脑电数据相关分析参数 定义 后续实现陆续增加
目录 1
第一章 常规脑电相关素材积累 3
1实时分析 3
1.1癫痫发作报警 3
1.2脑电双频指数(BIS)值 3
1.3大脑状态指数(CSI) 3
2非实时分析 3
2.1脑电图频域分析fft变换,插值运算 3
2.2功率谱图显示(多导,单导单独放大显示) 3
2.3脑电地形图(绝对,相对两种显示方式) 3
2.4压缩谱阵图 3
2.5单频地形图 3
2.6三维旋转脑电地形图 3
2.7侧视地形图 3
2.8数值地形图、梯形图 3
2.9频谱直方图 3
2.10睡眠分析模块 4
3 其他脑电分析 4
3.1尖棘波自动检测 4
3.2新生儿惊厥识别分析 4
3.3事件相关ERP诱发 4
3.4 P300、CNV、P50等事件相关电位检查功能 4
第二章 量化脑电相关素材积累 4
1 彩色密度谱阵列cDSA 4
2.1绘制方法 4
参考 脑电彩色密度谱阵列监护仪的研制_张庆陵
2 振幅整合脑电图aEEG 5
2.2绘制方法 5
参考 正常新生儿及婴儿睡眠振幅整合脑电图分析_张丹丹
参考 百度文库
参考:结合传统特征和深度特征的新生儿脑功能状态自动辨识研究_刘立喆.caj
参考 aEEG对新生儿脑功能监测意义 - 百度文库
参考 庖宁解图︱新生儿脑电图与aEEG
参考 The Physiological Basis for Continuous Electroencephalogram Monit oringin the Neonate Ingmar Rose ´ n, MD, PhD Division of Clinical Neurophysiology, Department of Clinical Science
2.3算法步骤(错误) 11
2.3算法步骤2 11
3 相对频带能量RBP(relative bound power) 12
相对频带能量是 一个波段占所有波段的总能量的比例,用不同颜色面积以百分比的形式表现出来。
3.1matlab代码 13
3.2计算步骤描述 15
4绝对频带能量Frequency band ratio 16
4.1定义 16
5相对α 16
5.1定义 16
为6~14Hz功率占1~20Hz总功率的百分比。计算机每2min计算生成一个而相对α值,以直方图形式表现。
相对α=(6-14Hz)频带功率/(1-20Hz)频带功率。
6相对α变异(relative alpha variability, RAV) 17
6.1定义 17
相对α变异(RAV)是指一段时间内(8-12h)相对α在平均基线上下波动的幅度。
相对α变异可分为4个等级:
4分(很好),为每小时均有数值超出基线,或者8-12h内超出基线的15%以上;
3分(良好),为每4h均有数值超出基线的10%;
2分(一般),为超出基线的频率很少或幅度<10%;
1分(差),为超出基线的幅度<2%。
7光谱熵(spectral entropy,SE) 17
7.1定义 17
光谱熵(spectral entropy, SE)是一种基于频率的量化脑电图趋势图谱,主要根据脑电信号变化的复杂性、不规则性来评估昏迷及镇静深度。脑电信号越复杂、越不规则,光谱熵越高。
参考 Behaviour of spectral entropy, spectral edge frequency 90%, and alpha and beta power parameters during low-dose propofol infusion.pdf
8压缩光谱阵图CSA 18
8.1定义 18
以颜色显示频谱功率,深蓝色代表低功率,暗红色代表高功率。
9包络趋势 19
9.1定义 19
9.2 matlab代码 20
10总功率TP 21
10.1定义 21
又称总能量,反应EEG振幅的变化,与EEG振幅变化的方差密切相关,可以通过功率谱下的面积来计算。
11 α/δ功率比值 21
11.1定义 21
12能量峰频PPF 22
12.1定义 22
13中频指数MF 22
13.1定义 22
14边频指数SEF 22
14.1定义 22
95%SEF 是95%总功率(0-30hz)所对应的频率值,是监测脑功能的一种简单的量化指标。SEF主要用于评估麻醉深度、缺血缺氧性脑病预后、婴儿的大脑发育成熟程度及药物治疗效果。
临床上常用95%SEF参数以监测麻醉深度情况,该参数是EEG功率谱中95%以下的频率范围,它反映EEG信号由清醒状态的高频波到麻醉后低频波占优势的过程,因而也被用来判断麻醉深度,其取值为0~30。多数研究均表明,95%SEF变化与BIS类似,但可靠性不如后者。
大脑越兴奋,则快波成分越多,功率值越高,;相反大脑皮质功能抑制,则值越低,昏迷越严重;脑电的95%处在何种频率范围。(低于α波=昏迷)
麻醉时,慢波活动所占比例高,其95%SEF低;意识恢复后,快波成分增多,95%SEF随之升高。
15快慢波比 24
15.1定义 24
比数值越大,反映颅脑创伤程度越高;(一般有没有临床界限,高的值有好几千,没有标准)辅助参数
16近似熵、样本熵 25
16.1定义 25
患者的脑波有规律其数值越低,表明意识状态越差。是患者意识状态的一个直观指标体现。
8-9对应看两个值均大于80正常;均60-80浅睡;均40-60麻醉深度;均低于40意识过低;
17能量曲线 25
17.1定义 25
可以理解为尖波越多,则能量就会越高,脑功能异常活动越高
18脑电双频指数BIS 25
18.1定义 25
BIS是在脑电图(EEG)频率谱和功率谱的基础上增加对位相和谐波的非线性分析得出的混合信息拟合的数字。
BIS是唯一通过美国FDA 批准的麻醉镇静深度监测指标,能较好监测大脑皮质功能状态及其变化,对预测体动、术中知晓以及意识的消失和恢复具有一定的灵敏度,同时可减少麻醉药物用量,是目前以脑电来判断镇静水平和监测麻醉深度的较为准确的一种方法。
BIS值100,清醒状态;BIS值0,完全无脑电活动状态(大脑皮层抑制),一般认为BIS值在85~100为正常状态;65~85为镇静状态;40~65为麻醉状态;<40可能呈现爆发抑制。
脑电意识指数(IOC1)、伤害敏感指数(IOC2)、面部肌电指数(EMG)、 爆发抑制比(BS)、通讯指数(SQI)
参考 a primer for eeg signal processing in anesthesia 1998
19爆发-抑制趋势SR 27
19.1定义 27
分钟爆发频率(burst-suppression trend):0-20:为每分钟的爆发次数,每秒更新一次。
爆发间期(inter burst interval):0-10s,两次爆发的间隔时间。
爆发抑制BS是高振幅慢波(偶尔为尖波)与抑制性脑电活动交替出现的EEG模型。根据波幅将脑电波划为爆发波和抑制波,低于界值为抑制波,反之为爆发波,两者持续时间从几秒钟到几分钟不等。
爆发抑制趋势图是一种严重的异常脑电现象,表现为高波幅的暴发性活动与低电压或电抑制状态交替出现。主要为高波幅的慢波,有时为复合棘波、尖波及快波,持续0.5~1s。暴发之间为持续5~20s的低电压或电抑制期,波幅低于10μV。是大脑皮质和皮质下广泛损伤或抑制的表现,可见于严重缺氧性脑损伤、婴儿癫痫性脑病、麻醉状态、大剂量中枢抑制性药物、临终状态等。
20爆发抑制比BSR 28
20.1定义 28
SR(suppression ratio)爆发抑制比:0-100%:为前一分钟的抑制时间所占百分比,每秒更新一次。值为0代表无抑制EEG,值为100%代表零电位EEG。
一般大于两位数以上,则认为脑功能损伤程度越大,数值越高,脑昏迷程度高。
Suppresssrun=持续时间大于0.5秒的连续eeg子集,其中所有样本的绝对值 <=8.0uV
参考 :Real-time segmentation of burst suppression patterns in critical care EEG monitoring
J Neurosci Methods. 2013 September 30; 219(1): 131–141. doi:10.1016/j.jneumeth.2013.07.003.
参考:a primer for eeg signal processing in anesthesia 1998
参考:No Correlation between Quantitative Electroencephalographic Measurements and Movement Response to Noxious Stimuli during Isoflurane Anesthesia in Rats 1992
21肌电指数 31
21.1定义 31
反映脑电数据中30HZ以上的肌电干扰的成分;
附录A:常见脑电英文缩写及释义 32
附录B:国际标准10-20电极安置系统 34
附录C:异常EEG信号 35
脑电数据相关分析参数 定义 后续实现陆续增加相关推荐
- Python协方差矩阵处理脑电数据
在本教程中,我们将介绍传感器协方差计算的基础知识,并构建一个噪声协方差矩阵,该矩阵可用于计算最小范数逆解. 诸如MNE的源估计方法需要从记录中进行噪声估计. 在本教程中,我们介绍了噪声协方差的基础知识 ...
- Python脑电数据的Epoching处理
点击上面"脑机接口社区"关注我们 更多技术干货第一时间送达 import os.path as op import numpy as np import mne import ma ...
- 利用机器学习分析脑电数据(原理分析+示例代码+快速上手)
由于本人对于脑机接口以及脑电技术的极度爱好(其实目的是:是把U盘插到大脑里,然后就不用学习了哈哈哈哈),近几月看了较多这方面的内容,变打算写下博客总结分析一下. 目录 一. 机器学习分析简介 二.机 ...
- letswave教程:脑电数据图形绘制、批处理以及脚本生成
letswave教程:脑电数据图形绘制.批处理以及脚本生成 1 单主题图形生成 1.1 打开图形模块 1.2 创建子图 1.3 添加内容 1.4 设置轴参数 1.5 导出图形 2 多主题图形生成 2. ...
- 手把手教你EEG脑电数据预处理-原理篇
目录 0. EEG data 1. 定位通道数据 2. 删除无用数据 3.滤波 4.分段 5.基线校正 6. 重参考 7. 降低采样率 8. 插值坏导 9. 独立主成分分析 10. 剔除坏段 本分享为 ...
- 脑电分析系列[MNE-Python-21]| Python协方差矩阵处理脑电数据
今天主要介绍一下MNE中如何用协方差矩阵来处理脑电数据的. MNE中的许多方法,包括源估计和一些分类算法,都需要根据记录进行协方差估计. 在本教程中,我们将介绍传感器协方差计算的基础知识,并构建一个噪 ...
- Python读取.edf格式脑电数据文件
MNE-python读取.edf文件 EDF,全称是 European Data Format,是一种标准文件格式,用于交换和存储医疗时间序列. 该格式文件能够存储多通道的数据,允许每个信号拥有不同的 ...
- 使用时空-频率模式分析从脑电数据的一些试验中提取N400成分
今天介绍的内容是清华大学高小榕教授团队的研究成果,从脑电数据中提取N400成分. 关于高小榕教授的介绍,可以查看本社区之前分享的<第1期 | 国内脑机接口领域专家教授汇总> 高小榕教授 单 ...
- 利用LSTM(长短期记忆网络)来处理脑电数据
目录 LSTM 原理介绍 LSTM的核心思想 一步一步理解LSTM 代码案例 本分享为脑机学习者Rose整理发表于公众号:脑机接口社区 .QQ交流群:903290195 Rose小哥今天介绍一下用LS ...
最新文章
- 百利而无一害的技术——Linux
- golang 绘图库_golang在图片上绘制中文不乱码的方法
- weex componet 简单扩展
- 3.浏览器输入www.baidu.com到显示主页的全过程
- 通过输入流获取的xml格式字符串转为json和map格式
- 让你了解什么是内存屏障
- mxnet基础到提高(4)-- Dense层基础
- 以下哪个不是有效的java变量名,Java程序设计-中国大学mooc-题库零氪
- 安卓adapter适配器作用_自带安卓系统的便携屏,能玩出什么花样?
- linux sublime 命令行启动,命令行 – 使用命令行在Sublime Text 3中打开一个文件夹
- 手机上怎么打开md格式的文件_怎么压缩pdf文件?文件过大、传阅困难就用这个办法...
- 不需要许可认证即可解决WIN2003不能超过2个远程终端用户试用120天的问题
- python consul
- java.lang.ClassNotFoundException: com.sun.xml.ws.spi.ProviderImpl解决办法
- 死锁的处理策略——检测和解除
- vue 引入qunee_在vue项目中怎么使用qunee拓扑图插件,怎么正确的使用 graphEditor ?求帮助...
- Windows 远程桌面无法复制粘贴问题
- IT行业的6大热门岗位,薪酬都有多高?
- 如何判断三极管的集电极,基极和发射极?
- 微信开发者平台切换企微账号与企业微信小程序模式
热门文章
- VScode配置glsl环境
- Leetcode-How-What 力扣Leetcode刷题指南
- linux sftp账号密码脚本传文件,关于shell:如何使用Bash脚本中的密码运行sftp命令?...
- Unity中Mathf.Lerp的用法
- tf31: keras的LSTM腾讯人数在线预测
- VMware虚拟机配置自己想要的IP
- 手机里面千万不要储存这几种照片!一旦泄露后果难以想象
- android逆时针方向横屏,Android屏幕镜像工具 “Scrcpy “增加了旋转锁,提高了质量...
- SharePoint 2013 BI--Power Query for SharePoint
- jgrid 多选 快捷键_jqgrid定义多选操作