CN102397068A - 搜索人脑神经递质信息和人脑复杂网络信息的测量装置 - Google Patents
搜索人脑神经递质信息和人脑复杂网络信息的测量装置 Download PDFInfo
- Publication number
- CN102397068A CN102397068A CN2010102821090A CN201010282109A CN102397068A CN 102397068 A CN102397068 A CN 102397068A CN 2010102821090 A CN2010102821090 A CN 2010102821090A CN 201010282109 A CN201010282109 A CN 201010282109A CN 102397068 A CN102397068 A CN 102397068A
- Authority
- CN
- China
- Prior art keywords
- data
- brain
- data set
- frequency
- information
- 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.)
- Pending
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明是一种测量人脑神经递质信息和人脑复杂网络信息的测量装置。包含脑波输入与放大-导联装置、模/数转换装置、中央处理单元、数据存储装置、输出装置和输入控制装置。还包括脑波数据采集、S谱生成、寻优、编码区倍频与分维处理、相关计算、相关判别、全脑递质信息、飞鸟图生成输出、网络区倍频与分维处理、网络区分维数选优、HOLO图生成与输出等操作程序，和神经递质模型数据程序。该测量装置按特定的操作步骤，采集脑电信号，提取隐藏在其中的超慢系统信息，并对其进行分析处理后，得到人脑神经递质信息和人脑复杂网络信息数据，分别以“飞鸟图”和“HOLO图”的形式显示输出。
Description
技术领域
本发明是一项人脑功能扫描技术，特别是一种能对隐藏在人脑波中的超慢涨落信息、神经递质信息和量子化网络信息进行无创探测的装置和方法。在脑功能探测方面，与现代先进扫描技术PET、SPECT、fNMR等相比具有独自的特色和发展潜力。
技术背景
神经递质信息
神经递质(neurotransmitter)是在化学突触传递中担当信使的特定化学物质，简称递质。随着神经生物学的发展，陆续在神经系统中发现了大量神经活性物质。
在中枢神经系统(CNS)中，突触传递最重要的方式是神经化学传递。神经递质由突触前膜释放后立即与相应的突触后膜受体结合，产生突触去极化电位或超极化电位，导致突触后神经兴奋性升高或降低。
神经递质的特征是：①、在神经元内合成。②、贮存在突触前神经元并在去极化时释放一定浓度(具有显著生理效应)的量。③、当作为药物应用时，外源分子类似内源性神经递质。④、神经元或突触间隙的机制之一是对神经递质的清除或失活。
重要的神经递质和调质有：①乙酰胆碱。最早被鉴定的递质。脊椎动物骨骼肌神经肌肉接头、某些低等动物如软体、环节和扁形动物等的运动肌接头等，都是以乙酰胆碱为兴奋性递质。②儿茶酚胺。包括去甲肾上腺素(NE)、肾上腺素(Ad)和多巴胺(DA)。交感神经节细胞与效应器之间的接头是以去甲肾上腺素为递质。DA与运动调控有关，它与帕金森氏症的关系的发现，曾获得过诺贝尔奖。③5-羟色胺(5-HT)。5-羟色胺神经元主要集中在脑桥的中缝核群中，一般是抑制性的，但也有兴奋性的。
关于神经递质的这些早期知识，由于20世纪90年代G蛋白系统的发现而面目一新，并使本技术能按下述演变过程逐步实现。
从脑外探测脑内神经递质活动的信息，是神经科学家长期以来追求的目标。
在传统脑波研究中，就有人尝试：只以α同步/去同步为指标，就可以观察递质之间的不同反应。有人还据此发表了一对递质之间的典型拮抗曲线。这在一定程度上表明：不同递质可以在脑波上有不同的反应。
在超慢电位研究中，有科学家专门考察了多巴胺、5-羟色胺、去甲肾上腺素对超慢电位曲线的不同效应。结果表明，它们之间在慢电位时程和形式上有明显的区别，即不同递质在大脑慢电位活动上是有反映的。但由于当时条件下，递质活动的深入理论尚未出现，又缺乏精密的分析技术，所以也未能形成系统的理论和规则。但该学派的超慢电位研究，曾引起国际上的重视。
在现代医学扫描技术的发展中，也把获取神经递质信息作为开发目标之一。PET借助辅助指标——放射性配体，来检测竞争中的递质受体活动数量。已被检测的受体主要是：多巴胺、乙酰胆碱、5-羟色胺、γ-氨基丁酸、谷氨酸以及去甲肾上腺素(α)，还涉及到神经肽中的鸦片肽。但它是从测得放射性强度来间接推算神经递质活动水平，而非直接检测神经和神经递质本身的活动。这样获得的第二手资料，始终被认为不及第一手资料可靠，因为它会带来一些难以避免的复杂因素。同时，向人体注入放射性配体，也始终被认为不是一种完全自然的无创技术，会增加应用上的困难。
在fNMR技术的发展中，也有获取神经递质信息的尝试。但迄今只能检测到个别神经递质(谷氨酸、γ-氨基丁酸)，由于质子NMR测定的浓度限制，大多数递质都超出常规磁共振波谱的检测能力。
从上述漫长过程可以看到，在搜索神经递质信息的道路上，寻找一种完全自然的无创技术，取得第一手资料是多么重要。看来，回归到脑波信号是一种选择。因为G蛋白偶联的递质，都以离子通道电信号(慢突触后电位)的方式输出，可以预期它们会在被调制的EEG中反映出来，而EEG被公认为是一种不会对被试者带来任何伤害的无创技术，它还有方便、灵活、可长时间监测而且成本低廉等优点。尤其是，脑波信号是来自神经组织活动本身，取得的是完全自然的第一手资料，因此它有不可替代的优点。
关键在于：要把脑波活动中最精彩、最精密、最精华的深层次信息挖掘出来，再把它们与神经递质的编码机制联系起来。正像DNA编码信息要与碱基对组合联系起来那样，当把神经编码信息逐步与脑波中精细结构成分的高层次活动紧密联系在一起的时候，就离成功不远了。
量子化网络信息
大脑功能具有整体性、非局域性。大脑功能是全球化的，在大脑工作中，不是一个个神经元各自为政，而是在相当大的范围内相互关联，大量的神经元构成一个整体，协调一致地工作。一些学者提出大脑纠缠态的概念，即大脑产生和利用量子力学叠加态。科学家Frohlich认为，生物系统在室温下可能产生大尺度纠缠态。生物系统一般处于室温，这就要求生物纠缠态必须在室温下保持一定时间的相干性。而且，必须是大尺度的纠缠态，才能解释大范围的非局域性、整体性。彭罗斯认为，大脑纠缠态的产生有几个阶段或层次：“只有存在某种形式的扩展到整个大脑的适当部分的量子同调时，才能出现一个大脑的统一性”。Maraball提出意识的波色-因斯坦凝聚假说，认为主导脑功能的是波色子，发生波色-爱因斯坦凝聚，即所有这些波色子都处于同一个量子态，它们完全是一个整体，有非局域性，这是宏观量子现象。物理学中的波色-爱因斯坦凝聚已获得2001年诺贝尔奖。
神经网络研究由来已久，但一般都只是有限数量神经元之间构成的小网络，称作神经元网络。它观察经典神经过程的相互作用，很少涉及全球化(全脑)规模，更少有研究量子位、量子叠加态之间的相互作用。量子化叠加系统的出现，将使网络研究有一个大视野。能涵盖整个大脑，甚至大脑以外的世界，从而把经典层次推向全新的量子化层次。众多量子位构成的互联网络中可能出现诸多新现象，例如，量子化相干、纠缠、凝聚、全息乃至意识等。
超慢波
钱学森曾提出，大脑是一个开放的复杂巨系统。它除了具有大量子系统外，最显著的特征是具有层次性。与简单系统相比，复杂系统不止有一个层次。因此，就脑波而言，它显然不是一个简单系统，它必定有可以搜索到的更多的功能层次。
前苏联Aladzalova等科学家于20世纪60年代发表了一系列关于大脑慢电位的论文和著作，记录到从秒级到分钟级的超慢电位。但限于当时的技术条件，未能推广研究和应用。
在西方，也有慢电位活动的报导。实际上，1973年Bliss.Lomo发现的长时程增强电位(LTP)和后来的长时程抑制电位(LTD)，也属于一种超慢效应。但未能与神经递质检测等目标联系起来。
现代神经科学越来越多地证明，突触后电位存在多层次结构。除了熟知的快突触后电位活动(fEPSP，fIPSP)外，还不断发现有着多样化的慢突触后电位活动(sEPSP，sIPSP，LsPSP等)。
在这些发展中，G蛋白的发现具有突出意义(图3)，它打开了将慢信号系统研究纳入精密科学轨道的大门。吉尔曼于1994年因其在G蛋白研究上的贡献，获得诺贝尔奖。正是他，在授奖会演说词中提出复杂信号系统的概念。
快突触后电位被认为与α波的产生有关；而慢突触后电位则反映G蛋白复杂信号系统输出，它应是一种超慢波。本技术研究的第一步，就是要把这个慢波系统从被调制的脑波中分离出来。
本发明从普里高津学派的涨落理论着手，从脑波涨落中成功分离出一个超慢信号层次，构成早期的脑涨落图。它以毫赫兹(mHz)为单位，是一个被证明能衍生丰富高级功能的全新层次，称为S谱。
量子化分析法
本发明中的超慢波由于谱带很宽，所以，频率间的量子化结构较易出现。神经生理学中，量子化分析法已成功应用于宏观量子化现象的观察，从神经-肌肉接头，扩展到中枢突触研究。近年来《Nature》还发表了一系列关于量子化分析的新资料，可以精确到测算单个“量子”的幅度数值。本发明人在早期的工作中证明，量子化分析法可揭示光量子激发的色觉拮抗效应。以系统论层次性的观点看来，神经活动除了人们熟知的经典层次外，必定有其非经典的、量子化(包括微观和宏观量子化)的层次。鉴于本发明中提取的超慢信号来源于量子化释放的神经递质，而递质的量子化释放已被公认，所以在超慢层次的解析中，普遍应用了量子化分析法，构成了独特的量子化层次。并且能够证明：只有从这种量子化层次中，才可以分离出色觉拮抗机制、神经递质编码机制和大脑量子化网络复杂活动机制。脑波研究的一系列高层次信息都由此衍生，量子化分析法成为构建人脑神经递质信息和人脑复杂网络信息测量系统的核心。
过去50年，是大型医学扫描系统蓬勃发展的时期。其中PET、SPECT、fNMR等都兼有一定的脑内神经递质检测能力。但其使用受到一定限制，其造价昂贵，难以普及，尤其是设备庞大，无法在空间等特殊环境下使用。
本发明的目的是，提供一种能够以无创方式对脑神经递质信息和人脑复杂网络信息进行测量的系统和方法。这个系统通过对在脑波信号中提取的超慢信息，以量子化的方法获取神经递质信息和复杂网络化信息，其系统更加简单而易于推广。
本发明主要用于以下6种神经递质的搜索：
乙酰胆碱(Ach)，简称A；
去甲肾上腺素(NE-)，简称N；
多巴胺(DA)，简称D；
5-羟色胺(5-HT)，简称H；
抑制递质(INH)，简称I；
兴奋递质(EXC)，简称E。
6种递质的排列顺序为I、H、A、D、N、E。
发明内容
本发明的技术方案是：
一种搜索人脑神经递质信息和人脑复杂网络信息的测量装置，包含脑波输入与放大-导联装置、模/数转换器、中央处理单元、数据存储装置、数据输出装置和输入控制装置，并依次连接。其中，脑波输入与放大-导联装置置放，可应用任意导联系统或任意导联的组合，采用国际标准10-20系统的12导联组合时，电极置放优选位置为F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T5、T6；模/数转换器应具有与导联数一致的输入端口及转换能力。其特征在于，所说的中央处理单元通过任一导联或任意导联组合以下列操作步骤执行对人脑任一脑区或任意脑区组合神经递质信息和复杂网络信息的测量与处理：
(1)启动已连接到人脑的脑波输入与放大-导联装置，对人脑脑波信号进行测量；
(2)通过模/数转换器，将测量的模拟信号(脑波幅度，微伏)转换成数字信号并在显示装置上显示，开始脑波数据采集和测量计时，采集速率为每秒2n点(n＝6～9，如6、7、8、9)，如每秒64点、128点、256点、512点等；
(3)持续进行步骤(2)开始的脑波数据采集和转换，将在每2秒时间内采集到的2×2n个脑波数据(时点、脑波幅度)形成一个脑波数据组，存储在数据存储装置中；
(4)对每一个脑波数据组，按采集时间顺序，分别进行傅立叶变换，得到0～30Hz的频率/功率域数据组(功率谱)，称为f谱(快谱)，按采集时间顺序扫描排列，构成f谱阵列，在数据存储装置中进行存储；
(5)当测量计时达到1024秒时，形成512个f谱构成的f谱阵列，可终止脑波数据采集，完成单一测量；或按步骤(2)～(5)继续进行采集和处理，以实现长时程测量与分析；
(6)对于在脑波测量达到1024秒时所生成的f谱阵列，分别在512个f谱中各自的α段(8Hz、9Hz、10Hz、11Hz、12Hz、13Hz)内比较各频率点所对应的功率值，确定其最大值；
(7)将各f谱α段(8-13Hz)的功率最大值数据，按512个f谱的形成时序排列，形成αmax数据组在数据存储装置存储；同时，αmax数据组可以在显示装置上以数据和/或图形方式显示；
(8)对步骤(7)形成的αmax数据组进行傅立叶变换，得到以mHz为单位的256点位频率/功率域数据组，即二次功率谱，亦称为S谱或慢谱；该二次功率谱可以在显示装置上以数据和/或图形方式显示；
(9)在步骤(8)形成的频率/功率域数据组(S谱)中，将各功率数据(峰值)自大至小排序；再分别取功率值最大的前n个数据点(n为5至16之间的整数，包括：5、6、7、8、9、10、11、12、13、14、15、16)功率值和对应的频率值形成不同n值的优选数据组存储；
(10)以整数1～16为基频ω0，依次在不同n值的每一个优选数据组中，寻找与ω0成整数倍关系的所有频率数据mω0(m为1～255的整数，mω0不大于255)，再将出现倍数关系的数据处标为1，非倍数标为0；形成不同n值的n×16的“基频/倍频标记”数据阵列存储；
(11)对步骤(10)中形成的不同n值的“基频/倍频标记”数据阵列中与各基频对应的标记数据(0或1)求和，即得到与该基频呈倍数关系的频率的数量，形成不同n值的“基频/倍频数”数据组存储；
(12)在步骤(11)中形成的不同n值的16位“基频/倍频数”数据组中，按分形原理，将不同频率转化为统一的数值，简化的计算方法是：取基频与倍频数的乘积，称为“分维数”，形成不同n值的16位“基频/分维数”数据组存储；
(13)在步骤(12)中形成的不同n值的“基频/分维数”数据组中，进行量子理论要求的归一化运算：
A、计算全部“分维数”的合计数；
B、计算各个基频所对应“分维数”在“分维数”合计数中的比例；
形成不同n值的归一化的“基频/分维数比例”数据组(16位编码序列)存储；
(14)将未知的神经递质产生的不同n值的“基频/分维数比例”数据组分别与已知的6种神经递质模型数据组进行相关计算，分别得到与6种神经递质的相关值，形成不同n值的相关值数据组存储；6种神经递质的排列顺序为I、H、A、D、N、E；
(15)根据相关值最大原则对不同n值的相关值数据组进行对比选优，即分别将各不同n值下的相关值数据组6项相关值数据求和，然后对各数据组的相关值合计数进行比较，取其最大合计数对应的n值作为最终的n值；以该n值确定的优选数据组、“基频/倍频标记”数据阵列、“基频/倍频数”数据组、“基频/分维数”数据组、“基频/分维数比例”数据组、相关值数据组将作为受试者某一脑区神经递质信息数据存储。该组相关值数据即反映了被测试者在某一测量时段内某一脑区的神经递质信息。该相关值数据组可以在显示装置上以数据和/或图形方式显示；
(16)将6种神经递质各脑区的相关值(12*6＝72个数据)分别计算12导的平均值，形成全脑相关值数据组存储；6种神经递质的排列顺序与步骤(14)相同；该组相关值数据即反映了被测试者在某一测量时段内全脑平均神经递质信息。全脑相关值数据组可以在显示装置上以数据和/或图形方式显示；
(17)以按相关值数据组中顺序排列的6种神经递质(I、H、A、D、N、E)为X轴、以相关值为Y轴，将步骤(14)的相关值数据作连线图，得到反映某一脑区6种神经递质信息的图形称为飞鸟图。以上述顺序排列的神经递质为X轴、以平均相关值为Y轴，将步骤(15)得到的平均相关值数据作连线图，得到反映全脑6种神经递质信息平均值的图形称为全脑飞鸟图。
(18)在步骤(8)形成的频率/功率域数据组(S谱)中，将各功率数据(峰值)自大至小排序，取功率值最大的前12个数据点功率值和对应的频率值形成12×2优选数据组存储；
(19)分别以步骤(18)形成的优选数据组中的12个数据点的频率为基频ω0，在S谱的全部256个频率中寻找与ω0成整数倍关系的所有频率数据mω0(m为大于或等于1的整数)，再将出现倍数关系的数据处标为1，非倍数标为0；形成12×256的“倍频标记”数据阵列存储；
(20)对步骤(19)中形成的“倍频标记”数据阵列实施与步骤(11)～(13)相同的处理，形成12×2“分维数比例”数据组存储；
(21)分别将在步骤(20)中形成的“分维数比例”数据组的各分维数比例进行选优处理，即减去一个选优系数，该选优系数为5～9之间的整数(5、6、7、8、9)，默认值为7，必要时可上下浮动：
A、若结果大于选优系数，保留原数值；
B、若结果小于或等于选优系数，则该处置0；
C、进一步将上述模拟值系统转为由〔1，0〕组成的数字式系统，即将大于0的位点置1，将原为0的位点置0，形成“分维比例优选”数据组存储；
(22)将以上述步骤获得的各脑区“分维比例优选”数据组，构成“分维比例优选”数据阵列存储。
(23)将某一脑区的“分维比例优选”数据组置于“分维比例优选”数据阵列之前，形成该脑区的“作图源数据阵列”；然后用Windows系统的图表功能，作光滑连线散点图，即生成反映该脑区与其他脑区之间网络信息的“脑纠缠式全息图”简称“HOLO图”。再对所有其它11个脑区进行相同的处理，共获得12个叠加式HOLO图；
在这个搜索人脑神经递质信息和人脑复杂网络信息(功能状态)的测量装置中，设有若干操作程序。这些操作程序及其功能如下：
一个脑波数据采集操作程序提供一个通过模数转换器，将输入系统的脑电波模拟信号转换成数字信号，并以一定的速率(如每秒64点、128点、256点、512点)采集脑波数字信号，形成某一时段的脑波数据组(时点、脑波幅度)，存储在数据存储装置中的操作序列；
一个S谱生成操作程序，提供如下操作序列：
(1)对每一个脑波数据组，按采集时间顺序，分别进行傅立叶变换，得到0～30Hz的频率/功率域数据组(功率谱，亦称为f谱)，按采集时间顺序扫描排列，构成f谱阵列，在数据存储装置中进行存储；
(2)对于f谱阵列，分别在512个f谱中各自的α段(8Hz、9Hz、10Hz、11Hz、12Hz、13Hz)内比较各频率点所对应的功率值，确定其最大值；然后将各f谱α段(8-13Hz)的功率最大值数据，按512个f谱的形成时序排列，形成αmax数据组在数据存储装置存储；
(3)对αmax数据组进行傅立叶变换，得到以mHz为单位的256点位频率/功率域数据组，即二次功率谱，称为S谱；
一个S谱峰值选优操作程序，提供：在生成的S谱中，将各功率数据(峰值)自大至小排序，分别取功率值最大的前n个数据点(n为5至16之间的整数，包括：5、6、7、8、9、10、11、12、13、14、15、16)功率值和对应的频率值形成不同n值的优选数据组存储的操作序列；
一个编码区倍频与分维处理操作程序，提供分别对由S谱峰值选优操作程序形成的不同n值的优选数据组进行处理的如下操作序列：
(1)对每一个优选数据组，依次以优选数据组中每一个数据点的频率为基频ω0，在S谱的前16个频率中寻找与ω0成整数倍关系的所有频率数据mω0(m为大于或等于1的整数)，将出现倍数关系的数据处标为1，非倍数标为0；形成n×16的“基频/倍频标记”数据阵列存储；
(2)再对“基频/倍频标记”数据阵列中与各基频对应的标记数据(0或1)求和，即得到与该基频呈倍数关系的频率的数量，形成“基频/倍频数”数据组存储；
(3)在“基频/倍频数”数据组中，计算基频与倍频数的乘积，称为“分维数”，形成“基频/分维数”数据组存储；
(4)在“基频/分维数”数据组中，进行归一化运算：
A、全部“分维数”的合计数；
B、各个基频所对应“分维数”在“分维数”合计数中的比例；
形成“基频/分维数比例”数据组存储；
一个相关计算操作程序提供如下操作序列：将经过倍频与分维处理操作程序处理、由未知神经递质生成的不同n值的“基频/分维数比例”数据组，分别与已知的6种神经递质模型数据组进行相关计算，分别得到与6种神经递质的相关值，形成不同n值的相关值数据组存储。
一个相关值判别操作程序提供如下操作序列：根据相关值最大原则对不同n值的相关值数据组进行对比选优，取6项相关值合计数最大者对应的n值作为最终的n值；以该n值确定的优选数据组、“基频/倍频标记”数据阵列、“基频/倍频数”数据组、“基频/分维数”数据组、“基频/分维数比例”数据组、相关值数据组将作为受试者某一脑区神经递质信息数据存储。
一个全脑递质信息操作程序提供如下操作序列：对6种神经递质相关值分别计算各脑区算数平均值，形成全脑相关值数据组存储；6种神经递质的排列顺序与步骤(14)相同；该组相关值数据即反映了被测试者在某一测量时段内全脑平均神经递质信息。
一个飞鸟图输出操作程序提供如下操作序列：以相关值数据组中顺序排列的6种神经递质(I、H、A、D、N、E)为X轴、以相关值为Y轴，以某脑区相关值数据作连线图，得到反映某一脑区6种神经递质信息的图形，称为某脑区飞鸟图。以上述顺序排列的神经递质为X轴、以平均相关值为Y轴，以反映全脑神经递质信息的平均相关值数据作连线图，得到反映全脑6种神经递质信息的图形，称为全脑飞鸟图。
一个神经递质模型数据模块存储下列神经递质模型数据：
| INH | 0.10 | 0.06 | 0.23 | 0.07 | -0.12 | 0.12 | 0.00 | 0.09 | 0.23 | -0.12 | -0.03 | 0.11 | 0.15 | 0.09 | -0.05 | 0.09 |
| 5-HT | 4.00 | -5.25 | 0.50 | -0.25 | 4.00 | -1.25 | 5.50 | 2.25 | 0.50 | -4.50 | -4.00 | 2.00 | -2.75 | 2.75 | 1.50 | -4.00 |
| Ach | 0.00 | -0.10 | -0.17 | 0.17 | 0.28 | -0.28 | -0.11 | 0.00 | 0.59 | 0.35 | 0.23 | 0.03 | 0.01 | 0.00 | -0.11 | 0.02 |
| DA | 0.05 | 0.14 | 0.04 | 0.06 | 0.06 | 0.07 | -0.03 | 0.03 | 0.03 | 0.12 | 0.19 | 0.02 | 0.10 | -0.03 | 0.02 | 0.13 |
| NE | 0.05 | 0.05 | 0.10 | 0.02 | 0.02 | 0.10 | 0.09 | 0.04 | 0.03 | 0.04 | 0.01 | 0.70 | 0.12 | 0.10 | 0.10 | 0.06 |
| EXC | 0.11 | 0.05 | -0.04 | 0.11 | 0.11 | 0.02 | 0.05 | 0.09 | -0.01 | 0.10 | 0.12 | 0.03 | -0.01 | 0.06 | 0.10 | 0.10 |
| 位点 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 |
一个网络区倍频与分维处理操作程序提供如下操作序列，对由S谱峰值选优操作程序形成的n＝12的优选数据组进行处理：
(1)依次以该优选数据组中每一个数据点的频率为基频ω0，在S谱的全部256个频率中寻找与ω0成整数倍关系的所有频率数据mω0(m为1～255的整数，mω0不大于255)，将出现倍数关系的数据处标为1，非倍数标为0；形成12×256的“基频/倍频标记”数据阵列存储；
(2)再对“基频/倍频标记”数据阵列中与各基频对应的标记数据(0或1)求和，即得到与该基频呈倍数关系的频率的数量，形成“基频/倍频数”数据组存储；
(3)在“基频/倍频数”数据组中，计算基频与倍频数的乘积，称为“分维数”，形成“基频/分维数”数据组存储；
(4)在“基频/分维数”数据组中，进行归一化运算：
A、全部“分维数”的合计数；
B、各个基频所对应“分维数”在“分维数”合计数中的比例；
形成“基频/分维数比例”数据组存储；
一个分维数选优操作程序提供如下操作序列：将形成的“分维数比例”数据组的各分维数比例值与选优系数进行比较(相减)，该选优系数为5～9之间的整数(5、6、7、8、9)，经验数据可取7，必要时可上下浮动。若结果大于选优系数，保留原数值；否则该处置0。进一步将上述模拟值系统转为由〔1，0〕组成的数字式系统，即将大于0的位点置1，将原为0的位点置0，形成“分维比例优选”数据组存储。将以上述步骤获得的各脑区“分维比例优选”数据组，构成“分维比例优选”数据阵列存储；
一个HOLO图输出操作程序提供如下操作序列：将某一脑区的“分维比例优选”数据组置于“分维比例优选”数据阵列之前，形成该脑区的“作图源数据阵列”；然后用Windows系统的图表功能，作光滑连线散点图，即生成反映该脑区与其他脑区之间网络信息的“脑纠缠式全息图”简称“HOLO图”。再对所有其它11个脑区进行相同的处理，共获得12个叠加式HOLO图；
在这个搜索人脑神经递质信息和人脑复杂网络信息(功能状态)的测量装置中，以“飞鸟图”的形式显示所获得的单一脑区或全脑平均神经递质信息，“飞鸟图”的横坐标(X轴)为所显示的神经递质信息名称，纵坐标(Y轴)为所测得的神经递质数据与神经递质模型数据的相关值。各神经递质信息的相关值数据点之间以直线相连，形成飞鸟状图形。
在这个搜索人脑神经递质信息和人脑复杂网络信息(功能状态)的测量装置中，以“纠缠式全息图(Entangle holography)”(简称“HOLO图”)的形式显示所获得的人脑任一脑区复杂网络信息，生成“HOLO图”的简便方法是使用Windows系统中的光滑连线散点图绘图功能，生成“HOLO图”的源数据是由所显示信息脑区的“分维比例优选”数据组和全部12脑区“分维比例优选”数据阵列组成，所显示信息脑区的“分维比例优选”数据组位于第一行，即形成13×256的源数据阵列。
附图说明
图1：本发明系统结构的方框图。
图2：本发明搜索神经递质信息操作步骤流程图。
图3：本发明搜索复杂网络信息操作步骤流程图。
图4：本发明操作程序结构图。
图5：用于显示输出神经递质信息的典型“飞鸟图”。
图6：反映不同时段神经递质信息的“飞鸟图”连续显示(左侧箭头为时间顺序)。
图7：长时程测量神经递质信息变化。
图8：长时程测量12脑区神经递质信息比较。
图9：本发明用于显示输出复杂网络信息的“HOLO图”示例(12脑区，听音乐时)。
图10：“HOLO图”示例(12脑区，麻醉状态)。
图11：大脑信息运行的时空轨迹图(1)
图12：大脑信息运行的时空轨迹图(2)
具体实施方式
本发明方案中的脑波输入与放大(导联)的置放，可应用任意导联系统或任意导联的组合，优选国际标准10-20导联系统，电极置放优选位置为F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T5、T6；模/数转换器应具有与导联数一致的输入端口及转换能力。
本发明的中央处理单元通过任一导联或任意导联组合以下列操作步骤执行对人脑任一脑区或任意脑区组合神经递质信息和复杂网络信息的测量与处理：
(一)采集原始脑波数据
采集原始脑波数据的过程参见图2。
人脑脑波信号通过脑波输入与放大(导联)装置和模/数转换器，转换成数字信号并在显示装置上显示，数据采集的速率为每秒2n点(n＝6～9，如6、7、8、9)，如每秒64点、128点、256点、512点等。
开始测量计时后，持续进行脑波数据采集和转换，将在每2秒时间内采集到的2×2n个脑波数据(时点、脑波幅度)形成一个脑波数据组，存储在数据存储装置中；随着采集时间的延续，所获得的脑波数据组的数量持续增加。
测量达到1024秒时获得的脑波数据组(阵列)举例：
| 采样时点顺序 | 1 | 2 | 3 | 4 | 5 | ... | ... | 127 | 128 |
| 0-2秒 | 0.009 | 0.005 | 0.013 | 0.012 | 0.008 | ... | ... | 0.010 | 0.010 |
| 3-4秒 | 0.010 | 0.004 | 0.019 | 0.019 | 0.015 | ... | ... | 0.017 | 0.015 |
| 5-6秒 | 0.008 | 0.008 | 0.009 | 0.010 | 0.018 | ... | ... | 0.007 | 0.012 |
| 7-8秒 | 0.011 | 0.009 | 0.002 | 0.011 | 0.009 | ... | ... | 0.015 | 0.008 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 1021-1023秒 | 0.009 | 0.007 | 0.010 | 0.007 | 0.011 | ... | ... | 0.010 | 0.006 |
| 1022-1024秒 | 0.012 | 0.003 | 0.017 | 0.008 | 0.005 | ... | ... | 0.013 | 0.012 |
上述功能由脑波数据采集操作程序完成。
(二)提取f谱系数据
提取f谱的过程参见图2。
在数据采集的同时，对已形成的每一个脑波数据组，按采集时间顺序，分别进行傅立叶变换，得到0～30Hz的频率/功率域数据组(功率谱)，称为f谱(快谱)。将各f谱按采集时间顺序扫描排列，构成f谱阵列，在数据存储装置中进行存储；
在本发明中，每1024秒为一个基础区间，在每一个基础区间进行的测试称作单点测试。当测量计时达到1024秒时，形成512个f谱构成的f谱阵列。这时，可根据指令终止脑波数据采集，完成单一测量；或按同样步骤继续进行采集和处理，以满足实现长时程测量与分析的需要。
脑波样本的测试与采集，可在1024秒基础上向后延长，可达几十分钟、几小时、甚至几天，理论上没有测试时间限制。因而可在空间连续飞行中应用，也可用于睡眠、麻醉和昏迷状态下的长时程测试(LTV)。
常规测试中，延至一个小时左右，称作连续测试。
(三)提取S谱系数据
提取S谱的过程参见图2。
对于在脑波测量达到1024秒时所生成的f谱阵列，分别在512个f谱中各自的α段(8Hz、9Hz、10Hz、11Hz、12Hz、13Hz)内比较各频率点所对应的功率值，确定其最大值。
生成的f谱阵列及α段举例：
将各f谱α段(8-13Hz)的功率最大值数据，按512个f谱的形成时序排列，形成αmax数据组在数据存储装置存储；同时，αmax数据组可以在显示装置上以数据和/或图形方式显示。
形成的αmax数据组举例：
| f1 | 3 |
| f2 | 5 |
| f3 | 7 |
| f4 | 6 |
| f5 | 5 |
| ... | |
| ... | |
| f511 | 3 |
| f512 | 2 |
α段是脑波中研究得最成熟的部分，公认为是快突触后电位的总和，S讯号按神经调制原理载于其上。所以把窗口开在α段是最合理的。扩大窗口，将引入噪声和不纯因素。根据α起步点涨落原理，α值在不同频率上不断涨落(幅度涨落和频率涨落)，所提取的αmax，在α频段中常常是单峰突起，具有序参量的意义。这种非线性信息不能用α段积分值或平均值来取代。
对形成的αmax数据组进行傅立叶变换，得到以mHz为单位的256点位频率/功率域数据组，即二次功率谱，亦称为S谱(慢谱)；该二次功率谱可以在显示装置上以数据和/或图形方式显示。
S谱-频率/功率域数据组举例：
| 功率 | P1 | P2 | P3 | P4 | ... | ... | P255 | P256 |
| 频率(毫赫兹) | ω1 | ω2 | ω3 | ω4 | ... | ... | ω255 | ω256 |
上述功能由S谱生成操作程序完成。
(四)获取神经递质信息
搜索神经递质信息的过程参见图2。
在神经活动中，尤其在神经递质活动中，已证明量子化现象明显存在。在外周和中枢神经生物电研究中，量子化分析法(Quantal analysis)被认为是一种十分精确的方法，成功地应用于从阶梯式(宏观量子化)突触后电位序列中发现神经递质的量子化释放现象。已经确认，神经递质的释放是量子化的。那么，在与递质释放有密切因果关系的慢信号系统中，也必有量子化层次的信息。寻找和详细考察慢信号系统中的量子化结构，将具有特别重要的意义。
按照系统理论的分析方法，对功率谱的频率分布可以进行周期、准周期和混沌分析。其中周期结构可被看作是一种数值量子化结构，关键是看它是否具有量子效应。量子化的精确定义是：“在一个特定的系统中，只能取某些特定分立值的一个物理量，叫做量子化的物理量”。当基频为ω0时，总有其倍数mω0(m为正整数)出现。在慢信号功率谱中，当基频为ω0时，mω0即为其量子化值，其中m为整数倍。我们总可以找到大量的这种量子化数值的序列，即量子化相干叠加。我们称这种处理方法为量子化算法。
本发明技术方案中出现的S谱，具有明显的不连续性，某些频率上出现明显的波峰，它们之间常构成倍数关系，即出现量子化结构。因此，可按下述步骤搜索存在的量子化结构。
在形成的频率/功率域数据组(S谱)中，将各功率数据(峰值)自大至小排序，排序后的功率数据依次为PM1、PM2、……、PM256。再分别取功率值最大的前n个数据点功率值和对应的频率值形成不同n值的优选数据组存储；根据经验和实际测试统计结果，n值可取5至16之间的整数，如：5、6、7、8、9、10、11、12、13、14、15、16。
n＝8的优选数据组举例：
| 功率 | PM1 | PM2 | PM3 | PM4 | PM5 | PM6 | PM7 | PM8 |
| 频率(毫赫兹) | ωM1 | ωM2 | ωM3 | ωM4 | ωM5 | ωM6 | ωM7 | ωM8 |
对S谱进行排序、确定优选数据组的功能由S谱峰值选优操作程序完成。
经研究发现：将大脑S谱256个位点分成
谱段，则量子化叠加结构最紧密地出现在其第一段，即1～16位点构成的区间，约占S谱全长的6％。值得特别注意的是，这个数字与DNA中编码区对其全长所占的比例(4％～6％)相当，而且DNA编码区也出现在DNA链的初始段。这样看来，S谱的这一谱段也应当是大脑神经递质(或含其它神经化学物质)的编码区。从生物信息学的普遍意义来看，这进一步表明大脑编码与DNA编码有相通之处，而不只是一种偶然的巧合。同样，皮层模块在编码颜色感觉中使用的斑块也是16个。可以设想，每个斑块收集来自神经元树突群的信息，而树突除产生快电位之外，同时发放大量本技术特别关注的慢突触后电位。无独有偶，就皮层锥体细胞而言，他的树突分支数也是在十几个范围内。不管特定树突分支是否与特定斑块一一对应，至少树突群中不同基频上的量子化叠加结构可以通过群体响应，形成宏观相干叠加态。
这些理论背景资料指向一个结论：从树突群中产生的超慢信号及其量子化叠加序列，在其S谱的初始段(1～16位点)，极可能是神经递质的编码区。
在256个量子化阵列中，递质间的区别和拮抗特别明显地表现在其初始区域(ω0为1-16Hz)。它的作用相当于DNA中的编码区。所以：
以整数1～16为基频ω0，依次在不同n值的每一个优选数据组中，寻找与ω0成整数倍关系的所有频率数据mω0(m为大于或等于1～255的整数，mω0不大于255)，再将出现倍数关系的数据处标为1，非倍数标为0；形成不同n值的n×16的“基频/倍频标记”数据阵列存储；
“基频/倍频标记”数据阵列举例(n＝8)：
| 合计 | 3 | 3 | 3 | 2 | ... | 2 | 1 | 1 |
| ωM1 | 1 | 0 | 0 | 0 | ... | 0 | 0 | 0 |
| ωM2 | 0 | 1 | 0 | 0 | ... | 0 | 0 | 0 |
| ωM3 | 1 | 0 | 1 | 0 | ... | 0 | 0 | 0 |
| ωM4 | 0 | 1 | 0 | 1 | ... | 0 | 0 | 0 |
| ωM5 | 0 | 0 | 1 | 0 | ... | 0 | 0 | 0 |
| ωM6 | 1 | 0 | 0 | 0 | ... | 1 | 0 | 0 |
| ωM7 | 0 | 1 | 1 | 1 | ... | 0 | 1 | 0 |
| ωM8 | 0 | 0 | 0 | 0 | ... | 1 | 0 | 1 |
| 基频 | ω1 | ω2 | ω3 | ω4 | ... | ω14 | ω15 | ω16 |
然后，对形成的不同n值的“基频/倍频标记”数据阵列中与各基频对应的标记数据(0或1)求和，即得到与该基频呈倍数关系的频率的数量，形成不同n值的“基频/倍频数”数据组存储；
“基频/倍频数”数据组举例：
| 倍频数 | 3 | 3 | 3 | 2 | ... | 2 | 1 | 1 | 17 |
| 基频 | ω1 | ω2 | ω3 | ω4 | ... | ω14 | ω15 | ω16 | 合计 |
进一步，对所形成的不同n值的16位“基频/倍频数”数据组，按分形原理，将不同频率转化为统一的数值，简化的计算方法是：取基频与倍频数的乘积，称为“分维数”，形成不同n值的16位“基频/分维数”数据组存储；
“基频/分维数”数据组举例：
| 分维数 | 3ω1 | 3ω2 | 3ω3 | 2ω4 | ... | 2ω14 | 1ω15 | 1ω16 |
| 基频 | ω1 | ω2 | ω3 | ω4 | ... | ω14 | ω15 | ω16 |
进而对形成的不同n值的“基频/分维数”数据组，进行量子理论要求的归一化运算：
首先，计算全部“分维数”的合计数；
然后，计算各个基频所对应“分维数”在“分维数”合计数中的百分比，得到分维数比例(％)，又称“分维数百分值”。该“分维数百分值”是以“分维数”合计数为100的相对数值。
最终形成不同n值的归一化的“基频/分维数比例”数据组(16位编码序列)存储。
上述功能由编码区倍频与分维处理操作程序完成。
将根据测试(未知的神经递质)产生的不同n值的“基频/分维数比例”数据组分别与已知的6种神经递质模型数据组进行相关计算，分别得到与6种神经递质的相关值，形成在不同n值下的相关值数据组存储；6种神经递质的排列顺序为I、H、A、D、N、E；
对6种神经递质的相关值数据阵列举例：
| n＝5 | 0.7690 | 0.3749 | -0.1321 | 0.6591 | 0.2790 | -0.6527 | 1.2972 |
| n＝6 | 0.7194 | 0.4762 | -0.6524 | 0.6351 | 0.2890 | 0.7265 | 2.1938 |
| n＝7 | 0.6902 | 0.6521 | 0.0132 | 0.3491 | 0.6421 | 0.1653 | 2.5120 |
| n＝8 | 0.9022 | 0.3830 | 0.1876 | 0.7431 | -0.1279 | -0.1527 | 1.9353 |
| n＝9 | 0.2870 | 0.5726 | 0.3219 | 0.6121 | 0.2954 | -0.1027 | 1.9863 |
| n＝10 | 0.5897 | -0.0023 | -0.0862 | -0.2592 | 0.5390 | 0.0653 | 0.8463 |
| n＝11 | 0.3976 | 0.7149 | -0.7625 | 0.3491 | -0.1028 | 0.0603 | 0.6566 |
| n＝12 | 0.7659 | 0.1678 | 0.0621 | 0.6001 | 0.5879 | 0.6905 | 2.8744 |
| n＝13 | 0.6933 | -0.1928 | 0.1832 | 0.2091 | 0.9509 | -0.3127 | 1.5310 |
| n＝14 | 0.7222 | 0.9026 | 0.1213 | 0.6341 | -0.0279 | -0.1927 | 2.1596 |
| n＝15 | 0.7018 | 0.6539 | -0.6444 | 0.1591 | 0.7666 | -0.9267 | 0.7103 |
| n＝16 | 0.2190 | 0.2344 | 0.7321 | 0.6234 | 0.8550 | -0.8253 | 1.8386 |
| I | H | A | D | N | E | 相关值合计 |
根据相关值最大原则对不同n值的相关值数据组进行对比选优，即分别将各不同n值下的相关值数据组6项相关值数据求和，然后对各数据组的相关值合计数进行比较，取其最大合计数(取其最稳定者)对应的n值作为最终的n值。如上表中，相关值合计最大值为2.8744，则最终的n＝12。
最终，以该n值确定的优选数据组、“基频/倍频标记”数据阵列、“基频/倍频数”数据组、“基频/分维数”数据组、“基频/分维数比例”数据组、相关值数据组将作为受试者某一脑区神经递质信息数据存储。该组相关值数据即反映了被测试者在某一测量时段内某一脑区的神经递质信息。该相关值数据组可以在显示装置上以数据和/或图形方式显示。以同样的方法，可以获得反映各脑区神经递质信息的数据。
在获得受试者各脑区神经递质信息后，可以各脑区神经递质信息数据为基础，得到反映全脑神经递质信息的数据：
以各脑区相关值数据组为基础，如以12导联进行测试，则有12个脑区共12个相关值数据组。分别对6种神经递质计算其各脑区的相关值算术平均值，源数据共12*6＝72个。以分别与6种神经递质对应的算术平均值形成全脑相关值数据组存储，6种神经递质的排列顺序为I、H、A、D、N、E。该组相关值数据即反映了被测试者在某一测量时段内全脑平均神经递质信息。全脑相关值数据组可以在显示装置上以数据和/或图形方式显示；
各脑区神经递质信息和全脑神经递质信息，均可以数据(表格)形式和/或图形方式输出到显示器或打印机等输出设备上。
本发明将神经递质信息图形输出方式设计为“飞鸟图”：
以按相关值数据组中顺序排列的6种神经递质(I、H、A、D、N、E)为X轴、以相关值为Y轴，将相关值数据作连线图，得到反映6种神经递质信息的图形称为飞鸟图。以单一脑区相关值数据组所作的飞鸟图，称为某脑区飞鸟图。以全脑相关值数据组所作的飞鸟图，称为全脑飞鸟图。见图5和图6。
在递质连续测试中，可以观察到递质长时程变化(LTV)。长时程实时观测(LTV)可以有效地观察全脑每一脑区不同递质的变化，也可观察每种递质在不同脑区的变化。LTV与近年来掀起的LTP/LTD研究有相同之处，但LTV涉及所有脑区和所有神经递质的反应，所以为脑研究提供了更为广阔的选择。见图7和图8。
(五)人脑复杂网络信息的获取
获取人脑复杂网络信息的过程参见图3。
大脑功能是全球化的，其功能具有整体性、非局域性的特点。在大脑工作中，不是一个个神经元各自为政，而是在相当大的范围内相互关联，大量的神经元构成一个整体，协调一致地工作。
神经网络研究由来已久，但一般都只是有限数量神经元之间构成的小网络，称作神经元网络。它观察经典神经过程的相互作用，很少涉及全球化(全脑)规模，更少有研究量子位、量子叠加态之间的相互作用。量子化叠加系统的出现，将使网络研究有一个大视野。能涵盖整个大脑，甚至大脑以外的世界，从而把经典层次推向全新的量子化层次。众多量子位构成的互联网络中可能出现诸多新现象，例如，量子化相干、纠缠、凝聚、全息乃至意识等。
S谱研究中发现，除初始谱段属于编码区外，其后的谱段也有丰富的功能。DNA研究中把它称作调控区。本发明把这一区域中经过优选的成分构成量子化网络，以获取大脑的复杂网络信息。
获取大脑复杂网络信息的数据基础，是在搜索神经递质信息过程中形成的频率/功率域数据组(S谱)。获取大脑复杂网络信息的操作过程，可以与搜索神经递质信息过程同步实施，也可以独立实施：
在搜索神经递质信息过程中形成的频率/功率域数据组(S谱)中，将各功率数据(峰值)自大至小排序，取功率值最大的前12个数据点功率值和对应的频率值形成12×2优选数据组存储；分别以该优选数据组中的12个数据点的频率为基频ω0，在S谱的全部256个频率中寻找与ω0成整数倍关系的所有频率数据mω0(m为大于或等于1的整数)，再将出现倍数关系的数据处标为1，非倍数标为0；形成12×256的“倍频标记”数据阵列存储。
此后，对所形成的“倍频标记”数据阵列，实施与神经递质信息搜索过程相同的处理步骤，依次形成“基频/倍频数”数据组、“基频/分维数”数据组、“基频/分维数比例”数据组存储。分维数比例又称“分维数百分值”。该“分维数百分值”是以“分维数”合计数为100的相对数值。如某分维数在分维数合计数中的比例为14％，则该分维数比例值为14。
然后对所形成的“基频/分维数比例”数据组的各分维数比例进行选优处理，选优处理的过程是：
将各分维数比例减去一个共同的选优系数，并对其结果进行判断，若结果大于选优系数，保留原数值；若结果小于或等于选优系数，则该处置0。该选优系数为5～9之间的整数(5、6、7、8、9)，默认值为7，必要时可上下浮动。进一步将上述模拟值系统转为由〔1，0〕组成的数字式系统，即：将大于0的位点置1，将原为0的位点仍置0。形成“分维比例优选”数据组存储。将以上述步骤获得的各脑区“分维比例优选”数据组，构成“分维比例优选”数据阵列存储。示例见下表：
| F3 | 1 | 0 | 0 | 0 | ... | 0 | 0 | 0 |
| F4 | 0 | 1 | 1 | 1 | ... | 0 | 1 | 0 |
| C3 | 0 | 1 | 0 | 0 | ... | 0 | 0 | 0 |
| C4 | 1 | 0 | 1 | 0 | ... | 0 | 0 | 0 |
| P3 | 1 | 0 | 0 | 0 | ... | 0 | 0 | 0 |
| P4 | 0 | 1 | 0 | 1 | ... | 0 | 0 | 0 |
| O1 | 0 | 1 | 0 | 0 | ... | 0 | 0 | 0 |
| O2 | 0 | 0 | 1 | 0 | ... | 0 | 0 | 0 |
| F7 | 1 | 0 | 0 | 0 | ... | 1 | 0 | 0 |
| F8 | 0 | 1 | 0 | 1 | ... | 0 | 0 | 0 |
| T5 | 0 | 1 | 1 | 1 | ... | 0 | 1 | 0 |
| T6 | 0 | 0 | 0 | 0 | ... | 1 | 0 | 1 |
| 基频 | ω1 | ω2 | ω3 | ω4 | ... | ω254 | ω255 | ω256 |
量子化阵列中不同宏观量子位之间的相互作用，构成不同相位关系，可用相图显示出来。该相图是将每一导程的参数，与所有其它11个导程共同作为数据而获得的。具体方法是：将某一脑区的“分维比例优选”数据组置于“分维比例优选”数据阵列之前，形成该脑区的“作图源数据阵列”；然后用Windows系统的图表功能，作光滑连线散点图，即生成反映该脑区与其他脑区之间网络信息的“脑纠缠式全息图”简称“HOLO图”。再对所有其它11个脑区进行相同的处理，共获得12个叠加式HOLO图。
“作图源数据阵列”示例(以C4导联(脑区)为例)：
| C4 | 1 | 0 | 1 | 0 | ... | 0 | 0 | 0 |
| F3 | 1 | 0 | 0 | 0 | ... | 0 | 0 | 0 |
| F4 | 0 | 1 | 1 | 1 | ... | 0 | 1 | 0 |
| C3 | 0 | 1 | 0 | 0 | ... | 0 | 0 | 0 |
| C4 | 1 | 0 | 1 | 0 | ... | 0 | 0 | 0 |
| P3 | 1 | 0 | 0 | 0 | ... | 0 | 0 | 0 |
| P4 | 0 | 1 | 0 | 1 | ... | 0 | 0 | 0 |
| O1 | 0 | 1 | 0 | 0 | ... | 0 | 0 | 0 |
| O2 | 0 | 0 | 1 | 0 | ... | 0 | 0 | 0 |
| F7 | 1 | 0 | 0 | 0 | ... | 1 | 0 | 0 |
| F8 | 0 | 1 | 0 | 1 | ... | 0 | 0 | 0 |
| T5 | 0 | 1 | 1 | 1 | ... | 0 | 1 | 0 |
| T6 | 0 | 0 | 0 | 0 | ... | 1 | 0 | 1 |
| 基频 | ω1 | ω2 | ω3 | ω4 | ... | ω254 | ω255 | ω256 |
不同脑区间不同的相位关系(同相、异相、反相)产生不同复杂度的相图因子。典型状态下，不同脑区可出现十分相似的图形。这是纠缠效应的表现，也是全息图象的特征，所以称之为“纠缠式全息图(Entangle holography)”。(见图7、图8)
在图形上，点对点(宏观量子位之间)的连接表现为相平面上的开弦式直线，而其他连接表现为不同复杂度的闭弦式环形圈。后者中最典型的复杂形式为X式交叉的方块图像，称为“超对称”图象，旋转90°，图形保持不变。它在理论和应用上有最重要的意义，是网络信息中组织得最全面、最严密、最精华的一种形式。智商高的人这类超对称图像出现最多。弱智和痴呆患者，以及麻醉状态下不易出现。有时全脑12个脑区的图像完全相同，即每个脑区包含了所有其它脑区的相同信息。故称全息图(HOLO)。
每个脑区的HOLO图中，不同颜色代表与该脑区存在连接的不同脑区。开弦的长度和闭弦的大小代表这种联结的强度。12个脑区的HOLO图可以叠加，以观察全脑特征，尤其是它们的同步情况。同步良好的情况下，可看到十分整齐美观的全脑合成HOLO图，它们的全息性质十分明显。
网络信息分析中，也可以观察长时程变化(LTV)。
在递质和网络分析中得到的LTV信息，都可在不同脑区间构成大脑信息运行的时空轨迹图，反映不同信息于不同时刻在不同脑区运行的轨迹，呈现出大脑信息流动的生动全景(图11，图12)。
图11中数字是开始听音乐后的分钟值。音乐效应2分钟时从T6(右侧颞后区)开始，16分钟时转向T5(左侧颞后区)，到20分钟后又转回T6，在26分钟时又转向T5.运行轨迹在左右颞后区来回几次后(绿色连线)最终以T5区为核心，向C3、P3、O1区辐射，形成一个强的共振区(红色连线)，生动反映了颞后区在音乐效应中的作用。
图12是主诉运动障碍和记忆力衰减者的低功能区搜索测试，其中数字是测试开始后的分钟值。低功能区搜索指标：
NTmax，0：表示NTmax(递质最大值)搜索中，某个脑区在所有时刻没有一种递质进入最大值。
NTmin：表示NTmin(递质最小值)搜索中，某个递质在某个脑区出现最小值的时间轨迹。
HO：表示HOLO参数搜索中，某个脑区出现零区(即H1-H10无一出现)的时间轨迹。
HOLO：表示HOLO得分评估中，在某个脑区HOLO总得分为最小值的时间轨迹。
图12中低功能指标在(C4)和海马区(T6)各有两种递质出现全时程(1′-14′)同步衰减，运动轨迹构成停滞的低功能灶。测试结果与运动障碍和记忆障碍的主诉吻合。
本发明在脑波研究中因引入了“量子化”思想而得到递质编码曲线和全息图，并引发一系列新发现，把脑科学研究推向新阶段。
本发明中包含的神经递质无创探测技术和量子化网络多重构象技术，已在正常人普查中和临床病例分析中应用。如：
多类运动员脑功能研究已展开多年，在对奥运会运动员成绩预测中成效卓著并在赛前竞技状态分析中取得进展；
为空间飞行中的应用准备了技术条件，尤其是长期连续无创监测，特别适用于航天条件；
药物开发试验和空间药理学研究取得良好进展，对失重和飞行条件下的药物应用和开发，本技术有特别的针对性；
临床病例收集已延续20多年，在一些疑难病症的分析中和疗效观察方面本技术有独到之处；
提供了可用于睡眠、昏迷、麻醉状态的长时程监测的技术。
以下是本发明与PET在神经递质检测方面的技术特点对比：
所有应用效果，都明显超越了传统脑波研究所能达到的水平。
Claims (15)
1.一种搜索人脑神经递质信息和人脑复杂网络信息的测量装置，包含脑波输入与放大-导联装置、模/数转换器、中央处理单元、数据存储装置、数据输出装置和输入控制装置，并依次连接；其中，脑波输入与放大-导联装置置放，可应用任意导联系统或任意导联的组合，在采用国际标准10-20系统的12导联组合时，电极置放位置为F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T5、T6；模/数转换器应具有与导联数一致的输入端口及转换能力；其特征在于，所说的中央处理单元通过任一导联或任意导联组合以下列操作步骤执行对人脑任一脑区或任意脑区组合神经递质信息和复杂网络信息的测量与处理：
(1)启动已连接到人脑的脑波输入与放大-导联装置，对人脑脑波信号进行测量；
(2)通过模/数转换器，将测量的模拟信号(脑波幅度，微伏)转换成数字信号并在显示装置上显示，开始脑波数据采集和测量计时，采集速率为每秒2n点(n＝6～9，如6、7、8、9)，如每秒64点、128点、256点、512点等；
(3)持续进行步骤(2)开始的脑波数据采集和转换，将在每2秒时间内采集到的2×2n个脑波数据(时点、脑波幅度)形成一个脑波数据组，存储在数据存储装置中；
(4)对每一个脑波数据组，按采集时间顺序，分别进行傅立叶变换，得到0～30Hz的频率/功率域数据组(功率谱)，称为f谱(快谱)，按采集时间顺序扫描排列，构成f谱阵列，在数据存储装置中进行存储；
(5)当测量计时达到1024秒时，形成512个f谱构成的f谱阵列，可终止脑波数据采集，完成单一测量；或按步骤(2)～(5)继续进行采集和处理，以实现长时程测量与分析；
(6)对于在脑波测量达到1024秒时所生成的f谱阵列，分别在512个f谱中各自的α段(8Hz、9Hz、10Hz、11Hz、12Hz、13Hz)内比较各频率点所对应的功率值，确定其最大值；
(7)将各f谱α段(8-13Hz)的功率最大值数据，按512个f谱的形成时序排列，形成αmax数据组在数据存储装置存储；同时，αmax数据组可以在显示装置上以数据和/或图形方式显示；
(8)对步骤(7)形成的αmax数据组进行傅立叶变换，得到以mHz为单位的256 点位频率/功率域数据组，即二次功率谱，亦称为S谱或慢谱；该二次功率谱可以在显示装置上以数据和/或图形方式显示；
(9)在步骤(8)形成的频率/功率域数据组(S谱)中，将各功率数据(峰值)自大至小排序；再分别取功率值最大的前n个数据点(n为5至16之间的整数，包括：5、6、7、8、9、10、11、12、13、14、15、16)功率值和对应的频率值形成不同n值的优选数据组存储；
(10)以整数1～16为基频ω0，依次在不同n值的每一个优选数据组中，寻找与ω0成整数倍关系的所有频率数据mω0(m为1～255的整数，mω0不大于255)，再将出现倍数关系的数据处标为1，非倍数标为0；形成不同n值的n×16的“基频/倍频标记”数据阵列存储；
(11)对步骤(10)中形成的不同n值的“基频/倍频标记”数据阵列中与各基频对应的标记数据(0或1)求和，即得到与该基频呈倍数关系的频率的数量，形成不同n值的“基频/倍频数”数据组存储；
(12)在步骤(11)中形成的不同n值的16位“基频/倍频数”数据组中，按分形原理，将不同频率转化为统一的数值，简化的计算方法是：取基频与倍频数的乘积，称为“分维数”，形成不同n值的16位“基频/分维数”数据组存储；
(13)在步骤(12)中形成的不同n值的“基频/分维数”数据组中，进行量子理论要求的归一化运算：
A、计算全部“分维数”的合计数；
B、计算各个基频所对应“分维数”在“分维数”合计数中的比例；
形成不同n值的归一化的“基频/分维数比例”数据组(16位编码序列)存储；
(14)将未知的神经递质产生的不同n值的“基频/分维数比例”数据组分别与已知的6种神经递质模型数据组进行相关计算，分别得到与6种神经递质的相关值，形成不同n值的相关值数据组存储；6种神经递质的排列顺序为I、H、A、D、N、E；
(15)根据相关值最大原则对不同n值的相关值数据组进行对比选优，即分别将各不同n值下的相关值数据组6项相关值数据求和，然后对各数据组的相关值合计数进行比较，取其最大合计数对应的n值作为最终的n值；以该n值确定的优选数据组、“基频/倍频标记”数据阵列、“基频/倍频数”数据组、“基频/分维数”数据组、“基频/分维数比例”数据组、相关值数据组将作为受试者某一脑区神经递质信息数据存储。该组相关值数据即反映了被测试者在某一测量时段内某一脑区的神经递质信息。该相关值 数据组可以在显示装置上以数据和/或图形方式显示；
(16)将6种神经递质各脑区的相关值(12*6＝72个数据)分别计算12导的平均值，形成全脑相关值数据组存储；6种神经递质的排列顺序与步骤(14)相同；该组相关值数据即反映了被测试者在某一测量时段内全脑平均神经递质信息。全脑相关值数据组可以在显示装置上以数据和/或图形方式显示；
(17)以按相关值数据组中顺序排列的6种神经递质(I、H、A、D、N、E)为X轴、以相关值为Y轴，将步骤(14)的相关值数据作连线图，得到反映某一脑区6种神经递质信息的图形称为飞鸟图。以上述顺序排列的神经递质为X轴、以平均相关值为Y轴，将步骤(15)得到的平均相关值数据作连线图，得到反映全脑6种神经递质信息平均值的图形称为全脑飞鸟图；
(18)在步骤(8)形成的频率/功率域数据组(S谱)中，将各功率数据(峰值)自大至小排序，取功率值最大的前12个数据点功率值和对应的频率值形成12×2优选数据组存储；
(19)分别以步骤(18)形成的优选数据组中的12个数据点的频率为基频ω0，在S谱的全部256个频率中寻找与ω0成整数倍关系的所有频率数据mω0(m为大于或等于1的整数)，再将出现倍数关系的数据处标为1，非倍数标为0；形成12×256的“倍频标记”数据阵列存储；
(20)对步骤(19)中形成的“倍频标记”数据阵列实施与步骤(11)～(13)相同的处理，形成2×256的“分维数比例”数据组存储；
(21)分别将在步骤(20)中形成的“分维数比例”数据组的各分维数比例进行选优处理，即减去一个选优系数，该选优系数为5～9之间的整数(5、6、7、8、9)，默认值为7，必要时可上下浮动：
A、若结果大于选优系数，保留原数值；
B、若结果小于或等于选优系数，则该处置0；
C、进一步将上述模拟值系统转为由〔1，0〕组成的数字式系统，即将大于0的位点置1，将原为0的位点置0，形成“分维比例优选”数据组存储；
(22)将以上述步骤获得的各脑区“分维比例优选”数据组，构成“分维比例优选”数据阵列存储。
(23)将某一脑区的“分维比例优选”数据组置于“分维比例优选”数据阵列之前，形成该脑区的“作图源数据阵列”；然后作相图，简便方法是调用Windows系统的图 表功能，作光滑连线散点图，即生成反映该脑区与其他脑区之间网络信息的“脑纠缠式全息图”简称“HOLO图”；再对所有其它11个脑区进行相同的处理，共获得12个叠加式HOLO图；
2.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个脑波数据采集操作程序提供一个通过模数转换器，将输入系统的脑电波模拟信号转换成数字信号，并以一定的速率(如每秒64点、128点、256点、512点)采集脑波数字信号，形成某一时段的脑波数据组(时点、脑波幅度)，存储在数据存储装置中的操作序列。
3.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个S谱生成操作程序，提供如下操作序列：
(1)对每一个脑波数据组，按采集时间顺序，分别进行傅立叶变换，得到0～30Hz的频率/功率域数据组(功率谱，亦称为f谱)，按采集时间顺序扫描排列，构成f谱阵列，在数据存储装置中进行存储；
(2)对于f谱阵列，分别在512个f谱中各自的α段(8Hz、9Hz、10Hz、11Hz、12Hz、13Hz)内比较各频率点所对应的功率值，确定其最大值；然后将各f谱α段(8-13Hz)的功率最大值数据，按512个f谱的形成时序排列，形成αmax数据组在数据存储装置存储；
(3)对αmax数据组进行傅立叶变换，得到以mHz为单位的256点位频率/功率域数据组，即二次功率谱，称为S谱。
4.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个S谱峰值选优操作程序，提供：在形成的S谱中，将各功率数据(峰值)自大至小排序，分别取功率值最大的前n个数据点(n为5至16之间的整数，包括：5、6、7、8、9、10、11、12、13、14、15、16)功率值和对应的频率值形成不同n值的优选数据组存储的操作序列。
5.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个编码区倍频与分维处理操作程序，提供分别对由S谱峰值选优操作程序形成的不同n值的优选数据组进行处理的如下操作序列：
(1)对每一个优选数据组，依次以优选数据组中每一个数据点的频率为基频ω0，在S谱的前16个频率中寻找与ω0成整数倍关系的所有频率数据mω0(m为大于或等于1的整数)，将出现倍数关系的数据处标为1，非倍数标为0；形成n×16的“基 频/倍频标记”数据阵列存储；
(2)再对“基频/倍频标记”数据阵列中与各基频对应的标记数据(0或1)求和，即得到与该基频呈倍数关系的频率的数量，形成“基频/倍频数”数据组存储；
(3)在“基频/倍频数”数据组中，计算基频与倍频数的乘积，称为“分维数”，形成“基频/分维数”数据组存储；
(4)在“基频/分维数”数据组中，进行归一化运算：
A、全部“分维数”的合计数；
B、各个基频所对应“分维数”在“分维数”合计数中的比例；
形成“基频/分维数比例”数据组存储。
6.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个相关计算操作程序提供如下操作序列：将经过倍频与分维处理操作程序处理、由未知神经递质生成的不同n值的“基频/分维数比例”数据组，分别与已知的6种神经递质模型数据组进行相关计算，分别得到与6种神经递质的相关值，形成不同n值的相关值数据组存储。
7.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个相关值判别操作程序提供如下操作序列：根据相关值最大原则对不同n值的相关值数据组进行对比选优，取6项相关值合计数最大者对应的n值作为最终的n值；以该n值确定的优选数据组、“基频/倍频标记”数据阵列、“基频/倍频数”数据组、“基频/分维数”数据组、“基频/分维数比例”数据组、相关值数据组将作为受试者某一脑区神经递质信息数据存储。
8.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个全脑递质信息操作程序提供如下操作序列：对6种神经递质相关值分别计算各脑区算数平均值，形成全脑相关值数据组存储；6种神经递质的排列顺序与步骤(14)相同；该组相关值数据即反映了被测试者在某一测量时段内全脑平均神经递质信息。
9.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个飞鸟图输出操作程序提供如下操作序列：以相关值数据组中顺序排列的6种神经递质(I、H、A、D、N、E)为X轴、以相关值为Y轴，以某脑区相关值数据作连线图，得到反映某一脑区6种神经递质信息的图形，称为某脑区飞鸟图。以上述顺序排列的神经递质为X轴、以平均相关值为Y轴，以反映全脑神经递质信 息的平均相关值数据作连线图，得到反映全脑6种神经递质信息的图形，称为全脑飞鸟图。
10.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个神经递质模型数据模块存储下列神经递质模型数据：
11.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个网络区倍频与分维处理操作程序提供如下操作序列，对由S谱峰值选优操作程序形成的n＝12的优选数据组进行处理：
(1)依次以该优选数据组中每一个数据点的频率为基频ω0，在S谱的全部256个频率中寻找与ω0成整数倍关系的所有频率数据mω0(m为1～255的整数，mω0不大于255)，将出现倍数关系的数据处标为1，非倍数标为0；形成12×256的“基频/倍频标记”数据阵列存储；
(2)再对“基频/倍频标记”数据阵列中与各基频对应的标记数据(0或1)求和，即得到与该基频呈倍数关系的频率的数量，形成“基频/倍频数”数据组存储；
(3)在“基频/倍频数”数据组中，计算基频与倍频数的乘积，称为“分维数”，形成“基频/分维数”数据组存储；
(4)在“基频/分维数”数据组中，进行归一化运算：
A、全部“分维数”的合计数；
B、各个基频所对应“分维数”在“分维数”合计数中的比例；
形成“基频/分维数比例”数据组存储。
12.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个分维数选优操作程序提供如下操作序列：将形成的“分维数比例”数据组的各分维数比例值与选优系数进行比较(相减)，该选优系数为5～9之间的整数(5、6、7、8、9)，经验数据可取7，必要时可上下浮动。若结果大于选优系数， 保留原数值；否则该处置0。进一步将上述模拟值系统转为由〔1，0〕组成的数字式系统，即将大于0的位点置1，将原为0的位点置0，形成“分维比例优选”数据组存储。将以上述步骤获得的各脑区“分维比例优选”数据组，构成“分维比例优选”数据阵列存储。
13.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，一个HOLO图输出操作程序提供如下操作序列：将某一脑区的“分维比例优选”数据组置于“分维比例优选”数据阵列之前，形成该脑区的“作图源数据阵列”；然后用Windows系统的图表功能，作光滑连线散点图，即生成反映该脑区与其他脑区之间网络信息的“脑纠缠式全息图”简称“HOLO图”。再对所有其它11个脑区进行相同的处理，共获得12个叠加式HOLO图。
14.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，以“飞鸟图”的形式显示所获得的单一脑区或全脑平均神经递质信息，“飞鸟图”的横坐标(X轴)为所显示的神经递质信息名称，纵坐标(Y轴)为所测得的神经递质数据与神经递质模型数据的相关值。各神经递质信息的相关值数据点之间以直线相连，形成飞鸟状图形。
15.根据权利要求1的搜索人脑神经递质信息和人脑复杂网络信息的测量装置，其特征在于，以“纠缠式全息图(Entangle holography)”(简称“HOLO图”)的形式显示所获得的人脑任一脑区复杂网络信息，生成“HOLO图”的简便方法是使用Windows系统中的光滑连线散点图绘图功能，生成“HOLO图”的源数据是由所显示信息脑区的“分维比例优选”数据组和全部12脑区“分维比例优选”数据阵列组成，所显示信息脑区的“分维比例优选”数据组位于第一行，即形成13×256的源数据阵列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010102821090A CN102397068A (zh) | 2010-09-15 | 2010-09-15 | 搜索人脑神经递质信息和人脑复杂网络信息的测量装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010102821090A CN102397068A (zh) | 2010-09-15 | 2010-09-15 | 搜索人脑神经递质信息和人脑复杂网络信息的测量装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102397068A true CN102397068A (zh) | 2012-04-04 |
Family
ID=45879981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2010102821090A Pending CN102397068A (zh) | 2010-09-15 | 2010-09-15 | 搜索人脑神经递质信息和人脑复杂网络信息的测量装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102397068A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103837561A (zh) * | 2014-03-11 | 2014-06-04 | 吴仁华 | 一种双量子滤波技术检测脑内γ-氨基丁酸的方法 |
| WO2022236749A1 (zh) * | 2021-05-12 | 2022-11-17 | 北京太阳电子科技有限公司 | 脑电波异常放电检测方法、装置、介质及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5458117A (en) * | 1991-10-25 | 1995-10-17 | Aspect Medical Systems, Inc. | Cerebral biopotential analysis system and method |
