CN111227829A - 一种基于复杂网络特征指标的脑电图信号分析方法 - Google Patents

一种基于复杂网络特征指标的脑电图信号分析方法 Download PDF

Info

Publication number
CN111227829A
CN111227829A CN202010093996.0A CN202010093996A CN111227829A CN 111227829 A CN111227829 A CN 111227829A CN 202010093996 A CN202010093996 A CN 202010093996A CN 111227829 A CN111227829 A CN 111227829A
Authority
CN
China
Prior art keywords
network
brain
electroencephalogram
time
lead
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
Application number
CN202010093996.0A
Other languages
English (en)
Inventor
许学添
万晓辉
陈丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Justice Police Vocational College
Original Assignee
Guangdong Justice Police Vocational College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Justice Police Vocational College filed Critical Guangdong Justice Police Vocational College
Priority to CN202010093996.0A priority Critical patent/CN111227829A/zh
Publication of CN111227829A publication Critical patent/CN111227829A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/369Electroencephalography [EEG]
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/40Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4029Detecting, measuring or recording for evaluating the nervous system for evaluating the peripheral nervous systems
    • A61B5/4041Evaluating nerves condition
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/40Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064Evaluating the brain
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7253Details of waveform analysis characterised by using transforms
    • A61B5/7257Details of waveform analysis characterised by using transforms using Fourier transforms
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7253Details of waveform analysis characterised by using transforms
    • A61B5/726Details of waveform analysis characterised by using transforms using Wavelet transforms
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267Classification 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)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Neurosurgery (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种脑电图信号分析方法,包括以下步骤:包括以下步骤:S1:根据脑电图信号建立大脑功能性网络;S2:根据所述大脑功能网络,计算多个大脑功能网络的特征指标,建立特征指标向量;S3:根据所述大脑功能网络的特征指标向量,进行分类运算,完成脑电图分类。相对于现有技术,本发明的方法可以有效度量大脑功能网络的全局连通性、节点重要性以及刻画大脑的信息传递性,可以较准确地描述大脑的特征与状态。

Description

一种基于复杂网络特征指标的脑电图信号分析方法
技术领域
本发明属于脑电信号分析领域,尤其是涉及一种基于复杂网络特征指标的脑电图信号分析方法。
背景技术
脑电图(EEG)是通过精密的电子仪器,从头皮上将脑部的自发性生物电位加以放大记录而获得的图形,是通过电极记录下来的脑细胞群的自发性、节律性电活动。脑电信号具有较高的时间精度,可以动态观察大脑的状态变化,因此脑电图信号是诊断不同神经障碍和疾病的重要工具。大脑神经元之间相互作用、相互关联,使大脑成为一个复杂的动力学系统。将大脑看成一个功能网络,研究大脑不同区域的神经集群之间的时间相关性,以此来探索大脑不同区域之间的联系是大脑动力学系统的一种方法。目前大脑功能网络的建立方法,一般是根据不同电极间采集到的EEG信号皮尔逊相关系数来建立功能性网络,或者由不同电极间的EEG信号的锁相值,来建立功能网络,这些忽略了脑电信号在不同时刻的放电特性,建立的脑功能网络不能较好的反映大脑的真实状态。另外,传统脑电信号分析方法,也一般是从信号本身的特征(幅值、频谱、相位)去分析大脑神经系统相关疾病患者与正常人的EEG信号差异,无法大脑的整体连通关系去分析EEG信号,因此也忽略了大脑网络的一些高阶的隐藏的有价值的信息。
发明内容
本发明的目的在于提供一种基于复杂网络特征指标的脑电图信号分析方法,通过全脑域功率峰值附近时刻的锁相值建立大脑功能网络,再通过计算多个大脑功能网络的特征指标,建立特征指标向量,根据特征指标向量,进行分类运算,完成脑电图分类。
本发明是通过以下技术方案实现的:
一种基于复杂网络特征指标的脑电图信号分析方法,脑电图信号由多路导联电极采集,包括以下步骤:
S1:根据脑电图信号建立大脑功能性网络,具体步骤包括:
S11:计算全脑域功率GFP,
Figure BDA0002384631170000011
其中K为总的导联通电极数,代表K个节点,i为第i路导联,Vi(t)为第i路导联的EEG信号,Vmean(t)为t时刻K路导联信号的平均值;
S12:获取GFP的峰值时刻,记为时间序列t=[t1,t2,t3...tn];
S13:在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内,计算每两路导联脑电信号之间的锁相值;
S14:根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系,以此建立大脑功能网络;
S2:根据所述大脑功能网络,计算多个大脑功能网络的特征指标,建立特征指标向量;
S3:根据所述大脑功能网络的特征指标向量,进行分类运算,完成脑电图分类。
相对于现有技术,本发明的方法可以有效度量大脑功能网络的全局连通性、节点重要性以及刻画大脑的信息传递性,可以较准确地描述大脑的特征与状态。
进一步地,所述步骤S2的所述大脑功能网络的特征指标包括度、聚类系数、特征路径长度、小世界指标、网络密度、介数中心性、同配系数和信息熵。
进一步地,所述步骤S3的分类算法,包括支持向量机、KNN、决策树、贝叶斯分类器、神经网络。
进一步地,所述步骤S4,将所述锁相值指标与一阈值相比较,若所述锁相值指标大于或等于所述阈值,则判定节点之间有连接关系,或所述锁相值指标小于所述阈值,则判定节点之间没有连接关系,由此建立无权的大脑功能网络图。
进一步地,所述锁相值PLV的计算公式为:
Figure BDA0002384631170000021
其中
Figure BDA0002384631170000022
为两路导联脑电信号的相位关系值,N为时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内的采样点数。
进一步地,所述两路导联脑电信号的相位关系值
Figure BDA0002384631170000023
可以通过信号的时频分析来计算。
为了能更清晰的理解本发明,以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1是本发明脑电图信号分析的方法的流程图。
图2是全脑域功率峰值时刻表示图
图3是大脑功能网络建立表示图。
图4是大脑功能网络图。
具体实施方式
本发明提出一种基于复杂网络特征指标的脑电图信号分析方法,可以有效地分析大脑功能性网络。请参阅图1,本发明的脑电图信号分析的方法包括以下步骤:
S1:根据脑电图信号建立大脑功能网络。
由于脑电图信息一般由多路导联电极采集所得,因此可以建立不同电极之间的关联关系,由此来建立大脑功能网络。定义每个导联电极所测量区域为图中的一个节点,将多路EEG信号抽象为一个由点集和边集组成的图G:G=(V,E),其中V为节点的集合,对应EEG脑号采集的导联节点,E为连接的边。
脑电信号不同频带内的相位同步已被证明是解释神经元整合的一种可能机制,通过锁相值(PLV)来表示两路脑电信号的相位同步关系。全脑域功率(Global field power,GFP)代表每个瞬间大脑上的电场强度,因此通常用于测量全局大脑对事件的反应或表征大脑活动的快速变化,GFP曲线的峰值位置表示最强场强和最高地形信噪比的瞬间。本申请大脑功能网络的建立,利用GFP曲线的峰值位置的时刻来计算锁相值,可以较好地反映大脑神经元放电的过程。因此,步骤S1包括:
S11:计算全脑域功率GFP,
Figure BDA0002384631170000031
其中K为总的导联通电极数,代表K个节点,i为第i路导联,Vi(t)为第i路导联的EEG信号,Vmean(t)为t时刻K路导联信号的平均值。
S12:获取GFP的峰值时刻,记为时间序列t=[t1,t2,t3...tn]。
如图2所示,[t1,t2,t3...tn]对就的时刻即为GFP曲线的峰值时刻。
S13:在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内,计算每两路导联脑电信号之间的锁相值。
锁相值PLV的计算公式为:
Figure BDA0002384631170000032
其中
Figure BDA0002384631170000033
为两路导联脑电信号的相位关系值,N为时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内的采样点数。而两路导联脑电信号的相位关系值
Figure BDA0002384631170000034
可以通过信号的时频分析来计算,包括短时傅里叶变换、小波变换、希尔伯特黄变换和Cohen类时频分布等。
S14:根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系,以此建立大脑功能网络。
由步骤S13会计算得到时间序列[t1,t2,t3...tn]每个时刻ti(i∈[1,n])对应的多个锁相值,取这个多锁相值的平均值或其取其中的最大值来作为每两路导联脑电信号之间的锁相值指标,以此来描述两个节点之间的联系,因此可以建立带权的大脑功能网络图,节点与节点之间的权值即为锁相值指标;也可建立无权的大脑功能网络图,将锁相值指标与一阈值相比较,若锁相值指标大于或等于阈值,则判定节点之间有连接关系,或锁相值指标小于阈值,则判定节点之间没有连接关系,由此建立无权的大脑功能网络图。
对于大脑功能性网络图G,该图的无权邻接矩阵为W,其元素ωij计算如下:
Figure BDA0002384631170000041
若任两个节点i与j的EEG信号间的锁相值PLVij大于等于阈值δ,则认为大脑区域的节点i和j之间有连接关系,邻接矩阵W对应的元素ωij=1,反之,ωij=0,表示大脑区域的节点i与j之间有没有连接关系。
整个大脑功能网络图的建立过程图3所示,计算每两路脑电图信号的锁相值,得到一个有权重的邻接矩阵,再将锁相值与一阈值比较,建立大脑网络连接图的无权重邻接矩阵。
S2:根据所述大脑功能网络,计算多个大脑功能网络的特征指标,建立特征指标向量。
基于复杂网络理论的大脑连接网络图中具有很多有价值的网络特征,提取这些复杂网络特征参数可以有效反映大脑网络的性能及特点。根据步骤S1所建立的大脑功能网络,获取该网络的特征指标,包括度、聚类系数、特征路径长度、小世界指标、网络密度、介数中心性、同配系数和信息熵,这些指标的计算方式如下:
(1)度
对于网络图中一个节点,与其邻接的其他节点数,称为这个节点的度,整个网络的平均度
Figure BDA0002384631170000042
为:
Figure BDA0002384631170000043
其中N为网络节点数,ki为第i个节点的度。
(2)聚类系数
聚类系数表示网络中节点聚集程度,反映网络图的局部特征,对于节点i,其聚类系数为:
Figure BDA0002384631170000051
Ei为与节点i邻接的节点之间的实际连接边数,全网络的平均聚类系数
Figure BDA0002384631170000052
为:
Figure BDA0002384631170000053
(3)特征路径长度
对于网络中的节点i和j,定义连接这两个节点的最短路径上的边数为这两个节点的距离dij,特征路径长度为网络中全部节点两两之间的距离的平均值,体现了网络的连通性,表示为:
Figure BDA0002384631170000054
(4)介数中心性
介数中心性CBi表示在所有最短路径中经过节点i的路径数目占最短路径总数的占比,反映一个节点在网络中的“桥梁”作用,即其重要性,计算如下:
Figure BDA0002384631170000055
σsti表示节点s到节点t的最短路径中经过节点i的条数。
σst表示节点s到节点t的所有最短路径条数。
全网络的平均介数中心性
Figure BDA0002384631170000056
为:
Figure BDA0002384631170000057
(5)网络密度
网络密度用于表示网络的稠密程度,计算如下
Figure BDA0002384631170000058
其中M为网络中实际存在连接的边数。
(6)小世界系数
小世界系数表示网络是否具有小世界特性,小世界特性是指跟随机网络相比,网络具有较高的聚类系数和较低的特征路径长度,已经验证了大脑功能性网络具有小世界网络特征,计算如下:
Figure BDA0002384631170000061
CC和CCrand分别表示目标网络和随机网络的聚类系数,CPL和CPLrand分别表示目标网络和随机网络的特征路径长度,若SW>1,表示目标网络具有小世界特性。
(7)同配性
同配性是对于网络度分布的高阶描述,如果总体上度大的节点倾向于连接度大的节点,则称网络是同配的;如果总体上度大的节点倾向于连接度大小的节点,就称网络是异配的,计算公式如下:
Figure BDA0002384631170000062
其中,δx和δy为度为x和y的余平均度,余平均度表示度为k的节点的邻居节点的平均度,qx和qy为度为x和y的度分布,exy为度为x和y联合概率密度,即网络中随机选取的一条边的两个端点的度分别为x和y的概率。
(8)结构熵(entropy)
熵通常用来表示系统的"无秩序"的程度,网络结构熵[14]来表示大脑网络图的不均匀性和对信息的传递能力,定义网络结构熵为:
Figure BDA0002384631170000063
其中,
Figure BDA0002384631170000064
为每个节点度的概率,代表这个节点在网络中的重要程度。
根据上述的8个复杂网络特征构建特征网络向量,记为:F∈R8
Figure BDA0002384631170000065
S3:根据所述大脑功能网络的特征指标向量,进行分类运算,完成脑电图分类。
根据所述大脑功能网络的特征指标向量,配合脑电图信号的标签,例如脑电图是正常人的脑电图信号,或者神经系统相关疾病患者的脑电图信号,再利用机器学习相关的分类算法,完成脑电图智能分类训练,这些分类算法包括支持向量机、KNN、决策树、贝叶斯分类器和神经网络等,最后根据训练的分类模型完成脑电图分类。
以下对本发明的脑电图信号分析的方法的过程和具体应用进行描述。
首先,根据所要分析的脑电图信号,通过每两路导联节点的全脑域功率峰值附近时刻的锁相值,判断节点的连接关系,建立大脑功能网络;之后计算大脑功能网络的特征指标,建立特征指标向量;最后,根据网络模体特征向量完成脑电图分类,识别有病变的脑电图。
相对于现有技术,本发明的脑电图信号分析方法通过全脑域功率峰值附近时刻的锁相值建立大脑功能网络,再通过计算多个大脑功能网络的特征指标,包括度、聚类系数、特征路径长度、小世界指标、网络密度、介数中心性、同配系数和信息熵,建立特征指标向量,最后根据特征指标向量,进行分类运算,完成脑电图分类。该方法可以有效度量大脑功能网络的全局连通性、节点重要性以及刻画大脑的信息传递性,可以较准确地描述大脑的特征与状态,将该方法应用在大脑神经系统相关疾病患者的大脑功能性网络上,能为这些疾病的智能判断、预警及治疗提供一种全新的方法。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。

Claims (6)

1.一种脑电图信号分析方法,脑电图信号由多路导联电极采集,其特征在于:包括以下步骤:
S1:根据脑电图信号建立大脑功能性网络,具体步骤包括:
S11:计算全脑域功率GFP,
Figure RE-FDA0002456048930000011
其中K为总的导联通电极数,代表K个节点,i为第i路导联,Vi(t)为第i路导联的EEG信号,Vmean(t)为t时刻K路导联信号的平均值;
S12:获取GFP的峰值时刻,记为时间序列t=[t1,t2,t3...tn];
S13:在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内,计算每两路导联脑电信号之间的锁相值;
S14:根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系,以此建立大脑功能网络;
S2:根据所述大脑功能网络,计算多个大脑功能网络的特征指标,建立特征指标向量;
S3:根据所述大脑功能网络的特征指标向量,进行分类运算,完成脑电图分类。
2.根据权利要求1所述的脑电图信号分析方法,其特征在于:所述步骤S2的所述大脑功能网络的特征指标包括度、聚类系数、特征路径长度、小世界指标、网络密度、介数中心性、同配系数和信息熵。
3.根据权利要求2所述的脑电图信号分析方法,其特征在于:所述步骤S3的分类算法,包括支持向量机、KNN、决策树、贝叶斯分类器、神经网络。
4.根据权利要求2所述的脑电图信号分析方法,其特征在于:所述步骤S4,将所述锁相值指标与一阈值相比较,若所述锁相值指标大于或等于所述阈值,则判定节点之间有连接关系,或所述锁相值指标小于所述阈值,则判定节点之间没有连接关系,由此建立无权的大脑功能网络图。
5.根据权利要求3-4所述的脑电图信号分析方法,其特征在于:所述锁相值PLV的计算公式为:
Figure RE-FDA0002456048930000021
其中
Figure RE-FDA0002456048930000022
为两路导联脑电信号的相位关系值,N为时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内的采样点数。
6.根据权利要求5所述的脑电图信号分析方法,其特征在于:所述两路导联脑电信号的相位关系值
Figure RE-FDA0002456048930000023
可以通过信号的时频分析来计算。
CN202010093996.0A 2020-02-14 2020-02-14 一种基于复杂网络特征指标的脑电图信号分析方法 Pending CN111227829A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010093996.0A CN111227829A (zh) 2020-02-14 2020-02-14 一种基于复杂网络特征指标的脑电图信号分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010093996.0A CN111227829A (zh) 2020-02-14 2020-02-14 一种基于复杂网络特征指标的脑电图信号分析方法

Publications (1)

