CN104039221B - 用于检测并且去除eeg伪像的方法和系统 - Google Patents

用于检测并且去除eeg伪像的方法和系统 Download PDF

Info

Publication number
CN104039221B
CN104039221B CN201280065995.9A CN201280065995A CN104039221B CN 104039221 B CN104039221 B CN 104039221B CN 201280065995 A CN201280065995 A CN 201280065995A CN 104039221 B CN104039221 B CN 104039221B
Authority
CN
China
Prior art keywords
source
pseudomorphism
montage
eeg
processor
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.)
Active
Application number
CN201280065995.9A
Other languages
English (en)
Other versions
CN104039221A (zh
Inventor
N·尼尔恩伯格
S·B·威尔森
M·朔尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Persyst Development Corp
Original Assignee
Persyst Development Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Persyst Development Corp filed Critical Persyst Development Corp
Publication of CN104039221A publication Critical patent/CN104039221A/zh
Application granted granted Critical
Publication of CN104039221B publication Critical patent/CN104039221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A61B5/7214—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using signal cancellation, e.g. based on input of two identical physiological sensors spaced apart, or based on two signals derived from the same sensor, for different optical wavelengths
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1103—Detecting eye twinkling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
    • A61B5/4542—Evaluating the mouth, e.g. the jaw
    • A61B5/4552—Evaluating soft tissue within the mouth, e.g. gums or tongue

Abstract

这里公开了一种用于检测并且去除EEG伪像的方法(1000)和系统(20)。针对选择的伪像类型对EEG信号的多个来源中的每个来源进行分离。将多个来源中的每个来源重构为记录的蒙太奇以及最优参考蒙太奇，以辨识出每个来源的所选择的伪像类型。去除具有伪像的来源并且将剩余来源重构为EEG信号的经滤波的蒙太奇。系统(20)包括电极(35)、处理器(41)和显示器(50)。

Description

用于检测并且去除EEG伪像的方法和系统
技术领域
本发明总体上涉及EEG记录。更具体地，本发明涉及从EEG记录检测并且过滤伪像。
背景技术
脑电图(EEG)是测量并且记录人脑的电活动以便对大脑功能进行评估的诊断工具。多个电极被连接至人的头部并且通过连线连接至机器。该机器对信号进行放大并且记录人脑的电活动。该电活动由跨多个神经元的神经活动的总和产生。这些神经元生成小幅电压场。这些电压场的汇总创建了人的头部上的电极能够检测并且记录的电读数。EEG是多个较简单信号的叠加。在正常成年人中，EEG信号的振幅通常为从1微伏到100微伏的范围，并且当利用硬膜下电极进行测量时，EEG信号大约为10至20毫伏。对电信号的振幅和时间动态进行监视提供了关于人的潜在神经活动和身体状况的信息。
执行EEG以：诊断癫痫；验证伴有意识丧失或痴呆的问题；验证处于昏迷的人的脑活动；研究睡眠障碍，监视外科手术期间的脑活动，以及另外的身体问题。
多个电极(通常为17-21个，然而存在至少70个电极的标准位置)在EEG期间被附接至人的头部。电极通过电极关于人脑的叶片或区域的位置而进行参照。该参照如下：F＝额部；Fp＝额极；T＝颞骨；C＝中枢；P＝顶骨；O＝枕骨；以及A＝耳部(耳朵电极)。编号被用来进一步收窄位置并且“z”点涉及人的头部中线中的电极位置。心电图(EKG)也可以出现在EEG显示器上。
EEG使用被称作蒙太奇(montage)的电极的各种组合记录来自不同放大器的脑波。蒙太奇通常被创建以提供EEG跨皮质的空间分布的清晰画面。蒙太奇是从记录电极的空间阵列获得的电子图，并且优选地指的是在特定时间点被检查的特定电极组合。
在双极蒙太奇中，通过将一个通道的电极输入2连接至后续通道的输入1而将连续电极对联接起来，而使得相邻通道具有一个共用电极。双极电极链可以从前向后(纵向)或者从左向右(横向)连接。在双极蒙太奇中，两个活动电极位置之间的信号进行比较，导致所记录的活动的差异。另一种类型的蒙太奇是参考蒙太奇或单极蒙太奇。在参考蒙太奇中，各个电极被连接到每个放大器的输入1，而参考电极则连接至每个放大器的输入2。在参考蒙太奇中，在活动电极位置处采集信号并且将其与共用的参考电极进行比较。
参考蒙太奇对于确定波形的实际振幅和形态而言是很好的。对于颞骨电极而言，CZ通常是良好的头皮参考。
能够确定电活动的原点的位置(定位)对于能够分析EEG而言是非常关键的。双极蒙太奇中对正常或异常脑波的定位通常通过识别“相位反转”(链内指向相反方向的两个通道的偏转)来实现。在参考蒙太奇中，所有通道可以在相同方向上显示出偏转。如果活动电极处的电活动在与参考电极处的活动相比时是正的，则偏转将是向下的。电活动与参考电极处的相同的电极将不会显示出任何偏转。通常，具有最大向上偏转的电极表示参考蒙太奇中的最大负活动。
一些模式指示了人体中疾病发作的趋势。医师可以将这些波称为“癫痫样异常”或“癫痫波”。这些包括尖峰(spike)、锐波以及尖峰和波形放电(spike-and-wavedischarge)。特定脑部区域(诸如左侧颞叶)中的尖峰和锐波指示部分疾病发作可能来自于该区域。另一方面，大多数一般性癫痫由尖峰和波形放电所暗示，该尖峰和波形放电在脑部的两个半球上广泛分布，尤其在它们同时在两个半球中开始的情况下。
存在若干种类型的脑波：alpha波、beta波、delta波、theta波和gamma波。alpha波具有8至12赫兹(Hz)的频率。alpha波通常在人放松或者处于当人的眼睛闭上但是人在精神上警觉时的清醒状态时出现。alpha波在人的眼睛睁开或者人集中注意力时停止。beta波具有13Hz至30Hz的频率。beta波通常在人警觉、思考、激动或者摄入高剂量的某种药物时出现。delta波具有小于3Hz的频率。delta波通常仅在人睡着时(非REM或无梦睡眠)或者当其为幼儿时出现。theta波具有4Hz至7Hz的频率。Theta波通常仅在人睡着时(有梦或REM睡眠)或者当其为幼儿时出现。gamma波具有30Hz至100Hz的频率。gamma波通常在较高的智力活动和运动机能期间出现。
这里使用以下定义。
“振幅”是指从波谷到最大峰值(负的或正的)测量的垂直距离。其表示在分量生成期间关于神经元数量大小及其激活同步的信息。
术语“模数转换”是指模拟信号被转换为数字信号，该数字信号能够随后被存储在计算机中以进一步处理。模拟信号是“真实”信号(例如，诸如脑电图、心电图或眼电图之类的生理信号)。为了便于它们由计算机存储和操控，这些信号必须被转换为计算机能够理解的离散数字形式。
“伪像(artifact)”是由EEG沿头皮检测的、但是源自非大脑原点的电信号。存在与患者相关的伪像(例如，移动、出汗、ECG、眼部移动)以及技术伪像(50/60Hz伪像、线缆移动、与电极糊相关的)。
术语“差分放大器”是指电生理学设备的关键。其对两个输入之间的差异进行放大(每个电极对一个放大器)。
“持续时间”是从电压变化的开始到其回到基线的时间间隔。它也是分量生成中所涉及的神经元的同步激活的度量。
“电极”是指用来与电路的非金属部分一起建立电接触的导体。EEG电极是通常由涂覆有氯化银涂层的不锈钢、锡、金或银制成的小型金属圆片。它们在特定位置处被置于头皮上。
“电极凝胶(gel)”用作电极的可塑性延伸，使得电极引线的移动不太可能产生伪像。凝胶使得皮肤接触最大化并且允许通过皮肤进行低电阻记录。
术语“电极定位”(10/20系统)是指用于经典EEG记录的头皮电极的标准化布置。该系统的实质是10/20范围在鼻根-枕外隆凸尖(Nasion-Inion)和固定点之间的百分比距离。这些点被标记为额极(Fp)、中枢(C)、顶骨(P)、枕骨(O)和颞骨(T)。中线电极利用下标z进行标记，其代表零。奇数被用作左侧半球上的点的下标，而偶数则被用作右侧半球上的点的下标。
“脑电图”或“EEG”是指由脑电图描记器通过从头皮记录脑的电活动而对脑波进行的跟踪。
“脑电图描记器”是指用于检测并且记录脑波的装置(也被称作脑电图仪)。
“癫痫样”是指类似癫痫的症状。
“滤波”是指从信号中去除不需要的频率的过程。
“滤波器”是改变信号的频率组成的设备。
“蒙太奇”意指电极的布置。EEG可以利用双极蒙太奇或者参考蒙太奇来监视。双极意味着每一个通道有两个电极，所以每个通道有一个参考电极。参考蒙太奇则意味着所有通道有共用的参考电极。
“形态”是指波形的形状。波或EEG图案的形状由组合以构成波形的频率以及由它们的相位和电压关系来确定。波的图案能够被描述为：“单态的”，表现为由一个主导活动组成的不同EEG活动；“多态的”，由进行组合以形成复杂波形的多个频率组成的不同EEG活动；“正弦的”，类似正弦波的波，单态活动通常是正弦的；“瞬态的”，与背景活动明显不同的单独的波或图案。
