CN106473736B - 基于复杂网络的脑电信号分析方法及应用 - Google Patents
基于复杂网络的脑电信号分析方法及应用 Download PDFInfo
- Publication number
- CN106473736B CN106473736B CN201610889168.1A CN201610889168A CN106473736B CN 106473736 B CN106473736 B CN 106473736B CN 201610889168 A CN201610889168 A CN 201610889168A CN 106473736 B CN106473736 B CN 106473736B
- Authority
- CN
- China
- Prior art keywords
- complex network
- node
- scale
- eeg signal
- eeg
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 47
- 230000000007 visual effect Effects 0.000 claims abstract description 34
- 238000002790 cross-validation Methods 0.000 claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims abstract description 21
- 210000004556 brain Anatomy 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 abstract 2
- 230000002490 cerebral effect Effects 0.000 abstract 1
- 206010015037 epilepsy Diseases 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 230000008667 sleep stage Effects 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 206010010904 Convulsion Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 208000022540 Consciousness disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000001037 epileptic effect Effects 0.000 description 1
- 230000001667 episodic effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- A61B5/72—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
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)
- Psychiatry (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于复杂网络的脑电信号分析方法及应用，包括：构建多尺度水平有限穿越可视图复杂网络；计算每一个多尺度水平有限穿越可视图复杂网络的特征指标；结合支持向量机分类脑电信号，包括采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，以及采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类。本发明结合多尺度思想和水平有限穿越可视图理论，构建脑电多尺度水平有限穿越可视图复杂网络，提取复杂网络指标，结合机器学习中的支持向量机分类器，实现对不同脑电信号的高准确率的分类。本发明可应用于头戴式智能穿戴设备，通过分析智能穿戴设备测得的睡眠脑电信号，实现对使用者大脑状态的监测，并可提供必要的预警。
Description
技术领域
本发明涉及一种脑电信号分析方法及应用。特别是涉及一种基于复杂网络的脑电信号分析方法及应用。
背景技术
脑电信号是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，分析脑电信号，可以获得大量的功能与疾病信息，从而可以根据这些信息对脑功能分析及疾病诊断提供有效的方法。但由于脑电信号是不具备各态历经性的非平稳随机信号，而且其背景噪声很强，因此脑电信号的分析和处理一直是非常吸引人但又是具有相当难度的研究课题。癫痫是指大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病。在临床上的表现为发作性运动、感觉、自主神经、意识及精神障碍。癫痫作为一种慢性疾病，虽然短期内对患者没有太大的影响，但是长期频繁的发作可导致患者的身心、智力产生严重影响。儿童癫痫发病率较成人高，因此，更深入的分析认识癫痫脑电信号已经成为越来越多人的追求。随着生活节奏的加快，越来越多的人被睡眠障碍疾病所困扰，越来越多的人们希望通过连续的脑电信号采集与分析并进行睡眠监护来了解自己的睡眠状态，从而为睡眠障碍疾病的预防和诊治提供依据。本发明将多尺度分析与复杂网络结合应用于脑电信号分析实现了对脑电信号的有效分类。
