CN108814592A - 基于小波能量判定癫痫发作前脑电信号的方法及系统 - Google Patents

基于小波能量判定癫痫发作前脑电信号的方法及系统 Download PDF

Info

Publication number
CN108814592A
CN108814592A CN201810374887.9A CN201810374887A CN108814592A CN 108814592 A CN108814592 A CN 108814592A CN 201810374887 A CN201810374887 A CN 201810374887A CN 108814592 A CN108814592 A CN 108814592A
Authority
CN
China
Prior art keywords
eeg signals
wavelet energy
wavelet
determined
epileptic attack
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
Application number
CN201810374887.9A
Other languages
English (en)
Inventor
李卓明
陈幸
岑尧辉
吴广腾
赵钰
夏慧云
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201810374887.9A priority Critical patent/CN108814592A/zh
Publication of CN108814592A publication Critical patent/CN108814592A/zh
Pending legal-status Critical Current

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

Abstract

本发明提供基于小波能量判定癫痫发作前脑电信号的方法，属于信号处理与神经工程技术领域，涉及判定癫痫发作前脑电信号的方法及系统。本发明首先利用高通滤波对待判定的脑电信号进行预处理、计算预处理后的脑电信号的小波能量；然后对计算求得的所有频段的小波能量，采用卡方检验选取存在显著性水平差异的频段；最后以选取频段的小波能量作为输入特征对脑电信号进行分类检测；分类并判定待判定的脑电信号是否为发作前脑电信号。本发明解决了现有技术无法准确判定脑电信号是否为发作前脑电信号，从而导致癫痫发作预测时无法保证准确率高的同时误判率低的问题。本发明可用于判定癫痫发作前脑电信号。

Description

基于小波能量判定癫痫发作前脑电信号的方法及系统
技术领域
本发明涉及判定癫痫发作前脑电信号的方法及系统，属于信号处理与神经工程技术领域。
背景技术
癫痫是一种常见的神经系统疾病，属慢性疾病，以大脑神经细胞群反复超同步放电引起的发作性、突然性、短暂性脑功能紊乱为特征，常常会影响患者的生活及工作。对于无法彻底控制发作的癫痫患者，癫痫会以突然、无法预料的状态发作，这种发作方式对患者像是晴天霹雳。癫痫患者不但会遭遇受伤的危险，他们在日常生活还会感到绝望的无助。全球五千万的癫痫患者和癫痫突发的高危性使癫痫发病预测在过去30年中成为临床医生、神经生物学家、数学家、物理学家及工程师们一直合力挑战的研究课题，准确的癫痫发病预测使临床医生能及时地提供治疗或脑电刺激抑制癫痫发病。目前脑电信号的记录和分析被认为是预测癫痫发病的唯一手段，基于EEG(脑电信号)的癫痫的自动检测对临床分析癫痫等神经疾病具有重要价值。
Viglione等人最先申请了一项关于电子癫痫预警仪的专利，预测成功率达到90％，由于EEG信号记录过程中有严重的噪声和伪迹，预测产生了难以接受的错误警告(S.S.Viglione,G.O.Walsh.Proceedings:epileptic seizure prediction[J].Electroencephalography&Clinical Neurophysiol,1975,39:435–36)。之后，Williamson利用时空特征方法进行预测，预测精确率达到了85％，19个病人的平均误判率达到21％(J.R.Williamson,D.W.Bliss,D.W.Browne,et al.Seizure prediction using EEGspatiotemporal correlation structure[J],EpilepsyBehav,vol.25,no.2,pp.230–238,Oct.2012)。Mirowski提出了一种基于脑电同步性的互相关，非线性相互依赖性特征的癫痫发作预测技术，预测精确率为71％，没有错误警告(P.Mirowski,D.Madhavan,Y.Le Cun,etal.Classification of patterns of EEG synchronization for seizure prediction[J],Clin.Neurophysiol,vol.120,no.11,pp.1927–1940,Nov.2009)。Park提出了一种谱功率和非线性分类的线性特征方法，预测精确率为94.4％，平均误判率为20％(Y.Park,L.Luo,K.K.Parhi,et al.Seizure prediction with spectral power of EEG usingcost-sensitive support vector machines[J],Epilepsia,vol.52,no.10,pp.1761–1770,Oct.2011)。Li利用尖波发作率方法预测，得到了75.8％的精确率，平均误判率为9％(S.Li,W.Zhou,Q.Yuan,Y.Liu,Seizure prediction using spike rate of intracranialEEG,IEEE Trans[J].Neural Syst.Rehabil.Eng,vol.21,no.6,pp.880–886,Oct.2013)。Rasekhi利用单变量特征的方法得到了73.9％的精确率，平均误判率为15％(J.Rasekhi,M.R.K.Mollaei,M.Bandarabadi,et al,Preprocessing effects of 22linearunivariate features on the performance of seizure prediction methods[J],J.Neurosci.Methods,vol.217,pp.9–16,2013)。可以看到，基于EEG信号的癫痫预测研究中，准确率和误判率(准确率表示正确识别测试样本发病状态的概率，误判率表示将未发病样本识别为发病样本的概率)是一对长期存在的矛盾；怎样准确判定脑电信号是否为发作前脑电信号，从而在癫痫发作预测时保证准确率高的同时误判率低是急需解决的问题。
发明内容
本发明为解决现有技术无法准确判定脑电信号是否为发作前脑电信号，从而导致癫痫发作预测时无法保证准确率高的同时误判率低的问题，提供了基于小波能量判定癫痫发作前脑电信号的方法及系统。
本发明所述基于小波能量判定癫痫发作前脑电信号的方法，通过以下技术方案实现：
步骤一、利用高通滤波对待判定的脑电信号进行预处理；
步骤二、计算预处理后的脑电信号的小波能量；
步骤二一、采用Daubechies-5正交小波基对预处理后的脑电信号进行小波分解得到小波分解系数dj,k，即：
其中j表示离散化尺度后的j频段，k为平移尺度，j,k∈Z，Z表示整数，t表示时间，为离散Daubechies-5小波基函数，S(t)为预处理后的脑电信号；T为S(t)开始的时刻，m表示每段数据时间窗长度；
步骤二二、计算小波能量：
其中，Ej表示j频段脑电信号的小波能量值。
步骤三、对计算求得的所有频段的小波能量，采用卡方检验选取显著性水平超过σ的频段；具体包括：
步骤三一、针对j频段脑电信号的小波能量值，查阅卡方检验临界值表，取表中自由度为j，显著性水平为σ的临界值K；
步骤三二、计算卡方χ2：
将小波能量值Ej的大小分为n个区间A1,…,Ai,…,An；i∈[1,n]；其中，fi表示预处理后脑电信号的小波能量Ej落入区间Ai的频率，pi表示正常脑电信号小波能量Ej落入区间Ai的频率；
步骤三三、判断χ2是否小于等于K，若小于等于，则选取此频段，否则，不选取。
步骤四、以选取频段的小波能量作为输入特征对脑电信号进行分类检测；判定待判定的脑电信号是否为发作前脑电信号；
步骤四中判定待判定的脑电信号是否为发作前脑电信号的具体方法包括：
步骤四一、采用2折交叉验证选取分类器的最优参数：
步骤四一一、将提供待判定的脑电信号的病人的若干不同频段的脑电信号进行预处理、计算预处理后的脑电信号的小波能量，然后采用卡方检验选取显著性水平超过σ的频段；
步骤四一二、将步骤四一一中选取频段的小波能量作为样本，将样本随机分成2个互不相交的子集，每个子集包含的样本数量相等；
步骤四一三、利用其中一个子集进行分类模型的训练，采用网格搜索方法确定人工神经网络模型中各层神经网络的最优参数；
步骤四一四、将步骤四一三中的最优参数作为初始值，对另一个子集进行分类模型的训练，并采用网格搜索方法确定人工神经网络模型中各层神经网络更新后的最优参数；
步骤四一五、将更新后的最优参数作为分类器的参数；
步骤四二、将步骤三中选取频段的小波能量作为分类器的输入特征，分类器判定待判定的脑电信号是否为发作前脑电信号。
进一步的，步骤一中所述预处理具体过程包括，对待判定的脑电信号进行高通滤波，去除0～0.5Hz低频干扰信号；
进一步的，步骤二一中每段数据时间窗长度m为20s，相邻数据段时间窗重叠长度为15s。
进一步的，σ的取值为0.5。
本发明所述基于小波能量判定癫痫发作前脑电信号的系统，包括预处理模块、计算模块、特征提取模块以及分类模块；
所述预处理模块，利用高通滤波对待判定的脑电信号进行预处理，去除0～0.5Hz低频干扰信号；
所述计算模块，计算预处理后的脑电信号的小波能量；
所述特征提取模块，对计算求得的所有频段的小波能量，采用卡方检验来筛选频段，并选取显著性水平超过σ的频段作为分类模块的输入特征；
所述分类模块，利用2折交叉验证选取分类器的最优参数，分类并判定待判定的脑电信号是否为发作前脑电信号。
进一步的，所述基于小波能量判定癫痫发作前脑电信号的系统还包括脑电信号采集模块，所述脑电信号采集模块，用于脑电信号的采集与输入。
进一步的，所述基于小波能量判定癫痫发作前脑电信号的系统还包括发作预报模块，所述发作预报模块根据分类模块的判定结果发出预报信息。
本发明最为突出的特点和显著的有益效果是：
本发明所采用小波变换是一种时频局部化的信号处理方法，适合于在低频变换缓慢和在高频变化较快的信号，它非常适合于局部瞬时事件，这种情况经常在癫痫发作时出现。本发明公开了一种基于小波能量判定癫痫发作前脑电信号的方法及系统，可实现从记录到的头皮电极EEG数据中自动检测到癫痫发作前的脑电信号，并能够发出预报信息；以小波能量作为输入特征对癫痫EEG信号进行分类检测，具有较高的准确率和很低的误判率，进行仿真实验得到平均88.89％的准确率和8.3％的误判率；准确率与误判率综合情况明显优于现有技术；同时计算复杂度较低，可实现对癫痫发作的迅速预测。
附图说明
图1为本发明方法流程图；
图2为实施例中频段为d1的脑电信号小波能量曲线图；
图3为实施例中频段为d2的脑电信号小波能量曲线图；
图4为实施例中频段为d3的脑电信号小波能量曲线图；
图5为实施例中频段为d4的脑电信号小波能量曲线图；
图6为实施例中频段为d5的脑电信号小波能量曲线图；
图7为实施例中频段为d678的脑电信号小波能量曲线图。
具体实施方式
具体实施方式一：结合图1对本实施方式进行说明，本实施方式给出的基于小波能量判定癫痫发作前脑电信号的方法，具体包括以下步骤：
步骤一、利用高通滤波对待判定的脑电信号进行预处理；
步骤二、计算预处理后的脑电信号的小波能量；
步骤三、对计算求得的所有频段的小波能量，采用卡方检验选取显著性水平超过σ的频段；
步骤四、以选取频段的小波能量作为输入特征对脑电信号进行分类检测；分类并判定待判定的脑电信号是否为发作前脑电信号。
具体实施方式二：本实施方式与具体实施方式一不同的是，步骤二计算预处理后的脑电信号的小波能量的具体过程包括：
步骤二一、采用Daubechies-5正交小波基对预处理后的脑电信号进行小波分解得到小波分解系数dj,k，即：
其中j表示离散化尺度后的j频段，k为平移尺度，j,k∈Z，Z表示整数，t表示时间，为离散Daubechies-5小波基函数，Daubechies小波系是由法国学者Daubechies提出的一系列二进制小波的总称；S(t)为预处理后的脑电信号；T为S(t)开始的时刻，m表示每段数据时间窗长度；
步骤二二、计算小波能量：
其中，Ej表示j频段脑电信号的小波能量值。
其他步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，步骤三中采用卡方检验选取显著性水平超过σ的频段具体包括以下步骤：
步骤三一、针对j频段脑电信号的小波能量值，查阅卡方检验临界值表，取表中自由度为j，显著性水平为σ的临界值K；卡方检验临界值表(陈彦光《地理数学方法》，北京大学城市与环境学院，2008)见下表1：
表1：卡方检验临界值表
步骤三二、计算卡方χ2：
将小波能量值Ej的大小分为n个区间A1,…,Ai,…,An；i∈[1,n]；其中，fi表示预处理后脑电信号的小波能量Ej落入区间Ai的频率，pi表示正常脑电信号小波能量Ej落入区间Ai的频率；
步骤三三、判断χ2是否小于等于K，若小于等于，则选取此频段，否则，不选取。
其他步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式三不同的是，选用人工神经网络算法将癫痫发作状态检测转换为二分类问题。
步骤四中判定待判定的脑电信号是否为发作前脑电信号的具体包括以下步骤：
步骤四一、采用2折交叉验证选取分类器的最优参数：
步骤四一一、将提供待判定的脑电信号的病人的若干不同频段的脑电信号进行预处理、计算预处理后的脑电信号的小波能量，然后采用卡方检验选取显著性水平超过σ的频段；
步骤四一二、将步骤四一一中选取频段的小波能量作为样本，将样本随机分成2个互不相交的子集，每个子集包含的样本数量相等；
步骤四一三、利用其中一个子集进行分类模型的训练，采用网格搜索方法确定人工神经网络模型中各层神经网络的最优参数；
步骤四一四、将步骤四一三中的最优参数作为初始值，对另一个子集进行分类模型的训练，并采用网格搜索方法确定人工神经网络模型中各层神经网络更新后的最优参数；
步骤四一五、将更新后的最优参数作为分类器的最优参数；
步骤四二、将步骤三中选取频段的小波能量作为分类器的输入特征，分类器判定待判定的脑电信号是否为发作前脑电信号。
其他步骤及参数与具体实施方式三相同。
具体实施方式五：本实施方式与具体实施方式四不同的是，步骤一中所述预处理具体过程包括，对待判定的脑电信号进行高通滤波，去除0～0.5Hz低频干扰信号。
其他步骤及参数与具体实施方式四相同。
具体实施方式六：本实施方式与具体实施方式五不同的是，步骤二一中每段数据时间窗长度m为20s，相邻数据段时间窗重叠长度为15s。
其他步骤及参数与具体实施方式五相同。
具体实施方式七：本实施方式与具体实施方式六不同的是，σ的取值为0.5，此时选取的的频段存在显著性差异。
其他步骤及参数与具体实施方式六相同。
具体实施方式八：本实施方式给出的基于小波能量判定癫痫发作前脑电信号的系统，包括预处理模块、计算模块、特征提取模块以及分类模块；
所述预处理模块，利用高通滤波对待判定的脑电信号进行预处理，去除0～0.5Hz低频干扰信号；
所述计算模块，计算预处理后的脑电信号的小波能量；
所述特征提取模块，对计算求得的所有频段的小波能量，采用卡方检验来筛选频段，并选取显著性水平超过σ的频段作为分类模块的输入特征，σ＝0.5；
所述分类模块，利用2折交叉验证选取分类器的最优参数，分类并判定待判定的脑电信号是否为发作前脑电信号。
具体实施方式九：本实施方式与具体实施方式八不同的是，还包括脑电信号采集模块，所述脑电信号采集模块，用于脑电信号的采集与输入。
其他步骤及参数与具体实施方式八相同。
具体实施方式十：本实施方式与具体实施方式九不同的是，还包括发作预报模块，所述发作预报模块根据分类模块的判定结果发出预报信息；一旦分类模块得到待判定的脑电信号为发作前脑电信号，则发作预报模块会发出预报信息，对用户进行提醒。
其他步骤及参数与具体实施方式九相同。
实施例
采用以下实施例验证本发明的有益效果：
本实施例以美国麻省理工学院提供的MIT-BIH数据库中的儿童癫痫数据为实验数据，这些数据由Boston Children’s Hospital采集，包含23名被试数据，每个被试者在发作前一个星期停止用药，均连续采集了916个小时，采样频率为256Hz。EEG电极采用10-20双极导联方式放置。本发明使用其中的3个被试数据，其中CHB01为女性，11岁，CHB08为男性，3.5岁，CHB20为女性，6岁。
(1)预处理模块基于小波能量判定癫痫发作前脑电信号的系统对每一个被试者的脑电信号进行预处理，对脑电信号进行高通滤波，去除0～0.5Hz低频干扰信号；
(2)计算模块，计算预处理后的信号的小波能量：
(2.1)、采用Daubechies-5正交小波基对预处理后的脑电信号进行小波分解得到小波分解系数dj,k，即：
其中，每段数据时间窗长度m为20s，相邻数据段时间窗重叠长度为15s；
(2.2)、计算小波能量：
(计算结果如图2～图7所示)。
(3)之后特征提取模块通过卡方检验来筛选频段，并选取显著性水平超过0.5的频段作为分类器的输入特征；
(4)分类模块利用2折交叉验证选取分类器的最优参数，分类并判定待判定的脑电信号是否为发作前脑电信号。
将判定结果与测试者的实际发病情况比较进行验证准确率与误判率，最终得到平均准确率分别达到86.67％、100％、80％，误判率分别为0％、0％、25％(具体数据见下表2)，明显优于现有技术。其中准确率表示正确识别测试样本发病状态的概率，误判率表示将未发病样本识别为发病样本的概率。
表2
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.基于小波能量判定癫痫发作前脑电信号的方法，其特征在于，所述方法具体包括以下步骤：
步骤一、利用高通滤波对待判定的脑电信号进行预处理；
步骤二、计算预处理后的脑电信号的小波能量；
步骤三、对计算求得的所有频段的小波能量，采用卡方检验选取显著性水平超过σ的频段；
步骤四、以选取频段的小波能量作为输入特征对脑电信号进行分类检测；判定待判定的脑电信号是否为发作前脑电信号。
2.根据权利要求1所述基于小波能量判定癫痫发作前脑电信号的方法，其特征在于，步骤二计算预处理后的脑电信号的小波能量的具体过程包括：
步骤二一、采用Daubechies-5正交小波基对预处理后的脑电信号进行小波分解得到小波分解系数dj,k，即：
其中j表示离散化尺度后的j频段，k为平移尺度，j,k∈Z，Z表示整数，t表示时间，为离散Daubechies-5小波基函数，S(t)为预处理后的脑电信号；T为S(t)开始的时刻，m表示每段数据时间窗长度；
步骤二二、计算小波能量：
其中，Ej表示j频段脑电信号的小波能量值。
3.根据权利要求1或2所述基于小波能量判定癫痫发作前脑电信号的方法，其特征在于，步骤三中采用卡方检验选取显著性水平超过σ的频段具体包括以下步骤：
步骤三一、针对j频段脑电信号的小波能量值，查阅卡方检验临界值表，取表中自由度为j，显著性水平为σ的临界值K；
步骤三二、计算卡方χ2：
将小波能量值Ej的大小分为n个区间A1,…,Ai,…,An；i∈[1,n]；其中，fi表示预处理后脑电信号的小波能量Ej落入区间Ai的频率，pi表示正常脑电信号小波能量Ej落入区间Ai的频率；
步骤三三、判断χ2是否小于等于K，若小于等于，则选取此频段，否则，不选取。
4.根据权利要求3所述基于小波能量判定癫痫发作前脑电信号的方法，其特征在于，步骤四中判定待判定的脑电信号是否为发作前脑电信号的具体包括以下步骤：
步骤四一、采用2折交叉验证选取分类器的最优参数：
步骤四一一、将提供待判定的脑电信号的病人的若干不同频段的脑电信号进行预处理、计算预处理后的脑电信号的小波能量，然后采用卡方检验选取显著性水平超过σ的频段；
步骤四一二、将步骤四一一中选取频段的小波能量作为样本，将样本随机分成2个互不相交的子集，每个子集包含的样本数量相等；
步骤四一三、利用其中一个子集进行分类模型的训练，采用网格搜索方法确定人工神经网络模型中各层神经网络的最优参数；
步骤四一四、将步骤四一三中的最优参数作为初始值，对另一个子集进行分类模型的训练，并采用网格搜索方法确定人工神经网络模型中各层神经网络更新后的最优参数；
步骤四一五、将更新后的最优参数作为分类器的参数；
步骤四二、将步骤三中选取频段的小波能量作为分类器的输入特征，分类器判定待判定的脑电信号是否为发作前脑电信号。
5.根据权利要求4所述基于小波能量判定癫痫发作前脑电信号的方法，其特征在于，步骤一中所述预处理具体过程包括，对待判定的脑电信号进行高通滤波，去除0～0.5Hz低频干扰信号。
6.根据权利要求5所述基于小波能量判定癫痫发作前脑电信号的方法，其特征在于，步骤二一中每段数据时间窗长度m为20s，相邻数据段时间窗重叠长度为15s。
7.根据权利要求6所述基于小波能量判定癫痫发作前脑电信号的方法，其特征在于，σ的取值为0.5。
8.采用权利要求1～7任一所述方法的基于小波能量判定癫痫发作前脑电信号的系统，其特征在于，包括预处理模块、计算模块、特征提取模块以及分类模块；
所述预处理模块，利用高通滤波对待判定的脑电信号进行预处理，去除0～0.5Hz低频干扰信号；
所述计算模块，计算预处理后的脑电信号的小波能量；
所述特征提取模块，对计算求得的所有频段的小波能量，采用卡方检验来筛选频段，并选取显著性水平超过σ的频段作为分类模块的输入特征；
所述分类模块，利用2折交叉验证选取分类器的最优参数，分类并判定待判定的脑电信号是否为发作前脑电信号。
9.根据权利要求8所述基于小波能量判定癫痫发作前脑电信号的系统，其特征在于，还包括脑电信号采集模块，所述脑电信号采集模块，用于脑电信号的采集与输入。
10.根据权利要求9所述基于小波能量判定癫痫发作前脑电信号的系统，其特征在于，还包括发作预报模块，所述发作预报模块根据分类模块的判定结果发出预报信息。
CN201810374887.9A 2018-04-24 2018-04-24 基于小波能量判定癫痫发作前脑电信号的方法及系统 Pending CN108814592A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810374887.9A CN108814592A (zh) 2018-04-24 2018-04-24 基于小波能量判定癫痫发作前脑电信号的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810374887.9A CN108814592A (zh) 2018-04-24 2018-04-24 基于小波能量判定癫痫发作前脑电信号的方法及系统

Publications (1)

Publication Number Publication Date
CN108814592A true CN108814592A (zh) 2018-11-16

Family

ID=64154972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810374887.9A Pending CN108814592A (zh) 2018-04-24 2018-04-24 基于小波能量判定癫痫发作前脑电信号的方法及系统

Country Status (1)

Country Link
CN (1) CN108814592A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113208610A (zh) * 2020-01-17 2021-08-06 广西医科大学 一种相位点估计方法、装置和闭环式的神经刺激系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107014756A (zh) * 2017-04-17 2017-08-04 成都曙光光纤网络有限责任公司 一种光谱测试系统光源设计方法
CN107532208A (zh) * 2015-02-06 2018-01-02 奎斯特诊断投资有限责任公司 用于测定子宫内膜癌预后的组合物和方法
WO2018009991A1 (en) * 2016-07-13 2018-01-18 Gomez & Gomez Ltda Epileptic seizure prediction method and device configured for the prediction of an epileptic seizure

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107532208A (zh) * 2015-02-06 2018-01-02 奎斯特诊断投资有限责任公司 用于测定子宫内膜癌预后的组合物和方法
WO2018009991A1 (en) * 2016-07-13 2018-01-18 Gomez & Gomez Ltda Epileptic seizure prediction method and device configured for the prediction of an epileptic seizure
CN107014756A (zh) * 2017-04-17 2017-08-04 成都曙光光纤网络有限责任公司 一种光谱测试系统光源设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李淑芳: "基于脑电棘波频次的癫痫发作预测算法", 《中国生物医学工程学报》 *
董旭洋: "基于EEG信号的癫痫发病预测的算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113208610A (zh) * 2020-01-17 2021-08-06 广西医科大学 一种相位点估计方法、装置和闭环式的神经刺激系统
CN113208610B (zh) * 2020-01-17 2022-06-28 广西医科大学 一种相位点估计方法、装置和闭环式的神经刺激系统

Similar Documents

Publication Publication Date Title
CN109770924B (zh) 一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法
CN103110418B (zh) 一种脑电信号特征提取方法
CN107095669B (zh) 一种癫痫患者脑电信号的处理方法及系统
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
CN105320969A (zh) 基于多尺度Renyi熵的心率变异性特征分类方法
CN108968915A (zh) 基于熵特征及支持向量机的睡眠状态分类方法及系统
CN109497997A (zh) 基于多数据采集的癫痫发作检测设备及预警系统
CN105615879A (zh) 基于多重分形消除趋势波动分析的脑电测谎方法
Zeng et al. GRP-DNet: A gray recurrence plot-based densely connected convolutional network for classification of epileptiform EEG
CN1317624C (zh) 基于瞬态视觉诱发电位提取脑机接口控制信号的方法
Wang et al. A novel multi-scale dilated 3D CNN for epileptic seizure prediction
Bugeja et al. A novel method of EEG data acquisition, feature extraction and feature space creation for early detection of epileptic seizures
Eva et al. Comparison of classifiers and statistical analysis for EEG signals used in brain computer interface motor task paradigm
CN108280414A (zh) 一种基于能量特征的运动想象脑电信号的识别方法
CN109034015B (zh) Fsk-ssvep的解调系统及解调算法
CN105700687B (zh) 基于folding HDCA算法的单试次脑电P300成分检测方法
CN105528072A (zh) 一种动态停止策略下的脑-机接口拼写系统
Chowdhury et al. Seizure activity classification based on bimodal Gaussian modeling of the gamma and theta band IMFs of EEG signals
CN113397482B (zh) 一种人类行为分析方法及系统
CN108814592A (zh) 基于小波能量判定癫痫发作前脑电信号的方法及系统
CN114366103A (zh) 注意力评估方法、装置及电子设备
CN114081505A (zh) 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法
Li et al. Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals
CN110680285A (zh) 一种基于神经网络的麻醉程度监测装置
CN108324272A (zh) 一种基于lzc复杂度测查焦虑程度的装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181116

RJ01 Rejection of invention patent application after publication