CN108814593A - 一种基于复杂网络的脑电信号特征提取方法 - Google Patents
一种基于复杂网络的脑电信号特征提取方法 Download PDFInfo
- Publication number
- CN108814593A CN108814593A CN201810637789.XA CN201810637789A CN108814593A CN 108814593 A CN108814593 A CN 108814593A CN 201810637789 A CN201810637789 A CN 201810637789A CN 108814593 A CN108814593 A CN 108814593A
- Authority
- CN
- China
- Prior art keywords
- network
- frequency
- eeg signals
- matrix
- frequency translation
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000013519 translation Methods 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 230000001360 synchronised effect Effects 0.000 claims abstract description 7
- 238000012512 characterization method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 210000004556 brain Anatomy 0.000 description 10
- 238000000034 method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000018152 Cerebral disease Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
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
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychology (AREA)
- Physiology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Neurosurgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于复杂网络的脑电信号特征提取方法，包括有以下步骤：小波包分解；计算脑电信号的频率交叉同步性；构建频率交叉网络；提取用以揭示脑电信号频率交叉耦合特性的网络特征参数。本发明量化脑电信号的频带交叉同步关系，构建一个综合频域与空间域的频率交叉网络，通过网络参数的提取和分析，揭示脑电信号频率交叉耦合的特征。
Description
技术领域
本发明属于基于脑电信号的网络构建方法，特别是一种脑电信号特征提取方法。
背景技术
脑电图(EEG)是一种测量由于大脑中神经元内离子电流引起的电压波动的非侵入式方法，直接反映为脑神经细胞在大脑皮层的电生理活动。脑电信号是脑电图的一种非线性时域的表示方式，通过放置在头皮上的多个电极来进行记录并包含大量的生理与病理信息。脑电信号是大脑组织中大量的神经元集群突触后电流在大脑皮层或头皮表面的综合表现，它可以看作是不同时间尺度上不同振荡频率成分叠加的结果。作为脑功能的客观评价指标，脑电信号具有非常高的时间精度，可以动态得观察大脑的状态变化，为脑疾病提供实时诊断和治疗的依据。而且其蕴藏着包括情感、思维、精神以及心理活动的丰富内容，使其成为人脑学习、记忆、理解等高级功能的重要研究方法。
频率交叉耦合是研究脑电相关事件电位的重要方法，它能用来研究不同频率信号间的相互联系。同步相位的频率交叉耦合描述了低频信号与高频信号的相位独立性，其对认得认知处理机制例如语言、记忆等存在某种联系。脑疾病例如阿尔兹海默、癫痫以及帕金森，会导致对人脑的认知功能造成损害。因此研究脑电信号相位交叉频的非线性特征对脑疾病的研究和检测有着重要意义。
而现有非线性同步性算法仅围绕某一特定频率下脑电信号相位同步性，忽略了频率间的相位同步耦合特性，若用于构建脑电信号的频率交叉同步网络，计算的相位耦合会存在误差，无法得到准确的相位同步性关系。
发明内容
本发明的目的是提供一种考虑频率间的相位同步耦合特性可以得到准确的相位同步性关系的脑电信号特征提取方法。技术方案如下：
一种基于复杂网络的脑电信号特征提取方法，包括有以下步骤：
(1)小波包分解
通过脑电图机采集X导脑电信号，对每导脑电信号进行八级小波包分解，第一级分解是把信号分解成低频和高频两部分，第二级分解将分解出的低频部分分解成低频和高频两部分，高频部分分解成低频和高频两部分，如此类推，通过第八级小波包分解，将原始信号频率平均分成28个频带成分，每导脑电信号分解成Q个子频带脑电信号。
(2)计算脑电信号的频率交叉同步性
定义两个系数n和m，其中fx，fy分别是脑电信号x和y所处子频带的中心频率，n和m分别取满足比例关系的最小正整数，由此计算任意两个子频带的脑电信号间的相位差Δφ＝nφx-mφy，利用得到的相位差Δφ计算两个脑电信号同步性指数，同步性指数范围在0和1之间且数值越大代表相位同步性越高，得到一个包含同一子频带内和不同子频带频率交叉相位同步程度的加权矩阵M。
