CN111629655A - 生理信号分析装置与方法 - Google Patents

生理信号分析装置与方法 Download PDF

Info

Publication number
CN111629655A
CN111629655A CN201880079871.3A CN201880079871A CN111629655A CN 111629655 A CN111629655 A CN 111629655A CN 201880079871 A CN201880079871 A CN 201880079871A CN 111629655 A CN111629655 A CN 111629655A
Authority
CN
China
Prior art keywords
intrinsic
module
function
probability density
axis
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
CN201880079871.3A
Other languages
English (en)
Inventor
诺顿·E·黄
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.)
Nuo DunEHuang
Adna Technology Co ltd
Original Assignee
Nuo DunEHuang
Adna Technology Co ltd
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 Nuo DunEHuang, Adna Technology Co ltd filed Critical Nuo DunEHuang
Publication of CN111629655A publication Critical patent/CN111629655A/zh
Pending legal-status Critical Current

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]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/339—Displays specially adapted therefor
    • 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
    • A61B5/389—Electromyography [EMG]
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
    • A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
    • 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
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Vascular Medicine (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Neurology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Neurosurgery (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时可提供呈现心血管系统的生理信号的一种视觉输出。所述非暂态计算机程序产品包括代表数组本质模块函数(intrinsic mode functions；IMF)的第一轴；代表在一段时间区间中信号强度的函数的第二轴；以及多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义。

Description

生理信号分析装置与方法
相关申请的交叉引用
本发明请求于2017年12月11日提交的美国临时申请No.62/596,912的权益及优先权，该申请的揭露内容在此通过引用完全并入本发明中。
技术领域
本发明与用于生理信号分析的方法、模块和系统有关。更进一步地，本发明和一种用于分析脑电活动的方法、模块和系统有关。
背景技术
脑功能是动态的，且和脑电活动与脑的结构有关。脑结构上的缺陷可被各种传统医学影像技术所侦测，例如电脑断层(computed tomography；CT)扫描、核磁共振造影(magnetic resonance imaging；MRI)、正子断层造影(positron emission tomography；PET)以及单光子激发断层造影(single-photo emission computed tomography；SPET)。然而，所述传统医学影像技术无法捕捉到脑功能的动态本质。更进一步地，许多心理状态与精神疾病状态并没有可供识别的脑结构变化，这些状态可包括：忧郁症、失眠、轻度知能障碍、阿兹海默症(Alezheimer’s disease)初期、注意力缺陷过动症(Attention DeficitHyperactivity Disorder；ADHD)以及不同深度的麻醉。
脑电图(electroencephalography；EEG)、脑磁图(magnetoencephalography；MEG)以及皮层脑图(electrocorticography；ECoG)可用来测量脑电活动，这些方法提供脑功能的即时信息，对特定神经系统疾病的诊断、预后、疾病分级或临床评估来说这些即时信息是重要的。然而皮层脑图的测量需要执行颅骨切开术(craniotomy)，此为侵入性手术；在测量脑电图的方法之中，脑电图和脑磁图为非侵入性也非昂贵的方式。然而，基于脑电图和脑磁图的非侵入性本质，他们可能会被头部或脑部的各种解剖结构所干扰或妨碍，例如头骨不同部位的电传导变化(头骨致密部(skull compacta)和头骨海绵部(skull spongiosa))、脑脊髓液(cerebral spinal fluid；CSF)、灰质(gray matter)和白质(white matter)。另一方面，皮层脑图较不会被所述解剖结构所干扰和妨碍，因为皮层脑图直接将侦测模块放到脑上的一曝露表面以测量电活动。
另外，脑电活动的非稳态(non-stationary)和非线性(non-linear)的特质会造成信号处理上的显著障碍。用于脑电图、脑磁图或皮质脑图信号处理和分析的传统信号处理方法并没有对上述障碍提供有效的解决方案。傅立叶变换(Fourier transformation)经常被用来分析线性和稳态波的信号，例如光谱分析；然而，因其数学本质，傅立叶变换无法自非稳态和非线性波信号中提供有意义的视觉化结果。
另一用于信号分析的传统方法为机率分布函数。机率分布函数是另外一种用于研究非确定性现象(non-deterministic phenomena)的工具。然而，由传统机率分布函数所叙述的信号必须是稳态且具有大的振幅变化。传统的几率分布函数无法从非稳态和非线性波信号中提供洞见。
全像希尔伯特频谱分析(Holo-Hilbert spectral analysis；HOSA)为一视觉化非稳态和非线性波的工具。HOSA的数学原理已经汇整于Huang et al(Huang，N.E.，Hu，K.，Yang，A.C.，Chang，H.C.，Jia，D.，Liang，W.K.，Yeh，J.R.，Kao，C.L.，Juan，C.H.，Peng，C.K.andMeijer，J.H.(2016).On Holo-Hilbert spectral analysis：a fullinformational spectral representation for nonlinear and non-stationarydata.Phil.Trans.R.Soc.A，374(2065))。当分析非稳态和非线性波时，HOSA采用了某些希尔伯特-黄变换(Hilbert-Huang)中的数学原理。然而，目前HOSA尚未应用在脑电信号分析的领域中。
由于缺乏适当的信号处理工具，除了目前可取得的演算法和软件嵌入仪器外，与所获取的脑电信号有关的数据经常需要由受训过的专业人士分析。例如，脑电图数据的量和复杂度可能非常大，因为脑电图信号是由头上的数个脑电图电极所生成且会被头部的解剖构造所干扰和防碍。
从脑电活动的非稳态和非线性本质以及其复杂度与量来看，目前亟需一种有效且直观的方法以分析并视觉化脑电图和脑磁图。特别地，本发明提供一种新的机率分布函数以及由HOSA所产出的一多尺度熵(multiscale entropy)，以揭露脑电活动变异度的精妙和细微差异。
发明内容
本发明的一目的为提供以HOSA作为基础且用来分析脑电活动的方法和系统。
本发明的一目的为提供一种或多种呈现脑电图(electroencephalography；EEG)、脑磁图(magnetoencephalography)或皮层脑图(electrocorticography；ECoG)的视觉输出。
本发明的一目的为提供一种或多种呈现异常脑电、脑磁图和皮层脑图信号的视觉输出。
本发明的一目的为提供一种或多种视觉输出，所述视觉输出用于在不同组个体、不同个体或同一个体的不同时间区间中，比较脑电信号系统的生理信号。
本发明的另一目的为提供HOSA在诊断神经系统疾病上的应用。
本发明的一种实施例提供了一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时可提供呈现心血管系统的生理信号的一种视觉输出。所述非暂态计算机程序产品包括代表本质模块函数(intrinsic mode functions；IMF)的子集的第一轴；代表在一段时间区间中信号强度的函数的第二轴；以及多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在所述时间区间中所搜集的多个已分析数据单位。其中每一所述已分析数据单位包括第一坐标、第二坐标、以及机率密度值(probability densityvalue)，所述机率密度值是由本质模块函数的其中一子集的本质机率密度函数(intrinsicprobability density function)所生成，所述第一坐标是本质模块函数的其中一子集，所述第二坐标为信号强度的函数的自变数。
在一较佳的实施例中，所述第二轴为所述信号强度在所述时间区间中的标准差或Z值(z-value)。
在一较佳的实施例中，所述机率密度值是由初级本质模块函数(primary IMF)或次级本质模块函数(secondary IMF)的子集所生成，每一初级本质模块函数是由经验模态分解法(empirical mode decomposition；EMD)从多个电信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
在一较佳的实施例中，所述脑电信号为脑电图(electroencephalography；EEG)信号、脑磁图(magnetoencephalography；MEG)信号和皮层脑图(electrocorticography；ECoG)信号。
本发明的另一实施例提供了一种分析至少一个脑的电活动的系统。所述系统包括：侦测模块，用于侦测所述脑电活动；传输模块，用于接收由所述侦测模块得到的电活动信号并将所述生理信号传输至分析模块；所述分析模块，用于自所述电活动信号生成多个已分析数据组，每一已分析数据组包括多个已分析数据单位；以及视觉输出模块以根据由所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出。其中所述视觉输出包括：代表本质模块函数的子集的第一轴，代表在一段时间区间中信号强度的函数的第二轴，以及被所述第一轴和所述第二轴所定义的多个视觉元素，且所述视觉元素包括第一坐标、第二坐标，和机率密度值，所述机率密度值是由本质模块函数的其中之一子集的本质机率密度函数所生成。所述第一坐标是本质模块函数的其中一子集，所述第二坐标为信号强度的函数的自变数。
本发明的另一实施例提供了一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时可提供呈现至少一个脑的电活动的一种视觉输出。所述非暂态计算机程序产品包括代表一段时间区间中信号强度的函数的第一轴；代表本质机率密度函数的时间尺度的函数的第二轴；以及多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在所述时间区间中所搜集的多个已分析数据单位。其中每一所述已分析数据单位包括第一坐标、第二坐标，和机率密度值，所述机率密度值是由本质模块函数的其中一子集的本质机率密度函数所生成。所述第一坐标是信号强度的函数的自变数，而所述第二坐标是所述时间尺度的函数的自变数。
在一较佳的实施例中，所述第二轴为所述本质机率密度函数的瞬时频率(instantaneous frequency)。
在一较佳的实施例中，所述第一轴为所述时间区间中的所述信号强度的标准差或Z值(z-value)。
在一较佳的实施例中，所述机率密度函数是由不同颜色、灰阶、点分布图、多条曲线或多种网点所表示。
本发明的另一实施例提供了一种分析至少一个脑的电活动的系统。所述系统包括：侦测模块，用于侦测所述脑电活动；传输模块，用于接收由所述侦测模块得到的电活动信号并将所述电活动信号传输至分析模块；所述分析模块，用于自所述电活动信号生成多个已分析数据组，每一已分析数据组包括多个已分析数据单位；以及视觉输出模块由所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出。其中所述视觉输出包括代表一段时间区间中信号强度的函数的第一轴；代表本质机率密度函数的时间尺度的函数的第二轴；以及多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在所述时间区间中所搜集的多个已分析数据单位。其中每一所述已分析数据单位包括第一坐标、第二坐标，和机率密度值，所述机率密度值是由本质模块函数的其中一子集的本质机率密度函数所生成。所述第一坐标是信号强度的函数的自变数，而所述第二坐标是所述时间尺度的函数的自变数。
本发明的另一实施例提供了一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时可提供呈现至少一个脑的电活动的一种视觉输出。所述非暂态计算机程序产品包括一条边界用来定义所述脑的解剖图；以及在所述边界中的一个或多个侦测单位，且每一侦测单位具有由本质模块函数的子集的本质机率密度函数所生成的机率密度值。
在一较佳的实施例中，所述视觉输出包括在所述边界之中且介于多个所述侦测单位之间的多个中间区域，且每一所述中间区域具有模型化的机率密度值。
在一较佳的实施例中，所述视觉输出包括代表时间区间的第一轴，代表所述本质模块函数的瞬时频率的第二轴，以及由所述边界所定义的多个视觉元素、所述第一轴的第一坐标，以及所述第二轴的第二坐标。
本发明的另一实施例提供了一种分析至少一个脑的电活动的系统。所述系统包括：侦测模块，用于侦测所述脑电活动；传输模块，用于接收由所述侦测模块得到的电活动信号并将所述电活动信号传输至分析模块；所述分析模块，用于自所述电活动信号生成机率密度函数：以及视觉输出模块由所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出。其中所述视觉输出包括一条边界用来定义所述脑的解剖图，以及在所述边界中的一个或多个侦测单位，且每一侦测单位具有由本质模块函数的子集的本质机率密度函数所生成的机率密度值。
本发明的另一实施例提供了一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时可提供呈现至少一个脑的电活动的一种视觉输出。所述非暂态计算机程序产品包括代表本质多尺度熵(intrinsic multiscale entropy；iMSE)的尺度的第一轴；代表本质模块函数的累计的第二轴，以及多个视觉元素，每一所述视觉元素被所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在一段时间区间中搜集的已分析数据单位。其中每一已分析数据单位包括所述第一轴的第一坐标、所述第二轴的第二坐标，以及由所述本质模块函数生成的本质多尺度熵值。
在一较佳的实施例中，所述本质模块函数为一组初级本质模块函数(primaryIMFs)或一组次级本质模块函数(secondary IMFs)，每一所述初级本质模块函数是由多个电活动信号的经验模态分析法而生成，且每一次级本质模块函数是由一初级本质模块函数的经验模态分析法而生成。
在一较佳的实施例中，每一视觉元素更包括一条边界用来定义所述脑的解剖图，以及在所述边界中的一个或多个侦测单位，且每一侦测单位被赋予所述本质多尺度熵值。
在一较佳的实施例中，每一视觉元素更包括在所述边界之中且介于多个侦测单位之间的多个中间区域，且每一所述中间区域具有模型化的本质多尺度熵值。
本发明的另一实施例提供了一种分析至少一个脑的电活动的系统。所述系统包括：侦测模块，用于侦测所述脑电活动；传输模块，用于接收由所述侦测模块得到的电活动信号并将所述电活动信号传输至分析模块；所述分析模块，用于自所述电活动信号生成多个已分析数据组，每一已分析数据组包括多个已分析数据单位；以及视觉输出模块由所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出。其中所述视觉输出包括代表本质多尺度熵的尺度的第一轴；代表本质模块函数的累计的第二轴，以及多个视觉元素，每一所述视觉元素被所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在一段时间区间中搜集的已分析数据单位，且每一已分析数据单位包括所述第一轴的第一坐标、所述第二轴的第二坐标，以及由所述本质模块函数生成的本质多尺度熵值。
在一较佳的实施例中，所述本质多尺度熵值是由不同颜色、灰阶、电分布图、多条曲线或多种网点所表示。
附图说明
本发明的一种或多种实施方式将参照附图和示例，于以下叙述。
图1为符合本发明的一种实施例中，一种分析脑电活动的系统的一示意图。
图2为符合本发明的一种实施例中，一种分析脑电活动的方法的一流程图。
图3A为符合本发明的一种实施例中，将电信号转换为一组初级本质模块函数(primary intrinsic mode function；primary IMF)的流程图；图3B为符合本发明的一种实施例中，一种内插法的流程图；图3C为符合本发明的一种实施例中，经验模态分解法(empirical mode decomposition)的一流程图；图3D为符合本发明的一种实施例中，由包络函数(envelope function)产出的次级本质模块函数(secondary intrinsic modefunction；secondary IMF)的一流程图；图3E为符合本发明的一种实施例中，由初级本质模块函数转换为调频(frequency modulation；FM)函数的一流程图；图3F为符合本发明的一种实施例中，由次级本质模块函数转换为调幅(amplitude modulation；AM)函数的一流程图。
图4为符合本发明的一种实施例中，一已分析数据单位的一示意图。
图5为描述白噪声、高斯噪声(Gaussian noise)、白噪声和高斯噪声的总和的一传统机率密度函数。
图6A-6F为符合本发明的多种实施例中，本质机率密度函数(intrinsicprobability density functions；iPDF)的多个视觉输出，用以描述白噪声、高斯噪声、白噪声和高斯噪声的总和，以及白噪声和高斯噪声的乘积。
图7A为一传统的强度-时间图表，用以描述白噪声和高斯噪声的乘积与总和的加性效果(additive effect)和乘性效果(multiplicative effect)；图7B为一传统的傅立叶光谱，用以描述白噪声和高斯噪声的乘积与总和的加性效果和乘积效果。
图8A-8B为符合本发明的一种实施例中，用以描述白噪声的乘积与总和的本质机率密度函数的多个视觉输出。
图9A为健康控制组受试者和阿兹海默症(Alzheimer’s Disease)患者的一传统脑电图图式。图9B为由图9A的脑电图数据而来的一传统总体机率密度函数(global PDF)。
图10为符合本发明的一种实施例中，另一已分析数据单位的一示意图。
图11为样本熵的一计算结果。
图12A-12I为符合本发明的一种实施例中，本质多尺度熵(intrinsic multiscaleentropy；iMSE)的视觉输出。
图13A和13B为脑电图信号中特定瞬时频率的本质模块函数。
图14A-14D为符合本发明的一种实施例中，在不同阶段的阿兹海默症的本质机率密度函数的视觉输出。
图15A-15D为符合本发明的一种实施例中，在不同阶段的阿兹海默症的本质机率密度函数的其它视觉输出。
图16A-16E为符合本发明的一种实施例中，以脑电图电极位置FP1和T3在不同阶段的阿兹海默症的本质机率密度函数的视觉输出。
图17A-17D为符合本发明的一种实施例中，代表患者和健康受试者之间的对比的本质机率密度函数的视觉输出。
图18为符合本发明的一种实施例中，一功能性本质机率密度函数表面构型图(functional iPDF topography；fiPDF topography)的一视觉输出。
图19A-19D为符合本发明的一种实施例中，在不同阶段的阿兹海默症的功能性本质机率密度函数表面构型图的视觉输出。
图20A为符合本发明的一种实施例中，由多组患者和一健康受试者而来的一平均峰态值(mean kurtosis value)图。图20B为符合本发明的一种实施例中，由多组患者和一健康受试者组而来的一平均偏斜度值(mean skewness value)图。
图21A为符合本发明的一种实施例中，一本质机率密度函数峰态表面构型图(iPDFkurtosis topography)的一视觉输出。图21B为符合本发明的一种实施例中，一本质机率密度函数偏斜度表面构型图(iPDF skewness topography)的一视觉输出。
图22A-22D为符合本发明的一种实施例中，多个比较本质机率密度函数峰态表面构型图和本质机率密度函数偏斜度表面构型图的视觉输出。
图23为符合本发明的一种实施例中，自一脑电图电极系统P3电极上所测量到的脑电图数据而来的多个本质模块函数。
图24A-24E为符合本发明的一种实施例中，代表阿兹海默症的各组不同患者和一组健康受试者的本质多尺度熵的视觉输出。
图25A-25D为符合本发明的一种实施例中，成对比较阿兹海默症的各组不同患者之间的本质多尺度熵的视觉输出。
图26A-26D为符合本发明的一种实施例中，成对比较阿兹海默症的各组不同患者之间的本质多尺度熵表面构型图(topographic iMSEs；TiMSEs)的视觉输出。
具体实施方式
需要注意到的是，为了图式的简明和清晰，在不同的图式中重复出现的标号指的是相对应或是同源的元件。另外，许多特定细节也被用来彻底说明此处所述的实施例。然而，本技术领域中具有通常知识者可以了解到的是，此处所述的实施例也可以不需要实施这些特定细节。在其他情境下，没有被仔细叙述的方法、过程和组件并不是为了模糊所述的相关特征。附图并不一定符合尺度且特定部位的比例可能会被夸大以更好地描绘细节和特征。以下叙述并非旨在限制以下所述实施例的范围。
以下就本发明中的数个名词定义进行说明。
「连结」指的是元件之间相互连接，无论是直接地连接或通过元件干涉而间接地连接，且不限于物理上的连接。该连接可为对象之间的永久连接或是可拆卸地连接。「包括」是指开放式之连接词或元件间关系。
根据本发明的一种或多种实施例，图1为一种分析生理信号的一系统1的示意图。所述系统1包括一侦测模块10、一传输模块20、一分析模块30和一视觉输出模块40。所述系统1被设定为可侦测脑电活动，用于分析信号且能以图像化方式显示所述已分析的结果。所述脑电活动可被脑电图(electroencephalography；EEG)、脑磁图(magnetoencephalography；MEG)或皮层脑图(electrocorticography；ECoG)信号所代表。所述系统1也可包括其他电子元件或模块以增进效能或改进使用者体验。例如，所述系统1可包括一放大器模块或滤波器模块以在特定带宽增加信号强度、降低环境干扰噪声或基线飘移(baseline wandering)，以增强信号杂讯比(signal to noise ratio)。例如，所述系统1可包括一模拟数字转换器(ADC)进行信号数字化。例如，所述系统1也可进一步地包括一存储模块以存储所述数字化信号或存储已分析数据。在一实例中，所述侦测模块10还可包括一数据获取模块，所述数据取得模块可执行所述放大器模块、所述模拟数字转换器和所述存储模块的功能。更进一步地，所述系统1也可包括一用户输入模块使用户可控制所述系统1，例如一键盘、一鼠标、一触控屏幕或一声控装置。
所述侦测模块10被设定为可接收脑电活动信号且转换所述电活动为电信号。所述侦测模块可为一个或多个传感器(transducer)以将所述脑电活动转换为电信号。所述脑电活动为神经传导中在极化(polarization)和再极化(repolarization)时的动态变化。当一传感器被置放在头部的一区域上时，所述传感器将能够侦测远场效应(far fieldeffects)的总和。所述传感器可为一生物电位电极以侦测电位差或一电磁传感器以侦测磁场。一接地电极也可和所述生物电位电极配对以测量电位差，另可外加一参考电极可作为降低噪声之用。所述侦测模块10也可被置放在头骨表面以侦测脑电图信号或置放在皮质脑表面以侦测皮层脑图信号。在一实例中，所述侦测模块10包括一传感器阵列，所述阵列可被配置成一10-20系统或其他解析度更高的系统。所述生物电位电极可为湿电极(和生理食盐水与导电胶一起使用)或干电极。
所述侦测模块10还可包括一数据获取模块。所述数据获取模块可指示一取样频率以决定相邻数据点之间的时间区间。已侦测信号也可在对应的时间顺序中，以电位差的模式(较佳地以伏特作为测量单位)被一数据获取模块获取和存储。
所述传输模块20被设定为可由所述侦测模块10中接收所述电极信号且将所述电极信号传送至所述分析模块30。所述传输模块20可为有线或无线传输模块。若所述传输模块20为有线传输模块，则所述传输模块20也可包括一电性传导材料直接传递该信号至所述分析模块30或至所述存储模块以随后由所述分析模块30所处理。所述已侦测信号可存储于一行动装置、一穿戴装置，或无线传输至一数据处理站，可使用RF发送器(RFtransmitter)、蓝牙(Bluetooth)、Wi-Fi或互联网传输。所述行动装置可为一智能型手机、一平板计算机或一笔记本电脑。所述穿戴装置可为一具有处理器的腕带、一具有处理器的头带、一具有处理器的衣物或一智能型手表。所述系统1中的各个模块可皆位于一装置之中且和彼此之间有电性连结，或也可彼此位置分散且由有线或无线通信网络的方式连结。
所述分析模块30被设定为可通过一系列步骤处理信号。所述分析模块30可为单一的微处理器，例如一通用中央处理器(general purpose central processing unit)、一专用指令处理器(application specific instruction set processor)、一图形处理单元(graphic processing unit)、一现场可编程门阵列(field programmable gate array；FPGA)、一复合可编程逻辑装置(complex programmable logic device)或一数字信号处理器(digital signal processor)。所述分析模块30可执行在计算机可读存储介质中实施的一非暂态计算机程序产品。所述分析模块30也可包括多个微处理器或处理单元以执行于计算机可读存储介质中实施的所述计算机程序产品，以在整个分析过程中执行各个不同的功能。
所述视觉输出模块40被设定为显示由所述分析模块30所生成的信息的图像化结果。所述视觉输出模块40可为一投影机、一屏幕或一打印机以输出所述分析结果。在一实例中，所述分析结果为具有图像化表现的一视觉输出，且可以被所述视觉输出模块40所显示于一彩色屏幕上、印出至纸上或电子档案中或显示于一灰阶屏幕上。
请见图2，本发明的一种或多种实施例提供了一种分析脑电活动的方法。所述分析脑电活动的方法可包括以下所述步骤。所述方法包括：S21侦测所述脑电活动并将其视为已侦测信号，S22对所述已侦测信号执行经验模态分解法(empirical mode decomposition；EMD)以得到一组初级本质模块函数(primary intrinsic mode functions；primaryIMFs)，S23a建立对应于所述本质模块函数的包络函数(envelope function)，S24执行所述经验模态分解法于所述包络函数上以得到一组次级本质模块函数(secondary IMFs)，S23b转换多个所述初级本质模块函数以得到多个调频(FM)函数，S25转换多个所述次级本质模块函数以得到多个调幅(AM)函数，S26根据所述调频(FM)函数和所述调幅(AM)函数产出数据组，S27产出一视觉输出空间。S22的所述经验模态分解法可为完全集体经验模态分解法(complete ensemble empirical mode decomposition；CEEMD)、集体经验模态分解法(ensemble EMD；EEMD)、屏蔽经验模态分解法(masking EMD)、增强经验模态分解法(enhanced EMD)、多变量经验模态分解法(multivariate EMD；MEMD)、杂讯辅助多变量经验模态分解法(noise-assisted multivariate EMD；NA-MEMD)。S23b和S25中的转换可为希尔伯特转换(Hilbert transform)、直接正交法(Direct quadrature)、反三角函数(inversetrigonometric function)或通用零相交法(generalized zero-crossing)。S21侦测生理信号并将其视为已侦测信号可在所述侦测模块10中执行。所述分析模块30由所述已侦测信号生成已分析数据组，且所述已分析数据组可存储于所述分析模块30的所述计算机可读存储介质中，以随后排定时间在所述视觉输出模块40上显示。所述已分析数据组包括多个已分析数据单位。
根据本发明的多种实施例，所述步骤S22、S23a、S23b和S25进一步地由图3A至图3F说明。所述已侦测信号逐步转换或解构为多个初级本质模块函数、次级本质模块函数、包络函数、调幅(AM)函数和调频(FM)函数。
请见图3A，本发明的一种实施例提供了多个将用于已侦测信号的经验模态分解法。所述已侦测信号经由所述经验模态分解法转换为一组初级本质模块函数。在图3A中的多个经验模态分解法对应到图2的S22。所述经验模态分解法包括了一系列的筛选过程(sifting process)以将一信号解构为一组本质模块函数。例如，多个初级本质模块函数可由所述已侦测信号经由经验模态分解法产出。一筛选过程由所述已侦测信号生成本质函数(intrinsic function)。例如，一第一筛选过程从所述已侦测信号31产出一第一初级本质模块函数31a；一第二筛选过程从所述第一初级本质模块函数31a产出一第二初级本质模块函数31b；一第三筛选过程从所述第二初级本质模块函数31b产出一第三初级本质模块函数31c；一第m筛选过程从所述第(m-1)初级本质模块函数31m产出一第m初级本质模块函数31n。筛选过程的数量是由其停止执行条件所决定。所述停止执行条件是由所述第m初级本质模块函数31n的信号衰减或变量所决定。
更进一步地，经验模态分解法包括在每一筛选过程中以屏蔽程序(maskingprocedure)或添加不同量级的噪声(同一噪声偶数对的正值或负值)解决模态混合所产生的问题。所述经验模态分解法也可以由总体函数(ensemble)技巧达成。
见图3B，本发明的一种或多种实施例提供了多个执行内插法(interpolation)的过程。图3B中的内插法对应到图2中的S23a。一包络函数为从多个已侦测信号中执行内插法所生成的内插函数。所述包络函数连结已侦测信号的局部极大值(local extrema)。较佳地，所述包络函数将已侦测信号的绝对值函数的局部极大值连结起来。所述内插法的成果也可通过线性内插法、多项式内插法(polynomial interpolation)、三角函数内插法(trignometic interpolation)或样条内插法(spline interpolation，较佳地为三次样条插值(cubic spline interpolation))等方式达成。在图3B中的包络函数是由图3A中的本质模块函数经内插后而生成。一第一包络函数32a可由一第一初级本质模块函数31a生成；一第二包络函数32b可由一第二初级本质模块函数31b生成；一第三包络函数33b可由一第三初级本质模块函数31c生成；一第(m-1)包络函数32m可由一第(m-1)初级本质模块函数31m生成；一第m包络函数32n可由一第n初级本质模块函数31n生成。
如图3C，本发明的一种或多种实施例提供了多个经验模态分解法。多组的次级本质模块函数是从所述包络函数通过经验模态分解法而产出。在图3C中的所述经验模态分解法对应到图2中的S24。所述第一组次级本质模块函数组33a是由第一包络函数32a所产出；所述第二组次级本质模块函数组33b是由第二包络函数32b所产出；所述第(m-1)组次级本质模块函数组33m是由第(m-1)包络函数32m所产出；该第m组的次级本质模块函数组33n是由第m包络函数32n所产出。
如图3D，本发明的一种或多种实施例提供了多组次级本质模块函数。所述第m包络函数32n、第m组次级本质模块函数组33n和所述包含在第m组次级本质模块函数组33n中的多个次级本质模块函数皆被图3D示出。图3B中的所述第m包络函数32n包括：属于第m组次级本质模块函数组33n的第一次级本质模块函数34a、属于第m组次级本质模块函数组33n的第二次级本质模块函数34b、属于第m组次级本质模块函数组33n的第三次级本质模块函数34c、属于第m组次级本质模块函数组33n的第(n-1)次级本质模块函数34m和属于第m组次级本质模块函数组33n的第n次级本质模块函数34n。因此，在图3D中本质模块函数的数量为m组次级本质模块函数组乘上n个在一组次级本质模块函数中的个别次级本质模块函数。
如图3E和图3F，本发明的一种或多种实施例提供了一系列转换过程。所述转换过程为将一函数由实域(real domain)转换为复数域(complex domain)。所述转换过程包括至少一转换函数和一复数对应函数(complex pair function)的形成。所述转换函数可为一希尔伯特转换、一直接正交-零转换(direct-quadrature-zerotransform)、一反三角函数转换、一通用零相交法转换。所述复数对应函数之形成，是将所述函数的实域部分和所述复数对应函数的虚域部分(imaginary part)相结合。
在图3E中，调频(FM)函数为多个复数对应函数且从初级本质模块函数经一适当的转换过程所生成。图3E中的转换过程对应到图2中的S23b。所述第一初级本质模块函数31a经所述转换函数转换为一第一调频(FM)函数35a；所述第二初级本质模块函数31b经所述转换函数转换为一第二调频(FM)函数35b；所述第三初级本质模块函数31c经所述转换函数转换为一第三调频(FM)函数35c，以及所述第m初级本质模块函数31n经所述转换函数转换为一第m调频(FM)函数35n。
在图3F中，调幅(AM)函数为多个复数对应函数且从所述次级本质模块函数中经一系列转换过程所生成。该图3F中的转换过程对应到图2中的S25。所述属于第一组次级本质模块函数组的第一次级本质模块函数34d可经所述转换过程转换为一(1，1)调幅(AM)函数36d；所述属于第一组次级本质模块函数的第二次级本质模块函数34e可经所述转换过程转换为一(1，2)调幅(AM)函数36e…而所述属于第一组次级本质模块函数的第n次级本质模块函数34k可经所述转换过程转换为一(1，n)调幅(AM)函数36k。更进一步地，所述属于第m组次级本质模块函数的第n次级本质模块函数34n可经所述转换过程转换为一(m，n)调幅(AM)函数36n。
如图4，为根据本发明的一种实施例所提供已分析数据单位的多个元件。在图4中，所述已分析数据单位41包括一机率密度值、一第一坐标和一第二坐标。所述机率密度函数(probability density function；PDF)为本质模块函数的一子集的机率密度函数。所述机率密度值为在一特定信号强度值或在一特定瞬时频率(instantaneous frequency)时的机率。在一实例中，所述第一坐标代表一本质模块函数的子集的次序，而所述第二坐标代表所述信号强度。在另一实例中，所述第一坐标代表了z值而所述第二坐标代表了瞬时频率。本质模块函数的子集可包括一本质模块函数元件或至少二个不同的本质模块函数元件的组合。所述信号强度值可代表由电位差(伏特)或电流(安培)所测量到的信号幅度，或可代表以每单位时间区间的能量强度(瓦特)作为单位的信号能量。在某些实例中，所述瞬时频率或所述特定信号强度值也可被平均值所集中或由标准差所正规化。
所述视觉输出空间包括一第一轴、一第二轴和多个视觉元素。每一视觉元素可包括由本质模块函数的子集所形成的特定范围的一个或多个已分析数据单位和所述机率密度值。所述视觉输出模块根据所述已分析数据组而生成视觉输出空间。一平滑处理过程(smoothing process)可用于所述视觉输出空间中具有稀疏矩阵数据单位(sparse dataunits)的视觉元素。
一平滑处理过程可在所述视觉输出空间中被用于所述视觉元素。所述平滑处理过程可为巴氏滤波器(Butterworth filter)、指数式平滑(exponential smoothing)、卡门滤波器(Kalman filter)、核心式平滑(Kernal smoother)、拉普拉斯平滑(Laplaciansmoothing)、移动平均(moving average)或其他影像平滑方法。
伴随着从图2-4、图3A-3F和图4中所描绘的方法、原理和转换方法，多个实施例将展示于图6A-6F、图8A-8B、图14A-14D、图15A-15D、图16A-16E和图17A-17D。
如图5所示，此处提供了一描述白噪声、高斯噪声(Gaussiannoise)、白噪声和高斯噪声的总和，以及白噪声和高斯噪声的乘积的传统机率密度函数。所述白噪声和高斯噪声是由模拟数据生成。图5中所使用的校正方法是使用10,000个样本的白噪声和一统一的标准差值。在此模型中验证了一确定性Stokes形态波形(deterministic Stokes typewave)：y(t)＝5*cos[2*π*t/100+0.5*sin(2*π*t/100)]。图5描绘了所述确定性波形中用于白噪声的传统机率分布函数、加性汇总(additive sum)以及乘性乘积(multiplicativeproducts)。确定性Stokes形态波形的大振幅已超越了所述白噪声，使得汇总的所述机率分布函数呈现双峰，其乘积呈现超高斯(Super-Gaussian)。
根据本发明的一种或多种实施例，图6A-6F和图8A-8B为所述本质机率密度函数(iPDF)的视觉输出。在图8A-8F和图10A-10B中的每一视觉输出都包括一第一轴和一第二轴。所述第一轴代表本质模块函数一子集合的次序编号1-11，且每一次序编号代表了在一段时间区间中的一本质模块函数元件。所述第二轴代表被标准差所正规化的信号强度值。每一本质模块函数元件包括多个已分析数据单位，且每一已分析数据单位包括一机率密度值、一第一坐标代表所述本质模块函数元件，以及一第二坐标代表所述标准差。每一已分析数据单位的灰阶代表所述机率密度值，较深的灰色代表机率密度函数值为+0.1或-0.1，白色代表机率密度函数值为0，而介于前述灰色之间的灰阶则代表介于上述数值之间的机率密度函数值。
另外，所述本质机率密度函数的所述视觉输出中的所述机率密度值也可被色阶、点分布图或多种网点所表示。在一实施例中，所述点分布图中点密度较高可代表较大的机率密度值，而较低点密度代表较小的机率密度值。在另一实施例中，不同色阶可用来代表机率密度值：红色代表机率密度值为+0.1、蓝色代表机率密度值为-0.1、白色代表机率密度值为0，而在前述色阶之间的中间色则代表介于上述数值之间的机率密度函数值。在另一实施例中，所述网点图中具有较多网格的区域可代表较大的机率密度值，而具有较多点的区域可代表较低的机率密度值。相反地，所述色阶、灰阶图、点分布图或网点图也可在不同数量级的所述机率密度值中具有不同的意义。
如图6A，根据本发明的一实施例，提供了一种高斯白噪声的本质机率密度函数的一视觉输出，所述视觉输出是以本质模块函数元件所表示。每一栏为一本质模块函数元件，且每一所述本质模块函数元件应具有类似的傅立叶光谱，但某些本质机率密度函数可能会因其样本大小受限而明显偏离高斯分布，造成最后几个本质模块函数缺乏其所需的自由度。需特别注意的是由所述噪声而来的第一个本质模块函数，其代表了最接近尼奎斯特极限(Nyquist limit)的最高频波。因此，每一样本点不是一最大值就是一最小值，如此使得所述第一本质模块函数的机率密度函数确实呈现双峰。
如图6B，根据本发明的一实施例，提供了一种白噪声的部份和(partial sum)的本质机率密度函数的一视觉输出，所述视觉输出是以本质模块函数元件所表示。本质模块函数的每一子集包括多个本质模块函数的总和。在图6B中，其分布被绘制为所述时间尺度的一函数，且除了所述第一本质模块函数为双峰外，所述分布为均匀高斯分布。此处所示的小幅度偏离是因为样本数而造成的波动。由机率定律导致较大的样本会产生较平滑的结果。在图6B中，除了所述第一本质模块函数元件以外，其结果确认了一白噪声数据的期望值。
如图6C，根据本发明的一实施例，提供了一种白噪声以及确定性Stokes形态(deterministic Stokes type)波形的总和的本质机率密度函数的一视觉输出，所述视觉输出是以本质模块函数元件所表示。所述确定性Stokes形态波形的信号具有双峰分布。除了经验模态分解法的泄露可能会造成某些波动外，其他在图6C之中的元件还是接近于高斯分布。
见图6D，根据本发明的一实施例，提供了一种白噪声以及确定性Stokes形态波形的部份和的本质密度函数的一视觉输出，所述视觉输出是以本质模块函数元件所表示。在图6D中，所述第一本质模块函数的分布仍呈现双峰；接续的三个部份和如期望地近乎为高斯分布。当所述确定性Stokes形态波形到总和时，所述分布于第5个部份和处有了剧烈改变，其规模庞大到后续的所有部份和皆呈现双峰。
见图6E，根据本发明的一实施例，提供了一种白噪声以及确定性Stokes形态波形的乘积的本质密度函数的一视觉输出，所述视觉输出是以本质模块函数元件所表示。除了所述第一本质模块函数的本质机率密度函数不再为双峰外，本图中所述本质机率密度函数类似于图6A中所示的白噪声的本质机率密度函数。一确定性Stokes形态波形的调制已经修改了3点波形的幅度的范围，并使这3点波形近乎呈现高斯分布。在所有其他本质模块函数上执行的所述调制作用的目的为使接下来的3个本质模块函数稍呈超高斯分布。
见图6F，根据本发明的一实施例，提供了一种白噪声以及确定性Stokes形态波形的乘积的本质密度函数的一视觉输出，所述视觉输出是以本质模块函数元件所表示。所述本质机率密度函数在所有时间区间中全部为超高斯分布。乘性和加性汇总程序的明显区别至此已清晰：线性加性过程仅为叠加态，并缺乏波和白噪声之间的任何互动。当所述尺度局部地到达时，所述确定性Stokes形态波形的影响可能会出现。所述乘性过程可能总体地影响所有的本质模块函数元件。同时，所述乘性过程可能会产出一总体超高斯分布(globalsuper-Gaussian distribution)。
见图7A，提供了二个呈现高斯分布的白噪声信号的加性效果和乘性效果。很难从时间域所呈现的信号形态区分所述加性和乘性过程。
见图7B，提供了所述二个呈现高斯分布的白噪声信号的加性效果和乘性效果的傅立叶光谱。此二光谱皆有一白光谱形式。因此，从傅立叶光谱的形式可知难以辨认加性和乘性效果的差异。
见图8A，根据本发明的一实施例，提供了二个呈现高斯分布的白噪声信号的加性效果的本质机率密度函数的一视觉输出。除了所述第一本质模块函数外，其分布为高斯分布。
见图8B，根据本发明的一实施例，提供了二个呈现高斯分布的白噪声信号的乘性效果的本质机率密度函数的一视觉输出。其分布为明确的超高斯分布。
图6A-6F和图7A-7B之中的校正显示出就算在稳态过程中，本质机率密度函数也能够在所构成元件和数据生成的过程里所涉及的机制上提供更多资讯，无论上述的过程为线性加性或非线性的乘性。
在本发明中，本质多尺度熵(intrinsic multi-scale sample entropy；iMSE)可用来测量信号的复杂度。每一本质多尺度熵在不同尺度中的复杂度于区分各种生理和病理状态时是有用的。以下示例将以脑电图信号进行计算，但所述本质多尺度熵可呈现的复杂度不限于脑电图信号。
见图10，根据本发明的一实施例，提供了另一已分析数据单位的元件。在图10中，所述已分析数据单位101包括一第一坐标102、一第二坐标103，以及一熵值104。所述熵值104可为一样本熵值或一近似熵值。所述样本熵值是根据本质模块函数的一子集，在一给定的尺度条件下计算而来。在一示例中，所述第一坐标102代表了所述本质模块函数的其中一子集的次序。所述第二坐标103代表了所述尺度条件。所述本质模块函数的子集可包括一本质模块函数元件或至少二个不同的本质模块函数元件的集合。
所述视觉输出空间包括一第一轴、一第二轴和多个视觉元件。每一视觉元件可包括由本质模块函数的子集所形成的一特定范围之中的多个已分析数据单位和所述熵值。所述视觉输出模块根据所述已分析数据组产出视觉输出空间。一平滑处理过程可在所述视觉输出空间中被用于所述具有稀疏数据单位的视觉元素。
图11中，一信号的所述样本熵可以被计算为：log(长度样式m)-log(长度样式m+1)。所述尺度条件也可被调整为用于计算在不同尺度条件上的样本熵值。
根据本发明的一种实施例，多尺度熵(MSE)是基于一给定数据的熵而来，X＝{xi，for i＝1…n}，被定义为：
Figure BDA0002533323850000221
其中p(.)为一组任意数字Θ的所述机率密度函数。所述多尺度熵(MSE)被定义为一组已索引化的n个任意变数的联合熵，{Xi}＝{X1，…，Xn}，且一子集合值分别为Θ1，…，Θn：
Figure BDA0002533323850000222
其中p(x1，…，xn)为任意变数的联合机率X1，…Xn。当所述多尺度熵(MSE)被定义为机率密度函数时，其将需要所述数据的一平均和一变异数。此方法被Costa et al，2005所绘示于其图2.1中。所述机率性测量所需的条件限制了多尺度熵仅能应用在稳态数据上。
在本发明所提供的多尺度熵中，所述经验模态分解法可作为系统性移除多种尺度或趋势的工具，因所述经验模态分解法赋予了因其生成的本质模块函数，使所述本质模块函数具有此特别性质。本发明所提供的上述过程说明如下：
当任何非稳态和非线性数据透过经验模态分解法在本质模块函数中分解时，具有
Figure BDA0002533323850000231
其中除了最后一个cj(t)之外，每一cj(t)为一本质模块函数，所述最后一个cj(t)若存在的话则可能为一趋势。依其定义，每一本质模块函数应为窄带，相对于0轴对称，且和零相交(zero-crossing)具有相同数量的极大值。进一步地再建构其义，所述本质模块函数元件cj+1实质上是从所述趋势cj衍伸而来。从这些性质上的优势，Yeh et al.(2015和2016)将此本质模块函数的Kolmogorov-Sinai(KS)型熵定义为：
Figure BDA0002533323850000232
虽然KS型熵实质上是所述单一本质模块函数元件的近似熵，然而上述定义在代表其对此系统中所有其他本质模块函数中的影响时也是必要的，因为所述经验模态分析法的扩张并非线性。因此，此定义可能会不完全地包括某些非线性累加效果。如此定义的所述KS型熵已经成功地揭露了所述尺度应变数和每一本质模块函数元件对于总体熵的贡献；然而，上述结果并没有显示出其和总体数据的性质的关系，如同原初多尺度熵(originalMSE)作为整体系统的测量商数那样。所述原初多尺度熵实质上强调的是见树而非见林。也因此，不可能基于原初多尺度熵的精神再进行比较。此处将由以下步骤定义一新的本质多尺度熵：
1.藉由经验模态分解法生成一组本质模块函数。所述经验模态分解法可为其各种变化版本，例如集体经验模态分解法(EEMD)、CREMD、AEMD以及其他分解法。公式(3)提供了一示例。
2.提供第一组任意变数，使其作为用于k＝1…至n的升幂部分和
Figure BDA0002533323850000241
3.计算对每一Xk的近似熵Ek，所有k自1…至n。
4.提供第二组任意变数，使其作为用于k＝1…至n的降幂部份和
Figure BDA0002533323850000242
5.计算对每一Yn-k的近似熵Fk，所有k自1…至n。
6.生成包括依次序排列的Ek和Fk的一二维图。此最终结果为新的本质多尺度熵。
7.生成一形貌本质多尺度样本熵(topographic iMSE；TiMSE)。在数据来自于空间上分布的多个测量点的情境下，一形貌多尺度熵能够被建构以代表复杂度情境下的基本变数中的空间和时间变数。
在前述步骤所提供的此形式中，在经验模态分解法扩张之下，所述本质多尺度熵和形貌本质多尺度熵将包括所有可能的数据部分和，所述经验模态分解法的扩张将能够系统性地将任何数据去趋势化，无论其为稳态或非稳态，并且在时间和空间上生成全尺度应变多尺度熵(full scale dependent MSE)。
根据传统物理科学，当系统代表一白噪声时其熵最高。然而，在多尺度熵分析的精神之下，仅当系统同时具有长和短尺度相关性时才具有最复杂的熵，或最高的熵。因此，多尺度熵在用于测量活体系统中的复杂度时是有用的。
为了绘示所述本质多尺度熵和所述形貌本质多尺度熵的卓越能力，以下示例中将使用模拟数据和人类生理数据。
见图12A-12I，根据本发明的一实施例，提供了本质多尺度熵的多个视觉输出。在图12A-12I中，其水平轴为本质多尺度熵的一尺度，其垂直轴为累计本质模块函数(cumulative IMFs)。在图12A-12I中，所述累计本质模块函数1-1、1-7、1-13、7-13和13是使用双向方法以代表累计过程中的各种特征：来自于高频带的累计过程和来自于低频带的累计过程。具有不同H指标的分式高斯噪声(Fractional Gaussian noises；fGn)是展现本质多尺度熵的用处的重要数据。所述分式高斯噪声被定义为一时间序列xH(n)，其在n＝…，-2，-1，0，1，2，…时具有指标H。若所述时间序列为一零均值(zero-mean)，具有一校正值的高斯稳态(Gaussian stationary)过程可以表示为：
Figure BDA0002533323850000251
其中<a>为a的期望值，而σ为所述信号的均方根。当H＝0.5时，所述校正值为0；所述时间序列就简化为白噪声。
如图12A-12C所示，当0＜H＜0.5时，就代表负向校正的出现，代表没有长期校正的系统。如图12D-12F所示，当0.5＜H＜1时，就会出现长范围校正。虽然本质多尺度熵的原始公式仅在0＜H＜1时有效，但其可延展到此限制之外。在此示例中，所述本质多尺度熵能够代表具有各种位于0＜H＜1.7的H的数据。需注意的是在这些图式中，所述的实心黑线将定义域分为两个部份：底部用于部份和自1至n的升幂序列，顶部用于其降幂序列。在此系列图式中，如期待地，很清楚地可以看到能量浓度是随着H值的增加而迁移到较长的尺度；随着H值的增加，所述较长的尺度就越来越具优势。因此，所述本质多尺度熵确实可量化复杂度。
在本发明中，本质机率密度函数和本质多尺度熵有助于诊断各种神经生理和神经心理疾病。所述本质机率密度函数和本质多尺度熵的视觉输出能够用来比较多组群体、不同个体或单一个体的二种或多种状态。特定视觉输出形态能够识别一种或多种神经生理或神经心理疾病。所述特定视觉输出形态可包括一疾病状态、一健康状态、一预后佳状态或其他和诊断、预后、临床评估或疾病分期有关的状态。特定形态之间的比较也可用来识别二组罹患不同神经生理或神经心理疾病的群体的不同处、二组罹患同一疾病但有不同疾病分期的群体的不同处、二组罹患同一疾病但有不同预后的群体的不同处、二个罹患不同神经生理或神经心理疾病的个体的不同处、二个罹患同一疾病但有不同疾病分期的个体的不同处、二个罹患同一疾病但有不同预后的个体的不同处或同一个体在不同时间区间时的疾病状态的不同处。所述针对不同特定形态的比对可用来建立一模型，所述模型用于神经生理或神经心理疾病的诊断、预后、临床评估或疾病分期。
一健康状态可被定义为一个体或一组个体没有被确诊特定疾病。一疾病状态可被定义为一个体或一组个体被确诊特定疾病。所述健康状态和所述疾病状态可在不同时间区间内于同一个体中呈现，或在不同个体中呈现。
以下实施例将针对本发明有更具体的叙述，所述实施例之目的在于展示而不在于限制本发明的内容。
1.应用本质机率密度函数于阿兹海默症(Alzheimer’s Disease)
图9A显示从一健康个体控制组和不同疾病分期的阿兹海默症患者中所获取的传统脑电图数据。“HC”代表从健康个体控制组中所获取的脑电图数据，而“G1”、“G2”和“G3”代表由不同疾病分期的阿兹海默症患者中所获取的脑电图数据。由于脑电图数据的量和复杂度，因此图9A所能提供有关健康控制组和阿兹海默症患者在脑电图数据之间区别的信息非常有限。就算将图9A中的脑电图数据进一部使用傅立叶分析，脑电图的非线性和非稳态特质也会造成互相交织的光谱线，因此没有办法得到有用的信息。
图9B显示从健康控制组和不同预后分期的阿兹海默症患者中所获取的脑电图数据的传统总体机率密度函数(global PDFs)。在传统总体机率函数图中，从不同预后分期患者或甚至健康个体中获取的数据全为高斯分布。因此，图9B并没有给出有用的信息，因其无法分辨出二者间的不同。
见图13A，根据本发明的一实施例，提供了一健康个体的脑电图信号在一特定瞬时频率的每一本质模块函数的机率分布函数。见图13B，根据本发明的一实施例，提供了一失智症患者(临床失智症分期1，CDR1)的脑电图信号在一特定瞬时频率的每一本质模块函数的机率分布函数。在图13A和13B中，每一曲线为一本质模块函数的瞬时频率的一经振幅加权(amplitude weighted)的分布。
见图14A-14D，根据本发明的一实施例，提供了阿兹海默症患者的不同疾病分期的本质机率密度函数的视觉输出，这些视觉输出是以部份和方式呈现。图14A是由一健康个体所生成的本质机率密度函数，图14B是由CDR1患者所生成，图14C是由CDR2患者所生成，而图14D是CDR3患者所生成。当疾病分期较进阶时，所述本质机率密度函数会越来越呈超高斯分布。所述超高斯分布的本质机率密度函数代表了患者脑部在回应任何外界刺激时是缺乏变化的，或代表其精神状态是不会生成回应的。需特别注意到的是图14A的健康受试者的本质机率密度函数和图14B的阿兹海默症初期患者的本质机率密度函数的不同。健康受试者的高频元件呈现双峰，代表着在具有极大或极小值的3点波处震荡的最高频范围中有一丰富信号。
见图15A-15D，根据本发明的一实施例，提供了阿兹海默症患者的不同疾病分期的本质机率密度函数的视觉输出，这些视觉输出是以持续性时间尺度呈现。一本质机率密度函数为一二维矩阵，其具有：由水平轴定义的栏，代表所述机率密度函数的标准差；以及本质机率密度函数的时间尺度(或瞬时频率，例如时间尺度的倒数)，其由垂直轴代表。图15A为一健康受试者所生成的本质机率密度函数、图15B是由CDR1患者所生成、图15C是由CDR2患者所生成，而图15D是由CDR3患者所生成。当疾病分期较进阶时，在最高频元件中的双峰分布就立即消失了。此现象和前述确定性波形(deterministic wave)调整白噪声的情形相似。在最高频元件之后的其他元件中，所述分布再次以极为接近超高斯分布的形式出现。因此，所述本质机率密度函数具有很高的鉴别能力。
在本发明中，所述本质机率密度函数可能会以所述已分析数据组和一参考数据组之间的对比呈现。例如，所述对比可能会从两个不同的电极中产出。又例如，所述参考数据组可能为健康控制组的数据组或同一病患以往的数据组。
见图16A-16E，根据本发明的一实施例，提供了藉由脑电图电极FP1和T3所测量到不同疾病进程的本质机率密度函数的视觉输出。所述本质机率密度函数由位于左额脑部的脑电图电极FP1和T3所生成。图16A是从一健康受试者所生成的本质机率密度函数，图16B是由轻度知能障碍(mild cognitive impairment；MCI)的患者所生成、图16C是由CDR1患者所生成、图16D是由CDR2患者所生成，而图16E是由CDR3患者所生成。图中的机率密度值是由灰阶所呈现。
见图17A-17D，根据本发明的一实施例，提供了不同疾病进程的患者和一健康受试者之间的对比的本质机率密度函数的视觉输出。图17A-17D中的本质机率密度函数是由脑电图电极FP1和T3所生成。图17A是由MCI患者和一健康受试者之间的对比所生成的本质机率密度函数、图17B是由一CDR1患者和所述健康受试者之间的对比所生成的本质机率密度函数、图17C是由一CDR2患者和所述健康受试者之间的对比所生成的本质机率密度函数，而图17D是一CDR3患者和所述健康受试者之间的对比所生成的本质机率密度函数。所述本质机率密度函数是以白色曲线呈现具有统计上显著性的区域(在此示例中为p值小于0.001处)。在图17A-17D中所示出的不同清晰的呈现出所述疾病状态病患和所述健康受试者之间的对比。
1.1应用本质机率密度函数表面构型图(iPDF Topography)于阿兹海默症
在图18中，根据本发明的一实施例，提供了一功能性本质机率密度函数构型图。所述功能性本质机率密度函数构型图是由多个代表头骨上不同位置的脑电图电极中获取的本质机率密度函数所生成。所述构型的一条边界定义了图18中脑的一解剖图。每一脑电图电极是所述边界中的一侦测单位。所述电极是由一圆圈所表示、而每一相应电极的机率密度值也被标记。图中的机率密度值是以灰阶呈现。在一示例中，生成本质机率密度函数表面构型图的方法包括以下步骤：自每一电极生成所述本质机率密度函数所需的所述数据组；将所述瞬时时间尺度转换为瞬时频率尺度(藉由时间尺度的倒数)；建立一双维栏矩阵且每一栏包括一第一栏值和一第二栏值，所述第一栏值由其所需的标准差值所定义，所述第二栏值由所述瞬时频率尺度所定义(作为所述瞬时时间尺度的倒数)。在某些示例中，所述本质机率密度表面构型图也可根据由每一电极所生成的相对应机率密度值所得的每一栏中的机率密度值，进一步地以曲线描绘。在某些示例中，生成了模型化的机率密度值以用于本质机率密度函数表面构型图中电极之间的中间区域。模型化的过程可为一电极的一机率密度值和另一电极的另一机率密度值之间的内插。所述模型化机率密度值可为二个相邻电极之间的一过渡机率密度值。
所述频率尺度的优点为，在所述频率尺度中的一振动对脑活动可能有代表性。所有栏的集合将可为所述本质机率密度函数表面构型图。进一步地，为了强调图中的疾病状况，所述本质机率密度函数表面构型图也可以以两个本质机率密度函数表面构型图之间的对比呈现。例如，所述二个本质机率密度函数表面构型图可为患者组和一参考控制组，在此呈现方式中，所述栏值可为机率密度值、机率密度值之间的对比，或统计显著值之间的对比。所述统计显著值也可由标准T测试(standard T-test)所生成，以表示不同患者群体之间的统计差异。另外，所述栏值也可以生成一色阶代码。
所述本质机率密度函数联结了脑波频率的特定范围与头骨上的信号分布；因此，所述本质机率密度函数表面构型图可作为评估、诊断、或分期神经生理与神经心理疾病的工具。
在一本质机率密度函数表面构型图的示例中，所述侦测模块为一10-20系统，其包括了21个侦测单位。在一小范围的调幅频率和调频频率中，在所述解剖图中的对应位置上每一侦测单位具有一信号强度值。所述模型化过程将决定侦测单位之间的中间区域的视觉元素的信号强度值。所述模型化过程可由内插法达成。
见图19A-19D，根据本发明的一实施例，提供了在阿兹海默症的不同疾病分期患者群体与一组健康受试者之间的对比的功能性本质机率密度函数。所述功能性本质机率密度函数包括一本质机率密度函数构型图的矩阵。每一本质密度函数构型图是由一特定范围的调幅和调频频率所生成。在图19A-19D中，水平轴为时间区间而垂直轴为所述机率密度函数的一瞬时频率，其中所述机率密度函数是由所述本质模块函数所生成。每一所述本质机率密度函数表面构型图是由代表脑的一解剖图的一条边界所定义，且每一本质机率密度函数表面构型图包括多个侦测单位和侦测单位之间的中间区域，其中每一侦测单位具有一机率密度值。所述中间区域具有一模型化的机率密度值，所述机率密度值是由周围的侦测单位的机率密度值的模型化而生成。图19A为一组MCI患者和所述健康受试者之间的对比所生成的功能性本质机率密度值、图19B为一组CDR1患者和所述健康受试者之间的对比所生成的功能性本质机率密度值、图19C为一组CDR2患者和所述健康受试者之间的对比所生成的功能性本质机率密度值，而图19D为一组CDR3患者和所述健康受试者之间的对比所生成的功能性本质机率密度值。所述功能性本质机率密度值是由白色曲线呈现具有统计上显著性的区域(在此示例中为p值小于0.001处)。当此疾病愈趋严重、在所述患者群体和所述健康受试者组之间的所述功能性本质密度机率函数中的不同处也越来越清晰。
见图20A，根据本发明的一实施例，为以图式表示的患者群体和一健康受试者组的多个平均峰态值(mean kurtosis value)。在图20A中，从不同组患者或健康受试者而来的所述平均峰态值分布于不同频率中。同时，位于一标准差内的偏差值也被标记于图20A中。在一示例中，所述信号是由左额脑部的二个电极FP1和T3获取。具有不同疾病进程的不同患者群体在32Hz的高频范围和超过32Hz的高频范围上可被清晰地区分。
见图20B，根据本发明的一实施例，为以图式表示的患者群体和一健康受试者组的多个平均偏斜度值(mean skewness value)。在图20B中，从不同组患者或健康受试者而来的所述平均偏斜度值分布于不同频率中。同时，位于一标准差内的偏差值也被标记于图20B中。在一示例中，所述信号是由左额脑部的二个电极FP1和T3获取。在图20B中，可清晰地区分出所述患者群体的偏斜度和所述健康受试者组的偏斜度。
见图21A，根据本发明的一实施例，呈现了一本质密度函数峰态表面构型图(iPDFkurtosis topography)。所述本质密度函数峰态表面构型图是由多个电极所获取的本质密度函数的峰态值(kurtosis value)而生成。见图21B，根据本发明的一实施例，呈现了一本质密度函数峰态表面构型图。所述本质密度函数峰态表面构型图是由多个电极所获取的本质密度函数的峰态值而生成。在每一栏中，所对应到电极的所述机率密度值也被标记且以灰阶表示。在一示例中，生成本质机率密度函数表面构型图的方法包括以下步骤：自每一电极生成所述本质机率密度函数所需的所述数据组；将所述瞬时时间尺度转换为瞬时频率尺度(藉由时间尺度的倒数)；建立一双维栏矩阵且每一栏包括一第一栏值和一第二栏值，所述第一栏值由其所需的标准差值所定义，所述第二栏值由所述瞬时频率尺度所定义(作为所述瞬时时间尺度的倒数)。在某些示例中，所述本质机率密度表面构型图也可根据由每一电极所生成的相对应机率密度值所得的每一栏中的机率密度值，进一步地以曲线描绘。更进一步地，所述机率密度值也可从一受试者和参考数据组之间的比对中生成。所述视觉元素可为一已分析数据组和参考数据组之间的对比。所述对比可被一正规化(normalization)程序处理，以和一线性尺度或一分布模型对齐，所述分布模型例如可为正规分布(normaldistribution)。在所述参考数据组中的参考数据单位可由一标准数据组或一纵向数据组(longitudinal data set)导向而来。所述标准数据组可由一特定受试者群体而来的已分析数据组的平均值生成。例如，所述特定受试者可为健康受试者或被诊断为具有特定疾病状态的人们。为了消除个体变异，可使用正规化的个体数据。所述纵向数据组可由同一受试者而来的一系列以往的已分析数据组生成。在某些示例中，可根据所述参考数据组计算z分数(z-score)。根据头骨上电极的位置，一装置可进一步地生成图表，并在一分布模型中用所述图表展现所述已分析数据组的位置。
在图22A-22D中，根据本发明的一实施例，呈现了本质机率密度函数峰态表面构型图和本质机率密度函数偏斜度表面构型图，且分别以不同的本质模块函数的子集合呈现。在图22A中，所述本质机率密度函数峰态表面构型图和所述本质机率密度函数偏斜度表面构型图是用来表示MCI组患者和一健康受试者组之间的一对比。在图22B中，所述本质机率密度函数峰态表面构型图和所述本质机率密度函数偏斜度表面构型图是用来表示CDR1组患者和所述健康受试者组之间的对比。在图22C中，所述本质机率密度函数峰态表面构型图和所述本质机率密度函数偏斜度表面构型图是用来表示CDR2组患者和所述健康受试者组之间的一对比。在图22D中，所述本质机率密度函数峰态表面构型图和所述本质机率密度函数偏斜度表面构型图是用来表示CDR3组患者和所述健康受试者组之间的一对比。
2.多尺度熵在阿兹海默症中的应用
在以下示例中，所述本质多尺度熵会用来分析轻度知能障碍和阿兹海默症。此处使用的数据是从108位受试者身上而来，这些受试者的临床信息包括：年轻健康受试者，N＝25；MCI，N＝23；阿兹海默症CDR1，N＝22；阿兹海默症CDR2，N＝24；以及阿兹海默症CDR3，N＝14。上述数据由标准的21电极系统在一20秒区间内所搜集，其取样频率为200Hz。
自每一电极所获取的脑电图数据首先被适应型集体经验模态分解法(AdaptiveEnsemble Empirical Mode Decomposition；AEEMD)所分解。所有的数据都具有10个本质模块函数元件。在脑电图电极P3的个别元件的典型频率分布在图23中被示出。从图23的频率分布，可得知IMF 9和10具有一中央频率为0.125Hz(8秒期间)。
见图24A-24E，根据本发明的一实施例，呈现了P3电极中每一群体的本质平均多尺度熵的升幂本质多尺度熵。在图24A-24E中，水平轴为本质多尺度熵的一尺度，而垂直轴则代表本质模块函数的累计。每一视觉元素，即图24A-24R中的方格，是被所述水平轴和所述垂直轴所定义，且每一方格包括在一段时间区间中所搜集的一已分析数据单位。所述已分析数据单位具有所述水平轴的一第一坐标、所述垂直轴的一第二坐标以及一本质多尺度熵值。图24A为健康受试者的本质多尺度熵、图24B为MCI组患者的本质多尺度熵、图24C为CDR1组患者的本质多尺度熵、图24D为CDR2组患者的本质多尺度熵，而图24E为CDR3组患者的本质多尺度熵。图24A-24E显示了一类似的模式：当牵涉到越来越多本质模块函数时，其复杂度就会上升。图中也显示了在复杂度矩阵中的最大浓度逐渐平移到较粗糙颗粒的细微趋势。
见图25A-25D，根据本发明的一实施例，呈现了成对比较不同组群体之间的不同处的多尺度熵。在图25A-25D中，垂直轴代表累计本质模块函数，而水平轴为多尺度熵的一尺度。图25A显示了以多尺度熵表示CDR1组患者和MCI组患者之间的不同、图25B显示了CDR2组患者和MCI组患者之间的不同、图25C显示了CDR3组患者和MCI组患者之间的不同，而图25D显示了CDR2组患者和MCI组患者之间的不同。在图25A-25D中，患者群体皆为同年龄层，而健康受试者组则主要由年轻大学生所组成。
在图25A中，具有统计上显著不同的区域，其p值小于0.05，已被白色曲线所标记。图25A中，大致的模式为在细质尺度上失去复杂度，但在长粗粒尺度上其复杂度却增加。然而，针对MCI组和CDR2以及CDR3组之间的不同，就算在细致颗粒尺度上的复杂度下降也具有统计上的显著性，如图25B和图25C所示。
健康控制组和MCI组之间的不同显示于图25D，若是忽略IMF 10、9和1的作用，则所述不同处的模式清晰可见。所述模式符合此示例的前提：疾病将造成复杂度下降。此处统计上显著的区域为细致颗粒尺度以及二个孤立区域。所述细致颗粒尺度的重要性已不喻自明。此处的所述多尺度熵显示了CDR患者之间的明显不同；因此，多尺度熵提供了能够补强功能性脑电图(fEEG)研究的另种方案。
由多个侦测模块所搜集的所述多尺度熵也可用本质多尺度熵表面构型图(topographic iMSEs；TiMSEs)的方式汇整。此种新的呈现方式在空间和时间上的表现能够表现出其数据底层的复杂度变异状况。见图26A-26D，根据本发明的一实施例，呈现了成对比较不同组患者之间的本质多尺度熵表面构型图。在图26A-26D中，水平轴为多尺度熵的一尺度，而垂直轴代表本质模块函数的累计。在垂直轴上，IMF 1∶10为IMF1至IMF10的累计，IMF 1∶9为IMF1至IMF9的累计，以此类推，此处呈现了IMF1和不同IMF的累计。图26A-26D中的视觉元素为多个本质多尺度熵表面构型图，而每一本质多尺度熵表面构型图包括定义脑的一解剖图的一条边界、多个侦测单位，以及在所述侦测单位之间的多个中间区域，类似于图18和图19A-19D中的本质机率密度函数表面构型图。每一侦测单位包括一本质多尺度熵值，而每一中间区域具有一模型化的本质多尺度熵值，所述模型化的本质多尺度熵值是由周围的侦测单位所生成。图26A显示了以本质多尺度熵表面构型图所表示的CDR1组患者和MCI组患者之间的不同、图26B显示了CDR2组患者和MCR1组患者之间的不同、图26C显示了CDR3组患者和MCI组患者之间的不同，而图26D显示了CDR4组患者和MCI组患者之间的不同。图26A-26D中的模式类似于图25A-25D中所示的模式：随着失智症疾病的进程，复杂度大致上下降，且最大区域的复杂度迁移至粗粒尺度。图26A-26D和图25A-25D也具有相似的统计上显著区域。
前述结果代表着随着失智症疾病进程，整个脑中本质多尺度熵的改变具有一致的模式。所述统计结果也代表着本发明所提供的方法能够在临床上被用于量化失智症的疾病进程，其为一神经退化性疾病。也可从所述本质多尺度熵的结果对应至功能性脑电波(functional electroencephalography；fEEG)、功能性脑电波表面构型图(functionalelectroencephalotopography；fEEToPG)和功能性脑电波断层图(functionalelectroencephalotomography)的结果。高程度的复杂度会需要功能性脑电波、功能性脑电波表面构型图和功能性脑电波断层图中的非线性模型化特质。因此，本质多尺度熵也将可同样地用于功能性脑波、功能性脑电波表面构型图和功能性脑电波断层图中的所有适用案例上，包括但不限于、阿兹海默症的早期检测、忧郁症检测(焦虑和创伤后压力后症候群)、注意力缺陷过动症(Attention Deficit Hyperactivity Disorder；ADHD)的检测、管理偏头痛、麻醉深度、帕金森氏症(Parkinson’s disease)、杭丁顿舞蹈症(Huntington’sdisease)、睡眠分期和药物上瘾。
上述示出和叙述的实施例仅为示例。通常能够在本领域技术中找到许多其他细节。因此，许多细节并未示出或被叙述。即便在前述段落中已经以本发明的功能和结构说明本发明的诸多特征和优点，此说明书仅为范例，且有可能在符合本发明原理和完全考虑到所述术语的最广解释范围的前提之下在细节上进行修改，例如形状、尺寸以及部件的配置。本领域的普通技术人员应当理解的是，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和实质。

Claims (30)

1.一种能够在计算机可读存储介质中实施之非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时提供呈现至少一个脑的电信号的一种视觉输出，包括：
代表本质模块函数(intrinsic mode function；IMF)的子集的第一轴；
代表在一段时间区间中信号强度的函数的第二轴；以及
多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在所述时间区间中所搜集的多个已分析数据单位，
其中每一所述已分析数据单位包括第一坐标、第二坐标、以及机率密度值(probability density value)，所述机率密度值是由本质模块函数的其中一子集的本质机率密度函数(intrinsic probability density function)所生成，所述第一坐标是本质模块函数的其中一子集，所述第二坐标为信号强度的函数的自变数。
2.如权利要求1所述的非暂态计算机程序产品，其中所述第二轴为所述信号强度在所述时间区间中的标准差或Z值(z-value)。
3.如权利要求1所述的非暂态计算机程序产品，其中所述机率密度值是由初级本质模块函数(primary IMF)或次级本质模块函数(secondaryIMF)的子集所生成，每一初级本质模块函数是由经验模态分解法(empiricalmode decomposition；EMD)从多个电信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
4.一种分析至少一个脑的电活动的系统，包括：
侦测模块，用于侦测所述脑电活动；
传输模块，用于接收由所述侦测模块得到的电活动信号并将所述生理信号传输至分析模块；
所述分析模块，用于自所述电活动信号生成多个已分析数据组，每一已分析数据组包括多个已分析数据单位；以及
视觉输出模块以根据由所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出，
其中所述视觉输出包括代表本质模块函数(intrinsic mode function；IMF)的子集的第一轴，代表在一段时间区间中信号强度的函数的第二轴，以及被所述第一轴和所述第二轴所定义的多个视觉元素，且所述视觉元素包括第一坐标、第二坐标，和机率密度值(probability density value)，所述机率密度值是由本质模块函数的其中一子集的本质机率密度函数(intrinsic probability density function)所生成，所述第一坐标是本质模块函数的其中一子集，所述第二坐标为信号强度的函数的自变数。
5.如权利要求4所述的分析至少一个脑的电活动的系统，其中所述第二轴为所述信号强度在所述时间区间中的标准差或Z值(z-value)。
6.如权利要求4所述的分析至少一个脑的电活动的系统，其中所述机率密度值是由初级本质模块函数(primary IMF)或次级本质模块函数(secondary IMF)的子集所生成，每一初级本质模块函数是由经验模态分解法(empiricalmode decomposition；EMD)从多个电信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
7.一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时，提供呈现至少一个脑的电活动的一种视觉输出，包括：
代表一段时间区间中信号强度的函数的第一轴；
代表本质机率密度函数(intrinsic probability density function)的时间尺度的函数的第二轴；以及
多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在所述时间区间中所搜集的多个已分析数据单位，
其中每一所述已分析数据单位包括第一坐标、第二坐标，和机率密度值，所述机率密度值是由本质模块函数(intrinsic mode function；IMF)的其中一子集的本质机率密度函数所生成，所述第一坐标是信号强度的函数的自变数，而所述第二坐标是所述时间尺度的函数的自变数。
8.如权利要求7所述的非暂态计算机程序产品，其中所述第二轴为所述本质机率密度函数的瞬时频率(instantaneous frequency)。
9.如权利要求7所述的非暂态计算机程序产品，所述第一轴为所述时间区间中的所述信号强度的标准差或Z值(z-value)。
10.如权利要求7所述的非暂态计算机程序产品，其中所述机率密度值是由初级本质模块函数(primary IMF)或次级本质模块函数(secondary IMF)的子集所生成，每一初级本质模块函数是由经验模态分解法(empiricalmode decomposition；EMD)从多个电信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
11.一种分析至少一个脑的电活动的系统，包括：
侦测模块，用于侦测所述脑电活动；
传输模块，用于接收由所述侦测模块得到的电活动信号并将所述电活动信号传输至分析模块；
所述分析模块，用于自所述电活动信号生成多个已分析数据组，每一已分析数据组包括多个已分析数据单位；以及
视觉输出模块由所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出，
其中所述视觉输出包括代表一段时间区间中信号强度的函数的第一轴；代表本质机率密度函数(intrinsic probability density function)的时间尺度的函数的第二轴；以及多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在所述时间区间中所搜集的多个已分析数据单位，且每一所述已分析数据单位包括第一坐标、第二坐标，和机率密度值(probability density value)，所述机率密度值是由本质模块函数(intrinsic mode function；IMF)的其中一子集的本质机率密度函数所生成。所述第一坐标是信号强度的函数的自变数，而所述第二坐标是所述时间尺度的函数的自变数。
12.如权利要求11所述的分析至少一个脑的电活动的系统，其中所述第二轴为所述本质机率密度函数的瞬时频率(instantaneous frequency)。
13.如权利要求11所述的分析至少一个脑的电活动的系统，其中所述第一轴为所述时间区间中的所述信号强度的标准差或Z值(z-value)。
14.如权利要求11所述的分析至少一个脑的电活动的系统，其中所述机率密度值是由初级本质模块函数(primary IMF)或次级本质模块函数(secondary IMF)的子集所生成，每一初级本质模块函数是由经验模态分解法(empiricalmode decomposition；EMD)从多个电信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
15.一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时，可提供呈现至少一个脑的电活动的一种视觉输出，包括：
一条边界，用来定义所述脑的解剖图；以及
在所述边界中的一个或多个侦测单位，且每一侦测单位具有由本质模块函数(intrinisic mode function；IMF)的子集的本质机率密度函数(intrinsic probabilidydensity function)所生成的机率密度值(probability density value)。
16.如权利要求15所述的非暂态计算机程序产品，其中所述视觉输出包括在所述边界之中且介于多个所述侦测单位之间的多个中间区域，且每一所述中间区域具有模型化的机率密度值。
17.如权利要求16所述的非暂态计算机程序产品，其中所述视觉输出包括代表一段时间区间的第一轴，代表所述本质模块函数的瞬时频率(instantaneous frequency)的第二轴，以及由所述边界所定义的复述个视觉元素、所述第一轴的第一坐标，以及所述第二轴的第二坐标。
18.如权利要求15所述的非暂态计算机程序产品，其中所述机率密度值是由初级本质模块函数(primary IMF)或次级本质模块函数(secondary IMF)的子集所生成，每一初级本质模块函数是由经验模态分解法(empiricalmode decomposition；EMD)从多个电信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
19.一种分析至少一个脑的电活动的系统，包括：
侦测模块，用于侦测所述脑电活动；
传输模块，用于接收由所述侦测模块得到的电活动信号并将所述电活动信号传输至分析模块；
所述分析模块，用于自所述电活动信号生成机率密度函数(probability densityfunction)：以及
视觉输出模块由所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出，
其中所述视觉输出包括一条边界用来定义所述脑的解剖图，以及在所述边界中的一个或多个侦测单位，且每一侦测单位具有由本质模块函数(intrinsic mode function；IMF)的子集的本质机率密度函数(intrinsic probability density function)所生成的机率密度值(probability density value)。
20.如权利要求19所述的分析至少一个脑的电活动的系统，其中所述视觉输出包括在所述边界之中且介于多个所述侦测单位之间的多个中间区域，且每一所述中间区域具有模型化的机率密度值。
21.如权利要求20所述的分析至少一个脑的电活动的系统，其中所述视觉输出包括代表一段时间区间的第一轴，代表所述本质模块函数的瞬时频率(instantaneousfrequency)的第二轴，以及由所述边界所定义的复述个视觉元素、所述第一轴的第一坐标，以及所述第二轴的第二坐标。
22.如权利要求19所述的分析至少一个脑的电活动的系统，其中所述机率密度值是由初级本质模块函数(primary IMF)或次级本质模块函数(secondary IMF)的子集所生成，每一初级本质模块函数是由经验模态分解法(empiricalmode decomposition；EMD)从多个电信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
23.一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时可提供呈现至少一个脑的电活动的一种视觉输出，包括：
代表本质多尺度熵(intrinsic multiscale entropy；iMSE)的尺度的第一轴；
代表本质模块函数(intrinsic mode function；IMF)的累计的第二轴；以及
多个视觉元素，每一所述视觉元素被所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在一段时间区间中搜集的已分析数据单位，
其中每一已分析数据单位包括所述第一轴的第一坐标、所述第二轴的第二坐标，以及由所述本质模块函数生成的本质多尺度熵值(iMSE value)。
24.如权利要求23所述的非暂态计算机程序产品，其中所述本质模块函数为一组初级本质模块函数(primary IMFs)或一组次级本质模块函数(secondary IMFs)，每一所述初级本质模块函数是由多个电活动信号的经验模态分析法(empirical mode decomposition；EMD)而生成，且每一次级本质模块函数是由初级本质模块函数的经验模态分析法而生成。
25.如权利要求23所述的非暂态计算机程序产品，其中每一视觉元素更包括一条边界用来定义所述脑的解剖图，以及在所述边界中的一个或多个侦测单位，且每一侦测单位被给定所述本质多尺度熵值。
26.如权利要求25所述的非暂态计算机程序产品，其中每一视觉元素更包括在所述边界之中且介于多个侦测单位之间的多个中间区域，且每一所述中间区域具有模型化的本质多尺度熵值。
27.一种分析至少一个脑的电活动的系统，包括：
侦测模块，用于侦测所述脑电活动；
传输模块，用于接收由所述侦测模块得到的电活动信号并将所述电活动信号传输至分析模块；
所述分析模块，用于自所述电活动信号生成多个已分析数据组，每一已分析数据组包括多个已分析数据单位；以及
视觉输出模块由所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出，
其中所述视觉输出包括代表本质多尺度熵(intrinsic multiscale entropy；iMSE)的尺度的第一轴；代表本质模块函数(intrinsic mode function；IMF)的累计的第二轴，以及多个视觉元素，每一所述视觉元素被所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在一段时间区间中搜集的已分析数据单位，且每一已分析数据单位包括所述第一轴的第一坐标、所述第二轴的第二坐标，以及由所述本质模块函数生成的本质多尺度熵值(iMSE value)。
28.如权利要求27所述的分析至少一个脑的电活动的系统，其中所述本质模块函数为一组初级本质模块函数(primary IMFs)或一组次级本质模块函数(secondary IMFs)，每一所述初级本质模块函数是由多个电活动信号的经验模态分析法(empirical modedecomposition；EMD)而生成，且每一次级本质模块函数是由初级本质模块函数的经验模态分析法而生成。
29.如权利要求27所述的分析至少一个脑的电活动的系统，其中每一视觉元素更包括一条边界用来定义所述脑的解剖图，以及在所述边界中的一个或多个侦测单位，且每一侦测单位被给定所述本质多尺度熵值。
30.如权利要求29所述的分析至少一个脑的电活动的系统，其中每一视觉元素更包括在所述边界之中且介于多个侦测单位之间的多个中间区域，且每一所述中间区域具有模型化的本质多尺度熵值。
CN201880079871.3A 2017-12-11 2018-12-10 生理信号分析装置与方法 Pending CN111629655A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762596912P 2017-12-11 2017-12-11
US62/596912 2017-12-11
PCT/US2018/064642 WO2019118307A1 (en) 2017-12-11 2018-12-10 Method, module, and system for analysis of physiological signal

Publications (1)

Publication Number Publication Date
CN111629655A true CN111629655A (zh) 2020-09-04

Family

ID=66734328

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201880079871.3A Pending CN111629655A (zh) 2017-12-11 2018-12-10 生理信号分析装置与方法
CN201880079876.6A Pending CN111447872A (zh) 2017-12-11 2018-12-10 生理信号分析装置与方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201880079876.6A Pending CN111447872A (zh) 2017-12-11 2018-12-10 生理信号分析装置与方法

Country Status (4)

Country Link
US (2) US11219401B2 (zh)
EP (2) EP3723596A4 (zh)
CN (2) CN111629655A (zh)
WO (2) WO2019118309A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10420515B2 (en) 2015-06-15 2019-09-24 Vital Labs, Inc. Method and system for acquiring data for assessment of cardiovascular disease
WO2016205414A1 (en) 2015-06-15 2016-12-22 Vital Labs, Inc. Method and system for cardiovascular disease assessment and management
US11388078B1 (en) * 2019-06-10 2022-07-12 Keysight Technologies, Inc. Methods, systems, and computer readable media for generating and using statistically varying network traffic mixes to test network devices
CN110399846A (zh) * 2019-07-03 2019-11-01 北京航空航天大学 一种基于多通道肌电信号相关性的手势识别方法
CN110367980A (zh) * 2019-07-10 2019-10-25 南京邮电大学 基于多元经验模态分解的脑电信号情绪识别方法
CN115023180A (zh) * 2019-10-01 2022-09-06 丽娃健康公司 用于确定心血管参数的方法和系统
CN111107478B (zh) 2019-12-11 2021-04-09 江苏爱谛科技研究院有限公司 一种声音增强方法及声音增强系统
KR20230003483A (ko) * 2020-03-26 2023-01-06 다이아멘티스 인크. 망막 신호 데이터를 처리하고 병태들을 식별하기 위한 시스템들 및 방법들
CN111772631B (zh) * 2020-07-06 2021-12-14 天津大学 基于集成经验模态分解的早期乳腺癌特征提取方法
CN112183259B (zh) * 2020-09-17 2022-11-04 昆明理工大学 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法
CN112183263B (zh) * 2020-09-17 2022-11-04 昆明理工大学 一种基于改进的iceemd和hd的单向阀早期故障信号降噪方法
CN112749506B (zh) * 2020-12-21 2022-08-26 哈尔滨理工大学 基于ceemd和gwo-svr的振动信号预测方法
WO2022187746A1 (en) 2021-03-05 2022-09-09 Riva Health, Inc. System and method for validating cardiovascular parameter monitors
CN113361205A (zh) * 2021-06-23 2021-09-07 合肥工业大学 基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法
CN113516318A (zh) * 2021-08-06 2021-10-19 北京东润环能科技股份有限公司 一种深度学习的短期功率预测方法
US11830624B2 (en) 2021-09-07 2023-11-28 Riva Health, Inc. System and method for determining data quality for cardiovascular parameter determination
CN114403901A (zh) * 2022-02-16 2022-04-29 北京脑陆科技有限公司 对脑电信号的处理装置、方法及介质
US11996883B2 (en) 2022-08-09 2024-05-28 Ka Luen FUNG Method and device for recovering sub-signals from composite signal of blind source
CN117370737B (zh) * 2023-12-08 2024-02-06 成都信息工程大学 一种基于自适应高斯滤波器的非稳态非高斯噪声去除方法
CN117617921B (zh) * 2024-01-23 2024-03-26 吉林大学 基于物联网的智能血压监控系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101496716A (zh) * 2009-02-26 2009-08-05 周洪建 利用ecg信号检测睡眠呼吸暂停的测量方法
US20150193376A1 (en) * 2014-01-06 2015-07-09 National Central University Method of multi-scales intrinsic entropy analysis
US20170079538A1 (en) * 2015-09-17 2017-03-23 National Central University Method for Identifying Images of Brain Function and System Thereof
US20170200089A1 (en) * 2016-01-11 2017-07-13 National Central University Method and system for data analyzing by intrinsic probability distribution function
CN107296586A (zh) * 2017-06-20 2017-10-27 黄涌 视觉误差检测设备/方法及基于该设备的书写系统/方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100152600A1 (en) 2008-04-03 2010-06-17 Kai Sensors, Inc. Non-contact physiologic motion sensors and methods for use
US10304568B2 (en) * 2013-10-14 2019-05-28 KAOSKEY Pty Ltd. Decomposition of non-stationary signals into functional components
CN105354877A (zh) * 2015-11-09 2016-02-24 北京航空航天大学 一种基于空间填充曲线的经验模态分解和希尔伯特谱计算的三维网格处理方法
TWI562758B (en) * 2015-11-18 2016-12-21 Univ Nat Chiao Tung Physiological signal measuring system and method thereof
US10362955B2 (en) * 2016-02-10 2019-07-30 Regents Of The University Of Minnesota Graphically mapping rotors in a heart
US10786168B2 (en) * 2016-11-29 2020-09-29 The General Hospital Corporation Systems and methods for analyzing electrophysiological data from patients undergoing medical treatments

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101496716A (zh) * 2009-02-26 2009-08-05 周洪建 利用ecg信号检测睡眠呼吸暂停的测量方法
US20150193376A1 (en) * 2014-01-06 2015-07-09 National Central University Method of multi-scales intrinsic entropy analysis
US20170079538A1 (en) * 2015-09-17 2017-03-23 National Central University Method for Identifying Images of Brain Function and System Thereof
US20170200089A1 (en) * 2016-01-11 2017-07-13 National Central University Method and system for data analyzing by intrinsic probability distribution function
CN107296586A (zh) * 2017-06-20 2017-10-27 黄涌 视觉误差检测设备/方法及基于该设备的书写系统/方法

Also Published As

Publication number Publication date
US11219401B2 (en) 2022-01-11
CN111447872A (zh) 2020-07-24
US20190175041A1 (en) 2019-06-13
WO2019118307A1 (en) 2019-06-20
EP3723596A4 (en) 2021-02-24
EP3723592A1 (en) 2020-10-21
EP3723596A1 (en) 2020-10-21
EP3723592A4 (en) 2021-04-21
US20190175120A1 (en) 2019-06-13
WO2019118309A1 (en) 2019-06-20

Similar Documents

Publication Publication Date Title
CN111629655A (zh) 生理信号分析装置与方法
Michel et al. EEG source imaging: a practical review of the analysis steps
Patidar et al. An integrated alcoholic index using tunable-Q wavelet transform based features extracted from EEG signals for diagnosis of alcoholism
Von Ellenrieder et al. Size of cortical generators of epileptic interictal events and visibility on scalp EEG
Lei et al. A parallel framework for simultaneous EEG/fMRI analysis: methodology and simulation
US9839392B2 (en) Method and system for estimating brain concussion
TWI678188B (zh) 腦波檢測裝置
Pernet et al. Best practices in data analysis and sharing in neuroimaging using MEEG
Rajeswari et al. Advances in biomedical signal and image processing–A systematic review
JP2018529409A (ja) 超高密度の電極に基づく脳撮像システム
US20170079538A1 (en) Method for Identifying Images of Brain Function and System Thereof
KR101535352B1 (ko) 전두엽 뇌파를 이용한 우울증 심도 측정 방법
Kadipasaoglu et al. Category-selectivity in human visual cortex follows cortical topology: a grouped icEEG study
JP7136264B2 (ja) ストレス判定装置、プログラム及び方法
Tanaka et al. Clinical application of spatiotemporal distributed source analysis in presurgical evaluation of epilepsy
Li et al. Enhancing fNIRS analysis using EEG rhythmic signatures: an EEG-informed fNIRS analysis study
Khosropanah et al. Fused multivariate empirical mode decomposition (MEMD) and inverse solution method for EEG source localization
Fraschini et al. Functional brain connectivity analysis in amyotrophic lateral sclerosis: an EEG source-space study
Ghaderi et al. Muscle activity map reconstruction from high density surface EMG signals with missing channels using image inpainting and surface reconstruction methods
JP6834318B2 (ja) ストレス評価装置及び方法
Zhang et al. Multiscale multivariate transfer entropy and application to functional corticocortical coupling
Kaur et al. Recent developments in spatio-temporal EEG source reconstruction techniques
Yoon et al. Effective correlates of motor imagery performance based on default mode network in resting-state
Ghosh et al. Multifractals and Chronic Diseases of the Central Nervous System
Zheng et al. Enhanced fast-VESTAL for magnetoencephalography source imaging: from theory to clinical application in epilepsy

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200904