CN110236536A - 一种基于卷积神经网络的脑电高频振荡信号检测系统 - Google Patents
一种基于卷积神经网络的脑电高频振荡信号检测系统 Download PDFInfo
- Publication number
- CN110236536A CN110236536A CN201910479374.9A CN201910479374A CN110236536A CN 110236536 A CN110236536 A CN 110236536A CN 201910479374 A CN201910479374 A CN 201910479374A CN 110236536 A CN110236536 A CN 110236536A
- Authority
- CN
- China
- Prior art keywords
- module
- convolutional neural
- neural networks
- frequency
- 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
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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
Abstract
本发明属于医学信号处理领域,具体提供一种基于卷积神经网络的脑电高频振荡信号检测系统,用以克服现有脑电高频振荡信号检测技术中高频噪声和尖峰波形导致的误检率高的问题。本发明包括:用户端、数据预处理模块、高频振荡信号预检测模块、卷积神经网络模块及统计模块,用户端用于脑电信号采集,并由数据预处理模块进行数据预处理,高频振荡信号预检测模块对脑电信号进行检测,得到疑似高频振荡片段,卷积神经网络模块用于对所有疑似高频振荡片段进行分类;该系统在检测HFOs时能够有效提高灵敏度,降低误检率,进而提高癫痫灶定位的准确率;同时该系统既可以使用头皮脑电、也可以使用皮层脑电,给予医生更多灵活性。
Description
技术领域
本发明属于医学信号处理领域,涉及一种脑电高频振荡信号的检测系统,具体为一种基于卷积神经网络的脑电高频振荡信号检测系统。
背景技术
癫痫是一种常见的神经系统疾病,影响着世界上约5000万人的生活。许多难治性癫痫无法通过药物治愈,只能借助手术治疗摆脱疾病带来的困扰。在癫痫神经外科手术中,术前定位癫痫灶十分重要。十多年的初步研究发现,脑电高频振荡信号(High FrequencyOscillatio ns,HFOs)能够直接地反应了神经元的同步化活动,与癫痫的发作有密切的联系,它比癫痫样放电更准确地指示了癫痫发作始发区,或将是定位癫痫发作始发区(Seizure Onset Zone,SOZ)的一种新的生物标志物。
在提出HFOs自动检测方法之前,大部分学者是依据人工识别来进行HFOs研究的;但是脑电数据浩如烟海,人工辨别HFOs十分耗时耗力,标记10分钟的脑电信号用时约10个小时,而且处理过程中会因为疲劳和分心而带来错误;此外,人工检查带有一定主观性的,不同学者对高频信号的边界界定也有诸多不同之处。目前普遍认为,高频振荡信号的频率范围是80Hz到500Hz,包括频率在80~250Hz的涟波(Ripples)和250~500Hz的快涟波(FastRipples)。
为了解决人工筛查的缺点,许多研究组提出了不同类型的HFOs检测方法。如基于FIR滤波器与均方根值特征的方法、结合巴特沃斯滤波器的基于线长特征的检测方法、MNI检测器方法等。近年来也出现了许多与神经网络相关的方法,如基于径向基函数神经网络的方法、基于近似熵与人工神经网络的方法等。但是目前的方法在性能方面无法同时具备高灵敏度和低特异性,尚不能有效地区分真正的HFOs和高频噪声或者尖峰波形等非HFOs。
识别HFOs的“金标准”是在脑电信号时频图上存在“孤岛效应”。卷积神经网络的图像特征提取模式是一种自主的逐层提取输入图像的特征的模式,这种模式不仅可以在低层网络检测到边缘等简单的特征,还可以通过高层网络将低层网络的特征进行组合得到一些复杂的特征。使用经过人工标注的HFOs及非HFOs时频图数据集对卷积神经网络进行训练,训练好的网络可以有效对数据段的时频图进行特征提取,并有效判断信号片段是否存在孤岛效应,进而确定是否存在HFOs。
发明内容
本发明的目的在于针对现有脑电高频振荡信号检测技术的不足,即高频噪声和尖峰波形导致的误检率高的问题,提出一种基于卷积神经网络的脑电高频振荡信号检测系统,该系统在检测HFOs时能够有效提高灵敏度,降低误检率,进而提高癫痫灶定位的准确率;同时该系统既可以使用头皮脑电、也可以使用皮层脑电,给予医生更多灵活性。
为实现上述目的,本发明采用的技术方案如下:
