一种基于脑电图谱的阿尔兹海默症治疗效果量化评估方法与流程

1.本发明属于图像处理领域，具体涉及一种基于脑电图谱的阿尔兹海默症治疗效果量化评估方法。


背景技术：

2.阿尔兹海默症(alzheimer’s disease,ad)是一种病人表现出记忆力下降为突出、认知功能减低、伴有情绪人格改变的老年常发疾病，随着病状的加深，患病群体的发病率与致死率会随之增加。目前针对该疾病的诊断已经有了成熟的技术，可以通过多种手段在病患处于疾病发生的前期获得精准诊断，并施与一定的手段对该疾病进行干预与治疗。
3.但大脑本身是一种极为复杂的神经性器官，其内部包含纷繁复杂的神经组织一起协同并行工作，当其出现疾病的过程中，病灶产生处脑区出现功能退行性下降，其他区域会出现代偿性补充，使得病灶功能性退行现象被掩盖，且在经过干预与治疗后，病灶处的恢复可能会带来其他代偿性脑区功能的下降，对数据分析者带来一定的干扰，故单一维度的数据分析无法满足患有脑神经性疾病群体，尤其是大脑本身处于退行的老年人群体在治疗过程中的康复量化。
4.eeg是一种通过在大脑表皮层放置电极，记录大脑生理电活动的脑信息采集方式，能够提供具有极高的时间分辨率的数据。在eeg数据中包含多种复杂的成分，不同成分是不同脑功能的生理电活动映射，出现神经退行的疾病人群在eeg中会在各方面出现显著的变化，是神经退行性疾病的评估具有显著性帮助。大脑静息态下的eeg包含多种频段的成分，其中ad患者在α与β频段的能量占比会出现一定的下降，而δ与θ频段的能量占比则会相对上升，两类成分的变化通过协同计算会有显著性变化，是ad诊断与治疗中重要的评估参数之一。
5.在任务态中，大脑整体会发生协同性工作，出现神经退行性疾病的群体在此过程中，eeg数据整体区间会出现显著性变化，退行性脑区的生理电活动成分出现改变，对退行性脑区功能进行代偿的脑区同样会出现成分改变，单一成分的分析并不能有效评估任务态下ad患者eeg数据，故对eeg整体数据的分析可能获得更高的有效性。


技术实现要素：

6.本发明面向ad疾病的治疗效果难以量化的问题，基于eeg数据构建了一种面向ad疾病治疗效果的量化评估方法，融合对被试静息态下eeg中多种因神经性退行出现变化的脑生理电活动成分的量化评估与被试任务态下eeg整体的变化两个模块的数据评估对ad疾病的治疗效果进行量化，对ad疾病的治疗带来一定的辅助与指导作用。具体包括：
7.步骤1：eeg数据预处理：
8.(1-1)进行入组筛选，获取ad患者治疗前后与健康对照组的静息态与务态eeg数据；
9.(1-2)将获取的数据通过matlab工具包eeglab做预处理；
10.步骤2：静息态eeg评估
11.(2-1)设计α与β频段滤波器，将静息态eeg数据送入滤波器，筛选ad患者与健康对照组的eeg能量占比降幅成分；
12.(2-2)计算ad患者治疗前后的能量相对健康对照组的降幅占比绝对差值；
13.(2-3)构建δ与θ频段滤波器，将静息态eeg数据送入滤波器，筛选ad患者与健康对照组的eeg能量占比升幅成分；
14.(2-4)计算ad患者治疗前后的能量相对健康对照组的升幅占比绝对差值；
15.(2-5)根据(2-2)获得的结果，计算其在健康对照组能量的占比，并以2:1的权重比相加，得到能量降幅评估结果；
16.(2-6)根据(2-4)获得的结果，计算其在健康对照组能量的占比，并以1:1的权重比相加，得到能量升幅评估结果；
17.(2-7)根据(2-5)与(2-6)获得的ad患者静息态eeg能量降幅与升幅变化评估结果，以1:1的模式相加，获得静息态治疗评估结果；
18.步骤3：任务态eeg评估
19.(3-1)以设定间隔为长度，对任务态图像再认识别任务下的eeg数据进行叠加平均，获得叠加平均数据；
20.(3-2)以1ms为单位，计算eeg数据的平均数据波动率；
21.(3-3)计算治疗前后ad患者的eeg数据波动率与健康对照的绝对差值；
22.(3-4)计算(3-3)中ad患者治疗前后数值的绝对差值波动在健康对照组的占比距离，得到波动率评估结果；
23.(3-5)定位健康对照组数据中正向电位峰值与负向电位峰值的采样点；
24.(3-6)并以(3-5)得到的采样点为中心，前后以固定间隔为窗框对窗内数据叠加平均，得到健康对照任务态中正向与负向峰值变化；
25.(3-7)根据(3-5)获得的采样点位置，计算ad患者治疗前后的正向和负向峰值变化，得到ad患者治疗前后的任务态中正向与负向峰值变化；
26.(3-8)计算ad患者治疗前后正向与负向峰值叠加结果与健康对照组的绝对差异；
27.(3-9)计算(3-8)中得到的治疗前后的绝对差异在健康对照组峰值中的占比距离，并以1:1的权重分配，得到峰值评估结果；
28.(3-10)对(3-4)与(3-9)获得的结果以1:1的模式进行权值相加，获得任务态治疗评估结果；
29.步骤4治疗效果评估
30.以3:2为权重融合静息态和任务态治疗评估结果的评分，得出最终治疗效果量化评估结果。
31.本发明的有益效果在于：
32.本发明为ad疾病临床治疗中的治疗效果进行量化评估，为ad疾病的准确性治疗带来了一定的指导与辅助作用。
具体实施方式
33.下面结合具体实施方式对本发明做进一步描述，以便本领域的技术人员更好地理
解本发明。需要注意的是，以下描述仅仅用于解释本发明，并不用于限定本发明。
34.本发明的一种基于脑电图谱的阿尔兹海默症治疗评估方法，包括以下步骤：
35.步骤1：构建eeg数据
36.(1)综合评估临床被试ad患者和健康人群各项生化指标，精准选取ad病患与健康对照者，这是治疗效果高质量评估的数据基础。
37.(2)采集ad病患治疗前后以及健康对照组的静息态eeg数据x
ri
，i取值1，2，3，分别表示ad病患治疗前、治疗后和健康对照组，其中x
ri
(x
ri1
,x
ri2
,x
ri3
......x
rij
......x
rin
)代表每组数据中n位被试者的数据，如x
rij
代表第i组静息态eeg数据中第j位被试的实验数据。
38.(3)设计标准ad检测“图像再认”eeg实验，采集ad病患治疗前后以及健康对照组的任务态eeg数据x
ti
，其中x
ti
(x
ti1
,x
ti2
,x
ti3
......x
tij
......x
tin
)代表每组数据中n位被试者的数据,如x
tij
代表第i组任务态eeg数据中第j位被试的实验数据。
39.(4)eeg数据预处理：基于matlab工具包eeglab对两类数据以相同的标准进行预处理：0.1以下的低频滤波、全脑平均重参考、通道数据检查、独立成分分解以及噪声成分去除等。
40.步骤2：静息态eeg评估
41.(1)设计两个频带的滤波器，将数据x
ri
输入分别获得eeg数据的α与β波段数据m
ri
与n
ri
；
42.(2)计算健康对照组与ad患者治疗前后的α与β波段的能量占比p
ri
与q
ri
，分别为p
ri
＝10
·
log
10mri2
/10
·
log
10
x
ri2
和q
ri
＝10
·
log
10nri2
/10
·
log
10
x
ri2
；
43.(3)计算健康对照组与治疗前ad患者的α与β波段能量差异：tp1＝p
r3-p
r1
与tp2＝q
r3-q
r1
；
44.(4)计算健康对照组与治疗后ad患者α与β波段能量差异：tp1'＝p
r3-p
r2
与tp
′2＝q
r3-q
r2
；
45.(5)设计δ(0.5hz-3hz)、θ(3.5hz-7.5hz)两个频带的滤波器，将数据x
ri
输入分别获得eeg数据δ与θ波段数据m
′
ri
与n
′
ri
；
46.(6)计算健康对照组与ad患者治疗前后的δ与θ波段的能量占比p
′
ri
与q
′
ri
,分别为p
′
ri
＝10
·
log
10m′
ri2
/10
·
log
10
x
ri2
与q
′
ri
＝10
·
log
10n′
ri2
/10
·
log
10
x
ri2
；
47.(7)计算健康对照组与ad患者δ与θ波段能量差异tp3＝p
′
r3-p
′
r1
与tp4＝q
′
r3-q
′
r1
；
48.(8)计算健康对照组与治疗后ad患者δ与θ波段能量差异tp3'＝p
′
r3-p
′
r2
与tp
′4＝q
′
r3-q
′
r2
；
49.(9)基于静息态eeg数据的治疗效果的量化评估结果：
50.y1＝0.5((2/3)*(1-(tp
′
1-tp1)/p
r3
) (1/3)*(1-(tp
′
2-tp2)/q
r3
))
51. 0.5(0.5(1-(tp1'-tp1)/p
r3
) 0.5(1-(tp
4-tp4')/q
r3
))
52.步骤3：任务态eeg评估
53.(1)将三组任务态eeg数据x
ti
，u＝1，2，3，表示ad患者治疗前、治疗后和健康对照组，以500ms采样点为时间窗，对任务态eeg数据进行叠加平均，获得采样点为500的叠加平均数据x
′
ti
；
54.(2)选取叠加平均数据x
′
ti
，计算其数据波动率ji(j
i1
,j
i2
,j
i3
......j
in
)，
其中n代表第n位被试者，k代表采样点所在位置；
55.(3)计算ad患者治疗前后，在过程中eeg的波动率变化与健康对照组的差异j
′1与j
′2,其中j
′1＝abs(j
3-j1)，j'2＝abs(j
3-j2)，abs代表绝对值；
56.(4)选取健康对照组的叠加平均数据x
′
t3
最大值所在采样点位置l
t
，并选取该点前后各5个点叠加平均得到o3；
57.(5)选取ad患者治疗前后数据x
′
t1
与x
′
t2
在位置l
t
处，采样点以及其前后5个点叠加平均得到o1与o2，得到正向峰值变化；
58.(6)计算ad被试者治疗前后，在任务过程中eeg的正向峰值变化与健康对照的差异o1‘
与o
′2，其中o
′1＝abs(o
3-o1)，o'2＝abs(o
3-o2)；
59.(7)选取健康对照组的叠加平均数据x
′
t3
最小值所在采样点位置l
′
t
，并选取该点前后各5个点叠加平均得到u3；
60.(8)选取ad被试治疗前后数据x
′
t1
与x
′
t2
在位置l'
t
处，采样点以及其前后5个点叠加平均得到u1与u2，得到负向峰值变化；
61.(9)计算ad被试治疗前后，在任务过程中eeg的负向峰值变化与健康对照的差异u
′1与u'2，其中u
′1＝abs(u
3-u1)，u'2＝abs(u
3-u2)；
62.(10)基于任务态数据的治疗效果量化评估：
63.y2＝(2/3)*(1-abs(j'
2-j
′1)/j3)
64.(1/3)*(0.5(1-abs(o'
2-o
′1)/o3) 0.5(1-abs(u'
2-u
′1)/u3))
65.步骤4治疗效果量化评估
66.联合静息态与任务太eeg评估结果y1和y2，输出治疗评估得分z＝0.6*y1 0.4*y2。
67.以上内容对本发明所进行了详细的介绍，但是具体实施方式的描述仅用于解释本发明的方法及其核心思想，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。