[发明专利]一种脑电波中疼痛成分的提取和表达方法

权利要求书

1.一种脑电波中疼痛成分的提取和表达方法，其特征在于：利用脑电波作为原始信号进行处理，离散化采集到计算机或服务器中，施加数学计算分析，将脑电波分解成涵盖低频、中频、高频、超高频的分量，提取其中和疼痛、镇痛、焦虑、紧张、瞻妄、遗忘、舒适相关的特征成分，经过归一化处理，表达为0-100的无量纲数据，实时反映人的疼痛、镇痛、焦虑、紧张、瞻妄、遗忘、舒适的实时客观定量深度；利用脑电传感电极，佩戴于头部的前额部和耳部，无创采集脑部多个部位的导联电位信号，信号带宽包含脑电波中的超过30Hz的超高频成分，各导联的脑电波信号经由前置放大、模数转换进入单片机，再通过数据加密、压缩后，经由有线方式直接传送至计算机系统，或经由无线通讯控制单元的TCP/IP协议包装并发送到互联网数据服务器，计算机或服务器中的软件系统对接收到的脑电信号实时处理计算、显示、存储、转发，其中计算部分采用小波分析、波形识别算法，分解脑电波中的有效成分和伪差成分，经由多维谱分析、模式识别分析、相关性分析、拟合回归分析，提取出疼痛、镇痛、焦虑、紧张、瞻妄、遗忘、舒适的特征指标，经过归一化处理，获得0-100的多个定量数据，实时客观定量反映人体的疼痛、镇痛、焦虑、紧张、瞻妄、遗忘、舒适的程度，得到疼痛深度、镇痛深度、焦虑深度、紧张深度、瞻妄深度、遗忘深度、舒适深度指数；脑电信号采集单元具备有线及无线通讯能力，和计算机组合成为疼痛深度测量系统，或者，通过互联网平台和服务器组合成为云计算模式的疼痛深度测量系统，形成对疼痛测量数据的远程医疗服务共享平台，形成疼痛测量的大数据收集新模式：利用232接口标准、3G、4G、蓝牙、和/或WIFI通讯技术，实现近远程、多环境、实时的脑电采集传输，对于采集放大的脑电波模拟信号，单片机对其模数转换，将多路脑电波离散信号实时压缩、加密、打包，实现动态存储队列管理，识别通讯线路，自动切换通讯模式，控制通讯发送实时数据包；在小波处理计算中，分解出眼动电波和肌电波生物电信号序列，作为信号强度和干扰信号的标记特征使用；

采用小波公式：

分别是小波变换的缩放因子、平移参数；

是小波变换的角频率；

是小波变换的母函数；

是原始脑电波离散序列的小波变换结果序列；

是反变换后的时域信号序列；

对脑电向量组

b_i1（t）= [ y'₁ y'₂ y'₃ … y'_m’-2 y'_m’-1 y'_m’ ]

i1：脑电波导联数量；

m’：脑电波数据数量；

y'：脑电波数据序列；

t：时间点；

实时计算处理，以多尺度滤波器组算法，分解出各尺度窗口下的小波基函数

(Wb(2^i,w_i（r）)) i∈z

(Wb(2^0, w₀（r）))，(Wb(2^1, w₁（r）))…(Wb(2^N, w_N（r）))

w_i（r）：代表了小波变换后的一组结果数据序列；

r：代表数据序列中的序列号；

z：时域空间；

i：尺度；

由小波基函数和各尺度数据的反变换，获得一组时域重构函数如下：

ｆ_i(t)=∑Wb(2^i,w_i)*Ψ_2^i(u)

i：尺度

Wb：小波基函数；

w_i：各尺度小波变换后的结果数据；

Ψ_2^0(u), Ψ_2^1(u)... Ψ_2^N(u)：母函数尺度小波数据点；

N：阶数；

u：尺度小波数据点的数据序列号；

t：时间点；

各个重构函数代表了不同尺度下的脑电波，眼动电波和肌电波的表现；尺度也对应信号的频率成分，分布于脑电图的常规节律和高频节律；对于分解的重构函数的各个序列数据，采用模式识别算法中的波形识别算法提取出数据的特征点：

T_i（h）∈ z ；

T：特征值向量；

i：尺度；

h：特征数据的序列号；

z：时域空间；

向量T_i（h）中的特征数据包含特异点、幅度、变异、斜率、面积、自相关、互相关计算结果，计算来自于基本算法：

计算数据序列：

y（j'，i）= （f_i（j'）-f_i（j'-1））/ Δt'

f_i（j'）是f_i（t）的离散时间数据序列；

j'：时间离散数据下标；

i：尺度；

Δt'：是离散点j'-1与j'之间的时间间隔；

获取序列 y（j'，i）中最大数值，其中的正负反相点，就是特异点，特异点的数量由Δt'值的大小决定；

对f_i（j'）序列数据施加迭代微分算法：

Δt₁'：是离散点j₂+k-1与j₂+k之间的时间间隔；

k：Δt₁'的增量，从1至N'；N'为一个常数；

j₂：时间点的数值序号；

i：尺度；

对于矩阵d（j₂，k）中的各个向量，将向量中的数据点排序以及相加，选取每个向量中的数据点的最大值和相加和，作为斜率和幅度；

针对重构函数，将处理得到的结果向量 y（j'，i）、d（j₂，k）生成模式类ω1,ω2,…, ωc，然后利用模式之间的距离函数计算各个小波重构函数的距离；得到小波重构函数的变异、自相关、互相关数值；

计算小波重构函数f_i（t）的积分：

S_i= ∫f_i（t）*dt

t：时间；

i：尺度；

求得各个函数的面积数值；

T_i（h）向量表达了小波重构函数的波形特点和规律；对于采集的脑电波中的眼动电信号和额肌电信号，分布于特定尺度的小波重构函数中，针对这些小波重构函数f'_i（t），首先，求取其中的一阶导数：

D_i（j₂'）=（f'_i（j₂'）-f'_i（j₂'+Δt₂））/Δt₂

f'_i（j₂'）是f'_i（t）的离散时间数据序列；

i：尺度；

j₂'：时间离散数据下标；

Δt₂：是离散点j₂'-1和j₂'的时间间隔；

对D_i（j₂'）排序，得到极大值和极小值，设定阈值Q，求取 D_i（j₂'）的正负极性变异点，得到一组极值点向量：

M_i（t1）：高点；

m_i（t2）：低点；

i：尺度；

t1,t2：极值的时间点；

对相关于眼动和肌电的小波重构函数采用积分算法：

SS =∫f'_i（t）^2 * dt

得到肌电和眼动的功率值大小；针对结果数据，经过归一组合算法：

Sq=exp(a’*abs（M_i-m_i）+b’*SS)；

a’，b’为加权系数,是常数，由信号表达范围决定；

Sq指示干扰的信号强度的定量表达，作为显示结果之一；

重构函数中消除了眼动和肌电的小波重构函数，采用功率谱算法：

t：时间点；

：功率谱的角频率；

i：尺度；

获得重构脑电波中功率谱的各个成分：

F_i={α，β，δ，θ，sef，mef}；

i：尺度；

α、β、δ、θ：各波段功率百分比；

sef：功率谱计算的边缘频率；

mef：功率谱计算的中心频率；

结合波形识别所得到的特征向量，组合成为一组涵盖了时域和频域的特征数据：

G_i（j₃）={T_i，F_i}；

i：尺度；

j₃：特征数据序列号；

数据向量G_i（j₃）组，作为脑电波小波重构函数的一次处理结果，被命名为脑电波一级处理的元数据组，被作为二次计算的基础数据；

提取各尺度重构函数元数据中的特征数据，计算其中各尺度相对应的特征数据的比率、各尺度特征数据的斜率、变化率以及积分面积：

Y_i2（j₃）= { G_i（j₃）-G_i（j₃-1）/ Δj₃ } ∈ z ；

Z_i2（j₃）={ G_i（j₃）/ G_i（j₃-1）} ∈ z ；

V_i2（j₃）= {∫G_i（j₃）*Δj₃ } ∈ z ；

L_i2（j₃）= { abs（G_i（j₃₁）-G_i（j₃₂））} ∈ z ；

j₃、j₃₁ 、j₃₂：特征数据序列号；

i2：结果序列号；

Δj₃：特征数据序列号对应的增量；

z：时域计算空间；

对于各个数据序列，经过数据加权，得到一系列数据计算公式：

E_i2={a₁，b₁，c₁，d₁}*{Y_i2，Z_i2，V_i2，L_i2}；

i2：结果序列号；

a₁、b₁、c₁、d₁：加权系数，常数；

对E_i2数据施加归一化计算：

疼痛指数=（exp(E₀)）×100

镇痛指数=（exp(E₁)）×100

紧张指数=（exp(E₂)）×100

谵妄指数=（exp(E₃)）×100

焦虑指数=（exp(E₄)）×100

遗忘指数=（exp(E₅)）×100

舒适指数=（exp(E₆)）×100；

得到脑电波中的疼痛、镇痛、焦虑、紧张、瞻妄、遗忘、舒适的实时客观定量特征指标。

2.如权利要求1所述的一种脑电波中疼痛成分的提取和表达方法，其特征在于：自脑电波中同步提取出镇痛、焦虑、紧张、瞻妄、遗忘、舒适的定量表达，与疼痛深度的定量表达一起，完成疼痛测量的过程，达到疼痛测量的完整性和精准性。