一种神经血管耦合特征提取方法、装置及存储介质与流程

1.本技术涉及神经血管耦合研究领域，尤其涉及一种神经血管耦合特征提取方法、装置及存储介质。


背景技术：

2.神经血管耦合(nvc)主要研究神经活动和脑血流(cbf)之间的耦合关系，是神经血管单元(nvu)研究中最被重视和研究最多的领域之一。人的大脑是一个复杂且耗能巨大的器官，仅占身体质量的2％，却消耗身体总能量的20％。但是，大脑本身不存储任何能量物质(主要是氧气和葡萄糖)，完全依赖血液的及时供应。由于脑部神经活动存在时间和区域差异性，每个脑区的能量需求是动态的，且多个脑区的能量需求是存在区域差异的。所以血流需要在正确的时间到达指定区域已满足神经活动的需求。如果特定脑区的血流减少，无法满足局部组织的能量需求，使大脑结构与nvu发生一些细微改变，导致慢性脑损伤，进而造成认知功能障碍。如果脑部的供血完全中断几分钟，则会导致无法挽回的脑损伤和死亡。
3.nvc是保证大脑局部区域血液供给的重要机制，通过适时地向被激活的脑部区域输送氧气和葡萄糖满足大脑的代谢需求。简单来说，高能量利用的区域cbf会高一些，低能量利用的区域cbf则会低一些。nvc机制的理论模型主要有两个，反馈模型(feedback)和前馈模型(feedforward)，用于解释局部脑区活动时cbf也会增加的原因。反馈模型认为脑部的代谢和清除需求驱动cbf的增加。脑部神经活动会消耗氧气和葡萄糖，并产生一些毒性副产物，比如乳酸、二氧化碳和β淀粉样肽蛋白等，同时使局部脑组织温度升高。cbf增加可以带走脑组织代谢产生的毒性副产物，同时也可以调节局部脑组织的温度。同时，脑部活动产生的代谢副产物中还包括一些强效血管扩张剂，比如腺苷、二氧化碳、h+和乳酸等，它们可以作为cbf增加潜在的启动器。前馈模型则不认为cbf的增加不是由血管新陈代谢状态驱动的。fox和raichle认为，cbf的增加会大于脑组织氧气的需求，导致氧气的过量输送。在氧气和葡萄糖过量输送的情况下，cbf增加的情况也同样会发生。说明能量物质的消耗不会驱动cbf流量的增加。所以前馈模型认为cbf输送受神经血管信号通路的影响，导致突触活动并释放血管活性副产物，比如k+、一氧化氮(nitric oxide，no)和前列腺素。
4.实际上，目前并不认为前馈模型和反馈模型是相互排斥的。微血管研究表明，在神经活动开始且在cbf增加之前，氧气和葡萄糖的减少会激发代谢因素在nvc中的功能。而且，不同脑区的基础含氧量差异非常大，根据局部血管拓扑结构和神经刺激的激活强度可能会导致局部脑组织缺氧，进而推动局部血管的扩张。而且在激活开始时，血管内的氧气下降会导致红细胞变形能力增加，从而改善微血管流变学，增加毛细血管中血液的流动。
5.上述内容共同证明了前馈机制可能会触发由神经血管信号驱动过量的血流响应，同时可能通过反馈机制来调整大脑cbf的输送，使供应更接近组织的代谢需求。有多个文献支持这一假说，他们发现在持续的神经活动期间，cbf往往在最开始的时候达到峰值，随后被逐渐调整至较低水平。因此，依赖于代谢的反馈机制和独立的前馈机制都可能参与神经活动期间的功能性充血过程，取决于神经活动的时间、强度和持续时间以及大脑区域和大
脑的发育阶段。
6.尽管nvc的机制细节仍然有很多不清楚的地方，但现有证据表明，nvc的主要功能是通过提供初始和维持神经活动所需的能量物质来维持大脑微环境的稳定，同时清除大脑代谢的潜在毒性副产物以及带走神经活动产生的热量。nvc机制中的前馈与反馈模型示意图如图1所示。
