CN103989472A - 基于脑电α节律样本熵的脑卒中患者神经康复评定方法 - Google Patents
基于脑电α节律样本熵的脑卒中患者神经康复评定方法 Download PDFInfo
- Publication number
- CN103989472A CN103989472A CN201410219913.2A CN201410219913A CN103989472A CN 103989472 A CN103989472 A CN 103989472A CN 201410219913 A CN201410219913 A CN 201410219913A CN 103989472 A CN103989472 A CN 103989472A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- sample entropy
- alpha rhythm
- patients
- rehabilitation
- 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
Abstract
一种基于脑电α节律样本熵的脑卒中患者神经康复评定方法:采集静息状态下的脑电信号;脑电信号数据预处理;提取脑电信号的α节律样本熵特征;建立脑电信号的α节律样本熵数据库;对脑卒中患者按照前面所述的过程提取脑电信号的α节律样本熵,将所得患者的脑电信号的α节律样本熵与所建立的数据库中相同康复时期的神经康复状况的平均水平相对照,判定脑卒中患者的神经系统恢复状况;评定完成后将所述脑卒中患者的脑电信号的α节律样本熵存入所建立的数据库。本发明采集卒中后患者EEG信号并对其α节律进行样本熵特征提取,通过此特征对卒中患者神经系统康复状况做出评定,为卒中康复干预治疗方案制定提供参考依据,有助于加速患者康复进程,提高其生存质量。
Description
技术领域
本发明涉及一种脑卒中患者卒中后神经功能恢复状况进行量化评定的方法。特别是涉及一种基于脑电α节律样本熵的脑卒中患者神经康复评定方法。
背景技术
脑卒中(stroke)俗称中风,或称脑血管意外(cerebrovascular accident,CVA),是突然发生由脑血管病变引起局部脑区功能障碍的临床综合征。我国每年新增脑卒中患者200万以上、死于脑卒中人数超过150万,目前有700万左右脑卒中幸存者,其中四分之三留有不同程度后遗症,重度致残者约占40%,给患者和家庭带来了极大精神痛苦和沉重经济负担。根据世界卫生组织最新报道,脑卒中是全球范围内仅次于冠心病和癌症位于第三位死亡原因的疾病,且发病率呈逐年上升趋势。脑卒中后神经功能康复评定是制定卒中康复干预治疗方案不可或缺的参考依据,有助于加速患者康复进程、提高生存质量。目前,国内外虽尝试过多种神经功能缺损程度评分方法,但多数未被临床广泛采用,脑卒中的脑损伤诊断和康复评价方法仍远未完善。
现有研究认为,脑可塑性和功能重组是中枢神经系统损伤康复治疗的主要可能机制。脑可塑性是指大脑具有修改自身结构和功能以适应外部环境变化的能力。功能重组指大脑功能定位域对可塑性变化的反应,表现形式有功能代偿、功能移位、功能重建等多种。已有大量动物实验、临床观察、解剖证据表明,当大脑遇到组织损伤或功能所需供给受到损害时具有可塑性反应能力。该能力可以在分子、突触、皮层和神经网络等多种水平上表现出来。如此,伴随着卒中后康复干预治疗的实施与神经功能的恢复,大脑皮层各功能区域及其脑神经元之间的相互联系可在内、外因素的共同作用下发生改变。而通过头皮电极记录的脑电(Electroencephalogram,EEG)信号是大脑皮层神经细胞集群电生理活动的综合反映,蕴涵着丰富的生理、心理信息。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、动态地观察脑功能变化情况,已成为神经系统疾病辅助检查的一种重要手段,可反映脑卒中病程中脑功能的动态变化。定量脑电图检查可应用于缺血性脑卒中预后及临床观察。已有一些学者利用基于定量脑电图(QEEG)的频域分析、非线性动力学分析、相位同步性分析等方法对缺血性脑卒中患者或动物模型进行了研究。
样本熵(Sample Entropy,SampEn)是Richman等在2000年提出的一种近似熵(Approximate Entropy,ApEn)改进算法,用以衡量时间序列有序程度的非线性特征。SampEn值越大说明系统更趋于随机无序状态。SampEn不但具备了近似熵的所有优点,且可避免近似熵中统计量的偏差和不一致性。目前SampEn广泛用于测量生物医学信号的有序性中,包括脑电信号(EEG)、肌电信号(MEG),心率变异性(Heart Rate Variability,HRV)等生物医学信号。应用SampEn对EEG信号进行分析主要应用于癫痫疾病的检测、睡眠分期、阿尔兹海默症的诊断及注意力分级研究中。同时,SampEn也用于缺血缺氧性脑损伤后EEG信号复杂 度的评定中,相关的脑损伤动物模型研究发现,在缺血缺氧性脑损伤后恢复阶段前期EEG各频段SampEn值会下降,尤其是α频段;而损伤恢复后期EEG各频段SampEn值会恢复至损伤前水平。推测α频段SampEn值对损伤早期更加敏感,有望成为缺血缺氧性脑损伤诊断和恢复情况的评价参数。
发明内容
本发明所要解决的技术问题是,通过提取样本熵(SampEn)这一非线性特征,来评价不同康复时期卒中患者神经系统康复状况的基于脑电α节律样本熵的脑卒中患者神经康复评定方法。
本发明所采用的技术方案是:一种基于脑电α节律样本熵的脑卒中患者神经康复评定方法,包括如下步骤:
1)采集静息状态下的脑电信号;
2)脑电信号数据预处理,包括如下过程:
(1)变参考电极,将参考电极Cz变为双耳A1、A2为参考电极;
(2)进行0.6-46Hz带通滤波,去除高频干扰成分;
(3)使用独立成分分析方法去除眼电、心电干扰信号;
(4)手动剔除剩余干扰成分,最终得到90s静息态脑电信号;
(5)提取α节律脑电信号,将所得脑电信号进行8-13Hz带通滤波,得到α节律脑电信号;
3)提取脑电信号的α节律样本熵特征,包括如下过程:
(1)选择H秒脑电信号进行脑电信号的α节律样本熵计算,H取5-10的整数,首先,将2-5分钟脑电信号长度依次分割为H秒长的数据段,对每一段数据计算脑电信号的α节律样本熵,最后取所有段数据的脑电信号的α节律样本熵平均值作为被采集者最终的脑电信号的α节律样本熵;
(2)设定脑电信号的α节律样本熵的三个输入参数:嵌入维数m=2,相似容限r=0.2SD,其中SD为H秒脑电信号序列的标准差,数据长度N=250×H;
(3)设定H秒脑电信号时间序列为x(1),x(2),…x(N),则脑电信号的α节律样本熵具体算法如下:
按H秒脑电信号时间序列连续顺序组成一组m维矢量:
X(i)={x(i),x(i+1),...,x(i+m-1),i=1,2,...,N-m+1
定义矢量X(i)和X(j)的距离dX(i),X(j)为两者对应元素差值中最大的一个,计算方式如下:
dX(i),X(j)=max|x(i+k)-x(j+k)|,k=0,1,...m-1 (1)
对每一i值,统计dX(i),X(j)小于相似容限r的数目,计算所述dX(i),X(j)小于相似容限r的数目与距离总数之比,即:
则脑电信号的α节律样本熵计算公式如式(4)所示:
SampEn(m,r,N)=-ln[Bm+1(r)/Bm)r)] (4);
4)建立脑电信号的α节律样本熵数据库,收集不同被采集者的不同康复时期脑卒中患者脑电信号的α节律样本熵建立数据库,取不同被采集者同一康复时期的脑电信号的α节律样本熵的平均值作为本康复时期神经康复状况的平均水平;
5)对脑卒中患者按照步骤1)~步骤3)的过程提取脑电信号的α节律样本熵,将所得患者的脑电信号的α节律样本熵与步骤4)所建立的数据库中相同康复时期的神经康复状况的平均水平相对照,判定脑卒中患者的神经系统恢复状况。
6)评定完成后将所述脑卒中患者的脑电信号的α节律样本熵存入步骤4)所建立的数据库。
步骤1)所述的采集脑电信号的设备使用NicoletOne32通道数字视频脑电图仪,电极的位置按照国际标准导联10-20电极系统安放,记录16导头皮脑电信号,包括Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6,Cz作为参考电极,前额作为参考地,采样率为250Hz,滤波通带为0.5Hz~70Hz,电极阻抗小于10KΩ。
步骤1)所述的静息状态下的脑电信号的采集要求,采集环境处于电磁屏蔽的状态下,采集室暗光,并保持采集环境的安静,采集过程中要求被采集者安静闭目,心情放松,记录10min脑电数据。
步骤4)所述的不同康复时期包括有:亚急性期、恢复1期、恢复2期、后遗症期,其中,所述的亚急性期为脑卒中后7天至1个月,所述的恢复1期为脑卒中后1个月至3个月,所述的恢复2期为脑卒中后3个月至6个月,后遗症期为脑卒中6个月以后。
步骤5)所述的判定脑卒中患者的神经系统恢复状况条件如下:
当脑卒中患者的脑电信号的α节律样本熵大于平均水平10%,评定为神经恢复状况优;
当脑卒中患者的脑电信号的α节律样本熵在平均水平5~10%之间,评定为神经恢复状况良;
当脑卒中患者的脑电信号的α节律样本熵在平均水平±5%之间评定为神经恢复状况中;
当脑卒中患者的脑电信号的α节律样本熵小于平均水平5%,评定为神经恢复状况差。
本发明的基于脑电α节律样本熵的脑卒中患者神经康复评定方法,采集卒中后患者EEG信号并对其α节律进行样本熵特征提取,通过此特征对卒中患者神经系统康复状况做出评定,为卒中康复的干预治疗方案制定提供参考依据,有助于加速患者康复进程,提高其生存质量。
附图说明
图1是本发明方法的流程图;
图2是国际标准导联10-20电极系统位置安放图;
图3a是脑卒中患者FP1导联脑电信号α节律样本熵与卒中后时间相关性散点图;
图3b是脑卒中患者FP2导联脑电信号α节律样本熵与卒中后时间相关性散点图;
图3c是脑卒中患者F3导联脑电信号α节律样本熵与卒中后时间相关性散点图;
图3d是脑卒中患者C3导联脑电信号α节律样本熵与卒中后时间相关性散点图;
图3e是脑卒中患者P4导联脑电信号α节律样本熵与卒中后时间相关性散点图;
图3f是脑卒中患者O1导联脑电信号α节律样本熵与卒中后时间相关性散点图;
图3g是脑卒中患者O2导联脑电信号α节律样本熵与卒中后时间相关性散点图;
图3h是脑卒中患者T3导联脑电信号α节律样本熵与卒中后时间相关性散点图;
图3i是脑卒中患者T6导联脑电信号α节律样本熵与卒中后时间相关性散点图;
图4是16个导联不同康复时期的α节律样本熵平均水平曲线图。
具体实施方式
下面结合实施例和附图对本发明的基于脑电α节律样本熵的脑卒中患者神经康复评定方法做出详细说明。
本发明的基于脑电α节律样本熵的脑卒中患者神经康复评定方法,提出了根据脑电信号α节律样本熵(Sample Entropy,SampEn)对脑卒中患者卒中后神经功能恢复状况进行量化评定的新方法,为脑卒中康复干预提供技术支持。其技术流程为:采集脑卒中患者静息态脑电信号进行预处理,提取脑卒中患者脑电信号α节律样本熵特征,以此为特征参数对比卒中患者数据库中相应康复时期平均水平,评定脑卒中患者神经系统康复状况。
本发明的基于脑电α节律样本熵的脑卒中患者神经康复评定方法,如图1所示,包括如下步骤:
1)采集静息状态下的脑电信号,采集脑电信号的设备使用NicoletOne32通道数字视频脑电图仪,电极的位置按照国际标准导联10-20电极系统安放,记录16导头皮脑电信号,包括Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6,Cz作为参考电极,前额作为参考地,采样率为250Hz,滤波通带为0.5Hz~70Hz,电极阻抗小于10KΩ。附图2给出了16导联分布示意图。所述的静息状态下的脑电信号的采集要求,采集环境处于电磁屏蔽的状态下(远离强大的静电场和电磁场),采集室暗光,并保持采集环境的安静,采集过程中要求被采集者安静闭目,心情放松,记录10min脑电数据。
2)脑电信号数据预处理,脑电(EEG)信号是随机性很强的生理信号,节律种类多,影响因素多,具有很高的敏感性,极易被无关噪声污染形成各种EEG伪迹,所以需要进行相应的预处理工作。脑电信号数据预处理包括如下过程:
(1)变参考电极,将参考电极Cz变为双耳A1、A2为参考电极;
(2)进行0.6-46Hz带通滤波,去除高频干扰成分;
(3)使用独立成分分析(Independent Component Analysis,ICA)方法去除眼电、心电等干扰信号;
(4)手动剔除剩余干扰成分,最终得到90s静息态脑电信号(EEG信号);
(5)提取α节律脑电信号,将所得脑电信号进行8-13Hz带通滤波,得到α节律脑电信号;
3)提取脑电信号的α节律样本熵特征,样本熵(SampEn)是衡量时间序列自相似程度的一种复杂度测量方法,是对近似熵算法的改进。样本熵值越大表明系统的自相似性越高,系统越复杂。脑电信号的α节律样本熵特征的提取包括如下过程:
(1)选择H秒脑电信号进行脑电信号的α节律样本熵计算,H取5-10的整数,首先,将2-5分钟脑电信号长度依次分割为H秒长的数据段,对每一段数据计算脑电信号的α节律样本熵,最后取所有段数据的脑电信号的α节律样本熵平均值作为被采集者最终的脑电信号的α节律样本熵;
在本实施例中选择1250个点(即5秒数据)的脑电信号序列进行样脑电信号的α节律样本熵计算,将90秒数据长度依次分割为5秒数据段,对每一段计算脑电信号的α节律样本熵,最后取各数据段样脑电信号的α节律样本熵平均值作为受试者最终的样本熵值。
(2)脑电信号的α节律样本熵有三个输入参数m、r和N可调,N为数据长度,r为相似容限及m为嵌入维数,设定脑电信号的α节律样本熵的三个输入参数:嵌入维数m=2,相似容限r=0.2SD,其中SD为H秒脑电信号序列的标准差,数据长度N=250×H;
(3)设定H秒脑电信号时间序列为x(1),x(2),…x(N),则脑电信号的α节律样本熵具体算法如下:
按H秒脑电信号时间序列连续顺序组成一组m维矢量:
X(i)={x(i),x(i+1),...,x(i+m-1),i=1,2,...,N-m+1
定义矢量X(i)和X(j)的距离dX(i),X(j)为两者对应元素差值中最大的一个,计算方式如下:
dX(i),X(j)=max|x(i+k)-x(j+k)|,k=0,1,…m-1 (1)
对每一i值,统计dX(i),X(j)小于相似容限r的数目,计算所述dX(i),X(j)小于相似容限r的数目与距离总数之比,即:
则脑电信号的α节律样本熵计算公式如式(4)所示:
SampEn(m,r,N)=-ln[Bm+1(r)/Bm(r)] (4);
4)建立脑电信号的α节律样本熵数据库,收集不同被采集者的不同康复时期脑卒中患者脑电信号的α节律样本熵建立数据库,所述的不同康复时期包括有:亚急性期、恢复1期、恢复2期、后遗症期,其中,所述的亚急性期为脑卒中后7天至1个月,所述的恢复1期为脑卒中后1个月至3个月,所述的恢复2期为脑卒中后3个月至6个月,后遗症期为脑卒中6个月以后。取不同被采集者同一康复时期的脑电信号的α节律样本熵的平均值作为本康复时期神经康复状况的平均水平,附图4显示了16个导联不同康复时期脑电信号的α节律样本熵平均水平;
5)对脑卒中患者按照步骤1)~步骤3)的过程提取脑电信号的α节律样本熵,将所得患者的脑电信号的α节律样本熵与步骤4)所建立的数据库中相同康复时期的神经康复状况 的平均水平相对照,判定脑卒中患者的神经系统恢复状况。
脑卒中患者脑电信号具有α节律“易损性”,随着病程的延长,脑电信号的α节律样本熵(复杂度)逐步降低,神经元放电模式趋简。附图3a~图3i显示了脑卒中患者不同病程脑电信号的α节律样本熵与时间具有显著相关性导联散点图。不同康复时期脑电信号的α节律样本熵处于不同的水平值,表征了脑电信号复杂度的不同水平。同一康复时期,脑电信号的α节律样本熵越大,表征卒中患者脑电信号复杂度越大,神经元模式越趋于正常,神经系统恢复状况越佳。
所述的判定脑卒中患者的神经系统恢复状况条件如下:
当脑卒中患者的脑电信号的α节律样本熵大于平均水平10%,评定为神经恢复状况优;
当脑卒中患者的脑电信号的α节律样本熵在平均水平5~10%之间,评定为神经恢复状况良;
当脑卒中患者的脑电信号的α节律样本熵在平均水平±5%之间评定为神经恢复状况中;
当脑卒中患者的脑电信号的α节律样本熵小于平均水平5%,评定为神经恢复状况差。
6)评定完成后将所述脑卒中患者的脑电信号的α节律样本熵存入步骤4)所建立的数据库。
Claims (5)
1.一种基于脑电α节律样本熵的脑卒中患者神经康复评定方法,其特征在于,包括如下步骤:
1)采集静息状态下的脑电信号;
2)脑电信号数据预处理,包括如下过程:
(1)变参考电极,将参考电极Cz变为双耳A1、A2为参考电极;
(2)进行0.6-46Hz带通滤波,去除高频干扰成分;
(3)使用独立成分分析方法去除眼电、心电干扰信号;
(4)手动剔除剩余干扰成分,最终得到90s静息态脑电信号;
(5)提取α节律脑电信号,将所得脑电信号进行8-13Hz带通滤波,得到α节律脑电信号;
3)提取脑电信号的α节律样本熵特征,包括如下过程:
(1)选择H秒脑电信号进行脑电信号的α节律样本熵计算,H取5-10的整数,首先,将2-5分钟脑电信号长度依次分割为H秒长的数据段,对每一段数据计算脑电信号的α节律样本熵,最后取所有段数据的脑电信号的α节律样本熵平均值作为被采集者最终的脑电信号的α节律样本熵;
(2)设定脑电信号的α节律样本熵的三个输入参数:嵌入维数m=2,相似容限r=0.2SD,其中SD为H秒脑电信号序列的标准差,数据长度N=250×H;
(3)设定H秒脑电信号时间序列为x(1),x(2),…x(N),则脑电信号的α节律样本熵具体算法如下:
按H秒脑电信号时间序列连续顺序组成一组m维矢量:
X(i)={x(i),x(i+1),...,x(i+m-1),i=1,2,...,N-m+1
定义矢量X(i)和X(j)的距离dX(i),X(j)为两者对应元素差值中最大的一个,计算方式如下:
dX(i),X(j)=max|x(i+k)-x(j+k)|,k=0,1,...m-1 (1)
对每一i值,统计dX(i),X(j)小于相似容限r的数目,计算所述dX(i),X(j)小于相似容限r的数目与距离总数之比,即:
则脑电信号的α节律样本熵计算公式如式(4)所示:
Sampen(m,r,N)=-ln[Bm+1(r)/Bm)r)] (4);
4)建立脑电信号的α节律样本熵数据库,收集不同被采集者的不同康复时期脑卒中患者脑电信号的α节律样本熵建立数据库,取不同被采集者同一康复时期的脑电信号的α节律样本熵的平均值作为本康复时期神经康复状况的平均水平;
5)对脑卒中患者按照步骤1)~步骤3)的过程提取脑电信号的α节律样本熵,将所得患者的脑电信号的α节律样本熵与步骤4)所建立的数据库中相同康复时期的神经康复状况的平均水平相对照,判定脑卒中患者的神经系统恢复状况。
6)评定完成后将所述脑卒中患者的脑电信号的α节律样本熵存入步骤4)所建立的数据库。
2.根据权利要求1所述的基于脑电α节律样本熵的脑卒中患者神经康复评定方法,其特征在于,步骤1)所述的采集脑电信号的设备使用NicoletOne32通道数字视频脑电图仪,电极的位置按照国际标准导联10-20电极系统安放,记录16导头皮脑电信号,包括Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6,Cz作为参考电极,前额作为参考地,采样率为250Hz,滤波通带为0.5Hz~70Hz,电极阻抗小于10KΩ。
3.根据权利要求1所述的基于脑电α节律样本熵的脑卒中患者神经康复评定方法,其特征在于,步骤1)所述的静息状态下的脑电信号的采集要求,采集环境处于电磁屏蔽的状态下,采集室暗光,并保持采集环境的安静,采集过程中要求被采集者安静闭目,心情放松,记录10min脑电数据。
4.根据权利要求1所述的基于脑电α节律样本熵的脑卒中患者神经康复评定方法,其特征在于,步骤4)所述的不同康复时期包括有:亚急性期、恢复1期、恢复2期、后遗症期,其中,所述的亚急性期为脑卒中后7天至1个月,所述的恢复1期为脑卒中后1个月至3个月,所述的恢复2期为脑卒中后3个月至6个月,后遗症期为脑卒中6个月以后。
5.根据权利要求1所述的基于脑电α节律样本熵的脑卒中患者神经康复评定方法,其特征在于,步骤5)所述的判定脑卒中患者的神经系统恢复状况条件如下:
当脑卒中患者的脑电信号的α节律样本熵大于平均水平10%,评定为神经恢复状况优;
当脑卒中患者的脑电信号的α节律样本熵在平均水平5~10%之间,评定为神经恢复状况良;
当脑卒中患者的脑电信号的α节律样本熵在平均水平±5%之间评定为神经恢复状况中;
当脑卒中患者的脑电信号的α节律样本熵小于平均水平5%,评定为神经恢复状况差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410219913.2A CN103989472A (zh) | 2014-05-22 | 2014-05-22 | 基于脑电α节律样本熵的脑卒中患者神经康复评定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410219913.2A CN103989472A (zh) | 2014-05-22 | 2014-05-22 | 基于脑电α节律样本熵的脑卒中患者神经康复评定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103989472A true CN103989472A (zh) | 2014-08-20 |
Family
ID=51303994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410219913.2A Pending CN103989472A (zh) | 2014-05-22 | 2014-05-22 | 基于脑电α节律样本熵的脑卒中患者神经康复评定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103989472A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105213033A (zh) * | 2015-10-14 | 2016-01-06 | 天津大学 | 基于运动障碍性神经疾病的计算机闭环康复控制系统 |
CN106156737A (zh) * | 2016-07-05 | 2016-11-23 | 北京工业大学 | 基于二维空间的时间序列样本熵的计算方法及系统 |
CN106963371A (zh) * | 2017-03-29 | 2017-07-21 | 天津大学 | 基于神经振荡活动检测大鼠学习记忆和认知功能的方法 |
CN107808694A (zh) * | 2016-09-08 | 2018-03-16 | 深圳先进技术研究院 | 基于gmfcs评判脑瘫患儿行走能力的系统及方法 |
CN108143409A (zh) * | 2016-12-06 | 2018-06-12 | 中国移动通信有限公司研究院 | 睡眠阶段分期方法及装置 |
CN109077723A (zh) * | 2018-07-05 | 2018-12-25 | 青岛大学附属医院 | 基于远程控制的神经内科护理中的信息采集系统及方法 |
CN110548226A (zh) * | 2019-07-31 | 2019-12-10 | 中国医学科学院生物医学工程研究所 | 一种根据节律耦合特征建立经颅磁刺激模式的方法 |
CN110569923A (zh) * | 2019-09-18 | 2019-12-13 | 五邑大学 | 一种基于样本熵的晕动症量化方法、装置和存储介质 |
CN112494053A (zh) * | 2020-12-23 | 2021-03-16 | 深圳市德力凯医疗设备股份有限公司 | 大脑的缺氧危险程度监控方法、系统、设备及存储介质 |
CN113130084A (zh) * | 2021-04-22 | 2021-07-16 | 江苏汇鑫融智软件科技有限公司 | 一种基于人工智能的病人康复跟踪管理系统 |
-
2014
- 2014-05-22 CN CN201410219913.2A patent/CN103989472A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105213033A (zh) * | 2015-10-14 | 2016-01-06 | 天津大学 | 基于运动障碍性神经疾病的计算机闭环康复控制系统 |
CN106156737A (zh) * | 2016-07-05 | 2016-11-23 | 北京工业大学 | 基于二维空间的时间序列样本熵的计算方法及系统 |
CN107808694A (zh) * | 2016-09-08 | 2018-03-16 | 深圳先进技术研究院 | 基于gmfcs评判脑瘫患儿行走能力的系统及方法 |
CN107808694B (zh) * | 2016-09-08 | 2023-04-14 | 深圳先进技术研究院 | 基于gmfcs评判脑瘫患儿行走能力的系统及方法 |
CN108143409B (zh) * | 2016-12-06 | 2021-01-22 | 中国移动通信有限公司研究院 | 睡眠阶段分期方法及装置 |
CN108143409A (zh) * | 2016-12-06 | 2018-06-12 | 中国移动通信有限公司研究院 | 睡眠阶段分期方法及装置 |
CN106963371A (zh) * | 2017-03-29 | 2017-07-21 | 天津大学 | 基于神经振荡活动检测大鼠学习记忆和认知功能的方法 |
CN109077723A (zh) * | 2018-07-05 | 2018-12-25 | 青岛大学附属医院 | 基于远程控制的神经内科护理中的信息采集系统及方法 |
CN110548226A (zh) * | 2019-07-31 | 2019-12-10 | 中国医学科学院生物医学工程研究所 | 一种根据节律耦合特征建立经颅磁刺激模式的方法 |
CN110548226B (zh) * | 2019-07-31 | 2023-04-11 | 中国医学科学院生物医学工程研究所 | 一种根据节律耦合特征建立经颅磁刺激模式的方法 |
CN110569923A (zh) * | 2019-09-18 | 2019-12-13 | 五邑大学 | 一种基于样本熵的晕动症量化方法、装置和存储介质 |
CN112494053A (zh) * | 2020-12-23 | 2021-03-16 | 深圳市德力凯医疗设备股份有限公司 | 大脑的缺氧危险程度监控方法、系统、设备及存储介质 |
CN112494053B (zh) * | 2020-12-23 | 2023-10-03 | 深圳市德力凯医疗设备股份有限公司 | 大脑的缺氧危险程度监控方法、系统、设备及存储介质 |
CN113130084A (zh) * | 2021-04-22 | 2021-07-16 | 江苏汇鑫融智软件科技有限公司 | 一种基于人工智能的病人康复跟踪管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103989472A (zh) | 基于脑电α节律样本熵的脑卒中患者神经康复评定方法 | |
Turnip et al. | Real-time feature extraction of P300 component using adaptive nonlinear principal component analysis | |
Kar et al. | EEG signal analysis for the assessment and quantification of driver’s fatigue | |
Mak et al. | An automated ECG-artifact removal method for trunk muscle surface EMG recordings | |
Miljković et al. | ECG artifact cancellation in surface EMG signals by fractional order calculus application | |
Martinek et al. | Advanced bioelectrical signal processing methods: Past, present, and future approach—Part III: Other biosignals | |
CN105147248A (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
JP2008529743A (ja) | 脳波図を用いる神経治療への反応を予測するシステムおよび方法 | |
JP2007515200A5 (zh) | ||
CN104224169A (zh) | 一种用于判断人体肌肉疲劳的表面肌电信号线性分析方法 | |
Wang et al. | EEG characteristic analysis of coach bus drivers based on brain connectivity as revealed via a graph theoretical network | |
CN112137616B (zh) | 一种多感觉脑-体联合刺激的意识检测装置 | |
CN107644682A (zh) | 基于额叶eeg偏侧化和erp的情绪调节能力测查方法 | |
Bastany et al. | Association of cortical spreading depression and seizures in patients with medically intractable epilepsy | |
Asanza et al. | EEG signal clustering for motor and imaginary motor tasks on hands and feet | |
Fattah et al. | Evaluation of different time and frequency domain features of motor neuron and musculoskeletal diseases | |
CN113143296B (zh) | 沟通障碍的智能评估方法及评估系统 | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
CN108814593B (zh) | 一种基于复杂网络的脑电信号特征提取方法 | |
CN116531661A (zh) | 基于脑电网络引导的闭环电刺激系统 | |
JP6304626B2 (ja) | リハビリテーション装置 | |
CN202397463U (zh) | 基于多模式脑电小波分析的术中运动区功能定位系统 | |
Qi | Algorithms benchmarking for removing EOG artifacts in brain computer interface | |
Dubey et al. | Digital analysis of EEG brain signal | |
Denby et al. | Neurological measurement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140820 |