CN109700458A - 一种eeg脑功能网络构建方法、装置及存储介质 - Google Patents
一种eeg脑功能网络构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109700458A CN109700458A CN201910032818.4A CN201910032818A CN109700458A CN 109700458 A CN109700458 A CN 109700458A CN 201910032818 A CN201910032818 A CN 201910032818A CN 109700458 A CN109700458 A CN 109700458A
- Authority
- CN
- China
- Prior art keywords
- eeg
- time series
- brain function
- hurst
- eeg signals
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种EEG脑功能网络构建方法、装置及存储介质,该方法包括如下步骤:获取多个不同的脑电信号时间序列;确定所述脑电信号时间序列两两之间的差值,获得多个差值时间序列;基于自适应去趋势法,确定每个所述差值时间序列的Hurst值,获得多个所述Hurst值;根据多个所述Hurst值构建EEG脑功能网络。本发明的技术方案能够获得准确地Hurst值,通过Hurst值能准确地反映脑电波特性变化,具有较好的鲁棒性。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种EEG脑功能网络构建方法、装置及存储介质。
背景技术
人类的大脑是自然界最复杂的系统之一,人类的所有高级认知功能如思维、情感和意识都依赖大脑,对大脑的研究具有重要意义。脑电图(Electroencephalogram,EEG)可以检测到脑活动在毫秒级的变化情况,是评价脑功能状态的一个敏感指标,现已被广泛应用于睡眠监测、中枢神经系统疾病及精神疾病的诊断及研究中。特别是在解决癫痫等阵发性脑功能异常的定性及定位问题上,脑电图具有着不可替代的作用。
临床工作中,对EEG脑电信号的判读和分析主要依靠目测法,即通过人眼观察脑波的波幅、波形、频率、对不同刺激的反应和在不同状态下的特征,以及脑电信号在空间维度及时间维度上的变化规律,来区分生理及病理状态下的脑电活动模式。不同于心电信号,EEG脑电信号具有复杂性和不确定性的特点,现有技术中还难以依靠仪器自动识别报警,仅能依靠专业人员人工阅图,但是长时间持续监测的EEG脑电信号会产生大量的数据,不仅大幅增加了工作人员的工作量,而且难以实时判断出病理状态下的EEG脑电信号。因此,需要一种能够对EEG脑电信号进行分析的方法。
目前,大多基于时域分析理论或频域分析理论来分析EEG脑电信号。时域分析反应的是电压在时间尺度上的动态变化,如振幅整合脑电图(aEEG)等。但由于部分异常脑电活动仅以频率改变为主,使得与时域分析相关的自动分析软件难以识别,造成假阴性结果。频域分析中,傅里叶转化是理论基础,通过将信号函数转化为正弦函数的线性组合或者积分,进而分析在选定时间范围内的频率成分,如脑电地形图。但由于傅里叶转换的前提是平稳的随机信号,而对于非平稳随机的EEG脑电信号,其在长程脑电监测上的作用仍十分有限。
为了解决上述问题,通过脑功能网络分析EEG脑电信号的方法被提出,脑功能网络是多个大脑区域的集合,通常以脑区为节点,脑区之间的连接关系为节点间的关系,建立脑功能网络。由于大脑通常表现出具有非线性动态特性的复杂行为,在具备特定功能部位上呈现出长程动态的神经交互,这种动态的神经网络是由整体架构组织起来的,因为表现出无尺度网络特性而被认为具有分形特征。记录神经生物信号的EEG脑电信号也呈现复杂的时间波动,反映着非线性动态过程,这个过程可以通过Hurst指数来描述,并通过Hurst值来构建脑功能网络。
目前,常用的Hurst指数的计算方法主要包括:R/S分析、小波分析、Whittle法及去趋势波动分析(detrended fluctuation analysis,DFA)等。对于使用较多的DFA而言,由于其在通过线性或多项式拟合得到的各段趋势之间是不连续的,导致关键节点数据的遗漏,影响Hurst值的准确性。
发明内容
针对上述现有技术的不足,本发明提供一种EEG脑功能网络构建方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明提供了一种EEG脑功能网络构建方法,该方法包括如下步骤:
获取多个不同的脑电信号时间序列。
确定所述脑电信号时间序列两两之间的差值,获得多个差值时间序列。
基于自适应去趋势法,确定每个所述差值时间序列的Hurst值,获得多个所述Hurst值。
根据多个所述Hurst值构建EEG脑功能网络。
第二方面,本发明提供了一种EEG脑功能网络构建装置,该装置包括:
获取模块,获取多个不同的脑电信号时间序列。
第一处理模块,确定所述脑电信号时间序列两两之间的差值,获得多个差值时间序列。
第二处理模块,基于自适应去趋势法,确定每个所述差值时间序列的Hurst值,获得多个所述Hurst值。
