CN109498000A - 基于emd与wpd特征融合的癫痫发作前期预测方法 - Google Patents

基于emd与wpd特征融合的癫痫发作前期预测方法 Download PDF

Info

Publication number
CN109498000A
CN109498000A CN201811590832.8A CN201811590832A CN109498000A CN 109498000 A CN109498000 A CN 109498000A CN 201811590832 A CN201811590832 A CN 201811590832A CN 109498000 A CN109498000 A CN 109498000A
Authority
CN
China
Prior art keywords
fimf
feature
signal
wpd
sample
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
CN201811590832.8A
Other languages
English (en)
Other versions
CN109498000B (zh
Inventor
曹九稳
胡丁寒
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 Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201811590832.8A priority Critical patent/CN109498000B/zh
Publication of CN109498000A publication Critical patent/CN109498000A/zh
Application granted granted Critical
Publication of CN109498000B publication Critical patent/CN109498000B/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于EMD与WPD特征融合的癫痫发作前期预测方法。本发明步骤方法如下：步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF‑WPD的偏态和能量与特征。步骤3、融合基于FIMF与FIMF‑WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。本发明能够有效预警癫痫病发作前期的时间段，降低癫痫发作对患者造成的次生危害。

Description

基于EMD与WPD特征融合的癫痫发作前期预测方法
技术领域
本发明属于数字信号处理和智慧医疗领域，涉及一种基于经验模态分解(EMD)和小波包分解(WPD)的癫痫病发作期与发作前期的精准检测方法。
背景技术
基于脑电EEG信号处理的传统的癫痫检测方法通常是用来解决二分类问题，即将信号分为癫痫发作期和非发作期；或者三分类问题，即将信号分为癫痫发作期、发作前期和发作间歇期。相比于传统的癫痫发作期检测，发作前期的精准预测对有效降低癫痫发作可能引起的次生危害更为重要，然而目前并没有专门用于癫痫发作前期检测算法。为解决这个问题，本发明对癫痫发作前期脑电EEG信号进行细分，将发作前期一小时的EEG信号等分为多个连续且不重叠的时间段，将发作前期预测问题转换成EEG信号多分类问题。为达到发作前期精准预测，本发明提出了一种基于EEG信号经验模态分解(EMD)和小波包分解(WPD)特征的智能预测方法。
发明内容
本发明提出了一种基于EMD与WPD特征融合的癫痫发作前期预测方法。本发明结合EEG信号经验模态分解和小波包分解的特征提取方法，仅针对由经验模态分解得到的第一个本征模函数(FIMF,first intrinsic mode function)进行分析，并再结合随机森林分类器实现癫痫发作前期不同阶段的脑电信号以及发作期和发作间期的智能分类，从而达到较为精准的癫痫预测功能。
本发明的技术方案主要包括如下步骤：
步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。
步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF-WPD的偏态和能量与特征。
步骤3、融合基于FIMF与FIMF-WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。
所述步骤1是提取基于FIMF的特征，具体步骤如下：
1-1对EEG信号进行类别的划分。将发作前一小时的信号分割为发作前60分钟至发作前40分钟，记为Pre-1类；发作前40分钟至发作前20分钟，记为Pre-2类；发作前20分钟至发作初始时刻，记为Pre-3类。将发作时期记为Seizure类，发作间期记为Interictal类。
1-2将每类信号切割成小样本。每个样本信号x为2秒一帧，其中帧重叠为50％；针对多通道EEG信号，对每一个通道i的EEG信号进行经验模态分解，得到若干个本征模函数，仅取第一个本征模函数(FIMF)，记为c1(n)。
1-3通过如下公式计算FIMF的信号能量
其中EFIMF表示FIMF的信号能量，c1(n)为FIMF，N为输入信号的帧长。
1-4通过如下公式计算FIMF的信号能量与输入信号的能量比值
其中Er表示FIMF的信号能量与输入信号的能量比值，c1(n)为FIMF，x(n)为输入的信号，N为输入信号的帧长。
1-5通过如下公式计算FIMF的信号方差
其中σ表示FIMF的信号方差，c1为FIMF，为FIMF的均值，N为输入信号的帧长。
1-6由于每个样本包含M个通道，因此对每个样本而言，EFIMF，Er，σ均为M维向量，三者级联构成了3*M维的基于FIMF的特征向量。
所述步骤2是提取基于FIMF-WPD的特征，具体步骤如下：
2-1对第一个本征模函数进行四层小波包分解，得到第四层的16个结点不同频段的小波包系数yp，其中p＝1，2，...，16.
2-2通过如下公式计算第四层的小波包系数的偏态
其中，Sp表示第四层的小波包系数的偏态，yp(k)为第p个子频段重构后的信号，p＝1，2，...，16；为yp(k)的均值，σp为yp(k)的标准差，K表示每个子频段包含的点数。
2-3通过如下公式计算第四层的小波包系数的能量
其中Ep表示第四层的小波包系数的能量，yp(k)为第p个子频段重构后的信号，p＝1，2，...，16；K表示每个子频段包含的点数。
2-4由于每个样本包含M个通道，且小波包分解后的第四层有16个频段，因此对每个样本而言，Sp和Ep均为16*M维向量，二者级联构成32*M维的基于FIMF-WPD的特征向量。
所述步骤3是将基于多通道EEG信号所提取的FIMF与FIMF-WPD融合特征，构建基于随机森林算法的智能分类器模型，并最终实现癫痫发作及发作前期的精准预测与分类，具体步骤如下：
3-1将步骤1得到的基于FIMF的特征和步骤2得到的基于FIMF-WPD的特征通过级联法融合起来，最终每个样本提取的特征为(3*M+32*M)维的向量。L个训练样本特征构成L行35*M列的特征矩阵，将其作为随机森林分类器的输入。
3-2通过调节随机森林决策树的参数构建最优的分类器模型。针对任意测试样本，采用前述步骤1，步骤2提取基于FIMF与FIMF-WPD的特征，并基于所构建的随机森林分类器计算预测结果。
本发明有益效果如下
结合EEG信号的经验模态分解和小波包分解特征，构建基于随机森林算法的癫痫发作前期精准预测模型，不仅可以实现癫痫发作与否的检测，而且可以实现癫痫发作前期时间段的精准预测。所提出的算法能有效预警癫痫病发作前期的时间段，降低癫痫发作对患者造成的次生危害。
附图说明
图1本发明的EEG信号切割方式；
图2本发明的特征提取的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
通用的癫痫发作前期预测方法的实现步骤在发明内容内已有详细的介绍，即本发明的技术方案主要包括如下步骤：
步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。
步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF-WPD的偏态和能量与特征。
步骤3、融合基于FIMF与FIMF-WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。
所述步骤1是提取基于FIMF的特征，具体步骤如下：
1-1对EEG信号进行类别的划分。将发作前一小时的信号分割为发作前60分钟至发作前40分钟，记为Pre-1类；发作前40分钟至发作前20分钟，记为Pre-2类；发作前20分钟至发作初始时刻，记为Pre-3类。将发作时期记为Seizure类，发作间期记为Interictal类。
1-2将每类信号切割成小样本。每个样本信号x为2秒一帧，其中帧重叠为50％；针对多通道EEG信号，对每一个通道i的EEG信号进行经验模态分解，得到若干个本征模函数，仅取第一个本征模函数(FIMF)，记为c1(n)。
1-3通过如下公式计算FIMF的信号能量
其中EFIMF表示FIMF的信号能量，c1(n)为FIMF，N为输入信号的帧长。
1-4通过如下公式计算FIMF的信号能量与输入信号的能量比值
其中Er表示FIMF的信号能量与输入信号的能量比值，c1(n)为FIMF，x(n)为输入的信号，N为输入信号的帧长。
1-5通过如下公式计算FIMF的信号方差
其中σ表示FIMF的信号方差，c1为FIMF，为FIMF的均值，N为输入信号的帧长。
1-6由于每个样本包含M个通道，因此对每个样本而言，EFIMF，Er，σ均为M维向量，三者级联构成了(3*M)维的基于FIMF的特征向量。
所述步骤2是提取基于FIMF-WPD的特征，具体步骤如下：
2-1对第一个本征模函数进行四层小波包分解，得到第四层的16个结点不同频段的小波包系数yp，其中p＝1，2，...，16.
2-2通过如下公式计算第四层的小波包系数的偏态
其中Sp表示第四层的小波包系数的偏态，yp(k)为第p个子频段重构后的信号(p＝1，2，...，16)，为yp(k)的均值，σp为yp(k)的标准差，K表示每个子频段包含的点数。
2-3通过如下公式计算第四层的小波包系数的能量
其中Ep表示第四层的小波包系数的能量，yp(k)为第p个子频段重构后的信号(p＝1，2，...，16)，K表示每个子频段包含的点数。
2-4由于每个样本包含M个通道，且小波包分解后的第四层有16个频段，因此对每个样本而言，Sp和Ep均为(16*M)维向量，二者级联构成(32*M)维的基于FIMF-WPD的特征向量。
所述步骤3是将基于多通道EEG信号所提取的FIMF与FIMF-WPD融合特征，构建基于随机森林算法的智能分类器模型，并最终实现癫痫发作及发作前期的精准预测与分类，具体步骤如下：
3-1将步骤1得到的基于FIMF的特征和步骤2得到的基于FIMF-WPD的特征通过级联法融合起来，最终每个样本提取的特征为(3*M+32*M)维的向量。L个训练样本特征构成L行(35*M)列的特征矩阵，将其作为随机森林分类器的输入。
3-2通过调节随机森林决策树的参数构建最优的分类器模型。针对任意测试样本，采用前述步骤1，步骤2提取基于FIMF与FIMF-WPD的特征，并基于所构建的随机森林分类器计算预测结果。
为了达到更好的癫痫病发作期与发作前期精准预测效果，以下将从实际应用时参数的选择与设计方面展开介绍，以作为该发明用于其他应用的参考：
本发明是以2s一帧来处理信号的，考虑到两帧之间的连续性，我们在帧移时选取50％的重叠率。
在步骤1中，仅针对第一个本征模函数进行分析，这是因为由经验模态分解得到的第一个本征模函数相比于其他的本征模函数能量最高。在步骤2中，采用四层小波包分解，这是因为对脑电信号而言，四层小波包分解得到的小波包系数有最大的归一化能量，且在频域内有较合适的频率成分和较大的相关系数。
本发明提出的主要针对癫痫发作前期的精准预测，是考虑到癫痫发作提前预警对临床医学的重要意义，在癫痫发作前给患者和医生提供较为精准的时间段的预警信号，可以有效减少癫痫突然发作对患者造成的次生危害。由于癫痫发作前期脑电EEG信号相似度较高，传统的方法不能对其进行精准预测，本发明提出的基于FIMF和FIMF-WPD特征融合方法，能够将发作前期的多个连续时间段较好的区分开，实现较为精准的癫痫发作期与发作前期预测功能。

Claims (4)

1.基于EMD与WPD特征融合的癫痫发作前期预测方法，其特征在于包括如下步骤：
步骤1、EEG信号的类别划分及样本切割，并对每个样本进行经验模态分解，再对分解得到的第一个本征模函数进行分析，从中提取基于FIMF的特征，包含能量、能量比和方差。
步骤2、对步骤1中得到的第一个本征模函数进行四层小波包分解，得到最后一层16个结点的小波包系数，从中提取基于FIMF-WPD的偏态和能量与特征。
步骤3、融合基于FIMF与FIMF-WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型。
2.根据权利要求1所述的基于EMD与WPD特征融合的癫痫发作前期预测方法，其特征在于步骤具体步骤如下：
1-1.对EEG信号进行类别的划分。将发作前一小时的信号分割:发作前60分钟至发作前40分钟，记为Pre-1类；发作前40分钟至发作前20分钟，记为Pre-2类；发作前20分钟至发作初始时刻，记为Pre-3类。将发作时期记为Seizure类，发作间期记为Interictal类。
1-2.将每类信号切割成小样本。每个样本信号x为2秒一帧，其中帧重叠为50％；针对多通道EEG信号，对每一个通道i的EEG信号进行经验模态分解，得到多个本征模函数，仅取第一个本征模函数(FIMF)，记为c1(n)。
1-3通过如下公式计算FIMF的信号能量
其中EFIMF表示FIMF的信号能量，c1(n)为FIMF，N为输入信号的帧长。
1-4通过如下公式计算FIMF的信号能量与输入信号的能量比值
其中Er表示FIMF的信号能量与输入信号的能量比值，c1(n)为FIMF，x(n)为输入的信号，N为输入信号的帧长。
1-5通过如下公式计算FIMF的信号方差
其中σ表示FIMF的信号方差，c1为FIMF，为FIMF的均值，N为输入信号的帧长。
1-6由于每个样本包含M个通道，因此对每个样本而言，EFIMF,Er,σ均为M维向量，三者级联构成了(3*M)维的基于FIMF的特征向量。
3.根据权利要求2所述的基于EMD与WPD特征融合的癫痫发作前期预测方法，其特征在于步骤2具体实现如下：
2-1.对第一个本征模函数进行四层小波包分解，得到第四层的16个结点不同频段的小波包系数yp,其中p＝1，2，...，16.
2-2通过如下公式计算第四层的小波包系数的偏态
其中Sp表示第四层的小波包系数的偏态，yp(k)为第p个子频段重构后的信号(p＝1，2，...，16)，为yp(k)的均值，σp为yp(k)的标准差，K表示每个子频段包含的点数。
2-3通过如下公式计算第四层的小波包系数的能量
其中Ep表示第四层的小波包系数的能量，yp(k)为第p个子频段重构后的信号(p＝1，2，...，16)，K表示每个子频段包含的点数。
2-4由于每个样本包含M个通道，且小波包分解后的第四层有16个频段，因此对每个样本而言，Sp和Ep均为(16*M)维向量，二者级联构成(32*M)维的基于FIMF-WPD的特征向量。
4.根据权利要求3所述的基于EMD与WPD特征融合的癫痫发作前期预测方法，其特征在于步骤3所述的融合基于FIMF与FIMF-WPD的特征，并采用随机森林算法对融合后的特征训练分类器，构建癫痫发作前期的预测模型，具体步骤如下：
3-1将步骤1得到的基于FIMF的特征和步骤2得到的基于FIMF-WPD的特征通过级联法融合起来，最终每个样本提取的特征为(3*M+32*M)维的向量。L个训练样本特征构成L行(35*M)列的特征矩阵，将其作为随机森林分类器的输入。
3-2通过调节随机森林决策树的参数构建最优的分类器模型。针对任意测试样本，采用前述步骤1，步骤2提取基于FIMF与FIMF-WPD的特征，并基于所构建的随机森林分类器计算预测结果。
CN201811590832.8A 2018-12-25 2018-12-25 基于emd与wpd特征融合的癫痫发作前期预测方法 Active CN109498000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811590832.8A CN109498000B (zh) 2018-12-25 2018-12-25 基于emd与wpd特征融合的癫痫发作前期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811590832.8A CN109498000B (zh) 2018-12-25 2018-12-25 基于emd与wpd特征融合的癫痫发作前期预测方法

Publications (2)

Publication Number Publication Date
CN109498000A true CN109498000A (zh) 2019-03-22
CN109498000B CN109498000B (zh) 2021-08-17

Family

ID=65754576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811590832.8A Active CN109498000B (zh) 2018-12-25 2018-12-25 基于emd与wpd特征融合的癫痫发作前期预测方法

Country Status (1)

Country Link
CN (1) CN109498000B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110338786A (zh) * 2019-06-28 2019-10-18 北京师范大学 一种癫痫样放电的识别与分类方法、系统、装置和介质
CN110472530A (zh) * 2019-07-29 2019-11-19 中山大学 基于小波变换和迁移学习的视网膜oct图像分类方法
CN110731770A (zh) * 2019-09-19 2020-01-31 杭州电子科技大学 一种基于短时hrv信号小波包特征心肌梗塞检测方法
CN112613423A (zh) * 2020-12-26 2021-04-06 北京工业大学 基于机器学习的癫痫脑电信号识别方法
CN113466330A (zh) * 2021-07-15 2021-10-01 上海应用技术大学 一种用于涡流探伤过程的缺陷类型识别方法

Citations (10)

* 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
US20170079538A1 (en) * 2015-09-17 2017-03-23 National Central University Method for Identifying Images of Brain Function and System Thereof
CN106951835A (zh) * 2017-03-03 2017-07-14 东华大学 一种脑电信号噪声去除方法
CN107239142A (zh) * 2017-06-01 2017-10-10 南京邮电大学 一种结合公共空间模式算法和emd的脑电信号特征提取方法
US9818416B1 (en) * 2011-04-19 2017-11-14 Deka Products Limited Partnership System and method for identifying and processing audio signals
CN108042130A (zh) * 2017-11-03 2018-05-18 南京邮电大学 一种基于经验模式分解（emd）的脑电信号预处理方法
CN108209870A (zh) * 2017-12-25 2018-06-29 河海大学常州校区 基于卷积神经网络的长程脑电图自动癫痫检测方法
CN108280464A (zh) * 2017-12-22 2018-07-13 南京邮电大学 Dwt和emd融合近似熵的脑电特征提取方法
CN108888264A (zh) * 2018-05-03 2018-11-27 南京邮电大学 Emd和csp融合功率谱密度脑电特征提取方法
WO2018217677A1 (en) * 2017-05-22 2018-11-29 Adaptive, Intelligent And Dynamic Brain Corporation (Aidbrain) Method, module and system for analysis of brain electrical activity

Patent Citations (10)

* 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
US9818416B1 (en) * 2011-04-19 2017-11-14 Deka Products Limited Partnership System and method for identifying and processing audio signals
US20170079538A1 (en) * 2015-09-17 2017-03-23 National Central University Method for Identifying Images of Brain Function and System Thereof
CN106951835A (zh) * 2017-03-03 2017-07-14 东华大学 一种脑电信号噪声去除方法
WO2018217677A1 (en) * 2017-05-22 2018-11-29 Adaptive, Intelligent And Dynamic Brain Corporation (Aidbrain) Method, module and system for analysis of brain electrical activity
CN107239142A (zh) * 2017-06-01 2017-10-10 南京邮电大学 一种结合公共空间模式算法和emd的脑电信号特征提取方法
CN108042130A (zh) * 2017-11-03 2018-05-18 南京邮电大学 一种基于经验模式分解（emd）的脑电信号预处理方法
CN108280464A (zh) * 2017-12-22 2018-07-13 南京邮电大学 Dwt和emd融合近似熵的脑电特征提取方法
CN108209870A (zh) * 2017-12-25 2018-06-29 河海大学常州校区 基于卷积神经网络的长程脑电图自动癫痫检测方法
CN108888264A (zh) * 2018-05-03 2018-11-27 南京邮电大学 Emd和csp融合功率谱密度脑电特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
秦喜文等: "利用整体经验模态分解和随机森林的脑电信号分类研究", 《中国生物医学工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110338786A (zh) * 2019-06-28 2019-10-18 北京师范大学 一种癫痫样放电的识别与分类方法、系统、装置和介质
CN110472530A (zh) * 2019-07-29 2019-11-19 中山大学 基于小波变换和迁移学习的视网膜oct图像分类方法
CN110472530B (zh) * 2019-07-29 2023-10-31 中山大学 基于小波变换和迁移学习的视网膜oct图像分类方法
CN110731770A (zh) * 2019-09-19 2020-01-31 杭州电子科技大学 一种基于短时hrv信号小波包特征心肌梗塞检测方法
CN112613423A (zh) * 2020-12-26 2021-04-06 北京工业大学 基于机器学习的癫痫脑电信号识别方法
CN113466330A (zh) * 2021-07-15 2021-10-01 上海应用技术大学 一种用于涡流探伤过程的缺陷类型识别方法

Also Published As

Publication number Publication date
CN109498000B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN109498000A (zh) 基于emd与wpd特征融合的癫痫发作前期预测方法
Fatimah et al. Detection of apnea events from ECG segments using Fourier decomposition method
CN107495962B (zh) 一种单导联脑电的睡眠自动分期方法
Sharma et al. A new method to identify coronary artery disease with ECG signals and time-Frequency concentrated antisymmetric biorthogonal wavelet filter bank
CN104586387B (zh) 一种时、频、空域多参数脑电特征提取与融合方法
Aarabi et al. A fuzzy rule-based system for epileptic seizure detection in intracranial EEG
Song et al. Automated detection of epileptic EEGs using a novel fusion feature and extreme learning machine
Kumari et al. Seizure detection in EEG using time frequency analysis and SVM
CN113158964B (zh) 一种基于残差学习和多粒度特征融合的睡眠分期方法
CN111657889A (zh) 一种基于毫米波雷达的非接触式驾驶员疲劳检测方法
CN108451527A (zh) 一种对不同麻醉状态下脑电信号分类系统
CN106943118A (zh) 一种脑电信号监测处理方法
CN104382614A (zh) 一种基于快速独立分量分析的心音肺音信号分离方法及装置
CN106580349B (zh) 管制员疲劳检测方法及装置、管制员疲劳响应方法及装置
CN108903936A (zh) 基于人体信息和环境信息融合的智能矿用头盔控制方法
CN106037671A (zh) 一种基于bcg信号的呼吸暂停事件检测方法及系统
CN103116405A (zh) 牙齿动作状态的脑肌电的实时检测控制装置及方法
CN103300869A (zh) 基于人体呼吸信号的汽车驾驶员疲劳实时监测系统
CN110025322A (zh) 基于滤波与集成分类器的多模态生理信号情感分类方法
Kim et al. Automatic sleep stage classification using eeg and emg signal
Jiang et al. A robust two-stage sleep spindle detection approach using single-channel EEG
CN116211319A (zh) 一种基于图注意力网络和稀疏编码的静息态多通道脑电信号识别方法
Sun et al. Automatic Epileptic Seizure Detection Using PSO‐Based Feature Selection and Multilevel Spectral Analysis for EEG Signals
CN116725553A (zh) 基于时频域关联特征的睡眠循环交替模式检测方法及装置
Ning et al. Fall detection algorithm based on gradient boosting decision tree

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