CN108175401A - 一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统及获取干扰脑电分布的方法 - Google Patents

一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统及获取干扰脑电分布的方法 Download PDF

Info

Publication number
CN108175401A
CN108175401A CN201711303317.2A CN201711303317A CN108175401A CN 108175401 A CN108175401 A CN 108175401A CN 201711303317 A CN201711303317 A CN 201711303317A CN 108175401 A CN108175401 A CN 108175401A
Authority
CN
China
Prior art keywords
signal acquisition
brain
magnetic field
intervention
current potential
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
Application number
CN201711303317.2A
Other languages
English (en)
Other versions
CN108175401B (zh
Inventor
孟濬
黄旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201711303317.2A priority Critical patent/CN108175401B/zh
Publication of CN108175401A publication Critical patent/CN108175401A/zh
Application granted granted Critical
Publication of CN108175401B publication Critical patent/CN108175401B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Neurology (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Neurosurgery (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统及获取干扰脑电分布的方法，该系统包括非接触采集模块、非接触控制模块与非接触干预模块；采集模块包括若干与头皮不接触的信号采集电极；控制模块包括时间预测单元和空间预测单元；干预模块包括若干可控脉冲电磁单元，可控脉冲电磁单元具有正对头皮的电磁线圈，电磁线圈与信号采集电极交错布置；本发明系统可以在癫痫发作之前预测其发作时间、发作位置、并根据其预测结果以对偶互补方式干预大脑中电荷分布与电流趋势，充分利用了混沌电路的初始敏感性、机器学习以及生物电磁耦合原理非接触非侵入无损伤测量脑电与干预癫痫，可应用于可穿戴设备与移动医疗领域。

Description

一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预 系统及获取干扰脑电分布的方法
技术领域
本发明涉及电磁理疗领域，具体涉及一种非接触、非侵入、无损伤的癫痫监测预警干预系统及获取干扰脑电分布的方法。
背景技术
癫痫即俗称的羊角风或羊癫风，是由内部网络缺陷引起的、部分网络节点压力过高，从而引发的部分网络节点压力过高的放电现象。
除了患者脑部区域结构损伤以外，癫痫发作造成的抽搐、丧失意识，也会使患者造成跌伤、磕碰等二次伤害。目前主要的治疗分为：药物治疗辅助以手术治疗。
越来越多的证据表明：电磁场可能作为诱导因子对细胞的信号通道产生影响；细胞膜是环境电磁场与细胞作用的主要靶部位，细胞膜受体是电磁场可能的信号耦合点之一。此外，由于混沌动力系统的动力学行为对初始参数的极端敏感性，人们可以通过非线性电路对一些微弱信号进行检测与提取。
发明内容
本发明的目的在于针对现有技术的不足，提供一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统及获取干扰脑电分布的方法。
本发明的目的是通过以下技术方案来实现的：一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统，该系统为三层叠加结构，从内至外分别为：非接触采集模块、非接触干预模块和非接触控制模块；
所述非接触采集模块包括n个信号采集电极，信号采集电极与头皮不接触，通过放大器放大信号采集电极采集的癫痫患者脑电波，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e'i,i＝1,2,3,...,n，随后通过滤波器对电位e'i进行降噪、过滤处理得到滤波后的电位ei,i＝1,2,3,...,n；
所述非接触控制模块包括时间预测单元和空间预测单元，时间-空间耦合控制确定癫痫爆发的时刻与癫痫爆发的位置；
所述时间预测单元通过t时刻之前的设定时间间隔内的各个时间点采集的电位序列，训练得到预测函数P，通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)，预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的预测电位e(t*)标记e*，e*对应的信号采集电极的位置集合A＝{(x,y)|e*≥θ}判断为时间预测的爆发位置，其中x代表信号采集电极在非接触采集模块中的行数，y代表信号采集电极在非接触采集模块中的列数，e*对应的时间t*为癫痫预测爆发时间；将预测的爆发位置发送给空间预测单元，同时启动空间预测单元，否则继续进行监测；
所述空间预测单元通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x,y)，获得n个信号采集电极的n(η+1)个电压e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，每个信号采集点的η+1个电压e(i,t)(x,y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度D(i,j)，(i＝1,2,...,n,j＝1,2,...η)；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值通过比较n个信号采集电极的电压梯度平均值得到电压梯度极大值坐标(x',y')的集合B与极小值坐标(x",y")的集合C；
通过求集合A和B的交集得到大脑兴奋区域坐标(x*,y*)集合P，通过求集合和C的交集得到大脑非兴奋区域坐标(x^,y^)集合N，并将坐标集合信息发送给干预模块；
所述非接触干预模块包括m个可控脉冲电磁单元，所述可控脉冲电磁单元具有正对头皮的电磁线圈，所述电磁线圈与信号采集电极交错布置，在垂直方向上无重叠；所述电磁线圈产生大小与极性可控的干预磁场所述干预磁场能够与大脑中的生物电场耦合；
大脑采集点可以得到脑电数据集脑电梯度数据，因为各采集点在大脑中以阵列排布，且本系统是一个监测、电磁耦合干预于一体的实时系统，当大脑内部电路信号发生变化时，该系统能够做出实时反馈和干预，因此该系统与大脑构成了一个非线性耦合的大系统；
通过每个采集点对于该点电压e的测量，进而可以得到该点的电压梯度即场强将大脑颅骨以内的位置当作电位零点，d为从头皮到电位零点所在位置距离。
变化的电场将会产生恒定的磁场，通过由麦克斯韦方程可得与磁场B之间的关系。
其中J为传导电流密度，其值与媒介即大脑颅骨等的特性如颅骨及大脑皮层的电导率σ有关。
大脑区域电荷量变化情况会影响大脑磁场分布，当大脑中某一区域电荷大量积聚，则引发该区域磁场B'变化。而当可控脉冲电磁单元对大脑发出电磁脉冲B时，磁场中力的作用将会改变干预点电荷分布，从而改变干预点大脑位置磁场B'分布。
所述干预方法为对偶互补阵列干预方式：
首先根据每个信号采集点测量得到的该点电压e，由麦克斯韦方程组计算出大脑中每个采集点感应出来的磁场强度B，可控脉冲电磁单元产生的干预磁场根据B的变化对该采集点施加极性相同方向相反的作用，且干预磁场可以在0T到2T之间调节；将神经元膜电位变化时的正电荷在细胞膜的垂直方向运动看作一个微小的电流元，随后电流元在产生的磁场中产生可以使自身移动的安培力，磁场越强，所产生的安培力越大，电流元移动的速度越快；测量磁场强度B越大，脉冲电磁单元产生的干预磁场越大，反之越小，通过磁场变化改变神经元中的电荷分布；
所述干预方法为对偶互补阵列干预方式：
首先根据每个信号采集点测量得到的该点电压e，由麦克斯韦方程组计算出大脑中每个采集点感应出来的磁场强度B，可控脉冲电磁单元产生的干预磁场根据B的变化对该采集点施加极性相同方向相反的作用，且干预磁场可以在0T到2T之间调节；将神经元膜电位变化时的正电荷在细胞膜的垂直方向运动看作一个微小的电流元，随后电流元在产生的磁场中产生可以使自身移动的安培力，磁场越强，所产生的安培力越大，电流元移动的速度越快；测量磁场强度B越大，脉冲电磁单元产生的干预磁场越大，反之越小，通过磁场变化改变神经元中的电荷分布；
根据控制方式的不同，对偶互补阵列干预方式分为离散干预与连续干预两种模式：
1)离散对偶互补阵列干预方法：以时间间隔T依次实施测量以及干预的操作；t0时刻通过测量各采集点电压e计算得到大脑磁场B分布，经过时间间隔T后的t1时刻使用干预磁场对大脑磁场B的计算区域进行电磁干预，各个位置的采集点与干预点重复此干预过程疏散兴奋区域过多电荷；
2)连续对偶互补阵列干预方法：采用测量与干预同时操作的方式，t0时刻通过测量各采集点电压e计算得到大脑磁场B0分布，干预磁场跟随B0的变化并对大脑磁场B0的计算区域进行电磁干预，持续此干预过程疏散兴奋区域过多电荷；
直到兴奋区域坐标集合P中对应测量电位ek(k＝1,2,…,p)均小于时间预测时候的电位阈值θ时停止干预。
进一步地，该系统置于大脑外侧，外观呈帽形。
进一步地，所述放大器为非接触信号放大器，不同于以往需要开颅手术或是给头皮上涂抹盐水等手段增强信号，信号采集电极与头皮可以接触也可以不接触，采用非线性电路，利用混沌电路的初始敏感性可以测量微小的扰动，如杜芬电路振子电路可以用来测量微弱信号的变化；非接触信号放大器通过杜芬电路公式搭建而成：
其中k是阻尼比，x为测量信号，(x3-x5)为非线性恢复力，γsin(ωt+π)为内置驱动信号，γ为内置驱动信号的幅值，ω为内置驱动信号的频率。
进一步地，所述通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)具体为：
对于第i个信号采集电极，通过放大过滤后得到的电位时间序列为ei(t),(i＝1,2,...,n)，设c(i)为与节点i相邻的节点集合，m为c(i)中的元素个数，表示相邻节点的个数，ec(i)(t)为节点集合c(i)的电位；以ei(t)与ec(i)(t)的历史数据作为输入输出样本来训练预测函数P；
训练过程具体如下：
定义预测函数P的输入为input，输出为output；训练第k代的时候，input的输入长度为(1+m)*(1+τ)，输出长度为1；取Δt为一个时间间隔，则t时刻第i个信号采集点电位为ei(t)，t时刻以前τ个时间间隔Δt的电位表示为ei(t-1),ei(t-2)...,ei(t-τ)；第i个信号采集点的相邻采集点的电位为ec(i)(t)、τ个时间间隔Δt的电位表示为ec(i)(t-1),ec(i)(t-2)...,e(i)(t-τ)，以上这长度为1+τ个数为1+m的时间序列作为输入，则输入表示为：
input＝{ei(t),ei(t-1),...,ei(t-τ),ec(i)(t),ec(i)(t-1),...,ec(i)(t-τ)}；
训练时的输出为t时刻经过一个时间间隔Δt的电位,表示为ei(t+1)，则输出表示为：output＝{ei(t+1)}；则
若t取之前的某一时刻t0，则input＝{ei(t0),ei(t0-1),...,ei(t0-τ),ec(i)(t0),ec(i)(t0-1),...,ec(i)(t0-τ)}，训练输出output＝{ei(t0+1)}作为一组训练样本；取时间间隔为Δt'、且从t0时刻后取N个时间间隔如t0,t0+1,...,t0+N-1作为N组训练样本，训练1000次到10000次，得到训练函数P，且output＝P(input)；
当t取当前时刻t1，则通过预测函数P预测得到下一时刻t+Δt的采集点电压幅值ei(t+Δt)；令t*＝t+Δt,则t*表示为预测时刻，同时预测电位表示为e(t*)。
进一步地，所述空间预测单元中，电压梯度平均值的获取方法如下：
通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x,y)，获得n个信号采集电极n(η+1)个时刻的采集电位e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，将e(i,t)(x,y)记作e(i,t)，则有采集电位矩阵：
采集电位矩阵的每一行表示η+1个较短时刻的采集电位序列，对矩阵相邻两列作差，得到n个信号采集电极的η个电位梯度D(i,j)＝e(i,t)(x,y)-e(i,t-1)(x,y)，(t＝t1-η+1,...,t1-2,t1-1,t1.i＝1,2,...,n,j＝1,2,...η)，则有电位梯度矩阵：
电压梯度矩阵的第i行表示第i个信号采集点的电位时间差分序列，第j列表示第j个相邻的电位时间梯度，随后对每一行的电位时间差分序列求取平均值得到电压梯度平均值
进一步地，，所述可控脉冲电磁单元包括PWM波控制模块、全控可关断电力电子器件模块、电磁线圈；所述全控可关断电力电子器件模块采用IGBT，PWM波控制模块的输出端接IGBT的门极G，IGBT的集电极C分别接电容C1的一端和滑动变阻器R1的第一固定端，滑动变阻器R1的第二固定端连接电源的正极，IGBT的发射极E接电磁线圈的一端，电磁线圈的另一端和电容C1的另一端相连后接电源的负极；所述滑动变阻器R1能够改变电磁线圈中电流的大小；通过PWM波控制模块控制IGBT的开启和关断，从而改变电磁线圈中的电流大小，进而改变干预磁场的方向以及强弱。
一种非接触非侵入无损伤对偶互补方式获取干扰脑电分布的方法，以一种非接触非侵入无损伤的方法获取并以对偶互补方式干扰电荷的分布与电流的趋势；这种方法包括非接触测量大脑中的电荷与电流的分布，时间预测结合空间预测来定位电荷积聚较多且积聚速度块或者电荷积聚较少且积聚速度慢的区域，并基于对偶互补的方法干预大脑中的电荷的分布与神经元中的电流趋势；具体步骤如下：
第1步：通过n个信号采集电极采集被试者的脑电波，信号采集电极与头皮不接触，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e'i,i＝1,2,3,...,n，随后通过滤波器对电位e′i进行降噪、过滤处理得到滤波后的电位ei,i＝1,2,3,...,n；
第2步：时间预测：通过t时刻之前的设定时间间隔内的各个时间点采集的电位序列，训练得到预测函数P，通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)，预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的信号采集电极的位置集合设置为A＝{(x,y)|e*≥θ}，其中(x,y)为信号采集电极的位置坐标；
第3步：空间预测：通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极的位置(x,y)，获得n个信号采集电极的n(η+1)个电压e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，每个信号采集点的η+1个电压e(i,t)(x,y)中，取相邻的电压两两作差，得到每个信号采集电极的Windows用户η个电压梯度D(i,j)，(i＝1,2,...,n,j＝1,2,...η)；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值通过比较n个信号采集电极的电压梯度平均值得到电压梯度极大值坐标(x',y')的集合B与极小值坐标(x",y")的集合C；
第4步：通过集合A和B的交集得到大脑兴奋区域坐标(x*,y*)集合P，通过求集合和C的交集得到大脑非兴奋区域坐标(x^,y^)集合N；
第5步：脑电干扰：首先根据每个信号采集点测量得到的该点电压e，由麦克斯韦方程组计算出大脑中每个采集点感应出来的磁场强度B，可控脉冲电磁单元产生的干预磁场根据B的变化对该采集点施加极性相同方向相反的作用，且干预磁场可以在0T到2T之间调节；将神经元膜电位变化时的正电荷在细胞膜的垂直方向运动看作一个微小的电流元，随后电流元在产生的磁场中产生可以使自身移动的安培力，磁场越强，所产生的安培力越大，电流元移动的速度越快；测量磁场强度B越大，脉冲电磁单元产生的干预磁场(i＝1,2,…,n)越大，反之越小，通过磁场变化改变神经元中的电荷分布；作用时间持续ΔT后，若兴奋区域信号采集单元电位ek(k＝1,2,…,p)电位都小于电位阈值θ时，则停止干扰，否则继续干扰操作
本发明的有益效果是：
(1)由于传统的脑电测量手段需要对被试验者开颅插电极片或是紧贴头皮抹生理盐水贴电极片来获取所需数据，对被试验者带来了极大的困扰。本发明采用非接触手段如杜芬信号检测电路等对本系统使用者的脑电数据进行检测。利用混沌电路的初始敏感性可以以非侵入、无损伤的方法获得脑电信号；
(2)一般的发明只是预测癫痫爆发时间来提出预警，预警功能并不完善。本发明提出了一种利用脑电梯度场的方法对癫痫位置进行预测，结合时-空预测结合的方法得到脑电中电荷大量积聚到临界值的时间以及空间位置。
(3)电荷在大脑中流动时会因为某些结构上的缺陷而导致电荷大量积聚，引发癫痫等脑部放电症状。本发明通过可控磁场的干预作用提出对偶阵列干预方式的干预方法，使电荷积聚区域电荷转移至电荷积聚较少区域。
(4)本发明轻便快捷，可应用于可穿戴设备与移动医疗领域。
附图说明
图1本系统的外观概念图；
图2可控脉冲电磁单元与杜芬脑电采集单元分布图；
图3本系统的杜芬脑电采集电路图；
图4时间序列预测示意图；
图5空间预测电压拟合表面图；
图6可控脉冲电磁单元电路图；
图7对偶互补阵列干预示意图；
图8神经元细胞膜等效电流元受安培力示意图；
图9本系统的组成框图；
图10本系统的完整工作流程图；
图11离散式对偶互补干预方式的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面我们结合附图对本发明做进一步的描述。
本发明提供的一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统，如图1所示，该系统外观呈帽形或是包裹住大脑的形状，具有三层结构，从内至外分别为：非接触采集模块、非接触干预模块和非接触控制模块；杜芬脑电采集单元与可控脉冲电磁单元分布如图2所示，彼此互不重叠，交错排列。
采集模块包括n个信号采集电极，信号采集电极与头皮不接触，通过放大器放大信号采集电极采集的癫痫患者脑电波，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e'i,i＝1,2,3,...,n，随后通过滤波器对电位e'i进行降噪、过滤处理得到滤波后的电位ei,i＝1,2,3,...,n；如图3所示，信号采集电极电路由杜芬电路方程实现。
如图4所示，所述时间预测单元通过t时刻之前的设定时间间隔内的各个时间点采集的电位序列，训练得到预测函数P；
对于第i个信号采集电极，通过放大过滤后得到的电位时间序列为ei(t),(i＝1,2,...,n)，设c(i)为与节点i相邻的节点集合，m为c(i)中的元素个数，表示相邻节点的个数，ec(i)(t)为节点集合c(i)的电位；
定义预测函数P的输入为input，输出为output；取Δt为一个时间间隔，则t时刻第i个信号采集点电位为ei(t)，t时刻以前τ个时间间隔的电位表示为ei(t-1),ei(t-2)...,ei(t-τ)；第i个信号采集点的相邻采集点的电位为ec(i)(t)、τ个时间间隔的电位表示为ec(i)(t-1),ec(i)(t-2)...,e(i)(t-τ)；以1+m个长度为1+τ的样本作为输入，则输入表示为：input＝{ei(t),ei(t-1),...,ei(t-τ),ec(i)(t),ec(i)(t-1),...,ec(i)(t-τ)}；
预测函数P的输出为t时刻经过一个时间间隔Δt的电位ei(t+1)，则输出表示为：output＝{ei(t+1)}；
训练第k代的时候，input的输入长度为(1+m)*(1+τ)，输出长度为1；
若t取之前的某一时刻t0，将训练输入input＝{ei(t0),ei(t0-1),...,ei(t0-τ),ec(i)(t0),ec(i)(t0-1),...,ec(i)(t0-τ)}和训练输出output＝{ei(t0+1)}作为一组训练样本；取时间间隔为Δt'、且从t0时刻后取N个时间间隔，即t0,t0+1,...,t0+N-1对应的input和output作为N组训练样本，训练代数k取1000次到10000次，根据训练结果得到训练函数P，即output＝P(input)；
当t取当前时刻，则通过预测函数P预测得到下一时刻t+Δt的采集点电压幅值ei(t+Δt)；令预测时刻t*＝t+Δt，得到预测时刻t*的预测电位e(t*)；
预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的预测电位e(t*)标记e*，e*对应的信号采集电极的位置集合A＝{(x,y)|e*≥θ}判断为时间预测的爆发位置，其中x代表信号采集电极在采集模块中的行数，y代表信号采集电极在采集模块中的列数，e*对应的时间t*为癫痫预测爆发时间；将预测的爆发位置发送给空间预测单元，同时启动空间预测单元，否则继续进行监测；
如图5所示，所述空间预测单元通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x,y)，获得n个信号采集电极的n(η+1)个电压e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，每个信号采集点的η+1个电压e(i,t)(x,y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度D(i,j)，(i＝1,2,...,n,j＝1,2,...η)；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值通过比较n个信号采集电极的电压梯度平均值得到电压梯度极大值坐标(x',y')的集合B与极小值坐标(x",y")的集合C；
通过求集合A和B的交集得到大脑兴奋区域坐标(x*,y*)集合P，通过求集合和C的交集得到大脑非兴奋区域坐标(x^,y^)集合N，并将坐标集合信息发送给干预模块；
所述非接触干预模块包括m个可控脉冲电磁单元，如图6所示，可控脉冲电磁单元具有正对头皮的电磁线圈，所述电磁线圈与信号采集电极交错布置，在垂直方向上无重叠；
所述干预方法为对偶互补阵列干预方式：
首先根据每个信号采集点测量得到的该点电压e，由麦克斯韦方程组计算出大脑中每个采集点感应出来的磁场强度B，如图7所示可控脉冲电磁单元产生的干预磁场根据B的变化对该采集点施加极性相同方向相反的作用，且干预磁场可以在0T到2T之间调节；如图8所示，将神经元膜电位变化时的正电荷在细胞膜的垂直方向运动看作一个微小的电流元，随后电流元在产生的磁场中产生可以使自身移动的安培力，磁场越强，所产生的安培力越大，电流元移动的速度越快；测量磁场强度B越大，脉冲电磁单元产生的干预磁场越大，反之越小，通过磁场变化改变神经元中的电荷分布；
