用于全局LFP帕金森症特征值提取的系统及方法与流程

本发明涉及脑电波电数字数据处理领域，具体涉及用于脑起搏器的一种用于全局lep帕金森症特征值提取的系统及方法。

背景技术：

帕金森（parkinson’sdisease，pd）是一种常见的神经系统变性疾病，脑起搏器手术是治疗帕金森病的主要手段之一。脑起搏器是一套精致小巧的微电子装置，包括一个脉冲发生器、一组电极以及连接在脉冲发生器和电极之间的延伸导线。

脑起搏器手术是脑深部电刺激疗法（dbs）的俗称，通过植入大脑中的电极，发放弱电脉冲，刺激脑内控制运动的相关神经核团，抑制引起帕金森病症状的异常脑神经信号，从而消除帕金森病的症状，使患者能够恢复原有的活动能力和自理能力。

然而，目前在使用脑起搏器时存在如下缺陷：

1.刺激参数主要依靠对患者的观察和患者描述得到刺激频率和强度，通过经验获得，导致不同的人在操作脑起搏器时差异性大；刺激参数调节的主观依赖性强，过多依靠医师经验积累，不利于dbs技术的全面推广。

2.参数的调节缺乏时间敏感度，不能够及时的根据患者身体状况的变化做出及时调整，现在的平均调整周期为3-12个月，不能根据患者病情的变化进行针对性治疗；

为了克服目前脑起搏器的缺陷，局部场电位（localfieldpotential，lfp）是闭环dbs最理想的刺激参考信号。局部场电位是一类特殊的电生理信号，在生物体内，具有一定体积的生物组织中的树突突触活动会引发电流，当这股电流流经具有一定阻抗的细胞外空间时，就形成了一定的电场分布，在某一点记录到的局部电压值就叫做局部场电位。测量lfp核团附近所有神经元电活动的总体情况，可以通过得到的lfp变化情况来反映大脑的不同活动状态。

然而，将lfp作为闭环dbs的刺激参考信号仅仅是一种设想，现在并没有一个完备的系统来真正实现将lfp信号作为刺激参考信号使脑起搏器发放的弱电脉冲自动变化。究其原因，是因为现在没有办法从lfp信号中提取出一个客观的不依赖医生经验的，且能够准确反映脑部活动状况，可预测的帕金森特征值。通过这个特征值，可以使脉冲发生器针对帕金森病症输出适当的脉冲刺激。这里所说的客观与不依赖医生经验，不仅仅是指特征值的产生方法和途径上需要客观，更指在对原始lfp信号的提取和处理上需要客观。现在，即使大家获得同样的lfp信号，但在对lfp信号的处理上也存在较大的技术偏见。在处理lfp信号时基本上都会舍弃表面信息量较少的频段，但是对于究竟哪些频段的lfp信号信息量较少并没有一个客观的判断标准。而且，那些被舍弃不用的的lfp信号频段中，所含有的有效信息对整个特征值的影响究竟有多大也无从得知。无论是从lfp信号的提取还是处理上，都需要一个客观的，不依赖于医生经验的系统和方法，才能使最后的帕金森特征值能够准确反映患者的治疗情况。

因此，现在急需提供一种能够为患者提供准确、适当且可预测的脉冲刺激频率和强度的帕金森特征值的提取的系统及方法。

技术实现要素：

本发明意在提供一种用于全局lfp帕金森症特征值提取的系统，以解决现有起搏器因为没有一个客观的不依赖于医生经验的帕金森症特征值而使起搏器在使用时过多依赖人的经验，不能为患者提供准确、适当且可预测的脉冲刺激频率和强度的问题。

为解决以上问题，提供如下方案：

方案一：用于全局lfp帕金森症特征值提取的系统，包括：

信号收发模块，同时产生刺激脉冲和测量lfp信号；

特征提取模块，与信号收发模块连接，用来对信号收发模块测得的lfp信号进行能量分析，并根据分析结果将lfp信号进行频谱分段，提取各频段的特征值；

综合处理模块，与特征提取模块连接，将特征提取模块提取的每个频段的特征值与预先存储在综合处理模块上的能量基线谱上的各个对应点值做差；根据每个频段特征值与能量基线谱上各个对应点的差值计算每个频段与能量基线谱的相关系数；

输出模块，与综合处理模块和脑起搏器连接，将综合处理模块得到的各频段的相关系数作为权重值，每个频段的特征值和相关系数的乘积相加得到全局lfp帕金森特征值。

系统原理：

在系统给运行时，信号收发模块在产生刺激脉冲的同时也在进行lfp信号的测量，不用额外设置用来测量lfp信号的采集端，既减少了设备数量，又可以快捷地进行刺激信号的发放和反馈信号的接收。在信号收发模块向大脑产生刺激脉冲的一段时间后，信号收发模块可以采集到一段变化的lfp信号。信号收发模块将这段lfp信号传递给特征提取模块。特征提取模块将这段lfp信号进行处理后进行能量分析，并根据能量分析的结果将lfp信号分成能量含量不同的几个频段，并对各个频段进行特征值提取。综合处理模块在接收到被特征提取模块提取出来的每个频段的多个离散的特征值时，将这些特征值分别与对应的能量基线谱上的对应点值做差值，并根据所得差值计算该频段的频谱与能量基线谱的相关性系数。将相关性系数作为权重值，分别与每个频段的特征值做乘积，各个频段的乘积相加就得到可以输入到脑起搏器的全局lfp帕金森特征值。

有益效果：

信号收发模块同时具有产生刺激脉冲和测量lfp信号的功能，能够减少额外的模块设置，同时能够减少操作步骤，在向大脑进行刺激信号发送的同时就能够立即得到相应的lfp信号响应。

本发明综合考虑了lfp信号上每个频段的特征值，能够全面反应lfp信号上的所有信息，不仅增加了信息的多样性，增加了信息容量，还能使整个lfp信号特征表现得更加明显；使最终得到的帕金森特征值能够客观地体现整个lfp信号所要表达的信息内容，使在这个被提取出来的帕金森特征值能够更加贴近患者的实际治疗情况。相比以往其他人只选取lfp信号中某一频段的做法，采用全频段上所有的特征值更能反应这段lfp信号与帕金森症的关系，能够得到更加准确、适当、客观的全局lfp帕金森特征值，使脑起搏器在参照这个全局lfp帕金森特征值后输出的刺激脉冲能够与当前患者的病症相符合。

本发明有效解决了现有的脑起搏器过于依赖医生经验，不能为患者提供准确、适当且可预测的脉冲刺激频率和强度的问题。

方案二：在方案一的基础上，信号收发模块为至少包含有两组触点的微电极，且两组触点之间连接有滤波电路。

通过滤波电路可以在采集的时候就消除刺激脉冲对lfp信号的干扰影响，使采到的lfp信号尽量的无噪音干扰，便于特征提取模块对lfp信号进行处理。

方案三：在方案一的基础上，所述特征提取模块包括微控制器，以及分别与微控制器连接的：

频谱变换模块，将lfp信号的频谱通过预先存储的公式变换成能量谱；

频段分段模块，与频谱变换模块连接，将接收到的能量频谱根据其纵坐标上能量值的大小进行聚类分析，根据分析的结果，将能量频谱分成不少于三个的分频段；

分频段特征值提取模块，与频段分段模块和综合处理模块连接，将每个频段根据频域上的平均分配所提取的能量值作为该频段的特征值；每个频段的特征值个数相等。

通过频谱变换模块将直接通过信号收发模块得到的lfp信号时域频谱逐渐转换成了能量频谱，方便后面进行特征值提取。能量频谱分段的时候，根据每个频段的能量值的大小不同进行聚类分析，把能量值相近的一段连续频谱分到一个分段中，将整个能量频谱分解成不少于三个的分频段。因为每个分频段的能量值几乎上是相同的，可以推定在这个分频段中大脑的活动状况是相近的，从这个分频段中所表现出来的特征是相近的，这样将整个lfp能量谱频段可以分割成更加利于分析和特征值提取的多个分频段。

方案四：在方案三的基础上，综合处理模块包括：

差值模块，与分频段特征值提取模块连接；从分频段特征值提取模块中接收到的各分频段上的特征值，并将各分频段上的特征值与预先存储的能量基线谱相减得到差值，输出差值的绝对值；

相关系数模块，分别与差值模块和输出模块连接，将从差值模块接收到的差值通过预先存储的互相关函数计算出相关系数并输出到输出模块中。

通过互相关函数计算出每个分频段中的相关系数，作为各个分频段中的权重值参与到输出模块中的全局lfp帕金森特征值的提取计算中。

本发明的另一目的是提供一种用于全局lfp帕金森症特征值提取的方法，包括以下步骤：

步骤一，信号设定：通过信号收发模块测得不同状态下的lfp信号，并将这些lfp信号分别定义为帕金森症患者正常状态下的第一lfp信号，帕金森病状态下的且不做任何的dbs刺激及药物治疗的第二lfp信号，帕金森病状态下的仅进行dbs刺激治疗的第三lfp信号，帕金森病状态下的仅服用药物治疗的第四lfp信号，帕金森病状态下的且同时进行dbs刺激及药物治疗的第五lfp信号；

步骤二，lfp信号预处理：依次对采集到的lfp信号进行滤波、去噪及降采样，分别得到1-7hz的低频lfp信号、8-35hz的中频lfp信号以及150hz以上的高频lfp信号；

步骤三，谱分析：通过频谱变换模块和频段分段模块将经预处理的信号从时域转换到频域进行分析：结合频谱、功率谱、光谱进行分析，分别得到低频lfp信号、中频lfp信号和高频lfp信号的频域特征；

步骤四，各频段特征提取及标准化：通过分频段特征值提取模块将步骤三种得到的各个频段上的频域特征进行量化处理，得到0-100内的离散值；

步骤五，全局建模及特征标准化：通过综合处理模块将前面获取的各个频段的特征值作为参数，其所代表的频段与其帕金森症状的相关性作为权重，进行建模，并通过输出模块输出全局特征值。

本发明通过信号设定、lfp信号预处理、谱分析、各频段特征提取及标准化以及全局建模及特征标准化的步骤，将整个lfp信号客观地采集出来，并客观全面地提取出反映该lfp信号的帕金森全局特征值。本发明没有舍弃表面信息量少的某一频段的信息，而是通过本领域技术供人的信息频段中，通过对低频段、中频段和高频段上的所有lfp信号进行分析和建模，得到一个可以用来直接判断产生的起搏器电刺激参数是否适合准确、适当的全局特征值。提升了闭环dbs的稳定性。当局部的特征紊乱的时候不至于影响dbs得出正常的电刺激参数，不会影响正常的dbs操作；当某个频段的信号特征出现了紊乱之后，系统能够依据其他频段的特征给出合理有效的全局特征值。

本发明不仅仅考虑某一频段上的特征值，而且是综合、全面地考虑整个频段上的lfp信号变化，从而得到准确、适当、与帕金森症治疗反应正相关的全局特征值，有利于减少现在dbs操作时对医生个人经验的过度依赖，通过全局特征值客观地采取脑起搏器的电刺激参数的选取和调整。同时，本发明通过在在多环境下对局部场电位的特征进行分析最后得到一个全局特征值，提升了全局特征值的适用范围。

进一步，在步骤三中，将经过预处理的信号采用fft算法进行转换，获取信号的频谱和功率谱，对各个频段上能量进行量化评估；或者，在步骤三中，分别对各个频段的信号采用希尔伯特黄变换进行频域转换，并分别根据功率谱和光谱，观测各个频段上的特征；或者，在步骤三中，先取所采集数据量的一半量的数据，整体分析各个环境下整体的功率谱上的特征，根据分析的结果进行归类整理，根据整理的结果，对于各种环境下的频段进行固化，然后利用希尔伯特黄变换方法对数据进行处理。

fft算法，为最基础的算法，能够较为高效的获得全局的频域特征。

希尔伯特黄变换，主要获取信号的时频特征，监测信号的瞬时变化特性。

进一步，在步骤四中，取采集到的所有信号的能量峰值作为标准值，进行归一化处理；将各个能量值映射在0-100的波动范围内，对分频段的能量值取其所有能量的平均值，作为特征值；或者，在步骤四中，对各个频段上按照各自的情况进行统计处理，结合正常的lfp信号在各个频段上的能量，计算出各个频段上的基线，将各个频段上能量值与基线做差，将各个频段差值的和作为特征值输出；将特征值以信号峰值作为标准，在0-100之间量化。

进一步，在步骤五中，采用线性回归模型，将其代表的频段与帕金森症状之间的相关性计算出来，作为线性模型的系数，量化到0-1的波动范围；将各个频段的参数作为输入与系数做乘法，将最后获得的结果作为全局特征值输出；或者，在步骤五中，采用人工神经网络模型，将采集到离线的数据作为训练样本，根据分频的个数，设计神经网络节点的数量，将相关性系数作为节点的权重，进行网络的学习；学习完成后，将各个频段的特征值作为输入，输入到对应的节点，将模型输出作为全局特征值输出。

进一步，在步骤五中，低频段的特征参数叠加一个dbs刺激扰动参数，中频段的特征参数叠加一个药物影响扰动参数，高频段的特征参数叠加dbs刺激及药物影响扰动参数；dbs刺激扰动参数、药物影响扰动参数和dbs刺激及药物影响扰动参数均处于0-1范围内。

本文中的信号峰值指的是最高峰的峰值。

分别将dbs刺激扰动参数、药物影响扰动参数和dbs刺激及药物影响扰动参数作为全局建模的权重系数之一参与计算，在低频段只考虑dbs刺激扰动参数，在中频段只考虑药物影响扰动参数，在高频段只考虑dbs刺激及药物影响扰动参数。其中，各频段本身的特征参数是通过步骤一中的第一lfp信号和第二lfp信号的差值得到的；dbs刺激扰动参数是通过步骤一中的第三lfp信号得到的；药物影响扰动参数通过步骤一中的第四lfp信号得到的；dbs刺激及药物影响扰动参数通过步骤一中的第五lfp信号得到的。通过步骤三中的谱分析和观察，对每个频段各自叠加适合该频段的扰动参数，能够使最终得到的各个频段的特征值更加贴合各个频段实际突出表现的信息内容。

附图说明

图1为本发明实施例的逻辑框图。

图2为本发明实施例的全局特征值提取的流程图。

具体实施方式

下面通过具体实施方式对本发明作进一步详细的说明：

说明书附图的附图标记为：信号收发模块1、特征提取模块2、综合处理模块3、输出模块4、微控制器5、频谱变换模块6、频段分段模块7、分频段特征值提取模块8、差值模块9、相关系数模块10、异常放电状态评估模块11、控制规则库设计模块12、产生刺激模块13。

实施例

如图1所示，用于全局lfp帕金森症特征值提取的系统，包括：

信号收发模块1，通过植入电极采集stn或gpi部位的场电位信号；同时产生刺激脉冲和测量lfp信号；信号收发模块1为至少包含有两组触点的微电极，且两组触点之间连接有滤波电路。

特征提取模块2，对场电位信号进行特征提取；与信号收发模块1连接，用来对信号收发模块1测得的lfp信号进行能量分析，并根据分析结果将lfp信号进行频谱分段，提取各频段的特征值；

综合处理模块3，与特征提取模块2连接，将特征提取模块2提取的每个频段的特征值与预先存储在综合处理模块3上的能量基线谱上的各个对应点值做差；根据每个频段特征值与能量基线谱上各个对应点的差值计算每个频段与能量基线谱的相关系数；

输出模块4，与综合处理模块3和脑起搏器连接，将综合处理模块3得到的各频段的相关系数作为权重值，每个频段的特征值和相关系数的乘积相加得到全局lfp帕金森特征值。

其中，特征提取模块2包括微控制器5，以及分别与微控制器5连接的三个模块：

频谱变换模块6，将lfp信号的时域频谱通过预先存储的公式变换成能量频谱；

频段分段模块7，与频谱变换模块6连接，将接收到的能量频谱根据其纵坐标上能量值的大小进行聚类分析，根据分析的结果，将能量频谱分成不少于三个的分频段；

分频段特征值提取模块8，与频段分段模块7和综合处理模块3连接，将每个频段上根据频域上的平均分配提取对应的能量值作为该频段的特征值；每个频段的特征值个数相等。

其中，综合处理模块3包括：

差值模块9，与分频段特征值提取模块8连接，将从分频段特征值提取模块8中接收到的各分频段上的特征值与预先存储的能量基线谱相减得到差值的绝对值输出；

相关系数模块10，分别与差值模块9和输出模块4连接，将从差值模块9接收到的差值通过预先存储的互相关函数计算出相关系数输出到输出模块4中。

通过用于全局lfp帕金森症特征值提取的系统，构建闭环的dbs系统，主要包括与特征提取模块2和综合处理模块3连接的异常放电状态评估模块11；分别与异常放电状态评估模块11和输出模块4连接的控制规则库设计模块12；分别与控制规则库设计模块12和信号收发模块1连接的产生刺激模块13。

异常放电状态评估模块11：通过特征提取后获取的特征值，评估当前发病状态；没有异常放电状态评估模块11，可以直接将输出模块4输出的全局特征值输入到控制规则库设计模块12中进行电刺激选择。增加异常放电状态评估模块11，可以使控制规则库设计模块12的输入不仅仅只有全局特征值，可以使控制规则库设计模块12向产生刺激模块13输出更加准确和贴合患者实际情况的电刺激。

控制规则库设计模块12：根据脑功能状态及发病强弱设置对应的刺激参数表；

产生刺激模块13：通过植入电极产生刺激。产生刺激模块13可以是单独的微电极，也可以是与信号收发模块1二合一的微电极。

如图2所示，在构建好dbs系统后，对与刺激参数一一对应的全局特征值进行提取，具体的提取步骤如下：

步骤一，信号设定s1：首先，将脑起搏器对应的电极植入到基底神经节部位的丘脑核底处（subthalamicnucleus，stn），植入的为棒状的电极棒，在电极棒的底部有四个电极点，从上到下分别标记为第一电极、第二电极、第三电极、第四电极，其中第一电极、第三电极为记录电极，负责记录丘脑底核的场电位信号，第二电极、第四电极为刺激电极，负责产生刺激脉冲；电极通过手术植入到丘脑底核，一般为双侧植入，也就需要两个电极棒，共有四个电极刺激点，四个场电位记录电极，分别位于两侧。场电位信号的传递和刺激脉冲的传递通过导线完成传输。然后，将dbs控制端植入到胸前锁骨下的部位，在dbs的控制端完成采集信号分析处理。在dbs的控制端需要在现有设备的基础上增加信号采集电路，包括a/d转换、信号放大、硬件滤波电路等。a/d转换,主要完成将模拟的信号按照一定的采样率转换成数字信号，由于脑电信号微弱，在进行转换之前需要先进行信号的放大，并且要求a/d转换电路有较高的分辨率，实施例采用24位的模数转换器，信号最大放大倍数在2000倍。硬件滤波电路，对传输过来的lfp信号直接进行硬件上的滤波，主要为了滤除在dbs刺激环境下的干扰伪迹。dbs控制端与植入颅内的电极通过埋在皮下的导线相连接。

将脑起搏器的微电极植入到不同症状的颅内采集lfp信号，分别得帕金森症患者正常状态下的第一lfp信号，帕金森病状态下的且不做任何的dbs刺激及药物治疗的第二lfp信号，帕金森病状态下的仅进行dbs刺激治疗的第三lfp信号，帕金森病状态下的仅服用药物治疗的第四lfp信号，帕金森病状态下的且同时进行dbs刺激及药物治疗的第五lfp信号；

lfp信号由植入颅内的微电极进行采集，并不植入专门的信号采集电极，减少患者的负担。利用dbs电极作为信号采集电极，需要解决刺激信号对信号采集的影响。从硬件电路进行设计，在第一电极和第三电极与第二电极和第四电极之间增加硬件滤波电路，从硬件上直接去除刺激信号产生的人工伪迹干扰，使得到的lfp信号不受到刺激信号的干扰，从而完成在dbs刺激的同时进行信号记录的任务。

步骤二，lfp信号预处理s2：依次对采集到的lfp信号进行滤波、去噪及降采样，分别得到每种状态下1-7hz的低频lfp信号、8-35hz的中频lfp信号以及150hz以上的高频lfp信号；

其中，信号的滤波是主要是指采用带通滤波针对特殊频段的干扰进行滤除，包含对各段信号根据下个阶段的任务对滤波器进行设计，主要目的是为了去除高频的spikes电位。去噪，主要是指去除伪迹，主要针对前面提及到的dbs刺激产生的伪迹进行软件的进一步滤除；降采样，是指根据应用的需求，结合最大的频率需求，降低信号的采样频率，减小数据量，降低算法处理的难度，提升算法运行的效率，便于将算法移植到dbs系统的控制端。最后在信号采集的过程中，做好信号时间序列的整理。

设计卡尔曼滤波器，对采集到的信号进行滤波，滤波器采用三阶滤波，兼顾运行效率和准确度。首先进行带通滤波，滤除特定频率的干扰，带通滤波器主要滤除与dbs刺激频率相同的频段，如何130hz附近；另外进行低通滤波器，滤除高频的spikes电位干扰，低通滤波器的截止频率为200hz，将高于200hz的频率成分滤除。根据上面滤波的要求，在信号进行滤波处理之前，需要对信号进行降采样，将信号的采样频率固定在500hz，保证信号在0-200hz频段的信号能够较好的保留模拟信号的特征。最后保留信号的时间序列。

步骤三，谱分析s3：将经预处理的信号从时域转换到频域进行分析：结合频谱、功率谱、光谱进行分析，分别得到低频lfp信号、中频lfp信号和高频lfp信号的频域特征；直接将第二至第五lfp信号上各个频段的能量谱与帕金森症患者正常情况下测得的第一lfp信号的能量谱进行对比。在各个频段内分别10个均匀分布的频率值，这10个频率值对应的功率值即为每个频段的特征值。

在步骤三中，可以直接将经过预处理的信号进行转换，采用最基础的fft算法，从整体上对算法谱分析，直接从功率谱图观察对各个频段的信号进行评估。fft算法，为最基础的算法，能够较为高效的获得全局的频域特征。

或者，在步骤三中，对于经过预处理的信号，首先采用滤波器进行分频，将信号分成预先设定好的几个频段，然后分别对各个频段的信号进行功率谱、光谱分析，观测各个频段上的特征，进行频域转换的时候采用希尔伯特黄变换，关注信号时频变换特点。希尔伯特黄变换，主要获取信号的时频特征，监测信号的瞬时变化特性。

或者，在步骤三种，获取频谱之后，采用经典法，分别获取信号的频谱密度图与光谱图，所有频谱密度采用统一的量化标准，先取一定量的数据，整体分析各个环境下整体的功率谱上的特征，采用最小二乘法对结果进行归类整理，根据整理的结果，对于各种环境下的频段进行固化，计算出理论基线，采用滤波器进行分频，将信号分成预先设定好的几个频段，然后分别对各个频段的信号进行功率谱、光谱分析，观测各个频段上的特征。

步骤四，各频段特征提取及标准化s4：将步骤三种得到的各个频段上的频域特征进行量化处理，得到0-100内的离散值；

在步骤四中，可以取采集到的所有信号的能量最高峰值作为标准值，进行归一化处理；将各个能量值映射在0-100的波动范围内，对分频段的能量值取其所有能量的平均值，作为特征值。

或者，在步骤四中，对各个频段上按照各自的情况进行统计处理，结合正常的lfp信号在各个频段上的能量，计算出各个频段上的基线，将各个频段上能量值与基线做差，将各个频段差值的和作为特征值输出；将特征值以信号最高峰值作为标准，在0-100之间量化。

步骤五，全局建模及特征标准化s5：前面获取的各个频段的特征值作为参数，其所代表的频段与其帕金森症状的相关性作为权重，进行建模，输出全局特征值。

在步骤五中，可以采用线性回归模型，将其代表的频段与帕金森症状之间的相关性进行计算出来，作为线性模型的系数，量化到0-1的波动范围，将各个频段的参数作为输入与系数做乘法，将最后获得的结果作为全局的特征参数输出。

或者，在步骤五中，用人工神经网络模型，将采集到离线的数据作为数据库，根据分频段的数量预设为三，设计神经网络节点的数量，将相关性系数作为节点的权重，将采集到的离线的数据库作为测试数据进行网络的学习。学习完成后，将各个频段的特征值作为输入，输入到对应的节点，将模型输出作为全局的特征值。

或者，在步骤五中，将环境的因素考虑到建模中来，低频段的特征参数考虑其与dbs刺激之间的关系，beta段考虑其受到药物干扰的影响，高频段考虑与dbs刺激参数之间的重叠。将这个三种环境下个干扰设置一个扰动参数，将该参数引入到上面所提的两种方案之中，是的整体算法的适应性有所提升。

低频段的特征参数叠加一个dbs刺激扰动参数，中频段的特征参数叠加一个药物影响扰动参数，高频段的特征参数叠加dbs刺激及药物影响扰动参数；dbs刺激扰动参数、药物影响扰动参数和dbs刺激及药物影响扰动参数均处于0-1范围内。

本文中的信号峰值指的是最高峰的峰值。

分别将dbs刺激扰动参数、药物影响扰动参数和dbs刺激及药物影响扰动参数作为全局建模的权重系数之一参与计算，在低频段只考虑dbs刺激扰动参数，在中频段只考虑药物影响扰动参数，在高频段只考虑dbs刺激及药物影响扰动参数。其中，各频段本身的特征参数是通过步骤一中的第一lfp信号和第二lfp信号的差值得到的；dbs刺激扰动参数是通过步骤一中的第三lfp信号得到的；药物影响扰动参数通过步骤一中的第四lfp信号得到的；dbs刺激及药物影响扰动参数通过步骤一中的第五lfp信号得到的。通过步骤三中的谱分析和观察，对每个频段各自叠加适合该频段的扰动参数，能够使最终得到的各个频段的特征值更加贴合各个频段实际突出表现的信息内容。

试验例：

选定同一个患者，分别用本实施例中的提取系统和现有的提取系统来提取帕金森特征值。以十分为满分，选定同样的五十个具有医护知识的专业人员来对提取的帕金森特征值与患者实际的帕金森病症程度是否一致进行打分。其中，完全符合为十分，完全不符合为零分。在相同条件下，构造如表1所示的对比例及实施例。其中，实施例中的提取系统简称为本提取系统，实施例中的提取方法简称为本提取方法。现有提取系统只现在最常用的lfp信号的脑电波采集系统，现有的提取方法只用来对lfp信号进行特征值提取的方法。在对比例2中，采用现有的提取方法对全频段中各个频段的特征值进行分别提取，然后直接求平均值。

表1

在相同的时间、空间以及环境等条件下，将表1中得到的帕金森特征值及其表征的帕金森症的程度与实际的帕金森症程度进行评分，将五十个专业人员的评分求平均值后得到如表2所示的结果。

表2

表2中，将对比例1与对比例2相比，对比例3至对比例5分别与实施例对比，可以看出全频段的信号提取比单频段的信号提取更加能够反映患者的实际病症情况。将对比例1和对比例2分别与对比例3和实施例对比，可以看出运用本实施例中的提取系统和提取方法，得到的帕金森特征值优于用现有提取系统和现有提取方法得到的帕金森特征值。究其原因，本实施例中的提取系统和提取方法，不仅充分考虑了不同频段的信息内容，还通过谱分析将每个频段的特征表征的扰动参数进行针对性添加，使每个频段最终得到的特征值能够代表该频段所要表征的主要信息。由此得到的帕金森特征值更加客观，更加贴近患者的实际病症情况，有利于后期针对性地进行病症治疗。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。