CN111671419B - 一种基于脑电信号的癫痫早期检测与识别方法及系统 - Google Patents
一种基于脑电信号的癫痫早期检测与识别方法及系统 Download PDFInfo
- Publication number
- CN111671419B CN111671419B CN202010535155.0A CN202010535155A CN111671419B CN 111671419 B CN111671419 B CN 111671419B CN 202010535155 A CN202010535155 A CN 202010535155A CN 111671419 B CN111671419 B CN 111671419B
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration intensity
- model
- abnormality
- electroencephalogram
- 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.)
- Active
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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Neurology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Neurosurgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于脑电信号的癫痫早期检测与识别方法及系统,其技术方案为:包括:采集脑电信号,并对脑电信号进行预处理;构建ARMA模型,利用ARMA模型对预处理后的脑电信号进行回归分析,并计算异常度;根据异常度进行假设检验,判断是否出现癫痫症状;对检测到变化点后的信号进行特征提取,并基于一对一类支持向量机进行癫痫识别。本发明能够完成癫痫发作检测,在发出癫痫发作预警的同时完成癫痫识别,便于对患者进行综合评估。
Description
技术领域
本发明涉及医疗疾病诊断领域,尤其涉及一种基于脑电信号的癫痫早期检测与识别方法及系统。
背景技术
癫痫是最常见的神经系统疾病之一,通常是由大脑内大量神经细胞群异常超同步放电所引起的,其主要表现认知障碍、咬舌、口吐白沫,有时患者甚至发生持续性无意识抽搐等症状。癫痫会损伤大脑正常生理功能,影响人的正常生活,大多数患者还会因此导致其他不可预见的副作用,例如记忆力衰退、抑郁和其他心里障碍等。如不及时进行诊断治疗,会极大的影响患者的正常生活,严重者甚至会致人死亡。
在目前临床治疗中,医生多通过脑电信号对患者在一定时期内进行评估以确定其发病的大脑部位和发病表现。当癫痫发作时,脑电图中会产生特定的脑电波形,区别于正常脑电。然而,这种传统的检测和诊断方式往往需要专业医师依据经验对长程脑电图通过肉眼判定,这一过程耗时、主观性强,而且存在大量噪声。并且,人体不自主抽搐是癫痫发作的重要表现,但是导致抽搐的原因多种多样,如:人体静脉注射、外界惊吓、电子设备干扰、睡觉时的翻身等等,所以仅通过医生肉眼分析脑电图也极易造成误判。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种基于脑电信号的癫痫早期检测与识别方法及系统,能够完成癫痫发作检测,在发出癫痫发作预警的同时完成癫痫识别,便于对患者进行综合评估。
为了实现上述目的,本发明是通过如下的技术方案来实现:
第一方面,本发明的实施例提供了一种基于脑电信号的癫痫早期检测与识别方法,包括:
采集脑电信号,并对脑电信号进行预处理;
构建ARMA模型,利用ARMA模型对预处理后的脑电信号进行回归分析,并计算异常度;
根据异常度进行假设检验,判断是否出现癫痫症状;
对检测到变化点后的信号进行特征提取,并基于一对一类支持向量机进行癫痫识别。
作为进一步的实现方式,首先对脑电信号进行平滑去噪处理,然后提取脑电信号的振动强度作为特征用以对信号进行动态描述。
作为进一步的实现方式,采用滑动窗的方式提取振动强度。
作为进一步的实现方式,基于正态分布原则进行假设检验,判断是否出现癫痫症状;若出现癫痫症状,在检测到的脑电信号由正常转为癫痫发作症状的变化点发出预警,若没有出现癫痫发作症状,则重复信号之前操作。
作为进一步的实现方式,当检测到癫痫发作症状,将检测到的变化点后面的信号作为嫌疑片段,进行经验模态分解;提取分解得到前五个分量的奇异值。
作为进一步的实现方式,将奇异值作为特征向量输入一对一类支持向量机中,进行癫痫识别。
作为进一步的实现方式,其中一个一类支持向量机用于正常数据训练,另一个一类支持向量机用于癫痫数据训练;两个一类支持向量机对同一段数据进行分类,对二者的输出合并分析,可以对嫌疑片段数据做出三分类的结果。
第二方面,本发明实施例还提供了一种基于脑电信号的癫痫早期检测与识别系统,包括:
信号预处理模块,用于采集脑电信号,并对脑电信号进行预处理;
异常度计算模型,用于利用ARMA模型对预处理后的脑电信号进行回归分析,并计算异常度;
症状判断模块,用于根据异常度进行假设检验,判断是否出现癫痫症状;
癫痫识别模块,用于对检测到变化点后的信号进行特征提取,并基于一对一类支持向量机进行癫痫识别。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于脑电信号的癫痫早期检测与识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于脑电信号的癫痫早期检测与识别方法。
上述本发明的实施例的有益效果如下:
(1)本发明的一个或多个实施方式基于脑电信号能完成癫痫发作检测,发出癫痫发作预警的同时完成癫痫识别;
(2)本发明的一个或多个实施方式在癫痫发作检测部分,提取信号的动态特征,基于简单易于使用的ARMA模型进行回归分析,通过假设检验来进行决策,其计算复杂度低,因此方法的实时性较好,可以在癫痫发作的早期发出预警;
(3)本发明的一个或多个实施方式在癫痫识别部分,使用一对one-class svm完成识别任务,仅使用正常数据和癫痫数据进行训练,即可完成包括正常、癫痫、其他异常在内的三分类任务,相比单一one-class svm的分类数量更多;识别结果根据one-class svm的输出做出统一分析后得出,鲁棒性更强。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明根据一个或多个实施方式的流程图;
图2是本发明根据一个或多个实施方式的癫痫发作预警示例图;
图3是本发明根据一个或多个实施方式的对嫌疑片段数据做出三分类的结果图;
图4是本发明根据一个或多个实施方式据两个one-class svm的输出做出的诊断图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一:
脑电图可以有效的记录大脑皮层的生物电情况,进而反映人体不同的生理活动和状态,因此它是目前临床用于癫痫诊断和分析的重要手段。本实施例提供了一种基于脑电信号的癫痫早期检测与识别方法,包括:
采集脑电信号,并对脑电信号进行预处理;
构建ARMA模型,利用ARMA模型对预处理后的脑电信号进行回归分析,并计算异常度;
根据异常度进行假设检验,判断是否出现癫痫症状;
对检测到变化点后的信号进行特征提取,并基于一对一类支持向量机进行癫痫识别。
具体的,包括两个部分,即:癫痫发作早期检测和癫痫识别。
进一步的,如图1所示,包括如下步骤:
(1)信号预处理:
由于信号采集过程中出现的噪声会严重影响检测效果,因此首先对信号进行了平滑滤波,以去除噪声。
(2)构建ARMA模型:
对完成去噪的信号,首先采用滑动窗的方式提取振动强度,对信号进行动态描述,滑动窗的计算公式如下:
式(1)中,L为滑动窗的长度,xi为t=i时刻信号的幅值,vt为t时刻计算得到的振动强度。通过计算,原始信号X={x1,...,xt,...,xN}就可以通过V={v1,...,vt,...,vN}进行动态表示。
根据得到的振动强度序列,构建ARMA回归模型,其模型计算公式如下:
(3)异常度计算:
根据得到的ARMA模型和原始振动强度序列,计算异常度用以量化反映信号的波动情况,其计算公式如下:
根据假设检验判断是否出现癫痫发作症状,若出现癫痫发作症状,在检测到的脑电信号由正常转为癫痫发作症状的变化点发出预警,若没有出现癫痫发作症状,则重复步骤(1)-步骤(3)。
(4)假设检验:
对计算得到的异常度s(t),基于正态分布原则,采用3σ准则对其进行假设检验,原假设和备择假设如下:
H0:|st-μt-1|≤3σt-1 (4)
H1:|st-μt-1|>3σt-1 (5)
其中,μt-1为{s1,s2,...,st-1}的均值,σt-1分别为{s1,s2,...,st-1}的标准差。如果H0满足条件,则认为当前点不是变化点;如果H1满足条件,则认为当前点为变化点,并且认为该异常点之后的片段为嫌疑片段。在本实施例中,片段的长度根据经验值定为10240。成功做出癫痫发作预警的示例如图2所示。
(5)特征提取:
当方法在癫痫发作检测过程中发出预警时,导致该预警产生的原因可能有:正常的生理抽搐、癫痫发作、其他异常。因此,在癫痫发作预警发出后,需要对嫌疑片段数据分析,进一步进行识别。
首先对嫌疑片段进行经验模态分解(EMD),信号被分解为一系列的分量
(IMFs),由于前五个分量信号就包含了信号的绝大部分信息,所以本实施例选用了前五个分量进行分析。考虑到计算效率的问题,这些分量信号不能直接用作嫌疑片段的特征向量,因此采用了奇异值分解(SVD)的方法,对前五个分量进行奇异值分解,将得到奇异值[σ1,σ2,σ3,σ4,σ5]作为其特征向量。
(6)one-class svm(一类支持向量机)
将从嫌疑片段提取到的奇异值向量作为特征,运用模式识别的方式对其进行诊断。在本实施例中,分类器不同于常见的方式,而是选用了一对one-class svm,其中一个one-class svm用于正常数据训练,另一个one-class svm用于癫痫数据训练。
如图3所示,两个分类器对同一段数据进行分类,对两个分类器的输出合并分析,可以对嫌疑片段数据做出三分类的结果。根据两个one-class svm的输出,可以做出如图4所示的诊断结果。
本实施例方法可以基于脑电信号进行癫痫发作早期检测与识别。首先,在癫痫发作早期检测过程中,若发出了癫痫发作预警,则进一步对变化点之后的嫌疑片段采用一对one-class svm进行癫痫识别,识别结果包括:正常、癫痫、其他异常。
本实施例可以用于辅助医务工作者对癫痫患者进行监测,自动发出癫痫发作预警和完成癫痫识别,同时对正常以及其他异常发出的预警进行分析,对监测者进行综合评估。
实施例二:
本实施例提供了一种基于脑电信号的癫痫早期检测与识别系统,包括:
信号预处理模块,用于采集脑电信号,并对脑电信号进行预处理;
异常度计算模型,用于利用ARMA模型对预处理后的脑电信号进行回归分析,并计算异常度;
症状判断模块,用于根据异常度进行假设检验,判断是否出现癫痫症状;
癫痫识别模块,用于对检测到变化点后的信号进行特征提取,并基于一对一类支持向量机进行癫痫识别。
实施例三:
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一所述的基于脑电信号的癫痫早期检测与识别方法。
实施例四:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述的基于脑电信号的癫痫早期检测与识别方法。
以上实施例二-四中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种基于脑电信号的癫痫早期检测与识别系统,其特征在于,包括:
信号预处理模块,用于采集脑电信号,并对脑电信号进行预处理;
异常度计算模块,用于利用ARMA模型对预处理后的脑电信号进行回归分析,并计算异常度;具体步骤为:对完成去噪的信号,采用滑动窗的方式提取振动强度,对信号进行动态描述,滑动窗的计算公式如下:
式(1)中,L为滑动窗的长度,xi为t=i时刻信号的幅值,vt为t时刻计算得到的振动强度;
通过计算,原始信号X={x1,...,xt,...,xN}通过V={v1,...,vt,...,vN}进行动态表示;
根据得到的振动强度序列,构建ARMA回归模型,其模型计算公式如下:
根据假设检验判断是否出现癫痫发作症状,若出现癫痫发作症状,在检测到的脑电信号由正常转为癫痫发作症状的变化点发出预警,若没有出现癫痫发作症状,则重复步骤(1)-步骤(3);
症状判断模块,用于根据异常度进行假设检验,判断是否出现癫痫症状;具体步骤为:对计算得到的异常度s(t),基于正态分布原则,采用3σ准则对其进行假设检验,原假设和备择假设如下:
H0:|st-μt-1|≤3σt-1 (4)
H1:|st-μt-1|>3σt-1 (5)
其中,μt-1为{s1,s2,...,st-1}的均值,σt-1分别为{s1,s2,...,st-1}的标准差;若H0满足条件,则认为当前点不是变化点;若H1满足条件,则认为当前点为变化点,并且认为该异常点之后的片段为嫌疑片段;
癫痫识别模块,用于对检测到变化点后的信号进行特征提取,当检测到癫痫发作症状,将检测到的变化点后面的信号作为嫌疑片段,进行经验模态分解;提取分解得到前五个分量的奇异值;将奇异值作为特征向量输入一对一类支持向量机中,进行癫痫识别。
2.根据权利要求1所述的一种基于脑电信号的癫痫早期检测与识别系统,其特征在于,首先对脑电信号进行平滑去噪处理,然后提取脑电信号的振动强度作为特征用以对信号进行动态描述。
3.根据权利要求1所述的一种基于脑电信号的癫痫早期检测与识别系统,其特征在于,其中一个一类支持向量机用于正常数据训练,另一个一类支持向量机用于癫痫数据训练;两个一类支持向量机对同一段数据进行分类,对二者的输出合并分析,可以对嫌疑片段数据做出三分类的结果。
4.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行以下步骤:
采集脑电信号,并对脑电信号进行预处理;
利用ARMA模型对预处理后的脑电信号进行回归分析,并计算异常度;具体步骤为:对完成去噪的信号,采用滑动窗的方式提取振动强度,对信号进行动态描述,滑动窗的计算公式如下:
式(1)中,L为滑动窗的长度,xi为t=i时刻信号的幅值,vt为t时刻计算得到的振动强度;
通过计算,原始信号X={x1,...,xt,...,xN}通过V={v1,...,vt,...,vN}进行动态表示;
根据得到的振动强度序列,构建ARMA回归模型,其模型计算公式如下:
根据假设检验判断是否出现癫痫发作症状,若出现癫痫发作症状,在检测到的脑电信号由正常转为癫痫发作症状的变化点发出预警,若没有出现癫痫发作症状,则重复步骤(1)-步骤(3);
根据异常度进行假设检验,判断是否出现癫痫症状;具体步骤为:对计算得到的异常度s(t),基于正态分布原则,采用3σ准则对其进行假设检验,原假设和备择假设如下:
H0:|st-μt-1|≤3σt-1 (4)
H1:|st-μt-1|>3σt-1 (5)
其中,μt-1为{s1,s2,...,st-1}的均值,σt-1分别为{s1,s2,...,st-1}的标准差;若H0满足条件,则认为当前点不是变化点;若H1满足条件,则认为当前点为变化点,并且认为该异常点之后的片段为嫌疑片段;
对检测到变化点后的信号进行特征提取,当检测到癫痫发作症状,将检测到的变化点后面的信号作为嫌疑片段,进行经验模态分解;提取分解得到前五个分量的奇异值;将奇异值作为特征向量输入一对一类支持向量机中,进行癫痫识别。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行以下步骤:
采集脑电信号,并对脑电信号进行预处理;
利用ARMA模型对预处理后的脑电信号进行回归分析,并计算异常度;具体步骤为:对完成去噪的信号,采用滑动窗的方式提取振动强度,对信号进行动态描述,滑动窗的计算公式如下:
式(1)中,L为滑动窗的长度,xi为t=i时刻信号的幅值,vt为t时刻计算得到的振动强度;
通过计算,原始信号X={x1,...,xt,...,xN}通过V={v1,...,vt,...,vN}进行动态表示;
根据得到的振动强度序列,构建ARMA回归模型,其模型计算公式如下:
根据假设检验判断是否出现癫痫发作症状,若出现癫痫发作症状,在检测到的脑电信号由正常转为癫痫发作症状的变化点发出预警,若没有出现癫痫发作症状,则重复步骤(1)-步骤(3);
根据异常度进行假设检验,判断是否出现癫痫症状;具体步骤为:对计算得到的异常度s(t),基于正态分布原则,采用3σ准则对其进行假设检验,原假设和备择假设如下:
H0:|st-μt-1|≤3σt-1 (4)
H1:|st-μt-1|>3σt-1 (5)
其中,μt-1为{s1,s2,...,st-1}的均值,σt-1分别为{s1,s2,...,st-1}的标准差;若H0满足条件,则认为当前点不是变化点;若H1满足条件,则认为当前点为变化点,并且认为该异常点之后的片段为嫌疑片段;
对检测到变化点后的信号进行特征提取,当检测到癫痫发作症状,将检测到的变化点后面的信号作为嫌疑片段,进行经验模态分解;提取分解得到前五个分量的奇异值;将奇异值作为特征向量输入一对一类支持向量机中,进行癫痫识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535155.0A CN111671419B (zh) | 2020-06-12 | 2020-06-12 | 一种基于脑电信号的癫痫早期检测与识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535155.0A CN111671419B (zh) | 2020-06-12 | 2020-06-12 | 一种基于脑电信号的癫痫早期检测与识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111671419A CN111671419A (zh) | 2020-09-18 |
CN111671419B true CN111671419B (zh) | 2022-02-11 |
Family
ID=72454729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010535155.0A Active CN111671419B (zh) | 2020-06-12 | 2020-06-12 | 一种基于脑电信号的癫痫早期检测与识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111671419B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115770050B (zh) * | 2022-12-02 | 2023-09-08 | 重庆医科大学附属第二医院 | 癫痫检测方法及系统 |
CN117033988B (zh) * | 2023-09-27 | 2024-03-12 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488162B (zh) * | 2008-01-17 | 2012-03-21 | 复旦大学 | 一种用于脑电信号自动评估的脑电信号特征提取方法 |
CN105760861B (zh) * | 2016-03-29 | 2020-05-12 | 华东师范大学 | 一种基于深度数据的癫痫发作监控方法及系统 |
CN107095684B (zh) * | 2017-03-23 | 2018-07-03 | 兰州大学 | 一种基于脑电的儿童自闭症风险评估系统 |
CN107212882B (zh) * | 2017-05-17 | 2019-05-21 | 山东大学 | 一种脑电信号状态变化的实时检测方法及系统 |
US20190077409A1 (en) * | 2017-07-31 | 2019-03-14 | Alcohol Countermeasure Systems (International) Inc. | Non-intrusive assessment of fatigue in drivers using eye tracking |
CN107616793A (zh) * | 2017-09-18 | 2018-01-23 | 电子科技大学 | 一种具有癫痫发作预测功能的脑电监测装置及方法 |
CN107766898A (zh) * | 2017-12-08 | 2018-03-06 | 南京邮电大学盐城大数据研究院有限公司 | 基于svm的三分类情绪概率判断方法 |
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 |
CN110558977A (zh) * | 2019-09-09 | 2019-12-13 | 西北大学 | 基于机器学习模糊特征选择的癫痫发作脑电信号分类方法 |
CN110772249A (zh) * | 2019-11-25 | 2020-02-11 | 华南脑控(广东)智能科技有限公司 | 注意力特征识别方法及应用 |
-
2020
- 2020-06-12 CN CN202010535155.0A patent/CN111671419B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111671419A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AlSharabi et al. | EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches | |
Raghu et al. | A novel approach for real-time recognition of epileptic seizures using minimum variance modified fuzzy entropy | |
Hamaneh et al. | Automated removal of EKG artifact from EEG data using independent component analysis and continuous wavelet transformation | |
WO2013063053A1 (en) | Method of building classifiers for real-time classification of neurological states | |
CN111671419B (zh) | 一种基于脑电信号的癫痫早期检测与识别方法及系统 | |
Li et al. | An improved sparse representation over learned dictionary method for seizure detection | |
CN115590529A (zh) | 基于时空注意力机制的癫痫脑电信号监测方法及系统 | |
Houssein et al. | EEG signals classification for epileptic detection: a review | |
CN111128387A (zh) | 建立癫痫发作检测模型的方法和设备 | |
Rashida et al. | Quantitative EEG features and machine learning classifiers for eye-blink artifact detection: A comparative study | |
Fathima et al. | Wavelet based features for classification of normal, ictal and interictal EEG signals | |
De Moraes et al. | Automated Detection of Interictal Spikes in EEG: A literature review | |
Al-Qazzaz et al. | Comparison of the effectiveness of AICA-WT technique in discriminating vascular dementia EEGs | |
Sidik et al. | EEG-Based Classification of Schizophrenia and Bipolar Disorder with the Fuzzy Method | |
Liu et al. | Localization of seizure onset zone with epilepsy propagation networks based on graph convolutional network | |
Echtioui et al. | Automated EEG artifact detection using independent component analysis | |
Sinha et al. | Artifact removal from EEG signals recorded using low resolution Emotiv device | |
Asha et al. | Automated seizure detection from multichannel EEG signals using support vector machine and artificial neural networks | |
Al-Qazzaz et al. | Recognition enhancement of dementia patients’ working memory using entropy-based features and local tangent space alignment algorithm | |
DE60035505T2 (de) | Feststellung von neurologischen zuständen mittels reizevozierten potentialen | |
Chandra et al. | Neuromuscular disease detection employing 1D-local binary pattern of electromyography signals | |
Rakshit et al. | Assessing Ambiguity Of Spike Detection By Thresholding | |
Keshri et al. | LDASpike for recognizing epileptic spikes in EEG | |
Nancy et al. | A brain EEG classification system for the mild cognitive impairment analysis | |
Vadivu et al. | An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal |
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 |