7.目前，已有大量文献表明nvu功能的改变会导致脑功能障碍和脑损伤，具体的如图2所示，其中阿兹海默症(alzheimer’s disease，ad)和肌萎缩侧索硬化(amyotrophic lateral sclerosis，als)患者的nvc功能会出现明显的减退，主要由于细胞外淀粉样斑块中aβ的累积和细胞内神经元纤维缠结过度磷酸化的τ蛋白诱发神经元功能障碍和损伤。大量的研究表明aβ是导致神经血管功能障碍的重要原因。thomas等人首先报道了aβ不仅会导致神经功能障碍，还会损伤内皮细胞在体外放松全身血管的能力。通过动物实验确定aβ会损伤nvc、内皮功能和脑血管自主调节能力等脑循环调节机制。kisler等人发现在ad患者早期存在静息下cbf降低和神经激活血流动力学反应的减弱等症状，表明ad疾病早期nvc功能已出现降低。als主要是指由于上下运动神经元功能障碍与退化导致行进时无力与瘫痪。基于脑脊液中血浆蛋白的增加以及尸体解剖样本中脊髓微血管的改变，表明血脑屏障和血脊髓屏障的改变推动疾病的发展。miyazaki等人在als动物实验中发现脊髓血流和葡萄糖代谢之间存在失耦合，脊髓毛细血管通透性增加伴随微出血，这些症状均出现的神经元退化之前。此外，有研究表明神经血管因素在神经元退化过程中起作用，尤其在认知能力中。在疾病早期出现皮层灌注减少，包括非运动区域。在具有额叶认知功能障碍的als患者中，由额叶关联区域的激活任务引起的cbf增加减少。
8.也有文献发现，由于新生儿的大脑血管系统发育未完全成熟，使新生儿和早产儿的nvc与成人有着较大的不同。神经活动后的血液动力学反应可能较晚且不太明显，甚至会导致出现明显的缺氧。nourhashemi等人发现早产儿的nvc功能与年龄存在关系，表明当nvc未发育成熟时，脑血管网络不会采用统一的策略来响应脑皮层神经激活。roche-labarbe等人对比健康早产儿和患有颅内出血的早产儿，发现健康早产儿在神经活动后的3-4s内出现了cbf的波动，并在20s内逐渐恢复至点活动前的基线水平，而颅内出血的早产儿在神经活动后2s-5s内虽出现了cbf的波动，但波动很快消失，可能提示脑损伤新生儿的nvc功能的失调。chalak和tian等人分析中重度hie患儿和健康新生儿出生后72小时内的nvc功能，发现中重度hie患儿在超低频率范围内的nvc功能明显下降。这些研究表明新生儿和早产儿的nvc功能研究有着非常重要的临床意义。
9.在临床中使用aeeg或eeg监测脑功能已成为新生儿缺氧缺血性脑病(hie)的标准护理行为。nirs设备中的组织氧合指数(toi)或组织氧饱和度(rso2，scto2)可以评估脑组织氧供应和氧消耗的平衡，在临床上也广泛应用，可以发现早期的脑缺氧或者脑组织氧供应和氧消耗的失衡，常作为cbf的替代指标。eeg设备可以监测局部脑组织的神经活动，nirs可以监测脑组织的氧供应和氧消耗的平衡状态，有很多文献基于eeg和nirs信号计算nvc功能，计算过程主要有以下几个步骤：
10.计算aeeg信号或者经过处理的eeg信号(processed eeg)，得到原始eeg信号的活跃轨迹。标准的aeeg信号计算过程主要包括2hz-15hz带通滤波、整流、包络提取、分段、上终端位置提取(utp)以及下终端位置提取(ltp)、边缘计算和对数缩放。processed eeg信号计
算过程相对简单，包括2hz-15hz的带通滤波、全局整流和样条插值。为了与toi信号的采样频率对应，aeeg信号或者processed eeg信号会被下采样至0.209hz(4.78s)，详细的计算过程如图3所示。
11.计算toi信号与aeeg信号或者processed eeg信号的小波一致性变换时频谱。首先使用matlab的小波变换软件包得到toi信号与aeeg信号或者processed eeg信号的均方交叉小波一致性(r2)，和toi相对于aeeg信号或者processed eeg信号的相位差(φ)。在图4中是一个无脑病的新生儿出生后10个小时的小波一致性变换时频谱。
12.基于均方交叉小波一致性(r2)和相位差(φ)提取nvc特征用于定量分析。如图5所示，提取的特征主要有0.00025hz-0.001hz的有效一致性占总时间的百分比，发现无脑病的新生儿在0.00025hz-0.001hz的有效一致性百分比要明显高于患有脑病的新生儿。
13.此外，das等人发现尽管不同的aeeg算法会导出不同的aeeg波形，但计算得到的有效一致性百分比特征有着较好的一致性，说明不同的aeeg算法对基于小波一致性的nvc特征分析影响较小。在das等人后续的研究中，还发现处理过程更简单的processed eeg与aeeg计算出的有效一致性百分比特征也有着较好的一致性，为传统eeg设备计算nvc提供了一种灵活的方法。
14.基于aeeg信号和nirs信号和小波一致性算法评估新生儿nvc功能的方法，是一种新颖的、用于评估新生儿nvc功能的床旁实时监测方法，但目前存在以下的几个缺点：
15.利用的频率带较低，对实时监测数据时长有一定的要求。该方法主要利用的频率带为0.00025hz-0.001hz，对应的周期为17min-66min，那么eeg数据与nirs数据必须同时采集至少132min。但是在复杂的临床条件下，数据连续采集132min可能比较困难。
16.nvc评估指标与nvc生理原理关联性较低。方法提取的nvc指标为有效一致性百分比，指在0.00025hz-0.001hz频段内均方交叉小波一致性(r2)通过蒙特卡洛方法验证有效(p《0.05)的像素点占总的像素点的百分比，而通过蒙特卡洛方法验证有效与aeeg信号和toi信号的相关性有关，所以有效一致性百分比能够在一定程度上简介体现aeeg信号和toi信号的时频域相关性。但该指标只能度量aeeg信号和toi信号是否存在相关性，无法度量aeeg信号和toi信号的具体相关性数值。此外，根据nvc生理原理，需要准确定位和分析每次神经活动的时间点并评估nvc功能，并排除无神经活动的时间点。而有效一致性百分比指标使用了所有时间点，可能引入一些噪声信息。
17.nvc指标单一。该方法只提取了单个频段的一致性百分比特征，仅能获取aeeg信号和toi信号在同相位下有一定相关性的时间百分比。但nvc功能评估既要度量神经活动与cbf之间是否存在耦合，还要评估神经活动与cbf在耦合情况下的具体相对延迟。


技术实现要素：

18.为了解决上述技术问题或者至少部分地解决上述技术问题，本技术提供了一种神经血管耦合特征提取方法、装置及存储介质。
19.第一方面，本技术提供了一种神经血管耦合特征提取方法，所述方法包括步骤：
20.获取前额叶的toi信号和eeg信号；
21.对所述toi信号和所述eeg信号进行预处理并分别对应得到toi信号和aeeg信号；
22.计算所述toi信号和所述aeeg信号的时频谱；
23.提取所述toi信号和所述aeeg信号的标记区域；
24.根据标记区域数据提取所述toi信号和所述aeeg信号的nvc评估指标。
25.优选地，所述对所述toi信号和所述eeg信号进行预处理并分别对应得到toi信号和aeeg信号包括步骤：
26.获取所述toi信号的第一多文件和eeg信号的第二多文件；
27.对所述第一多文件和所述第二多文件进行多文件合并和时间轴同步；
28.将所述eeg信号转换为原始aeeg信号；
29.合并所述原始aeeg信号并得到aeeg信号；
30.对所述aeeg信号和所述toi信号进行优化处理。
31.优选地，所述合并所述原始aeeg信号并得到aeeg信号包括步骤：
32.获取所述eeg信号中的fp1通道信号和fp2通道信号；
33.将所述fp1通道信号转换为对应的aeeg-fp1信号；
34.将所述fp2通道信号转换为对应的aeeg-fp2信号；
35.判断所述toi信号是否存在一个通道；
36.若是，将所述aeeg-fp1信号和所述aeeg-fp2信号合并为aeeg信号；
37.若否，保持所述aeeg-fp1信号和所述aeeg-fp2信号。
38.优选地，所述对所述aeeg信号和所述toi信号进行优化处理包括步骤：
39.对所述aeeg信号和所述toi信号进行低通滤波处理；
40.对所述aeeg信号和所述toi信号进行值域缩放处理。
41.优选地，所述计算所述toi信号和所述aeeg信号的时频谱包括步骤：
42.分别计算所述aeeg信号和所述toi信号的cwt时频谱；
43.利用所述aeeg信号和所述toi信号的cwt时频谱计算交叉频谱；