“尖峰”是指具有所指示的峰值以及从20到70毫秒以下的持续时间的瞬态。
术语“锐波”是指具有所指示的峰值以及70-200毫秒的持续时间的瞬态。
术语“神经网络算法”是指识别出具有成为癫痫样异常的高概率的锐波瞬态的算法。
“噪声”是指改变所期望的信号的任何不需要的信号。其可以具有多个源。
“周期性”是指图案或要素在时间上的分布(例如，特定EEG活动以或多或少的固定时间间隔出现)。该活动可以是全身性的(generalized)、病灶的(focal)或者偏侧性的(lateralized)。
EEG初相(epoch)是作为时间和频率的函数的EEG信号的振幅。
为了对从EEG自动去除伪像进行优化，重要的是要选择最优蒙太奇作为输入并且随后使用所产生的经处理的蒙太奇来产生用户或者另外的信号处理算法所需的蒙太奇。所公开的算法并未对该过程进行描述，并且使用所记录的蒙太奇作为输入或者对用户已经选择进行观看的单一蒙太奇直接执行伪像去除。
所有数字EEG记录作为各电极与参考或接地电极之间的差异而被记录。这被称作所记录的蒙太奇。随后能够使用数学变换来产生所需的任意其它蒙太奇。当执行信号检测时，所记录的蒙太奇可能由于接地电极的位置而并非是最优起始点。相反，最优起始点经常使用头顶电极作为诸如国际标准中所称的CZ之类的参考。然而，CZ电极可能被折中或者以其它方式并非是最优的，在这种情况下，有必要搜索不同的参考电极。
一种用于检测并且去除某种类型的EEG伪像的惯用方法是使用如CCA和ICA之类的技术将原始信号分离成个体来源。随后，对个体来源进行检查以查看该个体来源是否可能由已经作为目标的伪像类型所产生。如果伪像目标的类型是每个个体来源的伪像的类型，则去除该伪像并且使用剩余来源对信号进行重构。
发明内容
本发明提供了针对该问题的解决方案。
在本发明中，每个个体的单独来源通过其自身被重构回最优蒙太奇并且对该蒙太奇进行检验以查看其是否与所检测的伪像相符。针对每个来源重复该过程，并且去除被确定为表示伪像的任何来源，并且随后从剩余来源重构信号。
本发明避免了在尝试辨识出伪像是源空间时所发现的缺陷。首先，源信号的符号和物理振幅(例如，uV)是未知的。其次，源信号的空间表示是高度可变的并且取决于所使用的蒙太奇和参考，这使得伪像的辨识明显更为困难。
在针对眨眼消除的一个示例中，首先使用BSS(盲源分离)将初相分离成多个来源。随后将每个来源重构为所记录的蒙太奇并且随后被重构为CZ参考蒙太奇，后者被认为对于识别眨眼类型的伪像而言是最优的。通过神经网络对CZ参考蒙太奇的通道进行检查以确定其是否可能为任何眨眼。如果是，则该特定来源被去除并且该算法继续进行至下一个来源。然而，如果CZ电极存在问题，则将针对该来源选择不同的参考电极。
本发明的一个方面是一种用于检测并且去除EEG伪像的方法。该方法包括生成EEG信号。该方法还包括将该EEG信号分离成多个来源。该多个来源中的每个来源针对选择的伪像类型而被分离。该方法还包括将该多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出该多个来源中的每个来源的所选择的伪像类型。该方法还包括针对该多个来源中的每个来源对最优参考蒙太奇的多个通道进行检查，以确定所选择的伪像类型是否为该多个来源中的每个来源的实际伪像。该方法还包括确定所选择的伪像类型是该多个来源中的每个来源的实际伪像。该方法还包括去除该多个来源中针对所选择的伪像类型的每个来源以生成多个剩余来源。该方法还包括将该多个剩余来源重构为该EEG信号的经滤波的蒙太奇。
本发明的另一个方面是一种用于检测并且去除EEG伪像的方法。该方法包括利用盲源分离算法将EEG记录的初相分离成多个来源。该多个来源中的每个来源针对选择的伪像类型而被分离。该方法还包括将该多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出该多个来源中的每个来源的所选择的伪像类型。该方法还包括针对该多个来源中的每个来源对最优参考蒙太奇的多个通道进行检查，以确定所选择的伪像类型是否为该多个来源中的每个来源的实际伪像。该方法还包括确定所选择的伪像类型是该多个来源中的每个来源的实际伪像。该方法还包括去除该多个来源中针对所选择的伪像类型的每个来源以生成多个剩余来源。该方法还包括将该多个剩余来源重构为该EEG信号的经滤波的蒙太奇。
本发明的又另一个方面是一种用于检测并且去除EEG伪像的方法。该方法包括将EEG记录分离成多个来源，该多个来源中的每个来源针对选择的伪像类型而被分离。该方法还包括将该多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出该多个来源中的每个来源的所选择的伪像类型。该方法还包括针对该多个来源中的每个来源对最优参考蒙太奇的多个通道进行检查，以确定所选择的伪像类型是否为该多个来源中的每个来源的实际伪像。该方法还包括去除该多个来源中针对所选择的伪像类型的每个来源以生成多个剩余来源。该方法还包括将该多个剩余来源重构为该EEG信号的经滤波的蒙太奇。
本发明的又另一个方面是一种用于从EEG信号检测并且去除至少两个伪像的方法。该方法包括将EEG记录分离成多个来源。该多个来源中的每个来源针对所选择的伪像类型而被分离。该方法还包括将该多个来源中的第一来源重构为记录的蒙太奇和最优参考蒙太奇以辨识出第一伪像类型。该方法还包括针对该多个来源中的第一来源对该最优参考蒙太奇的多个通道进行检查，以确定该第一伪像类型是否为该多个来源中的第一来源的实际伪像。该方法还包括去除该多个来源中针对该第一伪像类型的第一来源。该方法还包括将该多个来源中的第二来源重构为记录的蒙太奇和最优参考蒙太奇以辨识出第二伪像类型。该方法还包括针对该多个来源中的第二来源对该最优参考蒙太奇的多个通道进行检查，以确定该第二伪像类型是否为该多个来源中的第二来源的实际伪像。该方法还包括去除该多个来源中针对该第二伪像类型的第二来源。该方法还包括将多个剩余来源重构为该EEG信号的经滤波的蒙太奇。
本发明的又另一个方面是一种用于检测并且去除EEG伪像的系统。该系统包括电极、处理器和显示器。该电极生成EEG信号。该处理器连接至该电极以从该EEG信号生成EEG记录。该显示器连接至该处理器并且显示EEG记录。该处理器被配置为将EEG信号分离成多个来源，该多个来源中的每个来源针对选择的伪像类型而被分离。该处理器被配置为将该多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇以辨识出该多个来源中的每个来源的所选择的伪像类型。该处理器被配置为针对该多个来源中的每个来源对最优参考蒙太奇的多个通道进行检查以确定所选择的伪像类型是否为该多个来源中的每个来源的实际伪像。该处理器被配置为确定所选择的伪像类型是该多个来源中的每个来源的实际伪像。该处理器被配置为去除该多个来源中针对所选择的伪像类型的每个来源以生成多个剩余来源。该处理器被配置为将该多个剩余来源重构为该EEG信号的经滤波的蒙太奇。
本发明的又另一个方面是一种用于利用盲源分离算法检测并且去除EEG伪像的系统。该系统包括电极、处理器和显示器。该电极生成EEG信号。该处理器连接至该电极以从该EEG信号生成EEG记录。该显示器连接至该处理器并且显示EEG记录。该处理器被配置为利用盲源分离算法将EEG记录的初相分离成多个来源。该多个来源中的每个来源针对选择的伪像类型而被分离。该处理器被配置为将该多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇以辨识出该多个来源中的每个来源的所选择的伪像类型。该处理器被配置为针对该多个来源中的每个来源对最优参考蒙太奇的多个通道进行检查以确定所选择的伪像类型是否为该多个来源中的每个来源的实际伪像。该处理器被配置为确定所选择的伪像类型是该多个来源中的每个来源的实际伪像。该处理器被配置为去除该多个来源中针对所选择的伪像类型的每个来源以生成多个剩余来源。该处理器被配置为将该多个剩余来源重构为该EEG信号的经滤波的蒙太奇。
本发明的又另一个方面是一种用于从EEG信号检测并且去除至少两个伪像的系统。该系统包括电极、处理器和显示器。该电极生成EEG信号。该处理器连接至该电极以从该EEG信号生成EEG记录。该显示器连接至该处理器并且显示EEG记录。该处理器被配置为将EEG记录分离成多个来源。该多个来源中的每个来源针对选择的伪像类型而被分离。该处理器被配置为将该多个来源中的第一来源重构为记录的蒙太奇和最优参考蒙太奇以辨识出第一伪像类型。该处理器被配置为针对该多个来源中的第一来源对该最优参考蒙太奇的多个通道进行检查以确定该第一伪像类型是否为该多个来源中的第一来源的实际伪像。该处理器被配置为去除该多个来源中针对该第一伪像类型的第一来源。该处理器被配置为将该多个来源中的第二来源重构为记录的蒙太奇和最优参考蒙太奇以辨识出第二伪像类型。该处理器被配置为针对该多个来源中的第二来源对该最优参考蒙太奇的多个通道进行检查以确定该第二伪像类型是否为该多个来源中的第二来源的实际伪像。该处理器被配置为去除该多个来源中针对该第二伪像类型的第二来源。该处理器被配置为将多个剩余来源重构为该EEG信号的经滤波的蒙太奇。
附图说明
图1是用于分析EEG记录的系统的框图。
图2是经分析的EEG记录的图示。
图3是经分析的EEG记录的图示。
图4是经分析的EEG记录的图示。
图5是经分析的EEG记录的图示。
图6是经分析的EEG记录的图示。
图7是针对EEG的电极布置图。
图8是针对EEG的电极布置详图。
图9是用于针对所基于的EEG优化自动伪像过滤的一般方法的流程图。
图10是用于针对所基于的EEG优化自动伪像过滤的具体方法的流程图。
图11是CZ参考蒙太奇的图示。
图12是包含疾病发作、肌肉伪像和眼睛移动伪像的EEG记录的图示。
图13是去除了肌肉伪像的图12的EEG记录的图示。
图14是去除了眼睛移动伪像的图13的EEG记录的图示。
具体实施方式
如图1所示，EEG系统总体上被表示为20。该系统优选地包括患者组件30、EEG机器组件40和显示组件50。患者组件30包括附接至患者15并且通过线缆38导线连接至EEG机器组件40的多个电极35a、35b、35c。EEG机器组件40包括CPU41和放大器组件42。EEG机器组件40连接至显示组件50以用于显示组合的EEG报告，并且用于从经处理的EEG报告切换至组合的EEG报告，或者从经处理的EEG报告切换至原始EEG报告。
患者具有附接至患者头部的多个电极，来自电极的导线连接至放大器以用于将信号放大至处理器，该处理器用来对来自电极的信号进行分析并且创建EEG记录。大脑在患者头部上的不同点产生不同信号。多个电极如图7和图8所示被定位在患者头部上。CZ点处于中心。例如，图7上的Fp1在图2上的通道FP1-F3中来表示。电极的数量决定了用于EEG的通道的数量。较大数量的通道产生患者大脑活动的较详细的表示。优选地，EEG机器组件40的每个放大器42对应于附接至患者15的头部的两个电极35。来自EEG机器组件40的输出是由两个电极检测到的电活动的差异。每个电极的放置对于EEG报告而言是关键的，原因在于电极对互相越接近，由EEG机器组件40记录的脑波差异就越小。随本发明采用的电极的更为全面的描述详见Wilson等人的、题为“MethodAndDeviceForQuickPressOnEEGElectrode”的第8112141号美国专利，其因此通过引用全文结合于此。该EEG针对自动伪像过滤进行了优化。随后使用神经网络算法对该EEG记录进行处理以生成经处理的EEG记录，该经处理的EEG记录被分析以进行显示。
用于从EEG去除伪像的算法通常使用如CCA(典型相关分析)和ICA(独立分量分析)之类的盲源分离(BSS)算法以将来自一组通道的信号变换为一组分量波或“源”。
图2-图6图示了经分析的EEG记录。分析EEG记录的另外描述在Wilson等人于2012年9月15日提交的、题为“MethodAndSystemForAnalyzingAnEEGRecording”的第13/620855号美国专利申请中给出，其因此通过引用全文结合于此。
当打开EasySpikeReview程序时，如图2所示，最初呈现Overview(概览)窗口200。该概览描绘了来自由尖峰检测机制检测到的各个尖峰焦点的平均值。为了创建这些概览平均值，由检测焦点(电极)对尖峰检测进行分类并且随后对特定焦点处的所有检测进行数学平均。例如，第一列EEG表示在T3电极具有其最大检测点的2969个事件的平均值。EEG的列优选地通过细白条与其它列分开。每个EEG列表示不同的组平均值。每个平均值的主要电极焦点以及结合到每个平均值中的检测事件的数量205在该EEG列的上方示出。包括检测焦点电极的通道被高亮显示为红色215。正如诱发电位一样，对多次检测进行平均导致了信噪比的增加并且使得更易于界定癫痫样异常的分布区域。
EasySpikeReview窗口的各种功能包括选择每个页面的尖峰检测223、EEG电压振幅选择器224、蒙太奇选择器225、LFF(TC)226、HFF227、陷波228和自定义滤波器229的能力。也可能利用前进和后退标签222来导航至不处于当前视图中的其它标签。如果存在多于一个页面的概览平均值，则点击底栏230将向前翻页。右击蒙太奇栏210将显示蒙太奇控制。
能够在查看过程中对SpikeDetector输出的灵敏度进行动态调节，这是通过带标记的检测灵敏度滑动器220来完成的。当EasySpikeReview初次打开时，检测灵敏度滑动器220被设置在最左侧的位置。在该位置，SpikeDetector神经网络算法识别出具有是癫痫样异常的高概率的尖锐瞬态：这些是检测器指定了是实际癫痫样异常的高概率的事件。该设置处的错误阳性检测率最低。因此，真实癫痫样信号与错误阳性噪声之比在该设置处最高。然而，一些形成较为不良的尖峰和锐波可能在滑动器设置在其最低灵敏度的情况下并不明显。检测器的灵敏度可以通过将滑动器220朝右拖动来快速调节，使得其更灵敏并且因此更可能识别出形成较为不良或者较低振幅的瞬态。新的组随后可以出现在尖峰平均值的概览显示中。与真实尖峰检测的增加相对应地，错误阳性检测也有所增加。
在具有罕见癫痫样异常的记录中或者在其中SpikeDetector神经网络当被设置为最低灵敏度时不能很好地辨识出癫痫样异常的记录中，切换至检测灵敏度滑动器220上的最高设置可以允许真实癫痫样异常的视觉化。在这样的情况下，识别出罕见事件经常要求对个体的原始检测进行评估。这是通过在概览页面上紧随尖峰平均值背靠背地显示所有原始检测来实现的，或者是通过在EEG窗口顶端渐进地选择位置标签221而查看诸如图3中的每个电极位置的检测来实现的。使用跟随于时间之后的星号325对已经被查看过的检测进行标记。
点击在EEG窗口顶端的任意电极位置标签221将显示出自于该特定电极位置的原始(非平均的)尖峰检测300。个体检测通过细白条被分开，并且监测点处于EEG的一秒分段的中心并且由具有指示检测时间305的标题的模糊的垂直灰色线条所指示。包含该检测中所涉及的电极的通道被高亮显示为红色310。使用鼠标左键双击任意个体检测335将使得该特定检测335的展开的EEG视图400(如图4所示)得以显现。左键双击展开的视图400将使得用户返回背靠背的个体检测300的显示。
当观看(从EEG窗口上方的标签221访问的)个体尖峰检测时，示例尖峰能够通过使用鼠标左键点击所期望的示例而被手工标记。作为所选择的尖峰330的轮廓的矩形将会显现。对所有检测进行标记或者取消标记能够使用工具栏上的MarkAll(全部标记)或UnMarkAll(取消全部标记)按钮315来完成。手工标记的检测将包括在FinalReport(最终报告)中出现的尖峰平均值中。
图5是FinalReport的打印预览视图500，其示出了用户所选择的18个尖峰505以及组成尖峰510a-510c的组平均。
这些手工标记的事件还可以如图6所示紧随其平均在FinalReport600中背靠背地显示，并且能够出于归档的目的或者供另一个观看者评估而被打印623。
点击在EEG窗口顶端的FinalReport标签628显示在所选择的焦点605处的所有手工标记的示例尖峰或锐波610的概要。该初始默认视图示出了由电极焦点605分类的、用户选择的、手工标记的事件的数学平均值。如所解释的，通过选择菜单选项或者经由鼠标右键点击的选择而显示头部电压的内存储信息位置图示以及背靠背的、单独的、用户选择的事件。电压的内存储信息位置图示仅在观看参考蒙太奇中的EEG时创建。图6中还示出了用户选择的尖峰和波630，以及观看/跳至尖峰635。
当退出622该程序时，所有改变被自动保存，包括用户标记的尖峰和观看的事件。
图11是具有CZ参考蒙太奇3005的EEG记录3000的图示。
在一个示例中，被称作BSS-CCA的算法被用来从EEG中去除肌肉活动的影响。对所记录的蒙太奇上使用该算法经常将不会产生最优结果。在这种情况下，通常优选地使用参考电极是诸如国际10-20标准中的CZ之类的头顶电极之一的蒙太奇。在该算法中，在去除伪像之前首先将所记录的蒙太奇变换为CZ参考蒙太奇。在CZ处的信号指示这并非最佳选择的情况下，则该算法将会把可能的参考电极的列表继续进行下去以便找出适合的一个参考电极。
可能直接在用户选择的蒙太奇上执行BSS-CCA。然而，这存在两个问题。首先，这要求对由用户选择用于观看的每个蒙太奇进行高成本的伪像去除处理。其次，伪像去除将因蒙太奇而异，并且仅在用户使用最优参考选择了参考蒙太奇时才会是最优的。由于查看EEG所需的蒙太奇经常不与对于去除伪像而言最优的蒙太奇相同，所以这并非好的解决方案。
图9是用于检测并且去除EEG伪像的一般方法1000的流程图。在块1001，生成EEG信号。在块1002，将该EEG信号分离成多个来源。该多个来源中的每个来源针对选择的伪像类型而被分离。在块1003，该多个来源中的每个来源被重构为记录的蒙太奇和最优参考蒙太奇，以辨识出该多个来源中的每个来源的所选择的伪像类型。在块1004，针对该多个来源中的每个来源对最优参考蒙太奇的通道进行检查，以确定所选择的伪像类型是否为该多个来源中的每个来源的实际伪像。在块1005，确定所选择的伪像类型是该多个来源中的每个来源的实际伪像。在块1006，去除该多个来源中针对所选择的伪像类型的每个来源以生成多个剩余来源。在块1007，将该剩余来源重构为该EEG信号的经滤波的蒙太奇。
伪像去除算法优选地是盲源分离算法。该盲源分离算法优选地是CCA算法或ICA算法。
图10是用于检测并且去除EEG伪像的一般方法2000的流程图。在块2001，将EEG信号分离成多个来源。该多个来源中的每个来源针对选择的伪像类型而被分离。在块2002，将该多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出该多个来源中的每个来源的所选择的伪像类型。在块2003，针对该多个来源中的每个来源对最优参考蒙太奇的通道进行检查，以确定所选择的伪像类型是否为该多个来源中的每个来源的实际伪像。在块2004，去除该多个来源中针对所选择的伪像类型的每个来源以生成多个剩余来源。在块2005，将剩余来源重构为该EEG信号的经滤波的蒙太奇。
图12-图14图示了从EEG信号去除伪像如何允许更清楚地为读者图示大脑的真实活动。图12是包含疾病发作、肌肉伪像和眼睛移动伪像的EEG记录4000的图示。图13是去除了肌肉伪像的图12的EEG记录5000的图示。图14是去除了眼睛移动伪像的图13的EEG记录6000的图示。

Claims (17)

1.一种用于检测并且去除EEG伪像的方法，所述方法包括：
生成EEG信号；
将所述EEG信号分离成多个来源，所述多个来源中的每个来源针对选择的伪像类型而被分离；
将所述多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出所述多个来源中的每个来源的所述选择的伪像类型；
针对所述多个来源中的每个来源对所述最优参考蒙太奇的多个通道进行检查，以确定所述选择的伪像类型是否为所述多个来源中的每个来源的真实伪像；
确定所述选择的伪像类型是所述多个来源中的每个来源的所述真实伪像；
去除所述多个来源中针对所述选择的伪像类型的每个来源以生成多个剩余来源；以及
将所述多个剩余来源重构为所述EEG信号的经滤波的蒙太奇。
2.根据权利要求1所述的方法，其中重构最优参考蒙太奇包括：针对所述伪像类型选择最优蒙太奇；并且基于选择的参考电极将所述记录的蒙太奇变换为最优蒙太奇。
3.根据权利要求1所述的方法，进一步包括利用所述经滤波的蒙太奇以进行信号处理。
4.根据权利要求1所述的方法，其中重构最优参考蒙太奇包括：对参考电极处的信号进行分析以确定所述参考电极是否为最优参考电极，并且基于所选择的参考电极将所述记录的蒙太奇变换为最优蒙太奇。
5.根据权利要求1所述的方法，其中重构最优参考蒙太奇包括：对多个参考电极中的每个参考电极处的信号进行分析以确定最优参考电极，并且基于所选择的参考电极将所述记录的蒙太奇变换为最优蒙太奇。
6.一种用于检测并且去除EEG伪像的方法，所述方法包括：
利用盲源分离算法将EEG记录的初相分离成多个来源，所述多个来源中的每个来源针对选择的伪像类型而被分离；
将所述多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出所述多个来源中的每个来源的所述选择的伪像类型；
针对所述多个来源中的每个来源对所述最优参考蒙太奇的多个通道进行检查，以确定所述选择的伪像类型是否为所述多个来源中的每个来源的真实伪像；
确定所述选择的伪像类型是所述多个来源中的每个来源的所述真实伪像；
去除所述多个来源中针对所述选择的伪像类型的每个来源以生成多个剩余来源；以及
将所述多个剩余来源重构为所述EEG信号的经滤波的蒙太奇。
7.一种用于检测并且去除EEG伪像的方法，所述方法包括：
将EEG记录分离成多个来源，所述多个来源中的每个来源针对选择的伪像类型而被分离；
将所述多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出所述多个来源中的每个来源的所述选择的伪像类型；
针对所述多个来源中的每个来源对所述最优参考蒙太奇的多个通道进行检查，以确定所述选择的伪像类型是否为所述多个来源中的每个来源的真实伪像；
去除所述多个来源中针对所述选择的伪像类型的每个来源以生成多个剩余来源；以及
将所述多个剩余来源重构为所述EEG信号的经滤波的蒙太奇。
8.根据权利要求7所述的方法，其中重构最优参考蒙太奇包括基于CZ参考电极将所述记录的蒙太奇自动变换为最优蒙太奇。
9.根据权利要求8所述的方法，其中重构最优参考蒙太奇包括基于非CZ参考电极将所述记录的蒙太奇自动变换为最优蒙太奇。
10.根据权利要求9所述的方法，其中所述非CZ参考电极是头顶电极。
11.一种用于检测并且去除EEG伪像的方法，所述方法包括：
将EEG记录分离成多个来源，所述多个来源中的每个来源针对选择的伪像类型而被分离；
将所述多个来源中的第一来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出第一伪像类型；
针对所述多个来源中的所述第一来源对所述最优参考蒙太奇的多个通道进行检查，以确定所述第一伪像类型是否为所述多个来源中的第一来源的真实伪像；
去除所述多个来源中针对所述第一伪像类型的所述第一来源；
将所述多个来源中的第二来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出第二伪像类型；
针对所述多个来源中的所述第二来源对所述最优参考蒙太奇的多个通道进行检查，以确定所述第二伪像类型是否为所述多个来源中的第二来源的真实伪像；
去除所述多个来源中针对所述第二伪像类型的所述第二来源以生成多个剩余来源；以及
将所述多个剩余来源重构为所述EEG信号的经滤波的蒙太奇。
12.根据权利要求11所述的方法，其中所述第一伪像类型是眨眼伪像并且所述第二伪像类型是肌肉伪像。
13.根据权利要求11所述的方法，其中所述第一伪像类型和所述第二伪像类型从包括眨眼伪像、肌肉伪像、舌部移动伪像、咀嚼伪像和心跳伪像的组中进行选择。
14.一种用于检测并且去除EEG伪像的系统，所述系统包括：
用于生成多个EEG信号的多个电极；
连接至所述多个电极以从所述多个EEG信号生成EEG记录的处理器；以及
连接至所述处理器以显示EEG记录的显示器；
其中所述处理器被配置为将EEG信号分离成多个来源，所述多个来源中的每个来源针对选择的伪像类型而被分离；
其中所述处理器被配置为将所述多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出所述多个来源中的每个来源的所述选择的伪像类型；
其中所述处理器被配置为针对所述多个来源中的每个来源对所述最优参考蒙太奇的多个通道进行检查，以确定所述选择的伪像类型是否为所述多个来源中的每个来源的真实伪像；
其中所述处理器被配置为确定所述选择的伪像类型是所述多个来源中的每个来源的所述真实伪像；
其中所述处理器被配置为去除所述多个来源中针对所述选择的伪像类型的每个来源以生成多个剩余来源；以及
其中所述处理器被配置为将所述多个剩余来源重构为所述EEG信号的经滤波的蒙太奇。
15.一种用于检测并且去除EEG伪像的系统，所述系统包括：
用于生成多个EEG信号的多个电极；
连接至所述多个电极以从所述多个EEG信号生成EEG记录的处理器；以及
连接至所述处理器以显示EEG记录的显示器；
其中所述处理器被配置为利用盲源分离算法将EEG记录的初相分离成多个来源，所述多个来源中的每个来源针对选择的伪像类型而被分离；
其中所述处理器被配置为将所述多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出所述多个来源中的每个来源的所述选择的伪像类型；
其中所述处理器被配置为针对所述多个来源中的每个来源对所述最优参考蒙太奇的多个通道进行检查，以确定所述选择的伪像类型是否为所述多个来源中的每个来源的真实伪像；
其中所述处理器被配置为确定所述选择的伪像类型是所述多个来源中的每个来源的所述真实伪像；
其中所述处理器被配置为去除所述多个来源中针对所述选择的伪像类型的每个来源以生成多个剩余来源；以及
其中所述处理器被配置为将所述多个剩余来源重构为所述EEG信号的经滤波的蒙太奇。
16.一种用于检测并且去除EEG伪像的系统，所述系统包括：
用于生成多个EEG信号的多个电极；
连接至所述多个电极以从所述多个EEG信号生成EEG记录的处理器；以及
连接至所述处理器以显示EEG记录的显示器；
其中所述处理器被配置为将EEG记录分离成多个来源，所述多个来源中的每个来源针对选择的伪像类型而被分离；
其中所述处理器被配置为将所述多个来源中的每个来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出所述多个来源中的每个来源的所述选择的伪像类型；
其中所述处理器被配置为针对所述多个来源中的每个来源对所述最优参考蒙太奇的多个通道进行检查，以确定所述选择的伪像类型是否为所述多个来源中的每个来源的真实伪像；
其中所述处理器被配置为去除所述多个来源中针对所述选择的伪像类型的每个来源以生成多个剩余来源；以及
其中所述处理器被配置为将所述多个剩余来源重构为所述EEG信号的经滤波的蒙太奇。
17.一种用于检测并且去除EEG伪像的系统，所述系统包括：
用于生成多个EEG信号的多个电极；
连接至所述多个电极以从所述多个EEG信号生成EEG记录的处理器；以及
连接至所述处理器以显示EEG记录的显示器；
其中所述处理器被配置为将EEG记录分离成多个来源，所述多个来源中的每个来源针对选择的伪像类型而被分离；
其中所述处理器被配置为将所述多个来源中的第一来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出第一伪像类型；
其中所述处理器被配置为针对所述多个来源中的所述第一来源对所述最优参考蒙太奇的多个通道进行检查，以确定所述第一伪像类型是否为所述多个来源中的第一来源的真实伪像；
其中所述处理器被配置为去除所述多个来源中针对所述第一伪像类型的所述第一来源；
其中所述处理器被配置为将所述多个来源中的第二来源重构为记录的蒙太奇和最优参考蒙太奇，以辨识出第二伪像类型；
其中所述处理器被配置为针对所述多个来源中的所述第二来源对所述最优参考蒙太奇的多个通道进行检查，以确定所述第二伪像类型是否为所述多个来源中的第二来源的真实伪像；
其中所述处理器被配置为去除所述多个来源中针对所述第二伪像类型的所述第二来源以生成多个剩余来源；以及
其中所述处理器被配置为将所述多个剩余来源重构为所述EEG信号的经滤波的蒙太奇。
CN201280065995.9A 2011-11-26 2012-11-25 用于检测并且去除eeg伪像的方法和系统 Active CN104039221B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201161563767P 2011-11-26 2011-11-26
US61/563,767 2011-11-26
US13/684,556 US20130138356A1 (en) 2011-11-26 2012-11-25 Method And System For Detecting And Removing EEG Artifacts
PCT/US2012/066480 WO2013078472A1 (en) 2011-11-26 2012-11-25 Method and system for detecting and removing eeg artifacts
US13/684,556 2012-11-25

Publications (2)

Publication Number Publication Date
CN104039221A CN104039221A (zh) 2014-09-10
CN104039221B true CN104039221B (zh) 2016-03-16

Family

ID=48467592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280065995.9A Active CN104039221B (zh) 2011-11-26 2012-11-25 用于检测并且去除eeg伪像的方法和系统

Country Status (5)

Country Link
US (2) US20130138356A1 (zh)
EP (1) EP2782499B1 (zh)
JP (1) JP6023210B2 (zh)
CN (1) CN104039221B (zh)
WO (1) WO2013078472A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6023210B2 (ja) 2011-11-26 2016-11-09 パーシスト ディベロップメント コーポレーション Ｅｅｇアーチファクトを検出及び除去するための方法及びシステム
AT514561B1 (de) * 2013-07-19 2015-02-15 Ait Austrian Inst Technology Verfahren zur Entfernung von Artefakten aus einem Biosignal
CN103654773B (zh) * 2013-12-20 2016-02-03 北京飞宇星电子科技有限公司 脑电生理实验教学装置
CN106137207A (zh) * 2015-04-03 2016-11-23 北京智谷睿拓技术服务有限公司 进食动作信息确定方法和装置
US11020035B2 (en) 2016-02-01 2021-06-01 Epitel, Inc. Self-contained EEG recording system
CN107423718B (zh) * 2017-08-02 2019-08-13 逄泽沐风 一种用于识别蒙太奇语言叙事结构的方法
CN107582053B (zh) * 2017-09-12 2020-05-05 湖南麦格米特电气技术有限公司 一种视网膜电图和动眼电图的有源电极检测装置
US11576601B2 (en) 2019-04-18 2023-02-14 X Development Llc Artifact identification in EEG measurements
US20210307672A1 (en) 2020-04-05 2021-10-07 Epitel, Inc. Eeg recording and analysis
CN111956217B (zh) * 2020-07-15 2022-06-24 山东师范大学 一种面向实时脑电信号的眨眼伪迹识别方法及系统
US11918368B1 (en) 2022-10-19 2024-03-05 Epitel, Inc. Systems and methods for electroencephalogram monitoring

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4037586A (en) * 1976-04-14 1977-07-26 Grichnik James A Electroencephalograph display
US5275172A (en) * 1992-04-20 1994-01-04 Beth Israel Hospital Association Electroencephalographic signal acquisition and processing system
CN1883384A (zh) * 2006-06-22 2006-12-27 复旦大学 一种脑电信号伪迹成分的自动识别和去除方法
CN101259015A (zh) * 2007-03-06 2008-09-10 李小俚 一种脑电信号分析监测方法及其装置
CN101896115A (zh) * 2006-06-15 2010-11-24 海博安有限公司 用于检测低血糖症的eeg信号分析

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL44502A (en) 1974-03-26 1979-10-31 Lego Lemelstrich Ltd Flow restrictor for irrigation systems
DE3473989D1 (en) 1983-10-13 1988-10-20 Morgenstern Jurgen Physiological sensor
CA1213330A (en) 1983-10-14 1986-10-28 Canadian Patents And Development Limited - Societe Canadienne Des Brevets Et D'exploitation Limitee Movement artifact detector for sleep analysis
US4709702A (en) 1985-04-25 1987-12-01 Westinghouse Electric Corp. Electroencephalographic cap
US5038782A (en) 1986-12-16 1991-08-13 Sam Technology, Inc. Electrode system for brain wave detection
US4967038A (en) 1986-12-16 1990-10-30 Sam Techology Inc. Dry electrode brain wave recording system
US5309909A (en) 1992-05-22 1994-05-10 Physio-Control Corporation Combined skin preparation and monitoring electrode
US5305746A (en) 1992-09-29 1994-04-26 Aspect Medical Systems, Inc. Disposable, pre-gelled, self-prepping electrode
US5626145A (en) 1996-03-20 1997-05-06 Lockheed Martin Energy Systems, Inc. Method and apparatus for extraction of low-frequency artifacts from brain waves for alertness detection
EP0828225A1 (de) 1996-09-04 1998-03-11 Siemens Aktiengesellschaft Verfahren und Vorrichtung zum Auswerten von EEG-Daten
US6931274B2 (en) 1997-09-23 2005-08-16 Tru-Test Corporation Limited Processing EEG signals to predict brain damage
US6503231B1 (en) 1998-06-10 2003-01-07 Georgia Tech Research Corporation Microneedle device for transport of molecules across tissue
US6293923B1 (en) 1999-03-15 2001-09-25 Innoventions, Inc. Intravesicular balloon
US6331164B1 (en) 2000-03-17 2001-12-18 Etymotic Research, Inc. Hearing test apparatus and method having adaptive artifact rejection
AU2001283371A1 (en) 2000-08-15 2002-02-25 The Regents Of The University Of California Method and apparatus for reducing contamination of an electrical signal
US6591132B2 (en) 2001-11-30 2003-07-08 Stellate Systems Inc. Artifact detection in encephalogram data using an event model
US8157731B2 (en) 2002-10-09 2012-04-17 Bodymedia, Inc. Method and apparatus for auto journaling of continuous or discrete body states utilizing physiological and/or contextual parameters
EP1590037B1 (en) 2003-01-27 2011-03-09 Compumedics USA, Inc. Online source reconstruction for eeg/meg and ecg/mcg
US7809433B2 (en) 2005-08-09 2010-10-05 Adidas Ag Method and system for limiting interference in electroencephalographic signals
JP2004350797A (ja) * 2003-05-27 2004-12-16 Japan Science & Technology Agency 脳波の評価方法及びその評価装置
US20070135727A1 (en) 2005-12-12 2007-06-14 Juha Virtanen Detection of artifacts in bioelectric signals
US7684856B2 (en) 2005-12-12 2010-03-23 General Electric Company Detection of artifacts in bioelectric signals
US20070225932A1 (en) * 2006-02-02 2007-09-27 Jonathan Halford Methods, systems and computer program products for extracting paroxysmal events from signal data using multitaper blind signal source separation analysis
TW200744534A (en) 2006-06-09 2007-12-16 Univ Nat Chiao Tung Microprobe array structure and manufacturing method thereof
RU2410026C2 (ru) 2006-11-15 2011-01-27 Панасоник Корпорэйшн Аппарат настройки для способа идентификации мозговых волн, способ настройки и компьютерная программа
US8112139B2 (en) 2007-02-02 2012-02-07 University of Pittsburgh—of the Commonwealth System of Higher Education Skin screw electrode
JP5226776B2 (ja) 2007-05-22 2013-07-03 パーシスト ディベロップメント コーポレイション Ｅｅｇ電極のクイックプレス法および装置
US8694070B2 (en) 2007-05-22 2014-04-08 Persyst Development Corporation Electrode applicator for quick press on EEG electrode
US20090062680A1 (en) 2007-09-04 2009-03-05 Brain Train Artifact detection and correction system for electroencephalograph neurofeedback training methodology
WO2010034270A1 (de) 2008-09-29 2010-04-01 Narcoscience Gmbh & Co. Kg Verfahren und vorrichtung zur auswertung eines narkose- oder intensiv-eeg
US20110015503A1 (en) 2009-07-17 2011-01-20 WAVi Medical apparatus for collecting patient electroencephalogram (eeg) data
US8364255B2 (en) 2010-03-10 2013-01-29 Brainscope Company, Inc. Method and device for removing EEG artifacts
US9055927B2 (en) 2011-11-25 2015-06-16 Persyst Development Corporation User interface for artifact removal in an EEG
JP6023210B2 (ja) 2011-11-26 2016-11-09 パーシスト ディベロップメント コーポレーション Ｅｅｇアーチファクトを検出及び除去するための方法及びシステム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4037586A (en) * 1976-04-14 1977-07-26 Grichnik James A Electroencephalograph display
US5275172A (en) * 1992-04-20 1994-01-04 Beth Israel Hospital Association Electroencephalographic signal acquisition and processing system
CN101896115A (zh) * 2006-06-15 2010-11-24 海博安有限公司 用于检测低血糖症的eeg信号分析
CN1883384A (zh) * 2006-06-22 2006-12-27 复旦大学 一种脑电信号伪迹成分的自动识别和去除方法
CN101259015A (zh) * 2007-03-06 2008-09-10 李小俚 一种脑电信号分析监测方法及其装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
EEG montage analysis in the Blind Source Separation framework;Ricardo A.Salido Ruiz,et.al;《Biomedical Signal Processing and Control》;20110505;77-84 *

Also Published As

Publication number Publication date
US20170079593A1 (en) 2017-03-23
EP2782499A1 (en) 2014-10-01
EP2782499A4 (en) 2015-09-30
JP6023210B2 (ja) 2016-11-09
US20130138356A1 (en) 2013-05-30
JP2014533590A (ja) 2014-12-15
WO2013078472A1 (en) 2013-05-30
CN104039221A (zh) 2014-09-10
WO2013078472A8 (en) 2014-01-23
US11317871B2 (en) 2022-05-03
EP2782499B1 (en) 2021-03-31

Similar Documents

Publication Publication Date Title
CN104039221B (zh) 用于检测并且去除eeg伪像的方法和系统
US10517541B2 (en) User interface for artifact removal in an EEG
CN103874455B (zh) 用于分析脑电图（eeg）记录的方法和系统
CN104755026B (zh) 用于显示存在于eeg记录中的伪影量的方法和系统
JP6291024B2 (ja) Ｅｅｇデータ並びにユーザインタフェースを表示するための方法及びシステム
US8972001B2 (en) Method and system for displaying data
JP2016514022A (ja) ｑＥＥＧの算出方法およびシステム
JP2016514022A5 (zh)
CN105144225B (zh) 多患者eeg监控
EP2782498B1 (en) Method and system for displaying eeg data and user interface

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