一种基于卷积神经网络的脑电高频振荡信号检测系统,包括:用户端1、数据预处理模块2、高频振荡信号预检测模块3、卷积神经网络模块4及统计模块5;其特征在于,所述用户端用于完成系统参数设定与脑电信号采集;所述数据预处理模块根据设定系统参数对脑电信号进行分段、滤波及去除工频干扰处理;所述高频振荡信号预检测模块根据设定系统参数对数据预处理模块输出脑电信号进行检测,得到疑似高频振荡片段,并将疑似高频振荡片段进行小波时频变换得到信号时频图;所述卷积神经网络模块用于对所有疑似高频振荡片段进行分类;所述统计模块用于记录高频振荡信号预检测模块检测出的所有疑似高频振荡片段的信号时频图及其时间节点信息、以及其在卷积神经网络模块中的分类结果信息。
进一步的,所述用户端1包括:用户选择模块、脑电信号采集模块、信号放大模块及存储模块;本模块用于采集数据,用户可在本模块做个性化选择;对疑似频段进行二分类或多分类;
首先,用户通过用户选择模块设置模块接入的数据为头皮脑电或者皮层脑电信号;再设置后续处理的数据分段时长与频带范围f1~f2,并将设置结果发送到数据预处理模块2;再设置高频振荡信号预检测模块3中的筛选标准,即检测片段时长L毫秒、滑动窗口长度t秒、阈值参数x和峰值个数a,并将设置参数发送至高频振荡信号预检测模块3,其中,阈值参数x和峰值个数a用以平衡算法时长和处理时间;再设置对疑似高频振荡数据做二分类或多分类,并将设置结果发送至卷积神经网络模块;
其次,脑电信号采集模块与电极相连,用于收集患者脑电信号,根据用户选择模块设置参数,患者电极安置形式可以是头皮电极和皮层电极;
最后,信号放大模块将采集脑电信号进行放大后、存储于存储模块中,并传输至数据预处理模块2。
进一步的,所述数据预处理模块2包括:数据分段模块、带通滤波模块和去除工频干扰模块;所述数据分段模块根据数据分段时长将脑电信号分段,以适应不同电脑内存不同、不同使用者关注的时间长度不同的情况;所述带通滤波模块根据频带范围f1~f2对分段后脑电信号进行带通滤波,带通滤波方法为巴特沃斯滤波器、傅里叶FIR滤波器或小波包分解重构;去除工频干扰模块使用50Hz陷波器去除工频干扰影响,最后将数据发送至高频振荡信号预检测模块3;
进一步的,所述高频振荡信号预检测模块3识别脑电高频振荡信号的方法是以均方根值作为阈值基准的阈值法;用户选择牺牲灵敏度提高阈值参数x和最小峰值个数a来减少筛选时间;本模块初步识别脑电高频振荡信号流程为:
首先模块接收来自用户端1的阈值参数x和峰值个数a;建立t秒滑动窗口,并对t秒数据进行去均值处理,然后计算其均方根值,并设置阈值为均方根值的x倍;
其次,检测时长为L毫秒的检测片段内超过阈值的峰值个数,若峰值个数大于等于a、则认定该检测片段为疑似高频振荡片段,继续检测下一个检测片段直至t秒信号完全检测完毕;再进行下一段t秒信号的检测直至当前脑电信号全部检测完成;
最后,将疑似高频振荡片段进行小波时频变换得到信号时频图,并发送至卷积神经网络模块4;同时,将所有疑似高频振荡片段的时间节点信息发送至统计模块5;
本模块识别结果中不仅有高频振荡信号,还会包含部分非高频振荡波形,如高频噪声和尖峰波形。
进一步的,所述卷积神经网络模块4是由大量经过专业医生标注的样本训练得到的,该卷积神经网络模块的输入为高频振荡信号预检测模块3中得到的疑似高频振荡片段的小波时频图;
所述卷积神经网络模块包括:特征提取层和分类层,其中,特征提取层包含卷积模块及池化模块,卷积模块使用预设尺寸的卷积核,对输入的信号时频图作局部连接、卷积,然后通过固定步长移动,使得信号时频图的每一部分都被卷积核作用,其结果作为特征被提取;使用多个不同的卷积核,可以提取原始图像的多个特征;池化模块的用于下采样,以预设的尺寸及步长将卷积模块提取的特征尺寸缩小,以降低特征及计算量,同时可以有效防止过拟合;分类层由全连接的神经元组成,通过预设的权重、阈值,将提取的特征组合得出一个分类结果,然后其结果与原始标签比较,通过预先设置的损失函数求得误差,再通过反向传播,调整各个神经元连接的权重,减小误差,通过多轮训练得到一个满意的结果,即卷积神经网络模块;
卷积神经网络模块包括:二分类判别和多分类判别,用户在用户端中按需要进行选择;其中,二分类判别时,所用训练样本由正样本和负样本组成,正样本为真实脑电高频振荡信号,负样本包括高频噪声信号、尖峰波形信号等与脑电高频振荡信号具有相似性的非脑电高频振荡信号;对经过训练的卷积神经网络输入脑电信号,即可获得对输入信号的判断结果。另外,其多分类判别所用的训练样本由涟波、快涟波、棘波和噪声样本组成,对经过训练的卷积神经网络输入相应脑电信号,即可获得输入信号的判断结果。
进一步的,若卷积神经网络为二分类,则统计模块5统计出数据片段内高频振荡信号个数,将其对应的时间节点一起发送至客户端;若卷积神经网络做多分类,则统计模块5统计各个类别信号的个数,将结果返回到客户端。
本发明的有益效果在于:
具有更高的灵活性,可根据用户需求选择头皮脑电或皮层脑电,可自主设置筛选频率的边界,可以选择牺牲灵敏度来减少筛选时间;具有更好的性能,具有高灵敏度和低误检率;可以进行多分类,细化区分不同类型的信号,为进一步的研究提供便利。
附图说明
图1为本发明实施例中基于卷积神经网络的脑电高频振荡信号检测系统的基本框图。
图2为本发明实施例中用户端模块示意图。
图3为本发明实施例中数据预处理模块示意图。
图4为本发明实施例中高频振荡信号预检测模块流程图。
图5为本发明实施例中卷积神经网络模块训练流程图。
图6为本发明实施例中信号变化图。
具体实施方式
