CN108577834B - 一种用于癫痫间期棘波自动检测的方法 - Google Patents

一种用于癫痫间期棘波自动检测的方法 Download PDF

Info

Publication number
CN108577834B
CN108577834B CN201810475170.3A CN201810475170A CN108577834B CN 108577834 B CN108577834 B CN 108577834B CN 201810475170 A CN201810475170 A CN 201810475170A CN 108577834 B CN108577834 B CN 108577834B
Authority
CN
China
Prior art keywords
spike
signal
mimf
interphase
envelope
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
Application number
CN201810475170.3A
Other languages
English (en)
Other versions
CN108577834A (zh
Inventor
王刚
王栋
闫相国
程宝庆
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.)
Hangzhou Ruier Weikang Technology Co ltd
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201810475170.3A priority Critical patent/CN108577834B/zh
Publication of CN108577834A publication Critical patent/CN108577834A/zh
Application granted granted Critical
Publication of CN108577834B publication Critical patent/CN108577834B/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
    • A61B5/24—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
    • A61B5/40—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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Neurology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Neurosurgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种用于癫痫间期棘波自动检测的方法，MEMD从癫痫病人的头皮脑电上提取棘波所在的成分，经过求信号包络，求动态的阈值曲线，能定位棘波出现的位置；本发明的优势在于能够根据脑电自适应的调整其频带范围，准确的定位癫痫发作间期的棘波出现的位置；为减少临床医生人眼识别棘波的负担提供了新的思路，实现间期棘波更加准确的自动检测；通过对比发现，该方法在灵敏度和误报率两个方面的综合要优于其基于信号包络分布模型方法，能够有着更好的棘波检测结果。

Description

一种用于癫痫间期棘波自动检测的方法
技术领域
本发明涉及信号检测领域，特别涉及一种用于癫痫间期棘波自动检测的方法，帮助临床医生减少工作量等等。
背景技术
癫痫疾病是一种突发性精神疾病。其临床诊断的病理学原因是大脑神经元骤发性非正常放电，由此引发的大脑功能性障碍的一种慢性神经系统疾病。癫痫疾病发病原理复杂，致病因素众多，影响范围广，影响程度重，具有十分严重的危害，但是，对癫痫疾病的治疗仍然缺乏有效手段，所以需要新的方法对癫痫进行研究。随着脑电信号分析的应用越来越广泛，对癫痫脑电信号的分析也已经成为癫痫研究领域的重要方向之一。脑电图是一种非侵入式的测量脑的电活动的工具，其中蕴含大量的脑功能信息，其对大脑疾病的诊断具有很高的价值。临床医学发现，绝大多数的癫痫病人的脑电图可分为发作间期以及发作期，在发作间期期间会出现很多异常波，如尖波、棘波、棘慢复合波、尖慢复合波等癫痫样脑电特征波。其中棘波为骤发性脑电变化，显著不同于背景脑电波，是癫痫样脑电波形中最具特征性的脑电表现之一，在多种类型的癫痫疾病中都会出现。
在临床EEG检查中，最重要的是识别EEG中是否出现棘波和尖波。棘波对于癫痫的诊断和治疗有着重要的作用。现在棘波的确定都是由医疗工作者根据经验和通过对患者脑电图的视觉检测完成的。视觉检测有许多不利的因素，一份20min～30min的脑电图记录约长40m，有时还有几小时甚至几天的脑电数据，如此繁重的劳动量会影响EEG分析者的判断力和判断结果的正确性。而且不同的专家对同一记录的判断结果也不相同，因此对异常EEG信号的自动棘波检测就显得十分重要。
癫痫波的自动检测方法的研究已有50多年的历史，出现了许多不同的方法。主要包括(1)时域分析方法：在脑电信号时域中直接提取周期或者节律的癫痫间期棘波特征。比较好的方法有过零点检测、方差分析、相关分析、直方图分析、峰值检测、模板匹配法等。(2)频域分析方法：频域分析方法主要是运用傅里叶变换，把EEG信号分解成不同频率成分进行分析。常用的方法有功率谱分析、脑地形图、相干分析法、高阶谱和压缩谱阵。根据其在频域上病变脑电和正常脑电的不同，对癫痫特征波进行检测。多数情况下癫痫患者的脑电主要以慢波异常为主，在很多时域方法中不容易检测到慢波异常，但是可以通过频域的方法来寻找。傅里叶变换主要用于确定性平稳信号，但是EEG信号是非平稳性信号，而尖棘波属于非平稳的信号，因此普通的傅立叶变换不适合检测癫痫脑电棘波以及癫痫样波形。(3)时频分析方法：时频分析方法能够分析信号的局部信息。目前主要有短时傅里叶变换(ShortTime Fourier Transform,STFT)、Cone核分布(CKD)、Wigner-Ville分布(WVD)、Hilbert-huang变换和小波变换(Wavelet Transform,WT)。目前比较多的方法是应用小波变换检测棘波和尖波，应用小波检测棘波已经取得一定成效。此外还有包括专家系统、模糊技术等在内的其它方法，或者把多种方法综合使用，以提高系统的性能。不论采用何种方法，通常要求棘波自动检测系统有较高的正确率，较低的漏检率和误检率。现有的算法的稳定性在实际使用中有很多受限的地方，比如利用模板匹配法，选取典型的棘波样本为模板，将检出的波形与模板进行比较来判断是否为棘波，但脑电信号的多样性给样本的选取带来较大困难。利用小波变换方法，在不同癫痫脑电的检测效果可能不稳定，因为不同个体的脑电的差异性，小波的选取尤为重要。多元经验模式分解(multivariate empirical modedecomposition,MEMD)方法是最近这些年发展起来的，是一种非平稳信号分解方法，该方法事先不需要选定基函数，其最大特点是依据数据本身的时域信息进行分解，有一定的自适应的能力。
发明内容
为了解决以上方法存在的问题，本发明的目的在于提供一种用于癫痫间期棘波自动检测的方法，使用MEMD方法和信号包络分布模型(Signal Envelope DistributionModel)的结合来判别癫痫发作间期棘波；MEMD从脑电信号中提取出包含棘波的成分并减少不相关的脑电背景，再用信号包络分布模型来划定阈值曲线时，避免了非相关背景活动对信号包络模型的影响；本发明结合这两种方法的优势用于间期棘波的自动检测，不仅能够自动根据原始信号调节阈值曲线，还能得到优异的癫痫间期棘波检测结果，为棘波自动检测技术提供了新的思路。
为了达到上述目的，本发明的技术方案为：
一种用于癫痫间期棘波自动检测的方法，包括以下步骤：
步骤一、对含有棘波的癫痫发作间期脑电信号X(t)进行MEMD处理，设癫痫间期脑电信号X(t)＝[x1(t),x2(t),…,xn(t)]T，其中n表示脑电信号的通道个数，t表示时间，T表示矩阵的转置，脑电信号经MEMD分解后产生m个MIMFi(t)(i＝1,2,…,m)即其中每个MIMFi(t)(i＝1,2,…,m)均为一个n通道的信号，且各通道的信号都处于同一频段内，同时分解产生的全部MIMFi(t)(i＝1,2,…,m)的频率范围是按照从高到低的顺序排列的；
步骤二、计算每个MIMFi(t)(i＝1,2,…,m)的功率谱，选取功率集中频率范围处于棘波集中频率范围之内的MIMF(t)进行重构，具体为：若第j个MIMFj(t)满足功率集中频率范围处于棘波频率范围之内的要求，则将所有符合的MIMFj(t)相加进行重构，即其中n表示信号的通道个数，t表示时间，T表示矩阵的转置，U(t)表示包含棘波的信号分量。
步骤三、对重构的信号U(t)进行希尔伯特变换求包络，将U(t)的每一通道的信号ui(t),i＝1,...,n作希尔伯特变换得到变换后的信号Hi(t),i＝1,...,n；那么重构信号U(t)各个通道信号包络为：
步骤四、动态阈值曲线检测棘波；将每通道的包络信号ei(t)做5秒(4秒的重叠)的时间窗分割，在每个窗内求包络的对数概率分布，根据极大似然估计求得其高斯分布两个参数：均值μ和方差σ。即其中N为时间窗的数据长度；每个时间窗的包络信号可以得到一个阈值，TH＝k×(Mode+Median)，其中，k为系数，Median＝eμ(此e为自然常数)；将两个相邻的时间窗确定的阈值用三次样条插值来构造时间窗内的阈值曲线；包络信号ei(t)的峰值超过阈值曲线的为棘波出现的位置。
本发明的优势在于：本发明提出了一种基于多元经验模式分解的癫痫发作间期头皮脑电的棘波自动检测，该方法不仅能够自动检测棘波位置，而且检测的准确率提高的同时误报率降低。通过与基于信号包络分布模型方法对比，结果表明该方法检测效果更好，能够进一步提高棘波检测准确率和减少棘波误报率。
附图说明
图1是本发明的流程图。
图2是癫痫发作间期脑电信号。
图3是某一患者间期脑电经MEMD处理，得到11个MIMF，图中显示了每个MIMF的功率谱。
图4是由MIMF1～MIMF6重构的信号。
图5为一段长3秒的含癫痫间期棘波脑电信号进行希尔伯特变换之后的信号包络图，分别为原始的脑电信号以及脑电信号的包络。
图6是一段长3秒的含癫痫间期棘波脑电信号的信号包络线及检测癫痫间期棘波的阈值曲线。
图7是每一个患者在不同k值下的受试者工作特征曲线(ROC曲线)，粗线条为所有患者ROC曲线的平均结果，细线条为每一位病人的ROC曲线。
具体实施方式
下面结合附图对本发明做详细叙述。对14位患者的癫痫间期脑电信号的棘波进行检测，并将此方法的检测结果与基于信号包络分布模型(Signal Envelope DistributionModel,SEDM)方法检测结果进行对比。
一种用于癫痫间期棘波自动检测的方法，参照图1，包括以下步骤：
步骤1、14位患者的脑电采集时间平均为8个小时，信号采样率为200Hz，数据采集所使用的仪器是NIHON KOHDEN公司的EEG-1100脑电图机，采样频率为200Hz，通带截止频率0.5Hz到60Hz，使用19导电极采集，分别为Fp1，Fp2，F3，F4，C3，C4，P3，P4，O1，O2，F7，F8，T3，T4，T5，T6，Fz，Cz，Pz，A1，A2。以头顶CZ为参考电极，电极位置遵循国际10/20标准导联。棘波的标记由两位有经验的临床医生通过评估癫痫患者的临床表现记录和EEG记录来划定的。其中一个患者的部分脑电如图2所示。对19导的脑电信号进行MEMD处理，通过处理将信号分解成频率从高到低排列的11个MIMF。
步骤2、使用Welch方法计算步骤1中的每一个MIMF的功率谱，如图3所示。选取功率集中频率范围在含有棘波成分的频率范围的MIMF进行重构。许多文献研究了棘波的频率范围，选定的频率范围为4-32Hz，由图可看到，MIMF1的功率谱值集中在30Hz以上，MIMF2的功率谱值集中在15Hz到40Hz之间，MIMF3集中于6Hz到30Hz之间，MIMF4集中于3Hz到20Hz之间，MIMF5集中于0Hz到12Hz之间，MIMF6集中在8Hz以下，MIMF7集中于4Hz以下，IMF8集中于3Hz以下，MIMF9集中于3Hz以下，MIMF10集中于3Hz以下，由于经过多元经验模态分解出来的IMF的频率范围由高到低，MIMF频率在4-32HZ之间的频率主要集中在MIMF1-6，将MIMF1-6进行重构为U(t)＝[u1(t),u2(t),...,un(t)]，如图4所示。
步骤3、将重构后的信号U(t)＝[u1(t),u2(t),...,un(t)]的每个通道ui(t)进行希尔伯特变换，变换后的信号为Hi(t)，则每通道信号的包络为如图5所示为一段长3秒的含癫痫间期棘波脑电信号进行希尔伯特变换之后的信号包络图，分别为原始的脑电信号，以及脑电信号的包络。
步骤4、将每一通道的包络信号ei(t)以5秒的时间窗进行分割，其中有4秒的重叠。对每个时间窗内的包络信号做对数变换，用最大似然估计求其均值μ和方差σ，即 其中N为时间窗的数据长度。每个时间窗的包络信号可以得到一个阈值，TH＝k×(Mode+Median)，其中，k为系数，Median＝eμ。将两个相邻的时间窗确定的两个阈值用三次样条插值来构造时间窗内的阈值曲线。包络信号ei(t)的峰值超过阈值曲线的为棘波出现的位置。如图6是一段长3秒的含癫痫间期棘波脑电信号的信号包络线及检测癫痫间期棘波的阈值曲线。其中包络信号中两个峰值超过阈值曲线，对应的是算法检测到的棘波位置。
为了评估最后检测结果的准确性，使用灵敏度(SEN)和每分钟检测的错误率(PPV)作为指标。灵敏度的计算公式如下：
其中TP指的是此方法检测的棘波与医生标记的棘波一致的个数；FP指的是此方法检测出是棘波，但是它不属于棘波的个数；FN是指临床医师标记的棘波但没有被此方法检测到的个数。
计算了每一个患者在不同k值下的受试者工作特征曲线(ROC曲线)并把其画到同一张坐标系中，图中横坐标为每分钟错误个数，纵坐标为灵敏度，如图7所示，图线从左往右k值在逐渐减小，由于阈值曲线跟k值存在正相关的关系，当k值逐渐增大，阈值曲线逐渐变高，TP逐渐减少，FP逐渐减少，灵敏度逐渐减小，误报率也逐渐减小。当k的取值较小时，阈值曲线较低，TP逐渐增多，而FP逐渐增加，灵敏度逐渐增加，误报率也在增加。当k值取得一个很小的值时，阈值曲线较低，TP不再增加，而FP在逐渐增加，此时，灵敏度不发生变化，误报率逐渐增加。粗线条为所有患者ROC曲线的平均结果，细线条为每一位病人的ROC曲线。ROC曲线下面积(AUC)能够综合了灵敏度和误报率来评价检测方法的好坏，AUC越大说明检测方法越好。由最大AUC选择步骤4中的最优k值，最终确定为k＝3。得到的结果如下表所示：
表1不同患者在最佳K值下的间期棘波检测结果
二、与基于信号包络分布模型的检测方法对比对比方法：基于信号包络分布模型(Signal Envelope Distribution Model,SEDM)方法，将原始的脑电信号每一个通道都使用10-60Hz的切比雪夫数字滤波器进行滤波。滤波后的结果求其包络，再求阈值曲线，得到棘波检测结果。如下表所示，
表3-2基于信号包络分布模型方法进行癫痫间期棘波检测的结果
从表1和表3-2中可以看出，MEMD棘波检测方法得到的灵敏度高于SEDM方法，前者每分钟的误报率也低于后者。对两种方法的检测结果的AUC进行单因素方差分析检验，结果存在显著性差异(p<0.05)，说明该方法能得到更优的检测结果。

Claims (1)

1.一种用于癫痫间期棘波自动检测的方法，其特征在于，包括以下步骤：
步骤一、对含有棘波的癫痫发作间期脑电信号X(t)进行MEMD处理，设癫痫间期脑电信号X(t)＝[x1(t),x2(t),…,xn(t)]T，其中n表示脑电信号的通道个数，t表示时间，T表示矩阵的转置，脑电信号经MEMD分解后产生m个MIMFi(t)(i＝1,2,…,m)即其中每个MIMFi(t)(i＝1,2,…,m)均为一个n通道的信号，且各通道的信号都处于同一频段内，同时分解产生的全部MIMFi(t)(i＝1,2,…,m)的频率范围是按照从高到低的顺序排列的；
步骤二、计算每个MIMFi(t)(i＝1,2,…,m)的功率谱，选取功率集中频率范围处于棘波集中频率范围之内的MIMF(t)进行重构，具体为：若第j个MIMFj(t)满足功率集中频率范围处于棘波频率范围之内的要求，则将所有符合的MIMFj(t)相加进行重构，即其中n表示信号的通道个数，t表示时间，T表示矩阵的转置，U(t)表示包含棘波的信号分量；
步骤三、对重构的信号U(t)进行希尔伯特变换求包络，将U(t)的每一通道的信号ui(t),i＝1,...,n作希尔伯特变换得到变换后的信号Hi(t),i＝1,...,n；那么重构信号U(t)各个通道信号包络为：
步骤四、动态阈值曲线检测棘波；将每通道的包络信号ei(t)做5秒并重叠4秒的时间窗分割，在每个窗内求包络的对数概率分布，根据极大似然估计求得其高斯分布两个参数：均值μ和方差σ；即其中N为时间窗的数据长度；每个时间窗的包络信号可以得到一个阈值，TH＝k×(Mode+Median)，其中，k为系数，Median＝eμ(此e为自然常数)；将两个相邻的时间窗确定的阈值用三次样条插值来构造时间窗内的阈值曲线；包络信号ei(t)的峰值超过阈值曲线的为棘波出现的位置。
CN201810475170.3A 2018-05-17 2018-05-17 一种用于癫痫间期棘波自动检测的方法 Active CN108577834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810475170.3A CN108577834B (zh) 2018-05-17 2018-05-17 一种用于癫痫间期棘波自动检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810475170.3A CN108577834B (zh) 2018-05-17 2018-05-17 一种用于癫痫间期棘波自动检测的方法

Publications (2)

Publication Number Publication Date
CN108577834A CN108577834A (zh) 2018-09-28
CN108577834B true CN108577834B (zh) 2019-07-02

Family

ID=63631666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810475170.3A Active CN108577834B (zh) 2018-05-17 2018-05-17 一种用于癫痫间期棘波自动检测的方法

Country Status (1)

Country Link
CN (1) CN108577834B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109770897A (zh) * 2019-03-11 2019-05-21 华南师范大学 一种脑电棘波的处理识别方法及装置
CN111557662B (zh) * 2020-05-15 2023-04-18 灵犀医学科技(北京)有限公司 癫痫间期脑电信号的处理方法、装置、存储介质及设备
CN111772585B (zh) * 2020-07-13 2021-06-04 清华大学 间期颅内脑电信号中癫痫异常群体活动的数据提取方法
CN111956211A (zh) * 2020-07-29 2020-11-20 鲁东大学 单导联心电信号房颤自动检测方法
CN112568868B (zh) * 2020-10-16 2022-12-23 苏州赛美科基因科技有限公司 针对癫痫模型电生理信号的自动量化分析方法及装置
CN112270314B (zh) * 2020-12-22 2021-09-21 苏州国科康成医疗科技有限公司 棘波识别方法、装置、电子设备及计算机可读存储介质
CN114081509B (zh) * 2021-11-12 2022-10-11 郑州市中心医院 一种脑电波中癫痫电波识别方法及系统
CN114376522B (zh) * 2021-12-29 2023-09-05 四川大学华西医院 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法
CN114642440B (zh) * 2022-05-23 2022-08-12 博睿康科技（常州）股份有限公司 获取刺激系统预设时长的方法、刺激系统及其调控方法
CN117918861B (zh) * 2024-03-20 2024-06-04 之江实验室 一种癫痫患者单通道脑电信号的实时检测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101259016A (zh) * 2007-03-06 2008-09-10 李小俚 实时自动检测癫痫特征波的方法
CN102063180A (zh) * 2010-10-29 2011-05-18 西安交通大学 基于hht高频组合编码稳态视觉诱发电位脑机接口方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101259016A (zh) * 2007-03-06 2008-09-10 李小俚 实时自动检测癫痫特征波的方法
CN102063180A (zh) * 2010-10-29 2011-05-18 西安交通大学 基于hht高频组合编码稳态视觉诱发电位脑机接口方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Analysis of spike waves in epilepsy using Hilbert-Huang;Jin-De Zhu，Chin-Feng Lin，Shun-Hsyung Chang等;《Journal of Medical Systems》;20151231;第39卷(第1期);第170篇第1-13页
Empirical-Mode Decomposition With Hilbert Transform for Power-Quality;Stuti Shukla, S. Mishra，Bhim Singh;《IEEE Transactions on Power Delivery》;20091231;第24卷(第4期);第2159-2165页
一种基于经验模态分解的癫痫棘波检测方法;朱勇,初孟,邱天爽等;《生物医学工程学杂志》;20081231;第25卷(第2期);第275-279页
基于希尔伯特黄变换的癫痫自动检测;牛宝东，马尽文;《信号处理》;20161231;第32卷(第7期);第764-770页

Also Published As

Publication number Publication date
CN108577834A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN108577834B (zh) 一种用于癫痫间期棘波自动检测的方法
CN110338786B (zh) 一种癫痫样放电的识别与分类方法、系统、装置和介质
US7809433B2 (en) Method and system for limiting interference in electroencephalographic signals
Fathima et al. Wavelet based features for epileptic seizure detection
US20080262367A1 (en) General diagnostic and real-time applications of discrete hermite functions to digital data
CA2976568A1 (en) Methods and systems for disease analysis based on tranformations of diagnostic signals
CN106889981B (zh) 一种用于提取胎儿心率的智能终端
CN112426162A (zh) 一种基于脑电信号节律熵的疲劳检测方法
CN104622467A (zh) 一种检测阿尔兹海默症的脑电信号复杂度异常的方法
Behbahani et al. Feature extraction methods for electroretinogram signal analysis: A review
Ranjan et al. Cardiac artifact noise removal from sleep EEG signals using hybrid denoising model
CN113907765B (zh) 一种无创胎儿心电信号质量评估方法
El Khadiri et al. A Comparison of the Denoising Performance Using Capon Time-Frequency and Empirical Wavelet Transform Applied on Biomedical Signal.
CN117898743A (zh) 一种脑电信号预处理方法、系统和终端设备
Mansour et al. Intelligent Classifiers of EEG Signals for Epilepsy Detection
Murthy et al. ECG signal denoising and ischemic event feature extraction using Daubechies wavelets
CN106691437A (zh) 一种基于母体心电信号的胎儿心率提取方法
Hegde et al. A review on ECG signal processing and HRV analysis
CN112022151B (zh) 一种脑电棘慢波的处理及识别方法
Dembrani et al. Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE
CN116725550A (zh) 一种多通道脑电信号中眼电伪迹去除方法
Ugarte et al. An algorithm to measure the stress level from EEG, EMG and HRV signals
Chen et al. A fast ECG diagnosis using frequency-based compressive neural network
CN112971786A (zh) 一种基于脑肌电信号小波相干系数的卒中康复评估方法
Kalbhor et al. The review of detection and classification of epilectic seizures using wavelet transform

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230118

Address after: Room 709, Building 18, Haichuangyuan, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province, 311121

Patentee after: Hangzhou Ruier Weikang Technology Co.,Ltd.

Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28

Patentee before: XI'AN JIAOTONG University