(3)构建频率交叉网络
对步骤2得到的加权矩阵M，对该矩阵进行阈值为T,0＜T＜10,比例阈值处理，T代表保留矩阵中前T*10/100最大值的元素，由此得到一个阈值化处理的矩阵，矩阵中的每个元素表示两个导联之间的同步性，导联表示网络中的节点；根据所得到的阈值化的矩阵构建频率交叉网络。
(4)网络特征参数提取
对步骤3得到的频率交叉网络提取特征参数，对于有N个结点的网络，设所有结点集合为G，网络的结点最短路径长度定义为：
lij定义为连接两个节点i和j的最短路径上的边数。
网络的局部效率定义为：
全局效率为所有结点局部效率和的平均值：
将步骤3得到的频率交叉网络，按照公式(2)，公式(3)和公式(4)计算得到相
应的网络参数特征，用以揭示脑电信号频率交叉耦合特性。
本发明的效果是量化脑电信号的频带交叉同步关系，构建一个综合频域与空间域的频率交叉网络，通过网络参数的提取和分析，揭示脑电信号频率交叉耦合的特征。
附图说明
图1为本发明的特征提取算法原理框图；
图2为小波包分解示意图；
图3为利用本发明方法构建的频率交叉邻接矩阵图；
图4为利用本发明方法构建的δ-α频带的频率交叉网络图；
图5为利用本发明方法提取的AD脑电信号对应的局部效率；
图6为利用本发明方法提取的AD脑电信号对应的全局效率；
具体实施方式
如图1所示，本发明的一种脑电信号特征提取方法，该方法包括有以下步骤：
1、小波包分解
采集原始脑电数据，本例对20名阿尔兹海默症病人以及20名同龄正常人进行了16导脑电信号的采集。所有实验者都安静地躺在脑电采集专用床上，全程眼睛紧闭。
利用一维小波包分解器(Waveletpacketdecomposition 1-D)对脑电信号进行小波包分解重构，提取出4个子频带生理节律。数据分析使用的MATLAB 2015b中的wpdec函数，对原始信号进行8级小波包分解，实现对子频带：δ(0.5-4Hz),θ(4-8Hz),α(8-16Hz), β(16-30Hz)节律的提取。小波重构原理如图2所示。
1、计算脑电信号的频率交叉同步性
对于提取出来的子频带多导脑电时序信号(4个子频带，每个频带下有16导脑电数据)。首先通过Hilbert变化计算出每导时序信号的相位φi,i＝1,2,3...,64。计算脑电信号间的相位差Δφ＝nφx-mφy,x,y＝1,2,3...,64且x≠y，其中fx，fy是脑电信号x和 y所处子频带的中心频率。接着通过公式(1)将两个脑电信号间相位差转换为相位同步性指数，由此得到频率交叉邻接矩阵M，如图3所示。该矩阵包括以下部分： {Mij,i,j＝1,2,3...,16}表示δ频带内邻接矩阵；{Mij,i,j＝17,18,19...,32}表示θ频带内同步性矩阵；{Mij,i,j＝33,34,35...,48}表示α频带内同步性矩阵；{Mij,i,j＝49,50,51...,64}表示β频带内同步性矩阵； {Mij,i＝1,2,3...,16,j＝17,18,19...,32}表示δ-θ的频率交叉同步矩阵； {Mij,i＝1,2,3...,16,j＝33,34,35...,48}表示δ-α的频率交叉同步矩阵； {Mij,i＝1,2,3...,16,j＝49,50,51...,64}表示δ-β的频率交叉同步矩阵； {Mij,i＝17,18,19...,32,j＝33,34,35...,48}表示θ-α的频率交叉同步矩阵； {Mij,i＝17,18,19...,32,j＝49,50,51...,64}表示θ-β的频率交叉同步矩阵； {Mij,i＝33,34,35...,48,j＝49,50,51...,64}表示α-β的频率交叉同步矩阵；
3、构建频率交叉网络
对步骤2得到的频率交叉邻接矩阵M，取0.2比例阈值得到二维阈值矩阵。运用该矩阵构建出频率交叉网络，如图4所示。
4、网络特征参数提取
对步骤3得到的频率交叉网络提取特征参数，设所有结点集合为G。
网络的结点最短路径长度定义为：
lij定义为连接两个节点i和j的最短路径上的边数。
网络的局部效率定义为为：
全局效率为所有结点局部效率和的平均值：
根据公式(2)，公式(3)和公式(4)计算频率交叉网络的局部效率和全局效率，完成对脑电信号的特征提取。提取结果如图5和图6所示。图4纵坐标为网络的局部效率Ei，横坐标是频率交叉网络对应的两个子频带，δ频带与其他频带交叉的网络在阿尔兹海默的影响下局部效率较正常对照组有明显的增加。图5纵坐标是网络的全局效率Eg，横坐标是频率交叉网络对应的两个子频带，在阿尔兹海默组，所有频率交叉网络的全局效率相对于正常对照组都增加。在阿尔兹海默的影响下，提取出的局部效率和全局效率都有明显提高，因此该特征值可以用于阿尔兹海默病人与健康人的区分。
Claims (1)
1.一种基于复杂网络的脑电信号特征提取方法，包括有以下步骤：
(1)小波包分解
通过脑电图机采集X导脑电信号，对每导脑电信号进行八级小波包分解，第一级分解是把信号分解成低频和高频两部分，第二级分解将分解出的低频部分分解成低频和高频两部分，高频部分分解成低频和高频两部分，如此类推，通过第八级小波包分解，将原始信号频率平均分成28个频带成分，每导脑电信号分解成Q个子频带脑电信号；
(2)计算脑电信号的频率交叉同步性
定义两个系数n和m，其中fx，fy分别是脑电信号x和y所处子频带的中心频率，n和m分别取满足比例关系的最小正整数，由此计算任意两个子频带的脑电信号间的相位差Δφ＝nφx-mφy，利用得到的相位差Δφ计算两个脑电信号同步性指数，同步性指数范围在0和1之间且数值越大代表相位同步性越高，得到一个包含同一子频带内和不同子频带频率交叉相位同步程度的加权矩阵M；
(3)构建频率交叉网络
对步骤2得到的加权矩阵M，对该矩阵进行阈值为T,0＜T＜10,比例阈值处理，T代表保留矩阵中前T*10/100最大值的元素，由此得到一个阈值化处理的矩阵，矩阵中的每个元素表示两个导联之间的同步性，导联表示网络中的节点；根据所得到的阈值化的矩阵构建频率交叉网络；
(4)网络特征参数提取
对步骤3得到的频率交叉网络提取特征参数，对于有N个结点的网络，设所有结点集合为G，网络的结点最短路径长度定义为：
lij定义为连接两个节点i和j的最短路径上的边数；
网络的局部效率定义为：
全局效率为所有结点局部效率和的平均值：
将步骤3得到的频率交叉网络，按照公式(2)，公式(3)和公式(4)计算得到相应的网络参数特征，用以揭示脑电信号频率交叉耦合特性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810637789.XA CN108814593B (zh) | 2018-06-20 | 2018-06-20 | 一种基于复杂网络的脑电信号特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810637789.XA CN108814593B (zh) | 2018-06-20 | 2018-06-20 | 一种基于复杂网络的脑电信号特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108814593A true CN108814593A (zh) | 2018-11-16 |
| CN108814593B CN108814593B (zh) | 2021-06-08 |
Family
ID=64142925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810637789.XA Expired - Fee Related CN108814593B (zh) | 2018-06-20 | 2018-06-20 | 一种基于复杂网络的脑电信号特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108814593B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110101384A (zh) * | 2019-04-22 | 2019-08-09 | 自然资源部第一海洋研究所 | 用于复杂网络的功能性网络分析系统及分析方法 |
| CN113576494A (zh) * | 2021-07-28 | 2021-11-02 | 生物岛实验室 | 一种脑电信号处理方法、装置以及计算机可读存储介质 |
Citations (12)
| 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 |
| CN102715903A (zh) * | 2012-07-09 | 2012-10-10 | 天津市人民医院 | 基于定量脑电图的脑电特征提取方法 |
| CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
| CN103425983A (zh) * | 2013-07-25 | 2013-12-04 | 电子科技大学 | 一种基于网络同步性的脑网络拓扑差异的快速提取方法 |
| CN104883100A (zh) * | 2009-07-17 | 2015-09-02 | 依必安-派特穆尔芬根股份有限两合公司 | 控制无刷电机的方法及控制系统 |
| CN105242784A (zh) * | 2015-10-12 | 2016-01-13 | 中国医学科学院生物医学工程研究所 | 基于交叉调制频率的稳态视觉诱发电位脑-机接口方法 |
| WO2016074103A1 (en) * | 2014-11-14 | 2016-05-19 | Neurochip Corporation | Method and apparatus for processing electroencephalogram (eeg) signals |
| WO2016146265A1 (en) * | 2015-03-17 | 2016-09-22 | Zynaptiq Gmbh | Methods for extending frequency transforms to resolve features in the spatio-temporal domain |
| US20170105659A1 (en) * | 2015-10-19 | 2017-04-20 | Sayfe Kiaei | Method and apparatus for wirelessly monitoring repetitive bodily movements |
