CN111643076A - 一种基于多通道脑电信号的bect棘波智能检测方法 - Google Patents

一种基于多通道脑电信号的bect棘波智能检测方法 Download PDF

Info

Publication number
CN111643076A
CN111643076A CN202010404580.6A CN202010404580A CN111643076A CN 111643076 A CN111643076 A CN 111643076A CN 202010404580 A CN202010404580 A CN 202010404580A CN 111643076 A CN111643076 A CN 111643076A
Authority
CN
China
Prior art keywords
spike
candidate
channel
detection
bect
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
CN202010404580.6A
Other languages
English (en)
Inventor
吴端波
王紫萌
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010404580.6A priority Critical patent/CN111643076A/zh
Publication of CN111643076A publication Critical patent/CN111643076A/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
    • A61B5/40Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • 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
    • A61B5/7203Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • A61B5/725Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于多通道脑电信号的BECT棘波智能检测方法,包括以下步骤:(1)脑电信号(EEG)采集,建立实验数据库;(2)数据预处理:对采集到的原始EEG数据进行带通滤波得到标准EEG信号;(3)进行候选棘波检测,使用筛选后的类中心作为新模板进行自适应模板匹配,将所有的匹配结果相加得到候选棘波。(4)消除误检棘波:首先根据AV通道的候选检测结果确定每个候选棘波的两个相关BP通道,然后剔除掉两个相关BP通道上无“针锋相对”现象的候选棘波。(5)棘波特征提取:在消除误检棘波后,计算每个通道的10个特征;(6)随机森林分类:以提取的棘波特征为特征向量训练随机森林分类模型;将待分析的脑电信号棘波特征输入随机森林模型内获得BECT棘波检测结果。

Description

一种基于多通道脑电信号的BECT棘波智能检测方法
技术领域
本发明涉及计算机领域,尤其涉及一种多通道脑电信号的BECT棘波智能检测方法。
背景技术
儿童良性癫痫伴中央颞区棘波(Benign epilepsy with centro-temporalspikes,BECT)是儿童最常见的癫痫综合征之一,其主要发病人群是学龄儿童,发病人数占儿童癫痫的15%-20%。
脑电图(Electroencephalogram,EEG)是大脑活动过程中大量神经元同时发生的神经元放电形成的,是大脑皮层放电最直接的反映,且包含了大量的生理与疾病信息。临床研究表明,BECT是原发性局灶性癫痫,病因不明,是一种特殊的癫痫形式,主要表现为中央区和颞区局部放电。临床上,主要通过对棘波的检测与定量分析来确诊BECT患者。
棘波是BECT脑电信号中的典型特征波,相对于背景波形,棘波波形尖锐,幅值高,变化快,目前临床上的BECT检查主要是通过脑电图师对患者脑电信号的棘波进行分析。但这种方法耗时长,误检率高,且检测结果的准确性不能得到保证,为此棘波自动检测技术近年来受到越来越多的关注。
虽然已经有很多关于棘波检测方法的研究,但由于一些原因,更先进的自动棘波检测仍然很困难。首先,由于人与人之间的个体差异,棘波的表现是不同的,因此很难用一种简单一致的方法自动检测脑电信号中的棘波。其次,脑电信号中不可避免地存在由心跳、眼动和肌肉运动等因素引起的伪迹,这极大地影响了自动棘波检测方法的性能。最后,与完全放电的棘波相比,不完全放电的棘波的波形特性不够明显,进一步增加了自动检测的难度。
发明内容
针对现有技术中存在的问题,本发明提供了一种基于多通道脑电信号的BECT棘波智能检测的方法,以提高BECT棘波的识别率。
为实现上述目的,本发明通过以下方案实现:一种基于多通道脑电信号的BECT棘波智能检测方法,该方法包括以下步骤:
步骤S1:采集脑电信号,选取实验对象,建立BECT脑电数据库,对脑电信号每个通道中的棘波进行标记;
步骤S2:对脑电信号进行预处理操作,使用5阶巴特沃斯带通滤波器去除高频分量和伪迹。
步骤S3:采用自适应模板匹配的方法进行候选棘波检测。
步骤S4:误检误检棘波。
步骤S5:提取候选棘波波形特征。
步骤S6:采用随机森林分类器实现BECT棘波检测。
根据本发明的一实施例,步骤S1中的采样频率为500Hz,并需要采取大量的脑电数据作为实验样本,实验体包括不同性别、不同年龄段的儿童患者。
根据本发明的一实施例,在进行自适应模板匹配的候选检测过程中,统计人工标记的棘波的上升沿斜率、下降沿斜率、幅值和持续时间等形态特征,建立通用模板。
根据本发明的一实施例,在采用自适应模板匹配的方法进行候选棘波检测的过程中,包括:
步骤S31,统计脑电数据中棘波波形的上升沿斜率、下降沿斜率、幅值高度和持续时间等特征,定义一个通用模板;
步骤S32,设置窗口宽度为300,按时间顺序对脑电信号进行通用模板匹配操作,得到候选尖峰信号;
步骤S33,采用K均值方法对候选尖峰进行聚类,将候选尖峰根据波形不同分成不同的类;
步骤S34,统计每个尖峰聚类中候选棘波的个数,如果数目小于总候选尖峰数的5%,则剔除这个类,最后将剩下的类的质心作为新的模板;
步骤S35,分别使用每个类的质心作为模板进行新的模板匹配,并将结果叠加得到候选棘波检测结果。
根据本发明的一实施例,在消除误检棘波的过程中,首先根据单极(Averagereference,AV)通道脑电信号的候选检测结果确定每个候选棘波的两个相关双极(Bipolar,BP)通道,然后根据BP通道上的“针锋相对”现象消除误检棘波。
根据本发明的一实施例,在提取候选棘波波形特征的过程中,计算每个通道中候选棘波的10个特征,包括持续时间间隔、幅值、斜率和面积。
根据本发明的一实施例,在采用随机森林分类模型进行BECT棘波检测的过程中,包括:
步骤S61:根据上述提取的多通道脑电信号构建每个候选棘波的特征向量,随机将特征向量分成训练集和测试集,利用训练集内的多个脑电信号样本训练随机森林分类器内的多个决策树,形成随机森林模型。
步骤S62:将测试集中的数据输入到训练好的随机森林模型中,得到基于机器学习方法的棘波检测结果。
根据本发明的一实施例,在随机森林模型训练中,包括:
步骤S611:在训练样本集中有放回的抽取与训练集样本数相同的新训练集。
步骤S612:在特征向量集内随机且无回放抽样,形成待选特征向量集;
步骤S613:根据步骤S612中得到的候选特征训练集,计算每个节点的最佳分裂方式并对该节点进行分裂,不进行剪枝,直到每个叶子节点的不纯度达到规定要求,形成一棵决策树。
步骤S614:重复步骤S611到S613,直到生成所有的决策树并集成得到随机森林模型。
与现有技术相比,本发明具有如下技术效果:
(1)本发明实时采集脑电信号,能及时检测到患者的棘波,且处理简单,成本低,易于普及,具有广泛的应用前景;
(2)采用自适应模板匹配的方法进行候选棘波检测,可以去除大量的误检棘波;
(3)根据候选棘波在两个相关BP通道上的“针锋相对”现象,消除候选棘波里的假阳性结果;
(4)本发明提取每个候选AV通道和两个相关BP通道上的波形特征,构成多通道特征向量,保证了棘波特征的完整性;
(5)本发明从候选棘波中提取多通道脑电信号棘波特征,使用随机森林分类模型进行识别,加入了随机属性,训练速度快,模型泛化能力强,分类效果优于其他分类器。
附图说明
图1为本发明基于多通道脑电信号的BECT棘波智能检测方法的总流程图。
图2为本发明电极分布图。
图3为本发明候选棘波检测流程图。
图4为本发明AV通道和BP通道棘波的示意图。
图5为本发明棘波特征提取示意图。
图6为本发明随机森林模型训练流程图。
具体实施方式
脑电信号通常包含着很多关于人类疾病的生理信息,在儿童BECT疾病的诊断与检测方面发挥着重要的作用。棘波是BECT的典型波形,故为更好地进行研究,需要对脑电信号进行棘波检测。现有的棘波方法很难完整准确的确定棘波位置问题,从而大大影响对癫痫疾病的研究。有鉴于此,本实施例提供一种基于多通道脑电信号的BECT棘波智能检测方法。
为了使本发明的目的、实现方案和创新点更加突出,以下参照附图并结合实施例对本发明做进一步的详细说明。
图1是本发明基于多通道脑电信号的BECT棘波智能检测方法的总流程图,包括:
步骤S1:脑电信号采集:选取实验对象,使用脑电采集设备采集BECT患者的19通道AV导联脑电数据,建立实验数据库。
步骤S2:数据预处理:对采集到的原始EEG数据进行巴特沃斯带通滤波得到标准EEG信号。
步骤S3:候选棘波检测:首先根据BECT棘波的波形特点定义一个通用模板,对19个AV通道脑电信号进行通用模板匹配,获得候选尖峰信号;然后使用K均值算法对候选尖峰进行聚类,得到若干个类;统计每个类中候选尖峰的数目,如果棘波数目小于总尖峰数的5%,则剔除这个类;分别使用筛选后的类中心作为新的模板进行自适应模板匹配,将所有的匹配结果相加得到候选棘波检测结果。
步骤S4:消除误检棘波:首先根据AV通道脑电信号的候选检测结果确定每个候选棘波的两个相关BP通道,然后根据BP通道上的“针锋相对”现象消除误检棘波。
步骤S5:棘波特征提取:在进行棘波特征提取时,计算每个通道中候选棘波的10个特征,包括持续时间间隔、幅值、斜率和面积。
步骤S6:随机森林分类:以提取的棘波特征为特征向量训练随机森林分类模型;将待分析的脑电信号棘波特征输入随机森林模型内获得BECT棘波检测结果。
以下结合图1至图6详细介绍本实施例提出的基于多通道脑电信号的BECT棘波智能检测方法。
本实施例提供的基于多通道脑电信号的BECT棘波智能检测方法始于步骤S1,在该步骤中使用多导脑电图仪采集患者长程监测脑电信号,采样频率为1000Hz,电极分布采用国际10-20脑电采集标准,共采集19通道脑电数据,电极分布如图2所示。由专业的脑电图师将脑电信号每个通道中的棘波波形标记出来。
之后执行步骤S2,对脑电进行预处理操作。采用5阶巴特沃斯带通滤波器滤除50Hz以上、0.5Hz以下的频率分量,减少噪声和伪迹的干扰。
步骤S3将经过预处理操作后的脑电信号进行自适应模板匹配得到候选棘波检测结果。以下将结合图3详细介绍候选棘波检测方法。
首先,对脑电信号中标记出的棘波波形进行统计分析,分别得到所有标记棘波的上升沿斜率、下降沿斜率、峰值和持续时间的平均值作为标准建立一个通用模板(步骤S31)。然后设置窗口宽度为300,按时间顺序对脑电信号进行通用模板匹配操作,得到候选尖峰信号(步骤S32)。对候选尖峰进行K均值聚类,将候选尖峰根据波形不同分成不同的类(步骤S33)。统计每个尖峰聚类中候选尖峰的个数,如果数目小于总候选尖峰数的5%,则剔除这个类,最后将剩下的类的质心作为新的模板(步骤S34)。分别使用每个类的质心作为模板进行新的模板匹配,并将结果叠加得到候选棘波检测结果(步骤S35)。
步骤S4根据AV通道与两个相关BP通道脑电信号消除误检棘波。以下将结合图4和具体示例详细介绍消除误检棘波方法。
通过分析AV通道的EEG信号,可以将棘波分为三种类型。以F3-AV,C3-AV和P3-AV三个AV通道为例,如果仅在C3-AV上检测到尖峰信号,两个相关的BP通道是F3-C3和C3-P3;如果在C3-AV和P3-AV上都检测到尖峰,则两个相关的BP通道分别为F3-C3和P3-O1;如果在F3-AV,C3-AV和P3-AV上都检测到尖峰,则两个相关的BP通道为FP1-F3和P3-O1。根据此规则检查所有候选棘波,并消除不符合此规则的候选棘波。在BP通道上,棘波呈“针锋相对”现象,如图4所示。
步骤S5提取候选棘波的波形特征。以下将结合图5和具体示例详细介绍候选棘波提取方法。
棘波波形特征包括:持续时间、振幅、斜率和面积四大类。其中持续时间特征包括Dur_left,Dur_right和Dur_spike,分别代表棘波左半波持续时间,棘波右半波持续时间和棘波持续时间,分别对应图5中的
Figure BDA0002490803760000071
Figure BDA0002490803760000072
振幅特征包括Amp_left,Amp_right和Amp_spike,分别代表棘波左半波幅值,棘波右半波幅值和棘波幅值,对应图5中的
Figure BDA0002490803760000073
Figure BDA0002490803760000074
Figure BDA0002490803760000075
斜率特征包括Slope_left,Slope_right和Slope_spike,分别代表棘波左半波斜率,棘波右半波斜率和棘波峰度,对应图5中的
Figure BDA0002490803760000076
Figure BDA0002490803760000077
面积特征为Area_spike,代表棘波面积,计算公式为
Figure BDA0002490803760000078
每个候选棘波在一个通道上有10个特征参数,提取每个候选棘波一个AV通道和两个BP通道上的特征参数组成特征向量,每个特征向量包含30个特征参数。
步骤S6通过随机森林分类模型实现棘波自动检测出。以下将结合图6详细介绍随机森林分类方法。
所述步骤S61是随机森林模型的训练过程,随机森林分类器包含多个决策树,它的输出类别是由所有树的结果中投票数最多的决定的。通过bootstrap重采样技术,从原训练样本集合M个样本中反复随机选取m个样本,生成新的训练样本集,再由m个个体决策树分类器生成随机森林。
本文将数据集分为训练集和测试集,以下结合图6介绍随机森林模型训练过程:
步骤S611:首先,从所有的特征向量集中采取M次有放回的抽样,构成待选特征集,待选特征集中的样本数目与原始特征向量集中的样本数相同。
步骤S612:其次,从待选特征中随机选取一定数量的特征向量,选取其中的最优特征。
步骤S613:根据步骤S612中得到的候选特征训练集,计算每个节点的最佳分裂方式并对该节点进行分裂,不进行剪枝,直到每个叶子节点的不纯度达到规定要求,形成一棵决策树。
步骤S614:重复步骤S611到步骤S613,直到所有决策树都停止生长,生成随机森林。
所述步骤S42是将测试集中的脑电数据输入到随机森林模型中,经过决策树投票选择后能够得到棘波检测结果,确定棘波所在的脑电片段,进而确定棘波所在的脑电通道和时间点。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种基于多通道脑电信号的BECT棘波智能检测方法,其特征在于,该方法包括以下步骤:
步骤S1:脑电信号采集;选取实验对象,使用脑电采集设备采集BECT患者的多通道脑电数据,建立实验数据库;
步骤S2:数据预处理;对采集到的原始EEG数据进行巴特沃斯带通滤波得到标准EEG信号;
步骤S3:候选棘波检测;首先根据BECT棘波的波形特点定义一个通用模板,进行通用模板匹配,获得候选尖峰信号;然后使用K均值算法对候选尖峰进行聚类,得到若干个类;统计每个类中候选尖峰的数目,如果尖峰数目小于总尖峰数的5%,则剔除这个类;分别使用筛选后的类中心作为新的模板进行自适应模板匹配,将所有的匹配结果相加得到候选棘波检测结果;
步骤S4:消除误检棘波;首先根据AV通道脑电信号的候选检测结果确定每个候选棘波的两个相关BP通道,输出AV通道上候选棘波的时间序列,然后对两个BP通道进行棘波检测,判断在同一时间AV通道和两个BP通道是否都检测到候选棘波,且BP通道上的两个候选棘波是否呈“针锋相对”现象,如果不符合这两个条件,则在候选检测结果中剔除;
步骤S5:棘波特征提取;在FPS消除后,计算了每个信道的10个特征,以便进行后续分类;这10个特征分为4类,包括持续时间、振幅、斜率和面积;
步骤S6:随机森林分类:以提取的棘波特征为特征向量训练随机森林分类模型;将待分析的脑电信号棘波特征输入随机森林模型内获得BECT棘波检测结果。
2.根据权利要求1所述的基于多通道脑电信号的BECT棘波智能检测方法,其特征在于,步骤S2中,在进行数据预处理时,使用频率范围为0.5-50Hz的5阶IIR巴特沃思带通滤波器来去除EEG信号中的噪声和伪迹。
3.根据权利要求1所述的基于多通道脑电信号的BECT棘波智能检测方法,其特征在于,所述步骤S3进一步包括:
步骤S31,统计脑电数据中棘波波形的上升沿斜率、下降沿斜率、幅值高度和持续时间等特征,定义一个通用模板;
步骤S32,设置窗口宽度,按时间顺序对脑电信号进行通用模板匹配操作,得到候选尖峰信号;
步骤S33,采用K均值算法对候选尖峰进行聚类,将候选尖峰根据波形不同分成不同的类;
步骤S34,统计每个尖峰聚类中候选尖峰的个数,如果数目小于总候选尖峰数的5%,则剔除这个类,最后将剩下的类的质心作为新的模板;
步骤S35,分别使用每个类的质心作为模板进行新的模板匹配,并将结果叠加得到候选棘波检测结果。
4.根据权利要求1所述的基于多通道脑电信号的BECT棘波智能检测方法,其特征在于,步骤S4中,在进行消除误检棘波时,首先根据AV通道脑电信号的候选检测结果确定每个候选棘波的两个相关BP通道,输出AV通道上候选棘波的时间序列,然后对两个BP通道进行棘波检测,判断在同一时间AV通道和两个BP通道是否都检测到候选棘波,且BP通道上的两个候选棘波是否呈“针锋相对”现象,如果不符合这两个条件,则在候选检测结果中剔除。
5.根据权利要求1所述的基于多通道脑电信号的BECT棘波智能检测方法,其特征在于,步骤S5中,在进行棘波特征提取时,计算每个通道中候选棘波的10个特征,包括持续时间间隔、幅值、斜率和面积。
6.根据权利要求1所述的基于多通道脑电信号的BECT棘波智能检测方法,其特征在于,所述步骤S6中,随机森林分类方法进一步包括:
步骤S61,根据上述提取的棘波特征参数构建每个候选棘波的特征向量,特征向量分成训练集和测试集,使用训练集中的数据训练随机森林分类模型;
步骤S62,将测试集中的数据输入到随机森林模型中,得到的输出结果即为棘波检测结果,可以检测出在这一片段中是否有棘波。
7.根据权利要求4所述的基于多通道脑电信号的BECT棘波智能检测方法,其特征在于,所述消除误检棘波,需要和相邻通道的检测结果进行对比,如果检测结果在相邻通道存在“针锋相对”现象,则视为棘波,否则舍弃该结果。
CN202010404580.6A 2020-05-13 2020-05-13 一种基于多通道脑电信号的bect棘波智能检测方法 Pending CN111643076A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010404580.6A CN111643076A (zh) 2020-05-13 2020-05-13 一种基于多通道脑电信号的bect棘波智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010404580.6A CN111643076A (zh) 2020-05-13 2020-05-13 一种基于多通道脑电信号的bect棘波智能检测方法

Publications (1)

Publication Number Publication Date
CN111643076A true CN111643076A (zh) 2020-09-11

Family

ID=72342804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010404580.6A Pending CN111643076A (zh) 2020-05-13 2020-05-13 一种基于多通道脑电信号的bect棘波智能检测方法

Country Status (1)

Country Link
CN (1) CN111643076A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113974653A (zh) * 2021-11-30 2022-01-28 杭州妞诺霄云大数据科技有限公司 基于约登指数优化棘波检测方法和装置、存储介质和终端
CN114027854A (zh) * 2021-12-01 2022-02-11 杭州电子科技大学 基于最优模板匹配和形态特征提取的bect棘波检测方法
CN117918861A (zh) * 2024-03-20 2024-04-26 之江实验室 一种癫痫患者单通道脑电信号的实时检测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321783A (zh) * 2019-05-07 2019-10-11 北京慧脑云计算有限公司 一种基于1d卷积神经网络的meg棘波检测方法及系统
CN110477908A (zh) * 2019-07-16 2019-11-22 华南师范大学 一种智能识别癫痫灶的方法
CN110811609A (zh) * 2019-10-28 2020-02-21 杭州电子科技大学 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321783A (zh) * 2019-05-07 2019-10-11 北京慧脑云计算有限公司 一种基于1d卷积神经网络的meg棘波检测方法及系统
CN110477908A (zh) * 2019-07-16 2019-11-22 华南师范大学 一种智能识别癫痫灶的方法
CN110811609A (zh) * 2019-10-28 2020-02-21 杭州电子科技大学 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113974653A (zh) * 2021-11-30 2022-01-28 杭州妞诺霄云大数据科技有限公司 基于约登指数优化棘波检测方法和装置、存储介质和终端
CN113974653B (zh) * 2021-11-30 2024-03-22 杭州妞诺霄云大数据科技有限公司 基于约登指数优化棘波检测方法和装置、存储介质和终端
CN114027854A (zh) * 2021-12-01 2022-02-11 杭州电子科技大学 基于最优模板匹配和形态特征提取的bect棘波检测方法
CN117918861A (zh) * 2024-03-20 2024-04-26 之江实验室 一种癫痫患者单通道脑电信号的实时检测系统

Similar Documents

Publication Publication Date Title
CN110811609B (zh) 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置
CN110338786B (zh) 一种癫痫样放电的识别与分类方法、系统、装置和介质
CN104783782B (zh) 心电信号自动检测方法及装置
Townsend et al. A comparison of common spatial patterns with complex band power features in a four-class BCI experiment
CN111643076A (zh) 一种基于多通道脑电信号的bect棘波智能检测方法
CN111772585B (zh) 间期颅内脑电信号中癫痫异常群体活动的数据提取方法
CN108511055B (zh) 基于分类器融合及诊断规则的室性早搏识别系统及方法
WO2013063053A1 (en) Method of building classifiers for real-time classification of neurological states
CN111000555B (zh) 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法
CN111091074A (zh) 最优区域共空间模式的运动想象脑电信号分类方法
CN105574348B (zh) 一种基于bcg信号的心跳周期获取方法和装置
CN113208634A (zh) 一种基于eeg脑波的注意力检测方法、系统
CN111067513B (zh) 一种特征权重自学习的睡眠质量检测关键脑区判定方法
Mahesh et al. ECG arrhythmia classification based on logistic model tree
CN115486855A (zh) 一种基于qrs波群不定次循环叠加的心电图心搏分类方法
CN114532993A (zh) 一种癫痫患者脑电高频振荡信号的自动检测方法
CN111887811B (zh) 基于脑电信号特征的大脑异常放电检测方法及系统
CN114376524A (zh) 基于语音统计学习的意识评估方法及系统
Cheng et al. Multiview feature fusion representation for interictal epileptiform spikes detection
CN113974653A (zh) 基于约登指数优化棘波检测方法和装置、存储介质和终端
CN114587381A (zh) 基于多通道脑电智能筛选与加权样本生成的棘波检测方法
Al-Fahoum et al. ECG arrhythmia classification using simple reconstructed phase space approach
CN113180705A (zh) 一种基于eeg脑波的疲劳检测方法、系统
Benlamri et al. An automated system for analysis and interpretation of epileptiform activity in the EEG
CN111543977A (zh) 基于12导联静息心电图的多级联人工智能排阴方法

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: 20200911