44.对所述交叉频谱进行平方与归一化处理并得到aeeg信号和toi信号的小波一致性图谱。
45.优选地，所述提取所述toi信号和所述aeeg信号的标记区域包括步骤：
46.获取预设阈值和所述aeeg信号的时频谱；
47.根据所述阈值对所述时频谱中的cwt时频谱进行标记；
48.根据所述标记提取所述aeeg信号和所述toi信号的小波一致性图谱的对应区域。
49.优选地，所述根据标记区域数据提取所述toi信号和所述aeeg信号的nvc评估指标包括步骤：
50.获取超低频频段、低频频段和高频频段；
51.计算所述toi信号和所述aeeg信号在所述超低频频段、所述低频频段和所述高频频段的平均小波一致性；
52.计算所述toi信号和所述aeeg信号在所述超低频频段、所述低频频段和所述高频频段的平均相位差；
53.计算所述toi信号和所述aeeg信号的有效一致性百分比。
54.第二方面，本技术提供了一种神经血管耦合特征提取装置，包括：
55.信号获取模块，用于获取前额叶的toi信号和eeg信号；
56.信号处理模块，用于对所述toi信号和所述eeg信号进行预处理并分别对应得到
toi信号和aeeg信号；
57.时频谱计算模块，用于计算所述toi信号和所述aeeg信号的时频谱；
58.标记区域提取模块，用于提取所述toi信号和所述aeeg信号的标记区域；
59.评估指标提取模块，用于根据标记区域数据提取所述toi信号和所述aeeg信号的nvc评估指标。
60.第三方面，提供了一种电子设备，所述电子设备包括：
61.至少一个处理器；以及，
62.与所述至少一个处理器通信连接的存储器；其中，
63.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一所述神经血管耦合特征提取方法。
64.第四方面，提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一所述神经血管耦合特征提取方法。
65.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：
66.本技术基于nvc生理原理，利用小波一致性分析方法计算前额叶采集的toi信号和eeg信号的小波一致性，创新性的使用aeeg信号的cwt时频谱标记活跃区域，并用于提取小波一致性区域。本技术利用已划分的3个频段，提取每个频段下的平均小波性和平均相位差，以及提取基于全局时间占比的有效一致性百分比参数，共计7个nvc评估指标。本技术主要有以下3个有益效果：
67.(1)利用aeeg信号的cwt时频谱标记神经活动活跃的时频段，使参与计算的小波一致性区域均为神经活动活跃的区域，提高nvc指标数值与nvc生理原理的联系程度；
68.(2)使用三个频带，使数据的频带利用率有所提高，有助于发现更多更有效的信息；
69.(3)提取各个频带的平均小波一致性和平均相位差特征，前者主要反映神经活动时血流动力学响应的显著性，后者主要反映神经活动时血流动力学响应的及时性，比有效一致性百分比指标更加多样且全面。
附图说明
70.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
71.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
72.图1为现有技术中nvc机制中的前馈模型与反馈模型示意图；
73.图2为nvu功能改变可能导致的神经退行性疾病列表示意图；
74.图3为aeeg信号与被处理的eeg信号计算过程示意图；
75.图4为无脑病新生儿的aeeg信号与scto2信号的小波一致性时频谱示意图；
76.图5为无脑病新生儿组与患有脑病新生儿组的有效一致性百分比对比示意图；
77.图6为本技术实施例提供的一种神经血管耦合特征提取方法的流程示意图；
78.图7为本技术实施例提供的一种神经血管耦合特征提取方法中toi信号与eeg信号预处理前后对比示意图；
79.图8为本技术实施例提供的一种神经血管耦合特征提取方法中aeeg的cwt时频谱与aeeg和toi信号的小波一致性时频谱示意图；
80.图9为本技术实施例提供的一种神经血管耦合特征提取方法中aeeg的cwt时频谱标记与aeeg和toi信号的小波一致性时频谱标记示意图；
81.图10是本发明实施例提供的一种神经血管耦合特征提取装置的结构示意图；
82.图11是本发明提供的一种电子设备的结构示意图；
83.图12是本发明提供的一种非暂态计算机可读存储介质的结构示意图。
具体实施方式
84.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
85.图6为本技术实施例提供的一种神经血管耦合特征提取方法的流程示意图。
86.本技术提供了一种神经血管耦合特征提取方法，所述方法包括步骤：
87.s1：获取前额叶的toi信号和eeg信号；
88.具体地，前额叶的toi信号和eeg信号可以通过专用医疗设备获取得到，并存储在相应的存储介质上。
89.s2：对所述toi信号和所述eeg信号进行预处理并分别对应得到toi信号和aeeg信号；
90.在本技术实施例中，所述对所述toi信号和所述eeg信号进行预处理并分别对应得到toi信号和aeeg信号包括步骤：
91.获取所述toi信号的第一多文件和eeg信号的第二多文件；
92.对所述第一多文件和所述第二多文件进行多文件合并和时间轴同步；
93.将所述eeg信号转换为原始aeeg信号；
94.合并所述原始aeeg信号并得到aeeg信号；
95.对所述aeeg信号和所述toi信号进行优化处理。
96.具体地，由于数据采集问题或数据长度限制等问题，原始的toi信号和eeg信号均有可能被切分成两个及以上数量的文件，也即，toi信号具有第一多文件，eeg信号具有第二多文件，所以本技术需要首先对eeg信号和toi信号进行多文件合并和时间轴同步，使两组信号的长度相等且拥有共同时间段。之后利用原始eeg转aeeg工具箱(wu-neat,vesoulis,z.a.et al,2020)将eeg信号转换为原始aeeg信号。
97.在本技术实施例中，所述合并所述原始aeeg信号并得到aeeg信号包括步骤：
98.获取所述eeg信号中的fp1通道信号和fp2通道信号；
99.将所述fp1通道信号转换为对应的aeeg-fp1信号；
100.将所述fp2通道信号转换为对应的aeeg-fp2信号；
101.判断所述toi信号是否存在一个通道；
102.若是，将所述aeeg-fp1信号和所述aeeg-fp2信号合并为aeeg信号；
103.若否，保持所述aeeg-fp1信号和所述aeeg-fp2信号。
104.具体地，本步骤主要利用eeg数据中fp1通道信号和fp2通道信号，所以会得到左、右两个通道的aeeg信号，分别记为aeeg-fp1信号和aeeg-fp2信号。由于可能存在的nirs探头贴附差异，所以toi信号可能存在一个或两个通道。当toi存在两个通道时，则分别代表左、右侧前额叶的toi信号，分别记为toi-1和toi-2。此时本步骤将同时利用aeeg-fp1与toi-1信号和aeeg-fp2与toi-2信号两组信号，分别计算左、右两侧nvc指标。若toi仅存在一个通道时，则代表整个前额叶的toi信号，此时则需要将aeeg-fp1和aeeg-fp2合并成一个aeeg信号，并计算出代表整个前额叶的nvc指标。
105.在本技术实施例中，所述对所述aeeg信号和所述toi信号进行优化处理包括步骤：
106.对所述aeeg信号和所述toi信号进行低通滤波处理；
107.对所述aeeg信号和所述toi信号进行值域缩放处理。
108.具体地，在得到aeeg信号和toi信号后，还需要对信号进行低通滤波处理和值域缩放处理，以去除无效频段和绝对数值差异对计算结果的影响。预处理前与预处理后的toi信号和eeg信号对比如图7所示。
109.s3：计算所述toi信号和所述aeeg信号的时频谱；
110.在本技术实施例中，所述计算所述toi信号和所述aeeg信号的时频谱包括步骤：
