CN101908099B - 神经元信息单位放电分析方法及分析系统 - Google Patents
神经元信息单位放电分析方法及分析系统 Download PDFInfo
- Publication number
- CN101908099B CN101908099B CN2010102330421A CN201010233042A CN101908099B CN 101908099 B CN101908099 B CN 101908099B CN 2010102330421 A CN2010102330421 A CN 2010102330421A CN 201010233042 A CN201010233042 A CN 201010233042A CN 101908099 B CN101908099 B CN 101908099B
- Authority
- CN
- China
- Prior art keywords
- sequence
- neuron
- interval
- fragment
- peak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明请求保护一种单位放电分析系统和分析方法，涉及信息处理技术领域，峰值选取单元从优势片段中选择神经元峰电位，确定神经元峰-峰间隔；通过原始数据的转化，提取相邻动作电位峰电位的时间间隔，进行数据转化，根据不同要求分别得出其统计值：频率、复杂度、优势片段、以及绘制出神经节律特点多分析图，判定神经元的节律特点。
Description
技术领域
本发明涉及生物信息处理技术领域，具体涉及一种神经元单位放电分析方法。
背景技术
研究神经元的编码与整合，及最终转换成有意义知觉的神经机理，是系统神经科学的重要内容之一。这一层次的研究目前主要是用微电极核团或神经通路上单个神经元或者神经元群体的胞外电活动，通过分析特定刺激条件下神经元的放电行为，来解析神经系统如何进行“神经元”的编码和感知。
当前关于神经元信息编码特点解析多采用频率分析，即单位时间内的放电个数，以及相应分析系统配带的刺激事件前后分析。如文献：电刺激初级听皮层对水杨酸耳鸣模型大鼠下丘外侧核神经元放电的影响(生理学报Acta PhysiologicaSinica，April 25，2009，61(2)：121-126)；以及前扣带皮层对丘脑腹侧基底核神经元自发放电的抑制效应(生理学报Acta Physiologica Sinica，June 25，2009，61(3)：279-284)等，其采用电生理数据即动作电位分析，主要是用微电极核团或神经通路上单个神经元或者神经元群体的胞外电活动，通过分析特定刺激条件下神经元的放电行为，来解析神经系统如何进行听觉信息的编码和感知，按照其文献描述，实现的数据分析指标较少，并且需采用专用数据分析系统，其通用性和可扩展性不强。
发明内容
本发明针对现有技术中的上述缺陷，利用多导生理仪数字信号powerlab采集控件，结合Matlab的数据处理功能和图形用户界面GUI，设计一个用于神经元电生理研究的实时分析系统并提出一种对神经元单位放电处理的分析方法。
本发明解决上述技术问题的技术方案是，提出一种神经元信息单位放电分析方法，基于神经元动作电位分析、频率分析以及非线性、模式识别技术，通过对采集的原始数据进行转化，提取相邻动作电位峰电位的时间间隔，进行数据转化，根据不同要求分别得出其统计值：频率、复杂度、优势片段、并绘制出神经节律特点多分析图(放电序列、ISI分布图、ISI非序列直方图、ISI回归映射图)。
具体包括如下步骤：
生物电信号采集系统将采集到的神经元放电信号送入数据转换单元，将原始采集的神经元放电信号(原始数据)转化为Matlab数据格式，获得原始间隔序列，峰值选取单元从神经元优势片段中选取神经元峰电位，确定神经元峰峰间隔；计算单元根据神经元峰峰间隔计算神经元平均间隔以及平均频率；比较单元将原始间隔序列与平均间隔比较确定峰电位间隔序列，可将该间隔序列表示为为0、1序列；首先比较单元分别比较上述峰电位间隔序列的重复性，得到被分段的数目复杂度c(n)，以此直接表达数据串的复杂程度并将之量化；其次图形单元根据神经元放电的节律性，绘制峰电位间隔ISI时间间隔图；并且根据神经元的种类设定带宽值bin，根据带宽值bin绘制ISI非序列间隔直方图；按照原始数据的时间顺序相邻两个放电时间差为放电间隔，以相邻两个放电间隔为横坐标，以下一相邻两个放电间隔为纵坐标，绘制ISI回归映射图，判定神经元的节律特点(可以按照神经元节律特性首先判断是否具有周期性，如果具有周期性再判断其节律是周期1，还是周期2，还是周期3等等)。