水平可视图理论从其被创立之初至今已在多领域得到广泛应用，与之相比水平有限穿越可视图具有更好的抗噪能力，其已被广泛用于实测信号分析。
发明内容
本发明所要解决的技术问题是，提供一种将多尺度分析与水平有限穿越可视图相结合，实现对脑电信号的高准确率分类的基于复杂网络的脑电信号分析方法及应用。
本发明所采用的技术方案是：一种基于复杂网络的脑电信号分析方法，包括如下步骤：
1)构建多尺度水平有限穿越可视图复杂网络，包括：
(1)获得原始脑电数据并预处理后，最终获得长度为Q的脑电信号粗粒化脑电信号，得到：
其中，e是尺度因子，表示粗粒化后多尺度脑电信号，表示对进行取整，
所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析；
(2)对每一个多尺度脑电信号，构建多尺度水平有限穿越可视图复杂网络；
2)计算每一个多尺度水平有限穿越可视图复杂网络的特征指标，包括：
计算节点平均聚集系数
计算聚集系数熵EC：
其中，τi表示一个可视图网络中以节点i为中心的开三元组数目，τi,△表示的是一个可视图网络中以节点i为中心的闭三元组数目，Ci表示的是节点i的聚集系数，N表示多尺度水平有限穿越可视图复杂网络的节点数；
3)结合支持向量机分类脑电信号，包括采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，以及采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类。
步骤1)中的第(2)步所述的构建多尺度水平有限穿越可视图复杂网络，包括对每一个多尺度脑电信号完成如下过程：
(ⅰ)设置有限穿越视距为L；
(ⅱ)找出有连边的节点对，具体是找出所有不相邻的两个脑电信号节点和节点之间的所有节点，当所述的所有节点中不满足节点值，既小于节点的节点值，又小于节点的节点值的节点个数小于等于L个，则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点和节点之间不存在连边,表示以尺度因子e粗粒化脑电信号后得到的多尺度脑电信号的第a个节点，表示以尺度因子e粗粒化脑电信号后得到的多尺度脑电信号的第b个节点；
(ⅲ)所有相邻的节点对之间都存在连边；
(ⅳ)得到多尺度水平有限穿越可视图邻接矩阵。
步骤3)所述的采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，是将步骤2)中得到的每一个多尺度水平有限穿越可视图复杂网络的节点平均聚集系数和聚集系数熵EC构成一个二维指标向量，采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，即依次将一个二维指标向量作为测试集，将其余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的二维指标向量作为测试集，其余的指标向量作为训练集后，从而得到所有的二维指标向量的分类结果；
步骤3)所述的采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，包括：
(1)将所有的二维指标向量随机的分为等长的十份子集；
(2)将十份子集中的一个子集作为测试集，剩余的九份子集作为训练集，提供对应的训练集标签，得到作为测试集的子集中的二维指标向量的分类结果；
(3)重复第(2)步，直至分别得到十份子集的二维指标向量的分类结果，构成一次的十折交叉验证分类结果；
(4)重复第(1)步～第(3)步十次，得到十次的十折交叉验证分类结果；
(5)对十次的十折交叉验证分类结果取均值作为所有二维指标向量的分类结果。
一种基于复杂网络的脑电信号分析方法及应用，在获取被测者不同状态下的脑电数据基础上，通过基于复杂网络的脑电信号分析方法，实现对被测者大脑状态的判别和监测。
本发明的基于复杂网络的脑电信号分析方法及应用，结合多尺度思想和水平有限穿越可视图理论，构建脑电多尺度水平有限穿越可视图复杂网络，提取复杂网络指标，结合机器学习中的支持向量机分类器，实现对不同脑电信号的高准确率的分类。本发明的方法可应用于头戴式智能穿戴设备，通过分析智能穿戴设备测得的睡眠脑电信号，实现对使用者大脑状态的监测，并可提供必要的预警。
附图说明
图1是本发明方法的流程图；
图2是本发明方法的应用效果图；
具体实施方式
下面结合实施例和附图对本发明的基于复杂网络的脑电信号分析方法及应用做出详细说明。
本发明的基于复杂网络的脑电信号分析方法，在多尺度上从脑电信号构建有限穿越水平可视图复杂网络，提取复杂网络特征指标，结合机器学习实现对大脑状态的监测。
本发明的基于复杂网络的脑电信号分析方法，如图1所示，包括如下步骤：
1)构建多尺度水平有限穿越可视图复杂网络，包括：
(1)获得原始脑电数据并预处理后，最终获得长度为Q的脑电信号粗粒化脑电信号，得到：
其中，e是尺度因子，表示粗粒化后多尺度脑电信号，表示对进行取整，
所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析。
(2)对每一个多尺度脑电信号，构建多尺度水平有限穿越可视图复杂网络，所述的构建多尺度水平有限穿越可视图复杂网络包括对每一个多尺度脑电信号完成如下过程：
(ⅰ)设置有限穿越视距为L；
