CN109938696A - 神经电信号压缩感知处理方法及电路 - Google Patents
神经电信号压缩感知处理方法及电路 Download PDFInfo
- Publication number
- CN109938696A CN109938696A CN201910225033.9A CN201910225033A CN109938696A CN 109938696 A CN109938696 A CN 109938696A CN 201910225033 A CN201910225033 A CN 201910225033A CN 109938696 A CN109938696 A CN 109938696A
- Authority
- CN
- China
- Prior art keywords
- signal
- electroneurographic
- spike
- module
- electroneurographic signal
- 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
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了神经电信号压缩感知处理方法及电路,属于神经电信号处理技术领域。通过将含有尖峰的当前数据压缩段的全部神经电信号进行压缩,所述当前数据压缩段指所检测到的尖峰所在的N个神经电信号数据,而将不含有尖峰的当前数据压缩段的神经电信号清除,使得尖峰所在时间段的数据全部输出,较完整的保留了神经电信号中的尖峰信号,且有效解决了现有的去噪处理之后的神经电信号其尖峰和非尖峰的连接处不平滑,导致重构性能不佳的问题,另外,本申请避免了传统神经电信号处理中,在尖峰对齐阶段需要寻找有效电位信号段中相邻采样点的最大差值所做的减法和比较运算,从而,使得电路的运算量更少、硬件资源消耗更低。
Description
技术领域
本发明涉及神经电信号压缩感知处理方法及电路,属于神经电信号处理技术领域。
背景技术
无线体域网是以人体为中心,以可穿戴或可嵌入传感器节点、中心节点和远程服务器等相关装置组成的一个无线网络系统,其运行过程可描述如下:可穿戴或可嵌入传感器节点对人体的生物电信号进行采集并无线发送给中心节点;然后,中心节点将收集到的信号进行处理或直接发送给远程服务器;最后,远程服务器将接收到的信号进行处理和评估。
可穿戴或可嵌入传感器节点使用电池供电且以无线的方式发送信号,其能量有限且无线发送消耗功率大。为减少无线传输的负载常采用数据压缩的方式来减少数据量。
对神经电信号(Electroneurogram,ENG)的处理主要有两种方法:一种是采用压缩感知(Compressed Sensing,CS)直接对其进行压缩处理,其对神经电信号尖峰有很好的压缩效果且实现简单,但由于自身噪声的影响,会显著降低神经电信号的压缩性能;另一种是先对其进行去噪处理再对其进行压缩处理,常用的去噪方法是尖峰检测和对齐,参考2011年公开的A 130-μW,64-Channel neural spike-sorting DSP chip中对于尖峰检测和对齐的介绍可知,这种去噪处理之后的神经电信号其尖峰和非尖峰的连接处不平滑,导致重构性能不佳。
发明内容
为了解决目前先对神经电信号进行去噪处理再对其进行压缩处理存在的处理之后的神经电信号其尖峰和非尖峰的连接处不平滑,导致重构性能不佳的问题,本发明提供了神经电信号压缩感知处理方法及电路,所述神经电信号压缩感知处理方法,包括:
设定压缩比表示将每N个神经电信号数据压缩为M个,N>M;
对神经电信号进行尖峰检测,当检测到尖峰时,按照预先设定好的压缩比将当前数据压缩段的全部神经电信号进行压缩,所述当前数据压缩段指所检测到的尖峰所在的N个神经电信号数据。
可选的,当所述当前数据压缩段中未检测到尖峰时,将当前数据压缩段的神经电信号清除,即设置为0,且不进行压缩处理。
可选的,所述对神经电信号进行尖峰检测之前,包括:设定时钟频率;所述对神经电信号进行尖峰检测为根据时钟频率以及压缩比对神经电信号进行尖峰检测。
可选的,所述根据时钟频率以及压缩比对神经电信号进行尖峰检测,包括:
利用非线性能量算子NEO算法、绝对值法或稳定小波变换积法检测尖峰。
可选的,所述NEO算法定义如下:
NEO(n)=x2(n)-x(n+1)×x(n-1) (1)
其中,x(n)代表第n个信号,x(n+1)代表第n+1个信号,x(n-1)代表第n-1个信号。
可选的,所述利用非线性能量算子NEO算法检测尖峰包括:
S1确定神经电信号尖峰阈值:选定确定所述神经电信号阈值的神经电信号,根据选定的确定所述神经电信号阈值的神经电信号中的信号数据,采用下述公式计算神经电信号尖峰阈值,
NEO(n)=x2(n)-x(n+1)×x(n-1) (1)
其中,CENG为常数取值为8;NENG代表选定用来确定所述神经电信号阈值的神经电信号数据段中数据的个数;
S2检测尖峰:根据上述式(1)计算待检测神经电信号的NEO(n),当NEO(n)>THR时,判断存在尖峰。
本申请提供的神经电信号压缩感知处理电路,采用上述神经电信号压缩感知处理方法对神经电信号进行处理,所述电路包括:时钟复位模块、尖峰检测模块、信号存储模块、信号处理模块和矩阵生成模块;
所述时钟复位模块分别和所述尖峰检测模块、信号存储模块、信号处理模块和矩阵生成模块连接,所述尖峰检测模块、信号存储模块和信号处理模块顺次连接,所述矩阵生成模块和所述信号处理模块连接;
所述时钟复位模块用于对所述尖峰检测模块、信号存储模块、信号处理模块和矩阵生成模块提供全局时钟和复位操作;所述尖峰检测模块用于检测神经电信号的尖峰;所述信号存储模块用于根据尖峰检测的情况存储神经电信号,所述信号处理模块用于对所述信号存储模块所存储的神经电信号进行压缩处理并存储得到的压缩信号,所述矩阵生成模块用于提供所述信号处理模块进行压缩时所需的测量矩阵。
可选的,所述信号处理模块在神经电信号进行压缩处理时,将存在尖峰的N个神经电信号全部压缩,将不存在尖峰的N个神经电信号全部清除,即设置为0,且不进行压缩处理。
可选的,所述尖峰检测模块采用非线性能量算子NEO算法、绝对值法或稳定小波变换积法检测神经电信号的尖峰。
可选的,所述信号存储模块包括一个计数器和原始信号存储单元,所述计数器寄存器根据压缩比的设置确定计数范围,所述信号存储单元根据计数和尖峰检测情况存储神经电信号。
可选的,所述信号处理模块包括累加器单元和压缩信号存储单元,所述累加器单元根据输入测量矩阵对输入的神经电信号进行累加运算,所述压缩信号存储单元待累加器累加完成后存储最终结果。
可选的,所述矩阵生成模块包括两组线性反馈移位寄存器,所述两组线性反馈移位寄存器的异或结果作为测量矩阵输出。
可选的,所述尖峰检测模块包括:
NEO单元、阈值计算单元、阈值检测单元,所述阈值计算单元的输入端和所述阈值检测单元的输入端均与所述NEO单元的输出端连接,所述阈值计算单元的输出端和所述阈值检测单元的输入端连接,所述阈值检测单元的输出端和信号存储模块连接。
可选的,所述NEO单元用于对所述神经电信号进行NEO运算;
所述阈值计算单元用于对所述NEO运算的结果进行阈值计算得到神经电信号的阈值;
所述阈值检测单元用于对所述神经电信号的尖峰进行阈值检测。
可选的,所述时钟复位模块提供的全局时钟由外部提供,包括25kHz和30kHz。
可选的,所述信号存储模块根据压缩比的设置所能存储的神经电信号数量包括100、150、200、250。
本申请还提供上述神经电信号压缩感知处理方法和/或上述神经电信号压缩感知处理电路在神经电信号处理技术领域内的应用。
本发明有益效果是:
通过将含有尖峰的当前数据压缩段的全部神经电信号进行压缩,所述当前数据压缩段指所检测到的尖峰所在的N个神经电信号数据,而将不含有尖峰的当前数据压缩段的神经电信号清除,使得尖峰所在时间段的数据全部输出,有效解决了现有的去噪处理之后的神经电信号其尖峰和非尖峰的连接处不平滑,导致重构性能不佳的问题,另外,本申请避免了传统神经电信号处理中,在尖峰对齐阶段需要寻找有效电位信号段中相邻采样点的最大差值所做的减法和比较运算,使得电路的运算量更少、硬件资源消耗更低。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的神经电信号压缩感知处理电路的架构图。
图2为本发明提供的尖峰检测模块的结构框图。
图3为本发明提供的神经电信号压缩感知处理方法的流程图。
图4为本发明提供的方法和传统方法重构性能的比较。
图5为传统方法去噪处理后的神经电信号。
图6为传法方法重构后的神经电信号。
图7为本发明提供方法处理后的神经电信号。
图8为本发明提供方法重构后的神经电信号。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种神经电信号压缩感知处理电路,参见图1,所述神经电信号压缩感知处理电路100包括:
时钟复位模块110、尖峰检测模块120、信号存储模块130、信号处理模块140和矩阵生成模块150,所述时钟复位模块110分别和所述尖峰检测模块120、信号存储模块130、信号处理模块140和矩阵生成模块150连接,所述尖峰检测模块120、信号存储模块130和信号处理模块140顺次连接,所述矩阵生成模块150和所述信号处理模块140连接;
所述时钟复位模块110用于对所述尖峰检测模块120、信号存储模块130、信号处理模块140和矩阵生成模块150提供全局时钟和复位操作;
所述尖峰检测模块120用于检测神经电信号的尖峰;
所述信号存储模块130用于根据尖峰检测的情况存储神经电信号;
所述信号处理模块140用于对所述信号存储模块130所存储的神经电信号进行压缩处理并存储得到的压缩信号;
所述矩阵生成模块150用于提供所述信号处理模块140进行压缩时所需的测量矩阵。
其中,所述信号处理模块140在神经电信号进行压缩处理时,将存在尖峰的N个神经电信号全部压缩,将不存在尖峰的N个神经电信号全部清除,即设置为0,且不进行压缩处理。
所述尖峰检测模块120采用非线性能量算子(Nonlinear Energy Operator,NEO)算法、绝对值法或稳定小波变换积法检测神经电信号的尖峰。
由于NEO算法对噪声具有鲁棒性和硬件实现简单等优点,所以本申请以采用NEO算法对神经电信号进行尖峰检测。
所述信号存储模块130包括一个计数器和原始信号存储单元,所述计数器寄存器根据压缩比的设置确定计数范围,所述信号存储单元根据计数和尖峰检测情况存储神经电信号;
所述信号处理模块140包括累加器单元和压缩信号存储单元,所述累加器单元根据输入测量矩阵对输入的神经电信号进行累加运算,所述压缩信号存储单元待累加器累加完成后存储最终结果。
所述矩阵生成模块150包括两组线性反馈移位寄存器,所述两组线性反馈移位寄存器的异或结果作为测量矩阵输出。
具体地,如图2所示,所述尖峰检测模块120包括:
NEO单元121、阈值计算单元122、阈值检测单元123,所述阈值计算单元122的输入端和所述阈值检测单元123的输入端均与所述NEO单元121的输出端连接,所述阈值计算单元122的输出端和所述阈值检测单元123的输入端连接,所述阈值检测单元123的输出端和信号存储模块130连接;
所述NEO单元121为指非线性能量算子单元,用于对所述神经电信号进行NEO运算;
所述阈值计算单元122用于对所述NEO运算的结果进行阈值计算得到神经电信号的阈值;
所述阈值检测单元123用于对所述神经电信号的尖峰进行阈值检测;
具体地,所述尖峰检测模块120将输入的神经电信号通过NEO单元121进行NEO计算,然后根据所述阈值计算单元122来计算神经电信号的阈值,最后通过所述阈值检测单元123检测神经电信号的尖峰并将尖峰的检测情况输出。
具体地,所述尖峰检测模块120在当前数据压缩段中检测到神经电信号尖峰的情况下,由信号存储模块130将当前数据压缩段的神经电信号全部存储下来,并由信号处理模块140将存储下来的神经电信号进行压缩处理;
所述尖峰检测模块120在当前数据压缩段中没有检测到神经电信号尖峰的情况下,由信号存储模块130将当前数据压缩段的神经电信号清除,即设置为0,且不进行压缩处理;
本发明提供的神经电信号压缩感知处理电路与传统神经电信号压缩感知处理电路相比具有以下优点:
1)尖峰信号段全部处理和非尖峰信号段不进行处理的方法在保证了压缩性能的前提下提高了信号的重构性能;
2)可支持多种采样频率和4种压缩比的选择,以此来满足不同条件下对神经电信号重构质量的要求;
3)信号处理模块和矩阵生产模块通过模块使能技术,减少时钟和数据的翻转率,以此来降低整个电路的动态功耗。
实施例二
本实施例提供一种神经电信号压缩感知处理方法,所述方法包括:
S110、设置时钟频率和压缩比,其中,压缩比表示将每N个神经电信号数据压缩为M个,N>M;
S120、根据所述时钟频率,采用非线性能量算子NEO算法、绝对值法或稳定小波变换积法检测尖峰;
对神经电信号进行尖峰检测;
S130、根据所述时钟频率、压缩比和尖峰检测情况对所述神经电信号进行存储;
S140、根据所述时钟频率、压缩比和尖峰检测情况对所述存储的神经电信号进行压缩并存储压缩信号;
具体地,所述时钟复位模块提供的全局时钟由外部提供,可选择25kHz和30kHz其中的一种;
具体地,所述信号存储模块根据压缩比设置所能存储的神经电信号数量包括100、150、200、250;
本申请以采用非线性能量算子NEO算法进行尖峰检测为例进行说明:
根据压缩比端口CF[1:0]的设置来设置生物电信号的压缩比,表1列出了压缩比的设置情况。
表1压缩比设置情况
所述尖峰检测模块120在全局时钟的驱动下来,通过并行接口接收神经电信号并将检测到尖峰的情况传输给所述信号存储模块130;
其中,所述尖峰检测模块120处理神经电信号的方式是:
所述NEO单元121利用式(1)计算NEO(n);所述阈值计算单元122通过接收的前1024个神经电信号采用式(2)计算神经电信号尖峰阈值THR;所述阈值检测单元123的阈值判断条件为:NEO(n)>THR,当检测到尖峰时将其情况发送给所述信号存储模块130。
NEO(n)=x2(n)-x(n+1)×x(n-1) (1)
其中,CENG是一个经验值,一般设置CENG为常数8;NENG代表选定用来确定所述神经电信号阈值的神经电信号数据段中数据的个数,为方便硬件实现,通常选择2的整数次幂,本申请选择NENG为1024;
所述信号存储模块130在全局时钟的驱动下,根据压缩比的设置确定计数范围,根据尖峰检测情况存储神经电信号;
当检测到尖峰,即NEO(n)>THR时,所述信号存储模块130将对此尖峰所在时间段,即N个采样点,全部进行存储;其余非尖峰时间段的N个采样点全部进行去噪处理,即设置信号幅值为0。
所述信号处理模块140根据所述信号存储模块130存储神经电信号的情况对神经电信号进行压缩处理;
其中,当存储的神经电信号不为0时,神经电信号和测量矩阵的列根据式(3)依次进行乘法运算并在累加器单元进行累加操作,待累加完成后,将累加结果存储到压缩信号存储单元,当存储的神经电信号为0时,不进行操作;
其中,式(3)中xN表示第N个采样点,ΦM,N表示测量矩阵Φ的第M行、第N列元素。所述矩阵生成模块150在全局时钟的驱动下,通过50个异或门来将第1组线性反馈移位寄存器的每一位分别和第2组线性反馈移位寄存器的输出进行异或操作,就可依次产生测量矩阵Φ的列。
相比现有方法,本发明提供的神经电信号压缩感知处理方法在保证信号压缩性能的前提下提高信号的重构性能;且支持多种全局时钟和4种压缩比的选择,以此来满足不同采样频率和压缩性能的要求;本发明的信号处理模块和矩阵生成模块通过模块使能技术,减少了时钟和数据的翻转率,以此来降低整个电路的动态功耗。
为说明本发明提供方法的重构性能,以百分比均根误差(percentage root-mean-squared difference,PRD)为指标对信号重构质量进行了评估,其中,PRD%的值越小说明信号的重构质量越好;
其中,x表示原始信号,表示重构信号。
本发明提供的方法和传统方法的重构指标,如图4所示,在压缩比相同的情况下,本发明提出方法所获得的PRD%更小,重构质量更好。
采用传统方法处理后的神经电信号,如图5所示;重构后的神经电信号,如图6所示。在一个压缩周期中阈值为0处的重构信号效果不佳。
本申请选择块稀疏贝叶斯学习(Block Sparse Bayesian Learning,BSBL)作为重构算法进行神经电信号的重构。
采用本发明提供的方法处理后的神经电信号,如图7所示;重构后的神经电信号,如图8所示。
对比图5和图7可知,采用本申请提供的方法处理后的神经电信号尖峰和非尖峰的连接处平滑,从而使得重构效果较好,重构效果参考图6和图8可知;
另外,采用本申请提供的方法处理后的神经电信号可以较为完整的保留神经电信号中的尖峰信号;
传统神经电信号处理中,在尖峰对齐阶段需要寻找有效电位信号段中相邻采样点的最大差值所做的减法和比较运算,在确定尖峰所在位置后,按照压缩比将尖峰所处位置处的前后数据全部存储,而将其余位置处的信号数据全部清除,从而导致了尖峰和非尖峰的连接处不平滑,进而导致重构性能不佳;
而本申请在确定尖峰所在位置后,按照预先设定好的压缩比将当前数据压缩段的全部神经电信号进行压缩,而不含有尖峰的当前数据压缩段的神经电信号全部清除,即设置为0,且不进行压缩处理。
比如在进行压缩时采用150个数据压缩为50个数据的压缩比,那么传统压缩处理方法在对该150个数据进行尖峰检测时,当检测到尖峰所在的位置后,将尖峰前的24个采样点、尖峰点以及尖峰后的47个采样点全部存储,并计算这72个采样点中相邻两点差值最大的点,然后,将此差值最大点作为尖峰的第13个点,并输出此最大差值点的前12个数据、最大差值点和后37数据,其余采样点设置为0,此外,在存储前24个和后47个采样点的过程中,不进行尖峰检测;
而本申请则是在检测到此150个数据中含有尖峰,则将此150个数据全部压缩得到50个采样点,此方法较传统压缩处理方法可以较为完整的保留神经电信号中的尖峰信号指的是:假设此150个数据中包含有两个尖峰,且第二个尖峰在第一个尖峰检测存储完成后的前24个采样点中比较接近时,则按照传统压缩处理方法在存储前24个采样点时会错过第二个尖峰,因此只会保留第一个尖峰,本申请所提供的方法则可以将两个尖峰全部保留,所以本申请提供的处理方法会使得重构出的信号效果更好。
本申请通过将含有尖峰的当前数据压缩段的全部神经电信号进行压缩,所述当前数据压缩段指所检测到的尖峰所在的N个神经电信号数据,而将不含有尖峰的当前数据压缩段的神经电信号清除,使得尖峰所在时间段的数据全部输出,较完整的保留了神经电信号中的尖峰信号,且有效解决了现有的去噪处理之后的神经电信号其尖峰和非尖峰的连接处不平滑,导致重构性能不佳的问题,另外,本申请避免了传统神经电信号处理中,在尖峰对齐阶段需要寻找有效电位信号段中相邻采样点的最大差值所做的减法和比较运算,使得电路的运算量更少、硬件资源消耗更低。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
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)
1.一种神经电信号压缩感知处理方法,其特征在于,所述方法包括:
设定压缩比表示将每N个神经电信号数据压缩为M个,N>M;
对神经电信号进行尖峰检测,当检测到尖峰时,按照预先设定好的压缩比将当前数据压缩段的全部神经电信号进行压缩,所述当前数据压缩段指所检测到的尖峰所在的N个神经电信号数据。
2.根据权利要求1所述的方法,其特征在于,当所述当前数据压缩段中未检测到尖峰时,将当前数据压缩段的神经电信号清除,即设置为0,且不进行压缩处理。
3.根据权利要求1或2所述的方法,其特征在于,所述对神经电信号进行尖峰检测之前,包括:设定时钟频率;所述对神经电信号进行尖峰检测为根据时钟频率以及压缩比对神经电信号进行尖峰检测。
4.根据权利要求3所述的方法,其特征在于,所述根据时钟频率以及压缩比对神经电信号进行尖峰检测,包括:
利用非线性能量算子NEO算法、绝对值法或稳定小波变换积法检测尖峰。
5.根据权利要求4所述的方法,其特征在于,所述NEO算法定义如下:
NEO(n)=x2(n)-x(n+1)×x(n-1) (1)
其中,x(n)代表第n个信号,x(n+1)代表第n+1个信号,x(n-1)代表第n-1个信号。
6.根据权利要求5所述的方法,其特征在于,所述利用非线性能量算子NEO算法检测尖峰包括:
S1 确定神经电信号尖峰阈值:选定确定所述神经电信号阈值的神经电信号,根据选定的确定所述神经电信号阈值的神经电信号中的信号数据,采用下述公式计算神经电信号尖峰阈值,
NEO(n)=x2(n)-x(n+1)×x(n-1) (1)
其中,CENG为常数取值为8;NENG代表选定用来确定所述神经电信号阈值的神经电信号数据段中数据的个数;
S2 检测尖峰:根据上述式(1)计算待检测神经电信号的NEO(n),当NEO(n)>THR时,判断存在尖峰。
7.一种神经电信号压缩感知处理电路,其特征在于,所述电路采用权利要求1-6任一所述的神经电信号压缩感知处理方法对神经电信号进行处理,所述电路包括:时钟复位模块、尖峰检测模块、信号存储模块、信号处理模块和矩阵生成模块;
所述时钟复位模块分别和所述尖峰检测模块、信号存储模块、信号处理模块和矩阵生成模块连接,所述尖峰检测模块、信号存储模块和信号处理模块顺次连接,所述矩阵生成模块和所述信号处理模块连接;
所述时钟复位模块用于对所述尖峰检测模块、信号存储模块、信号处理模块和矩阵生成模块提供全局时钟和复位操作;所述尖峰检测模块用于检测神经电信号的尖峰;所述信号存储模块用于根据尖峰检测的情况存储神经电信号,所述信号处理模块用于对所述信号存储模块所存储的神经电信号进行压缩处理并存储得到的压缩信号,所述矩阵生成模块用于提供所述信号处理模块进行压缩时所需的测量矩阵。
8.根据权利要求7所述的神经电信号压缩感知处理电路,其特征在于,所述信号处理模块在神经电信号进行压缩处理时,将存在尖峰的N个神经电信号全部压缩,将不存在尖峰的N个神经电信号全部清除,即设置为0,且不进行压缩处理。
9.根据权利要求7所述的神经电信号压缩感知处理电路,其特征在于,所述尖峰检测模块采用非线性能量算子NEO算法、绝对值法或稳定小波变换积法检测神经电信号的尖峰。
10.权利要求1-6任一所述的神经电信号压缩感知处理方法和/或权利要求7-9任一所述的神经电信号压缩感知处理电路在神经电信号处理技术领域内的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225033.9A CN109938696A (zh) | 2019-03-22 | 2019-03-22 | 神经电信号压缩感知处理方法及电路 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225033.9A CN109938696A (zh) | 2019-03-22 | 2019-03-22 | 神经电信号压缩感知处理方法及电路 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109938696A true CN109938696A (zh) | 2019-06-28 |
Family
ID=67010681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910225033.9A Pending CN109938696A (zh) | 2019-03-22 | 2019-03-22 | 神经电信号压缩感知处理方法及电路 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109938696A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113092887A (zh) * | 2021-04-07 | 2021-07-09 | 中国电子科技集团公司第五十八研究所 | 一种面向eng的低功耗双阈值尖峰检测处理方法及检测电路 |
CN116362189A (zh) * | 2023-03-23 | 2023-06-30 | 珠海横琴脑虎半导体有限公司 | 一种脑电信号采集芯片 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617140A (zh) * | 2013-11-25 | 2014-03-05 | 北京航空航天大学 | 一种神经电信号压缩感知处理验证系统及其构建方法 |
CN103886204A (zh) * | 2014-03-24 | 2014-06-25 | 宇龙计算机通信科技(深圳)有限公司 | 数据存储装置和数据存储方法 |
CN103932687A (zh) * | 2014-04-22 | 2014-07-23 | 北京印刷学院 | 一种脉象信号预处理方法和装置 |
CN105072359A (zh) * | 2015-08-26 | 2015-11-18 | 中国科学院上海高等研究院 | 基于压缩感知的cmos图像传感器成像系统及方法 |
CN106889981A (zh) * | 2017-01-26 | 2017-06-27 | 浙江铭众科技有限公司 | 一种用于提取胎儿心率的智能终端 |
CN107320096A (zh) * | 2017-06-14 | 2017-11-07 | 长春理工大学 | 一种心电r波定位方法 |
CN107689224A (zh) * | 2016-08-22 | 2018-02-13 | 北京深鉴科技有限公司 | 合理使用掩码的深度神经网络压缩方法 |
CN108158577A (zh) * | 2018-02-12 | 2018-06-15 | 江南大学 | 一种基于压缩感知的低功耗心电信号处理电路及其方法 |
CN109157209A (zh) * | 2018-10-25 | 2019-01-08 | 江南大学 | 一种基于压缩感知的生物电信号处理电路及方法 |
-
2019
- 2019-03-22 CN CN201910225033.9A patent/CN109938696A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617140A (zh) * | 2013-11-25 | 2014-03-05 | 北京航空航天大学 | 一种神经电信号压缩感知处理验证系统及其构建方法 |
CN103886204A (zh) * | 2014-03-24 | 2014-06-25 | 宇龙计算机通信科技(深圳)有限公司 | 数据存储装置和数据存储方法 |
CN103932687A (zh) * | 2014-04-22 | 2014-07-23 | 北京印刷学院 | 一种脉象信号预处理方法和装置 |
CN105072359A (zh) * | 2015-08-26 | 2015-11-18 | 中国科学院上海高等研究院 | 基于压缩感知的cmos图像传感器成像系统及方法 |
CN107689224A (zh) * | 2016-08-22 | 2018-02-13 | 北京深鉴科技有限公司 | 合理使用掩码的深度神经网络压缩方法 |
CN106889981A (zh) * | 2017-01-26 | 2017-06-27 | 浙江铭众科技有限公司 | 一种用于提取胎儿心率的智能终端 |
CN107320096A (zh) * | 2017-06-14 | 2017-11-07 | 长春理工大学 | 一种心电r波定位方法 |
CN108158577A (zh) * | 2018-02-12 | 2018-06-15 | 江南大学 | 一种基于压缩感知的低功耗心电信号处理电路及其方法 |
CN109157209A (zh) * | 2018-10-25 | 2019-01-08 | 江南大学 | 一种基于压缩感知的生物电信号处理电路及方法 |
Non-Patent Citations (1)
Title |
---|
黄翔等: "面向心电信号的低功耗压缩感知电路设计", 《传感器与微系统》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113092887A (zh) * | 2021-04-07 | 2021-07-09 | 中国电子科技集团公司第五十八研究所 | 一种面向eng的低功耗双阈值尖峰检测处理方法及检测电路 |
CN116362189A (zh) * | 2023-03-23 | 2023-06-30 | 珠海横琴脑虎半导体有限公司 | 一种脑电信号采集芯片 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104932762A (zh) | 可重送驱动信号的并行驱动电容式触控感测装置 | |
CN101980029B (zh) | 一种电压采样方法及装置 | |
US20110301887A1 (en) | Method and apparatus for noise reduction and data compression | |
CN103941940A (zh) | 并行驱动电容式触控感测装置及传输系统 | |
CN109938696A (zh) | 神经电信号压缩感知处理方法及电路 | |
CN108918932B (zh) | 负荷分解中功率信号自适应滤波方法 | |
CN112947791B (zh) | 用于触控屏中多个通道触控检测的方法和装置 | |
CN106974640A (zh) | 一种远程心脏监测系统 | |
WO2021068891A1 (en) | Method, system, electronic device, and storage medium for storing and collecting temperature data | |
CN111291328B (zh) | 一种基于精细斜率的暂态事件识别方法、系统以及设备 | |
CN107835217A (zh) | 基于复合物联网的水表故障提示方法及物联网系统 | |
CN114699042A (zh) | 一种频率检测方法、装置、电子设备及存储介质 | |
CN109289196A (zh) | 游戏存档处理方法及装置 | |
CN103389413B (zh) | 一种频谱直方图的实时统计方法 | |
CN107819815A (zh) | 基于复合物联网的电表故障提示方法及物联网系统 | |
CN108630285B (zh) | 一种测试固态硬盘的方法和装置 | |
CN103018547B (zh) | 归一化多处理器电功率计量方法 | |
CN104473633A (zh) | 异常心电数据的判断方法和装置 | |
CN201773405U (zh) | 一种远程心电信号诊断装置 | |
CN109495113A (zh) | 一种脑电信号的压缩方法及装置 | |
CN103092449A (zh) | 触摸数据处理装置和电子触摸器件 | |
CN205941741U (zh) | 电能质量数据采集装置 | |
CN105653105B (zh) | 触控芯片及其数据采集方法 | |
CN106886478A (zh) | 一种数据过滤方法及监控服务器 | |
CN107066421A (zh) | 一种示波器及其采集数据上报方法 |
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: 20190628 |
|
RJ01 | Rejection of invention patent application after publication |