[发明专利]基于静息态EEG频域特征及脑网络自动分析方法和系统

权利要求书

1.一种基于静息态EEG频域特征及脑网络自动分析方法，其特征在于，包括以下步骤：

步骤1：利用脑电信号采集装置获取患者的静息态脑电rsEEG信号；

步骤2：对采集的rsEEG信号进行预处理，在后台调用ARTIST全自动去噪法对患者处于闭眼状态3min的rsEEG信号进行预处理；

步骤3：基于已导入的3.0T结构MRI数据自动生成个体化头模，调用后台sLORETA算法以及EEGLAB软件，对脑电成分电流密度的皮层分布进行溯源定位分析；

步骤4：基于已进行预处理的数据自动分析计算rsEGG信号的频域特征；

步骤5：计算源层面感兴趣区之间的相干性虚部连接矩阵，提取脑网络特征；

步骤6：收集正常对照健康人群的64导高密度脑电，自动计算得出正常对照的频域特征以及脑网络常模；

步骤7：与常模比对分析，系统自动生成可视化报告，标识异常频域及脑网络特征，给出rTMS干预靶点及频率推荐。

2.根据权利要求1所述的基于静息态EEG频域特征及脑网络自动分析方法，其特征在于，所述步骤2的具体步骤如下：

步骤2.1：让患者保持闭眼状态一段时间，并从采集信号中各选取3min的静息态脑电rsEEG信号数据；

步骤2.2：去除静息态脑电rsEEG信号数据中的直流电漂移；

步骤2.2：分别去除闭眼状态所选取的信号数据中的眼动干扰；

步骤2.3：将采样率降至250Hz，并将带通滤波调节为1-45Hz，对坏通道进行替代；

步骤2.4：将数据进行分段，每段数据时长为2s；

步骤2.5：去除分段后的坏通道并进行插值；

步骤2.6：对独立成分进行分析后，去除伪差成分，采用平均参考取值。

3.根据权利要求1所述的基于静息态EEG频域特征及脑网络自动分析方法，其特征在于，所述步骤3的具体步骤如下：

步骤3.1：采用基于体素的随机检验方法，分析脑电成分电流密度的分布，随机次数为10000次；

步骤3.2：采用随机统计非参数图像方法进行多重比较校正；

步骤3.3：后台调用OpenMEEG软件及FSL软件基于个体化结构MRI计算出头皮、颅骨以及皮层表面的边界元素头模，并在皮层表面3003个顶点生成旋转偶极子；

步骤3.4：通过步骤3.3中计算出的边界元素头模获得偶极子活动的引导场矩阵；

步骤3.5：使用最小范数估计算法计算皮层表面电流密度，同时使用深度加权弥补表面源的内在偏倚；

步骤3.6：采用正则化减少最小范数估计对噪音的敏感性并有效获取空间平滑的解决方案。

4.根据权利要求1所述的基于静息态EEG频域特征及脑网络自动分析方法，其特征在于，所述步骤4的具体步骤如下：

步骤4.1：调用MATLAB软件并调用Fieldtrip工具包，分别在δ、θ、α、β以及γ频段计算其对应的频域特征，包括：绝对功率、相对功率、个体alpha峰、脑对称指数(BSI)、δ+θ波/α+β波的比率(DTABR)。

步骤4.2：生成可视化报告，呈现闭眼状态各频段电极层面功率谱图，仅显示各频段对应的10-20系统的19导联数值。

5.根据权利要求1所述的基于静息态EEG频域特征及脑网络自动分析方法，其特征在于，所述步骤5的具体步骤如下：

步骤5.1：调用MATLAB软件并调用Fieldtrip工具包，分别在δ、θ、α、β以及γ频段，通过傅里叶变换得出每对顶点之间相干性虚部；

步骤5.2：通过独立成分分析，从fMRI得出的31的ROIs，进一步计算每对ROIs包含的顶点之间的相干性虚部绝对值的平均，以代表每对ROIs之间连接。

步骤5.3：生成可视化报告，呈现前10％最强连接的3D脑模型图上面观，每个球体代表一个ROI，球体大小与连接边数及强度相关，连接边数及强度越大，则球体越大，球体不同颜色代表不同的脑网络，包括：背侧注意网络、腹侧注意网络、额顶网络、感觉运动网络、默认网络、视觉网络。