(ⅱ)找出有连边的节点对，具体是找出所有不相邻的两个脑电信号节点和节点之间的所有节点，在所述的所有节点中不满足节点值，既小于节点的节点值，又小于节点的节点值的节点个数小于等于L个，则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点和节点之间不存在连边,表示以尺度因子e粗粒化脑电信号后得到的多尺度脑电信号的第a个节点，表示以尺度因子e粗粒化脑电信号后得到的多尺度脑电信号的第b个节点；
(ⅲ)所有相邻的节点对之间都存在连边；
(ⅳ)得到多尺度水平有限穿越可视图邻接矩阵。
2)计算每一个多尺度水平有限穿越可视图复杂网络的特征指标，包括：
计算节点平均聚集系数
计算聚集系数熵EC：
其中，τi表示一个可视图网络中以节点i为中心的开三元组数目，τi,△表示的是一个可视图网络中以节点i为中心的闭三元组数目，Ci表示的是节点i的聚集系数,N表示多尺度水平有限穿越可视图复杂网络的节点数；
3)结合支持向量机分类脑电信号，包括采用留一法交叉验证(leave-one-outcross-validation)和支持向量机分类器，对所有的二维指标向量进行分类，以及采用十折交叉验证(ten-fold cross-validation)和支持向量机分类器，对所有的二维指标向量进行分类；其中，
所述的采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，是将步骤2)中得到的每一个多尺度水平有限穿越可视图复杂网络的节点平均聚集系数和聚集系数熵EC构成一个二维指标向量，采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，即依次将一个二维指标向量作为测试集，将其余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的二维指标向量作为测试集，其余的指标向量作为训练集后，从而得到所有的二维指标向量的分类结果；
所述的采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，包括：
(1)将所有的二维指标向量随机的分为等长的十份子集；
(2)将十份子集中的一个子集作为测试集，剩余的九份子集作为训练集，提供对应的训练集标签，得到作为测试集的子集中的二维指标向量的分类结果；
(3)重复第(2)步，直至分别得到十份子集的二维指标向量的分类结果，构成一次的十折交叉验证分类结果；
(4)重复第(1)步～第(3)步十次，得到十次的十折交叉验证分类结果；
(5)对十次的十折交叉验证分类结果取均值作为所有二维指标向量的分类结果。
本发明的基于复杂网络的脑电信号分析方法及应用，是对于获取到的被测者不同状态下的脑电数据，采用基于复杂网络的脑电信号分析方法，得到不同脑电的分类结果，通过分析分类结果，实现对使用者大脑状态的监测。通过本发明方法可实现对癫痫与健康脑状态下EEG数据的准确分类，留一法交叉验证和十折交叉验证准确率均可达100％；可实现对不同睡眠阶段脑状态下EEG数据的准确分类，留一法交叉验证准确率可达97％，十折交叉验证准确率可达97.33％。因此我们的方法可有效实现对不同大脑状态的辨识与监测。
下面给出两个研究实例：
实例1
分别采集五个癫痫病人癫痫发作时期的脑电数据集，五个健康人放松状态下的脑电数据集，每个受试者的脑电信号均为20个电极的多通道脑电信号，均采用10-20国际标准放置，采样频率为173.61Hz，采样时间为23.6秒。对采集到的原始脑电数据进行预处理后可得到去噪处理后的脑电数据。分别构建每个预处理后的脑电信号的多尺度水平有限穿越可视图复杂网络，其中有限穿越视距L＝1，计算在不同尺度下水平有限穿越可视图复杂网络的节点平均聚集系数和聚集系数熵值，基于留一法交叉验证和十折交叉验证，通过本发明方法可实现对癫痫与健康脑状态下EEG数据的准确分类，准确率均可达100％；
实例2
分别采集25个患有睡眠障碍的成年人的深度睡眠阶段脑电信号及快速眼球运动阶段脑电信号，对于所采集的数据，分别构建每个脑电信号的多尺度水平有限穿越可视图复杂网络，其中有限穿越视距L＝1，计算在不同尺度下水平有限穿越可视图复杂网络的节点平均聚集系数和聚集系数熵值，基于留一法交叉验证，通过本发明方法可实现对不同睡眠阶段脑状态下EEG数据的准确分类，准确率可达97％，基于十折交叉验证，通过本发明方法亦可实现对不同睡眠阶段脑状态下EEG数据的准确分类，准确率可达97.33％。因此本发明方法可有效实现对不同大脑状态的辨识与监测。
本发明方法应用于区分癫痫脑电信号与正常脑电信号在有限穿越视距为1的情况下随尺度变化的分类准确率如图2所示。
以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。
Claims (4)
1.一种基于复杂网络的脑电信号分析方法，其特征在于，包括如下步骤：
1)构建多尺度水平有限穿越可视图复杂网络，包括：
(1)获得原始脑电数据并预处理后，最终获得长度为Q的脑电信号粗粒化脑电信号，得到：
其中，e是尺度因子，表示粗粒化后多尺度脑电信号，表示对进行取整，
所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析；
(2)对每一个多尺度脑电信号，构建多尺度水平有限穿越可视图复杂网络；
2)计算每一个多尺度水平有限穿越可视图复杂网络的特征指标，包括：
计算节点平均聚集系数
计算聚集系数熵EC：
