度越高。
[0076]
本发明采用多特征联合分析有利于避免单一特征分析的局限性；本发明采用脑区数据的针对性分析有利于对不同类型患者意识情况的针对性评估；本发明采用脑地形图的结果输出有利于直观地了解分析结果的变化。
[0077]
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。