CN107184207A - 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法 - Google Patents
基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法 Download PDFInfo
- Publication number
- CN107184207A CN107184207A CN201710334799.1A CN201710334799A CN107184207A CN 107184207 A CN107184207 A CN 107184207A CN 201710334799 A CN201710334799 A CN 201710334799A CN 107184207 A CN107184207 A CN 107184207A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- mtr
- mtable
- 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
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
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- 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
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Neurosurgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明涉及一种癫痫EEG自动检测的通道优化方法，本通道优化方法包括：生成空域滤波器，且通过空域滤波器对电极产生的数据通道进行优化；本发明通过选取少量的有效信号采集通道，并获取各个通道对应的空域滤波器，一旦确定所选通道，后续则只需要利用数量较少的有效通道上的EEG信号完成分类任务。
Description
技术领域
本发明涉及信号处理与神经工程领域，特别是一种癫痫脑电信号检测与识别方法。
背景技术
全世界大约5千多万人患有癫痫。癫痫是由于大脑神经元异常放电，波及某些大脑功能区，造成大脑神经紊乱的一种疾病。脑电图(EEG)是记录大脑放电行为的一种有效方式，也是临床检测和诊断癫痫发作的一种方式。基于EEG 的癫痫的自动检测不仅对临床分析癫痫等神经疾病具有重要价值，而且是预报癫痫发作的一种有效途径。专利“一种面向癫痫脑电信号迁移环境的自适应识别方法”，专利“面向癫痫脑电信号的特征提取与自动识别方法”，“一种癫痫发作预警系统”。在癫痫EEG检测与识别中都需要处理多通道的数据。开发一种利用少量电极(通道)检测癫痫EEG不仅可降低检测时间，而且可以降低系统功耗。本发明公开了一种基于稀疏共同空间模式的癫痫EEG自动检测的通道优化方法。
发明内容
本发明的目的是提供一种癫痫EEG自动检测的通道优化方法。
为了解决上述技术问题，本发明提供了一种癫痫EEG自动检测的通道优化方法，包括：生成空域滤波器，且通过空域滤波器对电极产生的数据通道进行优化。
进一步，生成空域滤波器的方法包括：
将空域滤波器的稀疏度作为优化目标，去除不相关或是受噪声干扰较大的数据通道；其中
所述稀疏度由其系数向量的l0范数衡量。
进一步，所述生成空域滤波器的方法还包括：
构建初始模型，即
其中，N为EEG信号通道数，C1与C2分别表示两类信号的协方差矩阵；τ是一个预先设置的阈值，用于调节不同类别信号的平均功率比值；
并且Tr(wTCw)＝Tr(CwwT) (6)
引入矩阵W＝wwT，则公式(5)改写为
W＝wwT (7)
其中，||W||0,1定义为
上式中，IA(x)为示性函数；
由于第二个约束条件W＝wwT，并且W是一个半正定矩阵，进一步将约束条件W＝wwT松弛为半正定约束条件W≥0；以及
利用l1范数代替目标函数中的l0范数，从而获得以下模型：
W≥0
Tr(W)＝1 (10)
其中
上式中，Wi,:表示W的第i行；
求解公式(10)可以获得空域滤波器系数向量w1；以及
将公式(10)中的第一个约束条件改为则可获得另一空域滤波器系数向量w2。
进一步，所述阈值τ与算法分类精度相关；即
在使用时，首先获得或其中wcsp表示预先获得的空域滤波器系数；
将公式(10)中的门限值τ记为τSDP-CSP，且将门限值设置为τSDP-CSP＝ρ·τCSP，ρ∈(0,1)。
进一步，数据通道进行优化的方法包括：
将滤波器系数向量w1或滤波器系数向量w2内幅度值小于所有元素中最大幅度0.1％的系数置为零；即
当滤波器系数向量w1与滤波器系数向量w2对应元素都已置零时，该元素所对应的通道被彻底舍弃。
本发明的有益效果是，本发明的癫痫EEG自动检测的通道优化方法通过选取少量的有效信号采集通道，并获取各个通道对应的空域滤波器，一旦确定所选通道，后续则只需要利用数量较少的有效通道上的EEG信号完成分类任务。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的通道选择示意图；
图2是本发明的通道优化方法的流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
传统的CSP算法寻找一组使得两类信号平均功率差距最大的空域滤波器，可以表述为
其中，N为EEG信号通道数，C1与C2分别表示两类信号的协方差矩阵
其中，X为第一类或第二类EEG信号。上式中的协方差矩阵具有半正定特性。
WTC1W＝Λ1
WTC2W＝Λ2
Λ1+Λ2＝I (3)
其中，W由协方差矩阵C1与C2的广义特征向量wj组成，即W＝[w1,w2,…..,wj]，用于同时对角化C1与C2，Λi＝diag(λ1 i,…λj i)为对角矩阵，包含Ci的特征值λj i(i＝1,2，j＝1,2,......,N)。利用公式(3)，CSP问题可以转化为以下优化问题
根据公式(3)中Λ1+Λ2＝I可知C1与C2中wj对应的特征值λj 1+λj 2＝1，此外由于C1和C2均为半正定矩阵，所以λj i≥0。因此，λj 1越大，λj 2就越小，同时λj 1/λj 2也随之增大，所以最大特征值λj 1对应的特征向量就是公式(1)的解。
在传统CSP算法的基础上，本发明提供了一种癫痫EEG自动检测的通道优化方法，包括：
生成空域滤波器，且通过空域滤波器对电极产生的数据通道进行优化。
具体的，生成空域滤波器的方法包括：
将空域滤波器的稀疏度作为优化目标，去除不相关或是受噪声干扰较大的数据通道；其中
所述稀疏度由其系数向量的l0范数衡量。
所述生成空域滤波器的方法还包括：
构建初始模型，即
其中，N为EEG信号通道数，C1与C2分别表示两类信号的协方差矩阵；τ是一个预先设置的阈值，用于调节不同类别信号的平均功率比值；
并且Tr(wTCw)＝Tr(CwwT) (6)
引入矩阵W＝wwT，则公式(5)改写为
W＝wwT (7)
其中，||W||0,1定义为
上式中，IA(x)为示性函数；
由于第二个约束条件W＝wwT，公式(7)仍然为一个非凸优化问题，并且 W是一个半正定矩阵，进一步将约束条件W＝wwT松弛为半正定约束条件W≥0；以及利用l1范数代替目标函数中的l0范数，从而获得以下模型：
W≥0
Tr(W)＝1 (10)
其中
上式中，Wi,:表示W的第i行；
公式(10)中附加了约束条件Tr(W)＝1，用于消除W由于缩放所带来的不确定性；公式(10)是一个半定规划(Semi-definite programming，SDP)问题，因此将其本优化方法所涉及的算法简写为SDP-CSP；求解公式(10)可以获得空域滤波器系数向量w1；若将公式(10)中的第一个约束条件改为则可获得另一空域滤波器系数向量w2。
进一步，所述阈值τ与算法分类精度相关；即
在使用时，首先获得或其中wcsp表示预先获得的空域滤波器系数；为了清晰起见，将公式(10)中的门限值τ记为τSDP-CSP，且将门限值设置为τSDP-CSP＝ρ·τCSP，ρ∈(0,1)。
如图2所示，数据通道进行优化的方法包括：
由于l1范数的作用，w1和w2中包含许多幅度极小的元素，将这些滤波器系数置零，从而可以获得两组稀疏滤波器；将滤波器系数向量w1或滤波器系数向量w2内幅度值小于所有元素中最大幅度0.1％的系数置为零；即当滤波器系数向量w1与滤波器系数向量w2对应元素都已置零时，该元素所对应的通道被彻底舍弃。
如图2所示，利用训练数据，选取少量的有效信号采集通道，并获取各个通道对应的空域滤波器，一旦确定所选通道，后续则只需要利用数量较少的有效通道上的EEG信号完成分类任务。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种癫痫EEG自动检测的通道优化方法，其特征在于，包括：
生成空域滤波器，且通过空域滤波器对电极产生的数据通道进行优化。
2.根据权利要求1所述的通道优化方法，其特征在于，
生成空域滤波器的方法包括：
将空域滤波器的稀疏度作为优化目标，去除不相关或是受噪声干扰较大的数据通道；其中
所述稀疏度由其系数向量的l0范数衡量。
3.根据权利要求2所述的通道优化方法，其特征在于，
所述生成空域滤波器的方法还包括：
构建初始模型，即
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<munder>
<mi>min</mi>
<mrow>
<mi>w</mi>
<mo>&Element;</mo>
<msup>
<mi>R</mi>
<mi>N</mi>
</msup>
</mrow>
</munder>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>w</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<msup>
<mi>w</mi>
<mi>T</mi>
</msup>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mi>w</mi>
</mrow>
<mrow>
<msup>
<mi>w</mi>
<mi>T</mi>
</msup>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<mi>w</mi>
</mrow>
</mfrac>
<mo>&GreaterEqual;</mo>
<mi>&tau;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，N为EEG信号通道数，C1与C2分别表示两类信号的协方差矩阵；τ是一个预先设置的阈值，用于调节不同类别信号的平均功率比值；
并且Tr(wTCw)＝Tr(CwwT) (6)
引入矩阵W＝wwT，则公式(5)改写为
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<munder>
<mi>min</mi>
<mrow>
<mi>W</mi>
<mo>&Element;</mo>
<msup>
<mi>R</mi>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</msup>
</mrow>
</munder>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>W</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>T</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mi>W</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>T</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<mi>W</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&GreaterEqual;</mo>
<mi>&tau;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
W＝wwT (7)
其中，||W||0,1定义为
<mrow>
<msub>
<mi>I</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
上式中，IA(x)为示性函数；
由于第二个约束条件W＝wwT，并且W是一个半正定矩阵，进一步将约束条件W＝wwT松弛为半正定约束条件W≥0；以及
利用l1范数代替目标函数中的l0范数，从而获得以下模型：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<munder>
<mi>min</mi>
<mrow>
<mi>W</mi>
<mo>&Element;</mo>
<msup>
<mi>R</mi>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</msup>
</mrow>
</munder>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>W</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>T</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mi>W</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>T</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<mi>W</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&GreaterEqual;</mo>
<mi>&tau;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
1
W≥0
Tr(W)＝1 (10)
其中
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>W</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mo>:</mo>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
上式中，Wi,:表示W的第i行；
求解公式(10)可以获得空域滤波器系数向量w1；以及
将公式(10)中的第一个约束条件改为则可获得另一空域滤波器系数向量w2。
4.根据权利要求3所述的通道优化方法，其特征在于，
所述阈值τ与算法分类精度相关；即
在使用时，首先获得或其中wcsp表示预先获得的空域滤波器系数；
将公式(10)中的门限值τ记为τSDP-CSP，且将门限值设置为τSDP-CSP＝ρ·τCSP，ρ∈(0,1)。
5.根据权利要求4所述的通道优化方法，其特征在于，
数据通道进行优化的方法包括：
将滤波器系数向量w1或滤波器系数向量w2内幅度值小于所有元素中最大幅度0.1％的系数置为零；即
当滤波器系数向量w1与滤波器系数向量w2对应元素都已置零时，该元素所对应的通道被彻底舍弃。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710334799.1A CN107184207B (zh) | 2017-05-12 | 2017-05-12 | 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710334799.1A CN107184207B (zh) | 2017-05-12 | 2017-05-12 | 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107184207A true CN107184207A (zh) | 2017-09-22 |
| CN107184207B CN107184207B (zh) | 2020-06-05 |
Family
ID=59873614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710334799.1A Active CN107184207B (zh) | 2017-05-12 | 2017-05-12 | 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107184207B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111543988A (zh) * | 2020-05-25 | 2020-08-18 | 五邑大学 | 一种自适应认知活动识别方法、装置及存储介质 |
| CN111820876A (zh) * | 2020-07-24 | 2020-10-27 | 天津大学 | 一种脑电空间滤波器的动态构建方法 |
| CN116584900A (zh) * | 2023-07-17 | 2023-08-15 | 博睿康医疗科技(上海)有限公司 | 信号稳定状态的检测方法、检测模型、癫痫检测装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4753246A (en) * | 1986-03-28 | 1988-06-28 | The Regents Of The University Of California | EEG spatial filter and method |
| CN102722728A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于通道加权支持向量的运动想象脑电分类方法 |
| CN103340624A (zh) * | 2013-07-22 | 2013-10-09 | 上海交通大学 | 少通道下运动想象脑电特征的提取方法 |
| CN103399312A (zh) * | 2013-07-15 | 2013-11-20 | 哈尔滨工程大学 | 基于压缩感知技术的时空联合滤波高分辨方位估计方法 |
| CN104720796A (zh) * | 2015-02-12 | 2015-06-24 | 西安交通大学 | 一种用于癫痫发作时间段的自动检测系统及方法 |
| CN106446762A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 |
-
2017
- 2017-05-12 CN CN201710334799.1A patent/CN107184207B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4753246A (en) * | 1986-03-28 | 1988-06-28 | The Regents Of The University Of California | EEG spatial filter and method |
| CN102722728A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于通道加权支持向量的运动想象脑电分类方法 |
| CN103399312A (zh) * | 2013-07-15 | 2013-11-20 | 哈尔滨工程大学 | 基于压缩感知技术的时空联合滤波高分辨方位估计方法 |
| CN103340624A (zh) * | 2013-07-22 | 2013-10-09 | 上海交通大学 | 少通道下运动想象脑电特征的提取方法 |
| CN104720796A (zh) * | 2015-02-12 | 2015-06-24 | 西安交通大学 | 一种用于癫痫发作时间段的自动检测系统及方法 |
| CN106446762A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘小峰, 张翔, 王雪: "基于EEG去趋势波动分析和极限学习机的癫痫发作自动检测与分类识别", 《纳米技术与精密工程》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111543988A (zh) * | 2020-05-25 | 2020-08-18 | 五邑大学 | 一种自适应认知活动识别方法、装置及存储介质 |
| CN111820876A (zh) * | 2020-07-24 | 2020-10-27 | 天津大学 | 一种脑电空间滤波器的动态构建方法 |
| CN111820876B (zh) * | 2020-07-24 | 2023-04-28 | 天津大学 | 一种脑电空间滤波器的动态构建方法 |
| CN116584900A (zh) * | 2023-07-17 | 2023-08-15 | 博睿康医疗科技(上海)有限公司 | 信号稳定状态的检测方法、检测模型、癫痫检测装置 |
| CN116584900B (zh) * | 2023-07-17 | 2023-10-31 | 博睿康医疗科技(上海)有限公司 | 信号稳定状态的检测方法、检测模型、癫痫检测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107184207B (zh) | 2020-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107184207A (zh) | 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法 | |
| Sturm et al. | Interpretable deep neural networks for single-trial EEG classification | |
| Nunez-Elizalde et al. | Voxelwise encoding models with non-spherical multivariate normal priors | |
| Wu et al. | ARTIST: A fully automated artifact rejection algorithm for single‐pulse TMS‐EEG data | |
| Maravall et al. | Shifts in coding properties and maintenance of information transmission during adaptation in barrel cortex | |
| CN108960182B (zh) | 一种基于深度学习的p300事件相关电位分类识别方法 | |
| Yang et al. | Comparison among driving state prediction models for car-following condition based on EEG and driving features | |
| Rikhye et al. | Spatial correlations in natural scenes modulate response reliability in mouse visual cortex | |
| Lima et al. | Tackling EEG signal classification with least squares support vector machines: a sensitivity analysis study | |
| Gallego-Jutglà et al. | A hybrid feature selection approach for the early diagnosis of Alzheimer’s disease | |
| Machens | Demixing population activity in higher cortical areas | |
| Voges et al. | Complex dynamics in recurrent cortical networks based on spatially realistic connectivities | |
| Karch et al. | Using within-subject pattern classification to understand lifespan age differences in oscillatory mechanisms of working memory selection and maintenance | |
| CN105046273A (zh) | 基于多尺度样本熵的癫痫脑皮层电图信号分类方法 | |
| Gligorijević et al. | A new and fast approach towards sEMG decomposition | |
| Kumar et al. | Formulating divergence framework for multiclass motor imagery EEG brain computer interface | |
| CN105303771A (zh) | 一种疲劳判断系统及方法 | |
| CN107368849B (zh) | 一种基于互相关熵的共用空间模式空域特征提取方法 | |
| Girardi-Schappo et al. | Measuring neuronal avalanches in disordered systems with absorbing states | |
| WO2016207262A1 (de) | Vorrichtungen, zytometer, verfahren und computerprogramm zum bereitstellen von information über zumindest eine sequenz | |
| Xing et al. | Distributed representations of temporal stimulus associations across regular-firing and fast-spiking neurons in rat medial prefrontal cortex | |
| Wang et al. | Training state and performance evaluation of working memory based on task-related EEG | |
| Daly et al. | Automated identification of neural correlates of continuous variables | |
| Nieder | Neuronal correlates of non-verbal numerical competence in primates | |
| Spinnato et al. | Finding EEG space-time-scale localized features using matrix-based penalized discriminant analysis |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |