CN111150393A - 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 - Google Patents
基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 Download PDFInfo
- Publication number
- CN111150393A CN111150393A CN202010103082.8A CN202010103082A CN111150393A CN 111150393 A CN111150393 A CN 111150393A CN 202010103082 A CN202010103082 A CN 202010103082A CN 111150393 A CN111150393 A CN 111150393A
- Authority
- CN
- China
- Prior art keywords
- signal
- channel
- spike
- samples
- neural network
- 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.)
- Granted
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
- A61B5/4058—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
- A61B5/40—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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
- A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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LSTM多通道的脑电癫痫尖棘波放电联合检测方法。本发明步骤:步骤1、对输入的原始多导联脑电进行滤波以及心电、咀嚼吞咽的生理活动造成的伪迹消除;对处理后的信号首先依据检测目标波形时长特征,在时域对其进行分割,将信号转化为后续步骤的识别形式;步骤2、将分割后信号中每条通道的数据经由长短时记忆神经网络进行特征提取,并通过自适应加权融合算法进行特征融合;步骤3、利用特征融合得到的结果,通过全连接神经网络对多通道信号片段进行分类,最终得到整段信号不同时段的分类结果,从而达到尖棘波放电检测的目的。本发明能够实现在多通道信号输入下精度更高、抗干扰能力更强的尖棘波检测效果。
Description
技术领域
本发明属于智能医学信号处理领域,涉及一种基于长短时记忆神经网络(LSTM)多通道的脑电癫痫尖棘波放电联合检测方法。
背景技术
传统的尖棘波放电检测方法主要是通过对一段单通道信号的特征提取然后将其与典型的尖棘波信号的特征参数进行比较,以判断其是否为尖棘波信号,从而达到尖棘波信号检测的目的,其检测方法过程存在以下两个缺点:
1.对于特征的选取过于敏感,同一个特征在不同个体上不同时期信号的差异性可能不同,容易产生某个特征在一些个体上区分度较高,而对于其他个体而言不具有区分性的现象;
2.传统检测算法往往进行的是单通道的检测,一般来说,尖棘波是一种能在多个大脑区域的癫痫样放电活动,即能在多个检测电极上测量到类似的特征波形,仅对单通道进行的检测准确性不能满足需要。
本发明基于脑电各个导联在发生尖棘波放电时的波形特征,提出了一种针对尖棘波波形特征的LSTM多通道尖棘波放电联合检测算法,能够实现在多通道信号输入下精度更高、抗干扰能力更强的尖棘波检测效果。
发明内容
本发明针对传统尖棘波检测方案的不足,提出了一种基于LSTM多通道的脑电癫痫尖棘波放电联合检测方法。本发明能够实现在无需人工选取具体信号特征从而化简特征提取步骤下,通过对多个通道提取到的特征进行融合,从而得到更精确的检测效果。
本发明的技术方案主要包括如下步骤:
步骤1、对输入的原始多导联脑电进行滤波以及心电、咀嚼吞咽等生理活动造成的伪迹消除。对处理后的信号首先依据检测目标波形时长特征,在时域对其进行分割,将信号转化为后续步骤的识别形式。
步骤2、将分割后信号中每条通道的数据经由长短时记忆神经网络进行特征提取,并通过自适应加权融合算法进行特征融合。
步骤3、利用特征融合得到的结果,通过全连接神经网络对多通道信号片段进行分类,最终得到整段信号不同时段的分类结果,从而达到尖棘波放电检测的目的。
所述步骤1的具体实现包括以下几个步骤:
1-1.将原始输入的多通道脑电信号利用0.5-70HZ带通滤波器以及50HZ陷波滤波器进行滤波。
1-2.通过协方差矩阵之间的距离利用K-means算法将数据聚为若干个簇,将信号分段并计算每段信号协方差矩阵与各簇质心间的距离,并将其归类为与其距离最小的簇。进一步求得标准化距离,将其视为z分数,然后用一个移动平均滤波器对得到的分数进行平滑处理,能有效消除信号中心电、咀嚼吞咽等伪迹干扰。
1-3.将处理完的信号在时间域分割成小样本,每个样本信号为0.2s一帧,其中帧重叠为50%。得到分割结果为若干个帧长为0.2s的多通道信号片段。
步骤1需要注意如下几点:
(1)步骤1-1中使用0.5-70HZ带通滤波器的依据是脑电活动频率主要集中于该频率段,使用50HZ陷波滤波器的依据是为了消除50HZ工频噪声的干扰。
(2)步骤1-3中选取0.2s作为一帧的时长是考虑到棘波放电时长为0.02-0.07s,尖波放电时长为0.07-0.2s。
所述的步骤2根据滤波去伪迹并进行分割后得到的多通道信号片段,利用长短时记忆神经网络对该片段中每一维数据进行特征提取,得到多通道信号片段分类概率矩阵,并通过自适应加权融合算法进行特征融合:
2-1.将0.2s的多通道信号片段数据中每个单通道的信号片段划分成三类,即负相尖棘波、正相尖棘波、正常波形。
2-2.基于样本库随机将样本分成8:2,其中80%为训练样本,其余的20%为测试样本。
2-3.构建一个长短时记忆神经网络,其训练流程为:
(1)令l(n)为每一个LSTM模块的损失函数,N为LSTM模块的个数,首先定义全局化损失函数:
(2)令hi(n)为隐藏层第i个记忆单元的输出,M为记忆单元的长度,由链式法则得到全局化损失函数L对权重参数w的偏微分:
引入变量L(n),用于表示第n步开始到结束的损失:
相应偏微分公式变为:
联立得最优化结果为:
(3)利用各权重参数对全局损失函数的梯度迭代更新参数值,训练网络使得全局损失函数最小化。
2-4.利用训练好的长短时记忆神经网络分类模型对测试样本进行分类,得到每个样本的输出类别以及识别率;所述的输出类别即负相尖棘波、正相尖棘波、正常波形;
2-5.利用训练好的网络模型,通过截取网络softmax层概率输出,生成所有多通道信号片段的分类概率矩阵,其行数等于输入信号通道数,列数等于长短时记忆神经网络模型的分类类别个数。
2-6.通过自适应特征加权融合算法对概率矩阵进行降维,令P为步骤2-5所得分类概率矩阵:
P=[pl,…,pm]∈Rn×m
w=[wl...wm]T
所述步骤3基于上一步得到样本的特征向量,训练一个两层的全连接神经网络实现多通道放电联合检测,得到该时间段的样本所属的最终类别,以及整体测试样本的分类准确率:
3-1.将分割所得多通道信号片段依据有无尖棘波放电现象划分为两类。
3-2.基于样本库随机将样本分成8:2,其中80%为训练样本,其余的20%为测试样本。样本值为经由上步所得的信号片段的特征向量。
3-3.构建一个全连接神经网络,其训练流程为:
(1)前向传播,即由输入层开始,逐层计算每一个神经元的输出,最终得到输出层神经元的输出。
令x为神经元的输入,W为权重矩阵,b为偏置,f为激活函数,则输出h有公式如下:
h=f(Wx+b)
(2)反向传播,采用梯度下降法更新参数,定义好损失函数后,通过链式求导法则计算损失函数对权重参数的偏微分,利用各权重参数对全局损失函数的梯度迭代更新参数值,训练网络使得全局损失函数最小化。
3-4.利用训练好的全连接神经网络分类模型对测试样本进行分类,得到每个样本的输出类别以及总的识别率。
本发明有益效果如下:
本发明提出的针对尖棘波波形特征的尖棘波放电多通道检测算法,是考虑到尖棘波放电作为一种癫痫样放电对癫痫诊断与发作预警的重要意义,在输入脑电图中精确标注尖棘波放电时间点进而提供放电频率、放电部位等具体信息,可以有效提高临床诊断效率。由于脑电信号复杂程度高且易受干扰,加之存在波形特征相似度高但非尖棘波信号的正常生理电信号,传统的特征提取算法加分类器对其的检测效果较差,本发明中利用长短时记忆神经网络提取特征,利用全连接神经网络进行分类识别,实现较为精准的尖棘波放电检测功能。
运用此种基于LSTM多通道的脑电癫痫尖棘波放电联合检测方法后,通过搭建长短时记忆神经网络快速提取信号每个通道的特征,减少尖棘波相关特征提取的工作量,通过搭建全连接神经网络以实现对提取到特征的多通道联合检测,减少单通道中类似但非尖棘波波形对检测的干扰,从而有效解决多通道尖棘波检测中经常存在的误报率高的问题,达到精准检测的效果。所提出算法能够同时检测尖棘波放电时间节点以及尖棘波放电导联位置,对癫痫类型检测与癫痫发作检测都具有较大意义。
附图说明:
图1系统总体结构图
图2棘波识别效果图
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
如图1和2所示,通用的针对尖棘波放电多通道联合检测方法的实现步骤,在发明内容内已有详细的介绍,即本发明的技术方案主要包括如下步骤:
步骤1、对输入的原始多导联脑电进行滤波以及心电、咀嚼吞咽等生理活动造成的伪迹消除。对处理后的信号首先依据检测目标波形时长特征,在时域对其进行分割,将信号转化为后续步骤的识别形式。
步骤2、将分割后信号中每条通道的数据经由长短时记忆神经网络进行特征提取,并通过自适应加权融合算法进行特征融合。
步骤3、利用特征融合得到的结果,通过全连接神经网络对多通道信号片段进行分类,最终得到整段信号不同时段的分类结果,从而达到尖棘波放电检测的目的。
所述步骤1的具体实现包括以下几个步骤:
1-1.将原始输入的多通道脑电信号利用0.5-70HZ带通滤波器以及50HZ陷波滤波器进行滤波。
1-2.通过协方差矩阵之间的距离利用K-means算法将数据聚为若干个簇,将信号分段并计算每段信号协方差矩阵与各簇质心间的距离,并将其归类为与其距离最小的簇。进一步求得标准化距离,将其视为z分数,然后用一个移动平均滤波器对得到的分数进行平滑处理,能有效消除信号中心电、咀嚼吞咽等伪迹干扰。
1-3.将处理完的信号在时间域分割成小样本,每个样本信号为0.2s一帧,其中帧重叠为50%。得到分割结果为若干个帧长为0.2s的多通道信号片段。
步骤1需要注意如下几点:
(1)1-1中使用0.5-70HZ带通滤波器的依据是脑电活动频率主要集中于该频率段,使用50HZ陷波滤波器的依据是为了消除50HZ工频噪声的干扰。
(2)1-3中选取0.2s作为一帧的时长是考虑到棘波放电时长为0.02-0.07s,尖波放电时长为0.07-0.2s。
所述的步骤2根据滤波去伪迹并进行分割后得到的多通道信号片段,利用长短时记忆神经网络对该片段中每一维数据进行特征提取,得到多通道信号片段分类概率矩阵,并通过自适应加权融合算法进行特征融合:
2-1.将数据中单通道的信号片段划分成三类。即负相尖棘波、正相尖棘波、正常波形。
2-2.基于样本库随机将样本分成8:2,其中80%为训练样本,其余的20%为测试样本。
2-3.构建一个长短时记忆神经网络,其训练流程为:
(1)令l(n)为每一个LSTM模块的损失函数,N为LSTM模块的个数,首先定义全局化损失函数:
(2)令hi(n)为隐藏层第i个记忆单元的输出,M为记忆单元的长度,由链式法则得到全局化损失函数L对权重参数w的偏微分:
引入变量L(n),用于表示第n步开始到结束的损失:
相应偏微分公式变为:
联立得最优化结果为:
(3)利用各权重参数对全局损失函数的梯度迭代更新参数值,训练网络使得全局损失函数最小化;
2-4.利用训练好的长短时记忆神经网络分类模型对测试样本进行分类,得到每个样本的输出类别以及识别率。
2-5.利用训练好的网络模型,通过截取网络softmax层概率输出,生成所有多通道信号片段的分类概率矩阵,其行数等于输入信号通道数,列数等于长短时记忆神经网络模型的分类类别个数。
2-6.通过自适应特征加权融合算法对概率矩阵进行降维,令P为步骤2-5所得分类概率矩阵:
P=[pl,...,pm]∈Rn×m
w=[wl…wm]T
所述步骤3基于上一步得到样本的特征向量,训练一个两层的全连接神经网络实现多通道放电联合检测,得到该时间段的样本所属的最终类别,以及整体测试样本的分类准确率:
3-1.将分割所得多通道信号片段依据有无尖棘波放电现象划分为两类。
3-2.基于样本库随机将样本分成8:2,其中80%为训练样本,其余的20%为测试样本。样本值为经由上步所得的信号片段的特征向量。
3-3.构建一个全连接神经网络,其训练流程为:
(1)前向传播,即由输入层开始,逐层计算每一个神经元的输出,最终得到输出层神经元的输出;
令x为神经元的输入,W为权重矩阵,b为偏置,f为激活函数,则输出h有公式如下:
h=f(Wx+b)
(2)反向传播,采用梯度下降法更新参数,定义好损失函数后,通过链式求导法则计算损失函数对权重参数的偏微分,利用各权重参数对全局损失函数的梯度迭代更新参数值,训练网络使得全局损失函数最小化。
3-4.利用训练好的全连接神经网络分类模型对测试样本进行分类,得到每个样本的输出类别以及总的识别率。
为了达到更好的尖棘波放电检测效果,以下将从实际应用时参数的选择与设计方面展开介绍,以作为该发明用于其他应用的参考:
本发明以帧为单位处理原始信号的,因此需要考虑设计时需要检测的信号的时长,同时为了防止分割时无法截取完整的特征信号,需要考虑进行帧重叠工作,一般设置为50%的重叠,也即0.1s长度的帧移。
在2-3步骤中,由于不同脑电图采集仪器采样频率不同,需要相应对长短时记忆神经网络中输入序列长度参数进行调整,保证0.2s时长的单通道信号输入网络时不发生报错。
在3-3步骤中,全连接神经网络的输入层神经元个数等于原始信号的通道数,采用不同导联连接方式测量原始脑电信号相应信号的通道数也不同,应根据此进行调整。
Claims (4)
1.基于LSTM多通道的脑电癫痫尖棘波放电联合检测方法,其特征在于:
步骤1、对输入的原始多导联脑电进行滤波以及心电、咀嚼吞咽的生理活动造成的伪迹消除;对处理后的信号首先依据检测目标波形时长特征,在时域对其进行分割,将信号转化为后续步骤的识别形式;
步骤2、将分割后信号中每条通道的数据经由长短时记忆神经网络进行特征提取,并通过自适应加权融合算法进行特征融合;
步骤3、利用特征融合得到的结果,通过全连接神经网络对多通道信号片段进行分类,最终得到整段信号不同时段的分类结果,从而达到尖棘波放电检测的目的。
2.根据权利要求1所述的基于LSTM多通道的脑电癫痫尖棘波放电联合检测方法,其特征在于:所述步骤1的具体流程如下:
1-1.将原始输入的多通道脑电信号利用0.5-70HZ带通滤波器以及50HZ陷波滤波器进行滤波;
1-2.通过协方差矩阵之间的距离利用K-means算法将数据聚为若干个簇,将信号分段并计算每段信号协方差矩阵与各簇质心间的距离,并将其归类为与其距离最小的簇;进一步求得标准化距离,将其视为z分数,然后用一个移动平均滤波器对得到的分数进行平滑处理,消除信号中心电、咀嚼吞咽的伪迹干扰;
1-3.将处理完的信号在时间域分割成小样本,每个样本信号为0.2s一帧,其中帧重叠为50%;得到分割结果为若干个帧长为0.2s的多通道信号片段。
3.根据权利要求2所述的基于LSTM多通道的脑电癫痫尖棘波放电联合检测方法,其特征在于:所述步骤2的具体流程如下:
2-1.将数据中单通道的信号片段划分成三类;即负相尖棘波、正相尖棘波、正常波形;
2-2.基于样本库随机将样本分成8:2,其中80%为训练样本,其余的20%为测试样本;
2-3.构建一个长短时记忆神经网络,其训练流程为:
(1)令l(n)为每一个LSTM模块的损失函数,N为LSTM模块的个数,首先定义全局化损失函数:
(2)令hi(n)为隐藏层第i个记忆单元的输出,M为记忆单元的长度,由链式法则得到全局化损失函数L对权重参数w的偏微分:
引入变量L(n),用于表示第n步开始到结束的损失:
相应偏微分公式变为:
联立得最优化结果为:
(3)利用各权重参数对全局损失函数的梯度迭代更新参数值,训练网络使得全局损失函数最小化;
2-4.利用训练好的长短时记忆神经网络分类模型对测试样本进行分类,得到每个样本的输出类别以及识别率;所述的输出类别即负相尖棘波、正相尖棘波、正常波形;
2-5.利用训练好的网络模型,通过截取网络softmax层概率输出,生成所有多通道信号片段的分类概率矩阵,其行数等于输入信号通道数,列数等于长短时记忆神经网络模型的分类类别个数;
2-6.通过自适应特征加权融合算法对概率矩阵进行降维,令P为步骤2-5所得分类概率矩阵:
P=[p1,…,pm]∈Rn×m
w=[w1…wm]T
4.根据权利要求3所述的基于LSTM多通道的脑电癫痫尖棘波放电联合检测方法,其特征在于:所述步骤3的具体流程如下:
3-1.将分割所得多通道信号片段依据有无尖棘波放电现象划分为两类;
3-2.基于样本库随机将样本分成8:2,其中80%为训练样本,其余的20%为测试样本;样本值为经由上步所得的信号片段的特征向量;
3-3.构建一个全连接神经网络,其训练流程为:
(1)前向传播,即由输入层开始,逐层计算每一个神经元的输出,最终得到输出层神经元的输出;
令x为神经元的输入,W为权重矩阵,b为偏置,f为激活函数,则输出h有公式如下:
h=f(Wx+b)
(2)反向传播,采用梯度下降法更新参数,定义好损失函数后,通过链式求导法则计算损失函数对权重参数的偏微分,利用各权重参数对全局损失函数的梯度迭代更新参数值,训练网络使得全局损失函数最小化;
3-4.利用训练好的全连接神经网络分类模型对测试样本进行分类,得到每个样本的输出类别以及总的识别率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103082.8A CN111150393B (zh) | 2020-02-19 | 2020-02-19 | 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103082.8A CN111150393B (zh) | 2020-02-19 | 2020-02-19 | 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111150393A true CN111150393A (zh) | 2020-05-15 |
CN111150393B CN111150393B (zh) | 2023-03-28 |
Family
ID=70566190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103082.8A Active CN111150393B (zh) | 2020-02-19 | 2020-02-19 | 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111150393B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112568868A (zh) * | 2020-10-16 | 2021-03-30 | 浙江赛微思生物科技有限公司 | 针对癫痫模型电生理信号的自动量化分析方法及装置 |
CN112603334A (zh) * | 2020-12-18 | 2021-04-06 | 杭州电子科技大学 | 基于时序特征和堆叠Bi-LSTM网络的棘波检测方法 |
CN113662560A (zh) * | 2020-12-22 | 2021-11-19 | 北京航空航天大学 | 发作间期痫样放电的检测方法、存储介质和设备 |
CN113842111A (zh) * | 2020-06-28 | 2021-12-28 | 珠海格力电器股份有限公司 | 一种睡眠分期方法、装置、计算设备及存储介质 |
CN113974653A (zh) * | 2021-11-30 | 2022-01-28 | 杭州妞诺霄云大数据科技有限公司 | 基于约登指数优化棘波检测方法和装置、存储介质和终端 |
CN114081508A (zh) * | 2021-10-28 | 2022-02-25 | 杭州电子科技大学 | 一种基于深度神经网络与cca特征融合的棘波检测方法 |
WO2022236749A1 (zh) * | 2021-05-12 | 2022-11-17 | 北京太阳电子科技有限公司 | 脑电波异常放电检测方法、装置、介质及设备 |
CN116196018A (zh) * | 2023-05-04 | 2023-06-02 | 北京理工大学 | 基于锐度与非线性度的癫痫脑电信号动态识别方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130274625A1 (en) * | 2011-01-06 | 2013-10-17 | The Johns Hopkins University | Seizure detection device and systems |
CN106909784A (zh) * | 2017-02-24 | 2017-06-30 | 天津大学 | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 |
CN107967686A (zh) * | 2017-12-27 | 2018-04-27 | 电子科技大学 | 一种联合动态脑网络和长短时记忆网络的癫痫识别装置 |
CN108852350A (zh) * | 2018-05-18 | 2018-11-23 | 中山大学 | 一种基于深度学习算法的头皮脑电图致痫区的识别与定位方法 |
CN109472194A (zh) * | 2018-09-26 | 2019-03-15 | 重庆邮电大学 | 一种基于cblstm算法模型的运动想象脑电信号特征识别方法 |
CN110289081A (zh) * | 2019-05-14 | 2019-09-27 | 杭州电子科技大学 | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 |
CN110464334A (zh) * | 2019-07-23 | 2019-11-19 | 苏州国科视清医疗科技有限公司 | 一种基于复合深度学习网络的心电图异常检测方法 |
-
2020
- 2020-02-19 CN CN202010103082.8A patent/CN111150393B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130274625A1 (en) * | 2011-01-06 | 2013-10-17 | The Johns Hopkins University | Seizure detection device and systems |
CN106909784A (zh) * | 2017-02-24 | 2017-06-30 | 天津大学 | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 |
CN107967686A (zh) * | 2017-12-27 | 2018-04-27 | 电子科技大学 | 一种联合动态脑网络和长短时记忆网络的癫痫识别装置 |
CN108852350A (zh) * | 2018-05-18 | 2018-11-23 | 中山大学 | 一种基于深度学习算法的头皮脑电图致痫区的识别与定位方法 |
CN109472194A (zh) * | 2018-09-26 | 2019-03-15 | 重庆邮电大学 | 一种基于cblstm算法模型的运动想象脑电信号特征识别方法 |
CN110289081A (zh) * | 2019-05-14 | 2019-09-27 | 杭州电子科技大学 | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 |
CN110464334A (zh) * | 2019-07-23 | 2019-11-19 | 苏州国科视清医疗科技有限公司 | 一种基于复合深度学习网络的心电图异常检测方法 |
Non-Patent Citations (3)
Title |
---|
A. V. MEDVEDEV等: "A Long Short-Term Memory neural network for the detection of epileptiform spikes and high frequency oscillations", 《SCIENTIFIC REPORTS》 * |
ALEXANDER ROSENBERG JOHANSEN等: "Epileptiform spike detection via convolutional neural networks", 《 2016 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 * |
徐雅蕾等: "机器学习实现癫痫分类预测", 《中国数字医学》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113842111A (zh) * | 2020-06-28 | 2021-12-28 | 珠海格力电器股份有限公司 | 一种睡眠分期方法、装置、计算设备及存储介质 |
CN112568868A (zh) * | 2020-10-16 | 2021-03-30 | 浙江赛微思生物科技有限公司 | 针对癫痫模型电生理信号的自动量化分析方法及装置 |
CN112603334A (zh) * | 2020-12-18 | 2021-04-06 | 杭州电子科技大学 | 基于时序特征和堆叠Bi-LSTM网络的棘波检测方法 |
CN112603334B (zh) * | 2020-12-18 | 2022-04-08 | 杭州电子科技大学 | 基于时序特征和堆叠Bi-LSTM网络的棘波检测方法 |
CN113662560A (zh) * | 2020-12-22 | 2021-11-19 | 北京航空航天大学 | 发作间期痫样放电的检测方法、存储介质和设备 |
WO2022236749A1 (zh) * | 2021-05-12 | 2022-11-17 | 北京太阳电子科技有限公司 | 脑电波异常放电检测方法、装置、介质及设备 |
CN114081508A (zh) * | 2021-10-28 | 2022-02-25 | 杭州电子科技大学 | 一种基于深度神经网络与cca特征融合的棘波检测方法 |
CN114081508B (zh) * | 2021-10-28 | 2024-05-14 | 杭州电子科技大学 | 一种基于深度神经网络与cca特征融合的棘波检测方法 |
CN113974653A (zh) * | 2021-11-30 | 2022-01-28 | 杭州妞诺霄云大数据科技有限公司 | 基于约登指数优化棘波检测方法和装置、存储介质和终端 |
CN113974653B (zh) * | 2021-11-30 | 2024-03-22 | 杭州妞诺霄云大数据科技有限公司 | 基于约登指数优化棘波检测方法和装置、存储介质和终端 |
CN116196018A (zh) * | 2023-05-04 | 2023-06-02 | 北京理工大学 | 基于锐度与非线性度的癫痫脑电信号动态识别方法和系统 |
CN116196018B (zh) * | 2023-05-04 | 2023-07-07 | 北京理工大学 | 基于锐度与非线性度的癫痫脑电信号动态识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111150393B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111150393B (zh) | 基于lstm多通道的脑电癫痫尖棘波放电联合检测方法 | |
Lewicki | A review of methods for spike sorting: the detection and classification of neural action potentials | |
CN111340142B (zh) | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 | |
CN112244873A (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
Naderi et al. | Analysis and classification of EEG signals using spectral analysis and recurrent neural networks | |
Übeyli | Analysis of EEG signals by implementing eigenvector methods/recurrent neural networks | |
CN110522412B (zh) | 基于多尺度脑功能网络分类脑电信号的方法 | |
CN112294337A (zh) | 基于线性图卷积神经网络的癫痫检测系统 | |
CN111227827B (zh) | 一种基于社区划分算法的脑电图信号分析方法 | |
WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
Zarei et al. | Exploring Douglas-Peucker algorithm in the detection of epileptic seizure from multicategory EEG signals | |
CN113010013A (zh) | 一种基于Wasserstein距离的运动想象脑电迁移学习方法 | |
CN111419221A (zh) | 一种基于图卷积网络的脑电图信号分析方法 | |
CN112465069A (zh) | 一种基于多尺度卷积核cnn的脑电情绪分类方法 | |
Müller et al. | Incremental SSVEP analysis for BCI implementation | |
CN111956208A (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN114983343A (zh) | 睡眠分期方法及其系统、计算机可读存储介质、电子设备 | |
Peh et al. | Transformer convolutional neural networks for automated artifact detection in scalp EEG | |
CN110141211B (zh) | 一种基于经验模态分解的稳态视觉诱发电位的分类方法 | |
CN114081508B (zh) | 一种基于深度神经网络与cca特征融合的棘波检测方法 | |
CN114578967A (zh) | 一种基于脑电信号的情感识别方法及系统 | |
CN112800928B (zh) | 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法 | |
CN114841191A (zh) | 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 | |
CN111310680B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN114366116B (zh) | 一种基于Mask R-CNN网络及心电图的参数获取方法 |
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 |