CN106983505A - 一种基于信息熵的神经电活动相关性分析方法 - Google Patents
一种基于信息熵的神经电活动相关性分析方法 Download PDFInfo
- Publication number
- CN106983505A CN106983505A CN201710311548.1A CN201710311548A CN106983505A CN 106983505 A CN106983505 A CN 106983505A CN 201710311548 A CN201710311548 A CN 201710311548A CN 106983505 A CN106983505 A CN 106983505A
- Authority
- CN
- China
- Prior art keywords
- comentropy
- entropy
- lfps
- information
- correlation
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于信息熵的神经信息相关分析方法,涉及神经信息处理技术领域,研究两种不同模态信息:神经元集群发放spike和局部场电位(local field potential,LFP)的非线性时空整合特点。应用多通道神经信息采集系统获取的神经电活动数据,在Matlab平台上提出spike和LFP的信息熵理论和算法,分别计算记忆过程spike的信息熵和LFP的信息熵;通过移动窗口的动态信息熵,表征记忆过程神经信息的动态变化特点。基于两种不同模态信息的熵值,应用相关性分析研究记忆过程中两种不同模态信息变化的相关性,分析记忆过程神经信息的时空整合特征。
Description
技术领域
本发明涉及生物信息处理技术领域,具体涉及一种基于信息熵的神经电活动相关性分析方法。
背景技术
研究神经信息的编码与整合,及最终转换成有意义知觉的神经机理,是神经科学的重要内容之一。目前主要是用微电极阵列记录神经元群体的胞外电活动,通过分析特定行为任务下神经元的放电行为,来解析神经系统如何进行“神经元”的编码和感知。
应用在体多通道神经信息采集系统,记录的神经电活动原始数据中包含了两类不同模态的信息:神经元集群发放spikes和局部场电位(local field potentials,LFPs)。在认知过程中,这两类不同模态的神经电活动不仅都参加了对输入信息(如工作任务)的编码;而且两者之间的相关在实现某一种工作任务时加强,协同编码了信息。因此探索多通道Spike和LFP在认知过程中是如何协同编码的认知机制,发展新型的神经信息协同编码理论和方法,是神经科学、认知科学和信息科学面临的挑战性科学问题。目前国内外研究Spike-LFP协同编码的核心观点是两者在频域的相干分析,即计算一个窗口中神经元发放Spike序列(离散的点过程)的频谱和相应通道的LFP频谱,估计这个窗口中Spike和LFP频谱的相干。由于在记忆认知过程中的神经电活动,具有高度的非线性,因此研究两类神经信号之间的协同编码,应该从 Spike-LFP在频域的相干和在时域非线性相关两个方面共同考虑。信息熵是随机事件的不确定性及信息量的量度,又可以反映由偏度、峰度代表的不规律性,能够表征在特定时间一起协同工作的神经元群体非线性动态特点,适用于神经元电活动的非线性特点研究。应用多通道神经信息采集系统获取的神经电活动数据,在Matlab平台上提出神经元集群发放编码和局部场电位的熵编码理论和算法,分别计算记忆过程神经元集群发放的信息熵和局部场电位的信息熵,应用信息熵来进行记忆过程前额叶皮层神经元群体的非线性信息处理;通过滑动窗口的动态信息熵,表征记忆过程神经信息的动态编码特点。基于两种不同模态信息的信息熵,应用相关性分析研究记忆过程中两种不同模态信息变化的相关性,表征记忆过程神经信息的时空整合特点。
发明内容
本发明所要解决的技术问题是,提供一种基于信息熵的神经电活动相关性分析方法。
为了解决上述技术问题,本发明采用的技术方案是:一种基于信息熵的神经电活动相关性分析方法,包括下列步骤:
(1)应用多通道神经信息采集系统获取的神经电活动数据;
(2)通过滑动窗口,分别计算记忆过程神经元集群发放Spikes的信息熵和局部场电位LFPs的信息熵,应用信息熵来进行记忆过程前额叶皮层神经元群体的非线性信息的动态编码特点;
(3)基于两种不同模态信息的信息熵,应用相关性分析研究记忆过程中两种不同模态信息变化的相关性。
所述步骤(2)中,计算记忆过程神经元集群发放Spikes的信息熵的步骤为:
1)获取神经元群体发放的间隔ISI序列;
2)根据发放序列的特点,设定窄带带宽,再用等带宽的连续窄带分割 ISI序列,设窄带个数为n,得到每个窄带中包含的发放脉冲个数, Si(i=1,2,…,n);
3)根据计算出第i个窄带的概率, pi(i=1,2,…,n),再将pi代入中得到序列的熵值。
所述步骤(2)中,计算记忆过程局部场电位LFPs的信息熵的步骤为:
1)首先根据时频分析获取记忆过程中LFPs的特征频段,应用带通滤波器提取特征频段;
2)对于LFP特征频段信号,根据LFP幅值的分布,设定窄带带宽,再用等带宽的连续窄带分割LFP幅值序列,设窄带个数为n,得到每个窄带中包含的幅值个数,Ai(i=1,2,…,n);
3)根据计算出第i个窄带的概率pi(i=1,2,…,n),再将pi代入中得到序列的熵值。
通过优化选取时间窗口移动步长L,滑动窗口(k=1,2,…..N)直到神经元群体放电时空序列结束为止;在每一步计算第k步的时间窗口内神经元集群发放的信息熵;通过窗口移动实现动态spike熵编码;计算在整个时间历程的神经元发放熵的变化,表达整个时间历程神经元集群的熵编码。
通过优化选取时间窗口移动步长L,滑动窗口(k=1,2,…..N)直到 LFPs序列结束为止,在每一步计算第k步的时间窗口内LFPs的信息熵;计算在整个时间历程的LFPs熵的变化,表达整个时间历程LFPs熵编码。
所述步骤(2)中,通过滑动窗口内信息熵的变化,动态地表征记忆过程神经元电活动的编码特点。
所述步骤(3)中,对spikes与LFPs的熵值进行相关分析,作出 spikes-LFPs熵值的动态相关地形图;相关性分析用来描述两个变量间的相关程度的大小,对于变量X1×N,Y1×N,其相关系数计算公式如下:
其中i表示第i个窗口,Xi,Yi分别代表在第i个窗口内spikes和LFPs的熵,相关系数rXY知道两个变量相关性的强弱。
本发明的有益效果是:利用多通道神经信息采集记录仪cerebus,结合 Matlab的数据处理功能,提出一种基于信息熵的神经电活动相关性分析方法。本发明基于神经信息多样化的特点将非线性、模式分析方法相结合,应用信息熵表征在特定时间一起协同工作的神经元群体非线性动态特征,适用于神经元电活动的非线性特点研究。在认知过程中,不同模态的神经电活动 (局部场电位和锋电位)之间的相关性加强,协同表征了认知信息,发展了一种新型的神经信息协同编码方法。
附图说明
图1是本发明基于信息熵的神经电活动相关性分析方法的流程图。
图2是实验设计和实施图((A)神经信息采集的流程;(B)Y迷宫工作记忆行为范式;(C)实验的时间线设计;(D)大鼠前额叶皮层的定位)。
图3是工作记忆中两组大鼠前额叶皮层Spikes与LFPs(Theta/Gamma频段)熵值的动态变化图((A)Spikes熵值的动态变化;(B)Spikes熵的峰值比较;(C)Spikes熵的均值比较;(D)Theta频段LFPs熵值的动态变化;(E)Theta频段LFPs熵的峰值比较;(F)Theta频段LFPs熵的均值比较;(G)Gamma频段LFPs熵值的动态变化;(H)Gamma频段LFPs 熵的峰值比较;(I)Gamma频段LFPs熵的均值比较)
图4是工作记忆中大鼠前额叶皮层Spikes与Theta\Gamma频段LFPs 熵值的动态相关图((A)Spikes与Theta频段LFPs熵值的动态相关;(B) Spikes与Theta频段LFPs熵相关的峰值比较;(C)Spikes与Theta频段LFPs熵相关的变化比较;(D)Spikes与Gamma频段LFPs熵值的动态相关;(E)Spikes与Gamma频段LFPs熵相关的峰值比较;(F)Spikes与 Gamma频段LFPs熵相关的变化比较)。
具体实施方式
如图1所示,本发明的基于信息熵的神经电活动相关性分析方法,包括下列步骤:
(1)应用多通道神经信息采集系统获取的神经电活动数据;
(2)通过滑动窗口,分别计算记忆过程神经元集群发放Spikes的信息熵和局部场电位LFPs的信息熵,应用信息熵来进行记忆过程前额叶皮层神经元群体的非线性信息的动态编码特点;
(3)基于两种不同模态信息的信息熵,应用相关性分析研究记忆过程中两种不同模态信息变化的相关性。
具体地说:
1.信息熵(Shannon熵)的定义:
对于包含N个元素{xi}(i=1,2,…,N)的序列,若其中第j个元素出现的概率为Pi,则这个序列的Shannon熵E被定义为:
当公式(1)中的对数底为2时,熵的单位为比特(bit);对数底为e时,熵的单位为奈特(nat)。
2.Spike熵编码的基本思路:
(1)获取神经元群体发放的间隔(inter-spike interval,ISI)序列;
(2)根据发放序列的特点,设定窄带带宽,再用等带宽的连续窄带分割ISI 序列,设窄带个数为n,得到每个窄带中包含的发放脉冲个数,Si(i=1,2,…,n);
(3)根据计算出第i个窄带的概率pi(i=1,2,…,n),再将pi代入公式(1)中得到序列的熵值。
通过优化选取时间窗口移动步长L,向前一步步移动时间窗口(k= 1,2,…,N)直到神经元群体放电时空序列结束为止。在每一步计算第k步的时间窗口内神经元集群发放的信息熵。通过窗口移动实现动态spike熵编码。计算在整个时间历程的神经元发放熵的变化,表达整个时间历程神经元集群的熵编码。
3.LFP熵编码的基本思路:
(1)首先根据时频分析获取记忆过程中LFPs的特征频段,应用带通滤波器提取特征频段。
(2)对于LFP(特征频段)信号,根据LFP幅值的分布,设定窄带带宽,再用等带宽的连续窄带分割LFP幅值序列,设窄带个数为n,得到每个窄带中包含的幅值个数,Ai(i=1,2,…,n);
(3)根据计算出第i个窄带的概率pi(i=1,2,…,n),再将pi代入公式(1)中得到序列的熵值。
通过优化选取时间窗口移动步长L,向前一步步移动时间窗口(k= 1,2,…..N)直到LFPs序列结束为止,在每一步计算第k步的时间窗口内 LFPs的信息熵。计算在整个时间历程的LFPs熵的变化,表达整个时间历程 LFPs熵编码。
4.Spikes-LFPs熵值相关的协同编码
对spikes与LFPs的熵值进行相关分析,作出spikes-LFPs熵值的动态相关地形图。相关性分析可以用来描述两个变量间的相关程度的大小。对于变量X1×N,Y1×N,其相关系数计算公式如下:
其中i表示第i个窗口,Xi,Yi分别代表在第i个窗口内spikes和LFPs的熵,相关系数可以知道两个变量相关性的强弱。
本发明应用多通道神经信息采集系统获取的神经电活动数据,在Matlab 平台上提出神经元集群发放编码和局部场电位的熵编码理论和算法,分别计算记忆过程神经元集群发放的信息熵和局部场电位的信息熵,应用信息熵来进行记忆过程前额叶皮层神经元群体的非线性信息处理;通过移动窗口的动态信息熵,表征记忆过程神经信息的动态编码特点。基于两种不同模态信息的信息熵,应用相关性分析研究记忆过程中两种不同模态信息变化的相关性,表征记忆过程神经信息的时空整合特点。
本发明基于Matlab环境开发的,与专用数据分析系统相比,具有更强的通用性和可扩展性。该系统工作稳定,操作简单,可以实时给出神经元基本生理特性的定量分析结果,为实验数据的进一步分析和实验方案的改进提供了便利的参考信息。本发明能够在实验过程及离线后提供定量的神经电活动信息熵和相关性变化信息,提高神经电生理实验的效率,开发了基于信息熵的实时神经信息相关性分析的工具箱,为后期的深入数据分析提供参考。
本发明以多通道神经信息采集记录仪cerebus作为生物电信号采集系统,该系统通道DSP硬件模块实现了数字信息的在线处理,包括放大、滤波,以及不同模态神经信息提取和神经元的分类(spike sorting)。生物电信号采集系统采集到的神经元放电信号经前置放大器放大,并进行模数转换后,经过滤波后的原始波形和硬件分类后的动作电位的时间点(time stamps) 通过高速数据接口输入单位放电分析系统,贮存在专门数据存储区,采图单元Central图形采集模块记录神经元,为用户提供一个把专用系统(spike) 和定制系统(raster)结合起来的平台。
应用Matlab编程语言实现了大量数据分析。Matlab单元直接从central 记录数据库中读取数据,包括原始波形、动作电位时间点、行为学参考点等,并在Matlab单元中给出神经信息的初步分析结果。用户只需输入分析的对象描述,包括本次实验数据的文件名、特定数据段的编号,以及所存储数据的标注名称,提供详细的参数信息,如时间窗的大小、移动步长和计算的时间范围等,就直接可以得到相应的分析结果。分析结果直观且便于进一步分析。针对认知过程中变化的序列,利用Matlab实现了对认知任务中神经元电活动的实时和定量的评价。
下面结合具体实施例对本发明进行详细说明:
实施例:
1.生物电信号的采集
应用生物电信号采集系统--多通道神经信息采集记录仪cerebus,采集正常组、记忆障碍(Aβ模型)组大鼠在Y迷宫工作记忆过程中前额叶皮层的的多通道神经信息,具体如图2所示。基于带通滤波器提取局部场电位LFPs (0.3-500Hz)和锋电位Spikes(250Hz–5000Hz)。
2.正常、记忆障碍(Aβ模型)组前额叶皮层Spikes、LFPs熵值动态变化
从图3中可以看出,正常组Spikes熵在整个时间历程中均高于模型组的熵。工作记忆过程中,正常组Spikes熵、Theta频段LFPs熵、Gamma频段 LFPs熵均增加,在行为事件参考点前达到峰值,然后下降至初始水平。经过统计分析,正常组Spikes熵的峰值(0.283±0.010)高于模型的熵的峰值 (0.194±0.011)(P<0.05);正常组Spikes熵的均值(0.182±0.011) 高于模型组熵的均值(0.148±0.011)。正常组Theta频段LFPs熵的峰值 (0.969±0.017)高于模型组熵的峰值(0.0749±0.016)(P<0.05);熵的均值(0.373±0.010)高于模型组熵的均值(0.171±0.006)。正常组Gamma 频段LFPs熵的峰值(0.962±0.010)高于模型的峰值(0.936±0.010) (P<0.05);熵的均值(0.223±0.011)高于模型组熵的均值(0.193±0.011)。
3.Spikes与Theta/Gamma频段LFPs熵值的动态相关分析
如图4所示,与模型组相比,正常组Spikes与Theta/Gamma频段LFPs熵值均具有较强的相关性。经过统计分析,正常组Spikes与Theta频段LFPs 相关的峰值(0.400±0.009)高于模型组的相关值(0.237±0.010) (P<0.05)。正常组Spikes与Theta频段LFPs相关的变化(0.098±0.016) 高于模型组相关的变化(0.042±0.017)。正常组Spikes与Gamma频段LFPs相关的峰值(0.413±0.009)高于模型组的相关值(0.244±0.011) (P<0.05)。正常组Spikes与Gamma频段LFPs相关的变化(0.089±0.016) 高于模型组相关的变化(0.040±0.016)。
综上所述,本发明的内容并不局限在上述的实施例中,相同领域内的有识之士可以在本发明的技术指导思想之内可以轻易提出其他的实施例,但这种实施例都包括在本发明的范围之内。
Claims (7)
1.一种基于信息熵的神经电活动相关性分析方法,其特征在于,包括下列步骤:
(1)应用多通道神经信息采集系统获取的神经电活动数据;
(2)通过滑动窗口,分别计算记忆过程神经元集群发放Spikes的信息熵和局部场电位LFPs的信息熵,应用信息熵来进行记忆过程前额叶皮层神经元群体的非线性信息的动态编码特点;
(3)基于两种不同模态信息的信息熵,应用相关性分析研究记忆过程中两种不同模态信息变化的相关性。
2.根据权利要求1所述基于信息熵的神经电活动相关性分析方法,其特征在于,所述步骤(2)中,计算记忆过程神经元集群发放Spikes的信息熵的步骤为:
1)获取神经元群体发放的间隔ISI序列;
2)根据发放序列的特点,设定窄带带宽,再用等带宽的连续窄带分割ISI序列,设窄带个数为n,得到每个窄带中包含的发放脉冲个数,Si(i=1,2,…,n);
3)根据计算出第i个窄带的概率,pi(i=1,2,…,n),再将pi代入中得到序列的熵值。
3.根据权利要求2所述基于信息熵的神经电活动相关性分析方法,其特征在于,所述步骤(2)中,计算记忆过程局部场电位LFPs的信息熵的步骤为:
1)首先根据时频分析获取记忆过程中LFPs的特征频段,应用带通滤波器提取特征频段;
2)对于LFP特征频段信号,根据LFP幅值的分布,设定窄带带宽,再用等带宽的连续窄带分割LFP幅值序列,设窄带个数为n,得到每个窄带中包含的幅值个数,Ai(i=1,2,…,n);
3)根据计算出第i个窄带的概率pi(i=1,2,…,n),再将pi代入中得到序列的熵值。
4.根据权利要求2所述基于信息熵的神经电活动相关性分析方法,其特征在于,通过优化选取时间窗口移动步长L,滑动窗口(k=1,2,…..N)直到神经元群体放电时空序列结束为止;在每一步计算第k步的时间窗口内神经元集群发放的信息熵;通过窗口移动实现动态spike熵编码;计算在整个时间历程的神经元发放熵的变化,表达整个时间历程神经元集群的熵编码。
5.根据权利要求3所述基于信息熵的神经电活动相关性分析方法,其特征在于,通过优化选取时间窗口移动步长L,滑动窗口(k=1,2,…..N)直到LFPs序列结束为止,在每一步计算第k步的时间窗口内LFPs的信息熵;计算在整个时间历程的LFPs熵的变化,表达整个时间历程LFPs熵编码。
6.根据权利要求1所述基于信息熵的神经电活动相关性分析方法,其特征在于,所述步骤(2)中,通过滑动窗口内信息熵的变化,动态地表征记忆过程神经元电活动的编码特点。
7.根据权利要求3所述基于信息熵的神经电活动相关性分析方法,其特征在于,所述步骤(3)中,对spikes与LFPs的熵值进行相关分析,作出spikes-LFPs熵值的动态相关地形图;相关性分析用来描述两个变量间的相关程度的大小,对于变量X1×N,Y1×N,其相关系数计算公式如下:
其中i表示第i个窗口,Xi,Yi分别代表在第i个窗口内spikes和LFPs的熵,相关系数rXY知道两个变量相关性的强弱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710311548.1A CN106983505A (zh) | 2017-05-08 | 2017-05-08 | 一种基于信息熵的神经电活动相关性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710311548.1A CN106983505A (zh) | 2017-05-08 | 2017-05-08 | 一种基于信息熵的神经电活动相关性分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106983505A true CN106983505A (zh) | 2017-07-28 |
Family
ID=59417993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710311548.1A Pending CN106983505A (zh) | 2017-05-08 | 2017-05-08 | 一种基于信息熵的神经电活动相关性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106983505A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460785A (zh) * | 2018-10-24 | 2019-03-12 | 广东工业大学 | 一种基于gpu加速的锋电位实时分类的方法 |
CN112450949A (zh) * | 2020-12-07 | 2021-03-09 | 东北大学 | 一种用于认知康复训练的脑电信号处理方法及系统 |
CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
CN115381467A (zh) * | 2022-10-31 | 2022-11-25 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
-
2017
- 2017-05-08 CN CN201710311548.1A patent/CN106983505A/zh active Pending
Non-Patent Citations (3)
Title |
---|
BAI WENWEN, YI HU, LIU TIAOTIAO..: "Incoordination between spikes and LFPs in A?21a?’42-mediated memory deficits in rats", 《FRONTIERS IN BEHAVIORAL NEUROSCIENCE》 * |
司家瑞,田心: "多通道局部场电位θ分量与锋电位的互信息对大鼠工作记忆的协同编码", 《国际生物医学工程杂志》 * |
司家瑞,白文文, 刘迢迢, 黎小沛,田心: "基于直接方法估算的信息熵在局部场电位编码工作记忆中的应用", 《国际生物医学工程杂志》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460785A (zh) * | 2018-10-24 | 2019-03-12 | 广东工业大学 | 一种基于gpu加速的锋电位实时分类的方法 |
CN109460785B (zh) * | 2018-10-24 | 2021-09-24 | 广东工业大学 | 一种基于gpu加速的锋电位实时分类的方法 |
CN112450949A (zh) * | 2020-12-07 | 2021-03-09 | 东北大学 | 一种用于认知康复训练的脑电信号处理方法及系统 |
CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
CN114403899B (zh) * | 2022-02-08 | 2023-07-25 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测装置 |
CN115381467A (zh) * | 2022-10-31 | 2022-11-25 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
CN115381467B (zh) * | 2022-10-31 | 2023-03-10 | 浙江浙大西投脑机智能科技有限公司 | 一种基于注意力机制的时频信息动态融合解码方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106983505A (zh) | 一种基于信息熵的神经电活动相关性分析方法 | |
Murugappan et al. | Time-frequency analysis of EEG signals for human emotion detection | |
CN105877766A (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
CN102553222B (zh) | 一种支持对战模式的脑功能反馈训练方法与系统 | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
CN106919956A (zh) | 基于随机森林的脑电波年龄预测系统 | |
CN111544015B (zh) | 基于认知力的操控工效分析方法、设备及系统 | |
CN102999701B (zh) | 脑波音乐生成方法 | |
CN101015451A (zh) | 一种音乐脑电分析方法 | |
CN111598453B (zh) | 基于虚拟场景中执行力的操控工效分析方法、设备及系统 | |
Shende et al. | Literature review of brain computer interface (BCI) using Electroencephalogram signal | |
CN111067514A (zh) | 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 | |
CN108992066A (zh) | 基于肌电信号的便携式下肢行为模式实时识别系统及方法 | |
CN102306303A (zh) | 一种基于小训练样本的脑电信号特征提取方法 | |
CN111553617A (zh) | 基于虚拟场景中认知力的操控工效分析方法、设备及系统 | |
CN105212949A (zh) | 一种使用皮肤电信号进行文化体验情感识别的方法 | |
CN101433460B (zh) | 下肢想象动作电位空间滤波方法 | |
CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
CN104571533A (zh) | 一种基于脑机接口技术的装置和方法 | |
CN113180659A (zh) | 一种基于三维特征和空洞全卷积网络的脑电情感识别系统 | |
Hamedi et al. | Facial gesture recognition using two-channel bio-sensors configuration and fuzzy classifier: A pilot study | |
Ming-Ai et al. | Feature extraction and classification of mental EEG for motor imagery | |
Islam et al. | Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170728 |
|
WD01 | Invention patent application deemed withdrawn after publication |