| US20170113046A1 (en) * | 2014-06-09 | 2017-04-27 | The Regents Of The University Of California | Systems and methods for restoring cognitive function |
| US20170112401A1 (en) * | 2015-10-27 | 2017-04-27 | CardioLogs Technologies | Automatic method to delineate or categorize an electrocardiogram |
| CN106963370A (zh) * | 2017-03-27 | 2017-07-21 | 广州视源电子科技股份有限公司 | 一种基于支持向量机的脑电放松度识别方法及装置 |
-
2018
- 2018-06-20 CN CN201810637789.XA patent/CN108814593B/zh not_active Expired - Fee Related
Patent Citations (12)
| 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 |
| CN104883100A (zh) * | 2009-07-17 | 2015-09-02 | 依必安-派特穆尔芬根股份有限两合公司 | 控制无刷电机的方法及控制系统 |
| CN102715903A (zh) * | 2012-07-09 | 2012-10-10 | 天津市人民医院 | 基于定量脑电图的脑电特征提取方法 |
| CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
| CN103425983A (zh) * | 2013-07-25 | 2013-12-04 | 电子科技大学 | 一种基于网络同步性的脑网络拓扑差异的快速提取方法 |
| US20170113046A1 (en) * | 2014-06-09 | 2017-04-27 | The Regents Of The University Of California | Systems and methods for restoring cognitive function |
| WO2016074103A1 (en) * | 2014-11-14 | 2016-05-19 | Neurochip Corporation | Method and apparatus for processing electroencephalogram (eeg) signals |
| WO2016146265A1 (en) * | 2015-03-17 | 2016-09-22 | Zynaptiq Gmbh | Methods for extending frequency transforms to resolve features in the spatio-temporal domain |
| CN105242784A (zh) * | 2015-10-12 | 2016-01-13 | 中国医学科学院生物医学工程研究所 | 基于交叉调制频率的稳态视觉诱发电位脑-机接口方法 |
| US20170105659A1 (en) * | 2015-10-19 | 2017-04-20 | Sayfe Kiaei | Method and apparatus for wirelessly monitoring repetitive bodily movements |
| US20170112401A1 (en) * | 2015-10-27 | 2017-04-27 | CardioLogs Technologies | Automatic method to delineate or categorize an electrocardiogram |
| CN106963370A (zh) * | 2017-03-27 | 2017-07-21 | 广州视源电子科技股份有限公司 | 一种基于支持向量机的脑电放松度识别方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| COHEN, MICHAEL X.: "Assessing transient cross-frequency coupling in EEG data", 《JOURNAL OF NEUROENCE METHODS》 * |
| LIU, YANG; WANG, JIANG; CAI, LIHUI; 等.: "Epileptic seizure detection from EEG signals with phase-amplitude cross-frequency coupling and support vector machine", 《INTERNATIONAL JOURNAL OF MODERN PHYSICS B 》 * |
| RUTHERFORD, HELENA J. V.; GUO, XIAOYUE M.; WU, JIA; 等.: "Intranasal oxytocin decreases cross-frequency coupling of neural oscillations at rest", 《INTERNATIONAL JOURNAL OF PSYCHOPHYSIOLOGY》 * |
| 魏金河等: "脑电同步指数谱:计算方法及视觉选择反应中的关联性变化", 《航天医学与医学工程》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110101384A (zh) * | 2019-04-22 | 2019-08-09 | 自然资源部第一海洋研究所 | 用于复杂网络的功能性网络分析系统及分析方法 |
| CN113576494A (zh) * | 2021-07-28 | 2021-11-02 | 生物岛实验室 | 一种脑电信号处理方法、装置以及计算机可读存储介质 |
| CN113576494B (zh) * | 2021-07-28 | 2022-07-29 | 生物岛实验室 | 一种脑电信号处理方法、装置以及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108814593B (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mammone et al. | Brain network analysis of compressive sensed high-density EEG signals in AD and MCI subjects | |
| Zhang et al. | Two-stage frequency recognition method based on correlated component analysis for SSVEP-based BCI | |
| Yin et al. | ECG monitoring system integrated with IR-UWB radar based on CNN | |
| CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
| CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
| CN107029351B (zh) | 用于全局lfp帕金森症特征值提取的系统及方法 | |
| CN111616681B (zh) | 基于便携式脑电采集设备和深度学习的麻醉状态监测系统 | |
| CN111513735A (zh) | 基于脑机接口和深度学习的重度抑郁症辨识系统及应用 | |
| Bugeja et al. | A novel method of EEG data acquisition, feature extraction and feature space creation for early detection of epileptic seizures | |
| CN114027857B (zh) | 一种基于脑电信号测量运动能力的方法 | |
| CN107550491A (zh) | 一种多类别运动想象分类识别方法 | |
| CN110353704A (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
| CN108814593A (zh) | 一种基于复杂网络的脑电信号特征提取方法 | |
| CN114145754A (zh) | 基于eeg交叉频率耦合的卒中脑功能评估装置 | |
| CN111931578A (zh) | 一种基于最小生成树和区域双层网络的脑电识别方法 | |
| CN113729729B (zh) | 基于图神经网络和脑网络的精神分裂症早期检测系统 | |
| Islam et al. | Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications | |
| Rosso et al. | Analysis of wavelet-filtered tonic-clonic electroencephalogram recordings | |
| CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
| Bayford et al. | Focus on recent advances in electrical impedance tomography | |
| Wu et al. | An investigation of in-ear sensing for motor task classification | |
| Lim et al. | Enhanced wavelet transformation for feature extraction in highly variated ECG signal | |
| Sakkalis et al. | Optimal brain network synchrony visualization: Application in an alcoholism paradigm | |
| CN113558637A (zh) | 一种基于相位传递熵的音乐感知下脑网络构建方法 | |
| Cai et al. | LPVG analysis of the EEG activity in Alzheimer's disease patients |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210608 |