CN110547772B - 一种基于脑信号复杂度的个体年龄预测方法 - Google Patents
一种基于脑信号复杂度的个体年龄预测方法 Download PDFInfo
- Publication number
- CN110547772B CN110547772B CN201910910698.3A CN201910910698A CN110547772B CN 110547772 B CN110547772 B CN 110547772B CN 201910910698 A CN201910910698 A CN 201910910698A CN 110547772 B CN110547772 B CN 110547772B
- Authority
- CN
- China
- Prior art keywords
- brain
- age
- scale entropy
- network
- signal complexity
- 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
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
-
- 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
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/06—Children, e.g. for attention deficit diagnosis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Psychology (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种脑信号复杂度的个体年龄预测方法,包括:通过近红外成像系统获得被试者脑组织的透射光强数据;将透射光强数据转换为脑生理信息数据,并基于脑生理信息数据计算多尺度熵;计算每个被试者脑区域各检测点对应的多尺度熵值,将测试点按照各脑功能网络进行分类,再将表征同一脑功能网络中所有测试点的多尺度熵值取平均值,得到基于脑功能网络的多尺度熵指数;将每个脑功能网络的多尺度熵指数作为支持向量回归法的输入特征,使用线性核函数得到脑信号复杂度与年龄的相关性方程。上述方法能够通过静息态脑信号复杂度准确预定被试者年龄,测试过程简单,操作方便。
Description
技术领域
本发明是关于一种基于脑信号复杂度的个体年龄预测方法,属于脑功能测试领域。
背景技术
人脑信息处理能力的快慢主要与脑功能网络状态密切相关。而脑功能网络状态主要通过脑信号复杂度表征。脑信号复杂度是作用于时间序列的一种指标,一段时间序列通过一个特定的复杂度算法处理,可以得到一个复杂度值,该值表现序列的非规则程度,一般地,不规则变化序列的复杂度较高,像常序列、周期序列这些模式比较简单的序列复杂度值较低。脑信号复杂度通常用标准差和多尺度熵(MSE)的方法来计算。其中,标准差反映的是整体时间序列的变化情况,且用于时间采样频率较低的成像方法;多尺度熵能评估不同时刻下脑信号的变化情况,由于其值是基于多种时间尺度计算得到的,因而多尺度熵应用于时间采样频率较高的成像方法,可以更好地描述脑信号复杂度。
虽然,不同年龄段人群在运动技能、身体协调性以及认知能力等方面存在很大差异。但脑网络状况影响因素众多,并不能直接地将脑网络状况与年龄进行对应。如果可以清楚确定脑网络状况与年龄的相互关系,则不但能进一步解释人脑发育过程,也能为研究发育障碍及儿科首发精神疾病提供理论支持。
发明内容
针对上述问题,本发明的目的是提供一种基于脑信号复杂度的的个体年龄预测方法,通过该方法建立了脑信号复杂度与个体年龄之间的明确关系,使通过脑信号复杂度预测个体年龄成为可能。
为实现上述目的,本发明采取以下技术方案:
本发明提供了一种基于脑信号复杂度的个体年龄预测方法,包括以下步骤:1)通过近红外成像系统获得被试者脑组织的透射光强数据;2)将所述透射光强数据转换为脑生理信息数据,并基于所述脑生理信息数据计算多尺度熵;3)计算每个被试者脑区域各检测点对应的多尺度熵值,将测试点按照各脑功能网络进行分类,再将表征同一所述脑功能网络中所有测试点的所述多尺度熵值取平均值,得到基于所述脑功能网络的多尺度熵指数;4)采用支持向量回归法进行年龄的预测:将每个所述脑功能网络的所述多尺度熵指数作为支持向量回归法的输入特征,使用线性核函数得到所述脑信号复杂度与年龄的相关性方程。
进一步,将被试者按照年龄段分为若干组,计算每组被试者的对应各脑功能网络的所述多尺度熵指数,并对其时间序列进行置换检验,以确认不同组之间被试者的所述多尺度熵指数存在明显差异。
进一步,所述脑生理信息数据包括氧合血红蛋白浓度和脱氧血红蛋白浓度。
进一步,对所述氧合血红蛋白浓度和脱氧血红蛋白浓度去除运动伪迹和生理噪声并进行带通滤波处理,采用所述氧合血红蛋白和脱氧血红蛋白浓度二者中量级大的一者计算多尺度熵。
进一步,所述脑功能网络包括:脑默认网络、额顶控制网络、腹侧注意网络、运动网络、背部注意网络和视觉网络。
进一步,步骤4)中通过留一法交叉验证评估支持向量回归法模型的正确性。
进一步,步骤4)中通过计算实际年龄与预测年龄的皮尔森相关系数评估所述脑信号复杂度与年龄的相关性方程的准确性。
进一步,所述近红外成像系统覆盖被试者脑的额叶、颞叶、顶叶和枕叶区域。
本发明由于采取以上技术方案,其具有以下优点:1、采用静息态脑信号复杂度测试,被试者无须进行知觉和行为的训练就能获取其脑功能数据,测试过程简单,操作方便,不会被试者身体造成伤害,尤其适用于低龄被试者,可用于儿童或青少年的脑信号复杂度检测;2、通过支持向量回归法建立了静息态脑信号复杂度与个体年龄的关系,使通过静息态脑信号复杂度预测个体年龄成为可能;3、通过置换检验、留一法交叉验证实际年龄与预测年龄的皮尔森相关系数,对每组被试者多尺度熵指数的差异和所述脑信号复杂度与年龄的相关性方程的可靠性进行了检验,保证了实验结果的可靠性。
附图说明
图1是本发明一实施例中各脑功能网络不同年龄组的多尺度熵时间序列;
图2是本发明一实施例中由支持向量回归法得出的多尺度熵指数与年龄的相关性方程。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
实施例一
本发明的一个实施例提供了一种基于脑信号复杂度的个体年龄预测方法,包括:
1)通过近红外成像系统获得被试者脑组织的透射光强数据;
2)将透射光强数据转换为脑生理信息数据,并基于脑生理信息数据计算多尺度熵;
3)计算每个被试者脑区域各检测点对应的多尺度熵值,然后根据各检测点的位置计算出对应的各脑功能网络的多尺度熵值,再将表征同一脑功能网络中所有测试点的多尺度熵值取平均值,得到基于脑功能网络的多尺度熵指数;
4)采用支持向量回归法进行年龄的预测:将每个脑功能网络的多尺度熵指数作为支持向量回归法的输入特征,使用线性核函数得到脑信号复杂度与年龄的相关性方程。本实施例通过支持向量回归法建立了静息态脑信号复杂度与个体年龄的关系,使通过静息态脑信号复杂度预测个体年龄成为可能。
其中,步骤1)中获得被试者脑组织的透射光强数据的具体方式如下:首先,使用结构性核磁共振成像(MRI)对被试者的脑进行定位,然后根据定位的结果,在对应位置放置近红外成像系统的发射器和接收器。这里所说的对应位置与测试点对应。近红外成像系统至少应覆盖被试者脑的额叶、颞叶、顶叶和枕叶区域,采样频率设置为50Hz,采样时间约为11分钟。在采样过程中,被试需要闭上双眼,但不能睡着。需说明的是,采样频率和采样时间可以由本领域技术人员根据实际需要确定,本实施例只是给出一个优选值。
将近红外成像系统采集到的投射光强数据根据修正的Beer-Lambert定律转换为氧合血红蛋白(HbO)和脱氧血红蛋白(HbR)浓度,然后去除运动伪迹和生理噪声并进行带通滤波处理,由于HbO浓度信号在近红外成像设备中量级比HbR的浓度信号大,故选取HbO浓度信号用于后续静息态脑信号复杂度分析。
计算基于多尺度熵的脑信号复杂度方法包括如下步骤:
首先,将浓度信号的时间序列{x1,…,xi,…,xN}进行“粗粒化”操作从而得到降采样的时间序列,粗粒化的时间序列y(t)的计算公式为:
N为评估长度,j为粗粒化时间序列的每一个值对应的下标,t为时间尺度大小;本实施例中取t为1-25之间的整数(包括1和25),t取1时指采用原始时间序列,t取25时指每个窗长中包括25个数据点。
然后,对每个粗粒化的时间序列y(t)通过切比雪夫距离计算其对应的样本熵,样本熵的计算公式为:
m为模式长度,设m=2,表示使用两连续的数据点进行模式匹配,相似准则r设为0.5,表明到数据点之间的绝对振幅小于时间序列标准的50%时,数据点被认为具有不可区分的振幅。Cm(r)表示满足时间点对i,j占所有时间点对的概率。样本熵通过评估长度为N的时间序列上振幅模型的可预见性来量化信号变化情况。多尺度熵值高表示脑信号复杂度高,多尺度熵值低表示脑信号复杂度低。
根据计算基于多尺度熵的脑信号复杂度方法计算每个被试者脑区域各测试点对应的多尺度熵值,然后根据各测试点位置确定其对应的脑功能网络,此处的脑功能网络包括:脑默认网络、额顶控制网络、腹侧注意网络、运动网络、背部注意网络及视觉网络。这一步就是将测试点按照脑功能网络进行分类,确定每个脑功能网络对应的测试点。再将所有与某一脑功能网络对应的测试点的多尺度熵值取平均得到基于该脑功能网络的多尺度熵指数,以用于后续多尺度熵指数和年龄的相关性的研究。
采用支持向量回归法(SVR)进行年龄的预测,该方法包括将每个脑功能网络的多尺度熵指数作为支持向量回归法的输入特征,假定在线性可分训练集中,存在一个超平面f(xi)=(w·x)+b实现拟合,那么训练样本可分为两类,即yi-(w·x)+b<0的训练样本和yi-(w·x)+b>0的训练样本,在回归问题中,理想状态yi-f(xi)=0事实上几乎不可能存在,通常,允许在一个小的正数ε,使|yi-f(xi)|≤ε,则认为回归是无损的。选择合适精度的ε,求解对偶化最优问题,计算w,选择拉格朗日乘子ai>0时,计算b,从而构造线性SVR超平面,该SVR超平面对应的方程即为多尺度熵值与年龄的对应关系方程。在本实施例中ε设为0.001。然后通过留一法交叉验证评估支持向量回归法模型的表现,通过计算实际年龄与预测年龄的皮尔森相关系数评估多尺度熵值与年龄的对应关系的方程的准确性。
为了确定不同的年龄组的脑功能网络即多尺度熵指数是否存在差别,被实施例还包括如下验证步骤:将被试者按照年龄段分为若干组,计算每组被试者的对应各脑功能网络的多尺度熵指数,并对其时间序列进行置换检验,以确认不同组之间被试者的多尺度熵指数存在明显差异。
置换检验过程如下:为了验证不同年龄段的多尺度熵值存在显著差异,设定A组为一个年龄段的多尺度熵值,B组为另一个年龄段的多尺度熵值;零假设为不同的年龄段多尺度熵值不存在差别,在这个检验中,若零假设成立,那么A组和B组的数据分布应该是一样的,即A组和B组服从同一分布。接下来构建检验统计量——A组多尺度熵值的均值与B组多尺度熵值的均值之差。将A组和B组合并到一个集合,随机选择一半的数据作为A组,另一半的数据作为B组。计算并记录第一步中A组和B组的多尺度熵值均值之差;重复随机选择A、B组数据,并求各组均值的步骤999次,重复的次数越多,得到的背景分布越稳定。计算原始A组多尺度熵值的均值与B组多尺度熵值的均值的差值,并求出重复的999次中出现该差值的次数,假设该差值的出现次数为a,显著性值P=a/999,当显著性值P小于显著性阈值时,零假设不成立,即不同的年龄段多尺度熵值存在差别。通常的显著性阈值选为0.05,但技术人员也可以根据具体试验要求的精确性确定显著性阈值。
实施例二
本实施例通过列举具体实验数据对本发明中技术方案做进一步说明。具体步骤如下:
使用波长为670nm,830nm的近红外成像设备采集107个健康被试者静息态近红外成像光强数据,根据年龄将被试者分为以下三组:6-7岁,8-10岁和11-13岁,然后将红外成像光强数据转换得到HbO浓度数据,然后去除运动伪迹和生理噪声并进行带通滤波处理,使用处理后的HbO浓度数据计算出每个测试点对应的多尺度熵值。
每组被试的样本熵值的时间序列如图1所示,每一组样本熵值均随时间的增加而增加;对于每个时间尺度,年龄大的群组均比年龄小的群组的多尺度熵值大并且不同年龄群组之间没有相互交叠、相互影响的情况。
计算各脑功能网络的多尺度熵指数,然后采用置换检验计算多尺度熵指数与年龄的相关性,得出六个脑功能网络中,除了视觉网络外,其他脑功能网络都呈现年龄与多尺度熵的显著相关。
利用SVR分析方法根据脑功能网络的多尺度熵向量预测被试的年龄并使用留一交叉验证方法进行验证,如图2所示,根据上述多尺度熵值计算实际年龄与预测年龄之间关系得出脑网络相关系数r=0.56,置换检验p=0.0000;额顶控制网络相关系数r=0.41,置换检验显著性值p=0.0000;腹侧注意网络相关系数r=0.28,置换检验显著性值p=0.0014;运动网络相关系数r=0.32,置换检验显著性值p=0.0005,以上数据说明脑信号复杂度能较好地预测年龄。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (8)
1.一种基于脑信号复杂度的个体年龄预测方法,其特征在于,包括以下步骤:
1)通过近红外成像系统获得被试者脑组织的透射光强数据;
2)将所述透射光强数据转换为脑生理信息数据,并基于所述脑生理信息数据计算多尺度熵;
3)计算每个被试者脑区域各检测点对应的多尺度熵值,将测试点按照各脑功能网络进行分类,再将表征同一所述脑功能网络中所有测试点的所述多尺度熵值取平均值,得到基于所述脑功能网络的多尺度熵指数;
4)采用支持向量回归法进行年龄的预测:将每个所述脑功能网络的所述多尺度熵指数作为支持向量回归法的输入特征,使用线性核函数得到所述脑信号复杂度与年龄的相关性方程。
2.如权利要求1所述的基于脑信号复杂度的个体年龄预测方法,其特征在于,将被试者按照年龄段分为若干组,计算每组被试者的对应各脑功能网络的所述多尺度熵指数,并对其时间序列进行置换检验,以确认不同组之间被试者的所述多尺度熵指数存在明显差异。
3.如权利要求1或2所述的基于脑信号复杂度的个体年龄预测方法,其特征在于,所述脑生理信息数据包括氧合血红蛋白浓度和脱氧血红蛋白浓度。
4.如权利要求3所述的基于脑信号复杂度的个体年龄预测方法,其特征在于,对所述氧合血红蛋白浓度和脱氧血红蛋白浓度数据去除运动伪迹和生理噪声并进行带通滤波处理,采用所述氧合血红蛋白和脱氧血红蛋白浓度二者中量级大的一者计算多尺度熵。
5.如权利要求1或2所述的基于脑信号复杂度的个体年龄预测方法,其特征在于,所述脑功能网络包括:脑默认网络、额顶控制网络、腹侧注意网络、运动网络、背部注意网络和视觉网络。
6.如权利要求1或2所述的基于脑信号复杂度的个体年龄预测方法,其特征在于,步骤4)中通过留一法交叉验证评估支持向量回归法模型的正确性。
7.如权利要求1或2所述的基于脑信号复杂度的个体年龄预测方法,其特征在于,步骤4)中通过计算实际年龄与预测年龄的皮尔森相关系数评估所述脑信号复杂度与年龄的相关性方程的准确性。
8.如权利要求1或2所述的基于脑信号复杂度的个体年龄预测方法,其特征在于,所述近红外成像系统覆盖被试者脑的额叶、颞叶、顶叶、枕叶区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910910698.3A CN110547772B (zh) | 2019-09-25 | 2019-09-25 | 一种基于脑信号复杂度的个体年龄预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910910698.3A CN110547772B (zh) | 2019-09-25 | 2019-09-25 | 一种基于脑信号复杂度的个体年龄预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110547772A CN110547772A (zh) | 2019-12-10 |
CN110547772B true CN110547772B (zh) | 2020-09-15 |
Family
ID=68741508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910910698.3A Active CN110547772B (zh) | 2019-09-25 | 2019-09-25 | 一种基于脑信号复杂度的个体年龄预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110547772B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693915B (zh) * | 2020-06-06 | 2022-11-25 | 太原理工大学 | 基于多尺度排列模糊熵的功能磁共振复杂度测度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009100423A1 (en) * | 2008-02-08 | 2009-08-13 | Cas Medical Systems, Inc. | Improved method for spectrophotometric blood oxygenation monitoring |
KR20170050150A (ko) * | 2015-10-29 | 2017-05-11 | 서울대학교산학협력단 | 소아 청소년의 뇌 건강 상태 진단 방법 및 이를 수행하기 위한 장치 |
CN108236464A (zh) * | 2017-12-29 | 2018-07-03 | 重庆邮电大学 | 基于脑电信号的特征提取方法及其检测提取系统 |
CN109993210A (zh) * | 2019-03-05 | 2019-07-09 | 北京工业大学 | 一种基于神经影像的大脑年龄估计方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3958798B2 (ja) * | 1997-02-07 | 2007-08-15 | ザ・テキサス・エイ・アンド・エム・ユニバーシティ・システム | 蛍光造影剤を用いた光散乱組織の撮像 |
CN105919562A (zh) * | 2003-02-26 | 2016-09-07 | 马尔西奥·马克·奥雷利奥·马丁斯·阿布雷乌 | 测量生物学参数的仪器和方法 |
US8649848B2 (en) * | 2006-03-28 | 2014-02-11 | The United States Of America, As Represented By The Secretary Of The Air Force | Synchronization of illumination source and sensor for improved visualization of subcutaneous structures |
US8512260B2 (en) * | 2008-10-29 | 2013-08-20 | The Regents Of The University Of Colorado, A Body Corporate | Statistical, noninvasive measurement of intracranial pressure |
CN105046709B (zh) * | 2015-07-14 | 2018-06-29 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
US20190159675A1 (en) * | 2016-04-13 | 2019-05-30 | Rajib Sengupta | Point-of-care tele monitoring device for neurological disorders and neurovascular diseases and system and method thereof |
CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
WO2018005820A1 (en) * | 2016-06-29 | 2018-01-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utlizing brain structural characteristics for predicting a diagnosis of a neurobehavioral disorder |
CN106137135A (zh) * | 2016-08-10 | 2016-11-23 | 中国医学科学院生物医学工程研究所 | 应用于经颅磁刺激的光电联合采集脑信号的头套 |
-
2019
- 2019-09-25 CN CN201910910698.3A patent/CN110547772B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009100423A1 (en) * | 2008-02-08 | 2009-08-13 | Cas Medical Systems, Inc. | Improved method for spectrophotometric blood oxygenation monitoring |
KR20170050150A (ko) * | 2015-10-29 | 2017-05-11 | 서울대학교산학협력단 | 소아 청소년의 뇌 건강 상태 진단 방법 및 이를 수행하기 위한 장치 |
CN108236464A (zh) * | 2017-12-29 | 2018-07-03 | 重庆邮电大学 | 基于脑电信号的特征提取方法及其检测提取系统 |
CN109993210A (zh) * | 2019-03-05 | 2019-07-09 | 北京工业大学 | 一种基于神经影像的大脑年龄估计方法 |
Non-Patent Citations (5)
Title |
---|
Clinical Brain Monitoring with Time Domain NIRS:;Frédéric Lange,Ilias Tachtsidis;《applied sciences》;20190418;全文 * |
Effects of Aging on Cerebral Oxygenation during;Anouk Vermeij,等;《Plos One》;20120930;第7卷(第9期);全文 * |
Morphological Brain Age Prediction;Joshua Corps,Islem Rekik;《SCIENTIFIC REPORTS》;20190704;全文 * |
The Increase of the Functional Entropy of;Y.Yao,等;《SCIENTIFIC REPORTS》;20131009;全文 * |
阿尔茨海默病患者脑血氧信号复杂度的多尺度熵分析;于海阔,等;《医学研究生学报》;20161231;第29卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110547772A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aydin et al. | Classification of obsessive compulsive disorder by EEG complexity and hemispheric dependency measurements | |
CN111466876B (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 | |
ES2960027T3 (es) | Detección de anomalías en las señales de ECG | |
CN109646022B (zh) | 儿童注意力评估系统及其方法 | |
CN105147274A (zh) | 一种从可见光谱段人脸视频信号中提取心率的方法 | |
CN117598700B (zh) | 智能化血氧饱和度检测系统及方法 | |
CN104173046A (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
CN112190261A (zh) | 一种基于静息态脑网络的孤独症脑电信号的分类装置 | |
CN115363531A (zh) | 基于双模态脑电信号信息瓶颈的癫痫检测系统 | |
CN110547772B (zh) | 一种基于脑信号复杂度的个体年龄预测方法 | |
Rundo et al. | Real-Time Deep Neuro-Vision Embedded Processing System for Saliency-based Car Driving Safety Monitoring | |
Rundo et al. | Innovative saliency based deep driving scene understanding system for automatic safety assessment in next-generation cars | |
CN112120711B (zh) | 一种基于光电容积脉搏波的无创糖尿病预测系统及方法 | |
CN113080966A (zh) | 一种基于睡眠分期的抑郁症自动检测方法 | |
CN111096730B (zh) | 基于自发动力学活动的波动熵的自闭症分类方法 | |
CN117136027A (zh) | 从rgb图像提取心率的方法和系统 | |
CN110801228B (zh) | 一种基于神经网络预测的脑效应连接度量方法 | |
CN113558640A (zh) | 基于脑电特征的最小意识状态程度的评估方法 | |
Mohi-ud-Din et al. | Detection of Autism Spectrum Disorder from EEG signals using pre-trained deep convolution neural networks | |
CN117171658A (zh) | 一种基于脑智能技术的认知负荷评判方法 | |
CN116211251A (zh) | 基于消费级设备心率数据检测睡眠呼吸暂停的系统及设备 | |
KR20200142441A (ko) | 피질 기능 뇌 네트워크를 이용한 뇌기능 이상부위 측정장치 및 그 방법 | |
Patel et al. | Performance analysis of convolutional neural network based EEG epileptic seizure classification in presence of ocular artifacts | |
Mohi ud Din et al. | Automated classification of autism spectrum disorder using EEG signals and convolutional neural networks | |
Mengarelli et al. | Recurrence quantification analysis of gait rhythm in patients affected by Parkinson’s Disease |
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 |