CN111214226A - 一种脑电特征提取和选择方法 - Google Patents
一种脑电特征提取和选择方法 Download PDFInfo
- Publication number
- CN111214226A CN111214226A CN202010069660.0A CN202010069660A CN111214226A CN 111214226 A CN111214226 A CN 111214226A CN 202010069660 A CN202010069660 A CN 202010069660A CN 111214226 A CN111214226 A CN 111214226A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- feature extraction
- feature
- signal
- selection method
- 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
- A61B5/72—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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种脑电特征提取和选择方法,包括如下步骤:对脑电数据进行预处理去除噪声,得到有效的脑电信号;对预处理后的脑电信号进行特征提取,提取基于脑电时频域信息的特征和基于熵理论与复杂度的特征得到脑电信号的初始特征值;对得到的初始特征值进行特征组合集群分析,筛选出有效特征值。本发明为脑电信号技术的实现和发展提供有力的技术支持,以提高脑电信号分析的准确度。
Description
技术领域
本发明涉及脑电数据分析技术领域,具体地是涉及一种脑电特征提取和选择方法。
背景技术
脑电信号是由脑神经活动产生并且始终存在于中枢神经系统的自发性电位活动,是一种重要的生理电信号。脑电信号非常微弱,随机性及非平稳性相当强,信号具有非线性,采集到的脑电信号背景噪声比较复杂,有工频干扰,电极与皮肤的接触噪声以及电极与地之间的共模信号的干扰等,并且脑电信号还会受到个体差异的影响,因此,对于脑电数据信号的分析成为难题,
由于脑电信号中包含的信息通常是隐性的,较难通过观察发现其全部规律,因此,需要对脑电数据进行特征提取。特征提取主要分为:基于脑电时频域信息的特征提取、基于熵理论与复杂度的特征提取以及基于非线性动力学的特征提取。
脑电特征提取之后,提取的特征可能存在信息的冗余,所以需要对特征进行选取。得到可识别的,可靠程度高的特征值是脑电数据分析的基础环节,具有重要意义。
因此,本发明的发明人亟需构思一种新技术以改善其问题。
发明内容
本发明旨在提供一种脑电特征提取和选择方法,其可以为脑电信号技术的实现和发展提供有力的技术支持,减少冗余信号,以提高脑电信号分析的准确度和效率。
为解决上述技术问题,本发明的技术方案是:
一种脑电特征提取和选择方法,包括如下步骤:
S1:对脑电数据进行特征提取,得到初始特征值;
S2:对得到的初始特征值进行特征组合集群分析,筛选出有效特征值。
优选地,所述步骤S2具体包括:
S21:使用指数衰减函数EDF来确定要保留的特征的数量,通过这一步,特征空间不断缩小;
S22:在每个EDF运行中,使用二进制矩阵采样BMS的特征采样方法用于从特征空间中选择特征以构建子模型;
S23:使用模型集群分析MPA以准确率为目标函数搜索最优特征子集。
优选地,所述步骤S1具体包括:
S11:对脑电数据进行预处理去除噪声,得到有效的脑电信号;
S12:对预处理后的脑电信号进行特征提取。
优选地,所述步骤S12对预处理后的脑电信号通过提取基于时域分析和时频域分析的脑电特征和基于熵理论与复杂度的脑电特征得到脑电信号的初始特征值。
优选地,所述步骤S11具体包括:
S111:对脑电信号进行工频干扰去除,得到初始滤波信号;
S112:对初始滤波信号进行伪迹消除,消除眼电和肌电的干扰,得到滤干扰信号;
S113:对滤干扰信号进行去除基线漂移处理;
S114:对消除基线漂移的信号进行滤波,得到有效的脑电信号。
优选地,所述步骤S12中基于时域分析的脑电特征提取包括但不限于提取统计参数和Hjorth参数。
优选地,所述步骤S12中基于时频域分析的脑电特征提取包括但不限于离散小波变换和经验模态分解。
优选地,所述步骤S12中基于熵理论与复杂度的脑电特征提取包括但不限于谱熵、近似熵、模糊熵以及LZ复杂度。
采用上述技术方案,本发明至少包括如下有益效果:
本发明所述的脑电特征提取和选择方法,提取基于脑电时域和时频域信息的特征和基于熵理论与复杂度的特征得到脑电信号的初始特征值;对得到的初始特征值进行特征组合集群分析,筛选出有效特征值。为脑电信号技术的实现和发展提供有力的技术支持,以提高脑电信号分析的准确度。
附图说明
图1为本发明所述的脑电特征提取和选择方法的流程图;
图2为计算得到LZ复杂度的流程图;
图3为步骤S2在一优选实施例中的具体流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
如图1至图3所示,为符合本发明的一种脑电特征提取和选择方法,包括如下步骤:
S1:对脑电数据进行特征提取,得到初始特征值;
S2:对得到的初始特征值进行特征组合集群分析,筛选出有效特征值。
优选地,所述步骤S2具体包括:
S21:使用指数衰减函数EDF(Exponential decay function,EDF)来确定要保留的特征的数量,通过这一步,特征空间不断缩小;
S22:在每个EDF运行中,使用二进制矩阵采样BMS(Binary matrix samplin,BMS)的特征采样方法用于从特征空间中选择特征以构建子模型;
S23:使用模型集群分析(Model Population Analysis,MPA)以准确率为目标函数搜索最优特征子集。
优选地,所述步骤S1具体包括:
S11:对脑电数据进行预处理去除噪声,得到有效的脑电信号;
S12:对预处理后的脑电信号进行特征提取。
优选地,所述步骤S12对预处理后的脑电信号通过提取基于时域分析和时频域分析的脑电特征和基于熵理论与复杂度的脑电特征得到脑电信号的初始特征值。
优选地,所述步骤S11具体包括:
S111:对脑电信号进行工频干扰去除,得到初始滤波信号;
S112:对初始滤波信号进行伪迹消除,消除眼电和肌电的干扰,得到滤干扰信号;
S113:对滤干扰信号进行去除基线漂移处理;
S114:对消除基线漂移的信号进行滤波,得到有效的脑电信号。
优选地,所述步骤S12中基于时域分析的脑电特征提取包括但不限于提取统计参数和Hjorth参数。
优选地,所述步骤S12中基于时频域分析的脑电特征提取包括但不限于离散小波变换和经验模态分解。
优选地,所述步骤S12中基于熵理论与复杂度的脑电特征提取包括但不限于谱熵、近似熵、模糊熵以及LZ复杂度。
下面以一实施例具体阐述本发明。
对于步骤S12,其具体过程如下:
(1)统计参数
对一段时间序列求取最小值(Minimum value,MinV)、最大值(Maximum value,MaxV)、算数平均值(Arithmetic mean,AM)、中值(Median)、标准差(Standarddeviation,SD)、偏度(Skewness),峰度(Kurtosis)7种特征,构成脑电特征数据集。
偏度和峰度的计算公式如下:
其中,μ和σ分别是时间序列xn的均值和标准差。αi是时间序列xn的第i个特征。
(2)Hjorth参数
Hjorth参数由三个描述符组成,分别为活动性(Activity),移动性(Mobility)和复杂性(Complexity)。计算公式如下:
(3)离散小波变换
离散小波变换采用子带分解算法实现多分辨率分析,将信号分解成近似信息和细节信息。选择母小波为db4、分解层数为5层,进行脑电数据的离散小波变换,得到近似系数A5和细节系数D1-D5,并对各成分系数进行逆小波变换重构得到不同频带的脑电信号。分别对重构的各频带脑电信号求取绝对均值、平均功率以及标准差作为提取的脑电特征。
(4)经验模态分解(EMD)
1.确定x(t)的所有局部极值点,用三次样条插值函数进行拟合,由局部极大值和极小值点分别形成x(t)的上包络线m+(t)和下包络线m-(t),并计算两包络线的均值为:
2.用x(t)减去均值得到的差值即信号分量h1(t)。判断h1(t)是否满足IMF的两个条件,若满足,则h1(t)可作为第一阶IMF分量c1(t);若不满足,则以h1(t)代替x(t)重复上述步骤,直至满足条件为止,获得c1(t)。
3.计算x(t)减去c1(t)后的残差r1(t),将r1(t)作为新序列,重复步骤(1)和步骤(2),可依此得到第二阶、第三阶IMF分量等,即c2(t),c3(t),…,cn(t),直至rn(t)为单调函数且无法继续从中提取分量,分解则结束。此时,可将x(t)表示为所有IMF分量和残差之和,即:
其中,n为得到的IMF个数。
EEG信号被分解成一系列IMF后,突出了不同时间尺度的局部特征,且随阶数增大所代表的频率逐渐降低。一般分解EEG后的IMF数目为5~8个,但并非所有都包含重要信息,只需选择部分IMF即可
(5)谱熵(Spectral Entropy,SEn)
谱熵利用给定信号的功率谱的幅值分量作为熵的计算概率,定义如下:
其中,Pj=Sj/S,S为总的谱功率,Sj为各频率下的幅值分量。
(6)近似熵(ApproximateEntropy,ApEn)
近似熵算法的计算步骤如下:
1.设时间序列{X(n)=Xi,i=1,…,N},N为数据长度
2.将时间序列嵌入到一个m维空间中得:
X(i)=[x(i),x(i+1),…,x(i+m-1)]
其中i的取值范围为[1:N-m+1]。
3.定义任意两个元素X(i),X(j)间的距离为d[X(i),X(j)],其代表两者对应元素中差值最大的一个,即:
d[X(i),X(j)]=maxk=0~m-1[|x(i+k)-x(j+k)|]
此时X(i),X(j)中其他元素间的差值都小于d。对每一个i值,计算X(i)与X(j)(j=1~N-m+1,且j≠i)间的距离d[X(i),X(j)]。
其中,公式中的表示序列的嵌入维数,即序列选取的的固有模式长度;r表示相似的容限,即判别时间序列与固有模式匹配度的阈值;N为时间序列的总长度。
(7)模糊熵(Fuzzy Entropy,FuzzyEn)
步骤如下:
1.设原始数据为{x(i),1≤i≤N}
2.相空间中构建一组m维矢量,即
其中,i=1,2,…,N-m+1,x0(i)为m维数据的平均值,即
3.使用模糊隶属函数
其中,r为相似容限度。
对于i=1,2,…,N-m+1,计算
其中,
为窗口向量X(i)和X(j)之间的最大距离。
4.针对每个i,求其平均值,得到
5.原时间序列的模糊熵(FuzzyEn)为
其中,
6.针对有限数据集,模糊熵估计为
FuzzyEn(m,r,N)=lnΦm(r)-lnΦm+1(r)
(8)LZ复杂度(LZ-complexity,LZC),参见图2。
1.对时间序列x(n)二值化处理得到字符串。构造字符串S(S1,S2,…,Sn)和Q(q1,q2,…,qn),SQ表示S和Q是级联的,即SQ=(S1,S2,…,Sn,q1,q2,…,qn)。令SQv为SQ删除最后一个字符所得。
2.判断Q是否为SQv的一个子串,如果是,说明Q中的字符是可从S复制,把S的下一个字符级联到Q;如果不是,则表示Q是插入字符,把Q级联到S=SQ,重新构造Q。
3.重复以上过程,直到Q取待序列的最后一位。每次Q级联到S,表明出现一种新模式,用c表示一个字符串中新模式的数量。
根据公式b(n)=n/log2(n)计算b(n),最终根据公式LZC=c(n)/b(n)计算得到LZ复杂度。
对于步骤S2,参见图3,其在一优选实施例中的具体步骤如下:
假设对于样本集{(x1,y1),(x2,y2),…(xn,yn)},其中xi∈Rp,表示特征向量,维度为P。yi∈R表示化学方法测得的理化值。参数:N,EDF运行次数;K,BMS采样次数;ω,EDF运行最后剩余的特征数量;α,二进制矩阵中每个特征被选择的概率;σ,K个子模型的最佳模型比例。
步骤1,运用BMS从特征间中采样K组特征子集,该采样方法考虑特征组合效应并且每个特征被选择的机会相同。
步骤2,使用所获得的K组特征子集构建SVM子分类模型(Support VectorMachines,SVM),计算出各个子分类模型的准确率,筛选出准确率最高的σ×K组特征子集。
步骤3,统计这σ×K组特征子集中每个特征出现的频率,使用EDF删除出现频率较小的特征。
步骤4,判断经过EDF删除后的特征是否达到ω个特征,如果为否,则返回步骤1。如果为是,下一步。
步骤5,将这ω个特征之间的所有特征组合分别代入到SVM模型中计算出准确率,选取准确率值最高的特征组合为最优特征组合。
本发明通过对脑电数据的特征提取以及特征选择,得到可识别的,可靠程度高的特征值,为脑电信号技术的实现和发展提供有力的技术支持,以提高脑电信号分析的准确度。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种脑电特征提取和选择方法,其特征在于,包括如下步骤:
S1:对脑电数据进行特征提取,得到初始特征值;
S2:对得到的初始特征值进行特征组合集群分析,筛选出有效特征值。
2.如权利要求1所述的脑电特征提取和选择方法,其特征在于,所述步骤S2具体包括:
S21:使用指数衰减函数EDF来确定要保留的特征的数量,通过这一步,特征空间不断缩小;
S22:在每个EDF运行中,使用二进制矩阵采样BMS的特征采样方法用于从特征空间中选择特征以构建子模型;
S23:使用模型集群分析MPA以准确率为目标函数搜索最优特征子集。
3.如权利要求1或2所述的脑电特征提取和选择方法,其特征在于,所述步骤S1具体包括:
S11:对脑电数据进行预处理去除噪声,得到有效的脑电信号;
S12:对预处理后的脑电信号进行特征提取。
4.如权利要求1-3任一所述的脑电特征提取和选择方法,其特征在于:所述步骤S12对预处理后的脑电信号通过提取基于时域分析和时频域分析的脑电特征和基于熵理论与复杂度的脑电特征得到脑电信号的初始特征值。
5.如权利要求1-4任一所述的脑电特征提取和选择方法,其特征在于,所述步骤S11具体包括:
S111:对脑电信号进行工频干扰去除,得到初始滤波信号;
S112:对初始滤波信号进行伪迹消除,消除眼电和肌电的干扰,得到滤干扰信号;
S113:对滤干扰信号进行去除基线漂移处理;
S114:对消除基线漂移的信号进行滤波,得到有效的脑电信号。
6.如权利要求4所述的脑电特征提取和选择方法,其特征在于:所述步骤S12中基于时域分析的脑电特征提取包括但不限于提取统计参数和Hjorth参数。
7.如权利要求4所述的脑电特征提取和选择方法,其特征在于:所述步骤S12中基于时频域分析的脑电特征提取包括但不限于离散小波变换和经验模态分解。
8.如权利要求4所述的脑电特征提取和选择方法,其特征在于:所述步骤S12中基于熵理论与复杂度的脑电特征提取包括但不限于谱熵、近似熵、模糊熵以及LZ复杂度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010069660.0A CN111214226A (zh) | 2020-01-21 | 2020-01-21 | 一种脑电特征提取和选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010069660.0A CN111214226A (zh) | 2020-01-21 | 2020-01-21 | 一种脑电特征提取和选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111214226A true CN111214226A (zh) | 2020-06-02 |
Family
ID=70826110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010069660.0A Pending CN111214226A (zh) | 2020-01-21 | 2020-01-21 | 一种脑电特征提取和选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111214226A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111772585A (zh) * | 2020-07-13 | 2020-10-16 | 清华大学 | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 |
CN111950441A (zh) * | 2020-08-10 | 2020-11-17 | 苏州大学 | 上肢运动意图的fnirs实时解码方法及系统 |
CN113017650A (zh) * | 2021-03-12 | 2021-06-25 | 南昌航空大学 | 一种基于功率谱密度图像的脑电特征提取方法和系统 |
CN113289250A (zh) * | 2021-06-22 | 2021-08-24 | 河北启智教育科技有限公司 | 一种脑脉冲芯片 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
CN109620218A (zh) * | 2019-01-29 | 2019-04-16 | 杭州妞诺科技有限公司 | 脑电波智能筛查方法及系统 |
-
2020
- 2020-01-21 CN CN202010069660.0A patent/CN111214226A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
CN109620218A (zh) * | 2019-01-29 | 2019-04-16 | 杭州妞诺科技有限公司 | 脑电波智能筛查方法及系统 |
Non-Patent Citations (1)
Title |
---|
YONG-HUAN YUN等: "Using variable combination population analysis for variable selection in multivariate calibration", 《ANALYTICA CHIMICA ACTA》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111772585A (zh) * | 2020-07-13 | 2020-10-16 | 清华大学 | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 |
CN111950441A (zh) * | 2020-08-10 | 2020-11-17 | 苏州大学 | 上肢运动意图的fnirs实时解码方法及系统 |
CN113017650A (zh) * | 2021-03-12 | 2021-06-25 | 南昌航空大学 | 一种基于功率谱密度图像的脑电特征提取方法和系统 |
CN113289250A (zh) * | 2021-06-22 | 2021-08-24 | 河北启智教育科技有限公司 | 一种脑脉冲芯片 |
CN113289250B (zh) * | 2021-06-22 | 2022-03-29 | 河北启智教育科技有限公司 | 一种脑脉冲芯片 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111214226A (zh) | 一种脑电特征提取和选择方法 | |
Yadav et al. | Electrocardiogram signal denoising using non‐local wavelet transform domain filtering | |
Nguyen et al. | Adaptive ECG denoising using genetic algorithm-based thresholding and ensemble empirical mode decomposition | |
Abo-Zahhad et al. | An efficient technique for compressing ECG signals using QRS detection, estimation, and 2D DWT coefficients thresholding | |
Upadhyay et al. | A comparative study of feature ranking techniques for epileptic seizure detection using wavelet transform | |
CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
Ibrahim et al. | A statistical framework for EEG channel selection and seizure prediction on mobile | |
Liu et al. | Dictionary learning for VQ feature extraction in ECG beats classification | |
CN107728018A (zh) | 一种电力电缆现场局部放电信号的降噪方法 | |
Satija et al. | Noise‐aware dictionary‐learning‐based sparse representation framework for detection and removal of single and combined noises from ECG signal | |
Kumar et al. | Electrocardiogram signal compression using singular coefficient truncation and wavelet coefficient coding | |
CN103761424A (zh) | 基于二代小波和ica的肌电信号降噪与去混迭方法 | |
El B’charri et al. | The ECG signal compression using an efficient algorithm based on the DWT | |
Polanía et al. | Compressed sensing ECG using restricted Boltzmann machines | |
Mahendran et al. | An efficient priority‐based convolutional auto‐encoder approach for electrocardiogram signal compression in Internet of Things based healthcare system | |
Kumar et al. | Efficient compression technique based on temporal modelling of ECG signal using principle component analysis | |
Kumar Jha et al. | Diagnostic quality assured ECG signal compression with selection of appropriate mother wavelet for minimal distortion | |
CN111603161A (zh) | 一种脑电分类方法 | |
Li et al. | Signal denoising based on the Schrödinger operator's eigenspectrum and a curvature constraint | |
Rakshit et al. | Hybrid approach for ECG signal enhancement using dictionary learning‐based sparse representation | |
Kong et al. | Use of modified sample entropy measurement to classify ventricular tachycardia and fibrillation | |
Nguyen et al. | Wavelet transform and adaptive arithmetic coding techniques for EEG lossy compression | |
Thilagavathy et al. | A novel feature enhancement technique for ECG Arrhythmia classification using discrete anamorphic stretch transform | |
Ahmad et al. | Denoising of arrhythmia ECG signals | |
Kollem et al. | ECG Noise Removal Using FCN DAE Method |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200602 |
|
WD01 | Invention patent application deemed withdrawn after publication |