| US20020055686A1 (en) * | 2000-09-01 | 2002-05-09 | Takayuki Hisanaka | Method of evaluation and selection of absorbent article |
| JP3523007B2 (ja) * | 1997-03-25 | 2004-04-26 | 中沢 弘 | 満足感計測システムおよびフィードバック装置 |
| CN1632816A (zh) * | 2003-12-23 | 2005-06-29 | 广州可夫医疗科技有限公司 | 一种脑电涨落信号分析方法及其设备 |
| CN101254098A (zh) * | 2007-10-19 | 2008-09-03 | 北京舒普生工贸有限公司 | 一种脑电超慢波检测分析方法及其数据处理装置 |
-
2010
- 2010-09-15 CN CN2010102821090A patent/CN102397068A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5458117A (en) * | 1991-10-25 | 1995-10-17 | Aspect Medical Systems, Inc. | Cerebral biopotential analysis system and method |
| JP3523007B2 (ja) * | 1997-03-25 | 2004-04-26 | 中沢 弘 | 満足感計測システムおよびフィードバック装置 |
| US20020055686A1 (en) * | 2000-09-01 | 2002-05-09 | Takayuki Hisanaka | Method of evaluation and selection of absorbent article |
| CN1632816A (zh) * | 2003-12-23 | 2005-06-29 | 广州可夫医疗科技有限公司 | 一种脑电涨落信号分析方法及其设备 |
| CN101254098A (zh) * | 2007-10-19 | 2008-09-03 | 北京舒普生工贸有限公司 | 一种脑电超慢波检测分析方法及其数据处理装置 |
Non-Patent Citations (2)
| Title |
|---|
| 张理义等: "ET在某些神经疾病中的应用综述", 《神经疾病与精神卫生》, vol. 6, no. 01, 31 January 2006 (2006-01-31) * |
| 徐建兰等: "大鼠脑内多巴胺水平与脑电11mHz超慢波谱系功率的相关性", 《中国组织工程研究与临床康复》, vol. 13, no. 13, 26 March 2009 (2009-03-26) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103837561A (zh) * | 2014-03-11 | 2014-06-04 | 吴仁华 | 一种双量子滤波技术检测脑内γ-氨基丁酸的方法 |
| WO2022236749A1 (zh) * | 2021-05-12 | 2022-11-17 | 北京太阳电子科技有限公司 | 脑电波异常放电检测方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
| Bhagyalakshmi et al. | GB-SVNN: Genetic BAT assisted support vector neural network for arrhythmia classification using ECG signals | |
| Jia et al. | SleepPrintNet: A multivariate multimodal neural network based on physiological time-series for automatic sleep staging | |
| Ning et al. | Automatic detection of congestive heart failure based on a hybrid deep learning algorithm in the internet of medical things | |
| CN105184107A (zh) | 一种人体循环系统健康风险预警系统 | |
| CN105701336B (zh) | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 | |
| CN106491083A (zh) | 用于脑状态监测的头戴式智能穿戴电极数量优化法及应用 | |
| CN101583308A (zh) | 利用短暂测量分析脑模式 | |
| CN109480872A (zh) | 基于脑电信号频带能量比特征的驾驶疲劳检测方法 | |
| Zeng et al. | Ensemble learning on heartbeat type classification | |
| Li et al. | Emotion recognition using physiological signals from multiple subjects | |
| Ma et al. | Early prediction of epileptic seizure based on the BNLSTM-CASA model | |
| Behnam et al. | Periodogram pattern feature-based seizure detection algorithm using optimized hybrid model of MLP and ant colony | |
| Dang et al. | Studying multi-frequency multilayer brain network via deep learning for EEG-based epilepsy detection | |
| CN101433460A (zh) | 下肢想象动作电位空间滤波方法 | |
| Sun et al. | Automatic classification of electrocardiogram signals based on transfer learning and continuous wavelet transform | |
| Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
| CN106073767B (zh) | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 | |
| CN102397068A (zh) | 搜索人脑神经递质信息和人脑复杂网络信息的测量装置 | |
| Feng et al. | Predicting physical fatigue in athletes in rope skipping training using ECG signals | |
| Zeng et al. | Deep arrhythmia classification based on SENet and lightweight context transform | |
| Liu et al. | Real time arrhythmia monitoring and classification based on edge computing and dnn | |
| Zhang et al. | Motion direction prediction through spike timing based on micro Capsnet networks | |
| Wu et al. | Epileptic seizure detection system based on multi-domain feature and spike feature of EEG | |
| CN110192878A (zh) | 基于多导脑电信号定向转移函数的测谎方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| DD01 | Delivery of document by public notice |
Addressee: Mei Ping Document name: Notification of Publication and of Entering the Substantive Examination Stage of the Application for Invention |
|
| DD01 | Delivery of document by public notice |
Addressee: Mei Ping Document name: the First Notification of an Office Action |
|
| DD01 | Delivery of document by public notice |
Addressee: Mei Zhuo Document name: Notification that Application Deemed to be Withdrawn |
|
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120404 |