CN109766847B - 一种锋电位分离方法 - Google Patents
一种锋电位分离方法 Download PDFInfo
- Publication number
- CN109766847B CN109766847B CN201910034850.6A CN201910034850A CN109766847B CN 109766847 B CN109766847 B CN 109766847B CN 201910034850 A CN201910034850 A CN 201910034850A CN 109766847 B CN109766847 B CN 109766847B
- Authority
- CN
- China
- Prior art keywords
- clustering
- cluster
- spike
- level
- wavelet coefficients
- 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
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
- Logic Circuits (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明揭示了一种锋电位分离方法,包括如下步骤:首先,通过微电极细胞外记录方式采集神经元电信号;其次,将采集到的信号进行滤波处理;之后,采用阈值法对滤波后的信号进行锋电位检测,并得到锋电位信号;然后,采用离散小波变换对锋电位信号进行四级分解,并得到由小波系数组成的五个分量,且这五个分量组成一个小波系数矩阵;接着,对小波系数矩阵进行进一步特征提取得到特征空间;最后,采用局部加权投票法对特征空间进行聚类,实现锋电位信号分离。本发明在加权投票的基础上,引入香农熵的概念来评价每个类簇的可靠性,并基于其可靠性给出相应的权值,提出了局部加权投票法,并将其运用于锋电位信号分离,该分离方法实现简单,执行高效。
Description
技术领域
本发明涉及一种分离方法,尤其涉及一种锋电位分离方法,属于锋电位分离领域。
背景技术
人体共有八大系统,分别是运动系统、神经系统、内分泌系统、循环系统、呼吸系统、消化系统、泌尿系统和生殖系统,上述各系统协调配合,使人体内各种复杂的生命活动能够正常进行。其中,神经系统起到主导作用,它不断接收、分析并处理各个感受器传入的信息。处理后的信息输出到人体各系统器官以调节它们的活动。神经元作为神经系统最基本的结构和功能单位,可以通过突触传递和非突触传递方式进行信息的传递,其中前者为主要传递方式。突触传递又分为化学突触传递和电突触传递。医学上常采集神经元电信号进行医学研究,其中动作电位是重点研究对象。由于动作电位主要由锋电位(spike)组成,因此通常所说的动作电位主要指锋电位。
神经元产生的电信号可以通过微电极细胞外记录方式得到,这种方式采集到的信号往往是同一脑区内多个神经元电信号的叠加。神经元电信号可以分别响应不同的生理活动,因此知道哪种电信号对应哪种生理活动至关重要。每种神经元电信号都有自己独特的锋电位信号,因此锋电位信号作为神经元电信号的一部分,可以根据其特征对神经元电信号进行区分。如果能对锋电位信号进行分离,锋电位信号所对应的神经元电信号也随之分离。
锋电位分离方法(spike sorting)用以实现从采集到的神经元电信号中检测出锋电位信号,并把锋电位信号划分成不同的类簇,使得每个类簇对应单个的神经元。在锋电位分离方法中,检测锋电位的方式是阈值法,虽然阈值法实现简单,但是阈值的设定是一个问题,阈值过大容易造成漏检,阈值过小容易造成误检。后来人们对阈值法进行了改进,从而产生了双向阈值法、峰值检测法等,其中后者很好地解决了电压漂移对于阈值检测的干扰。虽然双向阈值法和峰值检测法在一定程度上对阈值法进行了改进,但是它们依然没有完美地解决阈值或窗口高度的设定问题。
综上所述,如何提供一种锋电位分离方法,实现简单、分离质量高且执行高效,就成为本领域技术人员亟待解决的问题。
发明内容
本发明结合聚类集成和局部加权的思想,提出了一种基于局部加权投票的锋电位分离方法,该方法采用阈值法检测锋电位,使用四级离散小波分解对锋电位信号进行特征提取,最后使用局部加权投票法对得到的特征空间进行聚类,实现锋电位信号分离。
本发明技术解决方案是:
一种锋电位分离方法,包括如下步骤:
S1:通过微电极细胞外记录方式采集神经元电信号;
S2:对步骤S1中采集到的信号进行滤波处理;
S3:采用阈值法对步骤S2中滤波后的信号进行锋电位检测,并得到锋电位信号;
S4:采用离散小波变换对步骤S3中的锋电位信号进行四级分解,并得到由小波系数组成的五个分量,完成初步特征提取,且这五个分量组成一个小波系数矩阵;
S5:对步骤S4中的小波系数矩阵进行进一步特征提取得到特征空间,提取的特征包括小波系数的均值、小波系数的标准差、小波系数的斜度、小波系数的能量以及小波系数的熵;
S6:采用局部加权投票法对所述特征空间进行聚类,实现锋电位信号分离,所述局部加权投票法包括如下步骤:
S61:对所述特征空间进行B次随机采样,并得到B个子特征空间;
S62:对B个子特征空间分别使用k均值聚类算法进行聚类,得到B个子特征空间聚类结果;
S63:根据k均值聚类算法计算出的聚类中心,对所述特征空间进行再分配,得到B个基于所述特征空间的聚类结果;
S64:步骤S63中每个聚类结果均包括多个类簇,计算步骤S63中每个聚类结果中每个类簇的局部权重;
S65:计算样本被划分为某个类簇的次数与该类簇的局部权重的乘积,选出乘积最大的类簇作为该样本最终的聚类结果。
优选地,所述步骤S1中微电极细胞外记录方式采集神经元电信号是将微电极设置在神经组织的神经元之间,通过微电极尖端检测到的电位变化反映出神经元外介质中的电流。
优选地,所述微电极为玻璃微电极或金属微电极。
优选地,所述步骤S2中滤波处理的方式为高通滤波,所述高通滤波的截止频率为400Hz。
优选地,所述步骤S3中所述阈值法中的阈值为信号幅度最大值的二分之一。
优选地,所述步骤S4中的四级分解包括第一级离散小波分解、第二级离散小波分解、第三级离散小波分解及第四级离散小波分解;
所述第一级离散小波分解包括如下步骤:首先对锋电位信号分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第一级近似分量A1与第一级细节分量D1;
所述第二级离散小波分解包括如下步骤:首先对第一级近似分量A1分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第二级近似分量A2与第二级细节分量D2;
所述第三级离散小波分解包括如下步骤:首先对第二级近似分量A2分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第三级近似分量A3与第三级细节分量D3;
所述第四级离散小波分解包括如下步骤:首先对第三级近似分量A3分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第四级近似分量A4与第四级细节分量D4;
所述由小波系数组成的五个分量分别为第四近似分量A4、第四细节分量D4、第三细节分量D3、第二细节分量D2以及第一细节分量D1,且五者均是由小波系数Cλ组成的行向量,且1≤λ≤N,其中N为小波系数的个数。
优选地,所述步骤S5中小波系数的均值的公式、小波系数的标准差的公式、小波系数的斜度的公式、小波系数的能量的公式以及小波系数的熵的公式分别为:
所述特征空间的维数为每个分量提取的特征个数与分量的个数的乘积。
优选地,所述步骤S63中B个基于所述特征空间的聚类结果为Π={π1,π2,...,πi,...,πB},其中,πi为第i次聚类得到的聚类结果;
所述步骤S64中所述类簇的聚类表示定义为:
其中,CR(πi)是一个只由0和1组成的矩阵,将B个基于所述特征空间的聚类结果的CR合成一个矩阵T,T=[CR(π1),CR(π2),...,CR(πB)],且矩阵T是一个n×b的矩阵,其中n代表样本量的大小,pi表示聚类结果πi中类簇的个数,b表示所有聚类结果的类簇个数的总和;
优选地,矩阵T的第f列记作类簇Tf,类簇Tf相对于第i个聚类结果πi的不可靠性定义为:
其中,为Tf与的内积,表示B个基于所述特征空间的聚类结果中所有类簇的第f个类簇与第i个聚类结果里的第j个类簇拥有相同样本的个数,[Tf,Tf]表示B个基于所述特征空间的聚类结果中所有类簇中的第f个类簇中样本的个数,故
如果所有聚类结果相对独立,则Tf相对于所有聚类结果Π的不可靠性为:
其中,B表示所有聚类结果的个数,u(Tf,πi)∈[0,log2pi],则归一化不可靠性nu(Tf,πi)表达式为:
其中,NU(Tf,Π)∈[0,1],则归一化可靠性ND(Tf,Π)为:
ND(Tf,Π)=1-NU(Tf,Π)。
优选地,每个所述类簇的局部权重为:
与现有技术相比,本发明具有如下优点:
1.本发明采用了聚类集成,聚类集成比单个聚类算法具有更高的鲁棒性,并且能够提高聚类划分的质量。不同的聚类结果从不同方面反映了数据集的结构,聚类集成通过对多个聚类结果进行合并,可以得到一个能较好地反映数据集内在结构的数据划分。
2.本发明中的聚类集成能较好地检测和处理孤立点或噪声样本,能并行处理数据集,易进行分布式部署等优点。
3.本发明在聚类集成的基础上提出了一种基于局部加权投票的锋电位分离方法,加权投票法实现简单,执行高效,并在加权投票的基础上,引入香农熵的概念来评价每个类簇的可靠性,并基于其可靠性给出相应的权值,提出了局部加权投票法,并将其运用于锋电位信号分离。
以下便结合实施例附图,对本发明的具体实施方式作进一步的详述,以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明的流程图;
图2为本发明中离散小波分解的示意图;
图3为本发明中步骤S6中局部加权投票法的流程图。
具体实施方式
一种锋电位分离方法,如图1所示,包括如下步骤:
S1:通过微电极细胞外记录方式采集神经元电信号;其中,微电极细胞外记录方式采集神经元电信号是将微电极设置在神经组织的神经元之间,通过电极尖端检测到的电位变化反映出神经元外介质中的电流。因为活动脑区的神经元会产生去极化,而未活动的脑区处于极化状态,两者之间会产生电位差。由于微电极不用插入细胞,操作比较方便,微电极可以为玻璃微电极或金属微电极,在本实施例中,微电极为金属微电极。
S2:对步骤S1中采集到的信号进行滤波处理,使得经过滤波后的信号能很好地从中检测出锋电位,在本发明的技术方案中,滤波处理的方式为高通滤波,高通滤波的截止频率为400Hz。
S3:采用阈值法对步骤S2中滤波后的信号进行锋电位检测,并得到锋电位信号;根据滤波后的信号特征,设定一个阈值,该阈值的设置可根据信号幅度的最大值确定,如果信号的幅度大于该阈值,则认为是一个锋电位,在本实施例中,阈值为信号幅度最大值的二分之一。
S4:采用离散小波变换(DWT)对步骤S3中的锋电位信号进行四级分解,并得到五个由小波系数组成的分量,这五个分量组成一个小波系数矩阵;本发明的技术方案中,采用Harr小波对锋电位信号进行四级离散小波分解,分别包括第一级离散小波分解、第二级离散小波分解、第三级离散小波分解及第四级离散小波分解;
具体地,如图2所示,第一级离散小波分解包括如下步骤:首先对锋电位信号分别进行低通滤波(LP)与高通滤波(HP),然后对滤波后的信号分别进行二分之一降采样得到第一级近似分量A1与第一级细节分量D1;
第二级离散小波分解包括如下步骤:首先对第一级近似分量A1分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第二级近似分量A2与第二级细节分量D2;
第三级离散小波分解包括如下步骤:首先对第二级近似分量A2分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第三级近似分量A3与第三级细节分量D3;
第四级离散小波分解包括如下步骤:首先对第三级近似分量A3分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第四级近似分量A4与第四级细节分量D4;
进一步地,五个分量包括第四级近似分量A4、第四级细节分量D4、第三级细节分量D3、第二级细节分量D2、与第一级细节分量D1,且五者均是由小波系数Cλ组成的行向量,且1≤λ≤N,其中N为小波系数的个数。
S5:对步骤S4中的小波系数矩阵进行进一步特征提取得到特征空间,提取的特征包括小波系数的均值的公式、小波系数的标准差的公式、小波系数的斜度的公式、小波系数的能量的公式以及小波系数的熵的公式:
特征空间的维数为每个分量提取的特征个数与分量的个数的乘积,在本实施例中,采用离散小波变换对步骤S3中的锋电位信号进行四级分解后,并得到五个分量,每个分量均提取五个特征,共形成25维特征空间。
S6:采用局部加权投票法对所述特征空间进行聚类,实现锋电位信号分离,所述局部加权投票法,如图3所示,包括如下步骤:
S61:对所述特征空间进行B次随机采样,并得到B个子特征空间,在本实施例中,采样率为0.9,B的个数为70≤B≤90,优选为70;
S62:对70个子特征空间分别使用k均值聚类算法进行聚类,得到70个子特征空间聚类结果;
所述70个子特征空间聚类结果为Π={π1,π2,...,πi,...,π70},其中,πi为第i次聚类得到的聚类结果,πi为一个列向量,长度为数据集的样本容量,其中的元素为类簇标签,类簇标签为该样本被分配在第几个类簇中;
S63:根据k均值聚类算法计算出的聚类中心,对所述特征空间进行再分配,得到B个基于所述特征空间的聚类结果;
S64:步骤S63中每个聚类结果均包括多个类簇,计算步骤S63中每个聚类结果中每个类簇的局部权重,每个所述类簇的局部权重为:
所述类簇的定义表达式为:
其中,如果πi中第m个元素被分配到第j个类簇,则CR(πi)第j列的第m个元素置1,否则置0,因此,CR(πi)是一个只由0和1组成的矩阵,将70个聚类结果的CR合成一个矩阵T,T=[CR(π1),CR(π2),...,CR(π70)],且矩阵T是一个n×b的矩阵,其中n代表样本量的大小,pi表示聚类结果πi中类簇的个数,b表示所有聚类结果的类簇个数的总和。
矩阵T的第f列记作类簇Tf,类簇Tf相对于第i个聚类结果πi的不可靠性定义为:
其中,为Tf与的内积,表示70个基于所述特征空间的聚类结果中所有类簇的第f个类簇与第i个聚类结果里的第j个类簇拥有相同样本的个数,[Tf,Tf]表示70个基于所述特征空间的聚类结果中所有类簇的第f个类簇中样本的个数,故如果Tf中所有样本表示为且都属于πi中的某个类簇,则有那么Tf对πi的不可靠性u(Tf,πi)=0;如果Tf中所有样本分别属于πi中几个不同的类簇,则不可靠性u(Tf,πi)通常会增加;特别地,当Tf中所有样本平均地属于πi中的pi个簇,此时不可靠性u(Tf,πi)达到最大值log2pi。
如果所有聚类结果相对独立,则Tf相对于所有聚类结果Π的不可靠性为:
其中,B表示所有聚类结果的个数,在本实施例中,B的个数为70,则Tf相对于所有聚类结果Π的不可靠性表示为:
如果类簇Tf中的样本都属于每个聚类结果中的某一个簇,则表明这70个聚类结果都同意Tf中的样本应该被分为同一个类簇,此时不可靠性U(Tf,Π)为0;反之,如果Tf中的样本分别属于每个聚类结果中不同的几个类簇,表示Tf中的样本不应该被分为同一个类簇,此时不可靠性U(Tf,Π)变大。u(Tf,πi)∈[0,log2pi],则归一化不可靠性nu(Tf,πi)表达式为:
其中,NU(Tf,Π)∈[0,1],不可靠性越大,则可靠性越小;不可靠性越小,可靠性就越大,则归一化可靠性ND(Tf,Π),ND(Tf,Π)=1-NU(Tf,Π)。
S65:计算样本被划分为某个类簇的次数与该类簇的局部权重的乘积,选出乘积最大的那个类簇作为该样本最终的聚类结果。
总之,本发明在锋电位分离方法的基本框架基础上,结合聚类集成和局部加权的思想,提出了一种基于局部加权投票的锋电位分离方法。该方法采用阈值法检测锋电位,使用四级离散小波分解对锋电位信号进行特征提取,最后使用本发明提出的局部加权投票法对得到的特征空间进行聚类,实现锋电位信号分离。锋电位信号是神经元电信号的一部分,锋电位信号分离后,其所对应的神经元电信号也随之分离了,实现简单、分离质量高且执行高效。
应该注意的是,上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。
Claims (10)
1.一种锋电位分离方法,其特征在于,包括如下步骤:
S1:通过微电极细胞外记录方式采集神经元电信号;
S2:对步骤S1中采集到的信号进行滤波处理;
S3:采用阈值法对步骤S2中滤波后的信号进行锋电位检测,并得到锋电位信号;
S4:采用离散小波变换对步骤S3中的锋电位信号进行四级分解,并得到由小波系数组成的五个分量,完成初步特征提取,且这五个分量组成一个小波系数矩阵;
S5:对步骤S4中的小波系数矩阵进行进一步特征提取得到特征空间,提取的特征包括小波系数的均值、小波系数的标准差、小波系数的斜度、小波系数的能量以及小波系数的熵;
S6:采用局部加权投票法对所述特征空间进行聚类,实现锋电位信号分离,所述局部加权投票法包括如下步骤:
S61:对所述特征空间进行B次随机采样,并得到B个子特征空间;
S62:对B个子特征空间分别使用k均值聚类算法进行聚类,得到B个子特征空间聚类结果;
S63:根据k均值聚类算法计算出的聚类中心,对所述特征空间进行再分配,得到B个基于所述特征空间的聚类结果;
S64:步骤S63中每个聚类结果均包括多个类簇,计算步骤S63中每个聚类结果中每个类簇的局部权重;
S65:计算样本被划分为某个类簇的次数与该类簇的局部权重的乘积,选出乘积最大的类簇作为该样本最终的聚类结果。
2.根据权利要求1所述的一种锋电位分离方法,其特征在于:所述步骤S1中微电极细胞外记录方式采集神经元电信号是将微电极设置在神经组织的神经元之间,通过微电极尖端检测到的电位变化反映出神经元外介质中的电流。
3.根据权利要求2所述的一种锋电位分离方法,其特征在于:所述微电极为玻璃微电极或金属微电极。
4.根据权利要求1所述的一种锋电位分离方法,其特征在于:所述步骤S2中滤波处理的方式为高通滤波,所述高通滤波的截止频率为400Hz。
5.根据权利要求1所述的一种锋电位分离方法,其特征在于:所述步骤S3中所述阈值法中的阈值为信号幅度最大值的二分之一。
6.根据权利要求1所述的一种锋电位分离方法,其特征在于:所述步骤S4中的四级分解包括第一级离散小波分解、第二级离散小波分解、第三级离散小波分解及第四级离散小波分解;
所述第一级离散小波分解包括如下步骤:首先对锋电位信号分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第一级近似分量A1与第一级细节分量D1;
所述第二级离散小波分解包括如下步骤:首先对第一级近似分量A1分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第二级近似分量A2与第二级细节分量D2;
所述第三级离散小波分解包括如下步骤:首先对第二级近似分量A2分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第三级近似分量A3与第三级细节分量D3;
所述第四级离散小波分解包括如下步骤:首先对第三级近似分量A3分别进行低通滤波与高通滤波,然后对滤波后的信号分别进行二分之一降采样得到第四级近似分量A4与第四级细节分量D4;
所述由小波系数组成的五个分量分别为第四近似分量A4、第四细节分量D4、第三细节分量D3、第二细节分量D2以及第一细节分量D1,且五者均是由小波系数Cλ组成的行向量,且1≤λ≤N,其中N为小波系数的个数。
9.根据权利要求8所述的一种锋电位分离方法,其特征在于:矩阵T的第f列记作类簇Tf,类簇Tf相对于第i个聚类结果πi的不可靠性定义为:
其中,为Tf与的内积,表示B个基于所述特征空间的聚类结果中所有类簇的第f个类簇与第i个聚类结果里的第j个类簇拥有相同样本的个数,[Tf,Tf]表示B个基于所述特征空间的聚类结果中所有类簇中的第f个类簇中样本的个数,故
如果所有聚类结果相对独立,则Tf相对于所有聚类结果Π的不可靠性为:
其中,B表示所有聚类结果的个数,u(Tf,πi)∈[0,log2pi],则归一化不可靠性nu(Tf,πi)表达式为:
其中,NU(Tf,Π)∈[0,1],则归一化可靠性ND(Tf,Π)为:
ND(Tf,Π)=1-NU(Tf,Π)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910034850.6A CN109766847B (zh) | 2019-01-15 | 2019-01-15 | 一种锋电位分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910034850.6A CN109766847B (zh) | 2019-01-15 | 2019-01-15 | 一种锋电位分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766847A CN109766847A (zh) | 2019-05-17 |
CN109766847B true CN109766847B (zh) | 2022-08-23 |
Family
ID=66453981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910034850.6A Active CN109766847B (zh) | 2019-01-15 | 2019-01-15 | 一种锋电位分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766847B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112451857A (zh) * | 2020-12-10 | 2021-03-09 | 深圳先进技术研究院 | 视网膜神经节细胞激活状态的判别方法、存储介质和设备 |
CN113057656B (zh) * | 2021-03-29 | 2022-02-01 | 浙江大学 | 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统 |
CN113378737A (zh) * | 2021-06-18 | 2021-09-10 | 河北大学 | 植入式脑机接口神经元锋电位分类方法 |
CN114925734B (zh) * | 2022-07-20 | 2022-11-25 | 浙江大学 | 一种基于神经拟态计算的在线神经元分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184451A (zh) * | 2011-03-24 | 2011-09-14 | 杭州电子科技大学 | 一种基于多小波融合特征的神经元动作特征提取方法 |
CN106950475A (zh) * | 2017-03-23 | 2017-07-14 | 广东电网有限责任公司珠海供电局 | 一种基于小波变换的局部放电信号提取方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273286A1 (en) * | 2004-05-21 | 2005-12-08 | Vanderbilt University | Methods for identifying brain nuclei from micro-electrode signals |
-
2019
- 2019-01-15 CN CN201910034850.6A patent/CN109766847B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184451A (zh) * | 2011-03-24 | 2011-09-14 | 杭州电子科技大学 | 一种基于多小波融合特征的神经元动作特征提取方法 |
CN106950475A (zh) * | 2017-03-23 | 2017-07-14 | 广东电网有限责任公司珠海供电局 | 一种基于小波变换的局部放电信号提取方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于匹配小波变换的初级视皮层神经元锋电位分类;万红等;《郑州大学学报(工学版)》;20110510(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109766847A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766847B (zh) | 一种锋电位分离方法 | |
Siuly et al. | A new framework for automatic detection of patients with mild cognitive impairment using resting-state EEG signals | |
Guo et al. | Epileptic seizure detection using multiwavelet transform based approximate entropy and artificial neural networks | |
Sabeti et al. | Entropy and complexity measures for EEG signal classification of schizophrenic and control participants | |
Hosseini et al. | The comparison of different feed forward neural network architectures for ECG signal diagnosis | |
CN110772268A (zh) | 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法 | |
EP3100138B1 (en) | System for a brain-computer interface | |
CN109492546A (zh) | 一种融合小波包与互信息的生物信号特征提取方法 | |
Amin et al. | A robust approach towards epileptic seizure detection | |
CN110786849B (zh) | 基于多视图鉴别分析的心电信号身份识别方法及系统 | |
Sharathappriyaa et al. | Auto-encoder based automated epilepsy diagnosis | |
Zeng et al. | Epileptic seizure detection with deep EEG features by convolutional neural network and shallow classifiers | |
Zainuddin et al. | Comparison of extreme learning machine and K-nearest neighbour performance in classifying EEG signal of normal, poor and capable dyslexic children | |
Lu et al. | A novel deep learning based neural network for heartbeat detection in ballistocardiograph | |
CN117338313B (zh) | 基于堆叠集成技术的多维度特征脑电信号识别方法 | |
CN113768517A (zh) | 一种心脏健康质量智能预警系统及其预警方法 | |
Shi et al. | Automated heartbeat classification based on convolutional neural network with multiple kernel sizes | |
Ghanbari et al. | Brain computer interface with genetic algorithm | |
Abdulrahman et al. | Feature extraction approach based on statistical methods and wavelet packet decomposition for emotion recognition using EEG signals | |
Daoud et al. | Semi-supervised learning for epileptic focus localization using deep convolutional autoencoder | |
Abdel-Maboud et al. | Comparative study of machine learning techniques based on TQWT for EMG signal classification | |
CN111783669B (zh) | 一种面向个人用户的表面肌电信号分类识别方法 | |
CN114582027A (zh) | 一种帕金森病人步态信号识别方法 | |
CN112686213A (zh) | 一种基于循环神经网络及毫米波的osahs诊断系统 | |
Ghoroghchian et al. | A hierarchical graph signal processing approach to inference from spatiotemporal signals |
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 |