CN103472008A - 孵化前期近红外种蛋内鸡胚性别识别方法 - Google Patents
孵化前期近红外种蛋内鸡胚性别识别方法 Download PDFInfo
- Publication number
- CN103472008A CN103472008A CN2013104048823A CN201310404882A CN103472008A CN 103472008 A CN103472008 A CN 103472008A CN 2013104048823 A CN2013104048823 A CN 2013104048823A CN 201310404882 A CN201310404882 A CN 201310404882A CN 103472008 A CN103472008 A CN 103472008A
- Authority
- CN
- China
- Prior art keywords
- egg
- near infrared
- hatching egg
- function
- neural network
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
孵化前期近红外种蛋内鸡胚性别识别方法属于种蛋检测技术;在暗室环境内通过光纤探头和傅立叶近红外光谱仪获得种蛋近红外光谱,应用总体均值经验模分解种蛋近红外光谱,去除高频特征模态分量,达到去噪,应用基于经验模态分解方法去除低频特征模态分量,达到基线校正,抽取光谱数据主成分作为神经网络输入变量,神经网络的输出为0或1,完成识别;本方法对孵化前期种鸡蛋雌雄识别效率和精确度高,降低了孵化作业成本,有利于蛋鸡和肉鸡饲养生产的发展。
Description
技术领域
本发明属于种蛋孵化检测技术,主要涉及一种孵化前期种蛋性别识别方法。
背景技术
禽业生产中,由于公鸡生长速度快过母鸡,所以希望肉鸡种蛋均是雄性鸡胚;蛋业生产中,雌性鸡胚越多效益越好。因此研究出在孵化前期能预测鸡胚性别的方法,对降低人工分类和人工翻蛋的劳动强度,提高孵化器生产效率和降低孵化电费,具有十分重要的意义。一直以来鸡胚性别辨识依据生产经验,比如重量,长径比,表面光滑程度。吕志南,赵宗胜采用模糊方法,杨东风采用小波方法实现经验判别,该方法生产实现的时候需要称重、长径测量和机器视觉采集三个环节,测量环节多耗时长,增加种蛋破碎风险,且设备多。周振明公开了一种用PCR扩增引物进行鸡早期胚胎性别鉴定方法,其以鸡胚盘细胞为模板,通过PCR技术扩增目的基因,然后琼脂糖凝胶电泳检测PCR扩增产物,根据带型判断性别,雌性为两条带,雄性为一条带。PCR扩增引物法提供了鸡胚性别分子检测方法,然而需要提取鸡胚盘细胞。近红外光谱属于分子振动光谱的倍频和合频吸收光谱,主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的,具有较强的穿透能力。近年来,侯卓成、毕夏坤、刘燕德等多位学者分别利用近红外光谱测量出鸡蛋品质,说明近红外可以穿透炭酸钙并携带鸡蛋内部有效信息。因此,在此基础上研究一种采用近红外光谱实现种蛋雌雄识别方法十分必要,且成为可能。
发明内容
本发明的目的就是针对上述已有技术存在的问题,结合生产实际需要,研究一种孵化前期近红外种蛋内鸡胚性别识别方法,达到不需要性别种蛋剔除、雌雄识别准确率和识别效率高的目的。
本发明的目的是这样实现的:一种孵化前期近红外种蛋内鸡胚性别识别方法,该方法包括以下几个步骤:在暗室环境内通过光纤探头和傅立叶近红外光谱仪获得种蛋近红外光谱,应用总体均值经验模分解种蛋近红外光谱,去除高频特征模态分量,达到去噪;基于经验模态分解方法分解种蛋近红外光谱,去除低频特征模态分量,达到基线校正;利用SPSS11.0提取主成分,默认特征根数量值λc=1,提取5个主成分数量,神经网络分类采用具有1个隐藏层的3层BP神经网络,输入层神经元用5个主成分构成特征向量,输出层采用2个节点,用0、1来分别表示雌性鸡胚和雄性鸡胚,隐藏层节点数为4个,隐藏层神经元的激活函数选用logsig()函数,输出层的激活函数选pureline()函数,神经网络的系统参数设置:训练迭代次数为1000,每隔10步显示1次,网络训练的目标值为0.01,学习率为0.1,使用trainlm()函数作为训练网络,利用上述建立的神经网络进行识别,即完成种蛋孵化前期性别的筛选工作。
本发明对孵化前期种鸡蛋雌雄识别效率和精确度高,高效快捷,降低孵化作业成本,有利于蛋鸡和肉鸡生产的发展。
附图说明
图1是孵化前期近红外种蛋内鸡胚性别识别方法流程示意图;
图2是神经网络分类示意图。
具体实施方式
下面结合附图对本发明实施方案进行详细描述。一种孵化前期近红外种蛋内鸡胚性别识别方法,该方法包括以下几个步骤:在暗室环境内通过光纤探头和傅立叶近红外光谱仪获得种蛋近红外光谱,应用总体均值经验模分解种蛋近红外光谱,去除高频特征模态分量,达到去噪;基于经验模态分解方法分解种蛋近红外光谱,去除低频特征模态分量,达到基线校正;利用SPSS11.0提取主成分,默认特征根数量值λc=1,提取5个主成分数量,神经网络分类采用具有1个隐藏层的3层BP神经网络,输入层神经元用5个主成分构成特征向量,输出层采用2个节点,用0、1来分别表示雌性鸡胚和雄性鸡胚,隐藏层节点数为4个,隐藏层神经元的激活函数选用logsig()函数,输出层的激活函数选pureline()函数,神经网络的系统参数设置:训练迭代次数为1000,每隔10步显示1次,网络训练的目标值为0.01,学习率为0.1,使用trainlm()函数作为训练网络,利用上述建立的神经网络进行识别,即完成种蛋孵化前期性别的筛选工作。
关键技术
1、光谱预处理
1.1、EEMD去噪
近红外光谱中噪声有两类,来自仪器的电子热运动噪声和外部通信系统干扰。噪声的存在极大影响了光谱真实信息的解读,所以信号降噪在光谱解析中有着举足轻重的作用。光谱去噪方法有傅立叶变换、小波变换、经验模态分解(Empirical Mode Decomposition,简称EMD)方法。EMD方法能将信号按照不同频率自适应分解,通过对分量高通、低通、带通或阈值滤波实现降噪。但是对高频信号去噪时出现模态混叠,影响包含异常事件的非平稳信号滤波效果。为了解决模态混叠问题,文中提出用总体均值经验模分解(EnsembleEmpirical Mode Decomposition,简称EEMD)处理近红外光谱。EEMD方法利用高斯白噪声零均值以及频率均匀分布特性,使信号特征尺度均匀分布,异常事件得以平滑处理,从而获得优于EMD的去噪效果,并且处理过程是自适应的,较小波滤波简便。
EEMD筛分步骤:
步骤1:待处理信号中加入等长度不等幅高斯白噪声,对复合信号EMD分解,重复操作k次,得到IMF分量Cik和余项rik。
EMD分解步骤:
步骤a:通过三次样条函数求取信号x(t)极大值包络线u(t)和极小值包络线v(t),其均值记作m(t):
步骤b:令R(t)=x(t)-m(t),如R(t)不满足IMF条件,则将其赋值给x(t)。返回步骤1,循环计算
Rlk(t)=hlk-1(t)-mlk(t) (2)
直至标准差0.2≤SD≤0.3可以停止筛分过程。其中
步骤c:得到第1个IMF分量c1=Rlk(t)及余项r1(t)=x(t)-C1。
步骤d:返回步骤1继续筛分r1(t),依次得到C2(t),C3(t),。...,Ck(t)。判断余项rk(t)很小或基本呈单调趋势时筛分过程停止。
步骤2:对IMF分量整体平均,
式中n为加噪EMD分解次数。
达到滤波效果。
1.2、EMD基线校正
由于冲击电压存在,即使暗室环境,对同一被测物体连续采集光谱也存在基线漂移现象。光谱基线校正方法有多元散射校正、去趋势和线性拟合等方法。EMD分解的过程是按照光谱自身的频率特性尺度自适应进行的,IMF频率按照2的指数级降幂排列,最后得到的残余项也即信号中最低频率分量,表达信号变化趋势。应用EMD分解光谱,扣除信号趋势,从而达到基线校正目的,可以提高辨识精度。实现过程见上文EMD步骤中a~d。
2、光谱数据主成分分析
利用主成分回归方法将原始光谱数据的特征值抽取重新线性组合,以达到降维的目的。所得主成分相互垂直,这样在不减少光谱信息的情况下消除共线性,以减少神经网络输入神经元。利用SPSS11.0提取主成分,默认特征根数量值λc=1,提取的主成分数量是5个,累积贡献率达到94.36%。累积贡献率反映了主成分对原始数据信息的表达能力,用这5个变量很好的表征了原数据的信息,这样近红外光谱数据得到了最大程度不失真简化。
3、神经网络分类设计
本研究的分类主要功能是把区分雌性种蛋和雄性种蛋。采用经典的BP神经网络,设计如下:
(1)神经网络结构设计。多层网络在处理模式识别领域的问题时的优点是较容易完成学习目标,更能适应平移、旋转或其他变换的不变性。缺点是:存在着较多的神经元节点和连接权值,因而需要更多的调整与运算,计算量较大,易于陷入局部极小值中。雌雄种蛋识别的主要任务是根据光谱特征区分雌性和雄性种蛋,属于小类别的分类问题,因此采用具有1个隐藏层的3层BP神经网络。
(2)输入层神经元的个数由主成分的维数决定。本研究中,主成分有5个,构成输入特征向量。输出层采用2个节点,用0、1来分别表示雌性种蛋和雄性种蛋。
(3)BP神经网络中,隐藏层节点数的选择对网络的性能影响很大。若隐藏层节点数过少,则局部极小值多,不能达到网络训练的效果;若隐含节点数过多,网络拟合函数复杂,容易过拟合,使得网络泛化能力变差。根据公式:
式中m为输入节点数,n为输出节点数,n1为隐藏层节点数,a为1~10之间的常数。
计算出3.6≤n1≤12.6,另外理论上隐藏层节点数不大于输入层节点数,确定隐藏层节点数4或5,分别采用4和5作为隐藏层节点个数,实验表明隐藏层节点数为4的时候,模型预测效果最好。
(4)激活函数的选择。S型函数是激活函数Φ(·)的最佳选择,如logsig函数、双曲正切函数等。S型函数一般具有光滑、可微、非线性和饱和等特性,而且导函数Φ(·)容易用Φ(·)本身来表达,计算简单。本研究中,隐藏层神经元的激活函数选用logsig()函数,输出层的激活函数选pureline()函数。
(5)神经网络的参数设置。经过多次试验,设置迭代次数1000,每隔10步显示1次,网络训练的目标值为0.01,学习率为0.1,使用trainlm()函数作为训练网络。
Claims (1)
1.一种孵化前期近红外种蛋内鸡胚性别识别方法,其特征在于该方法包括以下几个步骤:在暗室环境内通过光纤探头和傅立叶近红外光谱仪获得种蛋近红外光谱,应用总体均值经验模分解种蛋近红外光谱,去除高频特征模态分量,达到去噪;基于经验模态分解方法分解种蛋近红外光谱,去除低频特征模态分量,达到基线校正;利用SPSS11.0提取主成分,默认特征根数量值λc=1,提取5个主成分数量,神经网络分类采用具有1个隐藏层的3层BP神经网络,输入层神经元用5个主成分构成特征向量,输出层采用2个节点,用0、1来分别表示雌性鸡胚和雄性鸡胚,隐藏层节点数为4个,隐藏层神经元的激活函数选用logsig()函数,输出层的激活函数选pureline()函数,神经网络的系统参数设置:训练迭代次数为1000,每隔10步显示1次,网络训练的目标值为0.01,学习率为0.1,使用trainlm()函数作为训练网络,利用上述建立的神经网络进行识别,即完成种蛋孵化前期性别的筛选工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310404882.3A CN103472008B (zh) | 2013-08-30 | 2013-08-30 | 孵化前期近红外种蛋内鸡胚性别识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310404882.3A CN103472008B (zh) | 2013-08-30 | 2013-08-30 | 孵化前期近红外种蛋内鸡胚性别识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103472008A true CN103472008A (zh) | 2013-12-25 |
CN103472008B CN103472008B (zh) | 2016-06-08 |
Family
ID=49796948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310404882.3A Expired - Fee Related CN103472008B (zh) | 2013-08-30 | 2013-08-30 | 孵化前期近红外种蛋内鸡胚性别识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103472008B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105136682A (zh) * | 2015-07-06 | 2015-12-09 | 天津工业大学 | 一种燃油中芳烃含量快速、准确测定的新方法 |
CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
CN105628625A (zh) * | 2015-12-28 | 2016-06-01 | 青岛兴仪电子设备有限责任公司 | 种蛋胚胎生命特征自动识别设备及方法 |
CN105973816A (zh) * | 2016-05-06 | 2016-09-28 | 中国农业大学 | 基于可见/近红外光谱的禽蛋孵化能力的判别方法 |
CN106574892A (zh) * | 2014-07-11 | 2017-04-19 | 托尼克公司 | 用于确定蛋的受精和/或性别的非侵入性装置,以及相应的方法 |
CN107024449A (zh) * | 2016-07-29 | 2017-08-08 | 重庆医科大学 | 基于尿液判别哺乳动物性别的近红外光谱分析方法 |
CN107024448A (zh) * | 2016-07-29 | 2017-08-08 | 重庆医科大学 | 基于唾液判别哺乳动物性别的近红外光谱分析方法 |
JP2017227471A (ja) * | 2016-06-20 | 2017-12-28 | 株式会社ナベル | 種卵の非破壊検査装置及びそれに用いる種卵検査プログラム |
CN107764770A (zh) * | 2017-09-29 | 2018-03-06 | 中国农业大学 | 基于近红外光谱的入孵前种蛋受精情况检测方法及装置 |
CN109142248A (zh) * | 2018-08-27 | 2019-01-04 | 华中农业大学 | 早期鸡胚雌雄识别的方法 |
CN109540292A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种光谱的预处理方法 |
CN110208211A (zh) * | 2019-07-03 | 2019-09-06 | 南京林业大学 | 一种用于农药残留检测的近红外光谱降噪方法 |
CN111241907A (zh) * | 2019-11-26 | 2020-06-05 | 暨南大学 | 幼禽孵化期生物特征预测装置及方法 |
CN111344587A (zh) * | 2017-11-13 | 2020-06-26 | 慕尼黑科技大学 | 自动无创式确定禽蛋的生育力和胚胎性别 |
CN114916469A (zh) * | 2022-05-27 | 2022-08-19 | 浙江大学 | 一种蛋鸡种蛋性别光学鉴定方法 |
WO2023181479A1 (ja) * | 2022-03-24 | 2023-09-28 | 株式会社日立ソリューションズ・クリエイト | 雌雄判定サービス提供システム及び雌雄判定サービス提供方法 |
WO2023181478A1 (ja) * | 2022-03-24 | 2023-09-28 | 株式会社日立ソリューションズ・クリエイト | 雌雄判定装置及び雌雄判定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
CN101916366A (zh) * | 2010-08-09 | 2010-12-15 | 黑龙江八一农垦大学 | 上孵前无精蛋识别方法及装置 |
CN102768196A (zh) * | 2012-08-13 | 2012-11-07 | 中国计量学院 | 一种鉴别不同转基因水稻的方法 |
US20130044210A1 (en) * | 2009-06-25 | 2013-02-21 | Israel Rozenboim | Hyperspectral identification of egg fertility and gender |
CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
-
2013
- 2013-08-30 CN CN201310404882.3A patent/CN103472008B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130044210A1 (en) * | 2009-06-25 | 2013-02-21 | Israel Rozenboim | Hyperspectral identification of egg fertility and gender |
CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
CN101916366A (zh) * | 2010-08-09 | 2010-12-15 | 黑龙江八一农垦大学 | 上孵前无精蛋识别方法及装置 |
CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
CN102768196A (zh) * | 2012-08-13 | 2012-11-07 | 中国计量学院 | 一种鉴别不同转基因水稻的方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106574892A (zh) * | 2014-07-11 | 2017-04-19 | 托尼克公司 | 用于确定蛋的受精和/或性别的非侵入性装置,以及相应的方法 |
CN106574892B (zh) * | 2014-07-11 | 2019-03-19 | 托尼克公司 | 用于确定蛋的受精和/或性别的非侵入性装置,以及相应的方法 |
CN105136682B (zh) * | 2015-07-06 | 2017-11-03 | 天津工业大学 | 一种燃油中芳烃含量快速、准确测定的新方法 |
CN105136682A (zh) * | 2015-07-06 | 2015-12-09 | 天津工业大学 | 一种燃油中芳烃含量快速、准确测定的新方法 |
CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
CN105158200B (zh) * | 2015-07-16 | 2017-09-29 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
CN105628625A (zh) * | 2015-12-28 | 2016-06-01 | 青岛兴仪电子设备有限责任公司 | 种蛋胚胎生命特征自动识别设备及方法 |
CN105628625B (zh) * | 2015-12-28 | 2018-10-16 | 青岛兴仪电子设备有限责任公司 | 种蛋胚胎生命特征自动识别设备及方法 |
CN105973816A (zh) * | 2016-05-06 | 2016-09-28 | 中国农业大学 | 基于可见/近红外光谱的禽蛋孵化能力的判别方法 |
JP2017227471A (ja) * | 2016-06-20 | 2017-12-28 | 株式会社ナベル | 種卵の非破壊検査装置及びそれに用いる種卵検査プログラム |
CN107024448A (zh) * | 2016-07-29 | 2017-08-08 | 重庆医科大学 | 基于唾液判别哺乳动物性别的近红外光谱分析方法 |
CN107024449A (zh) * | 2016-07-29 | 2017-08-08 | 重庆医科大学 | 基于尿液判别哺乳动物性别的近红外光谱分析方法 |
CN107024449B (zh) * | 2016-07-29 | 2019-09-20 | 重庆医科大学 | 基于尿液判别哺乳动物性别的近红外光谱分析方法 |
CN107764770A (zh) * | 2017-09-29 | 2018-03-06 | 中国农业大学 | 基于近红外光谱的入孵前种蛋受精情况检测方法及装置 |
CN107764770B (zh) * | 2017-09-29 | 2019-09-17 | 中国农业大学 | 基于近红外光谱的入孵前种蛋受精情况检测方法及装置 |
CN111344587A (zh) * | 2017-11-13 | 2020-06-26 | 慕尼黑科技大学 | 自动无创式确定禽蛋的生育力和胚胎性别 |
CN109142248A (zh) * | 2018-08-27 | 2019-01-04 | 华中农业大学 | 早期鸡胚雌雄识别的方法 |
CN109540292A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种光谱的预处理方法 |
CN109540292B (zh) * | 2018-11-28 | 2021-05-11 | 重庆大学 | 一种光谱的预处理方法 |
CN110208211A (zh) * | 2019-07-03 | 2019-09-06 | 南京林业大学 | 一种用于农药残留检测的近红外光谱降噪方法 |
CN110208211B (zh) * | 2019-07-03 | 2021-10-22 | 南京林业大学 | 一种用于农药残留检测的近红外光谱降噪方法 |
CN111241907A (zh) * | 2019-11-26 | 2020-06-05 | 暨南大学 | 幼禽孵化期生物特征预测装置及方法 |
CN111241907B (zh) * | 2019-11-26 | 2023-04-28 | 暨南大学 | 幼禽孵化期生物特征预测装置及方法 |
WO2023181479A1 (ja) * | 2022-03-24 | 2023-09-28 | 株式会社日立ソリューションズ・クリエイト | 雌雄判定サービス提供システム及び雌雄判定サービス提供方法 |
WO2023181478A1 (ja) * | 2022-03-24 | 2023-09-28 | 株式会社日立ソリューションズ・クリエイト | 雌雄判定装置及び雌雄判定方法 |
CN114916469A (zh) * | 2022-05-27 | 2022-08-19 | 浙江大学 | 一种蛋鸡种蛋性别光学鉴定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103472008B (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103472008A (zh) | 孵化前期近红外种蛋内鸡胚性别识别方法 | |
CN104792522B (zh) | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 | |
Gao et al. | A novel wind turbine fault diagnosis method based on intergral extension load mean decomposition multiscale entropy and least squares support vector machine | |
CN102661783B (zh) | 一种旋转机械故障趋势预测的特征提取方法 | |
CN111193256A (zh) | 基于变分模态分解和门控循环单元的电力负荷预测方法 | |
CN110119169B (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
CN104887224A (zh) | 面向癫痫脑电信号的特征提取与自动识别方法 | |
CN103902844A (zh) | 基于eemd峰度阈值的变压器振动信号降噪方法 | |
CN105225223A (zh) | 基于小波分析和bp神经网络的复合材料损伤检测方法 | |
CN108387887A (zh) | 一种水声信号的混合降噪方法 | |
CN103690160A (zh) | 一种基于非高斯时序模型的脑电特征提取方法 | |
CN104143031B (zh) | 一种基于小波多尺度分解的植被指数时序数据重构方法 | |
CN106580350A (zh) | 一种疲劳状况监测方法及装置 | |
CN113033066A (zh) | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 | |
CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
CN106805969A (zh) | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 | |
CN114386452B (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN116624343B (zh) | 一种风电机组塔筒异常振动监测及健康度评价方法及系统 | |
CN108007917A (zh) | 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法 | |
Chen et al. | Gear fault diagnosis model combined with MED-LMD-Hypersphere multiclass SVM | |
CN106323466A (zh) | 一种连续小波变换分析的叶片氮含量高光谱估算方法 | |
CN110363141A (zh) | 用于诊断燃气调压器故障的方法 | |
Karperien et al. | Multifractals: a review with an application in neuroscience | |
CN106682605A (zh) | 一种识别脑电放松度的方法及系统 | |
CN114947850A (zh) | 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160608 Termination date: 20200830 |
|
CF01 | Termination of patent right due to non-payment of annual fee |