Publication Number Publication Date
CN111227829A true CN111227829A (zh) 2020-06-05

Family

ID=70867264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010093996.0A Pending CN111227829A (zh) 2020-02-14 2020-02-14 一种基于复杂网络特征指标的脑电图信号分析方法

Country Status (1)

Country Link
CN (1) CN111227829A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434623A (zh) * 2020-11-27 2021-03-02 四川大学 基于脑网络连通性的个体识别方法、系统及存储介质
CN112617860A (zh) * 2020-12-31 2021-04-09 山东师范大学 基于锁相值构建的脑功能连接网络的情绪分类方法及系统
CN112790741A (zh) * 2021-01-27 2021-05-14 复旦大学 脑血管形态特征定量分析方法
CN113180703A (zh) * 2021-05-13 2021-07-30 李天睿 一种基于网络拓扑描述的脑电信号分析方法
CN113367705A (zh) * 2021-04-07 2021-09-10 西北工业大学 基于改进的微状态分析的运动想象脑电信号分类方法
CN113558641A (zh) * 2021-06-23 2021-10-29 瑞尔明康(杭州)医疗科技有限公司 脑功能网络构建方法、装置、电子设备及存储介质
CN113974650A (zh) * 2021-06-29 2022-01-28 华南师范大学 一种脑电网络功能分析方法、装置,电子设备及存储介质
CN114298186A (zh) * 2021-12-20 2022-04-08 惠州学院 基于网络熵的脑认知状态识别方法
CN114652331A (zh) * 2022-03-08 2022-06-24 山东大学 一种基于混合现实的精确抓握肌间协调性测试评估系统
CN115294413A (zh) * 2022-10-10 2022-11-04 齐鲁工业大学 一种基于时序脑电数据的脑疾病分类方法
CN115563400A (zh) * 2022-09-19 2023-01-03 广东技术师范大学 一种基于模体加权聚合的多路网络社区检测方法及装置
CN116098634A (zh) * 2023-01-31 2023-05-12 首都医科大学宣武医院 一种基于刺激事件的脑功能检测评估方法、装置及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103110418A (zh) * 2013-01-24 2013-05-22 天津大学 一种脑电信号特征提取方法
CN104715150A (zh) * 2015-03-19 2015-06-17 上海海事大学 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法
CN106473736A (zh) * 2016-10-11 2017-03-08 天津大学 基于复杂网络的脑电信号分析方法及应用
CN108309329A (zh) * 2018-02-08 2018-07-24 陕西师范大学 一种基于脑网络分析的cnv脑电测谎方法
CN108577835A (zh) * 2018-05-17 2018-09-28 太原理工大学 一种基于微状态的脑功能网络构建方法
CN108764043A (zh) * 2018-04-26 2018-11-06 太原理工大学 基于动态功能连接的熵值的脑电分类方法
CN109447109A (zh) * 2018-09-17 2019-03-08 浙江工业大学 一种基于子图网络的图分类方法
CN109770923A (zh) * 2019-01-15 2019-05-21 五邑大学 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法
CN109893126A (zh) * 2019-03-21 2019-06-18 杭州电子科技大学 基于脑功能网络特征的癫痫发作预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103110418A (zh) * 2013-01-24 2013-05-22 天津大学 一种脑电信号特征提取方法
CN104715150A (zh) * 2015-03-19 2015-06-17 上海海事大学 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法
CN106473736A (zh) * 2016-10-11 2017-03-08 天津大学 基于复杂网络的脑电信号分析方法及应用
CN108309329A (zh) * 2018-02-08 2018-07-24 陕西师范大学 一种基于脑网络分析的cnv脑电测谎方法
CN108764043A (zh) * 2018-04-26 2018-11-06 太原理工大学 基于动态功能连接的熵值的脑电分类方法
CN108577835A (zh) * 2018-05-17 2018-09-28 太原理工大学 一种基于微状态的脑功能网络构建方法
CN109447109A (zh) * 2018-09-17 2019-03-08 浙江工业大学 一种基于子图网络的图分类方法
CN109770923A (zh) * 2019-01-15 2019-05-21 五邑大学 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法
CN109893126A (zh) * 2019-03-21 2019-06-18 杭州电子科技大学 基于脑功能网络特征的癫痫发作预测方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434623A (zh) * 2020-11-27 2021-03-02 四川大学 基于脑网络连通性的个体识别方法、系统及存储介质
CN112617860A (zh) * 2020-12-31 2021-04-09 山东师范大学 基于锁相值构建的脑功能连接网络的情绪分类方法及系统
CN112790741A (zh) * 2021-01-27 2021-05-14 复旦大学 脑血管形态特征定量分析方法
CN113367705A (zh) * 2021-04-07 2021-09-10 西北工业大学 基于改进的微状态分析的运动想象脑电信号分类方法
CN113180703A (zh) * 2021-05-13 2021-07-30 李天睿 一种基于网络拓扑描述的脑电信号分析方法
CN113558641A (zh) * 2021-06-23 2021-10-29 瑞尔明康(杭州)医疗科技有限公司 脑功能网络构建方法、装置、电子设备及存储介质
CN113974650A (zh) * 2021-06-29 2022-01-28 华南师范大学 一种脑电网络功能分析方法、装置,电子设备及存储介质
CN114298186A (zh) * 2021-12-20 2022-04-08 惠州学院 基于网络熵的脑认知状态识别方法
CN114298186B (zh) * 2021-12-20 2023-09-05 惠州学院 基于网络熵的脑认知状态识别方法
CN114652331A (zh) * 2022-03-08 2022-06-24 山东大学 一种基于混合现实的精确抓握肌间协调性测试评估系统
CN115563400A (zh) * 2022-09-19 2023-01-03 广东技术师范大学 一种基于模体加权聚合的多路网络社区检测方法及装置
CN115563400B (zh) * 2022-09-19 2023-06-13 广东技术师范大学 一种基于模体加权聚合的多路网络社区检测方法及装置
CN115294413A (zh) * 2022-10-10 2022-11-04 齐鲁工业大学 一种基于时序脑电数据的脑疾病分类方法
CN115294413B (zh) * 2022-10-10 2023-01-24 齐鲁工业大学 一种基于时序脑电数据的脑疾病分类方法
CN116098634A (zh) * 2023-01-31 2023-05-12 首都医科大学宣武医院 一种基于刺激事件的脑功能检测评估方法、装置及系统

Similar Documents

Publication Publication Date Title
CN111227829A (zh) 一种基于复杂网络特征指标的脑电图信号分析方法
CN104586387B (zh) 一种时、频、空域多参数脑电特征提取与融合方法
CN111419221A (zh) 一种基于图卷积网络的脑电图信号分析方法
CN111227827B (zh) 一种基于社区划分算法的脑电图信号分析方法
Hosseini et al. The comparison of different feed forward neural network architectures for ECG signal diagnosis
CN112450947B (zh) 一种针对情绪唤醒度的动态脑网络分析方法
CN113080994A (zh) 一种基于卷积神经网络的多导联心电信号分类方法
CN109271887A (zh) 一种用于脑电模式识别的复合空间滤波与模板匹配方法
CN109657646B (zh) 生理时间序列的特征表示与提取方法、装置及存储介质
CN114492513A (zh) 跨用户场景下基于注意力机制的对抗域适应的脑电情绪识别方法
CN111310656A (zh) 基于多线性主成分分析的单次运动想象脑电信号识别方法
CN111227826A (zh) 一种基于网络模体的脑电图信号分析方法
Ince et al. Automated patient-specific classification of premature ventricular contractions
Alzahab et al. Efficient feature selection for electroencephalogram-based authentication
CN111931578B (zh) 一种基于最小生成树和区域双层网络的脑电识别方法
CN112698720B (zh) 一种基于互信息特征提取及多人融合的运动想象识别方法
CN112259228A (zh) 一种动态注意力网络非负矩阵分解的抑郁症筛选方法
Behrouzi et al. Understanding power of graph convolutional neural network on discriminating human EEG signal
CN115886735A (zh) 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置
CN109117790B (zh) 一种基于频空指标的脑纹识别方法
CN111227828A (zh) 一种大脑功能网络的建立方法
CN116269440A (zh) 一种脑电信号的特征提取方法、装置、系统及介质
Su et al. Multi-domain gating network for classification of cancer cells using gene expression data
CN116027888A (zh) 一种基于plv动态脑功能网络的p300意图识别方法
CN114048784A (zh) 基于共空间模式模糊小波包的脑电信号疲劳特征提取方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200605