CN103942424A - 一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法 - Google Patents
一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法 Download PDFInfo
- Publication number
- CN103942424A CN103942424A CN201410146874.8A CN201410146874A CN103942424A CN 103942424 A CN103942424 A CN 103942424A CN 201410146874 A CN201410146874 A CN 201410146874A CN 103942424 A CN103942424 A CN 103942424A
- Authority
- CN
- China
- Prior art keywords
- flow
- brain
- frequency
- data
- 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.)
- Granted
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法,属于神经工程领域。所述方法包括以下步骤:对采集到的皮层脑电(ECoG)数据进行预处理,以选取感兴趣通道;依据所选取的感兴趣通道数据,计算在不同时间、频率点的大脑皮层网络信息流矩阵;对经过显著性检验的信息输入、输出流在三维立体脑结构上进行三维动态可视化。所述方法从大尺度皮层网络信息传递、交互与整合的角度探究脑信息加工的动力学特性,实现脑信息流的三维动态可视化,描绘了不同脑区间的时变因果连接模式,提供一种脑功能网络有效连接分析发法,为研究揭示人脑信息加工机制提供了支持。
Description
技术领域
本发明涉及神经工程领域,尤其是涉及一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法。
背景技术
人脑是一个开放的复杂巨系统,生理学和解剖学的研究表明,大脑皮层内神经元的连接具有局部性和全局性。这种大脑皮层连接的结构,既保证了局部区域内的信息的高效交互,又确保了脑区间的信息传输。大脑通过位于不同空间位置脑区的信息整合来完成认知功能,即使对于单一的认知任务,也同时需要激活多个空间分离的脑功能区域。先前的很多实验和理论研究一致表明:大脑在完成认知功能加工过程中既要实现自下而上的信息加工,又要完成自上而下的调节与控制功能。脑区的神经元群在不同的认知任务下动态的相互作用并且形成了不同的神经环路。先前的研究主要集中在定位认知功能特异脑区,强调用大脑区域来定位认知功能,孤立的关注脑区与特定认知功能的联系;近年来随着观测技术和研究手段的不断发展,越来越多的研究者逐渐着眼于大脑不同脑区在完成某一认知功能时的相互作用,从脑网络的层次,从信息流传导的层次,将大脑作为一个整体进行功能整合来对大脑进行深入、细致、全面的研究。
虽然大脑不同脑区对应于不同的认知功能,但要完成一项认知功能,往往需要大脑多个不同的脑区相互协调、交互作用,共同动态的构成一个复杂的网络来发挥其功能,即大脑的功能执行总是依赖于多个脑区之间广泛地交互。因此,从脑网络的角度来研究大脑不同脑区的神经生理动力学特性是极为必要的。神经生理学实验在大脑大尺度上得到了大量皮层脑电(ECoG)数据,这种ECoG数据具有极高的时空分辨率,为我们研究脑功能提供了新的窗口,但是对于大脑网络不同模块间信息交互的度量和量化还是很浅显的,要求发展新的计算和可视化方法来分析和研究大脑网络不同模块间的信息交互。
发明内容
本发明的目的在于提供一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法,以便从大尺度脑网络信息传导的层次研究不同脑区间的信息交互,为大脑网络不同模块间信息交互的度量和量化提供新的计算和可视化方法。
为实现上述目的,本发明提出一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法,包括以下步骤:
步骤S1,对采集到的皮层脑电(ECoG)数据进行预处理,以选取感兴趣通道;
步骤S2,依据所选取的感兴趣ECoG数据,计算在不同时间和频率的大脑皮层网络信息流矩阵;
步骤S3,对经过显著性检验的信息输入、输出流在三维立体脑结构上进行三维动态可视化。
所述步骤S2具体包括以下步骤:
步骤2.1:利用基于多变量自回归模型的自适应有向传递函数ADTF计算对所述感兴趣ECoG数据在不同时频点的传递矩阵;
多变量自回归模型的描述如下:
其中,X(t)是信号矩阵,A(τ,t)是延迟时间τ的时变系数矩阵,E(t)是和信号X(t)独立的白噪声,p是可以使用施瓦茨贝叶斯准则(SBC)来确定的模型的阶;为了在频域研究信号之间的信息交互,使用傅立叶变换将(1)式方程变换到频域:
A(t,f)X(f)=E(f) (2)
其中,
令A0(t)=-I,方程(2)改写为:
X(f)=A-1(t,f)E(f)=H(t,f)E(f) (4)
其中,初始值A0(t)为负的单位矩阵,H(t,f)是随时间变化的转移矩阵,Hij(t,f)表示在时间t和频率f从信号xj到信号xi的信息流大小;则归一化的ADTF值可由下式计算:
其中,n是脑电通道的总数,一般脑电系统为64通道,i和j表示通道编号,则ADTFij(t,f)就表示了在时间t和频率f时由通道j流向通道i的信息流大小;
步骤2.2:利用偏相关函数计算对所述感兴趣ECoG数据在不同时频点的偏相关系数;
首先计算所述感兴趣ECoG数据的交叉谱C(t,f),计算公式如下:
C(t,f)=H(t,f)∑H*-1(t,f) (6)
其中,∑表示白噪声矩阵E(t)的方差,上标*表示对所述转移矩阵H(t,f)取共轭,上标-1表示对所述转移矩阵H(t,f)进行转置;
则偏相关系数的计算公式为:
其中,Γij(t,f)表示在时间t和频率f时信号xj和信号xi的偏相关系数,Mij(t,f)表示所述交叉谱C(t,f)的代数余子式;
步骤2.3:依据自适应直接传递函数和偏相关系数计算自适应有向直接传递函数AdDTF,得到在不同时间、频率点感兴趣脑区间的直接信息流强度和方向;
所述自适应有向直接传递函数AdDTF的计算公式如下:
AdDTF(t,f)=ADTF(t,f)Γij(t,f) (8)
其中,AdDTFij(t,f)值表示了在时间t和频率f时信号xj和信号xi间的直接信息流强度和方向,反映了大尺度皮层网络信息的交互与整合;
因此,流入或流出某一通道的归一化直接信息流计算方法为:
其中,t1和t2分别对应所选取数据的起始时刻和终止时刻,f1和f2分别对应所选取数据的起始频率和终止频率;
流出某一通道的直接信息输出流为:
流入某一通道的直接信息输入流为:
其中,公式(10)和(11)中n为通道总数,脑电系统为64通道,i和j表示通道编号;
步骤2.4:信息流统计显著性检验。
进一步,所述步骤S1具体包括以下步骤:
步骤1.1:对所述ECoG数据进行0.3-150Hz滤波和50Hz陷波处理,以消除低频飘移和工频干扰;
步骤1.2:对滤波处理后的ECoG数据进行坏通道检验处理,去除坏通道,避免不可靠数据的影响;
步骤1.3:对去除坏通道后的ECoG数据进行转换参考处理,采用平均参考;
步骤1.4:对转换参考后的ECoG数据进行基线校正处理,去除基线漂移,以使ECoG数据趋于平稳;
步骤1.5:对基线校正后的ECoG数据进行伪迹检测处理,去除头、面部肌肉抖动干扰的数据片段;
步骤1.6:从预处理后的ECoG数据中选取记录电极落在感兴趣脑区的ECoG数据。
本发明所述的基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法,通过ECoG数据预处理、选取感兴趣通道、利用自适应传递函数及偏相关系数计算大尺度皮层网络信息流矩阵,再用替代数据的方法检验皮层网络信息流交互矩阵的统计显著性,消除了有随机性引起的无意义信息传导,提高了信息流计算的精确性和鲁棒性。最后利用箭头编码信息流向,利用箭头的粗细和颜色编码信息流强度,在个体化的三维立体脑结构上实现动态信息流可视化。所述方法从大尺度脑网络信息传导的层次研究不同脑区间的信息交互,为大脑皮层网络不同模块间信息交互与整合的度量和量化提供了新的计算和可视化方法,是皮层脑电数据分析方法的有益补充,对于深入探索脑功能机制有着重要启示。
附图说明
图1为本发明多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法流程图;
图2为根据本发明一实施例在特定时间和频率的大脑皮层网络信息流矩阵示意图;
图3为一实施例使用本方法得到的大尺度皮层网络信息流个体化3D动态可视化结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
参照图1,本发明所述的一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法,具体实施步骤如下:
步骤S1:对采集到的皮层脑电(ECoG)数据进行预处理,以选取感兴趣通道。
所述步骤S1具体包括以下步骤:
步骤1.1:对所述ECoG数据进行0.3-150Hz滤波和50Hz陷波处理,以消除低频飘移和工频干扰。
步骤1.2:对滤波处理后的ECoG数据进行坏通道检验处理,去除坏通道,避免不可靠数据的影响。
步骤1.3:对去除坏通道后的ECoG数据进行转换参考处理,采用平均参考。
步骤1.4:对转换参考后的ECoG数据进行基线校正处理,去除基线漂移,以使ECoG数据趋于平稳。
步骤1.5:对基线校正后的ECoG数据进行伪迹检测处理,去除头、面部肌肉抖动干扰的数据片段。
步骤1.6:从预处理后的ECoG数据中选取记录电极落在感兴趣脑区的ECoG数据。所述感兴趣脑区的选取视不同的认知任务加工不同而不同,比如研究语言认知加工过程的ECoG数据,则感兴趣脑区一般选取Broca区、Wernicke区及运动区;如果研究学习和记忆,则对应的感兴趣脑区一般为大脑皮层联络区、海马及其邻近结构、杏仁核、丘脑和脑干网状结构。
步骤S2:依据所选取的感兴趣ECoG数据,计算在不同时间和频率的大脑皮层网络信息流矩阵。
所述步骤S2具体包括以下步骤:
步骤2.1:利用基于多变量自回归模型的自适应有向传递函数(ADTF)计算对所述感兴趣ECoG数据在不同时频点上的传递矩阵。
自适应有向传递函数是一个随时间变化的多变量自回归方法,它对于大尺度皮层网络的非稳态信号间的信息交互的估计非常有用。多变量自回归模型的描述如下:
其中,X(t)是信号矩阵,A(τ,t)是延迟时间τ的时变系数矩阵,E(t)是和信号X(t)独立的白噪声,p是可以使用施瓦茨贝叶斯准则(SBC)来确定的模型的阶。为了在频域研究信号之间的信息交互,使用傅立叶变换将(1)式方程变换到频域:
A(t,f)X(f)=E(f) (2)
其中,
令A0(t)=-I,方程(2)可改写为:
X(f)=A-1(t,f)E(f)=H(t,f)E(f) (4)
其中,初始值A0(t)为负的单位矩阵,H(t,f)是随时间变化的转移矩阵,Hij(t,f)表示在时间t和频率f从信号xj到信号xi的信息流大小。则归一化的ADTF值可由下式计算:
其中,n是脑电通道的总数,一般脑电系统为64通道,i和j表示通道编号,则ADTFij(t,f)就表示了在时间t和频率f时由通道j流向通道i的信息流大小。
步骤2.2:利用偏相关函数计算对所述感兴趣ECoG数据在不同时频点的偏相关系数。
首先计算所述感兴趣ECoG数据的交叉谱C(t,f),计算公式如下:
C(t,f)=H(t,f)∑H*-1(t,f) (6)
其中,∑表示白噪声矩阵E(t)的方差,上标*表示对所述转移矩阵H(t,f)取共轭,上标-1表示对所述转移矩阵H(t,f)进行转置。
则偏相关系数的计算公式为:
其中,Γij(t,f)表示在时间t和频率f时信号xj和信号xi的偏相关系数,Mij(t,f)表示所述交叉谱C(t,f)的代数余子式。
步骤2.3:依据自适应直接传递函数和偏相关系数计算自适应有向直接传递函数(AdDTF),得到在不同时间、频率点感兴趣脑区间的直接信息流强度和方向。
所述自适应有向直接传递函数(AdDTF)的计算公式如下:
AdDTF(t,f)=ADTF(t,f)Γij(t,f) (8)
其中,AdDTFij(t,f)值表示了在时间t和频率f时信号xj和信号xi间的直接信息流强度和方向,反映了大尺度皮层网络信息的交互与整合。
因此,流入或流出某一通道的归一化直接信息流计算方法为:
其中,t1和t2分别对应所选取数据的起始时刻和终止时刻,f1和f2分别对应所选取数据的起始频率和终止频率。
流出某一通道的直接信息输出流为:
流入某一通道的直接信息输入流为:
其中,公式(10)和(11)中n为通道总数,一般脑电系统为64通道,i和j表示通道编号。
步骤2.4:信息流统计显著性检验。
为了检验采用自适应有向直接传递函数(AdDTF)计算得到的信息流的统计显著性,使用替代数据方法进行统计检验。采用一种改进的AAFT迭代生成算法,即IAAFT算法生成替代数据。IAAFT算法生成的替代数据以其与原始数据的概率密度分布和傅里叶频谱极好的匹配度,在数据的非线性统计检验中被广泛采用。依据IAAFT算法重复2000次产生一经验分布,在设定的显著性水平P=0.05下进行显著性检验,以去除随机性引起的无意义信息流。
本实施例方法共选取11个感兴趣通道,利用所述步骤S2计算得到大脑皮层网络信息流矩阵如图2所示。
步骤S3,对经过显著性检验的信息输入、输出流在三维立体脑结构上进行三维动态可视化。
所述步骤S3具体包括以下步骤:
步骤3.1:综合利用多模态医学影像数据,对颅内电极进行三维立体定位,以得到电极三维坐标。
首先通过X线平片建立颅内电极与脑组织结构的联系,然后对扫描脑部获取的MRI影像进行分割与重建得到单一被试个体的真实脑模型,再把提取得到的电极坐标标定到重建得到的真实脑模型上,完成颅内电极的个体化三维立体定位。
步骤3.2:根据重建得到的颅内电极三维坐标,进行大尺度皮层网络信息流交互模式的三维动态可视化。
利用从一个通道指向另一个通道的箭头来编码信息流向,利用箭头的颜色和大小来编码信息流的强度。取经过显著性检验的信息流交互值,即可在个体化的三维立体脑结构上描绘出信息流的交互模式图,进而可以呈现大尺度皮层脑电数据ECoG在不同时间、频率时的信息流交互模式动态图,如图3a所示。
步骤3.3:根据重建得到的颅内电极三维坐标,进行大尺度皮层网络信息输出、输入流模式的三维动态可视化。
首先,为了获得流经一通道的信息输出、输入流,分别采用所述步骤2.3中公式(10)和(11)来计算其输出、输入流。然后利用球体的颜色和大小来编码信息输出、输入流的大小,取经过显著性检验的信息输出、输入流值,即可在个体化的三维立体脑结构上描绘出信息输出、输入流的模式图,进而可以呈现大尺度皮层脑电数据ECoG在不同时间、频率时的信息输出、输入流模式动态图,如图3b和图3c所示。
从以上基于真实皮层脑电数据ECoG的大尺度皮层网络信息流个体化三维动态可视化结果可以看出,本发明所述的基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法,通过ECoG数据预处理、选取感兴趣通道、利用自适应传递函数及偏相关系数计算大尺度皮层网络信息流矩阵,再用替代数据的方法检验皮层网络信息传导矩阵的统计显著性,最后利用可视化技术,实现了大尺度皮层脑网络信息流个体化的三维动态可视化。所述方法从大尺度脑网络信息传导的层次研究不同脑区间的信息交互,为大脑皮层网络不同模块间信息交互与整合的度量和量化提供了新的计算和可视化方法,是皮层脑电数据分析方法的有益补充,对于深入探索脑功能机制有着重要启示。
从事本领域研究工作的工程技术人员应当意识到,以上所述的实施例是为了帮助读者理解本发明的原理,应被理解为发明的保护范围并不局限于这样的特别陈述和实施例。凡是根据上述描述做出各种可能得等同替换或改变,均被认为属于本发明的权利要求的保护范围。
Claims (2)
1.一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法,其特征在于,包括以下步骤:
步骤S1,对采集到的皮层脑电ECoG数据进行预处理,以选取感兴趣通道;
步骤S2,依据所选取的感兴趣ECoG数据,计算在不同时间和频率的大脑皮层网络信息流矩阵;
步骤S3,对经过显著性检验的信息输入、输出流在三维立体脑结构上进行三维动态可视化;
所述步骤S2具体包括以下步骤:
步骤2.1:利用基于多变量自回归模型的自适应有向传递函数ADTF计算对所述感兴趣ECoG数据在不同时频点上的传递矩阵;
多变量自回归模型的描述如下:
其中,X(t)是信号矩阵,A(τ,t)是延迟时间τ的时变系数矩阵,E(t)是和信号X(t)独立的白噪声,p是可以使用施瓦茨贝叶斯准则(SBC)来确定的模型的阶;为了在频域研究信号之间的信息交互,使用傅立叶变换将(1)式方程变换到频域:
A(t,f)X(f)=E(f) (2)
其中,
令A0(t)=-I,方程(2)改写为:
X(f)=A-1(t,f)E(f)=H(t,f)E(f) (4)
其中,初始值A0(t)为负的单位矩阵,H(t,f)是随时间变化的转移矩阵,Hij(t,f)表示在时间t和频率f从信号xj到信号xi的信息流大小;则归一化的ADTF值可由下式计算:
其中,n是脑电通道的总数,一般脑电系统为64通道,i和j表示通道编号,则ADTFij(t,f)就表示了在时间t和频率f时由通道j流向通道i的信息流大小;
步骤2.2:利用偏相关函数计算对所述感兴趣ECoG数据在不同时频点的偏相关系数;
首先计算所述感兴趣ECoG数据的交叉谱C(t,f),计算公式如下:
C(t,f)=H(t,f)∑H*-1(t,f) (6)
其中,∑表示白噪声矩阵E(t)的方差,上标*表示对所述转移矩阵H(t,f)取共轭,上标-1表示对所述转移矩阵H(t,f)进行转置;
则偏相关系数的计算公式为:
其中,Γij(t,f)表示在时间t和频率f时信号xj和信号xi的偏相关系数,Mij(t,f)表示所述交叉谱C(t,f)的代数余子式;
步骤2.3:依据自适应直接传递函数和偏相关系数计算自适应有向直接传递函数AdDTF,得到在不同时间、频率点感兴趣脑区间的直接信息流强度和方向;
所述自适应有向直接传递函数AdDTF的计算公式如下:
AdDTF(t,f)=ADTF(t,f)Γij(t,f) (8)
其中,AdDTFij(t,f)值表示了在时间t和频率f时信号xj和信号xi间的直接信息流强度和方向,反映了大尺度皮层网络信息的交互与整合;
因此,流入或流出某一通道的归一化直接信息流计算方法为:
其中,t1和t2分别对应所选取数据的起始时刻和终止时刻,f1和f2分别对应所选取数据的起始频率和终止频率;
流出某一通道的直接信息输出流为:
流入某一通道的直接信息输入流为:
其中,公式(10)和(11)中n为通道总数,脑电系统为64通道,i和j表示通道编号;
步骤2.4:信息流统计显著性检验。
2.根据权利要求1所述的一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法,其特征在于,所述步骤S1具体包括以下步骤:
步骤1.1:对所述ECoG数据进行0.3-150Hz滤波和50Hz陷波处理,以消除低频飘移和工频干扰;
步骤1.2:对滤波处理后的ECoG数据进行坏通道检验处理,去除坏通道,避免不可靠数据的影响;
步骤1.3:对去除坏通道后的ECoG数据进行转换参考处理,采用平均参考;
步骤1.4:对转换参考后的ECoG数据进行基线校正处理,去除基线漂移,以使ECoG数据趋于平稳;
步骤1.5:对基线校正后的ECoG数据进行伪迹检测处理,去除头、面部肌肉抖动干扰的数据片段;
步骤1.6:从预处理后的ECoG数据中选取记录电极落在感兴趣脑区的ECoG数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410146874.8A CN103942424B (zh) | 2014-04-13 | 2014-04-13 | 一种大尺度皮层网络信息流个体化三维动态可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410146874.8A CN103942424B (zh) | 2014-04-13 | 2014-04-13 | 一种大尺度皮层网络信息流个体化三维动态可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103942424A true CN103942424A (zh) | 2014-07-23 |
CN103942424B CN103942424B (zh) | 2017-02-08 |
Family
ID=51190092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410146874.8A Active CN103942424B (zh) | 2014-04-13 | 2014-04-13 | 一种大尺度皮层网络信息流个体化三维动态可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942424B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171009A (zh) * | 2017-12-21 | 2018-06-15 | 东南大学 | 基于二维自回归模型参数估计的脑电信号间因果关系检测方法 |
CN112641450A (zh) * | 2020-12-28 | 2021-04-13 | 中国人民解放军战略支援部队信息工程大学 | 面向动态视频目标检测的时变脑网络重构方法 |
CN113017648A (zh) * | 2021-03-18 | 2021-06-25 | 内蒙古工业大学 | 一种脑电信号识别方法和系统 |
CN113741691A (zh) * | 2021-08-27 | 2021-12-03 | 西安交通大学 | 一种运动意图精准捕捉的脑肌电信息同步系统及方法 |
CN113812966A (zh) * | 2021-08-23 | 2021-12-21 | 西南大学 | 一种基于多媒体信息的偏好预测方法及装置 |
CN114569139A (zh) * | 2022-02-25 | 2022-06-03 | 之江实验室 | 复杂脑肌交互闭环功能网络框架的构建方法 |
CN116491958A (zh) * | 2023-06-28 | 2023-07-28 | 南昌大学第一附属医院 | 靶点确定设备、电子设备及存储介质 |
CN117012397A (zh) * | 2023-09-28 | 2023-11-07 | 之江实验室 | 基于脑图谱的脑活动时间序列三维可视化方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102293647A (zh) * | 2011-06-08 | 2011-12-28 | 北京师范大学 | 一种联合脑电和功能磁共振信号的反馈系统 |
-
2014
- 2014-04-13 CN CN201410146874.8A patent/CN103942424B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102293647A (zh) * | 2011-06-08 | 2011-12-28 | 北京师范大学 | 一种联合脑电和功能磁共振信号的反馈系统 |
Non-Patent Citations (4)
Title |
---|
BIN HE ET AL: "eConnectome:A MATLAB toolbox for mapping and imaging of brain functional connectivity", 《JOURNAL OF NEUROSCIENCE METHODS》 * |
CHRISTOPHER WILKE ET AL: "Estimation of Time-Varying Connectivity Patterns Through the Use of an Adaptive Directed Transfer Function", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
TIM MULLEN ET AL: "Modeling Cortical Source Dynamics and Interactions During Seizure", 《2011 ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 * |
张迎春 等: "脑电皮层成像技术", 《国外医学生物医学工程分册》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171009A (zh) * | 2017-12-21 | 2018-06-15 | 东南大学 | 基于二维自回归模型参数估计的脑电信号间因果关系检测方法 |
CN112641450A (zh) * | 2020-12-28 | 2021-04-13 | 中国人民解放军战略支援部队信息工程大学 | 面向动态视频目标检测的时变脑网络重构方法 |
CN113017648A (zh) * | 2021-03-18 | 2021-06-25 | 内蒙古工业大学 | 一种脑电信号识别方法和系统 |
CN113017648B (zh) * | 2021-03-18 | 2023-03-24 | 内蒙古工业大学 | 一种脑电信号识别方法和系统 |
CN113812966A (zh) * | 2021-08-23 | 2021-12-21 | 西南大学 | 一种基于多媒体信息的偏好预测方法及装置 |
CN113741691A (zh) * | 2021-08-27 | 2021-12-03 | 西安交通大学 | 一种运动意图精准捕捉的脑肌电信息同步系统及方法 |
CN114569139A (zh) * | 2022-02-25 | 2022-06-03 | 之江实验室 | 复杂脑肌交互闭环功能网络框架的构建方法 |
CN116491958A (zh) * | 2023-06-28 | 2023-07-28 | 南昌大学第一附属医院 | 靶点确定设备、电子设备及存储介质 |
CN116491958B (zh) * | 2023-06-28 | 2023-09-19 | 南昌大学第一附属医院 | 靶点确定设备、电子设备及存储介质 |
CN117012397A (zh) * | 2023-09-28 | 2023-11-07 | 之江实验室 | 基于脑图谱的脑活动时间序列三维可视化方法及装置 |
CN117012397B (zh) * | 2023-09-28 | 2024-03-12 | 之江实验室 | 基于脑图谱的脑活动时间序列三维可视化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103942424B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103942424A (zh) | 一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法 | |
Wang et al. | Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization | |
Bolt et al. | A parsimonious description of global functional brain organization in three spatiotemporal patterns | |
Hramov et al. | Wavelets in neuroscience | |
Yu et al. | Connectivity strength‐weighted sparse group representation‐based brain network construction for M CI classification | |
Karahan et al. | Tensor analysis and fusion of multimodal brain images | |
Huang et al. | On Holo-Hilbert spectral analysis: a full informational spectral representation for nonlinear and non-stationary data | |
Aslan et al. | A deep learning approach in automated detection of schizophrenia using scalogram images of EEG signals | |
Deco et al. | Brain songs framework used for discovering the relevant timescale of the human brain | |
Gao et al. | A coincidence-filtering-based approach for CNNs in EEG-based recognition | |
Shekatkar et al. | Detecting abnormality in heart dynamics from multifractal analysis of ECG signals | |
KR101842750B1 (ko) | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 | |
US11333730B2 (en) | Systems and methods for mapping neuronal circuitry and clinical applications thereof | |
CN103932701B (zh) | 一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法 | |
Schmidt et al. | Impact of multivariate Granger causality analyses with embedded dimension reduction on network modules | |
Liu et al. | Graph regularized EEG source imaging with in-class consistency and out-class discrimination | |
Deng et al. | FMRI signal analysis using empirical mean curve decomposition | |
Liu et al. | Criminal psychological emotion recognition based on deep learning and EEG signals | |
CN114366103B (zh) | 注意力评估方法、装置及电子设备 | |
Afzali et al. | Automated major depressive disorder diagnosis using a dual-input deep learning model and image generation from EEG signals | |
CN110392549B (zh) | 确定引起期望行为的大脑刺激的系统、方法和介质 | |
CN103530505A (zh) | 一种人脑语言认知建模方法 | |
Wang et al. | A novel brain networks enhancement model (BNEM) for BOLD fMRI data analysis with highly spatial reproducibility | |
Jia et al. | Application and evolution for neural network and signal processing in large-scale systems | |
Roca et al. | Fractal-based techniques for physiological time series: An updated approach |
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 |