构建模块,根据多个所述Hurst值构建EEG脑功能网络。
第三方面,本发明提供了一种EEG脑功能网络构建装置,该装置包括存储器和处理器。
所述存储器,用于存储计算机程序。
所述处理器,用于当执行所述计算机程序时,实现如上所述的EEG脑功能网络构建方法。
第四方面,本发明提供了一种计算机可读存储介质,该存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的EEG脑功能网络构建方法。
本发明提供的EEG脑功能网络构建方法、装置及存储介质的有益效果是:根据自适应去趋势法获取脑电信号时间序列的Hurst值,不会遗漏脑电信号数据,能够获得准确的Hurst值,脑电信号与导联一一对应,可以采用导联为节点,导联与脑区一一对应,以Hurst值为节点关系,构建EEG脑功能网络,具有较好的鲁棒性。
附图说明
图1为本发明实施例的一种EEG脑功能网络构建方法的流程示意图;
图2为本发明实施例的一种EEG网络元胞的示意图;
图3为本发明实施例的一种脑电信号时间序列的示意图;
图4为本发明实施例的一种拟合值时间序列的示意图;
图5为本发明实施例的一种窗宽-标准差拟合线的示意图;
图6为本发明实施例的EEG脑功能网络的结构示意图;
图7为本发明实施例的一种EEG脑功能网络构建装置的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明实施例提供的一种EEG脑功能网络构建方法,该方法包括如下步骤:
110,获取多个不同的脑电信号时间序列。
120,确定所述脑电信号时间序列两两之间的差值,获得多个差值时间序列。
130,基于自适应去趋势法,确定每个所述差值时间序列的Hurst值,获得多个所述Hurst值。
140,根据多个所述Hurst值构建EEG脑功能网络。
本实施例中,根据自适应去趋势法获取脑电信号时间序列的Hurst值,不会遗漏脑电信号数据,能够获得准确的Hurst值,脑电信号与导联一一对应,可以采用导联为节点,导联与脑区一一对应,以Hurst值为节点关系,构建EEG脑功能网络,具有较好的鲁棒性。
具体地,可从预设的脑电信号数据库中获取脑电信号,该脑电信号数据库按照国际10-20系统设置19导联,19导联的电极及电极的安放位置包括Fz(额中线)、Cz(中央中线)、Pz(顶中线)、T3(左中颞)、C3(左中央)、C4(右中央)、T4(右中颞)、Fp1(左额极)、F7(左前颞)、T5(左后颞)、O1(左枕)、O2(右枕)、T6(右后颞)、F8(右前颞)、Fp2(右额极)、F3(左额)、F4(右额)、P3(左顶)、P4(右顶),参考电极Ref安放在额极中线位置,地线GND安放在枕中线位置,电极阻抗小于10Ω。通过采样频率不低于256Hz的脑电放大器采集脑电信号,采集时间不低于4s,获得19个导联脑电信号记录。
优选地,可将数据库中的脑电信号以edf格式导出,再通过调取Matlab中的edfread.m函数,来获取各个导联脑电信号时间序列,即Fp2-Ref、F4-Ref、C4-Ref、P4-Ref、O2-Ref、F8-Ref、T4-Ref、T6-Ref、Fz-Ref、Cz-Ref、Pz-Ref、T5-Ref、T3-Ref、F7-Ref、O1-Ref、P3-Ref、C3-Ref、F3-Ref、Fp1-Ref。
优选地,所述脑电信号时间序列包括多个按时间先后顺序排列的脑电数据。
优选地,所述确定所述脑电信号时间序列两两之间的差值,获得多个差值时间序列具体包括如下步骤:
对于任意两个所述脑电信号时间序列,确定同一时刻的两个所述脑电信号时间序列中的脑电数据的差值,获得一个所述差值时间序列。
遍历所有所述脑电信号时间序列,分别确定每个所述脑电信号时间序列与其它所述脑电信号时间序列的差值,获得多个所述差值时间序列。
具体地,可采用Matlab中的for循环函数将脑电信号时间相互做减,每两个脑电信号时间序列相互相减得到两个差值时间序列,并且包括脑电信号序列与自身相减,因此,获得19×19个差值时间序列。
优选地,按顺序排列多个所述差值时间序列,构建网络矩阵,所述网络矩阵为网络元胞。
具体地,如图2所示,将19×19个差值时间序列按顺序排列,构建出一个网络矩阵,该网络矩阵为EEG网络元胞(ECell)。
优选地,如图3所示,差值时间序列可表示为u(i),窗宽可表示为w,所述确定每个所述差值时间序列的Hurst值,获得多个所述Hurst值具体包括如下步骤:
以预设的窗宽w对所述差值时间序列u(i)进行分割,获得多个相邻且互有重叠区域的窗口。
具体地,每个窗口包括2n+1个数据点,n与w取值相同,n=1,2,3,…,重叠区域包括n+1个数据点。
对所述窗口中的数据进行拟合,获得与所述差值时间序列u(i)对应的拟合值时间序列,拟合值时间序列可用v(i)表示。
具体地,可用i和i+1表示任意两个相邻的所述窗口,首先对窗口i中的数据进行M阶多项式拟合,获得拟合值y(i)(l1),l1为窗口i的2n+1个数据点中的任意一个,并对窗口i+1中的数据进行M阶多项式拟合,获得拟合值y(i+1)(l2),l2为窗口i+1的2n+1个数据点中的任意一个。
