CN102715903A - 基于定量脑电图的脑电特征提取方法 - Google Patents
基于定量脑电图的脑电特征提取方法 Download PDFInfo
- Publication number
- CN102715903A CN102715903A CN2012102358657A CN201210235865A CN102715903A CN 102715903 A CN102715903 A CN 102715903A CN 2012102358657 A CN2012102358657 A CN 2012102358657A CN 201210235865 A CN201210235865 A CN 201210235865A CN 102715903 A CN102715903 A CN 102715903A
- Authority
- CN
- China
- Prior art keywords
- frequency band
- power
- band
- frequency
- eeg signals
- 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.)
- Granted
Links
Images
Abstract
本发明公开了一种基于定量脑电图的脑电特征提取方法,包括:运用PC机与脑电图仪可视化接口程序,实现16导联脑电信号电位数据的同步采集,并显示实时采集的脑电图波形;对采集到的脑电信号进行预处理,以去除工频干扰及噪声信号和眼电、肌电干扰;分别提取16导联EEG信号5个频段的基于绝对功率和相对功率的功率耦合系数以及基于高低频段功率谱密度的不对称性系数;最后利用双层结构的支持向量机SVM融合网络对静息状态下的脑电信号进行分类。本发明可以对PSD患者和正常人间的脑电信号做出很好的区分,并取得较高的分类正确率,实现对PSD患者抑郁程度的有效识别,为研究PSD的客观诊断标准提供依据,具有重大的社会意义。
Description
技术领域
本发明涉及一种脑电特征提取方法,尤其涉及一种基于定量脑电图(QEEG)的脑电特征提取方法。
背景技术
脑卒中又称脑中风,是全球范围内仅次于冠心病和癌症的第三位死亡原因,占所有死亡的12%。在我国,中风是目前致残率第一、致死率第二的疾病。随着脑卒中发病率的明显上升,由此产生的精神问题也日益增多。PSD作为脑卒中的并发症之一,严重威胁着人们的身心健康,给社会和家庭带来极大的经济负担和精神负担,也因此受到了越来越多研究学者的关注。对PSD的诊断目前尚无统一标准,国内外学者基本采用了功能性抑郁症的各种诊断标准、量表。诊断标准有国外的DSM(Diagnositic and Statistical Manual of MentalDisorders)III-R、DSM IV及国内普遍采用的CCMD-3(中国精神疾病诊断标准)。应用比较普遍的诊断量表有Hamilton抑郁症量表、老年抑郁症量表等。但由于脑卒中后患者存在认知障碍,意识障碍,语言障碍及其他方面的原因,一些患者无法准确描述自己各种情绪的改变,甚至需要陪侍代诉,从而影响了医生对病情的全面、准确掌握和治疗,使得PSD存在较高的误诊漏诊率。因此找到一种客观的评价PSD的方法是非常必要的。
脑电信号(EEG信号)是通过头皮电极记录下来的脑细胞群自发性、节律性电活动。大脑功能状态的脑电图学具有安全、方便、廉价、无创的特点,有良好的时间分辨率,可实时地、动态地观察脑功能变化情况,目前很多EEG的特点已经得到临床诊断医生的认可。研究表明,PSD患者EEG信号在节律、波形幅度和功率谱等参数中存在着不同于健康人的特征,因此我们有必要对其进行分析与处理,以利于我们对PSD的研究和临床诊断。
发明内容
针对上述现有技术,本发明提供一种基于定量脑电图的脑电特征提取方法,可以得到EEG信号五个频段的功率耦合系数以及高低频段频谱不对称性系数,并以此为特征对脑卒中后患者脑电信号进行分析和分类。
支持向量机SVM(Support Vector Machine)是在统计学习理论基础上发展起来并借助最优化方法来解决机器学习问题的新工具。其基本思想是把输入空间的样本通过非线性变换映射到高维特征空间,然后在特征空间中求取把样本线性分开的最优分类面。PSD患者和非PSD患者在功率耦合系数特征和高低频段不对称性特征上表现出较高的模式可分性,本发明将EEG信号的功率耦合系数和高低频段不对称性系数作为分类器的输入向量实现对静息EEG信号的分类可以取得较好的分类效果。
根据脑电图各频段的功率耦合系数及高低频段频谱不对称性系数两个定量脑电图(QEEG)参数对脑卒中后抑郁(PSD)患者的脑电信号进行特征提取的新方法,为PSD的临床诊断提供客观依据。其技术流程是:通过受试者脑电信号(EEG)各频段(δ、θ、α、β1、β2)的绝对功率值和相对功率值得到各频段的功率耦合系数,通过受试者EEG高低频段功率谱密度的不对称性得到高低频段频谱不对称性系数,以上述两个参数为特征判断脑卒中后患者是否抑郁并对抑郁的严重程度进行分级。
为了解决上述技术问题,本发明基于定量脑电图的脑电特征提取方法予以实现的技术方案是:采用多导联脑电图仪进行脑电信号实时采集,导联个数为16个,并按照国际标准导联10-20电极系统布置电极,其中,将电极Cz作为参考电极,前额作为参考地,连接电极进行静息状态下的脑电信号实时采集,然后按照下述步骤:
步骤一、运用PC机与脑电图仪可视化接口程序,实现16导联脑电信号电位数据的同步采集,并显示实时采集的脑电图波形;
步骤二、对采集到的脑电信号进行预处理;
首先对信号进行0.5Hz~48Hz带通滤波,以去除工频干扰及噪声信号;其次用主成分分析PCA方法做进一步的降噪处理,以去除眼电和肌电干扰;
步骤三、提取脑电信号的功率耦合系数:
将脑电信号划分为5个频带:δ波频带为0.5Hz~4Hz,θ波频带为4Hz~8Hz,α波频带为8Hz~13Hz,β1波频带为13Hz~20Hz,β2波频带为20Hz~30Hz;结合各频带绝对功率信息和相对功率信息提取功率耦合系数;具体包括如下步骤:
步骤3-1、将脑电信号采集过程中的Cz参考电极变为双极导联形式,以消除因为距离所带来的各导联之间的电压差异,双极导联采用纵连形式;
步骤3-2、计算各频带绝对功率值和相对功率值:
绝对功率值利用快速傅里叶变换FFT求得,各导联某一频带的绝对功率值为其所有相邻导联功率值的平均值;各导联某一频带的相对功率值为此频带功率值相对于总频带功率的百分比,计算公式如下:
总频带功率:Tm=∑fam,f (1)
相对功率值:
公式(1)和公式(2)中:
am,f——m导联在f频带的绝对功率值;
Tm——m导联所有频带的功率值;
rm,f——m导联在f频带的相对功率值;
步骤3-3、将各导联某一频带的绝对功率值和各导联某一频带的相对功率值归一化:
利用16导联中f频带绝对功率最大值和相对功率的最大值分别对各导联某一频带的绝对功率值和各导联某一频带的相对功率值进行归一化处理,归一化公式如下:
绝对功率归一化值
相对功率归一化值
公式(3)和公式(4)中:
AMAXf——各导联f频带绝对功率的最大值;
RMAXf——各导联f频带相对功率的最大值;
步骤3-4、功率耦合系数计算:
m导联f频带的功率耦合系数值CORD的计算公式如下:
CORD(m,f)=±(|aNORM(m,f)-0.5|+|rNORM(m,f)-0.2|) (5)
当rNORM(m,f)-0.2>0,aNORM(m,f)-0.5<0时,CORD(m,f)取负值;
当rNORM(m,f)-0.2>0,αNORM(m,f)-0.5>0时,CORD(m,f)取正值;
当rNORM(m,f)-0 2<=0时,CORD(m,f)值为0;
公式(5)中:
αNORM(m,f)——m导联f频带归一化之后的绝对功率值;
rNORM(m,f)——m导联f频带归一化之后的相对功率值;
CORD(m,f)——m导联f频带的功率耦合系数值;
步骤四、提取脑电信号的高低频带频谱不对称性系数:
高低频带频谱不对称性系数计算时,忽略α频带的功率谱特性;
低频带选取4Hz的频带范围,高频带选取24Hz的频带范围,高低频带频谱不对称性系数计算具体包括如下步骤:
4-1步骤、用平均周期图法计算预处理后脑电信号每一导联的功率谱密度sm,即m导联的功率谱密度;
4-2步骤、计算高低频带的边缘频率:
首先,找出α频带功率谱密度最大的频率值fmax,对fmax±BHz频带的功率谱密度曲线作抛物线拟合,其中,B=2;将拟合后抛物线顶点处的频率作为α频带的中心频率fc;
低频带的边缘频率分别为F1和F2,其中,F1=fc-B-4,其单位为Hz,F2=fc-B,其单位为Hz;
高频带的边缘频率分别为F3和F4,其中,F3=fc+B,其单位为Hz,F4=fc+B+24,其单位为Hz;
4-3步骤、计算高低频带的功率值:
4-4步骤、计算高低频带频谱不对称性系数值:
即m导联高低频带的频谱不对称系数;
步骤五、利用双层结构的支持向量机SVM融合网络对静息状态下的脑电信号进行分类:
采用支持向量机SVM融合网络对相应的信号进行分类识别,将上述得到的受试者的16导联δ波、θ波、α波、β1波和β2波5个频带的功率耦合系数CORD(m,f)以及高低频带不对称性系数SASIm作为支持向量机SVM融合网络的输入向量,通过事先采集好的标签数据集对支持向量机SVM融合网络进行训练,网络自动修正各权值,阈值,直到训练完毕;以训练所得模型对受试者的静息状态下的脑电信号进行分类识别,以取得较好的分类效果。
与现有技术相比,本发明的有益效果是:
定量脑电图(QEEG)结合了现代科学技术特别是计算机技术、信号处理技术,将EEG信号定量化。传统的QEEG分析方法对PSD患者和正常人间的脑电信号区分不明显,本发明提出了对PSD患者EEG信号的特征提取方法,对采集到的EEG信号进行预处理,得到相对高信噪比的EEG信号后,利用本发明所述方法进行特征参数计算,分别得出16导联EEG信号5个频段的基于绝对功率和相对功率的功率耦合系数以及基于高低频段功率谱密度的不对称性系数,利用此参数作为特征进行SVM模式识别,可以对PSD患者和正常人间的脑电信号做出很好的区分,并取得较高的分类正确率,实现对PSD患者抑郁程度的有效识别,为PSD的客观诊断提供依据,具有重大的社会意义。基于此参数研究PSD的客观诊断标准具有重要意义。
附图说明
图1是本发明脑电特征提取方法的过程框图;
图2-1是脑电采集所用的16导联分布侧面示意图;
图2-2是脑电采集所用的16导联分布俯视示意图;
图3是本发明中所采用纵连形式的双极导联分布图;
图4-1为脑电图仪实时采集到的静息状态下一名PSD患者Fp1导联的脑电图;
图4-2为脑电图仪实时采集到的一名非PSD患者Fp1导联的脑电图;
图5-1为图4-1所示PSD患者基于功率耦合系数的脑地形图;
图5-2为图4-2所示非PSD患者基于功率耦合系数的脑地形图;
图6-1为图4-1所示PSD患者功率谱密度曲线图;
图6-2为图4-2所示非PSD患者功率谱密度曲线图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细地描述。
本发明基于定量脑电图的脑电特征提取方法,采用多导联脑电图仪进行脑电信号实时采集,所述脑电图仪为NicoletOne32通道数字视频脑电图仪,脑电信号实时采集的采样率为250Hz,滤波通带为0.5Hz~70Hz,电极阻抗小于10KΩ;导联个数为16个,并按照国际标准导联10-20电极系统布置电极,如图2-1和图2-1所示,其中,将电极Cz作为参考电极,前额作为参考地,连接电极进行静息状态下的脑电信号实时采集。
按照下述步骤操作,如图1所示:
步骤一、运用PC机与脑电图仪可视化接口程序,实现16导联脑电信号电位数据的同步采集,并显示实时采集的脑电图波形;
步骤二、对采集到的脑电信号进行预处理;
首先对信号进行0.5Hz~48Hz带通滤波,以去除工频干扰及噪声信号;其次用主成分分析PCA方法做进一步的降噪处理,以去除眼电和肌电干扰;
步骤三、提取脑电信号的功率耦合系数:
将脑电信号划分为5个频带:δ波频带为0.5Hz~4Hz,θ波频带为4Hz~8Hz,α波频带为8Hz~13Hz,β1波频带为13Hz~20Hz,β2波频带为20Hz~30Hz;结合各频带绝对功率信息和相对功率信息提取功率耦合系数;具体包括如下步骤:
步骤3-1、将脑电信号采集过程中的Cz参考电极变为双极导联形式,以消除因为距离所带来的各导联之间的电压差异,双极导联采用纵连形式,如图3所示;
步骤3-2、计算各频带绝对功率值和相对功率值:
绝对功率值利用快速傅里叶变换FFT求得,各导联某一频带的绝对功率值为其所有相邻导联功率值的平均值;各导联某一频带的相对功率值为此频带功率值相对于总频带功率的百分比,计算公式如下:
总频带功率:Tm=∑fam,f (1)
相对功率值:
公式(1)和公式(2)中:
am,f——m导联在f频带的绝对功率值;
Tm——m导联所有频带的功率值;
rm,f——m导联在f频带的相对功率值;
步骤3-3、将各导联某一频带的绝对功率值和各导联某一频带的相对功率值归一化:
利用16导联中f频带绝对功率最大值和相对功率的最大值分别对各导联某一频带的绝对功率值和各导联某一频带的相对功率值进行归一化处理,归一化公式如下:
绝对功率归一化值
相对功率归一化值
公式(3)和公式(4)中:
AMAXf——f频带绝对功率的最大值;
RMAXf——各导联f频带相对功率的最大值;
步骤3-4、功率耦合系数计算:
m导联f频带的功率耦合系数值CORD的计算公式如下:
CORD(m,f)=±(|aNORM(m,f)-0.5|+|rNORM(m,f)-0.2|) (5)
当rNORM(m,f)-0.2>0,aNORM(m,f)-0.5<0时,CORD(m,f)取负值;
当rNORM(m,f)-0.2>0,αNORM(m,f)-0.5>0时,CORD(m,f)取正值;
当rNORM(m,f)-0 2<=0时,CORD(m,f)值为0;
公式(5)中:
αNORM(m,f)——m导联f频带归一化之后的绝对功率值;
rNORM(m,f)——m导联f频带归一化之后的相对功率值;
CORD(m,f)——m导联f频带的功率耦合系数值;
步骤四、提取脑电信号的高低频带频谱不对称性系数:
高低频带频谱不对称性系数计算时,忽略α频带的功率谱特性;
低频带选取4Hz的频带范围,高频带选取24Hz的频带范围,高低频带频谱不对称性系数计算具体包括如下步骤:
4-1步骤、用平均周期图法计算预处理后脑电信号每一导联的功率谱密度sm,即m导联的功率谱密度;
4-2步骤、计算高低频带的边缘频率:
首先,找出α频带功率谱密度最大的频率值fmax,对fmax±BHz频带的功率谱密度曲线作抛物线拟合,其中,B=2;将拟合后抛物线顶点处的频率作为α频带的中心频率fc;
低频带的边缘频率分别为F1和F2,其中,F1=fc-B-4,其单位为Hz,F2=fc-B,其单位为Hz;
高频带的边缘频率分别为F3和F4,其中,为:F3=fc+B,其单位为Hz,F4=fc+B+24,其单位为Hz;
4-3步骤、计算高低频带的功率值:
4-4步骤、计算高低频带频谱不对称性系数值:
步骤五、利用双层结构的支持向量机SVM融合网络对静息状态下的脑电信号进行分类:
采用支持向量机SVM融合网络对相应的信号进行分类识别,将上述得到的受试者的16导联δ波、θ波、α波、β1波和β2波5个频带的功率耦合系数值CORD(m,f)以及高低频带不对称性系数SASIm作为支持向量机SVM融合网络的输入特征向量,通过事先采集好的标签数据集对支持向量机SVM融合网络进行训练,网络自动修正各权值,阈值,直到训练完毕;以训练所得模型对受试者的静息状态下的脑电信号进行分类识别。
经过第一层SVM网络,对PSD患者和非PSD患者进行分类识别;经过第二层SVM网络对PSD患者抑郁程度进行分类,识别出轻度、中度、重度患者。
为了印证本发明的效果,利用18名非PSD个体和6名PSD个体EEG信号提取的特征参数进行模式识别,经过6折交叉验证,最高分类正确率可以达到95.86%,平均分类正确率可以达到82.76%,由此可见,用功率耦合系数和高低频段不对称性系数作为特征实现对PSD患者的模式识别是可行的。
图4-1和图4-2分别为脑电图仪实时采集的一名PSD患者和非PSD患者的脑电信号波形图;图5-1和图5-2分别为根据功率耦合系数所做的同一名PSD患者和非PSD患者的脑地形图,从脑地形图可以看出,PSD患者相对于非PSD患者来说,功率耦合系数要低,这在前额脑区体现的尤为明显;图6-1和图6-2分别为为同一名PSD患者和非PSD患者经过曲线拟合后的功率谱密度图,可以看出PSD患者相对于非PSD患者来说,高低频段的频谱不对称性要高。由此可见,用功率耦合系数和高低频段不对称性系数作为特征实现对PSD患者的模式识别是可行的。
尽管上面结合图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以作出很多变形,这些均属于本发明的保护之内。
Claims (3)
1.一种基于定量脑电图的脑电特征提取方法,采用多导联脑电图仪进行脑电信号实时采集,导联个数为16个,并按照国际标准导联10-20电极系统布置电极,其中,将电极Cz作为参考电极,前额作为参考地,连接电极进行静息状态下的脑电信号实时采集,其特征在于,包括以下步骤:
步骤一、运用PC机与脑电图仪可视化接口程序,实现16导联脑电信号电位数据的同步采集,并显示实时采集的脑电图波形;
步骤二、对采集到的脑电信号进行预处理;
首先对信号进行0.5Hz~48Hz带通滤波,以去除工频干扰及噪声信号;其次用主成分分析PCA方法做进一步的降噪处理,以去除眼电和肌电干扰;
步骤三、提取脑电信号的功率耦合系数:
将脑电信号划分为5个频带:δ波频带为0.5Hz~4Hz,θ波频带为4Hz~8Hz,α波频带为8Hz~13Hz,β1波频带为13Hz~20Hz,β2波频带为20Hz~30Hz;结合各频带绝对功率信息和相对功率信息提取功率耦合系数;具体包括如下步骤:
步骤3-1、将脑电信号采集过程中的Cz参考电极变为双极导联形式,以消除因为距离所带来的各导联之间的电压差异,双极导联采用纵连形式;
步骤3-2、计算各频带绝对功率值和相对功率值:
绝对功率值利用快速傅里叶变换FFT求得,各导联某一频带的绝对功率值为其所有相邻导联功率值的平均值;各导联某一频带的相对功率值为此频带功率值相对于总频带功率的百分比,计算公式如下:
总频带功率:Tm=∑fam,f (1)
相对功率值:
公式(1)和公式(2)中:
am,f——m导联在f频带的绝对功率值;
Tm——m导联所有频带的功率值;
rm,f——m导联在f频带的相对功率值;
步骤3-3、将各导联某一频带的绝对功率值和各导联某一频带的相对功率值归一化:利用16导联中f频带绝对功率最大值和相对功率的最大值分别对各导联某一频带的绝对功率值和各导联某一频带的相对功率值进行归一化处理,归一化公式如下:
绝对功率归一化值
相对功率归一化值
公式(3)和公式(4)中:
AMAXf——各导联f频带绝对功率的最大值;
RMAXf——各导联f频带相对功率的最大值;
步骤3-4、功率耦合系数计算:
m导联f频带的功率耦合系数值CORD的计算公式如下:
CORD(m,f)=±(|aNORM(m,f)-0.5|+|rNORM(m,f)-0.2|) (5)
当rNORM(m,f)-0.2>0,aNORM(m,f)-0.5<0时,CORD(m,f)取负值;
当rNORM(m,f)-0.2>0,αNORM(m,f)-0.5>0时,CORD(m,f)取正值;
当rNORM(m,f)-0 2<=0时,CORD(m,f)值为0;
公式(5)中:
αNORM(m,f)——m导联f频带归一化之后的绝对功率值;
rNORM(m,f)——m导联f频带归一化之后的相对功率值;
CORD(m,f)——m导联f频带的功率耦合系数值;
步骤四、提取脑电信号的高低频带频谱不对称性系数:
高低频带频谱不对称性系数计算时,忽略α频带的功率谱特性;
低频带选取4Hz的频带范围,高频带选取24Hz的频带范围,高低频带频谱不对称性系数计算具体包括如下步骤:
4-1步骤、用平均周期图法计算预处理后脑电信号每一导联的功率谱密度sm,即m导联的功率谱密度;
4-2步骤、计算高低频带的边缘频率:
首先,找出α频带功率谱密度最大的频率值fmax,对fmax±BHz频带的功率谱密度曲线作抛物线拟合,其中,B=2;将拟合后抛物线顶点处的频率作为α频带的中心频率fc;
低频带的边缘频率分别为F1和F2,其中,F1=fc-B-4,其单位为Hz,F2=fc-B,其单位为Hz;
高频带的边缘频率分别为F3和F4,其中,为:F3=fc+B,其单位为Hz,F4=fc+B+24,其单位为Hz;
4-3步骤、计算高低频带的功率值:
4-4步骤、计算高低频带频谱不对称性系数值:
即m导联高低频带的频谱不对称系数;
步骤五、利用双层结构的支持向量机SVM融合网络对静息状态下的脑电信号进行分类:
采用支持向量机SVM融合网络对相应的信号进行分类识别,将上述得到的受试者的16导联δ波、θ波、α波、β1波和β2波5个频带的功率耦合系数CORD(m,f)以及高低频带不对称性系数SASIm作为支持向量机SVM融合网络的输入向量,通过事先采集好的数据标签集对支持向量机SVM融合网络进行训练,网络自动修正各权值,阈值,直到训练完毕;以训练所得模型对受试者的静息状态下的脑电信号进行分类识别,以取得较好的分类效果。
2.根据权利要求1所述基于定量脑电图的脑电特征提取方法,其特征在于,所述脑电图仪为NicoletOne32通道数字视频脑电图仪。
3.根据权利要求1所述基于定量脑电图的脑电特征提取方法,其特征在于,脑电信号实时采集的采样率为250Hz,滤波通带为0.5Hz~70Hz,电极阻抗小于10KΩ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210235865.7A CN102715903B (zh) | 2012-07-09 | 2012-07-09 | 基于定量脑电图的脑电特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210235865.7A CN102715903B (zh) | 2012-07-09 | 2012-07-09 | 基于定量脑电图的脑电特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102715903A true CN102715903A (zh) | 2012-10-10 |
CN102715903B CN102715903B (zh) | 2014-04-16 |
Family
ID=46941878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210235865.7A Expired - Fee Related CN102715903B (zh) | 2012-07-09 | 2012-07-09 | 基于定量脑电图的脑电特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102715903B (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102824171A (zh) * | 2012-07-16 | 2012-12-19 | 天津大学 | 脑卒中后抑郁症psd患者脑电特征提取方法 |
CN102920453A (zh) * | 2012-10-29 | 2013-02-13 | 泰好康电子科技(福建)有限公司 | 一种脑电波信号处理方法及其装置 |
CN104523269A (zh) * | 2015-01-15 | 2015-04-22 | 江南大学 | 一种面向癫痫脑电信号迁移环境的自适应识别方法 |
CN104887222A (zh) * | 2015-05-11 | 2015-09-09 | 重庆大学 | 可逆化脑电信号分析方法 |
CN106407733A (zh) * | 2016-12-12 | 2017-02-15 | 兰州大学 | 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法 |
CN106821318A (zh) * | 2016-08-31 | 2017-06-13 | 天津市人民医院 | 一种脑电信号多尺度定量分析方法 |
CN107095671A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶疲劳识别方法及系统 |
CN107260167A (zh) * | 2017-06-30 | 2017-10-20 | 华南理工大学 | 一种术中皮质脑电信号特异性的个体化识别方法 |
CN107411737A (zh) * | 2017-04-18 | 2017-12-01 | 天津大学 | 一种基于静息脑电相似性的情绪跨时间识别方法 |
CN107616794A (zh) * | 2017-09-26 | 2018-01-23 | 北京师范大学 | 一种意识障碍大脑皮层状态检测系统和方法 |
CN108427929A (zh) * | 2018-03-19 | 2018-08-21 | 兰州大学 | 一种基于静息态脑网络的抑郁识别分析系统 |
CN108492643A (zh) * | 2018-04-11 | 2018-09-04 | 许昌学院 | 一种英语学习机 |
CN108814593A (zh) * | 2018-06-20 | 2018-11-16 | 天津大学 | 一种基于复杂网络的脑电信号特征提取方法 |
CN108836326A (zh) * | 2018-04-02 | 2018-11-20 | 东北电力大学 | 一种基于嗅觉脑电波和小波包进行感官物质分类的方法 |
CN109117787A (zh) * | 2018-08-10 | 2019-01-01 | 太原理工大学 | 一种情感脑电信号识别方法及系统 |
CN109620215A (zh) * | 2018-12-14 | 2019-04-16 | 中航华东光电(上海)有限公司 | 一种脑电特征的提取方法 |
CN109726751A (zh) * | 2018-12-21 | 2019-05-07 | 北京工业大学 | 基于深度卷积神经网络识别脑电成像图的方法 |
CN109846478A (zh) * | 2019-04-15 | 2019-06-07 | 天津市人民医院 | 一种评估经颅直流电刺激后大脑皮层兴奋性的方法 |
CN109992113A (zh) * | 2019-04-09 | 2019-07-09 | 燕山大学 | 一种基于多场景诱发的mi-bci系统及其控制方法 |
JP2019154789A (ja) * | 2018-03-13 | 2019-09-19 | ニプロ株式会社 | 気分障害測定装置および気分障害測定方法 |
CN110251117A (zh) * | 2019-07-04 | 2019-09-20 | 博睿康科技(常州)股份有限公司 | 一种脑电图时频信息可视化方法 |
CN110811648A (zh) * | 2019-11-20 | 2020-02-21 | 阿呆科技(北京)有限公司 | 一种基于残差卷积神经网络的抑郁倾向评估系统 |
CN111000557A (zh) * | 2019-12-06 | 2020-04-14 | 天津大学 | 一种应用于减压颅骨术后的无创脑电信号分析系统 |
CN111631709A (zh) * | 2020-06-22 | 2020-09-08 | 林小东 | 一种区别精神分裂症幻听症状和其他疾病幻听症状的方法 |
CN111631711A (zh) * | 2020-06-22 | 2020-09-08 | 林小东 | 一种对精神分裂症及其幻听症状的脑电数据进行分析处理的方法 |
CN111671421A (zh) * | 2020-06-24 | 2020-09-18 | 安徽智趣小天使信息科技有限公司 | 一种基于脑电图的儿童需求感知方法 |
CN112568912A (zh) * | 2019-09-12 | 2021-03-30 | 陈盛博 | 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 |
CN113112017A (zh) * | 2021-04-16 | 2021-07-13 | 唐山市工人医院 | 基于神经流形的脑电分级与预后fpga解码系统 |
CN113545791A (zh) * | 2021-07-20 | 2021-10-26 | 深圳市人民医院 | 一种基于静息态脑电的背景活动自动识别方法及系统 |
CN114176609A (zh) * | 2021-12-27 | 2022-03-15 | 杭州电子科技大学 | 基于脑电信号的卒中严重程度分类预测模型建立方法 |
CN114246551A (zh) * | 2021-11-01 | 2022-03-29 | 苏州市广济医院 | 一种诊断精神分裂症的系统及其应用 |
CN115294413A (zh) * | 2022-10-10 | 2022-11-04 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
CN115999069A (zh) * | 2022-12-08 | 2023-04-25 | 北京师范大学珠海校区 | 经颅光刺激的参数确定方法、装置、设备及存储介质 |
CN112568912B (zh) * | 2019-09-12 | 2024-05-14 | 江西盛梦科技有限公司 | 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040059241A1 (en) * | 1997-09-06 | 2004-03-25 | Stephen Suffin | Method for classifying and treating physiologic brain imbalances using quantitative EGG |
CN101365380A (zh) * | 2005-12-01 | 2009-02-11 | 莱克西克医疗技术有限公司 | 使用脑电图(eeg)测量来分析和评估抑郁和其他情绪紊乱的系统和方法 |
US20090054801A1 (en) * | 2007-08-23 | 2009-02-26 | Tallinn University Of Technology | Method and device for determining depressive disorders by measuring bioelectromagnetic signals of the brain |
CN101515200A (zh) * | 2009-04-03 | 2009-08-26 | 北京工业大学 | 基于瞬态视觉诱发脑电的目标选择方法 |
CN101529429A (zh) * | 2005-01-12 | 2009-09-09 | 艾斯柏克特医疗系统股份有限公司 | 预测心理和神经障碍治疗期间的不利事件的系统和方法 |
CN102499677A (zh) * | 2011-12-16 | 2012-06-20 | 天津大学 | 基于脑电非线性特征的情绪状态识别方法 |
CN102512160A (zh) * | 2011-12-16 | 2012-06-27 | 天津大学 | 基于可分频段自适应跟踪的脑电情绪状态特征提取方法 |
-
2012
- 2012-07-09 CN CN201210235865.7A patent/CN102715903B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040059241A1 (en) * | 1997-09-06 | 2004-03-25 | Stephen Suffin | Method for classifying and treating physiologic brain imbalances using quantitative EGG |
CN101529429A (zh) * | 2005-01-12 | 2009-09-09 | 艾斯柏克特医疗系统股份有限公司 | 预测心理和神经障碍治疗期间的不利事件的系统和方法 |
CN101365380A (zh) * | 2005-12-01 | 2009-02-11 | 莱克西克医疗技术有限公司 | 使用脑电图(eeg)测量来分析和评估抑郁和其他情绪紊乱的系统和方法 |
US20090054801A1 (en) * | 2007-08-23 | 2009-02-26 | Tallinn University Of Technology | Method and device for determining depressive disorders by measuring bioelectromagnetic signals of the brain |
CN101515200A (zh) * | 2009-04-03 | 2009-08-26 | 北京工业大学 | 基于瞬态视觉诱发脑电的目标选择方法 |
CN102499677A (zh) * | 2011-12-16 | 2012-06-20 | 天津大学 | 基于脑电非线性特征的情绪状态识别方法 |
CN102512160A (zh) * | 2011-12-16 | 2012-06-27 | 天津大学 | 基于可分频段自适应跟踪的脑电情绪状态特征提取方法 |
Non-Patent Citations (4)
Title |
---|
《中国博士学位论文全文数据库信息科技辑》 20120516 赵海滨 脑-机接口的特征提取和分类方法研究 , 第6期 * |
VERNER KNOTT ET AL: "EEG power,frequency,asymmetry and coherence in male depression", 《PSYCHIATRY RESEARCH NEUROIMAGING》, vol. 106, no. 2, 10 April 2001 (2001-04-10) * |
张德敏等: "脑卒中抑郁患者德脑电图特点分析", 《INTERNAL MEDICINE OF CHINA》, vol. 6, no. 6, 31 December 2011 (2011-12-31) * |
赵海滨: "脑—机接口的特征提取和分类方法研究", 《中国博士学位论文全文数据库信息科技辑》, no. 6, 16 May 2012 (2012-05-16) * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102824171A (zh) * | 2012-07-16 | 2012-12-19 | 天津大学 | 脑卒中后抑郁症psd患者脑电特征提取方法 |
CN102920453A (zh) * | 2012-10-29 | 2013-02-13 | 泰好康电子科技(福建)有限公司 | 一种脑电波信号处理方法及其装置 |
CN104523269A (zh) * | 2015-01-15 | 2015-04-22 | 江南大学 | 一种面向癫痫脑电信号迁移环境的自适应识别方法 |
CN104887222A (zh) * | 2015-05-11 | 2015-09-09 | 重庆大学 | 可逆化脑电信号分析方法 |
CN106821318A (zh) * | 2016-08-31 | 2017-06-13 | 天津市人民医院 | 一种脑电信号多尺度定量分析方法 |
CN106407733A (zh) * | 2016-12-12 | 2017-02-15 | 兰州大学 | 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法 |
CN107411737A (zh) * | 2017-04-18 | 2017-12-01 | 天津大学 | 一种基于静息脑电相似性的情绪跨时间识别方法 |
CN107095671A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶疲劳识别方法及系统 |
CN107260167A (zh) * | 2017-06-30 | 2017-10-20 | 华南理工大学 | 一种术中皮质脑电信号特异性的个体化识别方法 |
CN107616794A (zh) * | 2017-09-26 | 2018-01-23 | 北京师范大学 | 一种意识障碍大脑皮层状态检测系统和方法 |
JP2019154789A (ja) * | 2018-03-13 | 2019-09-19 | ニプロ株式会社 | 気分障害測定装置および気分障害測定方法 |
JP7098974B2 (ja) | 2018-03-13 | 2022-07-12 | ニプロ株式会社 | 気分障害測定装置および気分障害測定方法 |
WO2019176905A1 (ja) * | 2018-03-13 | 2019-09-19 | ニプロ株式会社 | 気分障害測定装置および気分障害測定方法 |
CN108427929A (zh) * | 2018-03-19 | 2018-08-21 | 兰州大学 | 一种基于静息态脑网络的抑郁识别分析系统 |
CN108836326A (zh) * | 2018-04-02 | 2018-11-20 | 东北电力大学 | 一种基于嗅觉脑电波和小波包进行感官物质分类的方法 |
CN108492643A (zh) * | 2018-04-11 | 2018-09-04 | 许昌学院 | 一种英语学习机 |
CN108814593A (zh) * | 2018-06-20 | 2018-11-16 | 天津大学 | 一种基于复杂网络的脑电信号特征提取方法 |
CN108814593B (zh) * | 2018-06-20 | 2021-06-08 | 天津大学 | 一种基于复杂网络的脑电信号特征提取方法 |
CN109117787A (zh) * | 2018-08-10 | 2019-01-01 | 太原理工大学 | 一种情感脑电信号识别方法及系统 |
CN109620215A (zh) * | 2018-12-14 | 2019-04-16 | 中航华东光电(上海)有限公司 | 一种脑电特征的提取方法 |
CN109726751A (zh) * | 2018-12-21 | 2019-05-07 | 北京工业大学 | 基于深度卷积神经网络识别脑电成像图的方法 |
CN109726751B (zh) * | 2018-12-21 | 2020-11-27 | 北京工业大学 | 基于深度卷积神经网络识别脑电成像图的方法 |
CN109992113A (zh) * | 2019-04-09 | 2019-07-09 | 燕山大学 | 一种基于多场景诱发的mi-bci系统及其控制方法 |
CN109992113B (zh) * | 2019-04-09 | 2020-05-15 | 燕山大学 | 一种基于多场景诱发的mi-bci系统及其控制方法 |
CN109846478A (zh) * | 2019-04-15 | 2019-06-07 | 天津市人民医院 | 一种评估经颅直流电刺激后大脑皮层兴奋性的方法 |
CN109846478B (zh) * | 2019-04-15 | 2021-07-09 | 天津市人民医院 | 一种评估经颅直流电刺激后大脑皮层兴奋性的方法 |
CN110251117A (zh) * | 2019-07-04 | 2019-09-20 | 博睿康科技(常州)股份有限公司 | 一种脑电图时频信息可视化方法 |
CN112568912B (zh) * | 2019-09-12 | 2024-05-14 | 江西盛梦科技有限公司 | 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 |
CN112568912A (zh) * | 2019-09-12 | 2021-03-30 | 陈盛博 | 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 |
CN110811648A (zh) * | 2019-11-20 | 2020-02-21 | 阿呆科技(北京)有限公司 | 一种基于残差卷积神经网络的抑郁倾向评估系统 |
CN111000557A (zh) * | 2019-12-06 | 2020-04-14 | 天津大学 | 一种应用于减压颅骨术后的无创脑电信号分析系统 |
CN111631711A (zh) * | 2020-06-22 | 2020-09-08 | 林小东 | 一种对精神分裂症及其幻听症状的脑电数据进行分析处理的方法 |
CN111631709B (zh) * | 2020-06-22 | 2024-03-15 | 林小东 | 一种区别精神分裂症幻听症状和其他疾病幻听症状的方法 |
CN111631709A (zh) * | 2020-06-22 | 2020-09-08 | 林小东 | 一种区别精神分裂症幻听症状和其他疾病幻听症状的方法 |
CN111631711B (zh) * | 2020-06-22 | 2024-03-15 | 林小东 | 一种对精神分裂症及其幻听症状的脑电数据进行分析处理的方法 |
CN111671421B (zh) * | 2020-06-24 | 2023-06-27 | 安徽智趣小天使信息科技有限公司 | 一种基于脑电图的儿童需求感知方法 |
CN111671421A (zh) * | 2020-06-24 | 2020-09-18 | 安徽智趣小天使信息科技有限公司 | 一种基于脑电图的儿童需求感知方法 |
CN113112017A (zh) * | 2021-04-16 | 2021-07-13 | 唐山市工人医院 | 基于神经流形的脑电分级与预后fpga解码系统 |
CN113545791A (zh) * | 2021-07-20 | 2021-10-26 | 深圳市人民医院 | 一种基于静息态脑电的背景活动自动识别方法及系统 |
CN114246551A (zh) * | 2021-11-01 | 2022-03-29 | 苏州市广济医院 | 一种诊断精神分裂症的系统及其应用 |
CN114176609A (zh) * | 2021-12-27 | 2022-03-15 | 杭州电子科技大学 | 基于脑电信号的卒中严重程度分类预测模型建立方法 |
CN115294413B (zh) * | 2022-10-10 | 2023-01-24 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
CN115294413A (zh) * | 2022-10-10 | 2022-11-04 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
CN115999069A (zh) * | 2022-12-08 | 2023-04-25 | 北京师范大学珠海校区 | 经颅光刺激的参数确定方法、装置、设备及存储介质 |
CN115999069B (zh) * | 2022-12-08 | 2024-01-05 | 北京师范大学珠海校区 | 经颅光刺激的参数确定装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102715903B (zh) | 2014-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102715903B (zh) | 基于定量脑电图的脑电特征提取方法 | |
CN105496363B (zh) | 基于检测睡眠脑电信号对睡眠阶段进行分类的方法 | |
Lee et al. | A brain-wave-actuated small robot car using ensemble empirical mode decomposition-based approach | |
CN102184415B (zh) | 一种基于脑电信号的疲劳状态识别方法 | |
CN107280663A (zh) | 一种基于不同实验难度的疲劳脑电特征研究的方法 | |
CN104545949A (zh) | 一种基于脑电的麻醉深度监测方法 | |
CN107260166A (zh) | 一种实用化在线脑电伪迹剔除方法 | |
CN102824171A (zh) | 脑卒中后抑郁症psd患者脑电特征提取方法 | |
CN109363670A (zh) | 一种基于睡眠监测的抑郁症智能检测方法 | |
CN112137616B (zh) | 一种多感觉脑-体联合刺激的意识检测装置 | |
CN103610447A (zh) | 一种基于前额脑电信号的脑力负荷在线检测方法 | |
CN107644682A (zh) | 基于额叶eeg偏侧化和erp的情绪调节能力测查方法 | |
CN107411738A (zh) | 一种基于静息脑电相似性的情绪跨个体识别方法 | |
Zhang et al. | Automatic detection of interictal epileptiform discharges based on time-series sequence merging method | |
CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
Hu et al. | A real-time electroencephalogram (EEG) based individual identification interface for mobile security in ubiquitous environment | |
CN106510702A (zh) | 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法 | |
Yadav et al. | Variational mode decomposition-based seizure classification using Bayesian regularized shallow neural network | |
CN109770920A (zh) | 基于穿戴式心电信号的紧张情绪判别方法及其系统 | |
Sharma et al. | Automated explainable detection of cyclic alternating pattern (cap) phases and sub-phases using wavelet-based single-channel eeg signals | |
CN105809155A (zh) | 一种基于脑电波的冥想检测系统 | |
CN102429658A (zh) | 基于脑电慢皮层电位小波分析的术中运动区功能定位系统 | |
CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
CN201308487Y (zh) | 基于p-vep的弱视检查系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140416 Termination date: 20170709 |