CN111184511A - 一种基于注意力机制和卷积神经网络的脑电信号分类方法 - Google Patents
一种基于注意力机制和卷积神经网络的脑电信号分类方法 Download PDFInfo
- Publication number
- CN111184511A CN111184511A CN202010079809.3A CN202010079809A CN111184511A CN 111184511 A CN111184511 A CN 111184511A CN 202010079809 A CN202010079809 A CN 202010079809A CN 111184511 A CN111184511 A CN 111184511A
- Authority
- CN
- China
- Prior art keywords
- neural network
- frequency domain
- convolutional neural
- attention mechanism
- matrix
- 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
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
- A61B5/40—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
- A61B5/7235—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
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
Abstract
本发明公开了一种基于注意力机制和卷积神经网络的脑电信号分类方法,设采集n个通道的脑电信号为Xn(t),对正常状态和异常状态的脑电信号,每2s时长截取一段脑电信号作为一个分类样本xn(t);对分类样本xn(t)中每一个通道进行短时傅里叶变换,以行表示时域,列表示频域,得到n个时频域矩阵;时频域矩阵中的元素为复数,对时频域矩阵中的每一个元素取模值,得到实数域的STFT矩阵;把实数域的STFT矩阵变换为以颜色表示幅值大小的图片;将变换后的图片输入ResNet‑50卷积神经网络中进行特征提取,实现脑电信号分类。本发明方法可以大大提高癫痫患者在正常状态和异常状态的脑电信号的分类正确率。
Description
技术领域
本发明属于信号处理技术领域,具体涉及一种基于注意力机制和卷积神经网络的脑电信号分类方法。
背景技术
脑电图(脑电信号)是一种测量脑电活动的非侵入性工具,它包含了大量有关脑功能的信息。因此,脑电图信号在脑疾病的诊断中具有重要价值,以往的研究表明,脑电图信号是非线性、非平稳的随机过程。在过去的几十年里,人们提出了各种各样的方法来检测脑电图信号。这些研究使用的方法也非常多样化。目前,已有的分类算法脑电信号分类正确率还不够高,并且对不同的脑电信号,分类效果不同,不具有普适性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于注意力机制和卷积神经网络的脑电信号分类方法,大大提高脑电信号的分类正确率。
本发明采用以下技术方案:
一种基于注意力机制和卷积神经网络的脑电信号分类方法,包括以下步骤:
S1、设采集n个通道的脑电信号为Xn(t),对正常状态和异常状态的脑电信号,每1~2s 时长截取一段脑电信号作为一个分类样本xn(t);
S2、对分类样本xn(t)中每一个通道进行短时傅里叶变换,以行表示时域,列表示频域,得到n个时频域矩阵;
S3、时频域矩阵中的元素为复数,对时频域矩阵中的每一个元素取模值,得到实数域的 STFT矩阵;
S4、把实数域的STFT矩阵变换为以颜色表示幅值大小的图片;
S5、将步骤S4变换后的图片输入添加有频域注意力机制的ResNet-50卷积神经网络中进行特征提取,实现脑电信号分类。
具体的,步骤S1中,异常状态的脑电信号特征是在部分或整个大脑区域出现异常的电活动,包括棘波、锐波、尖慢复合波或尖慢复合波形脑电图信号。
具体的,步骤S5中,ResNet-50卷积神经网络包含50层卷积神经网络,以残差网络框架进行学习,在每个残差模块结束后,加入频域注意力机制,ResNet-50卷积神经网络输出为 1*2048的一维特征,再经过全连接层和softmax层,输出两种种类的可能性的概率,取其中最大的概率为信号样本种类的分类判断。
进一步的,设残差模块输出的特征矩阵为w行h列的特征矩阵Y,定义频域注意力机制的引入为对Y中每一个列向量y=[y1 y2 ... yw]T进行计算如下:
f(yi,yj)=exp(yiyj)
其中,为特征矩阵Y列向量中的元素加入频域注意力机制计算得到的权重后的元素, f(yi,yj)表示计算元素yi和元素yj之间相关程度的函数,yi为特征矩阵Y中列向量y中的原元素,s(yi)为对元素yi计算得到的标准化因子。
更进一步的,每一个神经网络残差模块输出的特征矩阵Y:
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于注意力机制和卷积神经网络的脑电信号分类方法,通过对脑电信号样本进行短时傅里叶变换,该变换可以同时反映脑电信号在频域和时域的特征,为了实现时频域特征图片化,取复数的模值,对比于仅取实部或者虚部,能保留更多的幅值信息;采用ResNet-50 提取特征,解决传统神经网络在层数加深时的梯度消失和梯度爆炸的问题,使神经网络达到更深层数。
进一步的,ResNet-50网络在特征提取过程中,网络的感受野与网络中卷积核大小相关,不能采集到全局的信息,会造成信息丢失。本发明在特征提取过程中加入频域注意力机制,在卷积过程中可以保留更多的频域信息。
综上所述,本发明方法可以大大提高癫痫患者在正常状态和异常状态的脑电信号的分类正确率。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为正常状态下脑电信号的特征图片;
图2为异常状态下脑电信号的特征图片;
图3为残差网络模块图;
图4为本发明分类方法流程图。
具体实施方式
请参阅图4,本发明一种基于注意力机制和卷积神经网络的脑电信号分类方法,包括以下步骤:
S1、预处理,设采集n个通道的脑电信号为Xn(t),对正常状态和异常状态的脑电信号,每1~2s时长截取一段脑电信号作为一个分类样本xn(t),为保证分类器不会对其中一类过拟合,实验中两类样本的数量比例为1:1;
脑电信号是一种测量脑电活动的非侵入性工具,它包含了大量有关脑功能的信息。异常状态的特征是在部分或整个大脑区域突然出现异常的电活动,会导致中枢神经系统的短暂功能障碍;包括棘波、锐波、尖慢复合波、尖慢复合波等波形脑电图信号。
S2、对样本xn(t)中每一个通道进行短时傅里叶变换(STFT),以行表示时域,列表示频域,得到n个时频域矩阵;
S3、STFT矩阵中的元素为复数,对其每一个元素取模值,得到实数域的STFT矩阵;
S4、把实数域的STFT矩阵变换为以颜色表示幅值大小的图片,正常状态的特征图片如图 1所示,异常状态的特征图片如图2所示;
STFT特征图中纵轴从上到下为0~128Hz的频域,图中颜色从暗到亮表示从小到大的幅值,可以看到异常状态的特征图片中特征,仅在低频段的幅值有较亮区域。而正常状态的特征图片中,特征在中高频段的幅值也有较亮区域。
S5、将步骤S4变换后的图片输入到添加有频域注意力机制的ResNet-50卷积神经网络中提取特征,实现脑电信号分类,ResNet-50卷积神经网络具有n通道,并加入频域注意力机制, ResNet-50卷积神经网络输出为1*2048的一维特征,再经过全连接层和softmax层,输出两种种类的可能性的概率,取其中较大的概率为信号样本种类的分类判断。
请参阅图3,ResNet-50卷积神经网络包含50层卷积神经网络,以残差网络框架进行学习。
设H(x)作为由若干卷积层(不一定是整个网络)拟合的基础映射,其中,x表示这些层中的第一层的输入;假设多个非线性层可以渐近地近似映射函数H(x),即假设能够渐近地逼近残差函数H(x)-x(假设输入和输出是尺寸相同)。因此,让多个非线性层逼近残差函数 F(x)=H(x)-x,而不是期望让卷积层逼近H(x)。原来的映射函数变成F(x)+x。尽管两种形式都应该能够渐近地接近理想的函数,但学习的难易度可能不同,残差网络更容易学习。
在ResNet-50卷积神经网络中,在每个残差模块结束后,加入频域注意力机制。
设残差模块输出的特征矩阵为w行h列的特征矩阵Y:
由于STFT后的时频域矩阵中行代表时域,列代表频域,卷积后相对位置不变,在Y中列向量看做在频域的特征;定义频域注意力机制的引入为对Y中每一个列向量y=[y1 y2... yw]T进行以下计算:
其中,f(yi,yj)=exp(yiyj),为特征矩阵Y列向量中的元素加入频域注意力机制计算得到的权重后的元素,f(yi,yj)表示计算元素yi和元素yj之间相关程度的函数,yi为特征矩阵Y 中列向量y中的原元素,s(yi)为对元素yi计算得到的标准化因子。
公式(1)计算过程如下:
S503、对矩阵中的行求和得到其中一个的值代表了yi点与同一列向量中其他元素之间的相关性,也代表了该点所代表的频域对于该特征提取网络的重要程度,作为权值与原特征矩阵中的列向量y=[y1 y2… yw]T点对点相乘,得到使重要的点增加权重,不重要的点减少权重,使整个网络注意力集中在重要的频带;
S504、为了保留更多的信息,加权后的特征向量与原向量相加,得到
计算特征向量的加权变为:
神经网络中的特征矩阵经过公式(1)变化,根据不同频率的幅值之间的相关性,对与整个频域相关性较大的重要的频率加大权重,能向下一层网络传递更多的频域信息。在达到最终特征特征提取网络层时,保留了更多频域特征,更有利于分类层识别分类。
在代码实现过程中步骤S501、步骤S502、步骤S504和步骤S505可以简化计算。
步骤S501和步骤S502中,计算过程与神经网络中softmax函数一样。
在代码实现过程中步骤S1和步骤S2简化为只需计算列向量y=[y1 y2 … yw]T的自相关矩阵,然后对自相关矩阵中每一列调用softmax函数计算。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明在CHB-MIT数据库的数据下运行结果如表1所示:
表1
标准 | Accuracy | Sensitivity | Specificity |
本发明算法 | 98.05% | 96.12% | 99.34% |
ResNet-50 | 94.45% | 92.45% | 95.83% |
表1的结果是对正常状态和异常状态的脑电信号的分类的三种评价标准用本发明方法和不添加频域注意力机制的ResNet-50算法分类的结果对比。
设N表示测试集中正常状态样本个数,P表示测试集中异常状态样本个数,TN表示测试集中正常状态样本分类正确的个数,TP表示测试集中异常状态样本分类正确的个数,分类正确率为Accuracy,则Accuracy=(TP+TN)/(P+N)。灵敏度为Sensitivity,则Sensitivity=TP/P。特异性为Specificity,则Specificity=TN/N。为保证分类器不会对其中一类过拟合,实验中两类样本的数量接近1:1。
本实验脑电信号数据自于网络上公开的生物信号数据PhysioNet中的CHB-MITScalp脑电信号Database数据库。记录文件包括23个脑电文件,共844小时时长的脑电信号。
所有信号以每秒256个采样,16位精度。大多数文件包含23通道脑电图信号(在少数情况下有24或26个通道)。这些记录使用了国际10-20脑电图电极位置和命名法。在少数记录中,还记录了其他信号,比如chb04中后面36个文件中有同步心电图信号,chb09中后面18个文件中有同步时间迷走神经刺激(VNS)信号。这些记录共包括198次发作。每个异常的开始时间和结束时间都在.seizure注释文件中进行了注释。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (5)
1.一种基于注意力机制和卷积神经网络的脑电信号分类方法,其特征在于,包括以下步骤:
S1、设采集n个通道的脑电信号为Xn(t),对正常状态和异常状态的脑电信号,每1~2s时长截取一段脑电信号作为一个分类样本xn(t);
S2、对分类样本xn(t)中每一个通道进行短时傅里叶变换,以行表示时域,列表示频域,得到n个时频域矩阵;
S3、时频域矩阵中的元素为复数,对时频域矩阵中的每一个元素取模值,得到实数域的STFT矩阵;
S4、把实数域的STFT矩阵变换为以颜色表示幅值大小的图片;
S5、将步骤S4变换后的图片输入添加有频域注意力机制的ResNet-50卷积神经网络中进行特征提取,实现脑电信号分类。
2.根据权利要求1所述的基于注意力机制和卷积神经网络的脑电信号分类方法,其特征在于,步骤S1中,异常状态的脑电信号特征是在部分或整个大脑区域出现异常的电活动,包括棘波、锐波、尖慢复合波或尖慢复合波形脑电图信号。
3.根据权利要求1所述的基于注意力机制和卷积神经网络的脑电信号分类方法,其特征在于,步骤S5中,ResNet-50卷积神经网络包含50层卷积神经网络,以残差网络框架进行学习,在每个残差模块结束后,加入频域注意力机制,ResNet-50卷积神经网络输出为1*2048的一维特征,再经过全连接层和softmax层,输出两种种类的可能性的概率,取其中最大的概率为信号样本种类的分类判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079809.3A CN111184511A (zh) | 2020-02-04 | 2020-02-04 | 一种基于注意力机制和卷积神经网络的脑电信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079809.3A CN111184511A (zh) | 2020-02-04 | 2020-02-04 | 一种基于注意力机制和卷积神经网络的脑电信号分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111184511A true CN111184511A (zh) | 2020-05-22 |
Family
ID=70686108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010079809.3A Pending CN111184511A (zh) | 2020-02-04 | 2020-02-04 | 一种基于注意力机制和卷积神经网络的脑电信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111184511A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112957054A (zh) * | 2021-01-25 | 2021-06-15 | 北京工业大学 | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 |
CN112957049A (zh) * | 2021-02-10 | 2021-06-15 | 首都医科大学宣武医院 | 基于脑机接口设备技术的注意力状态监测装置及方法 |
CN113288163A (zh) * | 2021-06-04 | 2021-08-24 | 浙江理工大学 | 基于注意力机制的多特征融合心电信号分类模型建模方法 |
WO2021237917A1 (zh) * | 2020-05-25 | 2021-12-02 | 五邑大学 | 一种自适应认知活动识别方法、装置及存储介质 |
WO2022179548A1 (zh) * | 2021-02-26 | 2022-09-01 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、设备、存储介质及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109711383A (zh) * | 2019-01-07 | 2019-05-03 | 重庆邮电大学 | 基于时频域的卷积神经网络运动想象脑电信号识别方法 |
CN109846472A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
CN109846477A (zh) * | 2019-01-29 | 2019-06-07 | 北京工业大学 | 一种基于频带注意力残差网络的脑电分类方法 |
CN110458085A (zh) * | 2019-08-06 | 2019-11-15 | 中国海洋大学 | 基于注意力增强三维时空表征学习的视频行为识别方法 |
KR20190130808A (ko) * | 2018-05-15 | 2019-11-25 | 연세대학교 산학협력단 | 뇌파와 얼굴 이미지의 특징 융합을 이용한 감정 분류 장치 및 방법 |
-
2020
- 2020-02-04 CN CN202010079809.3A patent/CN111184511A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR20190130808A (ko) * | 2018-05-15 | 2019-11-25 | 연세대학교 산학협력단 | 뇌파와 얼굴 이미지의 특징 융합을 이용한 감정 분류 장치 및 방법 |
CN109711383A (zh) * | 2019-01-07 | 2019-05-03 | 重庆邮电大学 | 基于时频域的卷积神经网络运动想象脑电信号识别方法 |
CN109846477A (zh) * | 2019-01-29 | 2019-06-07 | 北京工业大学 | 一种基于频带注意力残差网络的脑电分类方法 |
CN109846472A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
CN110458085A (zh) * | 2019-08-06 | 2019-11-15 | 中国海洋大学 | 基于注意力增强三维时空表征学习的视频行为识别方法 |
Non-Patent Citations (3)
Title |
---|
姚锡凡等: "《制造物联网技术》", 31 December 2018, 华中科技大学 * |
温熙森: "《机械系统动态分析理论与应用》", 30 April 1998, 国防科技大学出版社 * |
裔隽等: "《Python机器学习实战》", 28 February 2018, 科学技术文献出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021237917A1 (zh) * | 2020-05-25 | 2021-12-02 | 五邑大学 | 一种自适应认知活动识别方法、装置及存储介质 |
CN112957054A (zh) * | 2021-01-25 | 2021-06-15 | 北京工业大学 | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 |
CN112957054B (zh) * | 2021-01-25 | 2023-06-23 | 北京工业大学 | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 |
CN112957049A (zh) * | 2021-02-10 | 2021-06-15 | 首都医科大学宣武医院 | 基于脑机接口设备技术的注意力状态监测装置及方法 |
WO2022179548A1 (zh) * | 2021-02-26 | 2022-09-01 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、设备、存储介质及程序产品 |
CN113288163A (zh) * | 2021-06-04 | 2021-08-24 | 浙江理工大学 | 基于注意力机制的多特征融合心电信号分类模型建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111184511A (zh) | 一种基于注意力机制和卷积神经网络的脑电信号分类方法 | |
CN110876626B (zh) | 基于多导联脑电最优导联选择的抑郁检测系统 | |
CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
Singh et al. | Classification of focal and nonfocal EEG signals using features derived from Fourier-based rhythms | |
Guo et al. | Automatic epileptic seizure detection in EEGs based on line length feature and artificial neural networks | |
Guo et al. | Classification of EEG signals using relative wavelet energy and artificial neural networks | |
Subasi | Epileptic seizure detection using dynamic wavelet network | |
CN110960191A (zh) | 一种基于频谱能量图的癫痫脑电信号分类方法 | |
Guerrero-Mosquera et al. | EEG signal processing for epilepsy | |
CN112294337A (zh) | 基于线性图卷积神经网络的癫痫检测系统 | |
Thanaraj et al. | Multichannel interictal spike activity detection using time–frequency entropy measure | |
Sahu et al. | Scz-scan: An automated schizophrenia detection system from electroencephalogram signals | |
Wijayanto et al. | Epileptic seizure detection on a compressed EEG signal using energy measurement | |
CN114601476A (zh) | 一种基于视频刺激下的eeg信号情感识别方法 | |
Arab et al. | Electroencephalogram signals processing for topographic brain mapping and epilepsies classification | |
CN111887811A (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
Annisa et al. | Personality dimensions classification with EEG analysis using support vector machine | |
Shete et al. | Comparison of sub-band decomposition and reconstruction of EEG signal by daubechies9 and symlet9 wavelet | |
CN113197545B (zh) | 基于图注意力残差网络与焦点损失的癫痫检测系统 | |
CN114699093A (zh) | 一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法 | |
Paithane et al. | Electroencephalogram signal analysis using wavelet transform and support vector machine for human stress recognition | |
Zheng et al. | Automatic Seizure Prediction from Scalp EEG with Optimal Feature and Minimum Channels | |
CN114305452A (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
Übeyli | Probabilistic neural networks combined with wavelet coefficients for analysis of electroencephalogram signals | |
Wȩsierski et al. | Rating by detection: an artifact detection protocol for rating EEG quality with average event duration |
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: 20200522 |
|
RJ01 | Rejection of invention patent application after publication |