111.分别计算所述aeeg信号和所述toi信号的cwt时频谱；
112.利用所述aeeg信号和所述toi信号的cwt时频谱计算交叉频谱；
113.对所述交叉频谱进行平方与归一化处理并得到aeeg信号和toi信号的小波一致性图谱。
114.具体地，在得到经过预处理的aeeg信号和toi信号后，先分别计算aeeg信号和toi信号的cwt时频谱，再利用两者的cwt时频谱计算交叉频谱并通过平方与归一化方法处理得到aeeg信号和toi信号的小波一致性图谱。在图8中举例说明了aeeg信号的cwt时频谱和aeeg信号与toi信号的小波一致性图谱。
115.s4：提取所述toi信号和所述aeeg信号的标记区域；
116.在本技术实施例中，所述提取所述toi信号和所述aeeg信号的标记区域包括步骤：
117.获取预设阈值和所述aeeg信号的时频谱；
118.根据所述阈值对所述时频谱中的cwt时频谱进行标记；
119.根据所述标记提取所述aeeg信号和所述toi信号的小波一致性图谱的对应区域。
120.具体地，基于nvc生理原理，需要获取神经发生时对应的血流动力学反应。所以本技术创新性的加入了aeeg高能量区域标记功能。通过设立阈值对aeeg信号的cwt时频谱进行标记，并依据此标记提取aeeg信号和toi信号小波一致性图谱的对应区域，随后的nvc评估指标提取将仅利用标记区域的数据进行计算。在图9中举例说明了使用aeeg信号的cwt时频谱进行标记以及在小波一致性时频谱中使用方法。
121.s5：根据标记区域数据提取所述toi信号和所述aeeg信号的nvc评估指标。
122.在本技术实施例中，所述根据标记区域数据提取所述toi信号和所述aeeg信号的nvc评估指标包括步骤：
123.获取超低频频段、低频频段和高频频段；
124.计算所述toi信号和所述aeeg信号在所述超低频频段、所述低频频段和所述高频频段的平均小波一致性；
125.计算所述toi信号和所述aeeg信号在所述超低频频段、所述低频频段和所述高频频段的平均相位差；
126.计算所述toi信号和所述aeeg信号的有效一致性百分比。
127.具体地，本步骤共七个nvc评估指标，3个频段的平均小波一致性、3个频段的平均相位差和有效一致性百分比。划分成多个频段的目的为考虑到在不同生理状态下，血流动力学响应可能会出现落后于神经活动发生或响应不显著，在频段上会出现高频响应丢失但低频或超低频响应依旧存在，有利于发现nvc临界情况下的指标表现。平均小波一致性体现aeeg信号和toi信号的时频域相关性，值域范围为0到1，越接近1代表血流动力学对于神经活动的响应越强；反之，越接近0代表血流动力学对于神经活动的响应越弱。平均相位差体现toi信号相对于aeeg信号的时间延迟，值域范围为-π到π，越接近0代表血流动力学对于神经活动的响应越快，为正值时表示血流动力学响应要晚于神经活动一定时间，为负值时表示血流动力学响应要早于神经活动一定时间。有效一致性百分比含义与das等人的工作中相同，度量有效的一致性时间段占总体时间段的百分比。
128.如图10，本技术提供了一种神经血管耦合特征提取装置，包括：
129.信号获取模块10，用于获取前额叶的toi信号和eeg信号；
130.信号处理模块20，用于对所述toi信号和所述eeg信号进行预处理并分别对应得到toi信号和aeeg信号；
131.时频谱计算模块30，用于计算所述toi信号和所述aeeg信号的时频谱；
132.标记区域提取模块40，用于提取所述toi信号和所述aeeg信号的标记区域；
133.评估指标提取模块50，用于根据标记区域数据提取所述toi信号和所述aeeg信号的nvc评估指标。
134.本技术提供的一种神经血管耦合特征提取装置可以执行上述步骤提供的一种神经血管耦合特征提取方法。
135.应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
136.下面参考图11，其示出了适于用来实现本公开实施例的电子设备100的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
137.如图11所示，电子设备100可以包括处理装置(例如中央处理器、图形处理器等)101，其可以根据存储在只读存储器(rom)102中的程序或者从存储装置108加载到随机访问存储器(ram)103中的程序而执行各种适当的动作和处理。在ram 103中，还存储有电子设备
100操作所需的各种程序和数据。处理装置101、rom 102以及ram 103通过总线104彼此相连。输入/输出(i/o)接口105也连接至总线104。
138.通常，以下装置可以连接至i/o接口105：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置106；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置107；包括例如磁带、硬盘等的存储装置108；以及通信装置109。通信装置109可以允许电子设备100与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
139.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置109从网络上被下载和安装，或者从存储装置108被安装，或者从rom 102被安装。在该计算机程序被处理装置101执行时，执行本公开实施例的方法中限定的上述功能。
140.下面参考图12，其示出了适于用来实现本公开实施例的计算机可读存储介质的结构示意图，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现如上述中任一所述的神经血管耦合特征提取方法。
141.本技术提供的一种神经血管耦合特征提取方法、装置及存储介质基于nvc生理原理，利用小波一致性分析方法计算前额叶采集的toi信号和eeg信号的小波一致性，创新性的使用aeeg信号的cwt时频谱标记活跃区域，并用于提取小波一致性区域。本技术利用已划分的3个频段，提取每个频段下的平均小波性和平均相位差，以及提取基于全局时间占比的有效一致性百分比参数，共计7个nvc评估指标。本技术主要有以下3个有益效果：
142.(1)利用aeeg信号的cwt时频谱标记神经活动活跃的时频段，使参与计算的小波一致性区域均为神经活动活跃的区域，提高nvc指标数值与nvc生理原理的联系程度；
143.(2)使用三个频带，使数据的频带利用率有所提高，有助于发现更多更有效的信息；
144.(3)提取各个频带的平均小波一致性和平均相位差特征，前者主要反映神经活动时血流动力学响应的显著性，后者主要反映神经活动时血流动力学响应的及时性，比有效一致性百分比指标更加多样且全面。
145.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
146.以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明
将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种神经血管耦合特征提取方法，其特征在于，所述方法包括步骤：获取前额叶的toi信号和eeg信号；对所述toi信号和所述eeg信号进行预处理并分别对应得到toi信号和aeeg信号；计算所述toi信号和所述aeeg信号的时频谱；提取所述toi信号和所述aeeg信号的标记区域；根据标记区域数据提取所述toi信号和所述aeeg信号的nvc评估指标。2.根据权利要求1所述的神经血管耦合特征提取方法，其特征在于，所述对所述toi信号和所述eeg信号进行预处理并分别对应得到toi信号和aeeg信号包括步骤：获取所述toi信号的第一多文件和eeg信号的第二多文件；对所述第一多文件和所述第二多文件进行多文件合并和时间轴同步；将所述eeg信号转换为原始aeeg信号；合并所述原始aeeg信号并得到aeeg信号；对所述aeeg信号和所述toi信号进行优化处理。3.根据权利要求2所述的神经血管耦合特征提取方法，其特征在于，所述合并所述原始aeeg信号并得到aeeg信号包括步骤：获取所述eeg信号中的fp1通道信号和fp2通道信号；将所述fp1通道信号转换为对应的aeeg-fp1信号；将所述fp2通道信号转换为对应的aeeg-fp2信号；判断所述toi信号是否存在一个通道；若是，将所述aeeg-fp1信号和所述aeeg-fp2信号合并为aeeg信号；若否，保持所述aeeg-fp1信号和所述aeeg-fp2信号。4.根据权利要求2所述的神经血管耦合特征提取方法，其特征在于，所述对所述aeeg信号和所述toi信号进行优化处理包括步骤：对所述aeeg信号和所述toi信号进行低通滤波处理；对所述aeeg信号和所述toi信号进行值域缩放处理。5.根据权利要求1所述的神经血管耦合特征提取方法，其特征在于，所述计算所述toi信号和所述aeeg信号的时频谱包括步骤：分别计算所述aeeg信号和所述toi信号的cwt时频谱；利用所述aeeg信号和所述toi信号的cwt时频谱计算交叉频谱；对所述交叉频谱进行平方与归一化处理并得到aeeg信号和toi信号的小波一致性图谱。6.根据权利要求1所述的神经血管耦合特征提取方法，其特征在于，所述提取所述toi信号和所述aeeg信号的标记区域包括步骤：获取预设阈值和所述aeeg信号的时频谱；根据所述阈值对所述时频谱中的cwt时频谱进行标记；根据所述标记提取所述aeeg信号和所述toi信号的小波一致性图谱的对应区域。7.根据权利要求1所述的神经血管耦合特征提取方法，其特征在于，所述根据标记区域数据提取所述toi信号和所述aeeg信号的nvc评估指标包括步骤：获取超低频频段、低频频段和高频频段；
计算所述toi信号和所述aeeg信号在所述超低频频段、所述低频频段和所述高频频段的平均小波一致性；计算所述toi信号和所述aeeg信号在所述超低频频段、所述低频频段和所述高频频段的平均相位差；计算所述toi信号和所述aeeg信号的有效一致性百分比。8.一种神经血管耦合特征提取装置，其特征在于，包括：信号获取模块，用于获取前额叶的toi信号和eeg信号；信号处理模块，用于对所述toi信号和所述eeg信号进行预处理并分别对应得到toi信号和aeeg信号；时频谱计算模块，用于计算所述toi信号和所述aeeg信号的时频谱；标记区域提取模块，用于提取所述toi信号和所述aeeg信号的标记区域；评估指标提取模块，用于根据标记区域数据提取所述toi信号和所述aeeg信号的nvc评估指标。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一权利要求1-7所述神经血管耦合特征提取方法。10.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-7所述神经血管耦合特征提取方法。

技术总结
本申请涉及一种神经血管耦合特征提取方法、装置及存储介质，包括步骤：获取前额叶的TOI信号和EEG信号；对所述TOI信号和所述EEG信号进行预处理并分别对应得到TOI信号和aEEG信号；计算所述TOI信号和所述aEEG信号的时频谱；提取所述TOI信号和所述aEEG信号的标记区域；根据标记区域数据提取所述TOI信号和所述aEEG信号的NVC评估指标。利用aEEG信号的CWT时频谱标记神经活动活跃的时频段，使参与计算的小波一致性区域均为神经活动活跃的区域，提高NVC指标数值与NVC生理原理的联系程度；提取各个频带的平均小波一致性和平均相位差特征，前者主要反映神经活动时血流动力学响应的显著性，后者主要反映神经活动时血流动力学响应的及时性，比有效一致性百分比指标更加多样且全面。面。面。


技术研发人员：朱兆坤 李岳 孟煜
受保护的技术使用者：苏州爱琴生物医疗电子有限公司
技术研发日：2023.03.14
技术公布日：2023/7/19