CN109938725A - 脑电信号处理方法和系统 - Google Patents
脑电信号处理方法和系统 Download PDFInfo
- Publication number
- CN109938725A CN109938725A CN201711387768.9A CN201711387768A CN109938725A CN 109938725 A CN109938725 A CN 109938725A CN 201711387768 A CN201711387768 A CN 201711387768A CN 109938725 A CN109938725 A CN 109938725A
- Authority
- CN
- China
- Prior art keywords
- average
- time interval
- deviation
- value
- eeg
- 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
本发明提供了一种脑电信号处理方法和系统,属于脑电信号处理技术领域。该脑电信号处理方法包括:接收脑电信号EEG和心电伪迹信号ECG;计算每一个时间间隔中的脑电信号EEG的每一个值的离均差,即第一离均差NewEEG和;计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差,即第二离均差NewECG;根据所述第一离均差NewEEG和所述第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W;以及通过所述滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号。通过上述技术方案去除心电伪迹不仅计算速度快,而且消除心电伪迹的效果好。
Description
技术领域
本发明涉及脑电信号处理技术,具体地涉及脑电信号处理方法和系统。
背景技术
脑电波(Electroencephalogram,EEG)是一种使用电生理指标记录大脑活动的方法,脑电波是在大脑在活动时大量神经元同步发生的突触后电位经总和后形成的。
脑电波记录大脑活动时的电波变化,是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。但实际采集的脑电信号非常微弱,并且往往被多种伪迹成分所污染,伪迹包括心电伪迹(Electrocardiogram,ECG,心电信号),眼电伪迹、工频干扰等,其中心电伪迹信号对脑电信号的干扰尤为明显,常常干扰判断睡眠分期,因而去除心电伪迹信号对提取纯净的脑电信号、提高判读睡眠分期意义重大。
目前消除心电伪迹信号的方法有两种:一种是在采集信号时工作人员在导联线上进行处理,这种方法操作不便,而且需要工作人员熟练掌握相关的技能知识,容易出错;另一种是基于R峰检测的平均伪迹去除算法,这种方法计算量大,消除心电伪迹的效果也不好。
发明内容
本发明的目的是提供一种脑电信号处理方法和系统,通过一种计算量小的方式解决消除脑电信号中的心电伪迹的问题。
为了实现上述目的,本发明提供了一种脑电信号处理方法,该方法包括:该方法包括:接收脑电信号EEG和心电伪迹信号ECG;计算每一个时间间隔中的脑电信号EEG的每一个值的离均差,即第一离均差NewEEG;计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差,即第二离均差NewECG;根据所述第一离均差NewEEG和所述第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W;以及通过所述滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号。
优选地,根据所述第一离均差NewEEG和所述第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W包括:针对每一个时间间隔计算所述第一离均差NewEEG构成的一维数组与所述第二离均差NewECG构成的一维数组的乘积,然后将乘积后的值相加,得到每一个时间间隔的第一求和值SUM1;针对每一个时间间隔计算所述第二离均差NewECG构成的一维数组与所述第一离均差NewEEG构成的一维数组的乘积,然后将乘积后的值相加,得到每一个时间间隔的第二求和值SUM2;针对每一个时间间隔分别计算第一求和值SUM1与第二求和值SUM2的负比值K,其中K=-SUM1/SUM2;以及根据所述第一离均差NewEEG、所述负比值K和所述第二离均差NewECG计算所述滤波信号W;其中,所述W=NewEEG+K*NewECG。
优选地,通过所述滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号包括:计算每一个时间间隔的脑电信号EEG的平均值,即第一平均值AvgEEG;以及计算同一时间间隔中的所述滤波信号W和所述第一平均值AvgEEG的和,得到该时间间隔的去除心电伪迹的脑电信号。
优选地,所述计算每一个时间间隔中的脑电信号EEG的每一个值的离均差包括:计算每一个时间间隔中的脑电信号EEG的平均值,即第一平均值AvgEEG;以及计算所述脑电信号EEG的每一个值与相应时间间隔的第一平均值AvgEEG的差值,得到所述第一离均差NewEEG。
优选地,所述计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差包括:计算每一个时间间隔中的心电伪迹信号ECG的平均值,即第二平均值AvgECG;以及计算所述心电伪迹信号ECG的每一个值与相应时间间隔的第二平均值AvgECG的差值,得到所述第二离均差NewECG。
相应地,本发明还提供了一种脑电信号处理系统,该系统包括:接收单元,接收脑电信号EEG和心电伪迹信号ECG;计算单元,计算每一个时间间隔中的脑电信号EEG的每一个值的离均差,即第一离均差NewEEG,及计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差,即第二离均差NewECG,并根据所述第一离均差NewEEG和所述第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W;以及处理单元,通过所述滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号。
优选地,根据所述第一离均差NewEEG和所述第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W包括:针对每一个时间间隔计算所述第一离均差NewEEG构成的一维数组与所述第二离均差NewECG构成的一维数组的乘积,然后将乘积后的值相加,得到每一个时间间隔的第一求和值SUM1;针对每一个时间间隔计算所述第二离均差NewECG构成的一维数组与所述第一离均差NewEEG构成的一维数组的乘积,然后将乘积后的值相加,得到每一个时间间隔的第二求和值SUM2;针对每一个时间间隔分别计算第一求和值SUM1与第二求和值SUM2的负比值K,其中K=-SUM1/SUM2;以及根据所述第一离均差NewEEG、所述负比值K和所述第二离均差NewECG计算所述滤波信号W;其中,所述W=NewEEG+K*NewECG。
优选地,通过所述滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号包括:计算每一个时间间隔的脑电信号EEG的平均值,即第一平均值AvgEEG;以及计算同一时间间隔中的所述滤波信号W和所述第一平均值AvgEEG的和,得到该时间间隔的去除心电伪迹的脑电信号。
优选地,所述计算每一个时间间隔中的脑电信号EEG的每一个值的离均差包括:计算每一个时间间隔中的脑电信号EEG的平均值,即第一平均值AvgEEG;以及计算所述脑电信号EEG的每一个值与相应时间间隔的第一平均值AvgEEG的差值,得到所述第一离均差NewEEG。
优选地,所述计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差包括:计算每一个时间间隔中的心电伪迹信号ECG的平均值,即第二平均值AvgECG;以及计算所述心电伪迹信号ECG的每一个值与相应时间间隔的第二平均值AvgECG的差值,得到所述第二离均差NewECG。
相应地,本发明还提供了一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请以上所描述的方法。
通过上述技术方案,本发明通过根据脑电信号和心电伪迹信号的离均差来计算滤波信号并通过该滤波信号对脑电信号进行处理,从而得到去除心电伪迹的脑电信号,通过这种方式去除心电伪迹不仅计算速度快,而且消除心电伪迹的效果好。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的脑电信号处理方法的流程图;
图2是本发明实施例提供的消除心电伪迹的流程图;以及
图3是本发明实施例提供的脑电信号处理系统的框图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
图1是本发明实施例提供的脑电信号处理方法的流程图,如图1所示,该方法包括:
步骤101,接收脑电信号EEG和心电伪迹信号ECG。
步骤102,计算每一个时间间隔中的脑电信号EEG的每一个值的离均差,即第一离均差NewEEG。
步骤103,计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差,即第二离均差NewECG。
也就是说,需要针对每一个时间间隔的EEG和ECG都要计算相应的NewEEG和NewECG。离均差指的是每一个值与平均值的差值,这里的平均值对于每一个时间间隔可能相同也可能不同。需要说明的是,上述步骤102和步骤103可以同时进行,也可以先进行步骤103,再进行步骤102。
计算每一个时间间隔中的脑电信号EEG的每一个值的离均差包括:计算每一个时间间隔中的脑电信号EEG的平均值,即第一平均值AvgEEG;计算脑电信号EEG的每一个值与相应时间间隔的第一平均值AvgEEG的差值,得到第一离均差NewEEG。计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差包括:计算每一个时间间隔中的心电伪迹信号ECG的平均值,即第二平均值AvgECG;计算心电伪迹信号ECG的每一个值与相应时间间隔的第二平均值AvgECG的差值,得到第二离均差NewECG。
也就是说,针对每一个时间间隔分别计算EEG的平均值AvgEEG和ECG的平均值AvgECG,然后每一个时间间隔的EEG的每一个值减去相应时间间隔的平均值AvgEEG及每一个时间间隔的ECG的每一个值减去相应时间间隔平均值AvgECG,从而得到每一个时间间隔的NewEEG和NewECG。
以上虽然提到针对每一个时间间隔进行计算,但是本领域技术人员应当理解的是,可以在经过很多个时间间隔之后针对多个时间间隔同时进行计算也可以是在每有一个时间间隔逝去时针对最近逝去的时间间隔计算,所计算的数据包括每一个时间间隔的AvgEEG、NewEEG、AvgECG、NewECG。
步骤104,根据第一离均差NewEEG和第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W。
具体步骤包括:针对每一个时间间隔计算第一离均差NewEEG构成的一维数组与第二离均差NewECG构成的一维数组的乘积,然后将乘积后的值相加,得到每一个时间间隔的第一求和值SUM1;针对每一个时间间隔计算第二离均差NewECG构成的一维数组与第一离均差NewEEG构成的一维数组的乘积,然后将乘积后的值相加,得到每一个时间间隔的第二求和值SUM2;针对每一个时间间隔分别计算第一求和值SUM1与第二求和值SUM2的负比值K,其中K=-SUM1/SUM2;以及根据第一离均差NewEEG、负比值K和第二离均差NewECG计算滤波信号W;其中,W=NewEEG+K*NewECG。需要说明的是,上述得到第一求和值SUM1与第二求和值SUM2的步骤可以同时进行,也可以先得到第一求和值SUM1,再得到第二求和值SUM2,也可以先得到第二求和值SUM2,再得到第一求和值SUM1。
其中两个一维数组(以下称为第一数组和第二数组)的乘积的计算过程如下,将乘积后得到数组称为乘积数组,乘积数组中的第一个值为第一数组中的第一个值与第二数组中的第一个值的乘积,乘积数组中的第二个值为第一数组中的第二个值与第二数组中的第二个值的乘积,以此类推。以上所描述的求和值即为乘积数组中的值之和。
步骤105,通过滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号。
具体步骤包括:计算每一个时间间隔的脑电信号EEG的平均值,即第一平均值AvgEEG;以及计算同一时间间隔中的滤波信号W和第一平均值AvgEEG的和,得到该时间间隔的去除心电伪迹的脑电信号。用EEGNoArtif表示去除心电伪迹的脑电信号,则EEGNoArtif=W+AvgEEG。
本领域技术人员应当理解,针对每一个时间间隔都需要计算平均值、离均差、滤波信号及最终的去除心电伪迹的脑电信号,因为不同时间间隔脑电信号和心电伪迹信号不尽相同,所以每一个时间间隔的平均值、离均差、滤波信号及最终的去除心电伪迹的脑电信号也会不同,并且,在计算一个时间间隔的去除心电伪迹的脑电信号时,计算过程中所用到的参数(包括EEG、ECG、AvgEEG、AvgECG、NewEEG、NewECG、SUM1、SUM2、K、W)都是针对该同一时间间隔。
图2是本发明实施例提供的消除心电伪迹的流程图,在图2中,将时间间隔选取为2s,图2所示的流程是针对同一个时间间隔进行的,在下文中将不再另行说明,该流程包括:
步骤201,接收EEG和ECG。
步骤202,计算AvgECG和NewECG,其中NewECG=ECG-AvgECG。
步骤203,计算AvgEEG和NewEEG,其中NewEEG=EEG-AvgEEG。
步骤204,计算SUM1和SUM2,其中SUM1=NewECG*NewEEG,SUM2=NewECG*NewECG。
步骤205,计算K=-SUM1/SUM2。
步骤206,计算W=NewEEG+K*NewECG。
步骤207,计算去除心电伪迹的脑电信号EEGNoArtif=W+AvgEEG。
下面以具体数据为例进行阐述,例如,EEG=[3123,3134,3272,3215],ECG=[3245,3289,3370,3316],其中该EEG和ECG为同一时间间隔中的数据,其中EEG中的第一个值与ECG中的第一个值是同一时刻的值,EEG中的第二个值与ECG中的第二个值是同一时刻的值,以此类推。
那么,存在以下计算过程:
EEG的平均值AvgEEG=3186,ECG的平均值AvgECG=3305;
EEG的离均差NewEEG=EEG-AvgEEG=[-63,-52,86,29],ECG的离均差NewECG=ECG-AvgECG=[-60,-16,65,11];
SUM1=NewECG*NewEEG=10521,SUM2=NewECG*NewECG=8202;
K=-SUM1/SUM2=-1.28274;
W=NewEEG+K*NewECG=[13.96416,-31.4762,2.622165,14.8899];
EEGNoArtif=W+AvgEEG=[3140,3155,3189,3201]。
下面对本发明的计算过程所依赖的原理进行阐述。
设脑电信号(一般为电压)为X=(x1,x2,L,xn)T,心电伪迹信号(一般为电压)为Y=(y1,y2,L,yn)T。其能量为本发明要求达到能量最小。
令则有:
这是关于k的一个二次函数(抛物线),可以求得最低点。我们得到,当时,函数达到最小值。
其中,k对应于上文中的K。
图3是本发明实施例提供的脑电信号处理系统的框图,如图3所示,该系统包括接收单元301、计算单元302和处理单元303。其中,接收单元301接收脑电信号EEG和心电伪迹信号ECG;计算单元302计算每一个时间间隔中的脑电信号EEG的每一个值的离均差,即第一离均差NewEEG,及计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差,即第二离均差NewECG,并根据所述第一离均差NewEEG和所述第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W;处理单元303通过所述滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号。
应当注意的是,本发明提供的脑电信号处理系统的具体细节及益处与本发明提供的脑电信号处理方法类似,于此不予赘述。
相应地,本发明还提供了一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请上述方法。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (11)
1.一种脑电信号处理方法,其特征在于,该方法包括:
接收脑电信号EEG和心电伪迹信号ECG;
计算每一个时间间隔中的脑电信号EEG的每一个值的离均差,即第一离均差NewEEG;
计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差,即第二离均差NewECG;
根据所述第一离均差NewEEG和所述第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W;以及
通过所述滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号。
2.根据权利要求1所述的方法,其特征在于,根据所述第一离均差NewEEG和所述第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W包括:
针对每一个时间间隔计算所述第一离均差NewEEG构成的一维数组与所述第二离均差NewECG构成的一维数组的乘积,然后将乘积后的值相加,得到每一个时间间隔的第一求和值SUM1;
针对每一个时间间隔计算所述第二离均差NewECG构成的一维数组与所述第一离均差NewEEG构成的一维数组的乘积,然后将乘积后的值相加,得到每一个时间间隔的第二求和值SUM2;
针对每一个时间间隔分别计算第一求和值SUM1与第二求和值SUM2的负比值K,其中K=-SUM1/SUM2;以及
根据所述第一离均差NewEEG、所述负比值K和所述第二离均差NewECG计算所述滤波信号W;
其中,所述W=NewEEG+K*NewECG。
3.根据权利要求1所述的方法,其特征在于,通过所述滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号包括:
计算每一个时间间隔的脑电信号EEG的平均值,即第一平均值AvgEEG;以及
计算同一时间间隔中的所述滤波信号W和所述第一平均值AvgEEG的和,得到该时间间隔的去除心电伪迹的脑电信号。
4.根据权利要求1所述的方法,其特征在于,所述计算每一个时间间隔中的脑电信号EEG的每一个值的离均差包括:
计算每一个时间间隔中的脑电信号EEG的平均值,即第一平均值AvgEEG;以及
计算所述脑电信号EEG的每一个值与相应时间间隔的第一平均值AvgEEG的差值,得到所述第一离均差NewEEG。
5.根据权利要求1所述的方法,其特征在于,所述计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差包括:
计算每一个时间间隔中的心电伪迹信号ECG的平均值,即第二平均值AvgECG;以及
计算所述心电伪迹信号ECG的每一个值与相应时间间隔的第二平均值AvgECG的差值,得到所述第二离均差NewECG。
6.一种脑电信号处理系统,其特征在于,该系统包括:
接收单元,接收脑电信号EEG和心电伪迹信号ECG;
计算单元,计算每一个时间间隔中的脑电信号EEG的每一个值的离均差,即第一离均差NewEEG,及计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差,即第二离均差NewECG,并根据所述第一离均差NewEEG和所述第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W;以及
处理单元,通过所述滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号。
7.根据权利要求6所述的系统,其特征在于,根据所述第一离均差NewEEG和所述第二离均差NewECG计算每一个时间间隔的脑电信号EEG的滤波信号W包括:
针对每一个时间间隔计算所述第一离均差NewEEG构成的一维数组与所述第二离均差NewECG构成的一维数组的乘积,然后将乘积后的值相加,得到每一个时间间隔的第一求和值SUM1;
针对每一个时间间隔计算所述第二离均差NewECG构成的一维数组与所述第一离均差NewEEG构成的一维数组的乘积,然后将乘积后的值相加,得到每一个时间间隔的第二求和值SUM2;
针对每一个时间间隔分别计算第一求和值SUM1与第二求和值SUM2的负比值K,其中K=-SUM1/SUM2;以及
根据所述第一离均差NewEEG、所述负比值K和所述第二离均差NewECG计算所述滤波信号W;
其中,所述W=NewEEG+K*NewECG。
8.根据权利要求6所述的系统,其特征在于,通过所述滤波信号W对相应时间间隔的脑电信号EEG进行处理得到去除心电伪迹的脑电信号包括:
计算每一个时间间隔的脑电信号EEG的平均值,即第一平均值AvgEEG;以及
计算同一时间间隔中的所述滤波信号W和所述第一平均值AvgEEG的和,得到该时间间隔的去除心电伪迹的脑电信号。
9.根据权利要求6所述的系统,其特征在于,所述计算每一个时间间隔中的脑电信号EEG的每一个值的离均差包括:
计算每一个时间间隔中的脑电信号EEG的平均值,即第一平均值AvgEEG;以及
计算所述脑电信号EEG的每一个值与相应时间间隔的第一平均值AvgEEG的差值,得到所述第一离均差NewEEG。
10.根据权利要求6所述的系统,其特征在于,所述计算每一个时间间隔中的心电伪迹信号ECG的每一个值的离均差包括:
计算每一个时间间隔中的心电伪迹信号ECG的平均值,即第二平均值AvgECG;以及
计算所述心电伪迹信号ECG的每一个值与相应时间间隔的第二平均值AvgECG的差值,得到所述第二离均差NewECG。
11.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请上述权利要求1至5中任意一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711387768.9A CN109938725B (zh) | 2017-12-20 | 2017-12-20 | 脑电信号处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711387768.9A CN109938725B (zh) | 2017-12-20 | 2017-12-20 | 脑电信号处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109938725A true CN109938725A (zh) | 2019-06-28 |
CN109938725B CN109938725B (zh) | 2022-03-18 |
Family
ID=67004341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711387768.9A Active CN109938725B (zh) | 2017-12-20 | 2017-12-20 | 脑电信号处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109938725B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183331A (zh) * | 2020-09-28 | 2021-01-05 | 南京伟思医疗科技股份有限公司 | 一种对新生儿脑电信号的心电伪差的识别系统和方法 |
CN112826510A (zh) * | 2021-03-11 | 2021-05-25 | 清华大学 | 电生理信号采集系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1972273A2 (en) * | 2007-03-21 | 2008-09-24 | Korea Advanced Institute of Science and Technology | Brain wave measuring method, apparatus and computer readable recording medium implemented with program for executing the method |
US20140316217A1 (en) * | 2013-04-23 | 2014-10-23 | Patrick L. Purdon | System and method for monitoring anesthesia and sedation using measures of brain coherence and synchrony |
CN104905786A (zh) * | 2015-07-02 | 2015-09-16 | 北京师范大学 | 一种心电伪迹在线去除算法 |
CN105147251A (zh) * | 2015-08-19 | 2015-12-16 | 宁波工程学院 | 基于多通道sEMG的肌肉疲劳动态预测方法 |
US20160120480A1 (en) * | 2011-10-31 | 2016-05-05 | Case Western Reserve University | Expert system to faciliate source localization of brain electrical activity |
CN107095672A (zh) * | 2017-06-10 | 2017-08-29 | 深圳创达云睿智能科技有限公司 | 一种去除脑电信号中伪迹信号的方法 |
-
2017
- 2017-12-20 CN CN201711387768.9A patent/CN109938725B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1972273A2 (en) * | 2007-03-21 | 2008-09-24 | Korea Advanced Institute of Science and Technology | Brain wave measuring method, apparatus and computer readable recording medium implemented with program for executing the method |
US20160120480A1 (en) * | 2011-10-31 | 2016-05-05 | Case Western Reserve University | Expert system to faciliate source localization of brain electrical activity |
US20140316217A1 (en) * | 2013-04-23 | 2014-10-23 | Patrick L. Purdon | System and method for monitoring anesthesia and sedation using measures of brain coherence and synchrony |
CN104905786A (zh) * | 2015-07-02 | 2015-09-16 | 北京师范大学 | 一种心电伪迹在线去除算法 |
CN105147251A (zh) * | 2015-08-19 | 2015-12-16 | 宁波工程学院 | 基于多通道sEMG的肌肉疲劳动态预测方法 |
CN107095672A (zh) * | 2017-06-10 | 2017-08-29 | 深圳创达云睿智能科技有限公司 | 一种去除脑电信号中伪迹信号的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183331A (zh) * | 2020-09-28 | 2021-01-05 | 南京伟思医疗科技股份有限公司 | 一种对新生儿脑电信号的心电伪差的识别系统和方法 |
CN112183331B (zh) * | 2020-09-28 | 2024-04-16 | 南京伟思医疗科技股份有限公司 | 一种对新生儿脑电信号的心电伪差的识别系统和方法 |
CN112826510A (zh) * | 2021-03-11 | 2021-05-25 | 清华大学 | 电生理信号采集系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109938725B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leite et al. | Deep convolutional autoencoder for EEG noise filtering | |
Somers et al. | A generic EEG artifact removal algorithm based on the multi-channel Wiener filter | |
Beyramienanlou et al. | Shannon’s energy based algorithm in ECG signal processing | |
Çınar et al. | A novel system for automatic removal of ocular artefacts in EEG by using outlier detection methods and independent component analysis | |
Tarvainen et al. | An advanced detrending method with application to HRV analysis | |
Rahman et al. | Efficient sign based normalized adaptive filtering techniques for cancelation of artifacts in ECG signals: Application to wireless biotelemetry | |
Jafarifarmand et al. | Real-time ocular artifacts removal of EEG data using a hybrid ICA-ANC approach | |
Iyer et al. | Single-trial evoked potential estimation: comparison between independent component analysis and wavelet denoising | |
US20180146929A1 (en) | Device for predicting ventricular arrhythmia and method therefor | |
Kumar et al. | Design of efficient fractional operator for ECG signal detection in implantable cardiac pacemaker systems | |
Dora et al. | Correlation-based ECG artifact correction from single channel EEG using modified variational mode decomposition | |
CN110292376A (zh) | 去除脑电信号中眼电伪迹的方法、装置、设备及存储介质 | |
CN109938725A (zh) | 脑电信号处理方法和系统 | |
CN113384277B (zh) | 心电数据的分类方法及分类系统 | |
CN112294340A (zh) | 快速自动去除肌电伪迹的方法、系统、存储介质及计算机设备 | |
EP3335630A1 (en) | Improved signal quality index of multichannel bio-signal using riemannian geometry | |
Mykoliuk et al. | Machine learning methods in ECG classification | |
Müller et al. | Lifespan differences in nonlinear dynamics during rest and auditory oddball performance | |
Gao et al. | EEG reconstruction with a dual-scale CNN-LSTM model for deep artifact removal | |
Murugesan et al. | Automated detection of brain tumor in EEG signals using artificial neural networks | |
Bhattacharyya et al. | Ocular artifacts elimination from multivariate EEG signal using frequency-spatial filtering | |
Zubair et al. | Removal of motion artifacts from ECG signals by combination of recurrent neural networks and deep neural networks | |
Mateo et al. | Robust volterra filter design for enhancement of electroencephalogram signal processing | |
Siew Cheok et al. | Removal of EOG artifacts using ICA regression method | |
Bansal et al. | Design and implementation of efficient digital filter for preprocessing of EEG 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 |