CN110974220A - 一种脑电波骨髓细胞分类计数系统及方法 - Google Patents
一种脑电波骨髓细胞分类计数系统及方法 Download PDFInfo
- Publication number
- CN110974220A CN110974220A CN201911343413.9A CN201911343413A CN110974220A CN 110974220 A CN110974220 A CN 110974220A CN 201911343413 A CN201911343413 A CN 201911343413A CN 110974220 A CN110974220 A CN 110974220A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- bone marrow
- marrow cell
- counting
- data
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 97
- 210000002798 bone marrow cell Anatomy 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 15
- 210000004027 cell Anatomy 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 239000003550 marker Substances 0.000 claims description 6
- 238000004070 electrodeposition Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 210000004698 lymphocyte Anatomy 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005311 autocorrelation function Methods 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 claims description 2
- 210000000267 erythroid cell Anatomy 0.000 claims description 2
- 210000001704 mesoblast Anatomy 0.000 claims description 2
- 210000004765 promyelocyte Anatomy 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 1
- 230000002411 adverse Effects 0.000 abstract 1
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 210000001185 bone marrow Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000014951 hematologic disease Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000003958 hematopoietic stem cell Anatomy 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- A61B5/24—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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及脑电波技术领域,尤其涉及一种脑电波骨髓细胞分类计数系统及方法,包括云平台、可穿戴式的脑电波采集部、脑电波频率分析部、图像处理辅助部、标准数据训练部、计数处理部,所述脑电波采集部设置有若干测量电极、基准电极与外电极,所述脑电波采集部还设置有判定部,所述脑电波采集部将有效脑电波频率信号输出到脑电波频率分析部进行特征值提取,通过数据标引与标准数据训练部进行比对获得骨髓细胞分类信息,所述骨髓细胞分类信息输出到计数处理部获得骨髓细胞计数数值。本发明利用脑电波技术实现实时骨髓细胞分类计数,可以有效降低人为操作的不利因素,提升骨髓细胞分类计数的效率与准确性。
Description
技术领域
本发明涉及脑电波技术领域,尤其涉及一种脑电波骨髓细胞分类计数系统及方法。
背景技术
血液中各类血细胞的数量和形态是一组重要的检验数据,能够协助临床医生诊断疾病,特别是对血液系统疾病的诊断,可以提供非常有价值的信息。其中细胞数量对疾病诊断尤为重要,骨髓细胞分类计数是诊断血液疾病的基础。骨髓细胞包括多个系,各系细胞又分为原始、幼稚、成熟三个阶段。虽然分属不同的系,但由于都是由骨髓造血干细胞分化而来,细胞间的差异较小。因此如何在骨髓涂片中精准识别各种骨髓细胞并统计分布比例成为了技术难点。
目前临床上对骨髓细胞的分类计数主要通过人工手段来实现,但是采用人工操作方法,检验工作量大,可重复性差,不仅耗时耗力,医师连续工作易因疲劳或粗心引发错误识别,影响病情诊断,而且对形态描述缺乏客观的定量标准,容易出现较大偏差。
发明内容
有鉴于此,本发明的目的是提供一种脑电波骨髓细胞分类计数系统及方法,采用脑电波技术获取检测者实时信息,通过智能化处理获得更加高效准确的骨髓细胞分类计数信息。
本发明通过以下技术手段解决上述技术问题:
一种脑电波骨髓细胞分类计数系统,包括:
云平台、可穿戴式的脑电波采集部、脑电波频率分析部、图像处理辅助部、标准数据训练部、计数处理部,所述脑电波采集部设置有若干测量电极、基准电极与外电极,所述脑电波采集部还设置有用于电极位置存储的存储部以及用于电极是否有效接触的判定部,所述脑电波采集部将有效脑电波频率信号输出到脑电波频率分析部进行特征值提取,形成数据标引,通过数据标引与标准数据训练部进行比对获得骨髓细胞分类信息,所述骨髓细胞分类信息输出到计数处理部获得骨髓细胞计数数值,并在云平台形成完整信息报告。
所述测量电极主要用于大脑活动活跃部的脑电波的检测,基电极主要用于大脑电位不活跃部的脑电波检查,主要作为参考信号使用,特别是用户个人脑电波差异判定的使用,外电极主要用于可穿戴式的脑电波采集部外部噪声信号的检测,并通过差动放大出去同相的噪声。
进一步,所述脑电波骨髓细胞分类计数系统还包括用于用户各项指令与策略综合控制的云平台。
进一步,所述云平台、可穿戴式的脑电波采集部、脑电波频率分析部、图像处理辅助部、标准数据训练部、计数处理部通过无线数据串口实现相互通信。
进一步,所述云平台中设置有脑电波骨髓细胞分类计数实时操作过程突发情况控制策略,例如突然断电云平台将自动保存以获得信息与数据,用户意志转移或者中断检测,云平台将自动实现程序暂停或者提醒。
进一步,所述电极工作数量可根据骨髓细胞分类计数难度模式进行选择,此模式的设计可以提升分类计数的效率,同时节约操作资源。
一种脑电波骨髓细胞分类计数方法,包括如下步骤:
用户正确穿戴并启动脑电波骨髓细胞分类计数系统自检程序,同时进行电极不良接触情况判定;
每个电极接触情况判定完毕,判定部根据基准电极频率分析值与标准频率比较获得差异值R,若差异值R大于预设阈值T4,判定部发出用户脑电波测试数据需要标准化处理指令;
自检程序完毕进行脑电波信号获取,所述脑电波测量电极测量作为所述外电极与所述基准电极之间的电位差的第一电位差和作为所述外电极与所述测量电极之间的电位差的第二电位差,基于所述第二电位差与所述第一电位差的差分,获得测量的脑电波信号并通过脑电波频率分析部进行特征值提取;
用户脑电波坐标数据的转换:若特征值功率谱最大数值小于预设阈值T5,获得数据维度标记D1,形成数据标引(D1,Smax),其中D1表示一维数据库标记,用于确定标准数据训练部指引位置,Smax是最大特征值功率谱;
若特征值功率谱最大数值大于预设阈值T5,获得数据维度标记D2,并由判定部判定为骨髓细胞团聚模式并形成启动图像处理辅助判定指令,通过图像处理技术对团聚骨髓细胞轮廓提取获得特征值Z,形成数据标引(D2,Smax,Z),其中D2表示二维数据库标记,用于确定标准数据训练部指引位置,Smax是最大特征值功率谱,Z为骨髓细胞轮廓特征值;
根据数据标引通过标准数据训练部比对获得骨髓细胞分类信息,并通过云平台计数获得计数信息,用户可通过云平台发出指令获得骨髓细胞分类、计数实时报告。
进一步,所述电极不良接触情况判定具体判定步骤如下:
所述自检程序至少包括一种标准骨髓细胞类别和数量的自检信息与标准频率,用于用户标准脑电波频率信息的获取与比较;
若测量电极频率分析值大于预设阈值T1,则判定部判定该测量电极接触无效,并根据该测量电极位置存储信息提示重新装载,直至判定部判定有效;
若基准电极频率分析值大于预设阈值T2,则判定部判定该基准电极接触无效,并根据该基准电极位置存储信息提示重新装载,直至判定部判定有效;
若外电极频率分析值大于预设阈值T3,则判定部判定该外电极接触无效,并根据该外电极位置存储信息提示重新装载,直至判定部判定有效。
进一步,所述用户脑电波测试数据需要标准化处理指令具体步骤如下:
将实测脑电波频率数值与差异值R进行卷积处理获得标准脑电波频率,以避免由于用户个人脑电波强度不同,导致后期测量数据系统无法识别或者造成较大误差。
进一步,所述脑电波频率分析部进行特征值提取具体步骤如下:
通过以下算法处理获得标准脑电波离散数据:
其中取a0=2,b0=1,此时a取值为20,21,…,2j,此时,连续小波变换中的基函数ψab(t)记为ψjk(t),
基于标准脑电波离散数据构建AR模型,进行注意力状态识别与有效数据筛选:
其中模型的阶数P在递推过程中实现,使用LevinsonDurbin递推方法,给出低阶到高阶的每一组参数,当模型的最小预测误差功率P不再发生变化时,即是所需要的正确阶数,即实现用户注意力状态识别与有效数据的确定,获得有效信号序列x(n);
特征值功率谱的获取:
将x(n)为无限长随机序列,截取长度N变为有限长序列称为xN(n);
计算xN(n)在(2m-1)点的自相关函数Rx(m):
其中,m=-(M-1),-1,0,1...,M-1,M≤N;
进一步,所述标准数据训练部中包括的骨髓细胞分类信息有:中幼红细胞、晚幼红细胞、其他红系细胞、原始细胞、成熟淋巴细胞、其他淋系细胞、单核系细胞、早幼粒细胞、中幼粒细胞、晚幼粒细胞、杆状核细胞、分叶核细胞和其他粒系细胞。
本发明利用对用户脑电波信息的实时采集,并生成数据标引完成骨髓细胞的智能化识别与技术,有利的提升了骨髓细胞的分类计数效率,同时避免人为操作引起偏差,极大的提升了数据的可靠性;特别是通过特征数据的深度分析,可识别骨髓细胞分类计数难度,并由判定部判定为骨髓细胞团聚模式并启动图像处理辅助提升数据可靠性。
附图说明
图1是本发明一种脑电波骨髓细胞分类计数系统拓扑结构图;
图2是本发明一种脑电波骨髓细胞分类计数方法的电极有效接触判定处理流程;
图3是本发明一种脑电波骨髓细胞分类计数的数据标引形成处理流程。
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明:
如图1所示,本实施例的一种脑电波骨髓细胞分类计数系统,包括:
云平台、可穿戴式的脑电波采集部、脑电波频率分析部、图像处理辅助部、标准数据训练部、计数处理部,所述脑电波采集部设置有若干测量电极、基准电极与外电极,所述脑电波采集部还设置有用于电极位置存储的存储部以及用于电极是否有效接触的判定部,所述脑电波采集部将有效脑电波频率信号输出到脑电波频率分析部进行特征值提取,形成数据标引,通过数据标引与标准数据训练部进行比对获得骨髓细胞分类信息,所述骨髓细胞分类信息输出到计数处理部获得骨髓细胞计数数值,并在云平台形成完整信息报告。
其中整个系统获得最终骨髓细胞的分类计数信息完全实现智能化处理,由于用户脑电波信息真实反映了对骨髓细胞的分类判定,因此根据用户脑电波信息的获取与转换最终获得直观的骨髓细胞分类信息具有完全的一致性。避免人工分类由于操作上的失误或者主观认知出现偏差导致最后分类计数数据可靠性较差的问题,直接影响最终疾病诊断的判定。
所述脑电波骨髓细胞分类计数系统中设置有标准数据训练部,所述标准数据训练部可实现系统深度学习与自我修正,随着用户数据大量积累标准数据训练部数据更加精确,使得系统可靠性更高。
如图2所示,本发明在电极不良接触判定上具有严格的要求,电极工作的有效性直接决定脑电波骨髓细胞分类计数系统的可靠性。本发明对电极有效性的判定简单高效具体步骤如下:
所述自检程序至少包括一种标准骨髓细胞类别和数量的自检信息与标准频率,用于用户标准脑电波频率信息的获取与比较;
若测量电极频率分析值大于预设阈值T1,则判定部判定该测量电极接触无效,并根据该测量电极位置存储信息提示重新装载,直至判定部判定有效;
若基准电极频率分析值大于预设阈值T2,则判定部判定该基准电极接触无效,并根据该基准电极位置存储信息提示重新装载,直至判定部判定有效;
若外电极频率分析值大于预设阈值T3,则判定部判定该外电极接触无效,并根据该外电极位置存储信息提示重新装载,直至判定部判定有效。
如图3所示,由于骨髓细胞团聚等现象会给用户在判定上造成困难很容易导致分类误判,使得最终结果出现较大偏差。本发明通过特征值功率谱最大数值的判定识别骨髓细胞分类计数的难度模式,自动判定是否为骨髓细胞团聚模式,如果为骨髓细胞团聚模式系统将启动图像处理辅助部,增加数据特征值的采集形成多维度数据标引,增加数据的真实性和可靠性,具体步骤如下:
用户脑电波坐标数据的转换:若特征值功率谱最大数值小于预设阈值T5,获得数据维度标记D1,形成数据标引(D1,Smax),其中D1表示一维数据库标记,用于确定标准数据训练部指引位置,Smax是最大特征值功率谱;
若特征值功率谱最大数值大于预设阈值T5,获得数据维度标记D2,并由判定部判定为骨髓细胞团聚模式并形成启动图像处理辅助判定指令,通过图像处理技术对团聚骨髓细胞轮廓提取获得特征值Z,形成数据标引(D2,Smax,Z),其中D2表示二维数据库标记,用于确定标准数据训练部指引位置,Smax是最大特征值功率谱,Z为骨髓细胞轮廓特征值;
根据数据标引通过标准数据训练部比对获得骨髓细胞分类信息,并通过云平台计数获得计数信息,用户可通过云平台发出指令获得骨髓细胞分类、计数实时报告。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (10)
1.一种脑电波骨髓细胞分类计数系统,其特征在于,包括云平台、可穿戴式的脑电波采集部、脑电波频率分析部、图像处理辅助部、标准数据训练部、计数处理部,所述脑电波采集部设置有若干测量电极、基准电极与外电极,所述脑电波采集部还设置有用于电极位置存储的存储部以及用于电极是否有效接触的判定部,所述脑电波采集部将有效脑电波频率信号输出到脑电波频率分析部进行特征值提取,形成数据标引,通过数据标引与标准数据训练部进行比对获得骨髓细胞分类信息,所述骨髓细胞分类信息输出到计数处理部获得骨髓细胞计数数值,并在云平台形成完整信息报告。
2.根据权利要求1所述的一种脑电波骨髓细胞分类计数系统,其特征在于,所述脑电波骨髓细胞分类计数系统还包括用于用户各项指令与策略综合控制的云平台。
3.根据权利要求2所述的一种脑电波骨髓细胞分类计数系统,其特征在于,所述云平台、可穿戴式的脑电波采集部、脑电波频率分析部、图像处理辅助部、标准数据训练部、计数处理部通过无线数据串口实现相互通信。
4.根据权利要求3所述的一种脑电波骨髓细胞分类计数系统,其特征在于,所述云平台中设置有脑电波骨髓细胞分类计数实时操作过程突发情况控制策略。
5.根据权利要求4所述的一种脑电波骨髓细胞分类计数系统,其特征在于,所述电极工作数量可根据骨髓细胞分类计数难度模式进行选择。
6.一种脑电波骨髓细胞分类计数方法,其特征在于,包括如下步骤:
用户正确穿戴并启动脑电波骨髓细胞分类计数系统自检程序,同时进行电极不良接触情况判定;
每个电极接触情况判定完毕,判定部根据基准电极频率分析值与标准频率比较获得差异值R,若差异值R大于预设阈值T4,判定部发出用户脑电波测试数据需要标准化处理指令;
自检程序完毕进行脑电波信号获取,所述脑电波测量电极测量作为所述外电极与所述基准电极之间的电位差的第一电位差和作为所述外电极与所述测量电极之间的电位差的第二电位差,基于所述第二电位差与所述第一电位差的差分,获得测量的脑电波信号并通过脑电波频率分析部进行特征值提取;
用户脑电波坐标数据的转换:若特征值功率谱最大数值小于预设阈值T5,获得数据维度标记D1,形成数据标引(D1,Smax),其中D1表示一维数据库标记,用于确定标准数据训练部指引位置,Smax是最大特征值功率谱;
若特征值功率谱最大数值大于预设阈值T5,获得数据维度标记D2,并由判定部判定为骨髓细胞团聚模式并形成启动图像处理辅助判定指令,通过图像处理技术对团聚骨髓细胞轮廓提取获得特征值Z,形成数据标引(D2,Smax,Z),其中D2表示二维数据库标记,用于确定标准数据训练部指引位置,Smax是最大特征值功率谱,Z为骨髓细胞轮廓特征值;
根据数据标引通过标准数据训练部比对获得骨髓细胞分类信息,并通过云平台计数获得计数信息,用户可通过云平台发出指令获得骨髓细胞分类、计数实时报告。
7.根据权利要求6所述的一种脑电波骨髓细胞分类计数方法,其特征在于,所述电极不良接触情况判定具体判定步骤如下:
所述自检程序至少包括一种标准骨髓细胞类别和数量的自检信息与标准频率,用于用户标准脑电波频率信息的获取与比较;
若测量电极频率分析值大于预设阈值T1,则判定部判定该测量电极接触无效,并根据该测量电极位置存储信息提示重新装载,直至判定部判定有效;
若基准电极频率分析值大于预设阈值T2,则判定部判定该基准电极接触无效,并根据该基准电极位置存储信息提示重新装载,直至判定部判定有效;
若外电极频率分析值大于预设阈值T3,则判定部判定该外电极接触无效,并根据该外电极位置存储信息提示重新装载,直至判定部判定有效。
8.根据权利要求6所述的一种脑电波骨髓细胞分类计数方法,其特征在于,所述用户脑电波测试数据需要标准化处理指令具体步骤如下:
将实测脑电波频率数值与差异值R进行卷积处理获得标准脑电波频率,以避免由于用户个人脑电波强度不同,导致后期测量数据系统无法识别或者造成较大误差。
9.根据权利要求6所述的一种脑电波骨髓细胞分类计数方法,其特征在于,所述脑电波频率分析部进行特征值提取具体步骤如下:
通过以下算法处理获得标准脑电波离散数据:
其中取a0=2,b0=1,此时a取值为20,21,…,2j,此时,连续小波变换中的基函数ψab(t)记为ψjk(t),
基于标准脑电波离散数据构建AR模型,进行注意力状态识别与有效数据筛选:
其中模型的阶数P在递推过程中实现,使用Levinson Durbin递推方法,给出低阶到高阶的每一组参数,当模型的最小预测误差功率P不再发生变化时,即是所需要的正确阶数,即实现用户注意力状态识别与有效数据的确定,获得有效信号序列x(n);
特征值功率谱的获取:
将x(n)为无限长随机序列,截取长度N变为有限长序列称为xN(n);
计算xN(n)在(2m-1)点的自相关函数Rx(m):
其中,m=-(M-1),-1,0,1...,M-1,M≤N。
10.根据权利要求6所述的一种脑电波骨髓细胞分类计数方法,其特征在于,所述标准数据训练部中包括的骨髓细胞分类信息有:中幼红细胞、晚幼红细胞、其他红系细胞、原始细胞、成熟淋巴细胞、其他淋系细胞、单核系细胞、早幼粒细胞、中幼粒细胞、晚幼粒细胞、杆状核细胞、分叶核细胞和其他粒系细胞。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911343413.9A CN110974220A (zh) | 2019-12-24 | 2019-12-24 | 一种脑电波骨髓细胞分类计数系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911343413.9A CN110974220A (zh) | 2019-12-24 | 2019-12-24 | 一种脑电波骨髓细胞分类计数系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110974220A true CN110974220A (zh) | 2020-04-10 |
Family
ID=70075927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911343413.9A Pending CN110974220A (zh) | 2019-12-24 | 2019-12-24 | 一种脑电波骨髓细胞分类计数系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110974220A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667472A (zh) * | 2020-06-08 | 2020-09-15 | 江西卫生职业学院 | 骨髓细胞形态学人工智能分析方法 |
CN111833297A (zh) * | 2020-05-25 | 2020-10-27 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统的疾病联想方法 |
-
2019
- 2019-12-24 CN CN201911343413.9A patent/CN110974220A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833297A (zh) * | 2020-05-25 | 2020-10-27 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统的疾病联想方法 |
CN111833297B (zh) * | 2020-05-25 | 2022-12-09 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统的疾病联想方法 |
CN111667472A (zh) * | 2020-06-08 | 2020-09-15 | 江西卫生职业学院 | 骨髓细胞形态学人工智能分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Detection analysis of epileptic EEG using a novel random forest model combined with grid search optimization | |
CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
US11350868B2 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
US11783924B2 (en) | ECG information processing method and ECG workstation | |
WO2022198761A1 (zh) | 一种基于决策树和改进smote算法的哮喘病诊断系统 | |
CN110974220A (zh) | 一种脑电波骨髓细胞分类计数系统及方法 | |
CN103637795B (zh) | 心电图机自动诊断功能检测方法 | |
CN111557659B (zh) | 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法 | |
CN111476754B (zh) | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 | |
CN109512390B (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
CN113229825A (zh) | 一种基于深度神经网络的多标签多导联心电图分类方法 | |
Roy et al. | Photoplethysmogram signal quality evaluation by unsupervised learning approach | |
CN115798724A (zh) | 一种基于人体无创采集数据的人体指标异常分析方法 | |
Li et al. | Classification of electrocardiogram signals with waveform morphological analysis and support vector machines | |
Yang et al. | A novel method for automated congestive heart failure and coronary artery disease recognition using THC-Net | |
CN112767349B (zh) | 一种网织红细胞识别方法和系统 | |
CN116664585B (zh) | 基于深度学习的头皮健康状况检测方法及相关装置 | |
CN113069124A (zh) | 一种基于cnn-et模型的心电监测方法 | |
CN114707608B (zh) | 医疗质控数据处理方法、装置、设备、介质及程序产品 | |
CN116172573A (zh) | 一种基于改进的Inception-ResNet-v2的心律失常图像分类方法 | |
CN113255718B (zh) | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 | |
CN113349790B (zh) | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 | |
CN113647954A (zh) | 双通道混合网络模型的心血管疾病识别方法、装置及介质 | |
WO2021056286A1 (zh) | 一种血压标定选择方法及其建模方法 | |
Nanarkar et al. | A Survey on Classification and identification of Arrhythmia using Machine Learning techniques |
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: 20200410 |
|
RJ01 | Rejection of invention patent application after publication |