可用c表示窗口i和窗口i+1之间的重叠区域,l为重叠区域c的n+1个数据点中的任意一个,对重叠区域c中的数据进行加权拟合,其公式为:
y(c)(l)=w1y(i)(l)+w2y(i+1)(l),
其中,也可表示为d1为数据l到窗口i的中点的距离,d2为数据l到窗口i+1的中点的距离。
根据上述计算,获得窗口i和窗口i+1中每个数据的拟合值,将每个拟合值与差值时间序列u(i)的数据对应排列,获得拟合值时间序列v(i),如图4所示。
确定所述差值时间序列u(i)与所述拟合值时间序列v(i)的残差,获得残差时间序列,残差时间序列可用[u(i)-v(i)]表示。
具体地,差值时间序列u(i)与拟合值时间序列v(i)在同一时间刻度下,用任意时刻对应的差值时间序列u(i)的数据减去拟合值时间序列v(i)的数据,得到在该时间刻度下的所有残差,以该时间刻度排列所有残差,就获得残差时间序列[u(i)-v(i)]。
确定所述残差时间序列的标准差,所述标准差与所述窗宽对应。
具体地,标准差可用F(w)表示,其计算公式为:
该标准差F(w)与该窗宽w一一对应。
根据多个不同的所述窗宽对所述差值时间序列进行处理,获得多个所述标准差,根据所述标准差和所述窗宽进行拟合,获得拟合线,确定所述拟合线的斜率,所述斜率为所述Hurst值,如图5所示。
具体地,依次取窗宽w=1,2,3,…,通过上述运算,得到与每个窗宽w对应的标准差F(w),以2为底分别求窗宽w的对数log2w和标准差F(w)的对数log2F(w),基于窗宽w的变化,可以获得多个log2w和log2F(w),根据多个log2w和log2F(w)进行拟合,以log2w为横坐标,以log2F(w)为纵坐标,通过线性回归,绘制出拟合线,拟合线为一条斜线,代表log2w和log2F(w)之间的线性关系,通过计算获得该拟合线的斜率,该斜率即为差值时间序列u(i)的Hurst值。分别对EEG网络元胞(ECell)中的每个差值时间序列进行上述运算,就能获得每个差值序列的Hurst值,共有19×19个。
优选地,所述脑电信号时间序列与导联一一对应,所述根据多个所述Hurst值构建EEG脑功能网络具体包括如下步骤:
以所述导联作为节点,以所述Hurst值作为所述节点间的关系,构建所述EEG脑功能网络。
具体地,由上述内容可知,由于差值时间序列是两个导联脑电信号时间序列相减获得的,因此Hurst值代表两个导联脑电信号时间序列间的关系,可用于描述两个导联间的关系。以导联作为节点,导联对应大脑的脑区,以Hurst值作为节点间的关系,将19个导联连接起来,就能构建出EEG脑功能网络。
下面以睡眠-觉醒周期的脑电信号为示例,对本发明的一种EEG脑功能网络构建方法及EEG脑功能网络的一种应用场景做进一步的说明。
获取多份脑电信号,通过人工阅图,将脑电信号分为清醒、思睡、睡眠Ⅰ期、睡眠Ⅱ期和慢波睡眠期的脑电信号,可通过后头部α节律来判断清醒脑电信号、通过α节律解体来判断思睡脑电信号、通过顶尖波来判断睡眠I期脑电信号、通过睡眠纺锤来判断睡眠II期脑电信号及通过中高波幅δ节律来判断慢波睡眠期脑电信号。
本实施例中获取了431份脑电信号,通过人工阅图,其中,清醒脑电信号100份、思睡脑电信号100份、睡眠I期脑电信号96份、睡眠II期脑电信号92份、慢波睡眠脑电信号43份。每个脑电信号都包括19个导联脑电信号,根据上述方法构建上述脑电信号对应的EEG脑功能网络,如图6所示,图中节点为导联,节点间的连线为对应两个导联之间的Hurst值。
可根据构建的EEG脑功能网络,结合诊断试验方法,筛选出灵敏度高及特异度高的导联,用于睡眠监测,对特定的睡眠-觉醒状态进行监测时,只需采用该导联就可以得到精准度高的脑电信号,不需再设置全部19个导联。
通过诊断试验方法,以人工阅图结果作为金标准,将通过EEG脑功能网络判断的结果与金标准比对,本实施例中,通过比对获得能够同时区分清醒及慢波睡眠期的导联,经过诊断试验筛查,获得满足上述条件的导联Fz-O2、Cz-O2、Pz-O2、C3-O2、C4-O2。
上述导联对应的EEG脑功能网络的诊断试验结果如表1所示:
表1诊断试验结果
因此,在进行睡眠监测,判断大脑处于清醒还是慢波睡眠期时,只需获取Fz-O2、Cz-O2、Pz-O2、C3-O2、C4-O2五种导联中的至少一种对应的脑电信号,就能够得到准确的判断结果。
如图7所示,本发明实施例提供的一种EEG脑功能网络构建装置,所述装置包括:
获取模块,获取多个不同的脑电信号时间序列。
第一处理模块,确定所述脑电信号时间序列两两之间的差值,获得多个差值时间序列。
第二处理模块,基于自适应去趋势法,确定每个所述差值时间序列的Hurst值,获得多个所述Hurst值。
构建模块,根据多个所述Hurst值构建EEG脑功能网络。
优选地,所述第一处理模块具体用于:
对于任意两个所述脑电信号时间序列,确定同一时刻的两个所述脑电信号时间序列中的脑电数据的差值,获得一个所述差值时间序列。
遍历所有所述脑电信号时间序列,分别确定每个所述脑电信号时间序列与其它所述脑电信号时间序列的差值,获得多个所述差值时间序列。
优选地,按顺序排列多个所述差值时间序列,构建网络矩阵,所述网络矩阵为网络元胞。
优选地,所述第二处理模块具体用于:
以预设的窗宽对所述差值时间序列进行分割,获得多个相邻且互有重叠区域的窗口。
对所述窗口中的数据进行拟合,获得与所述差值时间序列对应的拟合值时间序列。
确定所述差分时间序列与所述拟合值时间序列的残差,获得残差时间序列。
确定所述残差时间序列的标准差。
根据多个不同的所述窗宽对所述差值时间序列进行处理,获得多个所述标准差,根据所述标准差和所述窗宽进行拟合,获得拟合线,确定所述拟合线的斜率,所述斜率为所述Hurst值。
本发明另一实施例提供了一种EEG脑功能网络构建装置,所述装置包括存储器和处理器;
所述存储器,用于存储计算机程序。
所述处理器,用于当执行所述计算机程序时,实现如上所述的EEG脑功能网络构建方法。
本发明再一实施例提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的EEG脑功能网络构建方法。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种EEG脑功能网络构建方法,其特征在于,所述方法包括如下步骤:
获取多个不同的脑电信号时间序列;
确定所述脑电信号时间序列两两之间的差值,获得多个差值时间序列;
基于自适应去趋势法,确定每个所述差值时间序列的Hurst值,获得多个所述Hurst值;
根据多个所述Hurst值构建EEG脑功能网络。
2.根据权利要求1所述的EEG脑功能网络构建方法,其特征在于,所述脑电信号时间序列包括多个按时间先后顺序排列的脑电数据。
3.根据权利要求2所述的EEG脑功能网络构建方法,其特征在于,所述确定所述脑电信号时间序列两两之间的差值,获得多个差值时间序列具体实现包括:
对于任意两个所述脑电信号时间序列,确定同一时刻的两个所述脑电信号时间序列中的所述脑电数据的差值,获得一个所述差值时间序列;
遍历所有所述脑电信号时间序列,分别确定每个所述脑电信号时间序列与其它所述脑电信号时间序列的差值,获得多个所述差值时间序列。
4.根据权利要求3所述的EEG脑功能网络构建方法,其特征在于,所述确定每个所述差值时间序列的Hurst值,获得多个所述Hurst值具体包括如下步骤:
以预设的窗宽对所述差值时间序列进行分割,获得多个相邻且互有重叠区域的窗口;
对所述窗口中的数据进行拟合,获得与所述差值时间序列对应的拟合值时间序列;
确定所述差值时间序列与所述拟合值时间序列的残差,获得残差时间序列;
确定所述残差时间序列的标准差,所述标准差与所述窗宽对应;
根据多个不同的所述窗宽对所述差值时间序列进行处理,获得多个所述标准差,根据所述标准差和所述窗宽进行拟合,获得拟合线,确定所述拟合线的斜率,所述斜率为所述Hurst值。
5.根据权利要求1至4任一项所述的EEG脑功能网络构建方法,其特征在于,所述脑电信号时间序列与导联一一对应,所述根据多个所述Hurst值构建EEG脑功能网络具体包括如下步骤:
以所述导联作为节点,以所述Hurst值作为所述节点间的关系,构建所述EEG脑功能网络。
6.一种EEG脑功能网络构建装置,其特征在于,所述装置包括:
获取模块,获取多个不同的脑电信号时间序列;
第一处理模块,确定所述脑电信号时间序列两两之间的差值,获得多个差值时间序列;
第二处理模块,基于自适应去趋势法,确定每个所述差值时间序列的Hurst值,获得多个所述Hurst值;
构建模块,根据多个所述Hurst值构建EEG脑功能网络。
7.根据权利要求6所述的EEG脑功能网络构建装置,其特征在于,所述第一处理模块具体用于:
对于任意两个所述脑电信号时间序列,确定同一时刻的两个所述脑电信号时间序列中的脑电数据的差值,获得一个所述差值时间序列;
遍历所有所述脑电信号时间序列,分别确定每个所述脑电信号时间序列与其它所述脑电信号时间序列的差值,获得多个所述差值时间序列。。
8.根据权利要求7所述的EEG脑功能网络构建装置,其特征在于,所述第二处理模块具体用于:
以预设的窗宽对所述差值时间序列进行分割,获得多个相邻间互有重叠区域的窗口;
对所述窗口中的数据进行拟合,获得与所述差值时间序列对应的拟合值时间序列;
确定所述差分时间序列与所述拟合值时间序列的残差,获得残差时间序列;
确定所述残差时间序列的标准差,所述标准差与所述窗宽对应;
根据多个不同的所述窗宽对所述差值时间序列进行处理,获得多个所述标准差,根据所述标准差和所述窗宽进行拟合,获得拟合线,确定所述拟合线的斜率,所述斜率为所述Hurst值。
9.一种EEG脑功能网络构建装置,其特征在于,所述装置包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1至5任一项所述的EEG脑功能网络构建方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至5任一项所述的EEG脑功能网络构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032818.4A CN109700458B (zh) | 2019-01-14 | 2019-01-14 | 一种eeg脑功能网络构建方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032818.4A CN109700458B (zh) | 2019-01-14 | 2019-01-14 | 一种eeg脑功能网络构建方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109700458A true CN109700458A (zh) | 2019-05-03 |
CN109700458B CN109700458B (zh) | 2021-09-24 |
Family
ID=66261168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910032818.4A Active CN109700458B (zh) | 2019-01-14 | 2019-01-14 | 一种eeg脑功能网络构建方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109700458B (zh) |
Cited By (3)
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 |
CN114822833A (zh) * | 2021-01-29 | 2022-07-29 | 株式会社理光 | 脑功能评估系统、方法和计算机可读介质 |
CN117519067A (zh) * | 2023-10-20 | 2024-02-06 | 东北大学 | 一种连轧过程多机架控制性能评价方法 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1883384A (zh) * | 2006-06-22 | 2006-12-27 | 复旦大学 | 一种脑电信号伪迹成分的自动识别和去除方法 |
CN101068498A (zh) * | 2004-10-04 | 2007-11-07 | 旗帜健康公司 | 链接来自多模态数据集的图案的方法 |
CN101520893A (zh) * | 2009-02-23 | 2009-09-02 | 暨南大学 | 一种婴幼儿脑医学计算机扫描图像的分析方法及实现系统 |
US20100317983A1 (en) * | 2009-06-12 | 2010-12-16 | Newcardio, Inc. | Method for quantitative assessment of cardiac electrical events |
US8024032B1 (en) * | 2005-11-28 | 2011-09-20 | Flint Hills Scientific Llc | Method and system for the prediction, rapid detection, warning, prevention, or control of changes in the brain states of a subject using hurst parameter estimation |
CN102906752A (zh) * | 2010-01-18 | 2013-01-30 | 艾欧敏达有限公司 | 用于神经生理学数据的加权分析的方法和系统 |
WO2013153798A1 (en) * | 2012-04-12 | 2013-10-17 | Canon Kabushiki Kaisha | Brain activity and visually induced motion sickness |
CN103368811A (zh) * | 2012-04-06 | 2013-10-23 | 华为终端有限公司 | 带宽分配方法和设备 |
US20140073957A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for qualifying calculated values based on a sum of differences |
JP5448199B2 (ja) * | 2009-02-12 | 2014-03-19 | 国立大学法人長岡技術科学大学 | 感性状態判定装置 |
CN104050394A (zh) * | 2014-07-04 | 2014-09-17 | 北京师范大学 | 群体脑网络的建模方法及其拓扑属性分析方法 |
CN105212921A (zh) * | 2015-10-08 | 2016-01-06 | 西南大学 | 一种基于心电测度的测谎方法 |
US20160106331A1 (en) * | 2013-04-22 | 2016-04-21 | The Regents Of The University Of California | Fractal index analysis of human electroencephalogram signals |
CN105615879A (zh) * | 2016-04-05 | 2016-06-01 | 陕西师范大学 | 基于多重分形消除趋势波动分析的脑电测谎方法 |
KR20160146103A (ko) * | 2015-06-11 | 2016-12-21 | 경북대학교 산학협력단 | 정신 상태를 추정하기 위한 전자 장치 및 방법, 이를 수행하기 위한 기록 매체 |
CN106333682A (zh) * | 2016-10-10 | 2017-01-18 | 天津大学 | 基于脑电非线性动力学特征的急性缺血性丘脑卒中早期诊断方法 |
CN107358022A (zh) * | 2017-06-02 | 2017-11-17 | 常州大学 | 一种大脑功能网络的模块化分析方法 |
CN108143410A (zh) * | 2017-12-13 | 2018-06-12 | 东南大学 | 一种面向静息态脑电信号的脑功能连接分析方法 |
CN108364007A (zh) * | 2018-01-18 | 2018-08-03 | 北京师范大学 | 一种基于脑结构连接约束的脑功能连接特征提取方法 |
CN108498106A (zh) * | 2018-02-08 | 2018-09-07 | 陕西师范大学 | 基于多重分形消除趋势波动分析的cnv脑电测谎方法 |
CN108596879A (zh) * | 2018-04-02 | 2018-09-28 | 北京工业大学 | 一种基于希尔伯特黄变换的fMRI时频域动态网络构建方法 |
CN108577835A (zh) * | 2018-05-17 | 2018-09-28 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
CN108615024A (zh) * | 2018-05-03 | 2018-10-02 | 厦门大学 | 一种基于遗传算法和随机森林的eeg信号分类模型 |
CN108742611A (zh) * | 2018-04-08 | 2018-11-06 | 南京医科大学 | 一种随机动态参数电刺激条件下的自主肌电提取方法 |
-
2019
- 2019-01-14 CN CN201910032818.4A patent/CN109700458B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101068498A (zh) * | 2004-10-04 | 2007-11-07 | 旗帜健康公司 | 链接来自多模态数据集的图案的方法 |
US8024032B1 (en) * | 2005-11-28 | 2011-09-20 | Flint Hills Scientific Llc | Method and system for the prediction, rapid detection, warning, prevention, or control of changes in the brain states of a subject using hurst parameter estimation |
CN1883384A (zh) * | 2006-06-22 | 2006-12-27 | 复旦大学 | 一种脑电信号伪迹成分的自动识别和去除方法 |
JP5448199B2 (ja) * | 2009-02-12 | 2014-03-19 | 国立大学法人長岡技術科学大学 | 感性状態判定装置 |
CN101520893A (zh) * | 2009-02-23 | 2009-09-02 | 暨南大学 | 一种婴幼儿脑医学计算机扫描图像的分析方法及实现系统 |
US20100317983A1 (en) * | 2009-06-12 | 2010-12-16 | Newcardio, Inc. | Method for quantitative assessment of cardiac electrical events |
CN102906752A (zh) * | 2010-01-18 | 2013-01-30 | 艾欧敏达有限公司 | 用于神经生理学数据的加权分析的方法和系统 |
CN103368811A (zh) * | 2012-04-06 | 2013-10-23 | 华为终端有限公司 | 带宽分配方法和设备 |
WO2013153798A1 (en) * | 2012-04-12 | 2013-10-17 | Canon Kabushiki Kaisha | Brain activity and visually induced motion sickness |
US20140073957A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for qualifying calculated values based on a sum of differences |
US20160106331A1 (en) * | 2013-04-22 | 2016-04-21 | The Regents Of The University Of California | Fractal index analysis of human electroencephalogram signals |
CN104050394A (zh) * | 2014-07-04 | 2014-09-17 | 北京师范大学 | 群体脑网络的建模方法及其拓扑属性分析方法 |
KR20160146103A (ko) * | 2015-06-11 | 2016-12-21 | 경북대학교 산학협력단 | 정신 상태를 추정하기 위한 전자 장치 및 방법, 이를 수행하기 위한 기록 매체 |
CN105212921A (zh) * | 2015-10-08 | 2016-01-06 | 西南大学 | 一种基于心电测度的测谎方法 |
CN105615879A (zh) * | 2016-04-05 | 2016-06-01 | 陕西师范大学 | 基于多重分形消除趋势波动分析的脑电测谎方法 |
CN106333682A (zh) * | 2016-10-10 | 2017-01-18 | 天津大学 | 基于脑电非线性动力学特征的急性缺血性丘脑卒中早期诊断方法 |
CN107358022A (zh) * | 2017-06-02 | 2017-11-17 | 常州大学 | 一种大脑功能网络的模块化分析方法 |
CN108143410A (zh) * | 2017-12-13 | 2018-06-12 | 东南大学 | 一种面向静息态脑电信号的脑功能连接分析方法 |
CN108364007A (zh) * | 2018-01-18 | 2018-08-03 | 北京师范大学 | 一种基于脑结构连接约束的脑功能连接特征提取方法 |
CN108498106A (zh) * | 2018-02-08 | 2018-09-07 | 陕西师范大学 | 基于多重分形消除趋势波动分析的cnv脑电测谎方法 |
CN108596879A (zh) * | 2018-04-02 | 2018-09-28 | 北京工业大学 | 一种基于希尔伯特黄变换的fMRI时频域动态网络构建方法 |
CN108742611A (zh) * | 2018-04-08 | 2018-11-06 | 南京医科大学 | 一种随机动态参数电刺激条件下的自主肌电提取方法 |
CN108615024A (zh) * | 2018-05-03 | 2018-10-02 | 厦门大学 | 一种基于遗传算法和随机森林的eeg信号分类模型 |
CN108577835A (zh) * | 2018-05-17 | 2018-09-28 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
Non-Patent Citations (6)
Title |
---|
GAO JIANBO,HU JING,LIU, FEIYAN,等: "Multiscale entropy analysis of biological signals: a fundamental bi-scaling law", 《FRONTIERS IN COMPUTATIONAL NEUROSCIENCE》 * |
RAHMANI BAHAREH, WONG CHUNG KI, NOROUZZADEH PAYAM,等: "Dynamical Hurst analysis identifies EEG channel differences between PTSD and healthy controls", 《PLOS ONE》 * |
李昕,孙小棋,齐晓英,等: "面向心理压力评估的脑电信号多重分形去趋势波动分析方法研究", 《生物医学工程学杂志》 * |
白玲,景斌,叶德荣: "大脑静息态fMRI信号复杂度的年龄效应研究", 《北京生物医学工程》 * |
邹鸣,高庸,王新猛,等: "脑电信号的多重分形去趋势波动分析", 《北京生物医学工程》 * |
郭通,兰巨龙,黄万伟,等: "分数阶Fourier变换域中网络流量的自相似特性分析", 《通信学报》 * |
Cited By (4)
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 |
CN114822833A (zh) * | 2021-01-29 | 2022-07-29 | 株式会社理光 | 脑功能评估系统、方法和计算机可读介质 |
CN117519067A (zh) * | 2023-10-20 | 2024-02-06 | 东北大学 | 一种连轧过程多机架控制性能评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109700458B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240008795A1 (en) | Apparatus, Systems and Methods for Predicting, Screening and Monitoring of Encephalopathy/Delirium | |
US10517501B2 (en) | Electroencephalogram analysis apparatus and electroencephalogram analysis method | |
O'Reilly et al. | Automatic sleep spindle detection: benchmarking with fine temporal resolution using open science tools | |
CN105636515B (zh) | 用于自动评估失神eeg的计算机程序和评估设备 | |
De Lannoy et al. | Weighted SVMs and feature relevance assessment in supervised heart beat classification | |
CN109700458A (zh) | 一种eeg脑功能网络构建方法、装置及存储介质 | |
US20130178731A1 (en) | Methods and apparatus for risk assessment of developmental disorders during early cognitive development | |
US20090264785A1 (en) | Method and Apparatus For Assessing Brain Function Using Diffusion Geometric Analysis | |
Doret et al. | Multifractal analysis of fetal heart rate variability in fetuses with and without severe acidosis during labor | |
Javorka et al. | Recurrences in heart rate dynamics are changed in patients with diabetes mellitus | |
US20180279938A1 (en) | Method of diagnosing dementia and apparatus for performing the same | |
JP2006198403A (ja) | 心拍変動分析装置 | |
CN109350020A (zh) | 身心健康状况分析装置及方法 | |
Tarvainen et al. | Kubios HRV | |
CN112656393B (zh) | 一种心率变异性的检测方法及系统 | |
Makowiec et al. | Aging in autonomic control by multifractal studies of cardiac interbeat intervals in the VLF band | |
Candia‐Rivera et al. | Multidimensional assessment of heartbeat‐evoked responses in disorders of consciousness | |
Díaz et al. | Inter-channel correlation in the EEG activity during a cognitive problem solving task with an increasing difficulty questions progression | |
US8086303B2 (en) | Cardiac arrhythmias analysis of electrophysiological signals based on symbolic dynamics | |
Durka et al. | High resolution parametric description of slow wave sleep | |
Chu et al. | One-minute finger pulsation measurement for diabetes rapid screening with 1.3% to 13% false-negative prediction rate | |
US11963782B2 (en) | Method and apparatus of analyzing the ECG frequency parameters for the diagnosis of STEMI diseases | |
Signorini | Nonlinear analysis of heart rate variability signal: physiological knowledge and diagnostic indications | |
CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
Sofiah et al. | Calculation of Quantitative Parameters of Clinical EEG Signals by Adopting Visual Reading Methods |
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 |