CN110292377B - 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法 - Google Patents
基于瞬时频率和功率谱熵融合特征的脑电信号分析方法 Download PDFInfo
- Publication number
- CN110292377B CN110292377B CN201910495542.3A CN201910495542A CN110292377B CN 110292377 B CN110292377 B CN 110292377B CN 201910495542 A CN201910495542 A CN 201910495542A CN 110292377 B CN110292377 B CN 110292377B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- instantaneous frequency
- power spectrum
- spectrum entropy
- normal
- 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
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
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于瞬时频率和功率谱熵融合特征的脑电信号分析方法,包括以下步骤:(1)提取慢波睡眠期的正常脑电信号和早期帕金森病的脑电信号,分别计算其瞬时频率和功率谱熵,从而构成一个二维的时序特征;(2)将二维时序特征作为LSTM神经网络的输入并进行训练学习;(4)利用训练学习号的神经网络对待评估脑电信号进行分析。该方法效果良好,能区分帕金森病病人与正常人的脑电信号。
Description
技术领域
本发明涉及一种基于瞬时频率和功率谱熵融合特征的脑电信号分析方法,特别涉及一种基于瞬时频率和功率谱熵的特征提取与LSTM神经网络模型相结合的脑电信号分析方法。
背景技术
帕金森病(Parkinson’s Disease,PD)又名震颤麻痹,是目前老年人中第三位常见的神经性疾病,震颤、肌强直及运动减少是其主要临床特征。然而当观测到患者的各种临床特征时往往已经处于帕金森病的中晚期,为了不错过前期的最佳治疗时机,帕金森病的早期诊断就显得极其重要。近年来,研究者们除了关注帕金森病患者运动症状的改变之外,也越来越开始关注其他非运动症状,其中睡眠障碍已被认为是帕金森病的普遍症状之一,并且可以先于(帕金森病中晚期的)临床运动症状发生。有研究表明帕金森病初期患者已出现局部的脑电(electroencephalogram,EEG)活动改变,因此,针对上述现象展开研究,以期发现帕金森病初期患者在睡眠脑电方面的特征亟待进行。
由于脑电信号是一种非平稳的,非线性的复杂信号,且帕金森病患者有大脑活动减缓的特点,而瞬时频率(Instantaneous Frequency,IF)是一种用来描述非平稳脑电信号的频率随时间变化的方法,功率谱熵(Power Spectral Entropy,PSE)不仅可以体现脑电时序信号的谱结构特征,而且可以作为非线性脑电序列信号复杂性的指标。
发明内容
为了寻找睡眠期的帕金森病脑电和正常脑电的差异性的问题,本发明提供一种基于瞬时频率和功率谱熵的特征提取与LSTM神经网络模型相结合的脑电信号分析方法。该方法从脑电信号的非平稳性、非线性、时频域和复杂度等特征上,找出帕金森病脑电与正常脑电的异同性,从而区分帕金森病脑电和正常脑电,为帕金森病的早期诊断打下基础。
本发明为解决上述技术问题采用以下技术方案:
本发明提供一种基于瞬时频率和功率谱熵融合特征的脑电信号分析方法,包括以下步骤:
(1)获取若干组慢波睡眠期的正常脑电信号,并分别提取其瞬时频率和功率谱熵作为正常脑电信号的二维时序特征;
(2)获取若干组早期帕金森病人的慢波睡眠期的脑电信号,并分别提取其瞬时频率和功率谱熵作为病期脑电信号的二维时序特征;
(3)以(1)和(2)中正常脑电信号的二维时序特征和病期脑电信号的二维时序特征作为训练样本,对LSTM神经网络进行训练学习;
(4)提取待分析脑电信号的瞬时频率和功率谱熵作为其二维时序特征,输入(3)中训练完成的LSTM神经网络,完成该脑电信号的分析。
作为本发明的进一步技术方案,(1)和(2)中的脑电信号时间长度为50s,滑动窗窗口长度为1s。
作为本发明的进一步技术方案,(1)和(2)中提取的瞬时频率和功率谱熵还分别进行z-score归一化处理。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:本发明提取脑电信号的瞬时频率和功率谱熵作为二维时序特征,并送入LSTM神经网络进行学习,能够找出早期帕金森病脑电信号与正常脑电信号上的差异性并取得很好的区分度,从而为帕金森病患者的早期诊断提供了新思路。
附图说明
图1为本发明公开的方法流程图;
图2为隐层节点数为50时,PD脑电与正常脑电分类的网络训练过程,其中(a)是准确率的变化,(b)是Loss曲线的变化;
图3为隐层节点数为50时,正常脑电之间分类的网络训练过程,其中(a)是准确率的变化,(b)是Loss曲线的变化。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所示,为本发明公开的基于瞬时频率和功率谱熵融合特征的脑电信号分析方法的流程图,具体包括以下步骤:
(1)提取若干组慢波睡眠期的正常脑电信号和早期帕金森病人的脑电信号,计算其瞬时频率和功率谱熵。
