一種腦電混沌特性分析的方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及腦電信號(hào)處理技術(shù)領(lǐng)域，尤其涉及一種腦電混沌特性分析的方法及系 統(tǒng)。
【背景技術(shù)】
[0002] 腦電信號(hào)具有時(shí)變非線性特征，時(shí)域的非線性分析是腦電信號(hào)處理的重要方面， 包括相關(guān)維數(shù)、李雅普諾夫指數(shù)、小波熵、近似熵、多尺度熵等都是目前比較常見的方法。
[0003] 振幅和周期是表達(dá)波形振動(dòng)的兩個(gè)重要變量，但因?yàn)槟X電波形的振幅和周期的不 規(guī)則變化，振動(dòng)的起點(diǎn)和終點(diǎn)并不明確，所以很難確定腦電信號(hào)單次振動(dòng)的振幅和周期，因 此現(xiàn)有的腦電的非線性處理方法一般只對(duì)信號(hào)的采樣點(diǎn)序列進(jìn)行分析，而一些提取振幅、 周期分析的方法通常只針對(duì)振幅、周期中的一個(gè)特性，而沒有對(duì)振幅、周期的組合特性進(jìn)行 分析。因?yàn)樾盘?hào)振動(dòng)間的差異可能是振幅、周期等特征的綜合結(jié)果，單一對(duì)振幅、周期進(jìn)行 分析的方法可能不能很好地識(shí)別振動(dòng)間的相似和差異，對(duì)腦電的分析造成了一定局限。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)不能很好地識(shí)別振動(dòng)間的相似和差異，對(duì)腦電的分析造成了一定局 限的缺陷，本發(fā)明提供了一種腦電混沌特性的分析方法及系統(tǒng)。
[0005] 第一方面，本發(fā)明提供了一種腦電混沌特性的分析方法，該方法包括：
[0006] 對(duì)腦電信號(hào)進(jìn)行濾波，并將濾波后的腦電信號(hào)分解為若干個(gè)子頻段信號(hào)；
[0007] 提取各子頻段信號(hào)的極值點(diǎn)和所述極值點(diǎn)對(duì)應(yīng)的時(shí)間點(diǎn)，并根據(jù)所述極值點(diǎn)和所 述時(shí)間點(diǎn)，生成單調(diào)振幅序列及單調(diào)周期序列；
[0008] 將所述單調(diào)振幅序列和單調(diào)周期序列組成向量序列，并對(duì)所述向量序列進(jìn)行偽跡 去除；
[0009] 從單調(diào)振幅和單調(diào)周期的兩個(gè)維度將所述向量序列分為若干個(gè)子區(qū)間，獲得每個(gè) 向量分布在每個(gè)子區(qū)間的概率，并根據(jù)所述概率，獲得所述腦電信號(hào)的振動(dòng)熵；
[0010] 根據(jù)所述腦電信號(hào)的振動(dòng)熵，分析所述腦電信號(hào)的混沌程度。
[0011] 優(yōu)選地，該方法還包括：
[0012] 根據(jù)選取的正半周期正弦子波的振幅和周期，生成多個(gè)正半周期正弦子波；
[0013] 根據(jù)選取的負(fù)半周期正弦子波的振幅和周期，生成多個(gè)負(fù)半周期正弦子波；
[0014] 將所述正半周期正弦子波和負(fù)半周期正弦子波按一定順序交替排列，獲得所述腦 電信號(hào)的連續(xù)振動(dòng)波形。
[0015] 優(yōu)選地，所述提取各子頻段信號(hào)的極值點(diǎn)和所述極值點(diǎn)對(duì)應(yīng)的時(shí)間點(diǎn)，并根據(jù)所 述極值點(diǎn)和所述時(shí)間點(diǎn)，生成單調(diào)振幅序列及單調(diào)周期序列，包括：
[0016] 提取各子頻段信號(hào)的極值點(diǎn)和所述極值點(diǎn)對(duì)應(yīng)的時(shí)間點(diǎn)，生成極值序列P= {p(i)}，時(shí)間點(diǎn)序列T={t(i)}，其中，i= 1，2, 3,…，n;
[0017] 生成序列X= {0，p(i)}，Y= {p(i)，0}，令Z=Y-X，去除序列Z的首項(xiàng)和尾項(xiàng)，對(duì) Z中各項(xiàng)取絕對(duì)值，生成單調(diào)振幅序列A= {a(j)};
[0018] 生成序列L= {0，t(i)}，M= {t(i)，0}，令N=M-L，去除序列N的首項(xiàng)和尾項(xiàng)，生 成單調(diào)周期序列B= {b(j)}，其中j= 1，2, 3,…，n-1。
[0019] 優(yōu)選地，所述將所述單調(diào)振幅序列和單調(diào)周期序列組成向量序列，并對(duì)所述向量 序列進(jìn)行偽跡去除，包括：
[0020] 獲得單調(diào)振幅序列A的數(shù)據(jù)下限ad=aQ1-l. 5X(aQ3-aQ1)，數(shù)據(jù)上限au= aQ3+l. 5X(aQ3_aQ1)，標(biāo)記序列A中小于ad或大于au的數(shù)據(jù)；其中，aQ1為序列A的第一四分 位數(shù)，aQ3為序列A的第三四分位數(shù)；
[0021] 獲得單調(diào)周期序列B的數(shù)據(jù)下限bd=bQ1_l. 5X(bQ3_bQ1)，數(shù)據(jù)上限bu= bQ3+l. 5X(bQ3-bQ1)，標(biāo)記序列B中小于bd或大于bu的數(shù)據(jù)；其中，bQ1為序列B的第一四分 位數(shù)，bQ3為序列B的第三四分位數(shù)；
[0022] 將單調(diào)振幅序列A和單調(diào)周期序列B組成向量序列0 ={(a(j)，b(j))}，去除0中 包含被標(biāo)記數(shù)據(jù)的向量，生成向量序列Q= {(a(k)，b(k))}，$As= {a(k)}，Bs= {b(k)}， 其中k= 1，2, 3,…，m，m為小于等于n-1的值。
[0023] 優(yōu)選地，所述從單調(diào)振幅和單調(diào)周期的兩個(gè)維度將所述向量序列分為若干個(gè)子區(qū) 間，獲得每個(gè)向量分布在每個(gè)子區(qū)間的概率，并根據(jù)所述概率，獲得所述腦電信號(hào)的振動(dòng) 摘，包括：
[0024] 獲得^的最大值amax和最小值amin，及氏的最大值bmax和最小值bmin，以amax為上 界amin為下界將As區(qū)域等分為n4個(gè)子區(qū)間，區(qū)間邊界集合為L(zhǎng)A;
[0025] 以b_為上界bmin為下界將Bs區(qū)域等分為n 子區(qū)間，區(qū)間邊界集合為L(zhǎng)B，以La 和Lb為邊界將序列Q的空間均分為ns=nAXnB個(gè)子區(qū)間；
[0026] 求序列Q分布在每個(gè)子區(qū)間中的向量個(gè)數(shù)U= {u(h)}，其中h= 1，2, 3,…，ns;
[0027] 求每個(gè)向量分布在每個(gè)子區(qū)間的概率P=U/m= {P(v)}，其中v= 1，2, 3,…，ns;
[0028] 根據(jù)下式計(jì)算得到波形的振動(dòng)熵：
【主權(quán)項(xiàng)】
1. 一種腦電混濁特性的分析方法，其特征在于，該方法包括： 對(duì)腦電信號(hào)進(jìn)行濾波，并將濾波后的腦電信號(hào)分解為若干個(gè)子頻段信號(hào)； 提取各子頻段信號(hào)的極值點(diǎn)和所述極值點(diǎn)對(duì)應(yīng)的時(shí)間點(diǎn)，并根據(jù)所述極值點(diǎn)和所述時(shí) 間點(diǎn)，生成單調(diào)振幅序列及單調(diào)周期序列； 將所述單調(diào)振幅序列和單調(diào)周期序列組成向量序列，并對(duì)所述向量序列進(jìn)行偽跡去 除； 從單調(diào)振幅和單調(diào)周期的兩個(gè)維度將所述向量序列分為若干個(gè)子區(qū)間，獲得向量分布 在每個(gè)子區(qū)間的概率，并根據(jù)所述概率，獲得所述腦電信號(hào)的振動(dòng)滴； 根據(jù)所述腦電信號(hào)的振動(dòng)滴，分析所述腦電信號(hào)的混濁程度。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，該方法還包括： 根據(jù)選取的正半周期正弦子波的振幅和周期，生成多個(gè)正半周期正弦子波； 根據(jù)選取的負(fù)半周期正弦子波的振幅和周期，生成多個(gè)負(fù)半周期正弦子波； 將所述正半周期正弦子波和負(fù)半周期正弦子波按一定順序交替排列，獲得所述腦電信 號(hào)的連續(xù)振動(dòng)波形。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述提取各子頻段信號(hào)的極值點(diǎn)和所述 極值點(diǎn)對(duì)應(yīng)的時(shí)間點(diǎn)，并根據(jù)所述極值點(diǎn)和所述時(shí)間點(diǎn)，生成單調(diào)振幅序列及單調(diào)周期序 列，包括： 提取各子頻段信號(hào)的極值點(diǎn)和所述極值點(diǎn)對(duì)應(yīng)的時(shí)間點(diǎn)，生成極值序列P={p(i)}， 時(shí)間點(diǎn)序列T= (t(i)}，其中，i= 1，2, 3,…，n; 生成序列X= {0，p(i)}，Y= {p(i)，