CN105395194B - 一种功能磁共振成像辅助的脑电通道选择方法 - Google Patents
一种功能磁共振成像辅助的脑电通道选择方法 Download PDFInfo
- Publication number
- CN105395194B CN105395194B CN201510938293.2A CN201510938293A CN105395194B CN 105395194 B CN105395194 B CN 105395194B CN 201510938293 A CN201510938293 A CN 201510938293A CN 105395194 B CN105395194 B CN 105395194B
- Authority
- CN
- China
- Prior art keywords
- eeg
- brain
- channel
- degree
- brain function
- 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
- 238000002599 functional magnetic resonance imaging Methods 0.000 title claims abstract description 51
- 210000004556 brain Anatomy 0.000 title claims abstract description 37
- 230000003925 brain function Effects 0.000 claims abstract description 34
- 230000004913 activation Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000010187 selection method Methods 0.000 claims abstract description 21
- 210000003128 head Anatomy 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000001054 cortical effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000000692 Student's t-test Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 210000004761 scalp Anatomy 0.000 claims description 3
- 210000003625 skull Anatomy 0.000 claims description 3
- 238000012353 t test Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000000537 electroencephalography Methods 0.000 description 62
- 238000002474 experimental method Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008909 emotion recognition Effects 0.000 description 5
- 230000002996 emotional effect Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000002610 neuroimaging Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal 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]
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Neurosurgery (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种功能磁共振成像辅助的脑电通道选择方法，克服了现有技术中，单纯依靠脑电数据进行脑电通道选择所面临的空间分辨率的问题。该发明含有以下四个步骤：（1）由fMRI实验数据获取相关功能脑区的激活情况；（2）由大脑标准结构像构建EEG正演模型；（3）通过EEG正演模型计算各个通道和特定脑功能的相关程度；（4）根据得到的脑功能相关程度地形图对EEG通道进行选择。与现有技术相比，本发明利用了fMRI技术高空间分辨率的优势，在一定程度上突破了脑电通道选择中EEG空间分辨率低的限制；相比于传统的依靠经验或数据分析进行通道选择，更有理论依据；可针对不同人，制定出不同的通道选择方法。
Description
技术领域
该发明涉及一种脑电通道选择方法，特别是涉及一种功能磁共振成像辅助的脑电通道选择方法。
背景技术
近二十年来，随着脑影像技术的进步，脑科学的研究进入了一个高速发展时期。作为无创的进行脑功能研究的两种主要神经成像工具，脑电(Electroencephalography，EEG)和功能磁共振成像(functional magnetic resonance imaging,fMRI)分别以其高时间分辨率和高空间分辨率的优势在临床诊断和学术研究中得到了高度关注和广泛应用。