下面结合实施例和附图对本发明做进一步详细说明。
本实施例是基于Matlab及Python的一种可能的实现;本实施例提供一种基于卷积神经网络的脑电高频振荡信号检测系统,其系统框图如图1所示,包括:用户端1,数据预处理模块2,高频振荡信号预检测模块3,卷积神经网络模块4,统计模块5。
如图2所示为用户端模块示意图,所述用户端由用户选择模块、脑电信号采集模块、信号放大模块及存储模块组成;本实施例中使用的数据为皮层脑电数据,将放置好的电极接入用户端后,用户端将实现逐步数据的采集、信号放大、信号模数转换及存储;本实施例中用户选择模块选择将突出80Hz~500Hz内的数据,数据分为15分钟片段,阈值参数x为2.5,峰值个数a值为6,检测片段时长L毫秒设置为100毫秒。
如图3所示为数据预处理模块示意图,所述数据预处理模块包括:数据分段模块、滤波模块以及去除工频干扰模块;本实施例中本模块预处理步骤:
(1)首先根据选择,将数据分为15分钟片段再进行后续处理;
(2)采用四阶巴特沃斯滤波器进行数据滤波预处理,通带频率设置为80Hz~500Hz;
(3)采用50Hz陷波器去除工频干扰。
如图4所示为本实施例中高频振荡信号预检测流程示意图,具体步骤为:
(1)首先选取3秒信号段去均值并计算出其均方根幅度,将均方根幅度的2.5倍作为阈值;
(2)检测100毫秒内幅度超过阈值的峰值的个数,若100毫秒内存在6个幅度超过阈值的峰值,则认为该片段存在HFOs;
(3)检测下一个100毫秒片段直至3秒信号全部检测完毕,接着回到步骤(1),检测下一段3秒信号直至15分钟信号全部检测完毕;
(4)对含HFOs的100毫秒片段进行小波变换得到信号时频图,输入到卷积神经网络模块中做进一步判别;
(5)将所有疑似高频振荡信号的时间节点信息输入到统计模块。
如图5所示为本实施例中卷积神经网络架构,本实施例中选择对数据做二分类,只区分是否是HFOs;输入层输入为检测出的HFOs经过小波变换后的信号时频图,输出为该片段是否为HFOs;
本实施例中共使用18400个脑电时频图(正负样本各9200个)构成卷积神经网络的训练集;本实施例中的二分类卷积神经网络由输入层、输出层及隐藏层组成,其中,隐藏层由两组卷积层、池化层和一组全连接层构成;经过人工标注的脑电信号时频图作为输入,其特征为714*714像素的RGB图像;第一层卷积层为“孤岛”的识别提供较低维度的信号特征,如边缘、线条等;通常在卷积层后会得到维度较大的特征,池化即向下采样,目的是减少特征图,池化层的设计将其特征切割成较小的几个区域,取其最大值,以获得新的小维度特征;第二层卷积层从低级特征中迭代提取出更复杂的特征,用于进一步提高图像识别的准确率;经过池化后最终由全连接层将所有局部特征整合为全局特征,用于对最后每一类的计算打分;其中,卷积层和池化层中设计了线性整流层,其活化函数使用了线性整流以实现更好的梯度下降并简化计算过程;
最终实施效果为输入脑电信号时频图,输出对其片段是否含有HFOs的判断结果;若片段在卷积神经网络的判定结果为是HFOs,则在统计模块中保留其时间节点信息,统计模块统计出数量一并传回客户端。
如图6所示为本实施例中信号经过各个模块后的变化图;电极接入用户端后,信号将被放大并进入到数据预处理模块,数据预处理模块对其进行分段和滤波并去除工频干扰,再经过高频振荡预检测模块筛选后输出疑似HFOs信号片段并进行小波时频转换,转换好的时频信息以时频图的形式输入到卷积神经网络模块进行判断,最终返回用户端的结果为该时段内HFOs个数及其时间坐标,最终HFOs的数量、时间及位置将为临床癫痫病灶的定位提供极大的帮助。
本实施例中使用半小时数据作为测试信号,时段内高频振荡信号个数共计794个;需要注意的是,不同时段内高频振荡个数会有较大差异,本实施例为检测系统性能,挑选高频振荡信号数量较合理的一段作为测试信号;测试结果如表1所示:
表1
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (7)
1.一种基于卷积神经网络的脑电高频振荡信号检测系统,包括:用户端、数据预处理模块、高频振荡信号预检测模块、卷积神经网络模块及统计模块;其特征在于,所述用户端用于完成系统参数设定与脑电信号采集;所述数据预处理模块根据设定系统参数对脑电信号进行分段、滤波及去除工频干扰处理;所述高频振荡信号预检测模块根据设定系统参数对数据预处理模块输出脑电信号进行检测,得到疑似高频振荡片段,并将疑似高频振荡片段进行小波变换得到信号时频图;所述卷积神经网络模块用于对所有疑似高频振荡片段进行分类;所述统计模块用于记录高频振荡信号预检测模块检测出的所有疑似高频振荡片段的时间节点信息、以及其在卷积神经网络模块中的分类结果信息。
2.按权利要求1所述基于卷积神经网络的脑电高频振荡信号检测系统,其特征在于,所述用户端包括:用户选择模块、脑电信号采集模块、信号放大模块及存储模块;其中:
所述用户选择模块用于完成系统参数设置,所述系统参数包括:用户端接入数据为头皮脑电或者皮层脑电信号,数据预处理模块的数据分段时长与频带范围f1~f2,高频振荡信号预检测模块中的筛选标准:检测片段时长L毫秒、滑动窗口长度t秒、阈值参数x和峰值个数a,卷积神经网络模块中采用二分类判别或多分类判别;
所述脑电信号采集模块与电极相连,用于采集脑电信号;
所述信号放大模块将采集脑电信号进行放大后、存储于所述存储模块中。
3.按权利要求1所述基于卷积神经网络的脑电高频振荡信号检测系统,其特征在于,所述数据预处理模块包括:数据分段模块、带通滤波模块和去除工频干扰模块;其中:所述数据分段模块根据数据分段时长将脑电信号分段;所述带通滤波模块根据频带范围f1~f2对分段后脑电信号进行带通滤波;所述去除工频干扰模块采用50Hz陷波器对滤波后脑电信号去除工频干扰影响。
4.按权利要求1所述基于卷积神经网络的脑电高频振荡信号检测系统,其特征在于,所述高频振荡信号预检测模块的具体工作流程为:
1)建立t秒滑动窗口,并对t秒数据进行去均值处理,然后计算其均方根值,并设置阈值为均方根值的x倍;
2)检测时长为L毫秒的检测片段内超过阈值的峰值个数,若峰值个数大于等于a、则认定该检测片段为疑似高频振荡片段,同理检测下一个检测片段直至t秒信号完全检测完毕;同理再进行下一段t秒信号的检测直至当前脑电信号全部检测完成;
3)将所有疑似高频振荡片段分别进行小波变换得到信号时频图,并发送至卷积神经网络模块;同时,将所有疑似高频振荡片段的信号时频图及其时间节点信息发送至统计模块。
5.按权利要求1所述基于卷积神经网络的脑电高频振荡信号检测系统,其特征在于,所述卷积神经网络模块包括:特征提取层和分类层,其中,特征提取层包含卷积模块及池化模块,卷积模块使用预设尺寸的卷积核,对输入的信号时频图作局部连接、卷积,然后通过固定步长移动,使得信号时频图的每一部分都被卷积核作用,其结果作为特征被提取;池化模块用于下采样,以预设的尺寸及步长将卷积模块提取的特征尺寸缩小,以降低特征及计算量,同时可以有效防止过拟合;分类层由全连接的神经元组成,通过预设的权重、阈值,将提取的特征组合得出一个分类结果,然后其结果与原始标签比较,通过预先设置的损失函数求得误差,再通过反向传播,调整各个神经元连接的权重,减小误差,通过多轮训练得到卷积神经网络模块;对经过训练的卷积神经网络模块输入疑似高频振荡片段的信号时频图,卷积神经网络模块则输出对应疑似高频振荡片段的分类结果。
6.按权利要求5所述基于卷积神经网络的脑电高频振荡信号检测系统,其特征在于,所述卷积神经网络模块包括:二分类判别和多分类判别;其中,二分类判别时,所用训练样本由正样本和负样本组成,正样本为真实脑电高频振荡信号,负样本为与脑电高频振荡信号具有相似性的非脑电高频振荡信号;多分类判别时,所用的训练样本由涟波、快涟波、棘波和噪声样本组成。
7.按权利要求3所述基于卷积神经网络的脑电高频振荡信号检测系统,其特征在于,带通滤波方法为巴特沃斯滤波器、傅里叶FIR滤波器或小波包分解重构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910479374.9A CN110236536A (zh) | 2019-06-04 | 2019-06-04 | 一种基于卷积神经网络的脑电高频振荡信号检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910479374.9A CN110236536A (zh) | 2019-06-04 | 2019-06-04 | 一种基于卷积神经网络的脑电高频振荡信号检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110236536A true CN110236536A (zh) | 2019-09-17 |
Family
ID=67885931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910479374.9A Pending CN110236536A (zh) | 2019-06-04 | 2019-06-04 | 一种基于卷积神经网络的脑电高频振荡信号检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110236536A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111000557A (zh) * | 2019-12-06 | 2020-04-14 | 天津大学 | 一种应用于减压颅骨术后的无创脑电信号分析系统 |
CN111012317A (zh) * | 2020-01-18 | 2020-04-17 | 四川知周光声医疗科技有限公司 | 一种光声乳腺的图像重建方法及系统 |
CN111588375A (zh) * | 2020-04-27 | 2020-08-28 | 中国地质大学(武汉) | 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法 |
CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN112022151A (zh) * | 2020-07-31 | 2020-12-04 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
CN112200038A (zh) * | 2020-09-29 | 2021-01-08 | 国网四川省电力公司经济技术研究院 | 一种基于cnn的电力系统振荡类型的快速辨识方法 |
CN112751633A (zh) * | 2020-10-26 | 2021-05-04 | 中国人民解放军63891部队 | 一种基于多尺度窗口滑动的宽带频谱检测方法 |
CN112790775A (zh) * | 2021-01-22 | 2021-05-14 | 中国地质大学(武汉) | 基于集成分类的高频振荡节律检测方法及装置 |
CN113499083A (zh) * | 2021-05-18 | 2021-10-15 | 生物岛实验室 | 一种头皮脑电高频振荡自动检测方法 |
CN113499086A (zh) * | 2021-07-14 | 2021-10-15 | 北京邮电大学 | 一种基于深度学习的hfo自动检测系统 |
CN113647962A (zh) * | 2021-08-20 | 2021-11-16 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN113960363A (zh) * | 2021-09-22 | 2022-01-21 | 国网新疆电力有限公司 | 基于多分量Morlet小波的高频振荡相量测量方法及装置 |
CN114159076A (zh) * | 2021-09-17 | 2022-03-11 | 天津大学 | 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 |
CN114532993A (zh) * | 2022-03-23 | 2022-05-27 | 电子科技大学 | 一种癫痫患者脑电高频振荡信号的自动检测方法 |
CN114532994A (zh) * | 2022-03-23 | 2022-05-27 | 电子科技大学 | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 |
CN115778330A (zh) * | 2023-02-07 | 2023-03-14 | 之江实验室 | 一种基于视频脑电的癫痫发作自动检测系统及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016025724A1 (en) * | 2014-08-15 | 2016-02-18 | The Regents Of The University Of Michigan | Automated detector and classifier of high frequency oscillations and indicator seizure onset |
WO2018005981A1 (en) * | 2016-07-01 | 2018-01-04 | Seton Healthcare Family | Prediction of preictal state and seizure onset zones based on high frequency oscillations |
CN108606781A (zh) * | 2018-05-23 | 2018-10-02 | 广东工业大学 | 一种基于脑电高频振荡节律的癫痫灶定位系统 |
CN108932476A (zh) * | 2018-05-31 | 2018-12-04 | 中国地质大学(武汉) | 基于量化误差优化高斯混合模型的高频振荡节律检测方法 |
-
2019
- 2019-06-04 CN CN201910479374.9A patent/CN110236536A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016025724A1 (en) * | 2014-08-15 | 2016-02-18 | The Regents Of The University Of Michigan | Automated detector and classifier of high frequency oscillations and indicator seizure onset |
WO2018005981A1 (en) * | 2016-07-01 | 2018-01-04 | Seton Healthcare Family | Prediction of preictal state and seizure onset zones based on high frequency oscillations |
CN108606781A (zh) * | 2018-05-23 | 2018-10-02 | 广东工业大学 | 一种基于脑电高频振荡节律的癫痫灶定位系统 |
CN108932476A (zh) * | 2018-05-31 | 2018-12-04 | 中国地质大学(武汉) | 基于量化误差优化高斯混合模型的高频振荡节律检测方法 |
Non-Patent Citations (4)
Title |
---|
PHIL KIM: "《深度学习:基于MATLAB的设计实例》", 30 April 2018, 北京航空航天大学出版社 * |
ZUO, RUI; WEI, JING; LI, XIAONAN; 等.: "Automated Detection of High-Frequency Oscillations in Epilepsy Based on a Convolutional Neural Network", 《FRONTIERS IN COMPUTATIONAL NEUROSCIENCE 》 * |
梁静坤: "《基于想象驾驶行为的脑机接口控制》", 31 December 2015, 北京:国防工业出版社 * |
陈文静 等: "基于颅内脑电高频振荡信号自动检测的癫痫灶定位", 《航天医学与医学工程》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111000557A (zh) * | 2019-12-06 | 2020-04-14 | 天津大学 | 一种应用于减压颅骨术后的无创脑电信号分析系统 |
CN111012317A (zh) * | 2020-01-18 | 2020-04-17 | 四川知周光声医疗科技有限公司 | 一种光声乳腺的图像重建方法及系统 |
CN111012317B (zh) * | 2020-01-18 | 2022-10-25 | 中川新迈科技有限公司 | 一种光声乳腺的图像重建方法及系统 |
CN111588375B (zh) * | 2020-04-27 | 2021-10-22 | 中国地质大学(武汉) | 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法 |
CN111588375A (zh) * | 2020-04-27 | 2020-08-28 | 中国地质大学(武汉) | 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法 |
CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN111657935B (zh) * | 2020-05-11 | 2021-10-01 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN112022151A (zh) * | 2020-07-31 | 2020-12-04 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
CN112022151B (zh) * | 2020-07-31 | 2023-11-14 | 华南师范大学 | 一种脑电棘慢波的处理及识别方法 |
CN112200038A (zh) * | 2020-09-29 | 2021-01-08 | 国网四川省电力公司经济技术研究院 | 一种基于cnn的电力系统振荡类型的快速辨识方法 |
CN112200038B (zh) * | 2020-09-29 | 2023-12-05 | 国网四川省电力公司经济技术研究院 | 一种基于cnn的电力系统振荡类型的快速辨识方法 |
CN112751633A (zh) * | 2020-10-26 | 2021-05-04 | 中国人民解放军63891部队 | 一种基于多尺度窗口滑动的宽带频谱检测方法 |
CN112790775A (zh) * | 2021-01-22 | 2021-05-14 | 中国地质大学(武汉) | 基于集成分类的高频振荡节律检测方法及装置 |
CN113499083A (zh) * | 2021-05-18 | 2021-10-15 | 生物岛实验室 | 一种头皮脑电高频振荡自动检测方法 |
CN113499083B (zh) * | 2021-05-18 | 2023-10-20 | 生物岛实验室 | 一种头皮脑电高频振荡自动检测方法 |
CN113499086B (zh) * | 2021-07-14 | 2022-05-31 | 北京邮电大学 | 一种基于深度学习的hfo自动检测系统 |
CN113499086A (zh) * | 2021-07-14 | 2021-10-15 | 北京邮电大学 | 一种基于深度学习的hfo自动检测系统 |
CN113647962A (zh) * | 2021-08-20 | 2021-11-16 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN113647962B (zh) * | 2021-08-20 | 2023-09-22 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN114159076B (zh) * | 2021-09-17 | 2024-02-27 | 天津大学 | 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 |