其中，τi表示一个可视图网络中以节点i为中心的开三元组数目，τi,Δ表示的是一个可视图网络中以节点i为中心的闭三元组数目，Ci表示的是节点i的聚集系数，N表示多尺度水平有限穿越可视图复杂网络的节点数；
3)结合支持向量机分类脑电信号，包括采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，以及采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类；是将步骤2)中得到的每一个多尺度水平有限穿越可视图复杂网络的节点平均聚集系数和聚集系数熵EC构成一个二维指标向量，采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，即依次将一个二维指标向量作为测试集，将其余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的二维指标向量作为测试集，其余的指标向量作为训练集后，从而得到所有的二维指标向量的分类结果。
2.根据权利要求1所述的基于复杂网络的脑电信号分析方法，其特征在于，步骤1)中的第(2)步所述的构建多尺度水平有限穿越可视图复杂网络，包括对每一个多尺度脑电信号完成如下过程：
(ⅰ)设置有限穿越视距为L；
(ⅱ)找出有连边的节点对，具体是找出所有不相邻的两个脑电信号节点和节点之间的所有节点，当所述的所有节点中不满足节点值，既小于节点的节点值，又小于节点的节点值的节点个数小于等于L个，则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点和节点之间不存在连边,表示以尺度因子e粗粒化脑电信号后得到的多尺度脑电信号的第a个节点，表示以尺度因子e粗粒化脑电信号后得到的多尺度脑电信号的第b个节点；
(ⅲ)所有相邻的节点对之间都存在连边；
(ⅳ)得到多尺度水平有限穿越可视图邻接矩阵。
3.根据权利要求1所述的基于复杂网络的脑电信号分析方法，其特征在于，步骤3)所述的采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，包括：
(1)将所有的二维指标向量随机的分为等长的十份子集；
(2)将十份子集中的一个子集作为测试集，剩余的九份子集作为训练集，提供对应的训练集标签，得到作为测试集的子集中的二维指标向量的分类结果；
(3)重复第(2)步，直至分别得到十份子集的二维指标向量的分类结果，构成一次的十折交叉验证分类结果；
(4)重复第(1)步～第(3)步十次，得到十次的十折交叉验证分类结果；
(5)对十次的十折交叉验证分类结果取均值作为所有二维指标向量的分类结果。
4.一种权利要求1所述的基于复杂网络的脑电信号分析方法的应用，其特征在于，在获取被测者不同状态下的脑电数据基础上，通过基于复杂网络的脑电信号分析方法，实现对被测者大脑状态的判别和监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610889168.1A CN106473736B (zh) | 2016-10-11 | 2016-10-11 | 基于复杂网络的脑电信号分析方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610889168.1A CN106473736B (zh) | 2016-10-11 | 2016-10-11 | 基于复杂网络的脑电信号分析方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106473736A CN106473736A (zh) | 2017-03-08 |
| CN106473736B true CN106473736B (zh) | 2019-05-21 |
Family
ID=58270525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610889168.1A Active CN106473736B (zh) | 2016-10-11 | 2016-10-11 | 基于复杂网络的脑电信号分析方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106473736B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108433722A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 便携式脑电采集设备及其在ssvep和运动想象中的应用 |
| CN108415569B (zh) * | 2018-02-28 | 2019-11-05 | 天津大学 | 基于脑电波分析的便携式意念拨号系统 |
| CN108960037B (zh) * | 2018-04-28 | 2021-08-06 | 天津大学 | 基于邻居可视长度熵的不同生理状态脑电信号识别方法 |
| CN109100142B (zh) * | 2018-06-26 | 2019-09-13 | 北京交通大学 | 一种基于图论的轴承半监督故障诊断方法 |
| CN109634405A (zh) * | 2018-11-07 | 2019-04-16 | 湖北汽车工业学院 | 一种基于脑电信号的情绪分类方法、装置和存储介质 |
| CN110522412B (zh) * | 2019-03-20 | 2021-11-23 | 天津大学 | 基于多尺度脑功能网络分类脑电信号的方法 |
| CN110367933A (zh) * | 2019-07-15 | 2019-10-25 | 天津大学 | 基于复杂网络和深度学习的睡眠阶段分类方法及应用 |
| CN110584596B (zh) * | 2019-07-15 | 2022-05-27 | 天津大学 | 基于双输入卷积神经网络的睡眠阶段分类方法及应用 |
| CN111067514B (zh) * | 2020-01-08 | 2021-05-28 | 燕山大学 | 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 |
| CN111227830B (zh) * | 2020-02-14 | 2021-06-29 | 燕山大学 | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 |
| CN111227829A (zh) * | 2020-02-14 | 2020-06-05 | 广东司法警官职业学院 | 一种基于复杂网络特征指标的脑电图信号分析方法 |
| CN111990991A (zh) * | 2020-08-22 | 2020-11-27 | 陇东学院 | 一种基于复杂网络的脑电信号分析方法及应用 |
| CN113392731B (zh) * | 2021-05-31 | 2023-06-23 | 浙江工业大学 | 一种基于图神经网络的调制信号分类方法和系统 |
| CN115054272B (zh) * | 2022-07-27 | 2025-01-07 | 安徽大学 | 一种面向运动障碍功能重塑的脑电信号识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1333003A (zh) * | 2001-07-13 | 2002-01-30 | 天津大学 | 大脑头皮电位信息图形的生成方法 |
| CN102940490A (zh) * | 2012-10-19 | 2013-02-27 | 西安电子科技大学 | 基于非线性动力学的运动想象脑电信号特征提取方法 |
| CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
| CN104622467A (zh) * | 2015-01-12 | 2015-05-20 | 天津大学 | 一种检测阿尔兹海默症的脑电信号复杂度异常的方法 |
| CN105595961A (zh) * | 2015-12-21 | 2016-05-25 | 天津大学 | 基于脑电信号的阿尔兹海默症检测系统及检测方法 |
-
2016
- 2016-10-11 CN CN201610889168.1A patent/CN106473736B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1333003A (zh) * | 2001-07-13 | 2002-01-30 | 天津大学 | 大脑头皮电位信息图形的生成方法 |
| CN102940490A (zh) * | 2012-10-19 | 2013-02-27 | 西安电子科技大学 | 基于非线性动力学的运动想象脑电信号特征提取方法 |
| CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
| CN104622467A (zh) * | 2015-01-12 | 2015-05-20 | 天津大学 | 一种检测阿尔兹海默症的脑电信号复杂度异常的方法 |
| CN105595961A (zh) * | 2015-12-21 | 2016-05-25 | 天津大学 | 基于脑电信号的阿尔兹海默症检测系统及检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106473736A (zh) | 2017-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106473736B (zh) | 基于复杂网络的脑电信号分析方法及应用 | |
| Wang et al. | Multi-class motor imagery EEG decoding for brain-computer interfaces | |
| Kleifges et al. | BLINKER: Automated extraction of ocular indices from EEG enabling large-scale analysis | |
| Zhang et al. | Low-complexity seizure prediction from iEEG/sEEG using spectral power and ratios of spectral power | |
| CN106388814A (zh) | 基于最优核时频分布可视图的癫痫脑电信号识别方法 | |
| Ahmadi et al. | Automated detection of driver fatigue from electroencephalography through wavelet-based connectivity | |
| CN108143410A (zh) | 一种面向静息态脑电信号的脑功能连接分析方法 | |
| US20150245800A1 (en) | Method for Detection Of An Abnormal Sleep Pattern In A Person | |
| Roman-Gonzalez | EEG signal processing for BCI applications | |
| Ouchani et al. | A review of methods of diagnosis and complexity analysis of Alzheimer’s disease using EEG signals | |
| Majumder et al. | On-board drowsiness detection using EEG: Current status and future prospects | |
| CN113180691B (zh) | 一种三通道睡眠呼吸暂停与低通气综合征识别装置 | |
| CN102058413A (zh) | 基于连续小波变换的脑电信号警觉度检测方法 | |
| CN114533088A (zh) | 多模态大脑信号分类方法、装置、电子设备及存储介质 | |
| Allam et al. | Customized deep learning algorithm for drowsiness detection using single-channel EEG signal | |
| Shikha et al. | Stacked sparse autoencoder and machine learning based anxiety classification using eeg signals | |
| Noor et al. | Improving outcome prediction for traumatic brain injury from imbalanced datasets using RUSBoosted trees on electroencephalography spectral power | |
| Yadav et al. | Variational mode decomposition-based seizure classification using Bayesian regularized shallow neural network | |
| Albalawi et al. | Single-channel real-time drowsiness detection based on electroencephalography | |
| TWI487503B (zh) | 自動睡眠分期裝置 | |
| Gomez et al. | An approach to emotion recognition in single-channel EEG signals using stationary wavelet transform | |
| Faraz et al. | Machine learning and stress assessment: A review | |
| KR102065151B1 (ko) | 안정상태 시각유발 전위(ssvep)를 이용한 조울증 환자와 조현병 환자를 분류하는 방법 및 장치 | |
| Hossieny et al. | Developing a method for classifying electro-oculography (EOG) signals using deep learning | |
| CN116807478A (zh) | 一种驾驶员瞌睡开始状态检测方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210104 Address after: No.4, Keji Avenue, Daqiuzhuang Industrial Park, Jinghai District, Tianjin Patentee after: TIANJIN FURUILONG METAL PRODUCTS Co.,Ltd. Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Patentee before: Tianjin University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210323 Address after: No.2301, building 1, Vanke times center, building 1, Huike building, intersection of Anshan West Road and Baidi Road, Nankai District, Tianjin Patentee after: Junsheng (Tianjin) Technology Development Co.,Ltd. Address before: No.4, Keji Avenue, Daqiuzhuang Industrial Park, Jinghai District, Tianjin Patentee before: TIANJIN FURUILONG METAL PRODUCTS Co.,Ltd. |