CN106377250A - 睡眠状态下的脑电信号数据类型的标注设备 - Google Patents
睡眠状态下的脑电信号数据类型的标注设备 Download PDFInfo
- Publication number
- CN106377250A CN106377250A CN201610843334.4A CN201610843334A CN106377250A CN 106377250 A CN106377250 A CN 106377250A CN 201610843334 A CN201610843334 A CN 201610843334A CN 106377250 A CN106377250 A CN 106377250A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- trough
- ripple
- data type
- wave
- 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
- 230000007958 sleep Effects 0.000 title claims abstract description 60
- 210000004556 brain Anatomy 0.000 claims abstract description 46
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 5
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 210000000624 ear auricle Anatomy 0.000 claims description 3
- 210000001061 forehead Anatomy 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000002372 labelling Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000000034 method Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 230000002085 persistent effect Effects 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000007704 transition 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]
- 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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Anesthesiology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种睡眠状态下的脑电信号数据类型的标注设备,包括:脑电电极、参考电极、模数转换器、滤波电路以及处理器;所述脑电电极、参考电极分别连接模数转换器,并依次通过模数转换器和滤波电路连接至处理器;脑电电极用于检测用户在睡眠中的脑电信号;模数转换器将脑电信号转换为数字信号,滤波电路对脑电信号进行低频滤波后输入至处理器;处理器,用于对脑电信号样本进行小波分解和重建出低频脑电信号,从所述低频脑电信号上提取脑电波;从该脑电波中检测K综合波与δ波并统计数量;在数量超过预设的数量阈值时,将脑电信号样本的数据类型标注为睡眠。本发明可以消除脑电信号样本中混入的干扰成分,标注准确性更高。
Description
技术领域
本发明涉及辅助睡眠技术领域,特别是涉及一种睡眠状态下的脑电信号数据类型的标注设备。
背景技术
目前市面上已经有一些设备来帮助人们入睡,提高睡眠质量。睡眠状态分析是了解用户睡眠质量的重要手段,多导睡眠图(Polysomnography,PSG),又称睡眠脑电图,是目前临床上用于睡眠诊断和分析的“金标准”。多导睡眠图利用多种生命体征对睡眠进行分析,在这些体征信号中,脑电处于核心地位;利用脑电波4种节律:δ波(1-3Hz),θ波(4-7Hz),α波(8-12Hz),β波(14-30Hz)的频率特性。由于脑电信号的强度很弱(脑电信号为微伏级别,心电信号为毫伏级别),在信号采集和检测时极易被外界信号所干扰。
目前,一般检测睡眠状态的脑电信号数据是通过训练识别模型来对脑电信号进行识别的,也就是利用其他人采集的脑电信号预先训练分类器(也称通用分类器),在此过程中,当需要训练个人的分类器时,就需要对采集的个人脑电信号样本的数据类型进行标注,这样才可以对标注类型的数据进行自学习和测试,训练出更加适用于个人的个人分类器,而采用通用分类器来对数据进行标注时,如前面所述,由于脑电信号的强度很弱,采用这种手段来标注脑电波信号的类型,容易混入干扰成分,导致训练出来的个人分类器的识别准确率较低,影响了后期对个人睡眠状态检测结果的可靠性。
发明内容
基于此,有必要针对上述问题,提供一种睡眠状态下的脑电信号数据类型的标注设备,有效地提高脑电信号的数据类型标注的准确率。
一种睡眠状态下的脑电信号数据类型的标注设备,包括:脑电电极、参考电极、模数转换器、滤波电路以及处理器;
所述脑电电极、参考电极分别连接模数转换器,并依次通过所述模数转换器和滤波电路连接至处理器;
所述脑电电极用于检测用户在睡眠中的脑电信号;所述模数转换器将脑电信号转换为数字信号,所述滤波电路对脑电信号进行低频滤波后输入至处理器;
所述处理器,用于对脑电信号样本进行小波分解和重建出低频脑电信号,从所述低频脑电信号上提取脑电波;从该脑电波中检测K综合波与δ波并统计数量;在数量超过预设的数量阈值时,将所述脑电信号样本的数据类型标注为睡眠。
上述睡眠状态下的脑电信号数据类型的标注设备,通过脑电电极采集脑电信号,通过模数转换和滤波电路处理后,由处理器对脑电信号进行小波分解和重建低频脑电信号,通过从脑电信号中提取脑电波并检测K综合波与δ波的数量,在该数量超过设定阈值时,将所述脑电信号样本的数据类型标注为睡眠。通过该设备来标注脑电波信号样本的类型,可以消除脑电信号样本中混入的干扰成分,使得利用该标注的脑电信号样本训练出来的个人分类器的识别准确率更高,也提升了后期对个人睡眠状态检测结果的可靠性。
附图说明
图1为一个实施例的睡眠状态下的脑电信号数据类型的标注设备的结构示意图;
图2是K综合波的波形示意图;
图3是δ波的波形示意图;
图4为判断为脑电波的波形示意图;
图5是非眼快动睡眠S2期的脑电信号上K综合波的检测结果示意图;
图6是非眼快动睡眠S3期的脑电信号上δ波的检测结果示意图;
图7为处理器对睡眠状态下脑电信号数据类型标注算法的流程图。
具体实施方式
下面结合附图阐述本发明的睡眠状态下的脑电信号数据类型的标注设备的实施例。
参考图1所示,图1为一个实施例的睡眠状态下的脑电信号数据类型的标注设备的结构示意图,包括:脑电电极、参考电极、模数转换器、滤波电路以及处理器;
所述脑电电极、参考电极分别连接模数转换器,并依次通过所述模数转换器和滤波电路连接至处理器;
所述脑电电极用于检测用户在睡眠中的脑电信号;所述模数转换器将脑电信号转换为数字信号,所述滤波电路对脑电信号进行低频滤波后输入至处理器;
所述处理器,用于对脑电信号样本进行小波分解和重建出低频脑电信号,从所述低频脑电信号上提取脑电波;从该脑电波中检测K综合波与δ波并统计数量;在数量超过预设的数量阈值时,将所述脑电信号样本的数据类型标注为睡眠。
上述睡眠状态下的脑电信号数据类型的标注设备,通过脑电电极采集脑电信号,通过模数转换和滤波电路处理后,由处理器对脑电信号进行小波分解和重建低频脑电信号,通过从脑电信号中提取脑电波并检测K综合波与δ波的数量,在该数量超过设定阈值时,将所述脑电信号样本的数据类型标注为睡眠。通过该设备来标注脑电波信号样本的类型,可以消除脑电信号样本中混入的干扰成分,使得利用该标注的脑电信号样本训练出来的个人分类器的识别准确率更高,也提升了后期对个人睡眠状态检测结果的可靠性。
在一个实施例中,所述脑电电极设置在用户的额头位置;所述参考电极设置在用户的耳垂。如图1所示,图中,脑电电极即图中的“M”,参考电极设置在用户的耳垂,即图中“R”和“L”。为了适应于脑电信号的处理,滤波电路滤波后,输出0-256Hz频段的信号至处理器。
对于睡眠状态分析的,主要通过处理器来进行,基于处理器实现的功能,可以在处理器中配置相应的算法模块。
处理器对睡眠状态下的脑电信号数据类型的标注算法流程可以如下:
(1)对脑电信号样本进行小波分解,并根据预设的低频段的小波系数重建脑电信号,得到低频脑电信号;
在对用户进行辅助睡眠等睡眠状态分析中,处理器通过控制用户佩戴的脑电电极,采集用户在睡眠过程中产生的脑电信号;在采集脑电信号时,处理器可以控制以30s为一帧进行采集,对每帧脑电信号进行后续处理。
为了避免高频噪声的干扰同时保留信号的基本信息,我们在较低频段上对脑电信号进行分析。为了计算的方便,可以选择θ波的频率上限(0~8Hz)进行小波分解和重建,在此,首先对脑电信号进行小波分解,并根据低频段的小波系数重建脑电信号,然后在重建的低频脑电信号上提取脑电波;上述预设的低频段,可以选取0~4Hz,如果单一针对于K综合波处理时,可以取0~2Hz频段,或者先识别出K综合波,然后设置0~4Hz频段,识别出δ波,再将两种波的检测结果结合起来。
(2)从重建的所述低频脑电信号上提取脑电波;
在此,处理器执行算法功能是根据波形特征,从重建的低频脑电信号上提取脑电波。参考图2和图3所示,图2是K综合波的波形示意图,图3是δ波的波形示意图;可见K综合波是一种具有高波幅的复合双相或者多相的慢波,持续时间约为0.5~1s,波幅约为200~300微伏(uV);δ波活动的频率为1~3Hz,波幅约为20~200微伏。在此,通过小波分解与低频重构后,需要从低频脑电信号中提取出脑电波。
作为一个实施例,结合K综合波的在波形上具有复合双相或者多相且波幅较高的特点,在此将其简化成具有高波峰、深波谷、持续时间为1~2s左右的脑电波。δ波具有波幅较高、频率较低的特点,将其简化成具有高振幅、持续时间为0.5s~2s左右的脑电波。
在一个实施例中,在提取脑电波时,所述处理器,用于从低频脑电信号的波形上找出局部极小值点,并将其标记为波谷;将相邻两个波谷之间最大的局部极大值点标记为波峰;根据波形上每个左波谷-波峰-右波谷对的高度判断出脑电波。
参考图4所示,图4为判断为脑电波的波形示意图,在判断过程中,首先计算每个左波谷-波峰-右波谷对的高度,然后分为以下三种方式:
①若左右两个波谷的高度差小于预设的差值阈值,则将该波形判为一个脑电波;具体的,如图4(a)所示,如果两个波谷的高度差小于阈值时(如10微伏),判为一个脑电波。
②若左右两个波谷的高度差大于差值阈值,且左波谷-上升支波峰的高度小于波峰-下降支右波谷的一半,则将该波形判为一个脑电波;具体的,如图4(b)所示,如果两个波谷的高度差大于阈值,且左波谷-波峰(上升支)的高度小于波峰-右波谷(下降支)的一半,则将其判为一个脑电波。
③若左右两个波谷的高度差大于差值阈值,且上升支的高度大于下降支的一半,则抛弃右波谷并在波形上寻找接下来的第二个波谷,重新进行判断;具体的,如图4(c)所示,如果两个波谷的高度差大于阈值,且上升支的高度大于下降支的一半,则抛弃右波谷并寻找接下来的第二个波谷,重新进行计算和判断。
(3)根据K综合波和δ波的波形特征,从所述脑电波中检测K综合波与δ波;
如上所述,K综合波是一种具有高波幅的复合双相或者多相的慢波,持续时间约为1~2s,波幅约为200~300微伏。在低频段的脑电信号上提取出脑电波后,根据K综合波与δ波的波形特点来检测K综合波与δ波。
在此,处理器可以根据K综合波和δ波脑电波的波形特征,先设定K综合波和δ波的幅度阈值,结合提取的脑电波的采样率,从脑电波中检测K综合波与δ波。
在一个实施例中,处理器可以采用如下公式从脑电波中检测K综合波与δ波:
式中,ptrough_right与ptrough_left分别表示左右波谷数据点的坐标,fs为脑电波的采样率,与分别表示脑电信号与眼电信号在区间[ptrough_right,ptrough_left]上的最大值减最小值的取值,一般情况下,眼电信号的幅值可以根据测量值进行计算,peak_threEEG与trough_threEEG分别表示K综合波的波峰阈值与波谷阈值,height_threEEG表示δ波的幅度阈值;wk表示K综合波,wδ表示δ波,true表示判断结果为真,if表示满足的条件。
另外,K综合波的波峰阈值与波谷阈值可以分别取+100微伏与-100微伏,δ波的幅度阈值可以取75-150微伏。
由于是在小波分解后的脑电信号上而非原始脑电信号上进行检波,因此K综合波与δ波的幅度阈值可较临床标准适当降低。例如K综合波的波峰的阈值peak_threEEG与波谷的阈值trough_threEEG可以分别设为正负100微伏,δ波的幅度阈值height_threEEG为75至150微伏;上述阈值设置经过验证,能够得到较好的检测效果。
作为一个实施例,对于上述检测到的K综合波与δ波,为了避免眼电信号造成的干扰,在检测到K综合波与δ波的时间窗口内,对信号的幅度进行检测,当信号的幅度超过预设幅度阈值(例如75微伏),则判定检测到的K综合波与δ波属于伪阳性(false positive)结果,并不是真正的K综合波与δ波,丢弃该检测结果,排除眼电伪迹的干扰,后续不做统计。
根据不同节律的脑电波和眼球运动特征,除了清醒阶段以外,睡眠可以分成非眼快动睡眠(No Rapid Eye Movement Sleep,NREM sleep)和眼快动睡眠(Rapid EyeMovement Sleep,REM sleep)周期。其中非眼快动睡眠又可以分为4个时期:S1期(完全清醒至睡眠之间的过渡阶段),S2期(浅睡阶段),S3期(中等深度睡眠),S4期(深睡期)。
参考图5所示,图5是非眼快动睡眠S2期的脑电信号上K综合波的检测结果示意图;图5(a)中波动较大的波形为原始脑电信号,波动较小的波形为低频段重建的脑电信号;图5(b)中波形部分是低频段重建的脑电信号,圆圈部分为检出的K综合波。
参考图6所示,图6是非眼快动睡眠S3期的脑电信号上δ波的检测结果示意图;图6(a)中波动较大的波形为原始脑电信号,波动较小的波形为低频段重建的脑电信号;图6(b)中波形部分是是低频段重建的脑电信号,圆圈部分为检出的δ波。
(4)统计检测到K综合波与δ波的数量,当所述数量超过预设的数量阈值时,将所述脑电信号样本的数据类型标注为睡眠;
在此,处理器可以根据检测到K综合波与δ波的数量,判断用户当前是否处于睡眠状态;可以通过预设一个数量阈值进行比较,其中,如果K综合波的数量大于等于1个,或者δ波大于等于5个,将脑电信号样本的数据类型标注为睡眠,然后输出给分类器进行训练。
δ波的阈值与δ波的长度和被分析的脑电信号长度有关。δ波的持续时间一般为0.5~2秒,设其均值为1.5秒。脑电信号检测的时间窗口长度一般为30秒,即以30秒为一帧进行分析。S3期时,δ波的时间应当大于20%,即大于6秒,由此可以算出δ波的数量应该大于4个。所以当δ波的数量超过5个时,可以进行标注。
本发明实施例的睡眠状态下的脑电信号数据类型的标注设备,具有较高的准确性。实验证明,基于该设备标注的数据用于训练个人分类器用于识别时,准确率达到了95%以上。
参考图7所示,图7为处理器对睡眠状态下脑电信号数据类型标注算法的流程图,包括如下步骤:
s1:获取脑电信号样本(含眼电信号);
s2:脑电信号样本小波分解;
s3:重建低频段信号(0-4Hz);
s4:从低频段信号中检测脑电波;
s5:脑电波中检测K综合波与δ波;
s6:去除眼电干扰,统计K综合波与δ波的数量;
s7:判断K综合波与δ波的数量是否超阈值,若是,执行s8,若否,执行s9;
s8:标注脑电信号样本的数据类型;
s9:丢弃该脑电信号样本,不作标注。
本发明的睡眠状态下的脑电信号数据类型的标注设备,只针对睡眠状态进行判断。如果输出结果为“是”,即当前脑电信号样本为睡眠状态的脑电数据。如果输出结果为否,则当前脑电信号样本为非确定的状态(既不是睡眠状态的脑电信号,但也不能认为是清醒状态脑电信号),通过调整参数,本发明的方案就能得到一个很高的准确率。相对于传统的分类器而言,本发明的方案对脑电数据标注的准确性更高。而且对于部分干扰较严重的信号,本方案的检出率尽管可能较低,但是也不会影响到准确率。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种睡眠状态下的脑电信号数据类型的标注设备,其特征在于,包括:脑电电极、参考电极、模数转换器、滤波电路以及处理器;
所述脑电电极、参考电极分别连接模数转换器,并依次通过所述模数转换器和滤波电路连接至处理器;
所述脑电电极用于检测用户在睡眠中的脑电信号;所述模数转换器将脑电信号转换为数字信号,所述滤波电路对脑电信号进行低频滤波后输入至处理器;
所述处理器,用于对脑电信号样本进行小波分解和重建出低频脑电信号,从所述低频脑电信号上提取脑电波;从该脑电波中检测K综合波与δ波并统计数量;在数量超过预设的数量阈值时,将所述脑电信号样本的数据类型标注为睡眠。
2.根据权利要求1所述的睡眠状态下的脑电信号数据类型的标注设备,其特征在于,所述脑电电极设置在用户的额头位置;所述参考电极设置在用户的耳垂;所述滤波电路输出0-256Hz频段的信号。
3.根据权利要求1所述的睡眠状态下的脑电信号数据类型的标注设备,其特征在于,在提取脑电波时,所述处理器,用于从低频脑电信号的波形上找出局部极小值点,并将其标记为波谷;将相邻两个波谷之间最大的局部极大值点标记为波峰;根据波形上每个左波谷-波峰-右波谷对的高度判断出脑电波。
4.根据权利要求3所述的睡眠状态下的脑电信号数据类型的标注设备,其特征在于,所述处理器,进一步用于计算每个左波谷-波峰-右波谷对的高度;若左右两个波谷的高度差小于预设的差值阈值,则将该波形判为一个脑电波;若左右两个波谷的高度差大于差值阈值,且左波谷-上升支波峰的高度小于波峰-下降支右波谷的一半,则将该波形判为一个脑电波;若左右两个波谷的高度差大于差值阈值,且上升支的高度大于下降支的一半,则抛弃右波谷并在波形上寻找接下来的第二个波谷,重新进行判断。
5.根据权利要求3所述的睡眠状态下的脑电信号数据类型的标注设备,其特征在于,所述处理器采样如下公式从脑电波中检测K综合波与δ波:
式中,ptrough_right与ptrough_left分别表示左右波谷数据点的坐标,fs为脑电波的采样率,与分别表示脑电信号与眼电信号在区间[ptrough_right,ptrough_left]上的最大值减最小值的取值,peak_threEEG与trough_threEEG分别表示K综合波的波峰阈值与波谷阈值,height_threEEG表示δ波的幅度阈值;wk表示K综合波,wδ表示δ波,true表示判断结果为真,if表示满足的条件。
6.根据权利要求1至5任一项所述的睡眠状态下的脑电信号数据类型的标注设备,其特征在于,所述处理器,还用于在检测到K综合波与δ波的时间窗口内,对信号的幅度进行检测,当信号的幅度超过预设幅度阈值,则判定检测到的K综合波与δ波属于伪阳性结果。
7.根据权利要求6所述的睡眠状态下的脑电信号数据类型的标注设备,其特征在于,所述预设的幅度阈值为75微伏。
8.根据权利要求4所述的睡眠状态下的脑电信号数据类型的标注设备,其特征在于,所述差值阈值为10微伏。
9.根据权利要求5所述的睡眠状态下的脑电信号数据类型的标注设备,其特征在于,所述K综合波的波峰阈值与波谷阈值分别为+100微伏与-100微伏,δ波的幅度阈值为75-150微伏。
10.根据权利要求1所述的睡眠状态下的脑电信号数据类型的标注设备,其特征在于,当K综合波的数量大于等于1个,或者δ波数量大于等于5个时,将脑电信号样本的数据类型标注为睡眠。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610843334.4A CN106377250B (zh) | 2016-09-21 | 2016-09-21 | 睡眠状态下的脑电信号数据类型的标注设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610843334.4A CN106377250B (zh) | 2016-09-21 | 2016-09-21 | 睡眠状态下的脑电信号数据类型的标注设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106377250A true CN106377250A (zh) | 2017-02-08 |
CN106377250B CN106377250B (zh) | 2019-07-09 |
Family
ID=57936842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610843334.4A Active CN106377250B (zh) | 2016-09-21 | 2016-09-21 | 睡眠状态下的脑电信号数据类型的标注设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106377250B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290746A (zh) * | 2017-12-30 | 2019-09-27 | 深圳迈瑞生物医疗电子股份有限公司 | 一种高频射频干扰去除装置及方法 |
CN110361723A (zh) * | 2019-07-22 | 2019-10-22 | 深圳锐越微技术有限公司 | 多普勒雷达运动目标的时频特征提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101474070A (zh) * | 2009-01-21 | 2009-07-08 | 电子科技大学 | 一种脑电信号中眼电伪迹的去除方法 |
CN104068849A (zh) * | 2014-07-02 | 2014-10-01 | 西安交通大学 | 一种自动识别和提取睡眠脑电中k复合波的方法 |
CN105105714A (zh) * | 2015-08-26 | 2015-12-02 | 吴建平 | 一种睡眠分期方法及系统 |
-
2016
- 2016-09-21 CN CN201610843334.4A patent/CN106377250B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101474070A (zh) * | 2009-01-21 | 2009-07-08 | 电子科技大学 | 一种脑电信号中眼电伪迹的去除方法 |
CN104068849A (zh) * | 2014-07-02 | 2014-10-01 | 西安交通大学 | 一种自动识别和提取睡眠脑电中k复合波的方法 |
CN105105714A (zh) * | 2015-08-26 | 2015-12-02 | 吴建平 | 一种睡眠分期方法及系统 |
Non-Patent Citations (1)
Title |
---|
ELECTRICAL GEODESICS,INC.: "Net Station Waveform Tools Technical Manual", 《MANUALZZ COMPUTERS & ELECTRONICS SOFTWARE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290746A (zh) * | 2017-12-30 | 2019-09-27 | 深圳迈瑞生物医疗电子股份有限公司 | 一种高频射频干扰去除装置及方法 |
CN110361723A (zh) * | 2019-07-22 | 2019-10-22 | 深圳锐越微技术有限公司 | 多普勒雷达运动目标的时频特征提取方法 |
CN110361723B (zh) * | 2019-07-22 | 2021-11-30 | 深圳锐越微技术有限公司 | 多普勒雷达运动目标的时频特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106377250B (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107569226B (zh) | 基于压电传感获取hrv的方法及应用 | |
EP3358485A1 (en) | General noninvasive blood glucose prediction method based on timing analysis | |
CN104173046B (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
CN103405225B (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
CN106175754B (zh) | 睡眠状态分析中清醒状态检测装置 | |
CN106236083A (zh) | 睡眠状态分析中去除眼电伪迹的设备 | |
CN108420406A (zh) | 基于脉搏波睡眠分期的方法 | |
CN106175698B (zh) | 睡眠状态分析中睡眠周期检测装置 | |
CN106333678B (zh) | 脑电信号中检测睡眠状态下脑电波的方法和系统 | |
CN106388780A (zh) | 基于二分类器与检测器融合的睡眠状态检测方法和系统 | |
CN106333674B (zh) | 睡眠状态分析中睡眠周期检测方法和系统 | |
CN106377250B (zh) | 睡眠状态下的脑电信号数据类型的标注设备 | |
CN106333676A (zh) | 清醒状态下的脑电信号数据类型的标注装置 | |
CN106175755B (zh) | 用于睡眠状态分析的睡眠状态检测器 | |
Arvind et al. | Automated detection of PD resting tremor using PSD with recurrent neural network classifier | |
CN106333677A (zh) | 睡眠状态分析中眨眼活动的检测方法和系统 | |
CN106344008B (zh) | 睡眠状态分析中清醒状态检测方法和系统 | |
CN106377249B (zh) | 睡眠状态分析中睡眠状态检测方法和系统 | |
CN106361327B (zh) | 睡眠状态分析中清醒状态检测方法和系统 | |
CN106388812B (zh) | 清醒状态下的脑电信号数据类型的标注方法和系统 | |
CN106166068B (zh) | 睡眠状态下的脑电信号数据类型的标注方法和系统 | |
CN106333675B (zh) | 清醒状态下的脑电信号数据类型的标注方法和系统 | |
CN106377251B (zh) | 基于脑电信号的睡眠状态识别模型训练方法和系统 | |
CN106388813A (zh) | 基于脑电信号的睡眠状态识别模型训练方法和系统 |
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 |