CN110569923A - 一种基于样本熵的晕动症量化方法、装置和存储介质 - Google Patents
一种基于样本熵的晕动症量化方法、装置和存储介质 Download PDFInfo
- Publication number
- CN110569923A CN110569923A CN201910878781.7A CN201910878781A CN110569923A CN 110569923 A CN110569923 A CN 110569923A CN 201910878781 A CN201910878781 A CN 201910878781A CN 110569923 A CN110569923 A CN 110569923A
- Authority
- CN
- China
- Prior art keywords
- sample
- distance
- motion sickness
- entropy
- client
- 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
- 201000003152 motion sickness Diseases 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011002 quantification Methods 0.000 title claims abstract description 20
- 238000013139 quantization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (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样本熵的晕动症量化方法、装置和存储介质，在获取到脑电信号后，对脑电信号进行预处理得出脑电数据样本集，再对所述脑电数据样本集进行样本熵的计算，由于样本熵的值越大，则表示信号越复杂，即能够表示晕动症的程度越深；本发明实施例还在服务器中预先设定好样本熵的数值所对应的晕动症值，通过数值的匹配获取晕动症值作为量化结果，能够更加准确地对晕动症进行量化，得出参考价值高的量化结果。
Description
技术领域
本发明涉及生物信号处理领域，特别是一种基于样本熵的晕动症量化方法、装置和存储介质。
背景技术
目前，汽车是日常出行的重要交通工具，在乘坐汽车的过程中，有部分乘客会出现晕动症，即晕车现象，对于汽车开发商来说，针对产生晕动症的因素对汽车进行改进是提高舒适性的重要手段，因此需要对晕动症进行量化。现有技术大多通过试驾员驾驶时口述评分进行晕动症的量化，但是试驾员在受到晕动症干扰时未必能给出客观的评价，采集的数据可能存在误差。随着脑电信号采集设备的发展，采集试驾员驾驶过程中的脑电信号已经能够实现，因此需要一种方法能够根据脑电信号对晕动症进行量化。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种基于样本熵的晕动症量化方法、装置和存储介质，能够基于脑电信号的样本熵的计算，得出晕动症的量化结果。
本发明解决其问题所采用的技术方案是：第一方面，本发明提供了一种基于样本熵的晕动症量化方法，包括以下步骤：
客户端获取脑电信号，并对所述脑电信号进行预处理，得出脑电数据样本集；
所述客户端根据所述脑电数据样本集计算出样本熵；
所述客户端从服务器读取预先设定的样本熵的数值所对应的晕动症值，将所述晕动症值设置为量化结果。
进一步，所述脑电信号包括theta波信号和beta波信号。
进一步，所述客户端根据所述脑电数据样本集计算出样本熵之前还包括：
所述客户端获取所述脑电数据样本集的样本长度；
所述客户端从所述脑电数据样本集中获取第一样本和第二样本，并计算出第一距离，所述第一距离为第一样本和第二样本所对应的元素差值绝对值的最大值；
所述客户端计算出第一样本距离集，所述第一样本距离集为所述第一样本与所述样本集内其余样本的距离；
所述客户端获取预先设定的相似容限，计算出距离数量比，所述距离数量比为所述第一样本距离集中数值小于所述相似容限的数量与所述第一样本距离集中的距离总数之比。
进一步，所述样本熵的计算公式为：
SampEn(m,r,N)＝lnBm(r)-lnBm+1(r)；
其中，SampEn(m,r,N)为样本熵，m为样本集的嵌入维数，r为样本集的相似容限，N为样本长度，B(r)为距离数比。
进一步，所述样本集的嵌入维数为2，所述相似容限为0.5。
第二方面，本发明提供了一种用于执行基于样本熵的晕动症量化方法的装置，包括CPU单元，所述CPU单元用于执行以下步骤：
客户端获取脑电信号，并对所述脑电信号进行预处理，得出脑电数据样本集；
所述客户端根据所述脑电数据样本集计算出样本熵；
所述客户端从服务器读取预先设定的样本熵的数值所对应的晕动症值，将所述晕动症值设置为量化结果。
进一步，所述CPU单元还用于执行以下步骤：
所述客户端获取所述脑电数据样本集的样本长度；
所述客户端从所述脑电数据样本集中获取第一样本和第二样本，并计算出第一距离，所述第一距离为第一样本和第二样本所对应的元素差值绝对值的最大值；
所述客户端计算出第一样本距离集，所述第一样本距离集为所述第一样本与所述样本集内其余样本的距离；
所述客户端获取预先设定的相似容限，计算出距离数量比，所述距离数量比为所述第一样本距离集中数值小于所述相似容限的数量与所述第一样本距离集中的距离总数之比。
第三方面，本发明提供了一种用于执行基于样本熵的晕动症量化方法的设备，包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器；存储器存储有可被至少一个控制处理器执行的指令，指令被至少一个控制处理器执行，以使至少一个控制处理器能够执行如上所述的基于样本熵的晕动症量化方法。
第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上所述的基于样本熵的晕动症量化方法。
第五方面，本发明还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上所述的基于样本熵的晕动症量化方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明实施例在获取到脑电信号后，对脑电信号进行预处理得出脑电数据样本集，再对所述脑电数据样本集进行样本熵的计算，由于样本熵的值越大，则表示信号越复杂，即能够表示晕动症的程度越深；本发明实施例还在服务器中预先设定好样本熵的数值所对应的晕动症值，通过数值的匹配获取晕动症值作为量化结果，能够更加准确地对晕动症进行量化，得出参考价值高的量化结果。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明第一实施例提供的一种基于样本熵的晕动症量化方法的流程图；
图2是本发明第一实施例提供的一种基于样本熵的晕动症量化方法中客户端根据脑电数据样本集计算出样本熵之前所执行的步骤流程图；
图3是本发明第二实施例提供的一种用于执行基于样本熵的晕动症量化方法的装置示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
参考图1，本发明的第一实施例提供了一种基于样本熵的晕动症量化方法，包括以下步骤：
步骤S100，客户端获取脑电信号，并对脑电信号进行预处理，得出脑电数据样本集；
步骤S200，客户端根据脑电数据样本集计算出样本熵；
步骤S300，客户端从服务器读取预先设定的样本熵的数值所对应的晕动症值，将晕动症值设置为量化结果。
其中，需要说明的是，脑电信号可以通过现有技术中的任意设备获取，能够实现特定频带的脑电信息获取即可，在此不再赘述。需要说明的是，对脑电信号的预处理包括对脑电信号进行高通滤波和低通滤波，截止频率分别为40Hz和1Hz，能够去除基本的杂讯，再对滤波后的信号进行去基线处理后将采样频率将至250Hz，有利于去除大部分的噪音，得出初步的脑电数据，由于此时的脑电数据还包括眼电和肌电等杂讯，可以通过独立成分分析等现有方法进行去除杂讯，得出最终的脑电数据样本集。
进一步，在本发明的另一个实施例中，脑电信号包括theta波信号和beta波信号。
其中，需要说明的是，由于theta波和beta波为载体波，通过同步震荡在大脑各区域进行信息传递，即具有整合多模态体感信息的功能，因此本实施例优选theta波信号和beta波信号作为脑电信号，有效提高数据的准确性。
参考图2，进一步，在本发明的另一个实施例中，客户端根据脑电数据样本集计算出样本熵之前还包括：
步骤S210，客户端获取脑电数据样本集的样本长度；
步骤S220，客户端从脑电数据样本集中获取第一样本和第二样本，并计算出第一距离，第一距离为第一样本和第二样本所对应的元素差值绝对值的最大值；
步骤S230，客户端计算出第一样本距离集，第一样本距离集为第一样本与样本集内其余样本的距离；
步骤S240，客户端获取预先设定的相似容限，计算出距离数量比，距离数量比为第一样本距离集中数值小于相似容限的数量与第一样本距离集中的距离总数之比。
其中，需要说明的是，在本实施例中，为了能够便于计算样本熵，优选先从脑电数据样本集中获取距离数量比，具体获取步骤如下：所获取的脑电数据样本集为{Xi}＝{X1，X2，…，Xn}，总长度记为N。设相似容限r和嵌入维数m，依原始信号重构向量:Xi＝[Xi，Xi+1，…，Xi+m-1]，定义第一样本xi与第二样本Xj间的距离dij为两者对应元素差值绝对值的最大值，即第一距离，其中dij＝d[xi，xj]＝max|xi+k－xj+k|，计算Xi与其余向量的第一样本距离集dii，获取dij＜r的数目及此数目与距离总数N－m－1的比值，记作
进一步，在本发明的另一个实施例中，样本熵的计算公式为：
SampEn(m,r,N)＝lnBm(r)-lnBm+1(r)；
其中，SampEn(m,r,N)为样本熵，m为样本集的嵌入维数，r为样本集的相似容限，N为样本长度，B(r)为距离数比。
其中，需要说明的是，样本熵的计算公式可以是任意，SampEn(m,r,N)＝lnBm(r)-lnBm+1(r)仅为本实施例的优选，也可以采用其他能够计算出样本熵的公式，在此不再赘述。
进一步，在本发明的另一个实施例中，样本集的嵌入维数为2，相似容限为0.5。
其中，在本实施例中，嵌入维数为2和相似容限为0.5仅为本实施例的优选,也可以根据具体测试需求调整，在此不再赘述。
参照图3，本发明的第二实施例还提供了一种用于执行基于样本熵的晕动症量化方法的装置，该装置为智能设备，例如智能手机、计算机和平板电脑等，能够具备处理器并实现对应功能即可，本实施例以计算机为例加以说明。
在该用于执行基于样本熵的晕动症量化方法的计算机3000中，包括CPU单元3100，CPU单元3100用于执行以下步骤：
客户端获取脑电信号，并对脑电信号进行预处理，得出脑电数据样本集；
客户端根据脑电数据样本集计算出样本熵；
客户端从服务器读取预先设定的样本熵的数值所对应的晕动症值，将晕动症值设置为量化结果。
进一步，在本发明的另一个实施例中，CPU单元3100还用于执行以下步骤：
客户端获取脑电数据样本集的样本长度；
客户端从脑电数据样本集中获取第一样本和第二样本，并计算出第一距离，第一距离为第一样本和第二样本所对应的元素差值绝对值的最大值；
客户端计算出第一样本距离集，第一样本距离集为第一样本与样本集内其余样本的距离；
客户端获取预先设定的相似容限，计算出距离数量比，距离数量比为第一样本距离集中数值小于相似容限的数量与第一样本距离集中的距离总数之比。
计算机3000和CPU单元3100之间可以通过总线或者其他方式连接，计算机3000中还包括存储器，所述存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的用于执行基于样本熵的晕动症量化方法的设备对应的程序指令/模块。计算机3000通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而控制CPU单元3100执行用于执行基于样本熵的晕动症量化方法的各种功能应用以及数据处理，即实现上述方法实施例的基于样本熵的晕动症量化方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据CPU单元3100的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于CPU单元3100远程设置的存储器，这些远程存储器可以通过网络连接至该计算机3000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述CPU单元3100执行时，执行上述方法实施例中的基于样本熵的晕动症量化方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被CPU单元3100执行，实现上述所述的基于样本熵的晕动症量化方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的装置可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络装置上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
需要说明的是，由于本实施例中的用于执行基于样本熵的晕动症量化方法的装置与上述的基于样本熵的晕动症量化方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。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流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种基于样本熵的晕动症量化方法，其特征在于，包括以下步骤：客户端获取脑电信号，并对所述脑电信号进行预处理，得出脑电数据样本集；
所述客户端根据所述脑电数据样本集计算出样本熵；
所述客户端从服务器读取预先设定的样本熵的数值所对应的晕动症值，将所述晕动症值设置为量化结果。
2.根据权利要求1所述的一种基于样本熵的晕动症量化方法，其特征在于：所述脑电信号包括theta波信号和beta波信号。
3.根据权利要求1所述的一种基于样本熵的晕动症量化方法，其特征在于，所述客户端根据所述脑电数据样本集计算出样本熵之前还包括：
所述客户端获取所述脑电数据样本集的样本长度；
所述客户端从所述脑电数据样本集中获取第一样本和第二样本，并计算出第一距离，所述第一距离为第一样本和第二样本所对应的元素差值绝对值的最大值；
所述客户端计算出第一样本距离集，所述第一样本距离集为所述第一样本与所述样本集内其余样本的距离；
所述客户端获取预先设定的相似容限，计算出距离数量比，所述距离数量比为所述第一样本距离集中数值小于所述相似容限的数量与所述第一样本距离集中的距离总数之比。
4.根据权利要求3所述的一种基于样本熵的晕动症量化方法，其特征在于，所述样本熵的计算公式为：
SampEn(m，r，N)＝lnBm(r)-ln Bm+1(r)；
其中，SampEn(m，r，N)为样本熵，m为样本集的嵌入维数，r为样本集的相似容限，N为样本长度，B(r)为距离数比。
5.根据权利要求3所述的一种基于样本熵的晕动症量化方法，其特征在于：所述样本集的嵌入维数为2，所述相似容限为0.5。
6.一种用于执行基于样本熵的晕动症量化方法的装置，其特征在于，包括CPU单元，所述CPU单元用于执行以下步骤：
客户端获取脑电信号，并对所述脑电信号进行预处理，得出脑电数据样本集；
所述客户端根据所述脑电数据样本集计算出样本熵；
所述客户端从服务器读取预先设定的样本熵的数值所对应的晕动症值，将所述晕动症值设置为量化结果。
7.根据权利要求6所述的一种用于执行基于样本熵的晕动症量化方法的装置，其特征在于，所述CPU单元还用于执行以下步骤：
所述客户端获取所述脑电数据样本集的样本长度；
所述客户端从所述脑电数据样本集中获取第一样本和第二样本，并计算出第一距离，所述第一距离为第一样本和第二样本所对应的元素差值绝对值的最大值；
所述客户端计算出第一样本距离集，所述第一样本距离集为所述第一样本与所述样本集内其余样本的距离；
所述客户端获取预先设定的相似容限，计算出距离数量比，所述距离数量比为所述第一样本距离集中数值小于所述相似容限的数量与所述第一样本距离集中的距离总数之比。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-5任一项所述的一种基于样本熵的晕动症量化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910878781.7A CN110569923A (zh) | 2019-09-18 | 2019-09-18 | 一种基于样本熵的晕动症量化方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910878781.7A CN110569923A (zh) | 2019-09-18 | 2019-09-18 | 一种基于样本熵的晕动症量化方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110569923A true CN110569923A (zh) | 2019-12-13 |
Family
ID=68780627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910878781.7A Pending CN110569923A (zh) | 2019-09-18 | 2019-09-18 | 一种基于样本熵的晕动症量化方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110569923A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103989472A (zh) * | 2014-05-22 | 2014-08-20 | 杜金刚 | 基于脑电α节律样本熵的脑卒中患者神经康复评定方法 |
| CN106974621A (zh) * | 2017-03-16 | 2017-07-25 | 小菜儿成都信息科技有限公司 | 一种基于脑电信号重心频率的视觉诱导晕动症检测方法 |
| CN108836322A (zh) * | 2018-05-04 | 2018-11-20 | 成都泰和万钟科技有限公司 | 一种裸眼3d显示视觉诱导晕动症检测方法 |
| CN109009094A (zh) * | 2018-06-20 | 2018-12-18 | 成都美律科技有限公司 | 基于脑电信号kc复杂度的视觉诱导晕动症检测方法 |
| KR20190089585A (ko) * | 2018-01-23 | 2019-07-31 | 고려대학교 산학협력단 | 뇌파 분석을 이용한 가상현실 멀미 완화 방법, 이를 수행하기 위한 가상현실 디스플레이 장치 및 기록매체 |
-
2019
- 2019-09-18 CN CN201910878781.7A patent/CN110569923A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103989472A (zh) * | 2014-05-22 | 2014-08-20 | 杜金刚 | 基于脑电α节律样本熵的脑卒中患者神经康复评定方法 |
| CN106974621A (zh) * | 2017-03-16 | 2017-07-25 | 小菜儿成都信息科技有限公司 | 一种基于脑电信号重心频率的视觉诱导晕动症检测方法 |
| KR20190089585A (ko) * | 2018-01-23 | 2019-07-31 | 고려대학교 산학협력단 | 뇌파 분석을 이용한 가상현실 멀미 완화 방법, 이를 수행하기 위한 가상현실 디스플레이 장치 및 기록매체 |
| CN108836322A (zh) * | 2018-05-04 | 2018-11-20 | 成都泰和万钟科技有限公司 | 一种裸眼3d显示视觉诱导晕动症检测方法 |
| CN109009094A (zh) * | 2018-06-20 | 2018-12-18 | 成都美律科技有限公司 | 基于脑电信号kc复杂度的视觉诱导晕动症检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李德豪: "基于EEG的视觉诱导晕动症评估与检测", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
| 郑翠凤等: "基于样本熵算法的下背痛患者脑电信号分析", 《五邑大学学报(自然科学版)》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11616840B2 (en) | Method, apparatus and system for processing unmanned vehicle data, and storage medium | |
| CN111310775B (zh) | 数据训练方法、装置、终端设备及计算机可读存储介质 | |
| CN106530320B (zh) | 一种端到端的图像分割处理方法及系统 | |
| DE112019005586T5 (de) | Skalarproduktrechner und verfahren zu deren betrieb | |
| CN103454495A (zh) | 自适应高精度快速频谱分析方法 | |
| CN112200725B (zh) | 一种超分辨率重建方法、装置、存储介质及电子设备 | |
| CN110969092B (zh) | 脉冲信号去噪方法、装置及终端设备 | |
| DE102015115789B4 (de) | An einem computer realisiertes verfahren und system zur verarbeitung eines bilds | |
| CN108765447B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
| CN110874566A (zh) | 生成数据集的方法及装置、利用其的学习方法及学习装置 | |
| CN113988112A (zh) | 车道线的检测方法、装置、设备及存储介质 | |
| DE102015115786A1 (de) | Doppler-basierte Segmentierung und optischer Fluss in Radarbildern | |
| CN115359066A (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
| CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
| DE102022105545A1 (de) | Deep-Guided-Filter-Decoder mit niedriger Komplexität für pixelweise Prädiktionsaufgabe | |
| CN110569923A (zh) | 一种基于样本熵的晕动症量化方法、装置和存储介质 | |
| CN110584662A (zh) | 基于脑电信息的自闭症风险量化方法、装置和存储介质 | |
| DE112023000376T5 (de) | Verfahren und vorrichtung zur augmentation von oberflächendefektdaten, elektronisches gerät und speichermedium | |
| CN112199542A (zh) | 基于目标检测的车辆图像过滤方法、系统、装置及介质 | |
| CN110633598B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
| CN116091529A (zh) | 一种适用于便携式设备的弱视实时图像处理方法及设备 | |
| CN115578707A (zh) | 目标识别方法、装置、电子设备及存储介质 | |
| CN109978986B (zh) | 一种三维模型的重建方法、装置、存储介质及终端设备 | |
| CN115374817A (zh) | 基于混合图网络的情绪识别方法、装置、设备及存储介质 | |
| DE112018006982T5 (de) | Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahrenund informationsverarbeitungsprogramm |
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: 20191213 |
|
| RJ01 | Rejection of invention patent application after publication |