优势片段的获取可采用如下方法，多导生理记录仪中搜索单元可用滑移法在相邻间隔的范围内寻找各种神经元放电间隔排序模式，根据神经元的间隔模式确定间隔范围数，在间隔范围数个相邻间隔内寻找神经元放电间隔排序模式，找出重复频率大于重复次数(可为3次)的间隔组合作为优势片段的原始序列集合；通过平均ISI比对产生替代数据序列(可计算峰间隔值，如实际ISI＞平均ISI则由1替代，小于平均ISI则由0替代，最后原始数据转化为以0，1为数据的替代数据)替代原始数据序列；搜索单元寻找替代数据序列中的优势片段作为随机序列集合；比较单元比较原始序列集合与随机序列集合，如果某一片段在随机序列集合中的出现率大于在原始序列集合中的出现率，则在随机序列集合中剔除该片段，留下原始序列集合中的片段，如果不是相邻的n片断的重复即为优势片段。
本发明还提出一种神经元单位放电分析系统，包括：数据采集单元获取优势片段，峰值选取单元从中选择神经元峰电位，确定神经元峰-峰间隔；根据神经元峰-峰间隔计算神经元平均间隔，比较单元将神经元原始间隔序列与平均间隔序列比较转化为峰电位间隔序列；比较单元分别比较上述峰电位间隔序列的重复性，得到被分段的数目复杂度c(n)；图形用户界面工具以放电时间为横坐标，即时对应的相邻两个放电间隔为纵坐标绘制ISI时间间隔图；根据神经元的种类设定带宽值bin，根据带宽值bin绘制ISI非序列间隔直方图；以相邻两个放电间隔为横坐标，以下一相邻两个放电间隔为纵坐标，绘制ISI回归映射图，判定神经元的节律特点。
本发明基于神经元放电信息多样化的特点将非线性、模式分析方法相结合，将神经元的筛选数据进行充分的利用。通过本发明将数据进行替代处理，提取神经元放电间隔，应用非线性理论公式计算出放电序列复杂度、频率、序列分布图、序列回归映射图、序列直方图等能充分反应放电的周期性、节律性、动态性变化等特征。该系统可以实时或后期读取powerlab记录到的神经元放电信号和刺激参数信息，并给出基本的分析结果，为神经电生理实验提供了一种方便和定量的工程评测手段，可以帮助实验者更有效率、实时处理并应用多种线性、非线性方法寻找有特异神经元或者特异性的放电特征。
附图说明
图1为本发明所述单位放电分析方法流程示意图
具体实施方式
本系统基于多导生理记录仪Powerlab作为生物电信号采集系统，该系统通过DSP硬件模块实现了数字信号的在线处理，包括放大、滤波，以及神经元的筛选(spike sorting)。生物电信号采集系统采集到的神经元放电信号经前置放大器放大，并进行模数转换后，经过滤波后的原始波形和硬件分类后的动作电位的时间点(time stamps)通过高速数据接口输入单位放电分析系统，贮存在专门数据存储区，采图单元Chart图形采集模块记录神经元，为用户提供一个把专用系统(Tum-Key)和定制系统(Customer)结合起来的平台。应用Matlab编程语言实现了大量数据分析。Matlab单元直接从chart记录数据库中读取数据，包括原始波形、动作电位时间点、刺激时间点等，并在Matlab单元中给出神经元初步分析结果。采用Matlab的图形用户界面(GUI)工具交互显示数据处理结果。用户只需输入分析的对象，包括本次实验数据的文件名、特定数据段的编号，以及所存储数据的标注名称，选择需要的分析手段，提供详细的参数信息，如时间窗的大小(放电时间)、计算发放率(频率)的时间范围等，就直接可以得到相应的分析结果。分析结果直观且便于进一步分析。针对实验中刺激参数变化的序列，利用Matlab实现了对刺激参数影响神经元电活动的实时和定量的评价。
本发明通过对采集到的神经元放电信号(原始数据)进行转化，提取相邻动作电位峰电位的时间间隔，进行数据转化，分别得出其统计值：放电频率、放电序列复杂度、优势片段、以及绘制出神经节律特点多分析图(放电序列、ISI(interspike interverval，ISI峰电位)间隔分布图、ISI非序列直方图、ISI回归映射图)。多导生理记录仪Powerlab作为生物电信号采集系统，采集到的神经元放电信号送入数据转换单元，将原始数据转换为Matlab数据；从神经元优势片段中采集数据，峰值选取单元选取神经元峰电位，确定神经元峰峰间隔；计算单元根据神经元峰电位计算神经元放电个数、放电时间、频率等；根据峰峰间隔计算平均频率、平均间隔，并将原始间隔序列与平均间隔比较转化为0、1序列；比较单元分别比较上述峰电位间隔序列的重复性，得到被分段的序列复杂度c(n)。
当放电序列中的峰峰间隔片断模式在某一放电序列中出现的次数明显多于在随机序列中可能出现的次数，这些片段为优势片段(模式)。确定优势片段的具体步骤如下，根据神经元的间隔模式确定间隔范围数(可选择3～6个相邻间隔)，搜索单元用滑移法在相邻间隔内寻找各种神经元放电间隔排序模式，找出重复频率大于重复次数(如3次)的间隔组合作为优势片段的原始集合，产生替代数据序列，应用滑移寻找替代数据序列中的优势片段作为随机序列集合；比较单元对原始序列和随机序列进行比较，如果原始序列中的某一随机组合片段在随机序列中的出现率大于在原始序列中的出现率，则在随机序列中剔除该随机片段；否则保留该原始序列在随机序列中的片段，检验并排除相邻片段的重复后确定为优势片段。
图形用户界面工具计算绘制非序列间隔直方图，找出间隔分布的带宽值(bin)，将原始序列标准化为相对ISI值；绘制ISI分布图、ISI非序列直方图、ISI回归映射图。具体为：
多导生理记录仪Powerlab作为生物电信号采集系统，数据单元采集单元从神经元放电序列优势片段中采集数据，峰值选取单元从采集的数据中选择有效波幅阈值区分单一神经元，确定每个神经元的峰电位，并计算每个神经元峰值间隔。为确保间隔有效性并且避免神经元单一峰的左右峰间隔计算，通过自行输入点个数进行神经元峰点的选择与自我检查。比如可以自行输入点个数，且如果间隔小于2ms，则提示重新进行点位输入，重新计算间隔以确保是放电的最高点(峰点)之间的时间距离。计算出平均ISI值，并将原始ISI值与上述平均ISI值比对，按照整数倍转化为相对ISI值。绘制间隔直方图用于判定神经元放电序列的节律特点。
绘制ISI分布图按照峰电位间隔时间分布图，以放电时间为横坐标，即时对应的相邻两个放电间隔为纵坐标画散点图；ISI非序列直方图绘制需根据神经元的种类设定带宽值bin，并以带宽值bin宽为横坐标，相应带宽值bin宽的个数为纵坐标，绘制ISI非序列间隔直方图。根据神经元的种类设定带宽值bin，将原始序列标准化为相对ISI值(如峰峰间隔在0～1·bin ms之间为1，在1·bin ms～2·bin ms之间为2...依此类推)。ISI回归映射图相邻两个放电间隔为横坐标，以下一相邻两个放电间隔为纵坐标，绘制ISI回归映射图。
如图1所示为本发明所述单位放电分析流程示意图，具体步骤如下：
步骤1.将采集到的神经元放电信号转化为Matlab数据，选取神经元峰电位，转换为峰峰间隔。放电序列中的神经元峰峰间隔片断模式在某一放电序列中出现的次数明显多于在随机序列中可能出现的次数，这些片段为优势片段(模式)。
可采用以下方法获取优势片段。根据神经元的间隔模式确定间隔范围数(可为3～6个)，可用滑移法在相邻间隔的范围内寻找神经元放电间隔排序模式，找出重复频率大于重复次数(如3次)的间隔组合作为优势片段的原始序列集合；产生替代数据序列替代原始数据序列。将matlab数据进行平均ISI计算，再用平均ISI计算获得的数据同原始数列比对，将之转化为平均ISI的整数倍数字组合。寻找替代数据序列中的出现频率大于3次的优势片段作为随机序列集合；比较单元将原始序列集合与随机序列集合比较，如果某一片段在随机序列集合中的出现率大于在原始序列集合中的出现率，则在随机序列集合中剔除该片段，在原始序列集合中留下该片段，检验确定不是相邻的片断的重复即为优势片段。
还可采用所有的峰电位间隔与第一个间隔比较，获得优势片段。同时按照片段出现次数的高低进行排序、计算在原始序列中该片段组合出现的总次数，三联片段(例如111或346)计算出现率最多的三位(如只选择出现次数最高的前三个片段组合)，四联、五联、六联全部保留。
步骤2.根据神经元峰值间隔计算神经元平均频率、平均间隔。峰值提取单元从原始放电(神经元放电信号)序列中提取峰电位信号，进行相邻间隔峰值时间计算，计算单元根据神经元峰点的个数，以及放电记录时间计算平均频率，各个间隔与相应神经元峰点的个数之积总和除以神经元峰点电位个数为平均间隔；计算神经元放电个数、放电时间、频率等；根据峰峰间隔计算平均频率、平均间隔，并将原始间隔序列与平均间隔比较转化为峰电位间隔序列(即0、1序列)；通过原始间隔与平均间隔比较，如果即时间隔大于平均间隔，将序列中的数据置为1，如果小于平均间隔则将序列中的数据置为0，顺次转化从而将原始数据转化为0，1数据串。
步骤3.比较单元分别比较上述峰电位间隔序列的重复性，得到被分段的数目复杂度c(n)。将上述替代数据(即0，1数字串)输入一个不相关数字集合后进行重复比对，检测与替代数据的相似性，在初始化过程中自行通过细胞筛检计算峰电位个数，获得放电脉冲数n(即数据串的数据个数，可趋于无穷，一般n＞1000)，根据长序列的复杂度公式：Limc(n)n→∞＝b(n)＝n/log2n确定数目复杂度c(n)，以表明数据的复杂程度。该方法确定复杂度基于电生理数据的直接应用，不需要做其他数据挑选和时间窗的截取，一次得出数据。还可应用近似熵测度复杂度等方法，反映时间序列的不规则程度，所需数据点数。
步骤4.图形用户界面(GUI)工具绘制ISI时间间隔图。按照峰电位间隔时间分布图，以放电时间为横坐标，即时对应的相邻两个放电间隔为纵坐标画散点图，从中找出神经元放电是否具有周期性样的节律性，根据系统某一运动参量的当前值与前些时刻状态值之间如果有确定性的函数关系，这种回归可在ISI回归映射图上具有明确的几何结构，从而可以确定放电串中有无周期性或者其它特异性，由此绘制ISI时间间隔图。
步骤5.根据神经元的种类设定带宽值bin，并以带宽值bin宽为横坐标，相应带宽值bin宽的个数为纵坐标，绘制ISI非序列间隔直方图。根据神经元的种类设定带宽值bin，将原始序列标准化为相对ISI值(峰峰间隔在0～1·bin ms之间为1，在1·bin ms～2·bin ms之间为2...依此类推)。计算相应带宽值bin下不同的峰电位间隔的个数。
再将神经元进行分拣，确保神经元为单一神经元后，将所计算的神经元峰电位的间隔按照即时时间予以排列，并根据优势片段的筛选要求进行重新归类。优势片段的要求为：根据神经元的种类先设定带宽值bin，比方说海马神经元的bin宽设定为35ms，接下来峰峰间隔(bin宽的个数)设置遵循以下规则：0～35ms为1，35ms～70ms为2，......依此类推，将ISI数值再次转化为以bin宽为电位的相对ISI值。以带宽值bin宽为横坐标，相应带宽值bin宽的个数为纵坐标，画直方图，连接神经元放电的稀疏以及是否有不同放电的特征，用于判定神经元的内在放电特性，比如发电特性是burst还是single spike神经元。
步骤6.绘制ISI回归映射图。以相邻两个放电间隔(n和n+1神经元峰点间隔)为横坐标，以下一相邻两个放电间隔(n+1和n+2神经元峰点间隔)为纵坐标，绘制ISI回归映射图，用于发现神经元间隔之间的相关性，并可判定神经元的节律特点。
该系统基于Matlab环境开发的，与专用数据分析系统相比，具有更强的通用性和可扩展性。该系统工作稳定，操作简单，可以实时给出神经元基本生理特性的定量分析结果，为实验数据的进一步分析和实验方案的改进提供了便利的参考信息。本发明能够在实验过程及离线后提供定量的神经元放电特征信息，提高神经电生理实验的效率，开发了基于主成分分析方法的实时神经元分类工具箱，为后期的深入数据分析提供参考。
Claims (7)
1.神经元单位放电分析方法，其特征在于，包括下列步骤：数据采集单元采集神经元放电信号，并转化为Matlab数据，获取优势片段；峰值选取单元从优势片段中选择神经元峰电位，确定神经元峰与峰之间的间隔；根据神经元峰与峰之间的间隔计算神经元平均间隔；比较单元将神经元原始间隔序列与平均间隔序列比较转化为峰电位间隔序列，即如果原始间隔序列大于平均间隔序列，将序列中的数据置为1，如果小于平均间隔序列则将序列中的数据置为0，顺次转化为0，1数据串；比较上述峰电位间隔序列的重复性，得到被分段的数目复杂度c(n)；图形用户界面工具绘制ISI时间间隔图，以放电时间为横坐标，对应的相邻两个放电间隔为纵坐标绘制ISI时间间隔图；根据神经元的种类设定带宽值bin，根据带宽值bin绘制ISI非序列间隔直方图；以相邻两个放电间隔为横坐标，以下一相邻两个放电间隔为纵坐标，绘制ISI回归映射图，由此判定神经元的节律特点。
2.根据权利要求1所述的神经元单位放电分析方法，其特征在于，获取优势片段的方法为，根据神经元的间隔模式确定间隔范围数，在间隔范围为数个相邻间隔内寻找神经元放电间隔排序模式，找出重复频率大于重复次数的间隔组合作为优势片段的原始序列集合；产生替代数据序列替代原始数据序列；搜索单元寻找替代数据序列中的优势片段作为随机序列集合；比较单元比较原始序列集合与随机序列集合，如果某一片段在随机序列集合中的出现率大于在原始序列集合中的出现率，则在随机序列集合中剔除该片段，在原始序列集合中留下该片段，检验确定该片段不是相邻的片断的重复即为优势片段。
3.根据权利要求1所述的神经元单位放电分析方法，其特征在于，通过细胞筛检计算神经元峰电位个数，获得放电脉冲数n，调用公式：