(1-1)以慢波睡眠期(SWS)的脑电EEG信号做样本,每个样本的时间长度为50s,滑动窗窗口长度为1s。
(1-2)每个样本的瞬时频率的定义方法如下:
时频分布的一个性质就是信号的能量沿瞬时频率集中,由于逗留相位原理,该积分会在某一频率(fs)取得最大值,则:
即:
fs(t)即为瞬时频率,是时间t的函数,它体现了随时间变化的信号能量值在不同频率的集中情况。
(1-3)功率谱熵的定义方法如下:
(2)将样本的二维时序特征输入LSTM神经网络进行学习,具体步骤为:
(2-1)将(1-2)和(1-3)提取到的脑电信号的瞬时频率和功率谱熵进行z-score归一化处理,z-score的归一化公式为:
其中,σ为数据的标准差,μ为样本的平均值,则归一化之后各维度的数据均值为0,方差为1。
(2-2)将(2-1)经归一化处理后的早期帕金森病脑电信号与正常脑电的瞬时频率和功率谱熵的二维时序特征作为LSTM神经网络的输入,送入网络进行学习。
(3)提取待分析脑电信号的瞬时频率和功率谱熵作为其二维时序特征,输入(3)中训练完成的LSTM神经网络,输出该脑电信号的分析结果。
(4)利用F1值和分类准确率对网络学习结果进行评估,包括如下步骤:
(4-1)本发明是一个二分类模型,采用F1值和准确率作为评估指标;
(4-2)分析对比不同参数条件下的F1值和准确率的效果。
实施例
步骤(1):对正常脑电信号和早期帕金森病人的脑电信号进行睡眠分期。
在本实施例中,对睡眠期的脑电信号做短时傅立叶变换,脑电长度为Nx,采样频率f取1000Hz,选取window长度为256的Hamming窗对每一段进行加窗,相邻窗之间重叠点数overlap取窗长的50%,移动步长step为窗长的一半,计算离散傅立叶变换的点数nfft取256,则经过短时傅立叶变换后的时间维长度为(Nx-overlap)/(window-overlap),频率维大小为nfft/2+1。经过睡眠分期后,将脑电信号分为清醒(AWAKE)期、慢波睡眠(slow wavesleep,SWS)期、快速眼动睡眠(rapid eye movements,REM)期。
步骤(2),提取慢波睡眠期的正常脑电信号和早期帕金森病人的脑电信号,分别计算其瞬时频率和功率谱熵。
步骤(3),将二维时序特征输入LSTM神经网络进行学习。
首先,将脑电信号的瞬时频率和功率谱熵进行z-score归一化处理后,构成正常脑电信号和病期脑电信号的二维时序特征。
LSTM神经网络输入层的大小参数为EEG序列的维度,此处为1,LSTM层可学习到不同步长的时间序列数据中的长期依赖关系,输出模式为last代表此网络为针对序列-标签的分类,全连接层的大小为2即为分类的种类数,通过softmax层输出各类的概率,最后的分类层输出最后的分类结果。其中,网络的隐层节点数与样本量的多少以及分类的要求都有直接关系,隐层节点数太多会延长网络的学习时间,隐层节点数过少会导致网络的容错性低,在测试样本集上的分类识别能力降低。本发明中获取到的正常脑电的样本数量(HC1vsHC2,不同时间记录的正常脑电)分别为1560个和840个,PD脑电的样本数量为4080个,随机划分总样本的80%为训练样本,剩下的20%为测试样本,根据本发明的样本量大小,设置网络的隐层单元数为1,隐层节点数从50到200,步长为50。
步骤(4),利用F1值和分类准确率对LSTM神经网络的学习结果进行评估。
本发明中,记PD为帕金森病脑电,HC(health control)为正常脑电,TP(TruePositive,真阳性)为被模型预测为正类的正类样本,TN(True Negative,真阴性)为被模型预测为负类的负类样本,FP(False Positive,假阳性)为被模型预测为正类的负类样本,FN(False Negative,假阴性)为被模型预测为负类的正类样本,则,准确率定义为所有样本正确分类的概率:
精确率可分为正类样本的精确率和负类样本的精确率,正类样本的精确率即为在预测为正类的样本中实际也为正类的占比:
负类样本的精确率为在预测为负类的样本中实际也为负类的占比:
召回率也可分为正类样本的召回率和负类样本的召回率,正类样本的召回率即为在实际为正类的样本中,被判定为正类的占比:
负类样本的召回率为在实际为负类的样本中,被判定为负类的占比:
F1值综合考虑了精确率和召回率,为精确率和召回率的调和平均数,常作为机器学习分类方法的最终评价方法,每一类的F1值越高代表分类结果越好。每个类别下的F1值表示为:
本发明中采用两种方式进行对比:正常脑电数据(HC1)与PD脑电数据作对比、不同时间记录的正常脑电数据(记为HC1与HC2)作对比。
表1中列出了在不同的隐层节点数下,总样本的分类准确率,不同类的分类精确率、召回率以及F1值如表2至表5所示。
表1不同隐层节点数下的分类准确率
隐层节点数 | PD脑电vs正常脑电(%) | HC1脑电vs HC2脑电(%) |
50 | 97.0 | 66.7 |
100 | 96.7 | 63.8 |
150 | 87.3 | 65.7 |
200 | 87.8 | 64.8 |
表2正常脑电与PD脑电分类对比实验中PD脑电样本的评估指标
隐层节点数 | Precision(%) | Recall(%) | F1值 |
50 | 98.8 | 92.6 | 0.9560 |
100 | 97.6 | 97.9 | 0.9775 |
150 | 87.8 | 95.8 | 0.9163 |
200 | 86.9 | 97.9 | 0.9207 |
表3正常脑电与PD脑电分类对比实验中正常脑电样本的评估指标
隐层节点数 | Precision(%) | Recall(%) | F1值 |
50 | 97.1 | 96.8 | 0.9695 |
100 | 94.5 | 93.6 | 0.9405 |
150 | 85.6 | 65.0 | 0.7389 |
200 | 91.8 | 61.4 | 0.7358 |
表4 HC1脑电与HC2脑电分类对比实验中HC1脑电样本的评估指标
隐层节点数 | Precision(%) | Recall(%) | F1值 |
50 | 67.8 | 93.2 | 0.7850 |
100 | 66.0 | 91.6 | 0.7672 |
150 | 66.1 | 97.1 | 0.7866 |
200 | 65.1 | 99.7 | 0.7877 |
表5 HC1脑电与HC2脑电分类对比实验中HC2脑电样本的评估指标
隐层节点数 | Precision(%) | Recall(%) | F1值 |
50 | 58.0 | 17.4 | 0.2677 |
100 | 43.5 | 12.0 | 0.1881 |
150 | 57.1 | 7.2 | 0.1279 |
200 | 50.0 | 0.6 | 0.0112 |
由表1可以看出,PD脑电与正常脑电的分类准确率在隐层节点数为50时,可达到最高的准确率97.0%(网络的训练过程如图2所示),正常脑电之间的分类准确率为66.7%(网络的训练过程如图3所示)。在不同隐层节点数下的平均分类准确率为92.2%,正常脑电之间的平均分类准确率为65.3%。
图2为隐层节点数为50时,PD脑电与正常脑电分类的网络训练过程,横坐标为迭代次数,(a)为准确率的变化,(b)为Loss曲线的变化。图3隐层节点数为50时,正常脑电之间分类的网络训练过程,横坐标为迭代次数,(a)为准确率的变化,(b)为Loss曲线的变化。由图2中(a)、(b)和图3中(a)、(b)可以看出,PD脑电与正常脑电的训练准确率逐步提升,而网络在尝试区分正常脑电之间的区别时其准确率在68%左右波动,且loss曲线波动在0.6至0.7之间,网络难以训练。因此,就分类准确率的实验结果而言,本文提出的基于瞬时频率和功率谱熵的LSTM分类方法在区分出PD脑电与正常脑电不同的同时,正常脑电之间没有区分度,符合现实预期目标。
由表2和表3的实验结果可以看出,在正常脑电与PD脑电的分类对比实验中,综合精确率和召回率,隐层节点数为50和100时,PD脑电和正常脑电的样本F1值均可达到0.94以上。从表4和表5则可以看出在正常脑电之间的区分中,HC1样本的F1值均远大于HC2样本的F1值。
从表1至表5的实验结果可以得出,隐层节点数为50和100时,PD脑电和正常脑电的分类准确率最高,PD脑电样本和正常脑电样本的F1值也最高,同时,同为正常脑电的样本区分度较低且F1值远小于不同类脑电的F1值。因此,综合比较总样本的分类准确率以及每一类样本的F1值,可以看出融合瞬时频率和功率谱熵特征的LSTM分类模型在脑电分类问题上是有效的,其在PD脑电和正常脑电上可以达到很好的分类效果,并且在同为正常脑电的样本上可认为无法区分。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.基于瞬时频率和功率谱熵融合特征的脑电信号分析方法,其特征在于,包括以下步骤:
(1)获取若干组慢波睡眠期的正常脑电信号,并分别提取其瞬时频率和功率谱熵作为正常脑电信号的二维时序特征;
(2)获取若干组早期帕金森病人的慢波睡眠期的脑电信号,并分别提取其瞬时频率和功率谱熵作为病期脑电信号的二维时序特征;
(3)以(1)和(2)中正常脑电信号的二维时序特征和病期脑电信号的二维时序特征作为训练样本,对LSTM神经网络进行训练学习;
(4)提取待分析脑电信号的瞬时频率和功率谱熵作为其二维时序特征,输入(3)中训练完成的LSTM神经网络,完成该脑电信号的分析。
4.根据权利要求1所述的基于瞬时频率和功率谱熵融合特征的脑电信号分析方法,其特征在于,(1)和(2)中的脑电信号时间长度为50s,滑动窗窗口长度为1s。
5.根据权利要求1所述的基于瞬时频率和功率谱熵融合特征的脑电信号分析方法,其特征在于,(1)和(2)中提取的瞬时频率和功率谱熵还分别进行z-score归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495542.3A CN110292377B (zh) | 2019-06-10 | 2019-06-10 | 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495542.3A CN110292377B (zh) | 2019-06-10 | 2019-06-10 | 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110292377A CN110292377A (zh) | 2019-10-01 |
CN110292377B true CN110292377B (zh) | 2022-04-01 |
Family
ID=68027646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495542.3A Active CN110292377B (zh) | 2019-06-10 | 2019-06-10 | 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110292377B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955152A (zh) * | 2019-12-02 | 2020-04-03 | 杭州创匠信息科技有限公司 | 基于脑机接口的智能家居控制方法及系统 |
CN111528842B (zh) * | 2020-05-26 | 2023-01-03 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
CN112200221B (zh) * | 2020-09-22 | 2021-06-15 | 深圳市丰盛生物科技有限公司 | 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法 |
CN112183641B (zh) * | 2020-09-29 | 2022-05-13 | 国网四川省电力公司经济技术研究院 | 融合预估-校正深度学习的暂态频率稳定评估方法及系统 |
CN112674762A (zh) * | 2020-12-28 | 2021-04-20 | 江苏省省级机关医院 | 一种基于可穿戴惯性传感器的帕金森震颤评估装置 |
CN113208619A (zh) * | 2021-04-06 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg信号的帕金森疾病筛查方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101155548A (zh) * | 2005-03-04 | 2008-04-02 | 曼提斯库拉Ehf.公司 | 评估神经病症的方法和系统 |
CA2842027A1 (en) * | 2011-07-16 | 2013-01-24 | Adam J. Simon | Systems and methods for the physiological assessment of brain health and the remote quality control of eeg systems |
CN103767702A (zh) * | 2014-01-16 | 2014-05-07 | 天津大学 | 一种脑电非线性双测度特征提取与融合处理方法 |
CN104586387B (zh) * | 2015-01-19 | 2017-02-01 | 秦皇岛市惠斯安普医学系统股份有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
US20170258390A1 (en) * | 2016-02-12 | 2017-09-14 | Newton Howard | Early Detection Of Neurodegenerative Disease |
CN105559777B (zh) * | 2016-03-17 | 2018-10-12 | 北京工业大学 | 基于小波包和lstm型rnn神经网络的脑电识别方法 |
WO2018217676A1 (en) * | 2017-05-22 | 2018-11-29 | Adaptive, Intelligent And Dynamic Brain Corporation (Aidbrain) | Method, module and system for analysis of physiological signals |
JP2020537579A (ja) * | 2017-10-17 | 2020-12-24 | ラオ、サティシュ | 神経障害を識別及び監視するための機械学習ベースのシステム |
CN108717535B (zh) * | 2018-05-25 | 2021-06-01 | 山东大学 | 一种基于混合特征和长短时记忆网络的麻醉深度估计方法 |
CN108776788B (zh) * | 2018-06-05 | 2022-03-15 | 电子科技大学 | 一种基于脑电波的识别方法 |
-
2019
- 2019-06-10 CN CN201910495542.3A patent/CN110292377B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110292377A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110292377B (zh) | 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法 | |
Siuly et al. | A new framework for automatic detection of patients with mild cognitive impairment using resting-state EEG signals | |
Usman et al. | Epileptic seizures prediction using machine learning methods | |
Jana et al. | A 1D-CNN-spectrogram based approach for seizure detection from EEG signal | |
Ahammad et al. | Detection of epileptic seizure event and onset using EEG | |
Guo et al. | Epileptic seizure detection using multiwavelet transform based approximate entropy and artificial neural networks | |
Kavitha et al. | On the use of wavelet domain and machine learning for the analysis of epileptic seizure detection from EEG signals | |
CN111956221B (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
CN110897648A (zh) | 基于脑电信号与lstm神经网络模型的情绪识别分类方法 | |
Sairamya et al. | A new approach for automatic detection of focal EEG signals using wavelet packet decomposition and quad binary pattern method | |
Liu et al. | Complexity analysis of electroencephalogram dynamics in patients with Parkinson’s disease | |
Sriraam et al. | Automated epileptic seizures detection using multi-features and multilayer perceptron neural network | |
Bose et al. | Detection of epileptic seizure employing a novel set of features extracted from multifractal spectrum of electroencephalogram signals | |
Artameeyanant et al. | An EMG-based feature extraction method using a normalized weight vertical visibility algorithm for myopathy and neuropathy detection | |
Al Ghayab et al. | Epileptic EEG signal classification using optimum allocation based power spectral density estimation | |
UR et al. | Automated diagnosis of epileptic electroencephalogram using independent component analysis and discrete wavelet transform for different electroencephalogram durations | |
CN110584596B (zh) | 基于双输入卷积神经网络的睡眠阶段分类方法及应用 | |
Geng et al. | Epileptic seizure detection based on improved wavelet neural networks in long-term intracranial EEG | |
Kehri et al. | EMG signal analysis for diagnosis of muscular dystrophy using wavelet transform, SVM and ANN | |
Doulah et al. | DCT domain feature extraction scheme based on motor unit action potential of EMG signal for neuromuscular disease classification | |
Yang et al. | Hybrid machine learning scheme for classification of BECTS and TLE patients using EEG brain signals | |
Rechichi et al. | Single‐channel EEG classification of sleep stages based on REM microstructure | |
Zhou et al. | Epileptic seizure detection via logarithmic normalized functional values of singular values | |
Sharma et al. | Comparative investigation of machine learning algorithms for detection of epileptic seizures | |
Rizal et al. | Seizure Detection in Epileptic EEG Using Short-Time Fourier Transform and Support Vector Machine. |
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 |