根据控制方式的不同，对偶互补阵列干预方式分为离散干预与连续干预两种模式：
1)离散对偶互补阵列干预方法：以时间间隔T依次实施测量以及干预的操作；t0时刻通过测量各采集点电压e计算得到大脑磁场B分布，经过时间间隔T后的t1时刻使用干预磁场对大脑磁场B的计算区域进行电磁干预，各个位置的采集点与干预点重复此干预过程疏散兴奋区域过多电荷；
2)连续对偶互补阵列干预方法：采用测量与干预同时操作的方式，t0时刻通过测量各采集点电压e计算得到大脑磁场B0分布，干预磁场跟随B0的变化并对大脑磁场B0的计算区域进行电磁干预，持续此干预过程疏散兴奋区域过多电荷；
直到兴奋区域坐标集合P中对应测量电位ek(k＝1,2,…,p)均小于时间预测时候的电位阈值θ时停止干预。
本系统组成图如图9所示，完整工作流程图如图10所示。
实施例1：
下面以一个佩戴此系统的被试对象为例，具体说明本系统的使用方法：
具体地，当被试对象佩戴本系统时，信号采集电极与头皮不接触，通过放大器放大信号采集电极采集的癫痫患者脑电波，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e'i,i＝1,2,3,...,n，随后通过滤波器对电位e'i进行降噪、过滤处理得到滤波后的电位ei,i＝1,2,3,...,n；
对于第i个信号采集电极，通过放大过滤后得到的电位时间序列为ei(t),(i＝1,2,...,n)，设c(i)为与节点i相邻的节点集合，m为c(i)中的元素个数，表示相邻节点的个数，ec(i)(t)为节点集合c(i)的电位；将被试对象佩戴此系统的时刻设置为t0，将训练输入input＝{ei(t0),ei(t0-1),...,ei(t0-τ),ec(i)(t0),ec(i)(t0-1),...,ec(i)(t0-τ)}和训练输出output＝{ei(t0+1)}作为一组训练样本；取时间间隔为Δt'、且从t0时刻后取N个时间间隔，即t0,t0+1,...,t0+N-1对应的input和output作为N组训练样本，训练代数k取5000次，根据训练结果得到训练函数P，即output＝P(input)；
当t取佩戴时刻，则通过预测函数P预测得到下一时刻t+Δt的采集点电压幅值ei(t+Δt)；令预测时刻t*＝t+Δt，得到预测时刻t*的预测电位e(t*)。
预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的预测电位e(t*)标记e*，e*对应的信号采集电极的位置集合A＝{(x,y)|e*≥θ}判断为时间预测的爆发位置，其中x代表信号采集电极在采集模块中的行数，y代表信号采集电极在采集模块中的列数，e*对应的时间t*为癫痫预测爆发时间；将预测的爆发位置发送给空间预测单元，同时启动空间预测单元；所述空间预测单元通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x,y)，获得n个信号采集电极的n(η+1)个电压e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，每个信号采集点的η+1个电压e(i,t)(x,y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度D(i,j)，(i＝1,2,...,n,j＝1,2,...η)；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值通过比较n个信号采集电极的电压梯度平均值得到电压梯度极大值坐标(x',y')的集合B与极小值坐标(x",y")的集合C；
通过求集合A和B的交集得到大脑兴奋区域坐标(x*,y*)集合P，通过求集合和C的交集得到大脑非兴奋区域坐标(x^,y^)集合N，并将坐标集合信息发送给干预模块；
1)当系统采用离散对偶互补阵列干预方法时，如图11所示：以时间间隔T依次实施测量以及干预的操作；t0时刻通过测量各采集点电压e计算得到大脑磁场B分布，经过时间间隔T后的t1时刻使用干预磁场对大脑磁场B的计算区域进行电磁干预，各个位置的采集点与干预点重复此干预过程疏散兴奋区域过多电荷；
2)当系统采用连续对偶互补阵列干预方法时，如图11所示：采用测量与干预同时操作的方式，t0时刻通过测量各采集点电压e计算得到大脑磁场B0分布，干预磁场跟随B0的变化并对大脑磁场B0的计算区域进行电磁干预，持续此干预过程疏散兴奋区域过多电荷；
直到兴奋区域坐标集合P中对应测量电位ek(k＝1,2,…,p)均小于时间预测时候的电位阈值θ时停止干预。
实施例2：
下面以一个系统的使用者使用该系统使用本系统的时间-空间耦合方法预测与只进行时间预测方法的系统对比使用效果：
假设一个室外场景，癫痫患者佩戴此系统搭乘公交车前往某地，假设t0时刻为佩戴系统的时间，t1为当前时刻，也为时间预测单元发出预警信号的时刻。从t0时刻开始，非接触采集模块开始检测脑电患者的脑电电压值，若只有简单时间预测，即在t1时刻预警癫痫爆发并向外界发出信号，在这个时间段内患者可以找到地方坐下来或是平躺在地上，但是依然无法避免癫痫的爆发，在室外场景或是没有人陪同的场景下依然会对患者造成伤害；
当采用本发明的时间-空间耦合方法预警癫痫爆发的时间t*以及爆发点的兴奋区域P与非兴奋区域N，则可以使得患者在t1时刻接受到系统的报警并接受系统采用对偶互补的方法干扰大脑中的电荷分布，当患者大脑内的电荷达到平衡的时候报警解除，系统继续监测患者的脑电，并将刚刚预警以及干扰的操作发送给患者以及患者的医疗数据中以备后面医生进行进一步的分析与诊断。
实施例3：
根据设置脑电电位阈值θ值的大小，可以将此方法用来抑制大脑内过高电荷积聚或是大脑内过低电荷积聚；当大脑神经元亢奋时使用将阈值θ调成较高的值，当大脑神经元低迷时使用将阈值θ调成较低的值；
下面以两个佩戴此系统的使用者来实现使用该系统的方法以非接触非侵入无损伤地获取以及干扰脑电分布：
系统使用者甲是一名夜晚失眠的使用者，在睡觉的时间点神经元亢奋，非接触测量得到的兴奋区域P脑电电压值高于阈值θ；
当他佩戴此系统时，首先以一种非接触非侵入无损伤的方法获取大脑中的电荷分布，当检测到脑电电压值过高的情况，时间预测单元提示脑电出现异常，表明此刻大脑神经元此刻处于亢奋状态，利用时间-空间耦合控制的方法确定出脑电电压值过高的兴奋区域集合P以及脑电电压值较低的非兴奋区域集合N，通过对偶互补方法使得兴奋区域P的电位下降，大脑重新恢复平静状态，进而可以进入安稳的睡眠状态；
而系统使用者乙是一名夜晚疲劳驾驶的使用者，驾驶过程中大部分时间神经元处于低迷状态，非接触测量得到的非兴奋区域N脑电电压值低于阈值θ；
当他佩戴此系统时，首先以一种非接触非侵入无损伤的方法获取大脑中的电荷分布，当检测到脑电电压值过低的情况，时间预测单元提示脑电出现异常，可能需要使其保持头脑清醒；利用时间-空间耦合控制的方法确定出神经元非兴奋区域集合N与正常兴奋区域P，通过对偶互补方法使得非兴奋区域N的电位上升，大脑重新恢复清醒状态，可以预防疲劳驾驶的危害。

Claims (7)

1.一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统，其特征在于，该系统为三层叠加结构，从内至外分别为：非接触采集模块、非接触干预模块和非接触控制模块；
所述非接触采集模块包括n个信号采集电极，信号采集电极与头皮不接触，通过放大器放大信号采集电极采集的癫痫患者脑电波，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e'i,i＝1,2,3,...,n，随后通过滤波器对电位e′i进行降噪、过滤处理得到滤波后的电位ei,i＝1,2,3,...,n；
所述非接触控制模块包括时间预测单元和空间预测单元；
所述时间预测单元通过t时刻之前的设定时间间隔内的各个时间点采集的电位序列，训练得到预测函数P，通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)，预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的预测电位e(t*)标记e*，e*对应的信号采集电极的位置集合A＝{(x,y)|e*≥θ}判断为时间预测的爆发位置，其中x代表信号采集电极在非接触采集模块中的行数，y代表信号采集电极在非接触采集模块中的列数，e*对应的时间t*为癫痫预测爆发时间；将预测的爆发位置发送给空间预测单元，同时启动空间预测单元，否则继续进行监测；
所述空间预测单元通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x,y)，获得n个信号采集电极的n(η+1)个电压e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，每个信号采集点的η+1个电压e(i,t)(x,y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度D(i,j)，(i＝1,2,...,n,j＝1,2,...η)；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值通过比较n个信号采集电极的电压梯度平均值得到电压梯度极大值坐标(x',y')的集合B与极小值坐标(x",y")的集合C；
通过求集合A和B的交集得到大脑兴奋区域坐标(x*,y*)集合P，通过求集合A和C的交集得到大脑非兴奋区域坐标(x^,y^)集合N，并将坐标集合信息发送给干预模块；
所述非接触干预模块包括m个可控脉冲电磁单元，所述可控脉冲电磁单元具有正对头皮的电磁线圈，所述电磁线圈与信号采集电极交错布置，在垂直方向上无重叠；所述电磁线圈产生大小与极性可控的干预磁场所述干预磁场能够与大脑中的生物电场耦合；
所述干预方法为对偶互补阵列干预方式：
首先根据每个信号采集点测量得到的该点电压e，由麦克斯韦方程组计算出大脑中每个采集点感应出来的磁场强度B，可控脉冲电磁单元产生的干预磁场根据B的变化对该采集点施加极性相同方向相反的作用，且干预磁场可以在0T到2T之间调节；将神经元膜电位变化时的正电荷在细胞膜的垂直方向运动看作一个微小的电流元，随后电流元在产生的磁场中产生可以使自身移动的安培力，磁场越强，所产生的安培力越大，电流元移动的速度越快；测量磁场强度B越大，脉冲电磁单元产生的干预磁场越大，反之越小，通过磁场变化改变神经元中的电荷分布；
根据控制方式的不同，对偶互补阵列干预方式分为离散干预与连续干预两种模式：
1)离散对偶互补阵列干预方法：以时间间隔T依次实施测量以及干预的操作；t0时刻通过测量各采集点电压e计算得到大脑磁场B分布，经过时间间隔T后的t1时刻使用干预磁场(i＝1,2,…,m)对大脑磁场B的计算区域进行电磁干预，各个位置的采集点与干预点重复此干预过程疏散兴奋区域过多电荷；
2)连续对偶互补阵列干预方法：采用测量与干预同时操作的方式，t0时刻通过测量各采集点电压e计算得到大脑磁场B0分布，干预磁场跟随B0的变化并对大脑磁场B0的计算区域进行电磁干预，持续此干预过程疏散兴奋区域过多电荷；
直到兴奋区域坐标集合P中对应测量电位ek(k＝1,2,…,p)均小于时间预测时候的电位阈值θ时停止干预。
2.根据权利要求1所述的非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统，其特征在于，该系统置于大脑外侧，外观呈帽形。
3.根据权利要求1所述的非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统，其特征在于，所述放大器为杜芬电路放大器，通过以下公式搭建而成：
其中k是阻尼比，x为测量信号，(x3-x5)为非线性恢复力，γsin(ωt+π)为内置驱动信号，γ为内置驱动信号的幅值，ω为内置驱动信号的频率。
4.根据权利要求1所述的非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统，其特征在于，所述通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)具体为：
对于第i个信号采集电极，通过放大过滤后得到的电位时间序列为ei(t),(i＝1,2,...,n)，设c(i)为与节点i相邻的节点集合，m为c(i)中的元素个数，表示相邻节点的个数，ec(i)(t)为节点集合c(i)的电位；以ei(t)与ec(i)(t)的历史数据作为输入输出样本来训练预测函数P；
训练过程具体如下：
定义预测函数P的输入为input，输出为output；训练第k代的时候，input的输入长度为(1+m)*(1+τ)，输出长度为1；取Δt为一个时间间隔，则t时刻第i个信号采集点电位为ei(t)，t时刻以前τ个时间间隔Δt的电位表示为ei(t-1),ei(t-2)...,ei(t-τ)；第i个信号采集点的相邻采集点的电位为ec(i)(t)、τ个时间间隔Δt的电位表示为ec(i)(t-1),ec(i)(t-2)...,e(i)(t-τ)，以上这长度为1+τ个数为1+m的时间序列作为输入，则输入表示为：
input＝{ei(t),ei(t-1),...,ei(t-τ),ec(i)(t),ec(i)(t-1),...,ec(i)(t-τ)}；
训练时的输出为t时刻经过一个时间间隔Δt的电位,表示为ei(t+1)，则输出表示为：
output＝{ei(t+1)}；则
若t取之前的某一时刻t0，则
input＝{ei(t0),ei(t0-1),...,ei(t0-τ),ec(i)(t0),ec(i)(t0-1),...,ec(i)(t0-τ)}，训练输出output＝{ei(t0+1)}作为一组训练样本；取时间间隔为Δt'、且从t0时刻后取N个时间间隔如t0,t0+1,...,t0+N-1作为N组训练样本，训练1000次到10000次，得到训练函数P，且output＝P(input)；
当t取当前时刻t1，则通过预测函数P预测得到下一时刻t+Δt的采集点电压幅值ei(t+Δt)；令t*＝t+Δt,则t*表示为预测时刻，同时预测电位表示为e(t*)。
5.根据权利要求1所述的非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统，其特征在于，所述空间预测单元中，电压梯度平均值的获取方法如下：
通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极在非接触采集模块的位置(x,y)，获得n个信号采集电极n(η+1)个时刻的采集电位
e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，将e(i,t)(x,y)记作e(i,t)，则有采集电位矩阵：
采集电位矩阵的每一行表示η+1个较短时刻的采集电位序列，对矩阵相邻两列作差，得到n个信号采集电极的η个电位梯度
D(i,j)＝e(i,t)(x,y)-e(i,t-1)(x,y)，(t＝t1-η+1,...,t1-2,t1-1,t1.i＝1,2,...,n,j＝1,2,...η)，则有电位梯度矩阵：
电压梯度矩阵的第i行表示第i个信号采集点的电位时间差分序列，第j列表示第j个相邻的电位时间梯度，随后对每一行的电位时间差分序列求取平均值得到电压梯度平均值
6.根据权利要求1所述的非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统，其特征在于，所述可控脉冲电磁单元包括PWM波控制模块、全控可关断电力电子器件模块、电磁线圈；所述全控可关断电力电子器件模块采用IGBT，PWM波控制模块的输出端接IGBT的门极G，IGBT的集电极C分别接电容C1的一端和滑动变阻器R1的第一固定端，滑动变阻器R1的第二固定端连接电源的正极，IGBT的发射极E接电磁线圈的一端，电磁线圈的另一端和电容C1的另一端相连后接电源的负极；所述滑动变阻器R1能够改变电磁线圈中电流的大小；通过PWM波控制模块控制IGBT的开启和关断，从而改变电磁线圈中的电流大小，进而改变干预磁场的方向以及强弱。
7.一种非接触非侵入无损伤对偶互补方式获取干扰脑电分布的方法，其特征在于，以一种非接触非侵入无损伤的方法获取并以对偶互补方式干扰电荷的分布与电流的趋势；这种方法包括非接触测量大脑中的电荷与电流的分布，时间预测结合空间预测来定位电荷积聚较多且积聚速度块或者电荷积聚较少且积聚速度慢的区域，并基于对偶互补的方法干预大脑中的电荷的分布与神经元中的电流趋势；具体步骤如下：
第1步：通过n个信号采集电极采集被试者的脑电波，信号采集电极与头皮不接触，通过机器学习得到脑电波和实际电位信息的关系，从而通过非接触方式得到电位e'i,i＝1,2,3,...,n，随后通过滤波器对电位e'i进行降噪、过滤处理得到滤波后的电位ei,i＝1,2,3,...,n；
第2步：时间预测：通过t时刻之前的设定时间间隔内的各个时间点采集的电位序列，训练得到预测函数P，通过预测函数P得到每个信号采集电极预测时刻t*的电位e(t*)，预测电位e(t*)和设定电位阈值θ比较，将大于等于θ的信号采集电极的位置集合设置为A＝{(x,y)|e*≥θ}，其中(x,y)为信号采集电极的位置坐标；
第3步：空间预测：通过n个信号采集电极的当前时刻t1的邻域时刻的电位，结合n个信号采集电极的位置(x,y)，获得n个信号采集电极的n(η+1)个电压
e(i,t)(x,y),(t＝t1-η,...,t1-2,t1-1,t1；i＝1,2,...,n)，每个信号采集点的η+1个电压e(i,t)(x,y)中，取相邻的电压两两作差，得到每个信号采集电极的η个电压梯度
D(i,j)，(i＝1,2,...,n,j＝1,2,...η)；对每个信号采集点的η个电压梯度取平均得到电压梯度平均值通过比较n个信号采集电极的电压梯度平均值得到电压梯度极大值坐标(x',y')的集合B与极小值坐标(x",y")的集合C；
第4步：通过集合A和B的交集得到大脑兴奋区域坐标(x*,y*)集合P，通过求集合和C的交集得到大脑非兴奋区域坐标(x^,y^)集合N；
第5步：脑电干扰：首先根据每个信号采集点测量得到的该点电压e，由麦克斯韦方程组计算出大脑中每个采集点感应出来的磁场强度B，可控脉冲电磁单元产生的干预磁场根据B的变化对该采集点施加极性相同方向相反的作用，且干预磁场可以在0T到2T之间调节；将神经元膜电位变化时的正电荷在细胞膜的垂直方向运动看作一个微小的电流元，随后电流元在产生的磁场中产生可以使自身移动的安培力，磁场越强，所产生的安培力越大，电流元移动的速度越快；测量磁场强度B越大，脉冲电磁单元产生的干预磁场(i＝1,2,…,n)越大，反之越小，通过磁场变化改变神经元中的电荷分布；作用时间持续ΔT后，若兴奋区域信号采集单元电位ek(k＝1,2,…,p)电位都小于电位阈值θ时，则停止干扰，否则继续干扰操作。
CN201711303317.2A 2017-12-08 2017-12-08 一种癫痫对偶互补方式监测预警干预系统及方法 Active CN108175401B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711303317.2A CN108175401B (zh) 2017-12-08 2017-12-08 一种癫痫对偶互补方式监测预警干预系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711303317.2A CN108175401B (zh) 2017-12-08 2017-12-08 一种癫痫对偶互补方式监测预警干预系统及方法

Publications (2)

Publication Number Publication Date
CN108175401A true CN108175401A (zh) 2018-06-19
CN108175401B CN108175401B (zh) 2020-01-21

Family

ID=62545805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711303317.2A Active CN108175401B (zh) 2017-12-08 2017-12-08 一种癫痫对偶互补方式监测预警干预系统及方法

Country Status (1)

Country Link
CN (1) CN108175401B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241836A (zh) * 2018-07-27 2019-01-18 杭州电子科技大学 一种脑电信号实时特征提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030199781A1 (en) * 2002-04-22 2003-10-23 Fuji Xerox Co., Ltd. Automatic electroencephalogram analysis apparatus and method
CN102613971A (zh) * 2012-03-30 2012-08-01 北京品驰医疗设备有限公司 基于脑电的癫痫检测与干预装置
CN105852886A (zh) * 2016-05-10 2016-08-17 华南理工大学 面向大学生的精神压力评估及高危人群干预系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030199781A1 (en) * 2002-04-22 2003-10-23 Fuji Xerox Co., Ltd. Automatic electroencephalogram analysis apparatus and method
CN102613971A (zh) * 2012-03-30 2012-08-01 北京品驰医疗设备有限公司 基于脑电的癫痫检测与干预装置
CN105852886A (zh) * 2016-05-10 2016-08-17 华南理工大学 面向大学生的精神压力评估及高危人群干预系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MEHDI AGHAGOLZADEH: "Predicting Seizures from Local Field Potentials Recorded via", 《2016 38TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241836A (zh) * 2018-07-27 2019-01-18 杭州电子科技大学 一种脑电信号实时特征提取方法
CN109241836B (zh) * 2018-07-27 2022-03-01 杭州电子科技大学 一种脑电信号实时特征提取方法

Also Published As

Publication number Publication date
CN108175401B (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN102917639B (zh) 用于测量身体与刺激电极之间的界面阻抗的装置
CN105899255A (zh) 脑波测量及头脑刺激系统
Khowailed et al. Neural muscle activation detection: A deep learning approach using surface electromyography
CN104605850B (zh) 一种基于电阻抗断层成像技术的膀胱尿量实时监测装置和方法
Moshou et al. Dynamic muscle fatigue detection using self-organizing maps
CN109621156A (zh) 一种脑电反馈式微电流刺激助眠仪及应用方法
Rahman et al. Mental stress recognition using K-nearest neighbor (KNN) classifier on EEG signals
US20120043969A1 (en) Impedance Tomography Apparatus
CN108175401A (zh) 一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统及获取干扰脑电分布的方法
CN204759349U (zh) 一种基于稳态视觉诱发电位的飞行器控制装置
CN112200221B (zh) 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法
Xiong et al. iBlink: Smart glasses for facial paralysis patients
JP3313101B2 (ja) ウェーブレット・ニューロ波形診断方法および装置
CN108158579A (zh) 一种非接触非侵入无损伤的癫痫自组织监测预警干预系统及获取干扰脑电分布的方法
CN107981860B (zh) 一种非接触非侵入无损伤的癫痫路径可达方式监测预警干预系统及获取干扰脑电分布的方法
CN107296586A (zh) 视觉误差检测设备/方法及基于该设备的书写系统/方法
Singh et al. Microcontroller-based online nerve parameter estimation for diagnosis of healthy subject using real-time nerve conduction study signal acquired using voltage controlled neurostimulator
Lütkenhöner Auditory signal detection appears to depend on temporal integration of subthreshold activity in auditory cortex
CN109893755A (zh) 一种经颅电刺激电极脱落监测警报装置及应用
CN115281692A (zh) 一种闭环自适应经颅电刺激装置和方法
CN115530754A (zh) 基于深度学习的癫痫预警方法及装置
CN210433843U (zh) 基于高频电刺激的智能阻断系统和设备
Ma Neurophysiological analysis of the genesis mechanism of EEG during the interictal and ictal periods using a multiple neural masses model
Dzitac et al. Fuzzy algorithm for human drowsiness detection devices
CN112200912B (zh) 基于电阻抗成像和脑电图信号的脑部成像系统及其方法

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