Limc(n)n→∞＝n/log2n确定被分段的数目复杂度c(n)。
4.根据权利要求1所述的神经元单位放电分析方法，其特征在于，所述绘制ISI非序列间隔直方图的方法为，根据神经元的种类设定带宽值bin，以带宽值bin为横坐标，相应带宽值bin的个数为纵坐标绘制ISI非序列间隔直方图。
5.一种神经元单位放电分析系统，其特征在于，数据采集单元获取优势片段，峰值选取单元从中选择神经元峰电位，确定神经元峰与峰之间的间隔，根据神经元峰与峰之间的间隔计算神经元平均间隔；比较单元将神经元原始间隔序列与平均间隔序列比较转化为峰电位间隔序列，即如果原始间隔序列大于平均间隔序列，将序列中的数据置为1，如果小于平均间隔序列则将序列中的数据置为0，顺次转化为0，1数据串；比较上述峰电位间隔序列的重复性，得到被分段的数目复杂度c(n)；图形用户界面工具绘制ISI时间间隔图，以放电时间为横坐标，即时对应的相邻两个放电间隔为纵坐标绘制ISI时间间隔图；根据神经元的种类设定带宽值bin，根据带宽值bin绘制ISI非序列间隔直方图；以相邻两个放电间隔为横坐标，以下一相邻两个放电间隔为纵坐标，绘制ISI回归映射图，由此判定神经元的节律特点。
6.根据权利要求5所述神经元单位放电分析系统，其特征在于，数据采集单元获取优势片段具体为，根据神经元的间隔模式确定间隔范围数，在间隔范围为数个相邻间隔内寻找神经元放电间隔排序模式，找出重复频率大于重复次数的间隔组合作为优势片段的原始序列集合，产生替代数据序列替代原始数据序列；搜索单元寻找替代数据序列中的优势片段作为随机序列集合；如果某一片段在随机序列集合中的出现率大于在原始序列集合中的出现率，则在随机序列集合中剔除该片段，在原始序列集合中留下该片段，检验确定该片段不是相邻的片断的重复即为优势片段。
7.根据权利要求5所述神经元单位放电分析系统，其特征在于，图形用户界面工具根据神经元的种类设定带宽值bin，以带宽值bin为横坐标，相应带宽值bin的个数为纵坐标绘制ISI非序列间隔直方图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010102330421A CN101908099B (zh) | 2010-07-22 | 2010-07-22 | 神经元信息单位放电分析方法及分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010102330421A CN101908099B (zh) | 2010-07-22 | 2010-07-22 | 神经元信息单位放电分析方法及分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101908099A CN101908099A (zh) | 2010-12-08 |
| CN101908099B true CN101908099B (zh) | 2012-05-30 |
Family
ID=43263557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2010102330421A Active CN101908099B (zh) | 2010-07-22 | 2010-07-22 | 神经元信息单位放电分析方法及分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101908099B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102715899B (zh) * | 2012-06-15 | 2014-03-19 | 天津大学 | 神经放电信号的正负峰形识别方法 |
| CN110432888B (zh) * | 2019-08-15 | 2021-11-23 | 任鹏宇 | 一种前庭神经权重信息编码神经元的筛选方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101667835A (zh) * | 2009-09-25 | 2010-03-10 | 天津医科大学 | 一种新型的神经元集群熵编码方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7136696B2 (en) * | 2002-04-05 | 2006-11-14 | The Cleveland Clinic Foundation | Neuron signal analysis system and method |
-
2010
- 2010-07-22 CN CN2010102330421A patent/CN101908099B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101667835A (zh) * | 2009-09-25 | 2010-03-10 | 天津医科大学 | 一种新型的神经元集群熵编码方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101908099A (zh) | 2010-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102499676B (zh) | 基于有效时间序列和电极重组的脑电信号分类系统和方法 | |
| CN103228208B (zh) | 监视或预测系统及监视或预测方法 | |
| Maccione et al. | A novel algorithm for precise identification of spikes in extracellularly recorded neuronal signals | |
| CN101474070B (zh) | 一种脑电信号中眼电伪迹的去除方法 | |
| CN101515200B (zh) | 基于瞬态视觉诱发脑电的目标选择方法 | |
| CN1317624C (zh) | 基于瞬态视觉诱发电位提取脑机接口控制信号的方法 | |
| CN100411580C (zh) | 基于人脑记忆特征客观检测的身份识别方法 | |
| CN112842279B (zh) | 一种基于多维度特征参数的睡眠质量评估方法及装置 | |
| CN104545900A (zh) | 一种基于配对样本t检验的事件相关电位分析方法 | |
| CN113951903B (zh) | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 | |
| CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
| CN114305452B (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
| CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
| CN108573207A (zh) | Emd和csp融合最优波长空间滤波脑电特征提取方法 | |
| CN112884063A (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
| CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
| CN101908099B (zh) | 神经元信息单位放电分析方法及分析系统 | |
| Huang et al. | Detecting and characterizing high-frequency oscillations in epilepsy: a case study of big data analysis | |
| CN117547286B (zh) | 一种基于智能修补材料的脑电信号数据分析管理系统 | |
| CN108338787A (zh) | 一种多时段多元多尺度锁相值的相位特征提取方法 | |
| Cheng et al. | Multilevel feature learning method for accurate interictal epileptiform spike detection | |
| CN101716074B (zh) | 基于时间特性指标的诱发电位记录仪 | |
| CN114469137B (zh) | 基于空时特征融合模型的跨领域脑电情感识别方法及系统 | |
| CN115054266A (zh) | 一种神经信号处理方法、装置、设备及存储介质 | |
| CN109924974A (zh) | 一种基于EcoG癫痫神经信号的解码方法和云端解码系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |