[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

说明书

本发明公开一种基于静息态EEG频域特征及脑网络自动分析方法和系统，通过调用Matlab数据处理脚本，对患者闭眼状态3min静息态脑电进行预处理，计算脑电信号的频域特征，结合溯源定位分析进一步计算提取不同脑区与全脑的平均脑网络连接强度，并将前10％最强连接进行可视化，将二维脑电快速转化为可读性强的数字和图像信息，有助于科研工作中脑电频域特征及脑网络分析的自动化批量化处理，提高工作效率，节省人力成本。另一方面，通过与健康对照常模的标准化参考值进行比对标识，准确识别患者异常频域及脑区，为实现个体化精准化无创神经调控提供有力的技术手段。

技术领域

本发明涉及静息态脑电rTMS诊疗技术领域，尤其涉及一种基于静息态 EEG频域特征及脑网络自动分析方法和系统。

背景技术

脑电图(EEG)是一种无创伤、非侵入式的神经电信号采集技术，可以 在极高的时间精度上反应大脑神经元的集群点的电活动，与检查耗时长、 费用高以及有创的检测手段相比，具有时间分辨率高、检查耗时短、费用 低、方便易行等优点。近年来，脑电图成为评估大脑功能活动改变的有力 工具，随着脑功能影像技术的发展，脑电信号与神经系统疾病如癫痫、脑 血管疾病、失眠、焦虑抑郁、帕金森病等疾病有着密切的关系，通过电极 层面频域特征、源层面的脑网络分析可以提取高维数据信息，对神经系统 疾病的辅助诊断、疗效预测及无创神经调控如rTMS靶点探寻具有一定潜力。

但是，脑电信号的频域特征及溯源层面脑网络分析技术提取需要熟悉 Matlab及EEGlab的软件操作流程，且需要分析人员具备一定的工程学及计 算机学科背景，一定程度上限制了脑电在医学领域的广泛应用。其次，高 密度脑电特征的数据量较大，特别是溯源层面的脑电特征分析，处理时间 较长，对硬件和操作人员的要求比较高，当前的手动EEG处理模式限制了 数据分析的效率。另外，基于静息态脑电的频域特征及脑网络分析结果， 缺乏大规模健康人群常模数据即正常参考范围，缺乏可解释性，无法有效 地在临床实践中应用；最后，目前脑网络特征分析大多采用深度学习等机 器学习算法，忽视了不同频段不同脑区的脑电特征在疾病底层生理机制中 的重要作用。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于静息态EEG频域 特征及脑网络自动分析方法和系统。

本发明的技术方案如下：提供一种基于静息态EEG频域特征及脑网络 自动分析方法，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各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rsEEG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。

进一步地，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：去除闭眼状态所选取的信号数据中的眼动干扰；