CN114159076A (zh) * | 2021-09-17 | 2022-03-11 | 天津大学 | 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 |
CN113960363B (zh) * | 2021-09-22 | 2023-09-15 | 国网新疆电力有限公司 | 基于多分量Morlet小波的高频振荡相量测量方法及装置 |
CN113960363A (zh) * | 2021-09-22 | 2022-01-21 | 国网新疆电力有限公司 | 基于多分量Morlet小波的高频振荡相量测量方法及装置 |
CN114532993B (zh) * | 2022-03-23 | 2023-08-01 | 电子科技大学 | 一种癫痫患者脑电高频振荡信号的自动检测方法 |
CN114532994A (zh) * | 2022-03-23 | 2022-05-27 | 电子科技大学 | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 |
CN114532993A (zh) * | 2022-03-23 | 2022-05-27 | 电子科技大学 | 一种癫痫患者脑电高频振荡信号的自动检测方法 |
CN115778330A (zh) * | 2023-02-07 | 2023-03-14 | 之江实验室 | 一种基于视频脑电的癫痫发作自动检测系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110236536A (zh) | 一种基于卷积神经网络的脑电高频振荡信号检测系统 | |
CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
Kim et al. | Automatic spike detection based on adaptive template matching for extracellular neural recordings | |
CN103714281B (zh) | 一种基于心电信号的身份识别方法 | |
CN109645980A (zh) | 一种基于深度迁移学习的心律异常分类方法 | |
CN110432898A (zh) | 一种基于非线性动力学特征的癫痫发作脑电信号分类系统 | |
CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
CN111091074B (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
CN107822617B (zh) | 一种基于WiFi信号的心率异常检测方法 | |
CN109509552A (zh) | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 | |
CN108511055A (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN108836313A (zh) | 一种智能选取导联的动态心电图分析方法 | |
CN109255309A (zh) | 面向遥感图像目标检测的脑电与眼动融合方法及装置 | |
CN108256579A (zh) | 一种基于先验知识的多模态民族认同感量化测量方法 | |
Qian et al. | Decision-level fusion of EEG and pupil features for single-trial visual detection analysis | |
CN111783715A (zh) | 基于脉搏信号特征提取的身份识别方法 | |
CN114532993A (zh) | 一种癫痫患者脑电高频振荡信号的自动检测方法 | |
Wu et al. | HFO detection in epilepsy: a stacked denoising autoencoder and sample weight adjusting factors-based method | |
CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
CN116348042A (zh) | 用於量化注意力的方法及系統 | |
CN113317803A (zh) | 一种基于图论和机器学习的神经症特征提取方法 | |
CN114532994B (zh) | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 | |
CN103345640B (zh) | 一种面向持续想象脑电信号的分类方法 | |
CN106333681A (zh) | 基于自学习的睡眠状态监测方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |