CN108021873B - 一种聚类非对称互信息的脑电信号癫痫分类方法及系统 - Google Patents
一种聚类非对称互信息的脑电信号癫痫分类方法及系统 Download PDFInfo
- Publication number
- CN108021873B CN108021873B CN201711175499.XA CN201711175499A CN108021873B CN 108021873 B CN108021873 B CN 108021873B CN 201711175499 A CN201711175499 A CN 201711175499A CN 108021873 B CN108021873 B CN 108021873B
- Authority
- CN
- China
- Prior art keywords
- data
- calculating
- electroencephalogram
- electroencephalogram data
- clustering
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Abstract
本发明公开了一种聚类非对称互信息的脑电信号癫痫分类方法及系统,采集多通道脑电数据,并对多通道脑电数据进行固定时间窗口切分;计算同一时间窗口内的各通道的脑电数据两两之间的聚类非对称互信息,并将各聚类非对称互信息组成特征矩阵;计算不同时间窗口对应的特征矩阵,将所有时间窗口对应的特征矩阵组成特征矩阵集合;将特征矩阵集合中的元素输入癫痫分类模型,训练癫痫分类模型;癫痫分类模型训练完成后,将新的多通道脑电数据按上述步骤组成特征矩阵后输入癫痫分类模型,癫痫分类模型判断新的多通道脑电数据中是否有癫痫发作期。实现对脑电信号的相干性进行分析,解决了现有技术中的信号分析方法不适合对脑电信号进行分类的技术问题。
Description
技术领域
本发明涉及人工智能领域,尤其是涉及一种聚类非对称互信息的脑电信号癫痫分类方法及系统。
背景技术
在理解大脑功能与脑疾病的发生机制中,一方面,脑电信号之间的同步模式分析发挥了重要的作用。同时,寻求多变量间的同步模式是表征不同大脑区域的动态演化的重要特征,在分析和理解大脑功能中发挥了重要的作用。基于信息理论,互信息是度量变量间相互依赖性强度,不同于相关系数,互信息不局限于实值随机变量,它决定着联合分布和分解的边缘分布的乘积之间的相似程度,因此在多变量脑电信号分析中常采用互信息来进行信号分析。在近年的研究中,针对多变量脑电信号的非平稳性,研究者们引入互信息同步矩阵来进行分析处理。
现有的互信息算法主要有以下几种:第一是基于事件相关性互信息计算方法,比如计算两个文本之间的互信息,计算公式中的自信息熵和联合信息熵的计算往往基于特定含义的划分来计算,由于其事件是确定的,所以其划分也是确定的,它能通过基于特定含义的划分度量出两个变量间特定含义条件下的互信息,这种方法只适用于度量离散随机变量之间的互信息。第二是基于均匀分布划分的连续随机变量互信息计算方法,比如在度量两幅图像的互信息时,一般对两幅图像的连续像素值上进行等间距划分后再计算自信息熵和联合信息熵,进而计算两幅图像的互信息。
上述方法虽然能够对信息互信息度量取得不错的效果,但不适合对多变量脑电信号进行分类。
另一方面,理解基于互信息的非线性、非平稳同步模式对理解脑功能起着重要作用,可以对同步模式利用机器学习方法对脑状态、脑模式进行分类和预测。最近提出很多关于癫痫发作期的分类研究方法。研究表明,通过提取病人相关的先验知识,Piotr等人对与病人相关的同步模式进行分类并预测癫痫发作期。他们经过提取互相关、非线性独立和小波同步等信息,最终获得的EEG时空同步模式被组织成矩阵后,进行癫痫发病期预测,取得了71%的敏感度。采用相锁/幅度锁值方法对癫痫发作期进行预测,获得77%的敏感度,88%的精确度。Orosco等人研究表明通过平稳小波变换的癫痫探测算法可以提高敏感度到87.5%和93%的精确度。
深度学习算法旨在模拟人脑神经元的通信模式的多层神经网络,它主要投影原始数据在多个神经网络层上的多层表达。有关神经网络性能的一个误区是神经网络的层数越多,分类器的性能越优。然而,一个层数非常高的神经网络总是面临梯度爆炸、梯度消失等问题。如果一个较低层次的神经网络能获取和深度神经网络相同精度级别的分类性能,就具有如下更多的优点:(1)更有效的分布式训练;(2)较低的负载和(3)容易在资源有限的嵌入式平台中进行部署。
目前,针对癫痫脑电数据的分类处理方法,主要还是基于时频分析进行特征提取,然后通过传统分类器(SVM,LDA等)进行分类。相比于传统的分类技术,深度学习技术具有如下方面的性质及能力:(1)非线性处理能力,非线性神经网络由多个线性和非线性神经元所组成;(2)自适应性,神经网络能自适应调整连接权值以适应外部环境的变化;(3)容错能力,神经网络总是缓慢的性能退化,而不是坍塌式毁坏,主要是因为错误总是分布式的分散到所有神经元中,而整体网络受到较小的影响。
发明内容
本发明的目的在于克服上述技术不足,提出一种聚类非对称互信息的脑电信号癫痫分类方法及系统,解决现有技术中的上述技术问题。
为达到上述技术目的,本发明的技术方案提供一种聚类非对称互信息的脑电信号癫痫分类方法,包括:
S1、采集多通道脑电数据,并对多通道脑电数据进行固定时间窗口切分;
S2、计算同一时间窗口内的各通道的脑电数据两两之间的聚类非对称互信息,并将各聚类非对称互信息组成特征矩阵;
S3、计算不同时间窗口对应的特征矩阵,将所有时间窗口对应的特征矩阵组成特征矩阵集合;
S4、将特征矩阵集合中的元素输入癫痫分类模型,训练癫痫分类模型;
S5、所述癫痫分类模型训练完成后,获取新的多通道脑电数据,将新的多通道脑电数据进行S1-S3步骤,获取新的特征矩阵集合,将新的特征矩阵集合中的元素输入癫痫分类模型,所述癫痫分类模型判断新的多通道脑电数据的多个时间窗口中是否有癫痫发作期。
本发明还提供一种聚类非对称互信息的脑电信号癫痫分类系统,包括:
脑电数据采集模块:采集多通道脑电数据,并对多通道脑电数据进行固定时间窗口切分;
聚类非对称互信息计算模块:计算同一时间窗口内的各通道的脑电数据两两之间的聚类非对称互信息,并将各聚类非对称互信息组成特征矩阵;
特征矩阵集合获取模块:计算不同时间窗口对应的特征矩阵,将所有时间窗口对应的特征矩阵组成特征矩阵集合;
训练模块:将特征矩阵集合中的元素输入癫痫分类模型,训练癫痫分类模型;
癫痫发作期预测模块:所述癫痫分类模型训练完成后,获取新的多通道脑电数据,将新的多通道脑电数据进行脑电数据采集模块、聚类非对称互信息计算模块、特征矩阵集合获取模块的操作,获取新的特征矩阵集合,将新的特征矩阵集合中的元素输入癫痫分类模型,所述癫痫分类模型判断新的多通道脑电数据的多个时间窗口中是否有癫痫发作期。
与现有技术相比,本发明的有益效果包括:通过非监督方式寻找脑电数据X和Y的聚类中心,然后根据脑电数据X和Y的聚类中心分别对脑电数据X和Y进行划分聚类,根据划分的聚类计算出脑电数据X和Y的聚类非对称互信息值,从而实现对脑电信号的相干性进行分析,解决了现有技术中的互信息计算方法不适合对脑电信号进行分类的技术问题。同时,利用线性自适应模式分类器(浅层密集网络)进行特征学习,最后根据学习的各个特征进行脑电数据预测分类,判断出脑电数据中是否有癫痫发作期。
附图说明
图1是本发明提供的一种聚类非对称互信息的脑电信号癫痫分类方法流程图;
图2是本发明提供的一种聚类非对称互信息的脑电信号癫痫分类系统结构框图;
图3是浅层密集网络的系统整体结构图。
附图中:1、聚类非对称互信息的脑电信号癫痫分类系统,11、脑电数据采集模块,12、聚类非对称互信息计算模块,13、特征矩阵集合获取模块,14、训练模块,15、癫痫发作期预测模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种聚类非对称互信息的脑电信号癫痫分类方法,包括:
S1、采集多通道脑电数据,并对多通道脑电数据进行固定时间窗口切分;
S2、计算同一时间窗口内的各通道的脑电数据两两之间的聚类非对称互信息,并将各聚类非对称互信息组成特征矩阵;
S3、计算不同时间窗口对应的特征矩阵,将所有时间窗口对应的特征矩阵组成特征矩阵集合;
S4、将特征矩阵集合中的元素输入癫痫分类模型,训练癫痫分类模型;
S5、所述癫痫分类模型训练完成后,获取新的多通道脑电数据,将新的多通道脑电数据进行S1-S3步骤,获取新的特征矩阵集合,将新的特征矩阵集合中的元素输入癫痫分类模型,所述癫痫分类模型判断新的多通道脑电数据的多个时间窗口中是否有癫痫发作期。
本发明所述的聚类非对称互信息的脑电信号癫痫分类方法,步骤S1中:
对多通道脑电数据进行固定时间窗口切分,本实施例中采用8秒的窗口值,采样频率为256,每个窗口包含2048个数据点(8*256=2048)。
本发明所述的聚类非对称互信息的脑电信号癫痫分类方法,步骤S2中计算两个通道在同一时间窗口内的聚类非对称互信息的方法为:
两个通道在同一时间窗口内的脑电数据(脑电数据)分别为X和Y,计算脑电数据X的信息熵HX,计算脑电数据Y的信息熵HY,计算脑电数据X和Y的联合信息熵HX,Y,根据信息熵HX、信息熵HY、联合信息熵HX,Y计算脑电数据X和Y的聚类非对称互信息MI(X,Y),MI(X,Y)=HX+HY-HX,Y;聚类非对称互信息越大,代表脑电数据X和脑电数据Y的相关性越强。
本发明所述的聚类非对称互信息的脑电信号癫痫分类方法,步骤S2中脑电数据X和Y的信息熵计算方法为:
S21、将脑电数据X中的数据点按照振幅从小到大排序,将脑电数据Y中的数据点按照振幅从小到大排序;
S22、利用KMeans算法计算脑电数据X的聚类中心Cx,根据聚类中心Cx把脑电数据X划分成多个聚类,计算每个聚类中包含的数据点个数Nx,计算每个聚类的概率Px,Px为一聚类中包含的数据点个数占脑电数据X总数据点个数的比例,根据Px计算脑电数据X的信息熵HX,
利用KMeans算法计算脑电数据Y的聚类中心CY,根据聚类中心CY把脑电数据Y划分成多个聚类,计算每个聚类中包含的数据点个数Ny,计算每个聚类的概率Py,Py为一聚类中包含的数据点个数占脑电数据Y总数据点个数的比例,根据Py计算脑电数据Y的信息熵HY,
上述技术方案中,脑电数据X的聚类中心Cx的计算方法为:
随机选择k个初始中心点,例如c[0]=data[0],…,c[k-1]=data[k-1],对脑电数据X中的所有数据点data[i],计算data[i]与所述k个中心点之间的欧拉距离,距离c[i]最小者标记为i;对于所有标记为i的数据点,重新计算c[i]={所有标记为i的数据data[j]之和/标记为i的个数};重复以上两步,直到所有c[i]值的变化小于给定阈值。C[i]就是脑电数据X的聚类中心Cx。本实施例中设置脑电数据X聚类中心个数为10个。
上述技术方案中,脑电数据Y的聚类中心CY的计算方法为:
随机选择k个初始中心点,例如c[0]=data[0],…,c[k-1]=data[k-1];对脑电数据Y中的所有数据点data[i],计算data[i]与所述k个中心点之间的欧拉距离,距离c[i]最小者标记为i;对于所有标记为i的数据点,重新计算c[i]={所有标记为i的数据data[j]之和/标记为i的个数};重复以上两步,直到所有c[i]值的变化小于给定阈值。C[i]就是脑电数据Y的聚类中心CY。本实施例中设置脑电数据Y聚类中心个数为10个。
本发明所述的聚类非对称互信息的脑电信号癫痫分类方法,步骤S2中联合信息熵HX,Y的计算方法为:
识别脑电数据X和脑电数据Y划分的聚类的重合部分,计算各个重合的部分包含的
数据点个数Nx,y,计算各个重合的部分的概率Px,y,Px,y为各重合的部分包含的数据点个数占
脑电数据Y和X总数据点个数的比例,计算联合信息熵
上述技术方案中,同一时间窗口内的各通道的脑电数据两两之间的聚类非对称互信息,并将各聚类非对称互信息组成特征矩阵,该特征矩阵如下:
其中,MImn表示同一时间窗口的第m通道脑电数据和第n通道脑电数据的聚类非对称互信息;例如,MI11为第一通道脑电数据和第一通道脑电数据的聚类非对称互信息,MI12为第一通道脑电数据和第二通道脑电数据的聚类非对称互信息....依此类推。
上述技术方案中,将特征矩阵集合中的元素输入癫痫分类模型,训练癫痫分类模型,癫痫分类模型采用浅层密集网络;
如图3所示,显示浅层密集网络的系统整体结构图;为解决模型的过分拟合问题,本实施例中浅层密集网络设置一个Dropout层,其具体值为0.3;Dropout层之后进入密集块的多层密集子网络,该子网络除了存在普通密集层(全连接层)之外,还包含前层到所有后层的连接权值(Retain Share Feature),本实施例中所有密集层的激活函数都是ReLU激活函数;本实施例采用3层密集层,第一密集层的输入是23*23,输出是250,第二密集层的输入是250,输出是60,第三密集层的输入是60,输出是1;相邻的两层之间和不同层之间的连接,均以全连接的方式进行连接;多层密集子网络之后进入Sigmoid的输出层,输出一次迭代中的癫痫发作期状态,其输入是所有输入连接的平均值;
具体的,将特征矩阵集合中的元素输入癫痫分类模型,利用特征矩阵训练浅层密集网络层与层之间的连接权值;
所训练的浅度密集网络由多层密集层堆叠,排在前面的密集层都有一个连接链接到所有之后的层;
前馈网络通过连接拓扑结构和激活函数获得当前层的输出,假设当前层是L(2)层,除了有来自L(1)层的输入外,还有来自L(0)层的输入连接,其输出表达式如下:OL(2)=δL(2)(δL(1)(wL(1)x+bL(1))+δL(0)(wL(0)x+bL(0))),其中δ是激活函数,w是连接权值,b是偏移量;
反馈网络依据拓扑结构运用BP算法根据输出与目标之间的残差,基于随机梯度下降调节模型连接权重进行优化;连接权值的学习的链式法则是输出到当前的连接开始点进行链式更新方式,而偏移量只采用相邻层之间的链式法则进行更新,不考虑跨层之间的影响。
本发明还提供一种聚类非对称互信息的脑电信号癫痫分类系统1,包括:
脑电数据采集模块11:采集多通道脑电数据,并对多通道脑电数据进行固定时间窗口切分;
聚类非对称互信息计算模块12:计算同一时间窗口内的各通道的脑电数据两两之间的聚类非对称互信息,并将各聚类非对称互信息组成特征矩阵;
特征矩阵集合获取模块13:计算不同时间窗口对应的特征矩阵,将所有时间窗口对应的特征矩阵组成特征矩阵集合;
训练模块14:将特征矩阵集合中的元素输入癫痫分类模型,训练癫痫分类模型;
癫痫发作期预测模块15:癫痫分类模型训练完成后,获取新的多通道脑电数据,将新的多通道脑电数据进行脑电数据采集模块、聚类非对称互信息计算模块、特征矩阵集合获取模块的操作,获取新的特征矩阵集合,将新的特征矩阵集合中的元素输入癫痫分类模型,所述癫痫分类模型判断新的多通道脑电数据的多个时间窗口中是否有癫痫发作期。
本发明所述的聚类非对称互信息的脑电信号癫痫分类系统1,聚类非对称互信息计算模块12中:
两个通道在同一时间窗口内的脑电数据分别为X和Y,计算脑电数据X的信息熵HX,计算脑电数据Y的信息熵HY,计算脑电数据X和Y的联合信息熵HX,Y,根据信息熵HX、信息熵HY、联合信息熵HX,Y计算脑电数据X和Y的聚类非对称互信息MI(X,Y),MI(X,Y)=HX+HY-HX,Y。
本发明所述的聚类非对称互信息的脑电信号癫痫分类系统1,聚类非对称互信息计算模块12中:
排序单元:将脑电数据X中的数据点按照振幅从小到大排序,将脑电数据Y中的数据点按照振幅从小到大排序;
信息熵计算单元:利用KMeans算法计算脑电数据X的聚类中心Cx,根据聚类中心Cx把脑电数据X划分成多个聚类,计算每个聚类中包含的数据点个数Nx,计算每个聚类的概率Px,Px为一聚类中包含的数据点个数占脑电数据X总数据点个数的比例,根据Px计算脑电数据X的信息熵HX,
利用KMeans算法计算脑电数据Y的聚类中心CY,根据聚类中心CY把脑电数据Y划分成多个聚类,计算每个聚类中包含的数据点个数Ny,计算每个聚类的概率Py,Py为一聚类中包含的数据点个数占脑电数据Y总数据点个数的比例,根据Py计算脑电数据Y的信息熵HY,
本发明所述的聚类非对称互信息的脑电信号癫痫分类系统1,聚类非对称互信息计算模块12中:
识别脑电数据X和脑电数据Y划分的聚类的重合部分,计算各个重合的部分包含的
数据点个数Nx,y,计算各个重合的部分的概率Px,y,Px,y为各重合的部分包含的数据点个数占
脑电数据Y和X总数据点个数的比例,计算联合信息熵
本发明所述的聚类非对称互信息的脑电信号癫痫分类系统1,癫痫发作期预测模块15中:
癫痫分类模型采用浅层密集网络。
与现有技术相比,本发明的有益效果包括:通过非监督方式寻找脑电数据X和Y的聚类中心,然后根据脑电数据X和Y的聚类中心分别对脑电数据X和Y进行划分聚类,根据划分的聚类计算出脑电数据X和Y的聚类非对称互信息值,从而实现对脑电信号的相干性进行分析,解决了现有技术中的信号分析方法不适合对脑电信号进行分类的技术问题。同时,利用线性自适应模式分类器(浅层密集网络)进行特征学习,最后根据学习的各个特征进行脑电数据预测分类,判断出脑电数据中是否有癫痫发作期。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (6)
1.一种聚类非对称互信息的脑电信号癫痫分类方法,其特征在于,包括:
S1、采集多通道脑电数据,并对所述多通道脑电数据进行固定时间窗口切分;
S2、计算同一时间窗口内的各通道的脑电数据两两之间的聚类非对称互信息,并将各聚类非对称互信息组成特征矩阵;
S3、计算不同时间窗口对应的所述特征矩阵,将所有时间窗口对应的特征矩阵组成特征矩阵集合;
S4、将所述特征矩阵集合中的元素输入癫痫分类模型,训练癫痫分类模型;
S5、所述癫痫分类模型训练完成后,获取新的多通道脑电数据,将新的多通道脑电数据进行S1-S3步骤,获取新的特征矩阵集合,将新的特征矩阵集合中的元素输入癫痫分类模型,所述癫痫分类模型判断新的多通道脑电数据的多个时间窗口中是否有癫痫发作期;
其中,步骤S2中计算两个通道在同一时间窗口内的聚类非对称互信息的方法为:
两个通道在同一时间窗口内的脑电数据分别为X和Y,计算所述脑电数据X的信息熵HX,计算所述脑电数据Y的信息熵HY,计算脑电数据X和Y的联合信息熵HX,Y,根据信息熵HX、信息熵HY、联合信息熵HX,Y计算脑电数据X和Y的聚类非对称互信息MI(X,Y),MI(X,Y)=HX+HY-HX,Y;
其中,步骤S2中脑电数据X和Y的信息熵计算方法为:
S21、将所述脑电数据X中的数据点按照振幅从小到大排序,将所述脑电数据Y中的数据点按照振幅从小到大排序;
S22、利用KMeans算法计算所述脑电数据X的聚类中心Cx,根据聚类中心Cx把脑电数据X划分成多个聚类,计算每个聚类中包含的数据点个数Nx,计算每个聚类的概率Px,Px为一聚类中包含的数据点个数占脑电数据X总数据点个数的比例,根据Px计算脑电数据X的信息熵HX,
3.如权利要求1所述的聚类非对称互信息的脑电信号癫痫分类方法,其特征在于,步骤S5中:
所述癫痫分类模型采用浅层密集网络。
4.一种聚类非对称互信息的脑电信号癫痫分类系统,其特征在于,包括:
脑电数据采集模块:采集多通道脑电数据,并对所述多通道脑电数据进行固定时间窗口切分;
聚类非对称互信息计算模块:计算同一时间窗口内的各通道的脑电数据两两之间的聚类非对称互信息,并将各聚类非对称互信息组成特征矩阵;
特征矩阵集合获取模块:计算不同时间窗口对应的特征矩阵,将所有时间窗口对应的所述特征矩阵组成特征矩阵集合;
训练模块:将所述特征矩阵集合中的元素输入癫痫分类模型,训练癫痫分类模型;
癫痫发作期预测模块:所述癫痫分类模型训练完成后,获取新的多通道脑电数据,将新的多通道脑电数据进行脑电数据采集模块、聚类非对称互信息计算模块、特征矩阵集合获取模块的操作,获取新的特征矩阵集合,将新的特征矩阵集合中的元素输入癫痫分类模型,所述癫痫分类模型判断新的多通道脑电数据的多个时间窗口中是否有癫痫发作期;
其中,聚类非对称互信息计算模块中:
两个通道在同一时间窗口内的脑电数据分别为X和Y,计算所述脑电数据X的信息熵HX,计算所述脑电数据Y的信息熵HY,计算脑电数据X和Y的联合信息熵HX,Y,根据信息熵HX、信息熵HY、联合信息熵HX,Y计算脑电数据X和Y的聚类非对称互信息MI(X,Y),MI(X,Y)=HX+HY-HX,Y;
其中,聚类非对称互信息计算模块中:
排序单元:将所述脑电数据X中的数据点按照振幅从小到大排序,将脑电数据Y中的数据点按照振幅从小到大排序;
6.如权利要求4所述的聚类非对称互信息的脑电信号癫痫分类系统,其特征在于,癫痫发作期预测模块中:
所述癫痫分类模型采用浅层密集网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711175499.XA CN108021873B (zh) | 2017-11-22 | 2017-11-22 | 一种聚类非对称互信息的脑电信号癫痫分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711175499.XA CN108021873B (zh) | 2017-11-22 | 2017-11-22 | 一种聚类非对称互信息的脑电信号癫痫分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108021873A CN108021873A (zh) | 2018-05-11 |
CN108021873B true CN108021873B (zh) | 2022-02-15 |
Family
ID=62079927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711175499.XA Active CN108021873B (zh) | 2017-11-22 | 2017-11-22 | 一种聚类非对称互信息的脑电信号癫痫分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021873B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347727B (zh) * | 2019-07-19 | 2023-04-07 | 南京梅花软件系统股份有限公司 | 基于多层级互信息的健康与空气质量数据相关性的过滤方法 |
CN111904415B (zh) * | 2020-09-07 | 2023-06-16 | 天津市人民医院 | 一种基于脑电信号评估大脑左右半球信息交互强度的方法 |
Citations (3)
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 |
CN105249962A (zh) * | 2015-11-03 | 2016-01-20 | 北京联合大学 | 头皮脑电信号回顾性癫痫发作点检测方法及系统 |
CN107095669A (zh) * | 2017-05-10 | 2017-08-29 | 北京大学 | 一种癫痫患者脑电信号的处理方法及系统 |
-
2017
- 2017-11-22 CN CN201711175499.XA patent/CN108021873B/zh active Active
Patent Citations (3)
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 |
CN105249962A (zh) * | 2015-11-03 | 2016-01-20 | 北京联合大学 | 头皮脑电信号回顾性癫痫发作点检测方法及系统 |
CN107095669A (zh) * | 2017-05-10 | 2017-08-29 | 北京大学 | 一种癫痫患者脑电信号的处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108021873A (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610168B (zh) | 一种基于注意力机制的脑电情绪识别方法 | |
CN106503799B (zh) | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 | |
CN111563533B (zh) | 基于图卷积神经网络融合多种人脑图谱的受试者分类方法 | |
Che et al. | Hybrid multimodal fusion with deep learning for rolling bearing fault diagnosis | |
CN112766355B (zh) | 一种标签噪声下的脑电信号情绪识别方法 | |
CN110658915A (zh) | 一种基于双流网络的肌电信号手势识别方法 | |
CN109886068B (zh) | 基于运动数据的动作行为识别方法 | |
CN108921286B (zh) | 一种免阈值设定的静息态功能脑网络构建方法 | |
CN113052333A (zh) | 基于联邦学习进行数据分析的方法及系统 | |
CN110289081B (zh) | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 | |
CN107977651B (zh) | 基于量化最小误差熵的共用空间模式空域特征提取方法 | |
CN108021873B (zh) | 一种聚类非对称互信息的脑电信号癫痫分类方法及系统 | |
Abdel-Motaleb et al. | Artificial intelligence algorithm for heart disease diagnosis using phonocardiogram signals | |
CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
De Falco et al. | Deep neural network hyper-parameter setting for classification of obstructive sleep apnea episodes | |
CN111387975A (zh) | 基于机器学习的脑电信号识别方法 | |
CN111227827B (zh) | 一种基于社区划分算法的脑电图信号分析方法 | |
CN113297994A (zh) | 一种飞行员行为分析方法及系统 | |
Padole et al. | Graph wavelet-based multilevel graph coarsening and its application in graph-CNN for alzheimer’s disease detection | |
Jansi et al. | Hierarchical evolutionary classification framework for human action recognition using sparse dictionary optimization | |
CN115886735A (zh) | 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 | |
CN112883905B (zh) | 基于粗粒度时频特征与多层融合学习的人体行为识别方法 | |
CN112084935B (zh) | 一种基于扩充高质量脑电样本的情绪识别方法 | |
CN112259228B (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
Dhanka et al. | A comparative assessment of machine learning techniques for epilepsy detection using eeg signal |
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 |