在基于EEG的特定脑功能研究中，利用少量通道实现特定脑功能数据信号可靠有效的获取是EEG研究向便携化、实用化发展的关键。利用特征选择的方法虽然可以挑选出对大脑相关功能信息获取较为有效的通道，但需要提前进行一定量的数据采集和分析，且基于特征选择的通道选择方法理论依据并不充分。作为神经影像领域的一项重要技术，fMRI高空间分辨率的特性，可以在一定程度上弥补EEG所获取空间信息的不足。如何利用由fMRI得到的大脑激活空间信息来辅助EEG通道的选择，是本专利要尝试解决的问题。
目前，EEG与fMRI的融合研究已成为了前沿热点。这方面的研究主要分为三个方向：利用fMRI信息对EEG信号的分析进行空间约束；利用EEG信息对fMRI信号的分析进行时间预测；建立共同的生成模型对两者数据进行对称融合。
在基于fMRI信息的EEG分析中，大多数的研究针对的是EEG溯源问题(EEG反问题)，即以EEG正演模型为基础，采用fMRI的空间信息来重建EEG的源分布。其基本思想由如下公式描述：Y＝Lθ+ε，其中Y∈Rn×s代表n个电极s个采样点的数据，L∈Rn×d代表由EEG正演模型得到的传递矩阵，θ∈Rd×s表示d个EEG信号源的动态过程。EEG溯源问题，则是已知Y和L，求θ。这是一个典型的不适定问题。利用fMRI所提供的空间信息，可以为θ提供一定的先验信息，从而使求得的解更加的符合真实情况。
根据利用fMRI空间信息方式的不同，基于fMRI信息的EEG分析方法主要分为三种：一是直接利用fMRI的激活脑区位置直接约束EEG的源位置，或者对偶极子的种子点进行初始化；二是引入贝叶斯框架来放宽激活脑区对EEG源位置的约束；三是利用fMRI的功能网络作为EEG源定位的先验。
发明内容
本发明克服了现有技术中，单纯依靠脑电数据进行脑电通道选择所面临的空间分辨率低的限制，提供一种效果优越的功能磁共振成像辅助的脑电通道选择方法。含有以下四个步骤：
(1)由fMRI实验数据获取相关功能脑区的激活情况；
(2)由大脑标准结构像构建EEG正演模型；
(3)通过EEG正演模型计算各个通道和特定脑功能的相关程度；
(4)根据得到的脑功能相关程度地形图对EEG通道进行选择。
所述步骤(1)使用任务态的fMRI数据处理方法，得到被试在做特定脑功能任务时相关脑区的激活情况。
所述步骤(2)通过大脑标准结构像建立一个标准的头模型，每个个体的数据图像则通过SPM的标准化步骤配准到标准脑上；即通过SPM软件得到标准大脑的头皮、颅骨和皮层三层球模型，并对皮层进行网格化，取8196个网格，每个格点代表一个偶极子，电极配准到头表；每个网格对应了Talairach标准解剖空间中的不同位置；利用边界元法，将得到的三层头模型输入到Fieldtrip软件中，就得到从皮层网格到头表的传递矩阵L∈Rn×d，n表示电极个数，d表示EEG信号源个数。
所述步骤(3)由步骤(1)fMRI任务数据的分析，可得到与特定脑功能相关脑区的激活程度，使用t-检验的t值表示，由步骤(2)构建的EEG正演模型，可得到从皮层到头表电极处的传递矩阵；在EEG正演模型的建立过程中，对皮层进行了离散网格化处理，对于每个离散网格，使用其邻域3×3体素t值绝对值的均值代表网格的激活情况，可得到8196维代表皮层网格激活程度的向量a，通过传递矩阵，就可得到各个通道和特定脑功能的相关程度值E＝|L·a|。
所述步骤(4)根据步骤(3)得到各个通道和特定脑功能的相关程度值，对每个通道和特定脑功能的相关程度进行排序，依据相关程度值从大到小的顺序进行选择。
与现有技术相比，本发明功能磁共振成像辅助的脑电通道选择方法具有以下优点：利用了fMRI技术高空间分辨率的优势，在一定程度上突破了脑电通道选择中EEG空间分辨率低的限制；相比于传统的依靠经验或数据分析进行通道选择，更有理论依据；可针对不同人，制定出不同的通道选择方法。此外，本发明方法可适用于不同的脑功能研究，具有一定的通用性。
附图说明
图1是本发明功能磁共振成像辅助的脑电通道选择方法中基于EEG正演模型的脑电特定脑功能通道选择流程图；
图2是本发明功能磁共振成像辅助的脑电通道选择方法中的大脑三层头模型结构示意图；
图3是本发明功能磁共振成像辅助的脑电通道选择方法中的皮层网格对应到Talairach标准解剖空间位置图；
图4是本发明功能磁共振成像辅助的脑电通道选择方法中的情绪识别实验范式设计示意图；
图5是本发明功能磁共振成像辅助的脑电通道选择方法中被试1强相关性通道筛选前后及对比实验的分类正确率示意图；
图6是本发明功能磁共振成像辅助的脑电通道选择方法中被试2强相关性通道筛选前后及对比实验的分类正确率示意图；
图7是本发明功能磁共振成像辅助的脑电通道选择方法中被试3强相关性通道筛选前后及对比实验的分类正确率示意图。
具体实施方式
下面结合附图和具体实施方式对本发明功能磁共振成像辅助的脑电通道选择方法作进一步说明，本发明的技术方案为：EEG正演模型反映的是皮层处信号源电位变化与头表处电位信号变化之间的关系，若假设由fMRI得到的相关功能激活脑区便是主要对头表处电位变化有贡献的脑区，那么由脑电的正演模型，便可以将fMRI得到的相关功能激活脑区映射到头表处，以反映不同电极位置处与特定脑功能相关程度的大小，从而来辅助进行EEG通道的选择。
方法思想可以由如下公式描述：E＝L·a，其中L∈Rn×d为由皮层到头表的传递矩阵，n为电极数目，d为皮层上的网格数，a为大脑皮层网格处的激活程度向量，E为最终得到的各个电极与特定脑功能的相关性程度。首先利用fMRI实验数据得到的特定脑功能相关脑区的激活情况，再通过由大脑标准结构像构建的EEG正演模型得到传递矩阵，从而得到反映与特定脑功能相关程度的脑电地形图，为基于脑电脑特定功能研究的通道选择提供指导。
方法具体流程如附图1所示，主要分为四个步骤：
(1)由fMRI实验数据获取相关功能脑区的激活情况
设计反映大脑相关功能的fMRI任务实验，使用任务态的fMRI数据处理方法，得到被试在做特定脑功能任务时相关脑区的激活情况。
(2)由大脑标准结构像构建EEG正演模型
对于每个个体而言，通过对其MRI结构像中进行图像分割来精确地建立3层边界元头模型并不容易。本发明的做法是通过大脑标准结构像建立一个标准的头模型，而每个个体的数据图像则通过SPM的标准化步骤配准到标准脑上。首先，通过SPM软件得到标准大脑的头皮、颅骨和皮层三层球模型，并对皮层进行网格化(本文取了8196个网格，每个格点代表一个偶极子)，电极配准到头表(如附图2)。每个网格对应了Talairach标准解剖空间中的不同位置(图3中红色体素位置)。利用边界元法(Boundary Element Method，BEM)，将得到的三层头模型输入到Fieldtrip软件中，就可得到从皮层网格到头表的传递矩阵L∈Rn×d。
(3)通过EEG正演模型计算各个通道和特定脑功能的相关程度
由第(1)步fMRI任务数据的分析，可得到与特定脑功能相关脑区的激活程度(使用t-检验的t值表示)，由第(2)步构建的EEG正演模型，可得到从皮层到头表电极处的传递矩阵。在EEG正演模型的建立过程中，为了便于模型的求解，对皮层进行了离散网格化处理，所以这里需要将特定脑功能相关脑区的激活情况映射到离散的网格上。对于每个离散网格，使用其邻域3×3体素t值绝对值的均值代表网格的激活情况，可得到8196维代表皮层网格激活程度的向量a，通过传递矩阵，就可得到各个通道和特定脑功能的相关程度值E＝L·a，这里取绝对值表示只关注相关程度的大小。
(4)根据得到的脑功能相关程度地形图对EEG通道进行选择
步骤(4)根据步骤(3)得到各个通道和特定脑功能的相关程度值，对每个通道和特定脑功能的相关程度进行排序，依据相关程度值从大到小的顺序进行选择。代表n个电极s个采样点的数据，L∈Rn×d代表由EEG正演模型得到的传递矩阵，θ∈Rd×s表示d个EEG信号源的动态过程。
将本发明方法应用在具体情绪识别实验中，如下：在中国情感图片系统(ChineseAffective Picture System,CAPS)中依据愉悦度选取强正，弱正，中性，弱负，强负5种类型图片作为情绪刺激材料，使得五类图片在愉悦度上有统计意义上的显著差异(两两间双样本F检验，p<0.05)。
整个情绪识别实验包括150个trial，每张图片呈现一次。一个trial的具体设计如附图4所示，首先是4s的静息，屏幕中出现“静息”提示，接着是2s的准备阶段，期间要求被试盯着屏幕中间的十字并保持注意力。随后是4s的情绪诱发图片呈现阶段，要求被试在此期间充分感受图片中的内容，以便在接下来4s的评估阶段给出图片的愉悦度评分，强负、弱负、中性、弱正、强正5种情绪体验分别对应1～5数字键。被试按键反应后，屏幕中“评估”两字会消失，表明按键成功。整个实验刺激序列通过E-prime软件编程完成。
选取3名被试分别在进行EEG和fMRI实验。EEG数据采集使用奥地利gtec脑电公司的16通道g-USBamp系统，fMRI数据采集使用磁场强度为3.0T的GE Discovery MRI 750磁共振扫描仪获取。
在情绪识别实验数据的分析中，选择在情绪识别中最为广泛应用的功率谱特征。使用相关性特征选择方法和基于RBF核的SVM分类器进行5折交叉检验。
运用本发明方法进行EEG通道选择。比较了三种情况下的情绪情绪状态分类正确率：1、未进行通道筛选前；2、运用本发明方法筛选7个和情绪最相关通道；3、在剩余通道中随机选择7个通道(进行3次，求均值)。结果如附图5、6、7所示，表明由本发明方法筛选通道后的分类正确率虽然比为筛选前有所下降，但是明显高于随机选择其他通道下的结果，即表明由本发明方法筛选出来的通道确实比其他通道表现出来了较高的情绪相关性。
Claims (5)
1.一种功能磁共振成像辅助的脑电通道选择方法，其特征在于：含有以下四个步骤：
(1)由fMRI实验数据获取相关功能脑区的激活情况；
(2)由大脑标准结构像构建EEG正演模型；
(3)通过EEG正演模型计算各个通道和特定脑功能的相关程度；
(4)根据得到的脑功能相关程度地形图对EEG通道进行选择。
2.根据权利要求1所述的功能磁共振成像辅助的脑电通道选择方法，其特征在于：所述步骤(1)使用任务态的fMRI数据处理方法，得到被试在做特定脑功能任务时相关脑区的激活情况。
3.根据权利要求1所述的功能磁共振成像辅助的脑电通道选择方法，其特征在于：所述步骤(2)通过大脑标准结构像建立一个标准的头模型，每个个体的数据图像则通过SPM的标准化步骤配准到标准脑上；即通过SPM软件得到标准大脑的头皮、颅骨和皮层三层球模型，并对皮层进行网格化，取8196个网格，每个格点代表一个偶极子，电极配准到头表；每个网格对应了Talairach标准解剖空间中的不同位置；利用边界元法，将得到的三层头模型输入到Fieldtrip软件中，就得到从皮层网格到头表的传递矩阵L∈Rn×d，n表示电极个数，d表示EEG信号源个数。
4.根据权利要求3所述的功能磁共振成像辅助的脑电通道选择方法，其特征在于：所述步骤(3)由步骤(1)fMRI任务数据的分析，可得到与特定脑功能相关脑区的激活程度，使用t-检验的t值表示，由步骤(2)构建的EEG正演模型，可得到从皮层到头表电极处的传递矩阵；在EEG正演模型的建立过程中，对皮层进行了离散网格化处理，对于每个离散网格，使用其邻域3×3体素t值绝对值的均值代表网格的激活情况，可得到8196维代表皮层网格激活程度的向量a，通过传递矩阵，就可得到各个通道和特定脑功能的相关程度值E＝|L·a|，L∈Rn×d代表由EEG正演模型得到的传递矩阵。
5.根据权利要求1所述的功能磁共振成像辅助的脑电通道选择方法，其特征在于：所述步骤(4)根据步骤(3)得到各个通道和特定脑功能的相关程度值，对每个通道和特定脑功能的相关程度进行排序，依据相关程度值从大到小的顺序进行选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510938293.2A CN105395194B (zh) | 2015-12-14 | 2015-12-14 | 一种功能磁共振成像辅助的脑电通道选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510938293.2A CN105395194B (zh) | 2015-12-14 | 2015-12-14 | 一种功能磁共振成像辅助的脑电通道选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105395194A CN105395194A (zh) | 2016-03-16 |
| CN105395194B true CN105395194B (zh) | 2018-03-16 |
Family
ID=55461212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510938293.2A Active CN105395194B (zh) | 2015-12-14 | 2015-12-14 | 一种功能磁共振成像辅助的脑电通道选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105395194B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107669244B (zh) * | 2017-10-27 | 2018-11-13 | 中国人民解放军国防科技大学 | 基于EEG-fMRI的癫痫异常放电位点定位系统 |
| CN108852348A (zh) * | 2018-05-14 | 2018-11-23 | 中国人民解放军军事科学院军事医学研究院 | 头皮脑电的采集位点排序方法及系统 |
| WO2020161338A1 (en) | 2019-02-07 | 2020-08-13 | Koninklijke Philips N.V. | Patient-specific cortical surface tessellation into dipole patches |
| CN110353673B (zh) * | 2019-07-16 | 2021-08-31 | 西安邮电大学 | 一种基于标准互信息的脑电通道选择方法 |
| CN111414835B (zh) * | 2020-03-16 | 2022-04-05 | 西南大学 | 一种由恋爱冲动引发的脑电信号的检测判定方法 |
| CN111616704A (zh) * | 2020-06-24 | 2020-09-04 | 天津大学 | 针对句子听力任务大脑动态功能网络交互模式的研究方法 |
| CN114041795B (zh) * | 2021-12-03 | 2023-06-30 | 北京航空航天大学 | 基于多模态生理信息与深度学习的情绪识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1792324A (zh) * | 2005-10-26 | 2006-06-28 | 电子科技大学 | 一种去除脑电噪声的方法 |
| 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 |
| CN103932796A (zh) * | 2014-04-13 | 2014-07-23 | 北京师范大学 | 一种基于多模态医学影像数据融合的颅内电极个体化定位的方法 |
| CN104207775A (zh) * | 2014-08-07 | 2014-12-17 | 西安电子科技大学 | 一种基于互样本熵的肥胖病人功能影像分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007037103B4 (de) * | 2007-08-07 | 2015-12-17 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum bildlichen Darstellen von funktionellen und elektrischen Aktivitäten des Gehirns |
-
2015
- 2015-12-14 CN CN201510938293.2A patent/CN105395194B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1792324A (zh) * | 2005-10-26 | 2006-06-28 | 电子科技大学 | 一种去除脑电噪声的方法 |
| 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 |
| CN103932796A (zh) * | 2014-04-13 | 2014-07-23 | 北京师范大学 | 一种基于多模态医学影像数据融合的颅内电极个体化定位的方法 |
| CN104207775A (zh) * | 2014-08-07 | 2014-12-17 | 西安电子科技大学 | 一种基于互样本熵的肥胖病人功能影像分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105395194A (zh) | 2016-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105395194B (zh) | 一种功能磁共振成像辅助的脑电通道选择方法 | |
| Brett et al. | Region of interest analysis using the MarsBar toolbox for SPM 99 | |
| Chen et al. | Fusing frequency-domain features and brain connectivity features for cross-subject emotion recognition | |
| Orru et al. | Using support vector machine to identify imaging biomarkers of neurological and psychiatric disease: a critical review | |
| Wang et al. | Multikernel capsule network for schizophrenia identification | |
| Frisoni et al. | Virtual imaging laboratories for marker discovery in neurodegenerative diseases | |
| Sun et al. | Identify abnormal functional connectivity of resting state networks in Autism spectrum disorder and apply to machine learning-based classification | |
| CN103505203B (zh) | 基于脑电源定位方法的人体精神状态检测方法 | |
| JP2022536881A (ja) | ｆＭＲＩ脳ネットワークメカニズムに触発される動的機能モード学習方法 | |
| Garali et al. | Region-based brain selection and classification on pet images for Alzheimer's disease computer aided diagnosis | |
| WO2018129650A1 (zh) | 多模态影像组学的分析方法、装置及终端 | |
| Odusami et al. | Comparable study of pre-trained model on alzheimer disease classification | |
| Vokorokos et al. | Data acquisition in non-invasive brain-computer interface using emotiv epoc neuroheadset | |
| CN110674773A (zh) | 一种痴呆症的识别系统、装置及存储介质 | |
| Zhao et al. | Two-stage spatial temporal deep learning framework for functional brain network modeling | |
| Zhang et al. | Pyramid-attentive GAN for multimodal brain image complementation in Alzheimer’s disease classification | |
| CN102521875A (zh) | 一种基于张量空间偏最小二乘回归的颅面重构方法 | |
| Su et al. | An intelligent scalp inspection and diagnosis system for caring hairy scalp health | |
| Zhuo et al. | Identifying aMCI with functional connectivity network characteristics based on subtle AAL atlas | |
| Ahn et al. | Calibration time reduction through source imaging in brain computer interface (BCI) | |
| CN109146005A (zh) | 一种基于稀疏表示的脑认知能力分析方法 | |
| Minaee et al. | A machine learning approach for identifying patients with mild traumatic brain injury using diffusion MRI modeling | |
| Antonakakis et al. | Improving the detection of mtbi via complexity analysis in resting-state magnetoencephalography | |
| Raj et al. | A deep approach to quantify iron accumulation in the DGM structures of the brain in degenerative Parkinsonian disorders using automated segmentation algorithm | |
| Dong et al. | Multi-scale 3D-CRU for EEG emotion recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |