变换域联合稀疏模型的皮层体感诱发电位的实时监测方法技术

本发明专利技术涉及变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，包括：构造CESP的稀疏字典；T‑JSM模型通过变换矩阵H对连续两次脑电测量信号进行滤波处理；对滤波后的脑电信号采用联合稀疏分解，得到公共稀疏系数以及各自稀疏系数；重构得到单次CSEP信号，并进行实时监测；其中，采用联合优化算法同时求解所述变换矩阵H和稀疏系数的最优解。本发明专利技术突破从复杂的术中脑电信号中提取微弱的CSEP信号的单次提取方法，从两次脑电信号中分离相似成分，即CSEP信号，有效降低提取的难度，提高提取的准确性。且增加了变换矩阵H，从而减少了EEG对CSEP信号稀疏分解的干扰。

【技术实现步骤摘要】

本专利技术属于医学信号处理以及诱发电位处理领域，具体涉及一种变换域联合稀疏模型的皮层体感诱发电位的实时监测方法。
技术介绍
随着脊柱脊髓外科技术的高速发展，许多高难度手术如脊柱侧弯矫形、椎管狭窄扩大的前路或后路减压术、髓内或髓外肿瘤切除等手术逐渐常规开展，脊柱脊髓病变的治愈率也得到相应提高。然而一些术中操作如进入椎管的骨性部分切除、椎弓根螺钉、植骨块的植入、切除肿瘤时对脊髓的牵拉及电凝等，都可能会造成相应区域正常脊髓机械性损伤和缺血性损伤，进而导致患者术后不同程度的脊髓神经功能障碍。术中神经电生理监测通过电生理技术，向手术和麻醉医生反馈术中神经功能完整性的变化情况，使其能够采取防范措施以避免不可逆的损害，降低术后神经功能缺损的风险。从20世纪70年代以来，脊柱脊髓术中神经电生理监测的应用已愈来愈广泛，常用的监测方法有皮层体感诱发电位(CorticalSomatosensoryEvokedPotential，CSEP)、运动诱发电位(MotorEvokedPotential，MEP)和肌电图(Electromyography，EMG)等。CSEP是指给皮肤或末梢神经以刺激，神经冲动沿传入神经经脊髓、丘脑传入大脑皮层中央后回感觉区，在刺激的对侧大脑头皮相应部位记录到的电活动。CSEP监测可反映躯体感觉传导通路的完整性，是脊柱脊髓外科术中监测的主要手段。目前的CSEP监测技术仍然存在严重缺陷。和其他神经电信号相比，CSEP信号波幅较低，约为0.2～10微伏，临床上无法实现单次CSEP信号实时监测。从信号处理的角度分析，CSEP是一种极其微弱的，具有锁时特性(或称为准周期性)的非平稳信号，它时时刻刻隐藏在自发脑电(Electroencephalogram，EEG)等噪声信号之中，信噪比极低(低于-10dB)。目前临床上通常采用累加平均法提取CSEP信号。累加平均法是一种在强背景噪声下提取微弱锁时性信号的有力工具，并在一阶统计量意义下收敛。从理论上说，该方法需要通过无穷多次的“累加”和“平均”，才能真正提取出被噪声湮没信号的平均响应。而无穷多次是无法做到的，因此累加平均法只能提高信噪比而无法去除噪声。除此之外，累加平均法还存在两个主要问题：其一，累加平均法的前提是假定每次测量信号中的CSEP信号是相同的并且EEG等背景噪声为0均值的随机过程，这并不符合事实，大量实验已经证明，每次的CSEP之间都存在差异并且EEG具有非平稳性，并不完全符合累加平均法的前提；其二，更为重要的是，累加平均法是通过永不间断的“累加”、“平均”实现的，这样必定使脊髓损伤后的CSEP波形改变被原有的波形所掩盖，只有经过一段时间才能逐渐表现出来，累加平均技术决定了这一点。由于累加平均技术的限制，CSEP监测存在几十秒甚至几分钟的时间延迟，这就要求临床医师配合术中监测的需要，暂停手术操作等待一段时间，在一定程度上增加了术中监测的难度，增长了手术时间，同时可能使得一些术中操作引起的急性脊髓损伤不可逆转。累加平均法虽然存在一些无法避免的缺陷，但目前临床中仍然广泛的应用这种方法提取CSEP信号。诱发电位(EvokedPotentials，EP)的实时监测是一个国际上公认的技术难题。随后，许多信号处理领域和神经电生理学学者提出了一些单次EP提取算法尝试解决这一问题。这些算法大致可以分为滤波法、模型法以及分解分离法三大类。滤波法将EEG信号看作背景噪声，通过去除噪声来提取EP信号，经典的卡尔曼滤波、自适应滤波、神经网络及广义子空间(GeneralizedSubspaceApproach，GSA)等方法均被应用于其中。此类方法通常需要有关EP信号与EEG等噪声的先验知识，但是由于EP与EEG的非平稳性，使得这一要求在实际应用中往往很难实现。模型法根据先验知识对EP信号进行建模，用一组函数或原子表示EP信号，从而实现对EP信号的提取，如Lange等人提出的模板建模法和Garoosi等人提出的Prony方法等。模型法希望通过建立模型从观测信号中提取EP，此类方法通常仅对EP信号进行建模，而将EEG信号看作噪声。但是由于EP信号时刻隐藏在EEG噪声之中，其信噪比极低，而且二者在时域与频域都存在混叠。因此，EEG信号也极易被EP信号的模型所表示，从而很难从观测信号中提取出较纯净的EP信号。分解分离法是将观测信号看作EP与EEG的混合信号，利用盲源分离理论将二者分离，实现EP信号的提取。小波变换和独立分量分析(IndependentComponentAnalysis，ICA)是两种典型的方法。小波变换方法在信号的重构中需要较多的人为干预，在一定程度上依赖于使用者的经验。而常规ICA方法分离信号的前提条件是观测信号的个数大于等于源信号的个数，但是这一条件在EP和EEG信号分离中是不成立的。通过以上分析可知，现存的各类EP信号单次提取方法都具有明显缺陷，目前还不能广泛应用于实际问题的解决。针对术中EP实时监测这个临床医学问题，国内外研究较少。1998年，香港大学Fung等人应用神经网络和小波变换技术提高单次脊柱侧凸术中体感诱发电位信号的信噪比，以实现单次提取。2007年，意大利米兰大学的Rossi等人考虑脊柱侧凸术中体感诱发电位和H反射的联合监测情况下EP信号的实时监测问题，使用外加输入的自回归滤波器(AutoRegressivefilterwitheXogenousinput，ARX)技术从EEG背景噪声中提取EP信号。同年，意大利米兰理工大学的Cerutti教授对ARX算法进行改进，提出基于径向基神经网络(RadialBasisFunctionNeuralNetwork，RBFNN)的单次体感诱发电位信号提取算法。以上三种算法是对在手术中进行EP信号实时监测的有益探索，单独或联合使用了神经网络、小波变换和自适应滤波法，通过前面的分析可以看出这些算法都存在一定的局限性，其有效性和可靠性尚不能完全满足术中监测的需要，目前临床上仍然不得不继续使用从上世纪七十年代沿用至今的累加平均法。其次，利用EP与EEG信号的稀疏性，以及EP信号的准周期性和EEG信号的随机性，又有使用JSR(JointSparseRepresentation，JSR)算法实现少次术中EP信号的提取，被称为联合稀疏表示的双次诱发电位提取算法。该算法中，首先应用术前的EP信号进行建模，构造稀疏字典，应用冗余DCT构建EEG的稀疏字本文档来自技高网...

【技术保护点】
变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在于，所述方法包括：构造CESP的稀疏字典；T‑JSM模型通过变换矩阵H对连续两次脑电测量信号进行滤波处理；对滤波后的脑电信号采用联合稀疏分解，得到公共稀疏系数以及各自稀疏系数；重构得到单次CSEP信号，并进行实时监测；其中，采用联合优化算法同时求解所述变换矩阵H和稀疏系数的最优解。

【技术特征摘要】
1.变换域联合稀疏模型的皮层体感诱发电位的实时监测方法，其特征在
于，所述方法包括：
构造CESP的稀疏字典；
T-JSM模型通过变换矩阵H对连续两次脑电测量信号进行滤波处理；
对滤波后的脑电信号采用联合稀疏分解，得到公共稀疏系数以及各自稀
疏系数；
重构得到单次CSEP信号，并进行实时监测；
其中，采用联合优化算法同时求解所述变换矩阵H和稀疏系数的最优解。
2.根据权利要求1所述的变换域联合稀疏模型的皮层体感诱发电位的实
时监测方法，其特征在于，构造CESP的稀疏字典还包括：以皮肤切开后脊柱
暴露完全时200次叠加平均CSEP作为模板信号，并根据波峰提取子模板，对
所述子模板进行前后平移，得到若干的基，组成所述稀疏字典。
3.根据权利要求1所述的变换域联合稀疏模型的皮层体感诱发电位的实
时监测方法，其特征在于，所述方法还包括：在T-JSM模型的代价函数中增
加负的行列式对数惩罚项，用于对所述变换矩阵H的范数进行约束。
4.根据权利要求3所述的变换域联合稀疏模型的皮层体感诱发电位的实
时监测方法，其特征在于，所述代价函数表示为所述滤波后的脑电信号和所
述CSEP信号之差l2范数的最小化，并对稀疏系数的l0范数给予约束。
5.根据权利要求4所述的变换域联合稀疏模型的皮层体感诱发电位的实<...

【专利技术属性】
技术研发人员：余南南，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：江苏;32