CN112115856B - 脑电质量评估方法、存储介质及系统 - Google Patents
脑电质量评估方法、存储介质及系统 Download PDFInfo
- Publication number
- CN112115856B CN112115856B CN202010981698.5A CN202010981698A CN112115856B CN 112115856 B CN112115856 B CN 112115856B CN 202010981698 A CN202010981698 A CN 202010981698A CN 112115856 B CN112115856 B CN 112115856B
- Authority
- CN
- China
- Prior art keywords
- signal
- electroencephalogram
- window
- amplitude
- lead
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims description 24
- 210000004556 brain Anatomy 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (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)
Abstract
本发明涉及一种脑电质量评估方法、存储介质及系统。本发明的目的是提供一种脑电质量评估方法、存储介质及系统。本发明的技术方案是:一种脑电信号质量评估方法,其特征在于:获取窗口T期间第i导联采集的脑电滤噪信号Xbp、θ波信号Xθ、α波信号Xα和β波信号Xβ;根据窗口T期间滤噪后正常脑电波信号的占比计算脑电滤噪信号Xbp的振幅评分Pamp;根据窗口T期间θ波信号Xθ的振幅计算θ波振幅分数Pθ;根据窗口T期间α波信号Xα的振幅计算α波振幅分数Pα;根据窗口T期间β波信号Xβ的振幅计算β波振幅分数Pβ;计算窗口T期间第i导联所采集信号中有用信号能量占比Puseful。本发明适用于脑电信号采集领域。
Description
技术领域
本发明涉及一种脑电质量评估方法、存储介质及系统。适用于脑电信号采集领域。
背景技术
脑电信号的质量是脑机接口技术应用的基础。脑电信号是由大脑神经元放电产生的,极为微弱,在采集过程中容易受到各种噪声的干扰,如低频噪声、高频噪声、工频噪声、眼动伪迹、肌电伪迹等。此外,采集电极的松动或氧化情况,也会导致采集的脑电信号异常。记录的脑电信号的质量直接影响到脑机接口应用的性能。特别是实时分析时,由于缺少人工筛选和评估,质量低的脑电信号无法被剔除,严重影响了脑电信号后续分析的准确性。
目前,大多数脑机接口的研究,较多关注噪声的去除,所选信号特征和分类器的有效性,在脑电信号质量评估方面的研究较少,用于分析脑电信号的方法的准确性不足以满足当前和未来的要求。因此,研发一种脑电信号质量的实时评估方法具有重要的意义。
本发明提出的脑电信号质量评估系统,是基于不同频带脑电信号中的组成特征,从生物和统计的角度来评估脑电信号是否可靠的自动化系统。该系统基于脑电信号的特性和噪声水平,在脑电信号每个通道进行自动化质量测量,有助于脑机接口应用程序忽略低质量的信号,提高分析效率。
发明内容
本发明要解决的技术问题是:针对上述存在的问题,提供一种脑电质量评估方法、存储介质及系统。
本发明所采用的技术方案是:一种脑电信号质量评估方法,其特征在于:
获取窗口T期间第i导联采集的脑电滤噪信号Xbp、θ波信号Xθ、α波信号Xα和β波信号Xβ;
根据窗口T期间滤噪后正常脑电波信号的占比计算脑电滤噪信号Xbp的振幅评分Pamp;
根据窗口T期间θ波信号Xθ的振幅计算θ波振幅分数Pθ;根据窗口T期间α波信号Xα的振幅计算α波振幅分数Pα;根据窗口T期间β波信号Xβ的振幅计算β波振幅分数Pβ;
计算窗口T期间第i导联所采集信号中有用信号能量占比Puseful;
根据下式计算第i导联的脑电波信号质量评分Pi:
式中γ为权重值,0≤γ≤1。
根据第i导联的脑电波信号质量评分Pi计算所有导联的加权评分Ptotal;
其中λi为权重且λi为各导联评分权重,由用户根据对相应导联的感兴趣程度进行设置。
所述根据窗口T期间滤噪后正常脑电波信号的占比计算脑电滤噪信号Xbp的振幅评分Pamp,包括:
在-1000μV~1000μV范围内按照10μV宽度均分为200等份的小格子;
统计窗口T期间介于-100μV~100μV之间被脑电滤噪信号Xbp使用的小格子数与所有被脑电滤噪信号Xbp使用的格子数的百分比Pamp1;
统计窗口T期间介于-100μV~100μV内的脑电滤噪信号Xbp采样点数与第i导联总采样点数的百分比Pamp2;
统计第i导联窗口T期间脑电滤噪信号Xbp的1阶差分值大于10μV的个数p;根据下式计算振幅评分Pamp:
其中sign为符号函数。
Pθ为窗口T期间θ波信号Xθ振幅不超过θ波阈值Thrθ的采样点数占第i导联采集的总采样点数的百分比;
Pα为窗口T期间α波信号Xα振幅不超过α波阈值Thrα的采样点数占第i导联采集的总采样点数的百分比;
Pβ为窗口T期间β波信号Xβ振幅不超过β波阈值Thrβ的采样点数占第i导联采集的总采样点数的百分比。
计算窗口T期间第i导联所采集信号中有用信号能量占比Puseful,包括:
对窗口T期间的脑电滤噪信号Xbp做傅里叶变换,得到Xbp(f);
计算窗口T期间的信号总能量:
其中N为窗口T期间的采样点数;
对幅值平方在0.5~30Hz内进行积分求得第i导联所采集信号的信号能量为
计算Puseful,
γ为0.8。
T为1s。
Pi或Ptotal得分与信号表现的对应关系如下表:
一种存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现所述脑电质量评估方法的步骤。
一种脑电质量评估系统,其特征在于,包括:
若干导联,用于采集用户的脑电信号;
选频和滤噪模块,包括工频陷波器和4~8Hz、8~13Hz、13~30Hz以及0.5~30Hz带通滤波器,用于将单个导联采集的脑电信号经过工频陷波器,然后通过4~8Hz、8~13Hz、13~30Hz以及0.5~30Hz带通滤波器进行选频及滤噪分别得到Xθ、Xα、Xβ以及Xbp;
处理模块,包括存储器和处理器,存储器上存储有计算机程序,计算机程序被处理器执行时实现所述脑电质量评估方法的步骤。
本发明的有益效果是:本发明可以实时分析脑电信号质量,及时提示脑电设备用户,便于调整设备,提高采集效率;本发明可出具脑电数据分析报告,不仅支持实时分析,也支持离线分析,方便不同用户或同一用户不同时间、不同状态的脑电数据进行分析和比较,为用户提供参考。本发明适用性广泛,可与多种脑电设备对接。本发明可以只对高质量的脑电数据进行分析运算,忽略低质量的信号,提高BCI应用运行效率。本发明在不同噪声水平下具有较好的鲁棒性,评估信号质量的准确性较高。
附图说明
图1为实施例中θ波信号Xθ的波形图。
具体实施方式
本实施例为一种脑电质量评估方法,包括以下步骤:
获取窗口T期间第i导联采集的、经选频及滤噪得到的脑电滤噪信号Xbp、θ波信号Xθ、α波信号Xα和β波信号Xβ。
根据窗口T期间滤噪后正常脑电波信号的占比计算脑电滤噪信号Xbp的振幅评分Pamp;
考虑脑电信号正常波幅在-100μV~100μV之间,评分主要分析正常脑电信号的占比,计算方式如下:
考虑一般脑电信号不会超过正负1000μV,因此在-1000μV~1000μV按照10μV宽度均分为200等份的小格子;
第i导联的采样值落入到对应的小格子中,则对应小格子计数加1;这里小于-1000μV则以-1000μV计算,大于1000μV则以1000μV计算;
统计指定窗口T期间(考虑实时性,一般T为1s)介于-100μV~100μV之间被使用的小格子数与所有被使用的小格子数的百分比Pamp1;
统计指定窗口T期间介于-100μV~100μV内的正常脑电信号的样本数与窗口T期间总样本数的百分比Pamp2;
统计窗口T内1阶差分值大于10μV的个数p;
该导联基于信号幅度的信号质量评分可表示为:其中sign为符号函数。
统计窗口T期间θ波振幅的评分,该评分是根据第i导联的θ波的振幅来计算;检查导联中不超过阈值Thrθ振幅(Thrθ=30μv)占比,超过Thrθ的采样点数越多,认为信号中的噪声就越多;θ波振幅分数Pθ记作为信号窗口T中不超过Thrθ的采样点数占总采样点数的百分比;如图1所示,本实施例中
Pθ=(T1+T2+T3)*采样率/(T*采样率);
统计窗口T期间α波振幅的评分,该评分是根据第i导联的α波的振幅来计算;检查导联中不超过阈值Thrα振幅(Thrα=20μv)占比,超过Thrα的采样点数越多,认为信号中的噪声就越多;α波幅值分数Pα是指在信号窗口T中不超过Thrα的采样点数占总采样点数的百分比;
统计窗口T期间β波振幅的评分,该评分是根据第i导联的β波的振幅来计算;检查导联中不超过阈值Thrβ的振幅(Thrβ=20μv)占比,超过Thrβ的采样点数越多,信号中的噪声就越多,β波幅值分数Pβ是指在信号窗口T中不超过Thrβ的采样点数占总采样点数的百分比。
计算第i导联有用信号能量占比Puseful,虽然大部分干扰可以通过陷波器以及带通滤波器尽量消除,但是考虑到当处于环境比较恶劣的环境下信号经过预处理后仍会对脑电信号造成较大的影响,具体计算如下:
对窗口T期间的Xbp做快速傅里叶变换得到Xbp(f),并求窗口中的信号总能量:
其中N为窗口T内的采样点数;以某导联i来计算,N是单导联窗口T内采集到的采样点数,N=T*采样率。
对幅值平方在0.5~30Hz内进行积分求得信号能量为
则可以得到信号干扰越大,Puseful越小。
第i导联的质量的评分计算如下:
式中γ为权重值,0≤γ≤1,建议γ为0.8。
用户可以在系统中查看第i导联的评分;导联评分与信号表现的关系,通过对比训练数百例健康人群的脑电数据的系统评估得分与专家评分而得出的综合评分模型来确定。
实测建议导联得分与信号表现的对应关系如下表1:
综合评分模块为选定的所有导联的加权评分:
其中λi为权重且其中N为导联总数。
计入综合评分的导联可以是所有采集脑电信号的导联,也可以只选取部分感兴趣的导联。λi为各导联评分权重,根据用户对该导联的感兴趣程度进行设置。若用户对第i导联完全不感兴趣,则可将λi设为0,其它权重自动更新,以使λ加和为1。若用户较为关注第i导联的评分,则可适当增加λi的数值,其它权重自动更新,以使λ加和为1。
系统评估完毕后,会自动输出该次脑电信号质量评估的得分及信号表现,信号表现分为差、一般、较好、非常好。总得分与信号表现的关系,通过对比训练数百例健康人群的脑电数据的系统评估得分与专家评分而得出的综合评分模型来确定。实测建议总得分与信号表现的对应关系同表1。
本实施例还提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本实施例脑电质量评估方法的步骤。
本实施例还提供一种脑电质量评估系统,包括若干导联、选频和滤噪模块和处理模块,其中导联用于配合采集电极等采集用户的脑电信号;选频和滤噪模块包括工频陷波器和4~8Hz、8~13Hz、13~30Hz以及0.5~30Hz带通滤波器,用于将单个导联采集的脑电信号经过工频陷波器,然后通过4~8Hz、8~13Hz、13~30Hz以及0.5~30Hz带通滤波器进行选频及滤噪分别得到Xθ、Xα、Xβ以及Xbp;处理模块包括存储器和处理器,存储器上存储有计算机程序,计算机程序被处理器执行时实现本实施例脑电质量评估方法的步骤。
Claims (7)
1.一种脑电质量评估方法,其特征在于:
获取窗口T期间第i导联采集的脑电滤噪信号Xbp、θ波信号Xθ、α波信号Xα和β波信号Xβ;
根据窗口T期间滤噪后正常脑电波信号的占比计算脑电滤噪信号Xbp的振幅评分Pamp;
根据窗口T期间θ波信号Xθ的振幅计算θ波振幅分数Pθ;根据窗口T期间α波信号Xα的振幅计算α波振幅分数Pα;根据窗口T期间β波信号Xβ的振幅计算β波振幅分数Pβ;
计算窗口T期间第i导联所采集信号中有用信号能量占比Puseful;
根据下式计算第i导联的脑电波信号质量评分Pi:
式中γ为权重值,0≤γ≤1;
所述根据窗口T期间滤噪后正常脑电波信号的占比计算脑电滤噪信号Xbp的振幅评分Pamp,包括:
在-1000μV~1000μV范围内按照10μV宽度均分为200等份的小格子;
统计窗口T期间介于-100μV~100μV之间被脑电滤噪信号Xbp使用的小格子数与所有被脑电滤噪信号Xbp使用的格子数的百分比Pamp1;
统计窗口T期间介于-100μV~100μV内的脑电滤噪信号Xbp采样点数与第i导联总采样点数的百分比Pamp2;
统计第i导联窗口T期间脑电滤噪信号Xbp的1阶差分值大于10μV的个数p;
根据下式计算振幅评分Pamp:
其中sign为符号函数;
Pθ为窗口T期间θ波信号Xθ振幅不超过θ波阈值Thrθ的采样点数占第i导联采集的总采样点数的百分比;
Pα为窗口T期间α波信号Xa振幅不超过α波阈值Thrα的采样点数占第i导联采集的总采样点数的百分比;
Pβ为窗口T期间β波信号Xβ振幅不超过β波阈值Thrβ的采样点数占第i导联采集的总采样点数的百分比;
计算窗口T期间第i导联所采集信号中有用信号能量占比Puseful,包括:
对窗口T期间的脑电滤噪信号Xbp做傅里叶变换,得到Xbp(f);
计算窗口T期间的信号总能量:
其中N为窗口T期间的采样点数;
对幅值平方在0.5~30Hz内进行积分求得第i导联所采集信号的信号能量为
计算Puseful,
2.根据权利要求1所述的脑电质量评估方法,其特征在于:根据第i导联的脑电波信号质量评分Pi计算所有导联的加权评分Ptotal;
其中λi为权重且λi为各导联评分权重,由用户根据对相应导联的感兴趣程度进行设置;其中N为导联总数。
3.根据权利要求1或2所述的脑电质量评估方法,其特征在于:γ为0.8。
4.根据权利要求1或2所述的脑电质量评估方法,其特征在于:T为1s。
5.根据权利要求2所述的脑电质量评估方法,其特征在于:Pi或Ptotal得分与信号表现的对应关系如下表:
6.一种存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~5任意一项所述脑电质量评估方法的步骤。
7.一种脑电质量评估系统,其特征在于,包括:
若干导联,用于采集用户的脑电信号;
选频和滤噪模块,包括工频陷波器和4~8Hz、8~13Hz、13~30Hz以及0.5~30Hz带通滤波器,用于将单个导联采集的脑电信号经过工频陷波器,然后通过4~8Hz、8~13Hz、13~30Hz以及0.5~30Hz带通滤波器进行选频及滤噪分别得到Xθ、Xα、Xβ以及Xbp;
处理模块,包括存储器和处理器,存储器上存储有计算机程序,计算机程序被处理器执行时实现权利要求1~5任意一项所述脑电质量评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981698.5A CN112115856B (zh) | 2020-09-17 | 2020-09-17 | 脑电质量评估方法、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981698.5A CN112115856B (zh) | 2020-09-17 | 2020-09-17 | 脑电质量评估方法、存储介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115856A CN112115856A (zh) | 2020-12-22 |
CN112115856B true CN112115856B (zh) | 2024-06-14 |
Family
ID=73799851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981698.5A Active CN112115856B (zh) | 2020-09-17 | 2020-09-17 | 脑电质量评估方法、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115856B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113288175B (zh) * | 2021-05-31 | 2024-01-19 | 量心科技(深圳)有限公司 | 脑电信号的质量检测方法、装置、电子设备及存储介质 |
CN113576495B (zh) * | 2021-07-19 | 2023-12-01 | 浙江迈联医疗科技有限公司 | 结合eeg数据质量的运动想象评估方法 |
CN114098766A (zh) * | 2021-11-04 | 2022-03-01 | 杭州菲诗奥医疗科技有限公司 | 一种eeg信号质量自动检测方法 |
CN116226481B (zh) * | 2022-12-30 | 2023-11-21 | 北京视友科技有限责任公司 | 一种基于脑电的实验数据筛选方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102920453A (zh) * | 2012-10-29 | 2013-02-13 | 泰好康电子科技(福建)有限公司 | 一种脑电波信号处理方法及其装置 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101727166B1 (ko) * | 2015-02-02 | 2017-04-26 | 한양대학교 에리카산학협력단 | 뇌파를 이용한 사용자 상태 제어 방법 |
US10827942B2 (en) * | 2018-01-03 | 2020-11-10 | Intel Corporation | Detecting fatigue based on electroencephalogram (EEG) data |
CN110739083B (zh) * | 2019-10-29 | 2022-06-28 | 浙江迈联医疗科技有限公司 | 增强康复训练效果的综合评价方法、装置、存储介质及设备 |
CN111012341B (zh) * | 2020-01-08 | 2022-04-22 | 东南大学 | 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法 |
-
2020
- 2020-09-17 CN CN202010981698.5A patent/CN112115856B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102920453A (zh) * | 2012-10-29 | 2013-02-13 | 泰好康电子科技(福建)有限公司 | 一种脑电波信号处理方法及其装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112115856A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112115856B (zh) | 脑电质量评估方法、存储介质及系统 | |
Srinivasan et al. | Artificial neural network based epileptic detection using time-domain and frequency-domain features | |
Merlo et al. | A fast and reliable technique for muscle activity detection from surface EMG signals | |
CN102680860B (zh) | 一种高压电力线路行波测距用故障点自动定位方法 | |
Kumar et al. | Performance analysis of different filters for power line interface reduction in ECG signal | |
CN103405227B (zh) | 基于双层形态学滤波的心电信号预处理方法 | |
US20080262371A1 (en) | Method for Adaptive Complex Wavelet Based Filtering of Eeg Signals | |
CN111012341A (zh) | 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法 | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN101515200A (zh) | 基于瞬态视觉诱发脑电的目标选择方法 | |
CN103405225B (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
CN114886388B (zh) | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 | |
CN106805945A (zh) | 一种少数通道的脑电信号中肌电伪迹的消除方法 | |
CN112957056B (zh) | 利用协同网络的肌肉疲劳等级特征的提取方法及系统 | |
CN113208634A (zh) | 一种基于eeg脑波的注意力检测方法、系统 | |
CN112294340A (zh) | 快速自动去除肌电伪迹的方法、系统、存储介质及计算机设备 | |
CN111067513A (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 | |
CN109781245B (zh) | 一种柴油发动机脉冲噪声的客观评价方法 | |
CN113378737A (zh) | 植入式脑机接口神经元锋电位分类方法 | |
CN111803054B (zh) | 一种实时评估室颤信号质量和除颤成功率的方法与仪器 | |
CN111887811A (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
CN116746927B (zh) | 一种密闭舱水下作业时水下作业人员状态调节方法及系统 | |
Shi et al. | A Novel Method of sEMG Signal Segmentation | |
Xu et al. | ART2 neural network for surface EMG decomposition |
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 |