CN111603135A - 一种基于主从支持向量机的低功耗癫痫检测电路 - Google Patents
一种基于主从支持向量机的低功耗癫痫检测电路 Download PDFInfo
- Publication number
- CN111603135A CN111603135A CN202010393814.1A CN202010393814A CN111603135A CN 111603135 A CN111603135 A CN 111603135A CN 202010393814 A CN202010393814 A CN 202010393814A CN 111603135 A CN111603135 A CN 111603135A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- master
- module
- slave
- 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
- A61B5/40—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Neurosurgery (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主从支持向量机的低功耗癫痫检测电路,属于智能医疗应用领域。所述电路包括:时钟模块、特征提取模块、主从支持向量机模块以及判定模块;主从支持向量机模块包括主支持向量机和从支持向量机,主支持向量机为线性支持向量机,从支持向量机为非线性支持向量机;主支持向量机控制从支持向量机的启动和关闭;检测过程中,主支持向量机检测出癫痫发作的开始,启动从支持向量机,从支持向量机校正癫痫发作的结束;所述主从支持向量机模块的检测结果为主从支持向量机检测结果的逻辑与。本申请利用主从支持向量机和连续序列检测,使得确保检测性能的前提下,大幅度的减少运算复杂度,降低了功耗,更好的适应智能医疗应用的要求。
Description
技术领域
本发明涉及一种基于主从支持向量机的低功耗癫痫检测电路,属于智能医疗应用领域。
背景技术
截至2019年,世界卫生组织数据显示全球有6000万癫痫患者。众所周知,癫痫是一种由神经元细胞突然过度放电引起的慢性并以反复发作为特征的神经疾病,发作时会从短暂的注意力转移或肌肉抽搐到严重并持续抽搐。由于癫痫发作的特殊性,给患者带来了极大的社会生活困难,例如歧视、孤立、恐惧、无法开车和工作。而脑部疾病众多,因此,正确的检测和诊断意义重大。
针对癫痫发作检测,早期长程脑电(Electroencephalogram,EEG)监测是最为有效的癫痫诊断和检测方法,该方法依赖于专家医师观察EEG记录和一些辅助设备,需要患者在特定地方(比如医院)进行诊断,非常费时枯燥而且患者不可能常年处于观察状态。
另一方面,EEG特征和诊断结果之间的关系难以描述,因此早期传统的脑电处理器仅负责采集EEG并上传至云端,然后再由有经验的专家医师进行分析以得出诊断结果。近年来,机器学习蓬勃发展,利用机器学习算法模型可以从海量数据中学习出输入到输出的对应关系,从而进行识别和诊断。比如,Muhammad Altaf利用高斯支持向量机(supportvector machine,SVM)提出了一种8通道的病人定制癫痫检测SOC(参见A 1.83 J/Classification,8-Channel,Patient-Specific Epileptic Seizure ClassificationSoC Using a Non-Linear Support Vector Machine),平均检测率、平均误报率和延时分别为95%、0.94%和2s,但是其功耗高达334.1μW。Jerald Yoo利用7个带通滤波器提取EEG频域特征(参见An 8-Channel Scalable EEG Acquisition SoC With Patient-SpecificSeizure Classification and Recording Processor),使用单个线性SVM处理器进行检测,功耗降至1.49μJ/分类,但其敏感性也降低较多,仅为84.4%,延时为2s。魏明成介绍了一种闭环神经SoC实时颅内脑电图采集系统(参见A Fully Integrated 8-ChannelClosed-Loop Neural-Prosthetic SoC for Real-Time Epileptic Seizure Control),通过提取EEG时域熵特征,利用最小二乘法分类器检测癫痫,该系统获得了92%的敏感性和77.9μJ/分类,虽然敏感性相对于单个线性SVM处理器有所提高,但其功耗也增加较多。
上述方法中,一部分为了追求更高的检测性能如敏感性而使用了复杂的分类算法和特征提取方法,从而造成很大的功耗,另一部分使用单个线型SVM检测,功耗虽有所降低,但同时也降低了检测电路的敏感性。
发明内容
为了在达到检测敏感性要求的前提下尽量降低功耗,本发明提供了一种基于主从SVM的低功耗癫痫检测电路,所述电路包括:时钟模块、特征提取模块、主从SVM模块以及判定模块;
所述时钟模块分别与所述特征提取模块、所述主从SVM模块及所述判定模块连接,所述特征提取模块、所述主从SVM模块、所述判定模块依次连接;
所述主从SVM模块包括主SVM和从SVM,主SVM为线性SVM,从SVM为非线性SVM;主SVM控制从SVM的启动和关闭;检测过程中,主SVM检测出癫痫发作的开始,启动从SVM,从SVM校正癫痫发作的结束;所述主从SVM模块的检测结果为主从SVM检测结果的逻辑与。
可选的,所述主从SVM模块中,主SVM初始状态为0,检测到癫痫发作时状态变为1,从SVM初始状态为“1”,每检测一次恢复初始状态,主从SVM模块输出的检测结果为主从SVM检测结果的逻辑与。
可选的,所述主从SVM模块输出检测结果给所述判定模块,所述判定模块包括一个连续k个1的111……111序列检测器;当主从SVM模块连续给出k个预发作状态1时,认定原始EEG的癫痫发作。
可选的,所述时钟模块生成频率为fsamp及其2分频时钟f2、4分频时钟f4、8分频时钟f8、16分频时钟f16和32分频时钟f32、检测时钟fp、判定时钟fd;所述时钟模块将频率fsamp及其2分频时钟f2、4分频时钟f4、8分频时钟f8、16分频时钟f16和32分频时钟f32接入特征提取模块中,将检测时钟fp的时钟接入主从SVM模块中,将fd接入判定模块中。
可选的,所述特征提取模块主要用于提取频域特征,特征为小波分解系数能量子:R2、R3、R4;所述特征提取模块生成由小波分解系数能量子组成的3维特征向量Z=(R2、R3、R4)并传输到所述主从SVM模块。
可选的,所述k取5。
可选的,所述电路使用SMIC 65nm 2P6M工艺实现。
可选的,所述特征提取模块的输入为采集到的N×1维脑电信号EEG。
本发明还提供一种低功耗癫痫检测设备,所述低功耗癫痫检测设备包括上述基于主从SVM的低功耗癫痫检测电路。
本发明有益效果是:
本申请针对癫痫检测在硬件实现当中存在功耗较大的问题,提供一种基于主从SVM的低功耗癫痫检测电路的实现及其方法,将输入的N×1维癫痫患者脑电数据输入特征提取模块,取得特征向量后再将其作为高维空间点输入主从SVM模块,其中主从SVM模块包括一个简单的线型SVM和较复杂的非线型SVM。在实时检测中,主SVM一直处于工作状态,一旦检测到癫痫发作,开启复杂的从SVM,对主SVM和从SVM的结果进行与运算,最后通过连续序列检测降低离散噪声影响,发出警报标志;本发明提供的基于主从SVM的低功耗癫痫检测电路,完成对癫痫患者脑电信号的检测处理,在保证检测性能的基础上大大降低了功耗。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例中的基于主从SVM的低功耗癫痫检测电路的组成示意图,其中:1—时钟模块;2—特征提取模块;3—主从SVM模块;4—判定模块。
图2是本发明一个实施例中的特征提取模块的电路结构图。
图3是本发明一个实施例中的主从SVM模块的结构图。
图4是本发明一个实施例中的线性SVM的癫痫实时检测示意图。
图5是本发明一个实施例中的主从SVM模块的硬件结构图。
图6是本发明中一个实施例中的整个电路的后端版图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种基于主从SVM的低功耗癫痫检测电路,用于对癫痫患者脑电信号的检测处理,参见图1,所述电路包括:
时钟模块、特征提取模块、主从SVM模块以及判定模块;所述时钟模块分别与特征提取模块、主从SVM模块及判定模块连接,特征提取模块、主从SVM模块、判定模块依次连接。
对癫痫患者脑电信号进行处理时,将患者脑电信号输入到特征提取模块的输入端,所述特征提取模块对输入的N×1维EEG脑电信号进行特征提取,所述特征提取模块的输出端与主从SVM模块连接,特征提取模块将提取出的EEG脑电信号的特征传输给主从SVM模块,主从SVM模块对其进行处理后,将处理结果传输到判定模块,判定模块计算最终的检测结果。
其中,时钟分频模块1生成频率为fsamp及其2分频时钟f2、4分频时钟f4、8分频时钟f8、16分频时钟f16和32分频时钟f32、检测时钟fp、判定时钟fd。
为获取小波系数,时钟模块1将频率fsamp的采样时钟及其分频时钟即2分频时钟f2、4分频时钟f4、8分频时钟f8、16分频时钟f16和32分频时钟f32接入特征提取模块2中,将检测时钟fp=f2接入主从SVM模块3中,将判定时钟fd=f2接入判定模块4中。
如图2所示,为本发明一个实施例中特征提取模块的结构图:特征提取模块包括4层小波变换和能量子计算。小波分解的过程可以看作是EEG脑电信号和小波滤波器系数的卷积过程。在得到小波分解系数d2、d3、d4后,需要计算小波系数能量子,小波能量是将信号进行小波分解后计算出的细节参量的能量值。此外,由小波变化的框架理论,如果小波基函数是一组正交基函数,那么小波变换具有能量守恒的性质。因此癫痫发作前后的EEG能量变化相应的也会在频谱中有所变化。
定义尺度j(分解层数)下的小波能量为该尺度下细节系数d(k)可由以下公式表示:
R=∑k|dj(k)| (1)
因此,本模块可得出一段脑电数据的Z=(R2,R3,R4)小波系数能量子的三维向量。
如图3所示,为本发明一个实施例中主从SVM模块的结构图:主从SVM模块包括1个简单的主SVM和1个复杂的从SVM,主从SVM模块利用已训练好的检测模型将输入的特征向量进行检测计算,采用主从控制方式,主SVM模块控制从SVM模块的开启和关闭。
本申请发明人在对脑电信号检测研究中,使用现有的线性SVM和高斯SVM对某患者EEG进行了训练检测。检测得出线性SVM和高斯SVM平均检测率为74.5%和90.9%,打开检测标签发现,线性SVM可准确检测出癫痫发作的开始,但是癫痫的结束和专家标签相差很大,如图4所示。通过对癫痫发作信号的分析,发现癫痫的发作是急性的,因而在发作初期信号能量骤增且有较清晰的分界。而发作结束后,大脑神经元缓慢恢复至正常状态,能量的回归关系较为复杂。
由此提出一种主从SVM癫痫检测算法,把实时EEG划分3个阶段,发作前期、发作期和发作后期,使用一个简单的线性SVM,作为主SVM分类发作前期和非发作前期,当检测到非发作前期时,启动一个复杂的非线性SVM作为从SVM,分类发作期和发作后期,确定了癫痫发作的终止。
具体检测过程中,首先特征向量进入主从SVM模块,主从SVM对特征向量构成的三维空间进行分割检测,此时EEG发作期标签为“0”,而非发作期标签为“1”,主SVM训练后的模型计算标签,在未检测到发作时,标签为“0”,而从SVM始终关闭,处于初始状态“1”,逻辑“与”结果为“0”,即未发作。
当主SVM检测到发作时,立刻打开从SVM,在从SVM中,发作期标签为“1”,发作后期标签为“0”。若一直发作,从SVM计算结果也为“1”,逻辑“与”结果为“1”,即发作。反之,逻辑“与”结果为“0”,即未发作,此时检测到实时EEG发作的结束。
在实时EEG中,癫痫发作的状态毕竟数目较少,大多数时间非线性SVM是关闭状态,从而把算法的复杂度进行了合理的分配。为了降低实时EEG中离散噪声影响,对上述结果进行连续序列检测,当连续k个1时,才记一次发作,输出最终结果。
为验证本申请所提出的基于主从SVM的低功耗癫痫检测电路的有益效果,本申请使用波士顿儿童医院的开源数据库CHB-MIT Scalp EEG Database来评估性能,每个患者通过国际标准10-20系统通道,分辨率为256Hz,16位ADC连续采集9-42小时的EEG。脑科专家观测并标记了癫痫发作的起始时间。研究中采用年龄不小于10岁患者的C3-P3通道作为信号来源。采用本申请提出的基于主从SVM的低功耗癫痫检测电路对1号患者数据集训练和实时检测,发作期定义为专家标记数据,共120组发作数据,发作后期定义发作组后的3分钟内的数据,随机选取120组,发作前期为其他,随机选取3000组。使用3折交叉验证获得测试集和训练集,进行训练,获得主从SVM的模型,最后权衡性能和算法复杂度,选取线性SVM+2阶多项式SVM+连续“11111”序列检测组合。
检测结果表明,采用本申请提出的基于主从SVM的低功耗癫痫检测算法实时检测1号患者癫痫发作的敏感度、特异性和误报率达到93.5%、98.00%和0.32/h,表明本申请能够比较准确的判定癫痫的发作,且误报率极低。
在硬件实现中,高耗时的训练部分在PC端实现,此模块实现推论部分,其中SVM的推论表达式为:
本申请提出的基于主从SVM的低功耗癫痫检测电路中,线性核函数为:
多项式核函数为:
把(4)(5)核函数分别代入推论表达式(2),并根据主从SVM已知的模型参数对其化简:
coj=yi·αi (8)
公式(5)中,为分类标签yi、支持向量系数αi、支持向量的乘积,即公式(6),公式(7)中,coj为分类标签yi、支持向量系数αi的乘积,即公式(8),为支持向量。其中分类标签、支持向量系数和支持向量均由训练和化简计算得出,并做定点处理,按地址顺序存储于电路中。由于导出的支持向量和特征向量都是3维向量,因此使用3个乘法器可实现核运算,公式(8)的除2用移位实现,主从SVM模块的硬件结构如图5。
一种基于主从SVM的低功耗癫痫检测电路,工作过程如下:
步骤一.通过时钟模块1生成频率为fsamp及其2分频时钟f2、4分频时钟f4、8分频时钟f8、16分频时钟f16和32分频时钟f32;
步骤二.在fsamp及其分频时钟频率下,患者脑电信号输入特征提取模块中,特征提取模块生成3维小波系数能量子特征向量Z并传输到主从SVM模块;
步骤三.通过时钟模块,在频率f2的时钟下,所述主从SVM模块将输入的特征向量Z利用已建立模型进行检测。所述主从SVM模块得出结果,再将结果传输到判定模块中。
步骤四.接收来自主从SVM模块的处理结果,采取连续序列检测机制,当连续给出k个预发作状态,则认定原始脑电信号的癫痫即将发作并发出警报。
本申请所提出的癫痫检测电路使用SMIC 65nm 2P6M工艺实现,如图6,内核面积为185μm×222μm,在内核为1.2V,主频为400kHz,版图功耗的仿真结果为1.584μW。对于每次检测,处理器的平均功耗为7.92nJ,表1展示了所提出的处理器和其他癫痫检测处理器的对比。
表1癫痫检测结果对比
从表1可以看出,本专利电路的敏感性和特异性处于线性和高斯SVM之间,但是功耗均低于二者,一方面是由于本申请低复杂度的特征提取方法和主从SVM检测方法,另一方面是由于工艺的发展,本申请选取的65nm制造工艺,一定程度降低了电路功耗和面积。此外,本申请未考虑各个患者的差异和通道相关性,仅采用单通道检测,这种方式也降低了功耗。
相比于现有方法,本申请摒弃算法复杂度很高且硬件功耗大的高斯SVM和检测性能较差的单线性SVM,利用主从SVM和连续序列检测,使得确保本申请所提供的电路的检测性能的前提下,大幅度的减少运算复杂度,符合了低功耗的要求。综述,本发明能更好的适应智能医疗应用的要求。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于主从支持向量机的低功耗癫痫检测电路,其特征在于,所述电路包括:时钟模块、特征提取模块、主从支持向量机模块以及判定模块;
所述时钟模块分别与所述特征提取模块、所述主从支持向量机模块及所述判定模块连接,所述特征提取模块、所述主从支持向量机模块、所述判定模块依次连接;
所述主从支持向量机模块包括主支持向量机和从支持向量机,主支持向量机为线性支持向量机,从支持向量机为非线性支持向量机;主支持向量机控制从支持向量机的启动和关闭;检测过程中,主支持向量机检测出癫痫发作的开始,启动从支持向量机,从支持向量机校正癫痫发作的结束;所述主从支持向量机模块的检测结果为主从支持向量机检测结果的逻辑与。
3.根据权利要求2所述的电路,其特征在于,所述主从支持向量机模块中,主支持向量机初始状态为0,检测到癫痫发作时状态变为1,从支持向量机初始状态为“1”,每检测一次恢复初始状态,主从支持向量机模块输出的检测结果为主从支持向量机检测结果的逻辑与。
4.根据权利要求3所述的电路,其特征在于,所述主从支持向量机模块输出检测结果给所述判定模块,所述判定模块包括一个连续k个1的111……111序列检测器;当主从支持向量机模块连续给出k个预发作状态1时,认定原始EEG的癫痫发作。
5.根据权利要求4所述的电路,其特征在于,所述时钟模块生成频率为fsamp及其2分频时钟f2、4分频时钟f4、8分频时钟f8、16分频时钟f16和32分频时钟f32、检测时钟fp、判定时钟fd;所述时钟模块将频率fsamp及其2分频时钟f2、4分频时钟f4、8分频时钟f8、16分频时钟f16和32分频时钟f32接入特征提取模块中,将检测时钟fp的时钟接入主从支持向量机模块中,将fd接入判定模块中。
6.根据权利要求5所述的电路,其特征在于,所述特征提取模块主要用于提取频域特征,特征为小波分解系数能量子:R2、R3、R4;所述特征提取模块生成由小波分解系数能量子组成的3维特征向量Z=(R2、R3、R4)并传输到所述主从支持向量机模块。
7.根据权利要求4所述的电路,其特征在于,所述k取5。
8.根据权利要求6所述的电路,其特征在于,所述电路使用SMIC 65nm 2P6M工艺实现。
9.根据权利要求8所述的电路,其特征在于,所述特征提取模块的输入为采集到的N×1维脑电信号EEG。
10.一种低功耗癫痫检测设备,其特征在于,所述低功耗癫痫检测设备包括权利要求1-9任一所述的基于主从支持向量机的低功耗癫痫检测电路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010393814.1A CN111603135B (zh) | 2020-05-11 | 2020-05-11 | 一种基于主从支持向量机的低功耗癫痫检测电路 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010393814.1A CN111603135B (zh) | 2020-05-11 | 2020-05-11 | 一种基于主从支持向量机的低功耗癫痫检测电路 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111603135A true CN111603135A (zh) | 2020-09-01 |
CN111603135B CN111603135B (zh) | 2021-09-28 |
Family
ID=72195033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010393814.1A Active CN111603135B (zh) | 2020-05-11 | 2020-05-11 | 一种基于主从支持向量机的低功耗癫痫检测电路 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111603135B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112545526A (zh) * | 2020-12-10 | 2021-03-26 | 青岛大爱慈康智能医疗科技有限公司 | 一种心电信号检测方法及装置 |
CN112545501A (zh) * | 2020-12-10 | 2021-03-26 | 徐岩 | 一种血液成分浓度检测方法及装置 |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594361A (zh) * | 2009-06-02 | 2009-12-02 | 浙江大学 | 基于支持向量机简化算法的网络入侵检测系统 |
WO2010115939A2 (en) * | 2009-04-07 | 2010-10-14 | National University Of Ireland, Cork | A method for the real-time identification of seizures in an electroencephalogram (eeg) signal |
US20120143017A1 (en) * | 2007-02-21 | 2012-06-07 | Neurovista Corporation | Classification of patient condition using known and artifical classes |
CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
CN104173045A (zh) * | 2014-08-15 | 2014-12-03 | 浙江大学医学院附属第二医院 | 一种癫痫发作预警系统 |
CN104757968A (zh) * | 2014-08-08 | 2015-07-08 | 沈阳工业大学 | 儿童失神性癫痫发作情况的中间数据统计评价方法 |
CN104887224A (zh) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | 面向癫痫脑电信号的特征提取与自动识别方法 |
CN104887222A (zh) * | 2015-05-11 | 2015-09-09 | 重庆大学 | 可逆化脑电信号分析方法 |
CN105046273A (zh) * | 2015-07-07 | 2015-11-11 | 南京邮电大学 | 基于多尺度样本熵的癫痫脑皮层电图信号分类方法 |
EP3011895A1 (en) * | 2014-10-26 | 2016-04-27 | Tata Consultancy Services Limited | Determining cognitive load of a subject from Electroencephalography (EEG) signals |
CN105894039A (zh) * | 2016-04-25 | 2016-08-24 | 京东方科技集团股份有限公司 | 情绪识别模型建立方法、情绪识别方法及装置、智能设备 |
CN106203485A (zh) * | 2016-07-01 | 2016-12-07 | 北京邮电大学 | 一种支持向量机的并行训练方法及装置 |
CN106559625A (zh) * | 2016-11-24 | 2017-04-05 | 天津大学 | 基于eeg对立体视频不同视差位置字幕舒适度评价方法 |
US20170156592A1 (en) * | 2015-12-02 | 2017-06-08 | Mediatek Inc. | Healthcare systems and monitoring method for physiological signals |
CN107049239A (zh) * | 2016-12-28 | 2017-08-18 | 苏州国科康成医疗科技有限公司 | 基于可穿戴设备的癫痫脑电特征提取方法 |
CN107788976A (zh) * | 2017-09-22 | 2018-03-13 | 复旦大学 | 基于振幅整合脑电图的睡眠监测系统 |
WO2018088871A1 (ko) * | 2016-11-14 | 2018-05-17 | 고려대학교 산학협력단 | 생체 데이터를 이용한 프로그램의 난이도 및 프로그래머의 수준 예측 분류 시스템 |
CN108836324A (zh) * | 2018-05-16 | 2018-11-20 | 广东工业大学 | 一种基于脑电信号监测的疲劳驾驶预警方法及系统 |
CN108937922A (zh) * | 2018-04-13 | 2018-12-07 | 中国地质大学(武汉) | 一种adhd的诊断模型建立方法、存储模块以及处理设备 |
CN108985336A (zh) * | 2018-06-19 | 2018-12-11 | 三峡大学 | 一种基于多层支持向量机的水果品质分类方法 |
WO2019078323A1 (ja) * | 2017-10-20 | 2019-04-25 | パナソニック株式会社 | 脳波測定システム、脳波測定方法、プログラム、及び非一時的記録媒体 |
CN109998536A (zh) * | 2019-03-28 | 2019-07-12 | 西安交通大学 | 一种基于支持向量机的癫痫检测集成电路及其训练方法 |
US20190328307A1 (en) * | 2010-10-01 | 2019-10-31 | Flint Hills Scientific, L.L.C. | Detecting, assessing and managing epilepsy using a multi-variate, metric-based classification analysis |
CN110432898A (zh) * | 2019-07-04 | 2019-11-12 | 北京大学 | 一种基于非线性动力学特征的癫痫发作脑电信号分类系统 |
AU2019101151A4 (en) * | 2019-09-30 | 2020-01-23 | Chen, Ke MISS | Classify Mental States from EEG Signal Using Xgboost Algorithm |
US10542904B2 (en) * | 2014-04-23 | 2020-01-28 | Case Western Reserve University | Systems and methods for at home neural recording |
-
2020
- 2020-05-11 CN CN202010393814.1A patent/CN111603135B/zh active Active
Patent Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120143017A1 (en) * | 2007-02-21 | 2012-06-07 | Neurovista Corporation | Classification of patient condition using known and artifical classes |
WO2010115939A2 (en) * | 2009-04-07 | 2010-10-14 | National University Of Ireland, Cork | A method for the real-time identification of seizures in an electroencephalogram (eeg) signal |
US20120101401A1 (en) * | 2009-04-07 | 2012-04-26 | National University Of Ireland | Method for the real-time identification of seizures in an electroencephalogram (eeg) signal |
CN101594361A (zh) * | 2009-06-02 | 2009-12-02 | 浙江大学 | 基于支持向量机简化算法的网络入侵检测系统 |
US20190328307A1 (en) * | 2010-10-01 | 2019-10-31 | Flint Hills Scientific, L.L.C. | Detecting, assessing and managing epilepsy using a multi-variate, metric-based classification analysis |
CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
US10542904B2 (en) * | 2014-04-23 | 2020-01-28 | Case Western Reserve University | Systems and methods for at home neural recording |
CN104757968A (zh) * | 2014-08-08 | 2015-07-08 | 沈阳工业大学 | 儿童失神性癫痫发作情况的中间数据统计评价方法 |
CN104173045A (zh) * | 2014-08-15 | 2014-12-03 | 浙江大学医学院附属第二医院 | 一种癫痫发作预警系统 |
EP3011895A1 (en) * | 2014-10-26 | 2016-04-27 | Tata Consultancy Services Limited | Determining cognitive load of a subject from Electroencephalography (EEG) signals |
CN104887222A (zh) * | 2015-05-11 | 2015-09-09 | 重庆大学 | 可逆化脑电信号分析方法 |
CN104887224A (zh) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | 面向癫痫脑电信号的特征提取与自动识别方法 |
CN105046273A (zh) * | 2015-07-07 | 2015-11-11 | 南京邮电大学 | 基于多尺度样本熵的癫痫脑皮层电图信号分类方法 |
US20170156592A1 (en) * | 2015-12-02 | 2017-06-08 | Mediatek Inc. | Healthcare systems and monitoring method for physiological signals |
CN105894039A (zh) * | 2016-04-25 | 2016-08-24 | 京东方科技集团股份有限公司 | 情绪识别模型建立方法、情绪识别方法及装置、智能设备 |
CN106203485A (zh) * | 2016-07-01 | 2016-12-07 | 北京邮电大学 | 一种支持向量机的并行训练方法及装置 |
WO2018088871A1 (ko) * | 2016-11-14 | 2018-05-17 | 고려대학교 산학협력단 | 생체 데이터를 이용한 프로그램의 난이도 및 프로그래머의 수준 예측 분류 시스템 |
CN106559625A (zh) * | 2016-11-24 | 2017-04-05 | 天津大学 | 基于eeg对立体视频不同视差位置字幕舒适度评价方法 |
CN107049239A (zh) * | 2016-12-28 | 2017-08-18 | 苏州国科康成医疗科技有限公司 | 基于可穿戴设备的癫痫脑电特征提取方法 |
CN107788976A (zh) * | 2017-09-22 | 2018-03-13 | 复旦大学 | 基于振幅整合脑电图的睡眠监测系统 |
WO2019078323A1 (ja) * | 2017-10-20 | 2019-04-25 | パナソニック株式会社 | 脳波測定システム、脳波測定方法、プログラム、及び非一時的記録媒体 |
CN108937922A (zh) * | 2018-04-13 | 2018-12-07 | 中国地质大学(武汉) | 一种adhd的诊断模型建立方法、存储模块以及处理设备 |
CN108836324A (zh) * | 2018-05-16 | 2018-11-20 | 广东工业大学 | 一种基于脑电信号监测的疲劳驾驶预警方法及系统 |
CN108985336A (zh) * | 2018-06-19 | 2018-12-11 | 三峡大学 | 一种基于多层支持向量机的水果品质分类方法 |
CN109998536A (zh) * | 2019-03-28 | 2019-07-12 | 西安交通大学 | 一种基于支持向量机的癫痫检测集成电路及其训练方法 |
CN110432898A (zh) * | 2019-07-04 | 2019-11-12 | 北京大学 | 一种基于非线性动力学特征的癫痫发作脑电信号分类系统 |
AU2019101151A4 (en) * | 2019-09-30 | 2020-01-23 | Chen, Ke MISS | Classify Mental States from EEG Signal Using Xgboost Algorithm |
Non-Patent Citations (2)
Title |
---|
WANG YUN: "基于推土机距离和支持向量机的脑电癫痫检测算法", 《JOURNAL OF MEASUREMENT SCIENCE AND INSTRUMENTATION》 * |
YUANFA WANG: "Hardware design of multiclass SVM classification for epilepsy and epileptic seizure detection", 《THE INSTITUTION OF ENGINEERING AND TECHNOLOGY》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112545526A (zh) * | 2020-12-10 | 2021-03-26 | 青岛大爱慈康智能医疗科技有限公司 | 一种心电信号检测方法及装置 |
CN112545501A (zh) * | 2020-12-10 | 2021-03-26 | 徐岩 | 一种血液成分浓度检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111603135B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ozdemir et al. | Epileptic eeg classification by using time-frequency images for deep learning | |
Hsieh et al. | Feature selection framework for XGBoost based on electrodermal activity in stress detection | |
CN111523601B (zh) | 一种基于知识引导和生成对抗学习的潜在情绪识别方法 | |
AlSharabi et al. | EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches | |
Kalaivani et al. | Analysis of EEG signal for the detection of brain abnormalities | |
Ali et al. | Evaluation of electrocardiogram signals classification using CNN, SVM, and LSTM algorithm: A review | |
Huang et al. | A review of electroencephalogram signal processing methods for brain-controlled robots | |
Dong et al. | A WPCA-based method for detecting fatigue driving from EEG-based internet of vehicles system | |
Alaskar | Deep learning-based model architecture for time-frequency images analysis | |
CN111603135B (zh) | 一种基于主从支持向量机的低功耗癫痫检测电路 | |
CN111202512A (zh) | 一种基于小波变换与dcnn的心电图分类方法和装置 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
Li et al. | Patient-specific seizure prediction from electroencephalogram signal via multichannel feedback capsule network | |
He et al. | Simultaneous human health monitoring and time-frequency sparse representation using EEG and ECG signals | |
Zhang et al. | An amplitudes-perturbation data augmentation method in convolutional neural networks for EEG decoding | |
Wang et al. | Dual-modal information bottleneck network for seizure detection | |
Kumari et al. | Performance evaluation of neural networks and adaptive neuro fuzzy inference system for classification of cardiac arrhythmia | |
Saminu et al. | Epilepsy detection and classification for smart IoT devices using hybrid technique | |
Ding et al. | EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals | |
Kalwa et al. | Neuromuscular disease classification based on discrete wavelet transform of dominant motor unit action potential of EMG signal | |
Boussaa et al. | Comparison of MFCC and DWT features extractors applied to PCG classification | |
Rachamalla et al. | ECG based driver drowsiness detection using scalograms and convolutional neural networks | |
Lu | Human emotion recognition based on multi-channel EEG signals using LSTM neural network | |
Nuo et al. | Research of EEG signal analysis method based on fusion of riemannian space and convolutional neural network | |
Ferariu et al. | Using Hand-Crafted and Learned EEG Features for the Detection of Epileptic Seizures |
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 |