CN104305993B - 一种基于格兰杰因果性的脑电源定位方法 - Google Patents
一种基于格兰杰因果性的脑电源定位方法 Download PDFInfo
- Publication number
- CN104305993B CN104305993B CN201410636555.5A CN201410636555A CN104305993B CN 104305993 B CN104305993 B CN 104305993B CN 201410636555 A CN201410636555 A CN 201410636555A CN 104305993 B CN104305993 B CN 104305993B
- Authority
- CN
- China
- Prior art keywords
- lead
- leads
- observation
- causality
- joint
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 210000004556 brain Anatomy 0.000 claims abstract description 51
- 210000004761 scalp Anatomy 0.000 claims abstract description 12
- 230000001364 causal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000002490 cerebral effect Effects 0.000 abstract description 2
- 230000036992 cognitive tasks Effects 0.000 abstract description 2
- 238000000537 electroencephalography Methods 0.000 abstract 2
- 208000012902 Nervous system disease Diseases 0.000 abstract 1
- 230000003902 lesion Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 230000036624 brainpower Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000003792 cranial nerve Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
Classifications
-
- 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]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于格兰杰因果性的脑电源定位方法,包括:利用脑电采集设备记录多个导联的头皮脑电信号,并进行初步的预处理;将每个导联分别作为观测导联,分别分析每个导联与其他导联间的格兰杰因果性,并根据因果性指标进行导联间源定位;统计能够成为源的导联数目,计算每个能够成为源的导联作为全脑源区的可能性指标,实现全脑源定位。本发明在一定程度上解决了脑电源定位稳定性差、唯一性差的问题,可得到每个导联作为全脑源区的可能性,实现全脑源定位。能够在一定程度上改善脑电逆问题解的不稳定性和非唯一性。本发明的脑源定位方法可用于脑神经系统疾病病灶部位的确定、神经外科手术定位以及认知任务中的脑源定位和跟踪,在科学研究和实际临床中均有重要的意义。
Description
技术领域
本发明涉及一种脑电源定位方法。特别是涉及一种通过计算全脑每个导联与其他所有导联的因果性指标进行导联间源定位,统计能够作为其他导联的源的导联数目,并获得每个导联作为脑源区的可能性指标,实现全脑源定位的基于格兰杰因果性的脑电源定位方法。
背景技术
近年来,多种脑神经系统疾病(例如抑郁症、脑中风以及癫痫等)都呈现出发病率高、治愈困难以及死亡率高的特点,其中很重要的一个因素是病灶部位的不确定,不能从源头上根治疾病。脑源定位技术是通过测量特定的头表生理信息(如脑电、脑磁、脑血氧等)对脑内神经源的活动进行定位和跟踪的一种专业技术,对于病灶部位的确定、脑神经外科手术中特定区域的定位以及认知加工过程的探究具有重要意义。头皮脑电具有高时间分辨率的特点,可进行较长时间的无创伤采集,患者舒适度较高,且设备操作相对简单。基于头皮脑电的源定位技术能直接反应脑内神经活动源的位置强度和方向信息,并且可以在毫秒量级下的时间尺度上对神经活动源进行较长时间的跟踪,但由于脑电信号本身具有一定的复杂性和非平稳性,该技术在具体实现过程中还存在诸多难点。
目前已有的脑电源定位技术主要包括基于独立成分分析的盲源定位技术和基于脑内活动神经源稀疏性的迭代优化算法,两种算法在脑电源定位领域都显示出独特的优势,但其计算过程较复杂,计算量较大,所得的解往往具有不稳定性和非唯一性。
格兰杰因果性是探索脑电信息流向的常用方法,通过判断某导联是否能显著改善观测导联的线性回归预测误差,决定两导联间是否具有因果关系,进而确定导联间的信息流向。以往的格兰杰因果性分析尚未应用于脑电源定位,且源定位技术中尚未提出基于导联间信息流向的定位思路。
发明内容
本发明所要解决的技术问题是,提供一种能够在一定程度上改善脑电逆问题解的不稳定性和不唯一性,使脑内神经活动源能够被更加准确和快速地定位和追踪的基于格兰杰因果性的脑电源定位方法。
本发明所采用的技术方案是:一种基于格兰杰因果性的脑电源定位方法,包括如下阶段:
1)利用脑电采集设备记录多个导联的头皮脑电信号,并进行初步的预处理;
2)将每个导联分别作为观测导联,分别分析每个导联与其他导联间的格兰杰因果性,并根据因果性指标进行导联间源定位;
3)统计能够成为源的导联数目,计算每个能够成为源的导联作为全脑源区的可能性指标,实现全脑源定位。
阶段1)所述的初步的预处理,是为得到信噪比较高的脑电信号,对原始脑电信号进行变平均参考、带通滤波、50Hz陷波以及独立成分分析去眼电预处理操作,预处理之后的脑电信号表示为
X={X1,X2,……,XN}
其中,N=32,是头皮脑电导联数,每个导联的数据长度为n,则第j个导联的第k个数据点表示为Xjk,j=1,2,……,N,k=1,2,……,n。
阶段2)中所述的分析每个导联与其他导联间的格兰杰因果性,包括如下步骤:
(1)建立自回归模型,设Xj为观测导联,将观测导联Xj的第k个数据点的自回归模型表示为
其中l为自回归模型窗宽,m=1,2,……,l;a1jm为自回归系数,ε1jk为Xjk的自回归预测误差;
(2)建立联合回归模型,设相对观测导联Xj以外的导联Xi为联合导联,观测导联Xj与联合导联Xi之间的联合回归模型表示为:
其中,a2jm和b2jm为联合回归系数,ε2jk为联合回归预测误差;
(3)分别计算观测导联Xj自回归误差的方差v1j和联合回归误差的方差v2j,
其中M1j是自回归误差的均值,M2j是联合回归误差的均值,如果方差v2j<方差v1j,则说明联合导联Xi含有对观测导联Xj的预测信息,能够改善对观测导联Xj的预测精度,否则不能够改善对观测导联Xj的预测精度;
(4)检验联合导联Xi是否能够显著改善对观测导联Xj的预测精度,检验公式如下
其中,为自回归模型的误差平方和,为联合回归模型的误差平方和,若Rij服从自由度为(l,n-l)的F分布,则联合导联Xi能够显著改善对观测导联Xj的预测精度,即联合导联Xi与观测导联Xj在格兰杰意义上具有因果性,且联合导联Xi是观测导联Xj在格兰杰意义上的因;
(5)因果性指标的计算,因果性指标由观测导联Xj的线性自回归误差和联合导联Xi与观测导联Xj的联合回归误差共同决定,表示为
同理,能够判断出观测导联Xj对联合导联Xi是否具有格兰杰意义上的因果性,若观测导联Xj能够显著改善对联合导联Xi的预测精度,则观测导联Xj对联合导联Xi也具有格兰杰意义上的因果性,可计算其格兰杰因果性指标fji,此时联合导联Xi与观测导联Xj互为因果,fij>0且fji>0,反之,观测导联Xj对联合导联Xi则不具有格兰杰意义上的因果性。
阶段2)所述的根据因果性指标进行导联间源定位,是定义联合导联Xi作为观测导联Xj的源的可能性指标为sij,若仅仅存在联合导联Xi对观测导联Xj的因果性,不存在观测导联Xj对联合导联Xi的因果性,则sij=fij;若既存在联合导联Xi对观测导联Xj的因果性,也存在观测导联Xj对联合导联Xi的因果性,则若不存在联合导联Xi对观测导联Xj的因果性,则sij=0。
阶段3)中所述的统计能够成为源的导联数目,具体是统计能够与观测导联构成因果关系,且是观测导联的因的导联数目,设定为N',且对于两次以上成为观测导联的因的导联只累加1次。
阶段3)中所述的计算每个能够成为源的导联作为全脑源区的可能性指标,是计算N'个能够成为源的导联中的每个导联作为全脑源区的可能性指标
阶段3)中所述的全脑源定位,是指将由可能性指标Sx构成的数列S进行降序排列,得到数列SS,取数列SS中位于前3-8个导联为全脑源区的分布。
本发明的一种基于格兰杰因果性的脑电源定位方法,从脑电信息流向的角度提出基于格兰杰因果性的脑电源定位方法,通过计算全脑每个导联与其他所有导联的因果性指标进行导联间源定位,统计能够作为其他导联的源的导联数目,并获得每个导联作为脑源区的可能性指标,进而实现全脑源定位。在一定程度上解决了脑电源定位稳定性差、唯一性差的问题,可得到每个导联作为全脑源区的可能性,实现全脑源定位。能够在一定程度上改善脑电逆问题解的不稳定性和非唯一性。本发明的脑源定位方法可用于脑神经系统疾病病灶部位的确定、神经外科手术定位以及认知任务中的脑源定位和跟踪,在科学研究和实际临床中均有重要的意义。
附图说明
图1是本发明的基于格兰杰因果性的脑电源定位方法的流程图;
图2是导联间因果分析流程图。
具体实施方式
下面结合实施例和附图对本发明的一种基于格兰杰因果性的脑电源定位方法做出详细说明。
本发明的一种基于格兰杰因果性的脑电源定位方法,首先利用脑电采集设备记录多导头皮脑电信号,并进行初步的预处理;其次分析每一导联与其他导联间的格兰杰因果性,根据因果性指标确定导联间互为源的可能性指标;最后统计能够成为其他导联的源的导联数目,估计每个导联作为全脑源区的可能性,实现全脑源定位。
格兰杰因果性用于探究变量间的信息流向,是一种基于概率论的研究方法,在实际操作过程中通常建立单变量的自回归模型和双变量的联合回归模型,根据自回归模型预测误差和联合回归模型预测误差判断两导联件是否构成格兰杰意义上的因果关系,若构成,则计算可度量其因果性的指标。
本发明的一种基于格兰杰因果性的脑电源定位方法,如图1所示,包括如下阶段:
1)利用脑电采集设备记录多个导联的头皮脑电信号,并进行初步的预处理,其中,
所述多导头皮脑电信号是采用BiosemiActiveTwo脑电采集系统记录被试在静息状态下的32导头皮脑电信号,采样率为512~2048Hz,采样时长为60s,截取第10s到第39s共30s的平稳脑电信号。
所述的初步的预处理,是为得到信噪比较高的脑电信号,对原始脑电信号进行变平均参考、带通滤波、50Hz陷波以及独立成分分析去眼电等预处理操作,预处理之后的脑电信号表示为
X={X1,X2,……,XN}
其中,N=32,是头皮脑电导联数,每个导联的数据长度为n,则第j个导联的第k个数据点表示为Xjk,j=1,2,……,N,k=1,2,……,n。
2)将每个导联分别作为观测导联,分别分析每个导联与其他导联间的格兰杰因果性,并根据因果性指标进行导联间源定位,其中,
所述的分析每个导联与其他导联间的格兰杰因果性,对于全脑32个导联,逐个分析每个导联与其他导联之间的格兰杰因果性,并计算出导联间的因果性指标和每个导联作为其他导联的源的可能性指标。如图2所示,包括如下步骤:
(1)建立自回归模型,设Xj为观测导联,将观测导联Xj的第k个数据点的自回归模型表示为
其中l为自回归模型窗宽,m=1,2,……,l;a1jm为自回归系数,ε1jk为Xjk的自回归预测误差;
(2)建立联合回归模型,设相对观测导联Xj以外的导联Xi为联合导联,观测导联Xj与联合导联Xi之间的联合回归模型表示为:
其中,a2jm和b2jm为联合回归系数,ε2jk为联合回归预测误差;
(3)分别计算观测导联Xj自回归误差的方差v1j和联合回归误差的方差v2j,
其中M1j是自回归误差的均值,M2j是联合回归误差的均值,如果方差v2j<方差v1j,即联合回归误差的方差v2j小于自回归误差的方差v1j,则说明联合导联Xi含有对观测导联Xj的预测信息,能够改善对观测导联Xj的预测精度,否则不能够改善对观测导联Xj的预测精度;
(4)检验联合导联Xi是否能够显著改善对观测导联Xj的预测精度,检验公式如下
其中,为自回归模型的误差平方和,为联合回归模型的误差平方和,若Rij服从自由度为(l,n-l)的F分布,则联合导联Xi能够显著改善对观测导联Xj的预测精度,即联合导联Xi与观测导联Xj在格兰杰意义上具有因果性,且联合导联Xi是观测导联Xj在格兰杰意义上的因;
(5)因果性指标的计算,因果性指标由观测导联Xj的线性自回归误差和联合导联Xi对观测导联Xj的联合回归误差共同决定,表示为
同理,能够判断出观测导联Xj对联合导联Xi是否具有格兰杰意义上的因果性,若观测导联Xj能够显著改善对联合导联Xi的预测精度,则观测导联Xj对联合导联Xi也具有格兰杰意义上的因果性,可计算其格兰杰因果性指标fji,此时联合导联Xi与观测导联Xj互为因果,fij>0且fji>0,反之,观测导联Xj对联合导联Xi则不具有格兰杰意义上的因果性。
所述的根据因果性指标进行导联间源定位,是定义联合导联Xi作为观测导联Xj的源的可能性指标为sij,若仅仅存在联合导联Xi对观测导联Xj的因果性,不存在观测导联Xj对联合导联Xi的因果性,则sij=fij;若既存在联合导联Xi对观测导联Xj的因果性,也存在观测导联Xj对联合导联Xi的因果性,则若不存在联合导联Xi对观测导联Xj的因果性,则sij=0。
3)统计能够成为源的导联数目,计算每个能够成为源的导联作为全脑源区的可能性指标,实现全脑源定位,其中,
所述的统计能够成为源的导联数目,具体是统计能够与观测导联构成因果关系,且是观测导联的因的导联数目,设定为N',且对于两次以上成为观测导联的因的导联只累加1次。
所述的计算每个能够成为源的导联作为全脑源区的可能性指标,是计算N'个能够成为源的导联中的每个导联作为全脑源区的可能性指标
所述的全脑源定位,是指将由可能性指标Sx构成的数列S进行降序排列,得到数列SS,取数列SS中位于前3-8个导联为全脑源区的分布。
尽管上面结合附图对本发明的优选实施例进行了描述,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,并不是限制性的。
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和权利要求所保护的范围情况下,还可以作出很多形式,这些均属于本发明的保护范围之内。
Claims (1)
1.一种基于格兰杰因果性的脑电源定位方法,其特征在于,包括如下阶段:
1)利用脑电采集设备记录多个导联的头皮脑电信号,并进行初步的预处理;所述的初步的预处理,是为得到信噪比较高的脑电信号,对原始脑电信号进行变平均参考、带通滤波、50Hz陷波以及独立成分分析去眼电预处理操作,预处理之后的脑电信号表示为
X={X1,X2,……,XN}
其中,N=32,是头皮脑电导联数,每个导联的数据长度为n,则第j个导联的第k个数据点表示为Xjk,j=1,2,……,N,k=1,2,……,n;
2)将每个导联分别作为观测导联,分别分析每个导联与其他导联间的格兰杰因果性,并根据因果性指标进行导联间源定位;所述的分析每个导联与其他导联间的格兰杰因果性,包括如下步骤:
(1)建立自回归模型,设Xj为观测导联,将观测导联Xj的第k个数据点的自回归模型表示为
其中l为自回归模型窗宽,m=1,2,……,l;a1jm为自回归系数,ε1jk为Xjk的自回归预测误差;
(2)建立联合回归模型,设相对观测导联Xj以外的导联Xi为联合导联,观测导联Xj与联合导联Xi之间的联合回归模型表示为:
其中,a2jm和b2jm为联合回归系数,ε2jk为联合回归预测误差;
(3)分别计算观测导联Xj自回归误差的方差v1j和联合回归误差的方差v2j,
其中M1j是自回归误差的均值,M2j是联合回归误差的均值,如果方差v2j<方差v1j,则说明联合导联Xi含有对观测导联Xj的预测信息,能够改善对观测导联Xj的预测精度,否则不能够改善对观测导联Xj的预测精度;
(4)检验联合导联Xi是否能够显著改善对观测导联Xj的预测精度,检验公式如下
其中,为自回归模型的误差平方和,为联合回归模型的误差平方和,若Rij服从自由度为(l,n-l)的F分布,则联合导联Xi能够显著改善对观测导联Xj的预测精度,即联合导联Xi与观测导联Xj在格兰杰意义上具有因果性,且联合导联Xi是观测导联Xj在格兰杰意义上的因;
(5)因果性指标的计算,因果性指标由观测导联Xj的线性自回归误差和联合导联Xi与观测导联Xj的联合回归误差共同决定,表示为
同理,能够判断出观测导联Xj对联合导联Xi是否具有格兰杰意义上的因果性,若观测导联Xj能够显著改善对联合导联Xi的预测精度,则观测导联Xj对联合导联Xi也具有格兰杰意义上的因果性,可计算其格兰杰因果性指标fji,此时联合导联Xi与观测导联Xj互为因果,fij>0且fji>0,反之,观测导联Xj对联合导联Xi则不具有格兰杰意义上的因果性;
所述的根据因果性指标进行导联间源定位,是定义联合导联Xi作为观测导联Xj的源的可能性指标为sij,若仅仅存在联合导联Xi对观测导联Xj的因果性,不存在观测导联Xj对联合导联Xi的因果性,则sij=fij;若既存在联合导联Xi对观测导联Xj的因果性,也存在观测导联Xj对联合导联Xi的因果性,则若不存在联合导联Xi对观测导联Xj的因果性,则sij=0;
3)统计能够成为源的导联数目,计算每个能够成为源的导联作为全脑源区的可能性指标,实现全脑源定位;
所述的统计能够成为源的导联数目,具体是统计能够与观测导联构成因果关系,且是观测导联的因的导联数目,设定为N',且对于两次以上成为观测导联的因的导联只累加1次;
所述的计算每个能够成为源的导联作为全脑源区的可能性指标,是计算N'个能够成为源的导联中的每个导联作为全脑源区的可能性指标x=1,2,……,N';
所述的全脑源定位,是指将由可能性指标Sx构成的数列S进行降序排列,得到数列SS,取数列SS中位于前3-8个导联为全脑源区的分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410636555.5A CN104305993B (zh) | 2014-11-12 | 2014-11-12 | 一种基于格兰杰因果性的脑电源定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410636555.5A CN104305993B (zh) | 2014-11-12 | 2014-11-12 | 一种基于格兰杰因果性的脑电源定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104305993A CN104305993A (zh) | 2015-01-28 |
CN104305993B true CN104305993B (zh) | 2016-04-20 |
Family
ID=52361419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410636555.5A Active CN104305993B (zh) | 2014-11-12 | 2014-11-12 | 一种基于格兰杰因果性的脑电源定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104305993B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159443A (zh) * | 2015-08-06 | 2015-12-16 | 杭州电子科技大学 | 基于PCA和Granger因果的脑网络特征提取方法 |
CN108185987A (zh) * | 2017-12-13 | 2018-06-22 | 东南大学 | 一种近红外超扫描脑间信号分析方法 |
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 |
CN108416822B (zh) * | 2018-03-22 | 2021-12-03 | 武汉大学 | 一种基于贝叶斯估计的多层次多尺度层析成像方法 |
CN108875580A (zh) * | 2018-05-15 | 2018-11-23 | 杭州电子科技大学 | 一种基于因效网络的多类运动想象脑电信号识别方法 |
CN109124623B (zh) * | 2018-06-01 | 2021-03-19 | 东南大学 | 基于三维非线性偏直接相干函数的脑电信号间效应连通性检测方法 |
CN110192880A (zh) * | 2019-05-24 | 2019-09-03 | 中南民族大学 | 基于多导脑电信号格兰杰因果的测谎方法 |
CN111513711B (zh) * | 2020-05-22 | 2021-06-04 | 电子科技大学 | 一种基于参考电极的脑电坏导插值方法 |
CN112617825A (zh) * | 2020-12-17 | 2021-04-09 | 中国人民解放军西部战区总医院 | 一种导联电极在快速定位癫痫病灶中的应用 |
CN113143247A (zh) * | 2021-04-29 | 2021-07-23 | 常州大学 | 一种大脑功能超网络的构建方法 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6330470B1 (en) * | 1999-12-17 | 2001-12-11 | Electrical Geodesics, Inc. | Method for localizing electrical activity in the body |
CN1903119A (zh) * | 2006-08-11 | 2007-01-31 | 电子科技大学 | 基于稀疏性约束的脑电源定位方法 |
US20090306532A1 (en) * | 2008-06-06 | 2009-12-10 | Tucker Don M | Method for locating tracts of electrical brain activity |
US20130096408A1 (en) * | 2010-01-13 | 2013-04-18 | Regent Of The University Of Minnesota | Imaging epilepsy sources from electrophysiological measurements |
CN102138782A (zh) * | 2011-03-10 | 2011-08-03 | 电子科技大学 | 一种脑功能有效连接分析方法 |
CN102423259A (zh) * | 2011-09-22 | 2012-04-25 | 上海师范大学 | 一种癫痫灶定位装置及方法 |
CN102488515B (zh) * | 2011-12-09 | 2013-07-31 | 天津大学 | 基于自主动作、想象动作下脑肌电信号联合分析方法 |
-
2014
- 2014-11-12 CN CN201410636555.5A patent/CN104305993B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104305993A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104305993B (zh) | 一种基于格兰杰因果性的脑电源定位方法 | |
Jahmunah et al. | Automated detection of schizophrenia using nonlinear signal processing methods | |
EP3692903A1 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
Sharanreddy et al. | EEG signal classification for epilepsy seizure detection using improved approximate entropy | |
CN110013250B (zh) | 一种抑郁症自杀行为的多模式特征信息融合预测方法 | |
US20120071779A1 (en) | Method, apparatus and computer program product for automatic seizure monitoring | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
Naghsh et al. | Spatial analysis of EEG signals for Parkinson’s disease stage detection | |
Egambaram et al. | FastEMD–CCA algorithm for unsupervised and fast removal of eyeblink artifacts from electroencephalogram | |
CN113274011A (zh) | 融合脑电与功能近红外光谱技术的脑功能监测管理方法 | |
WO2012151453A2 (en) | Seizure detection and epileptogenic lesion localization | |
Martinez-Valdes et al. | Consensus for experimental design in electromyography (CEDE) project: Single motor unit matrix | |
Bashford et al. | Preprocessing surface EMG data removes voluntary muscle activity and enhances SPiQE fasciculation analysis | |
Jaffino et al. | Expectation-maximization extreme machine learning classifier for epileptic seizure detection | |
Kutafina et al. | Comparison of mobile and clinical EEG sensors through resting state simultaneous data collection | |
CN115996667A (zh) | 估计系统、估计方法、程序、估计模型、脑活动训练装置、脑活动训练方法以及脑活动训练程序 | |
Yun-Mei et al. | The abnormal detection of electroencephalogram with three-dimensional deep convolutional neural networks | |
Mirzaei et al. | Surrogate data test for nonlinearity of EEG signals: A newborn EEG burst suppression case study | |
Andrade et al. | Extraction of motor unit action potentials from electromyographic signals through generative topographic mapping | |
US10512434B2 (en) | Brain activity measurement device, program, and method | |
CN107625521A (zh) | 基于脑电数据的用于评估记忆动态变化的多层建模方法 | |
CN111248907A (zh) | 基于精神病临床高危人群脑电信号特征的风险预测方法 | |
CN115017996A (zh) | 一种基于多生理参数的脑力负荷预测方法和系统 | |
Sun et al. | Consformer: consciousness detection using transformer networks with correntropy-based measures | |
Huang | A Novel Approach to Fetal ECG Extraction Using Temporal Convolutional Encoder–Decoder Network (TCED-Net) |
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 |