CN112971781B - 一种基于脑功能网络抑郁对比装置 - Google Patents

一种基于脑功能网络抑郁对比装置 Download PDF

Info

Publication number
CN112971781B
CN112971781B CN202011609522.3A CN202011609522A CN112971781B CN 112971781 B CN112971781 B CN 112971781B CN 202011609522 A CN202011609522 A CN 202011609522A CN 112971781 B CN112971781 B CN 112971781B
Authority
CN
China
Prior art keywords
brain function
depression
function network
eeg
network
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
Application number
CN202011609522.3A
Other languages
English (en)
Other versions
CN112971781A (zh
Inventor
金荣杭
罗志增
席旭刚
孟明
佘青山
孙曜
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 CN202011609522.3A priority Critical patent/CN112971781B/zh
Publication of CN112971781A publication Critical patent/CN112971781A/zh
Application granted granted Critical
Publication of CN112971781B publication Critical patent/CN112971781B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/16Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明提出了一种基于脑功能网络抑郁对比方法。首先采集正常人和抑郁症患者静息听歌状态下的多通道脑电EEG。然后采用脑功能网络建模方法,建立关联矩阵,提取反映神经活动特点的脑功能网络特征。在此基础上,分析研究平均聚类系数、平均路径长度、度分布等脑功能网络特征与抑郁机制之间的相关性,利用序关系分析法确定相关特征权重,得出抑郁对比结果。

Description

一种基于脑功能网络抑郁对比装置
技术领域
本发明属于模式识别领域,涉及非侵入式的神经电刺激技术,特别涉及一种基于脑功能网络抑郁对比装置。
背景技术
抑郁症(Major Depression Disorder)又称抑郁障碍,是一种常见的精神疾病,以显著而持久的心境低落为主要临床特征,同时可能伴随认知功能的损伤及躯体症状。抑郁症终生患病率高达2%一15%,造成沉重的家庭和社会负担,是全球性的公众健康问题。世界卫生组织预测到2020年抑郁症将会成为全球第二大致残疾病,愈发引起人们对抑郁症及其治疗的关注。
目前临床已确认:抑郁症患者大脑的结构和功能一般会发生异常,通常伴随着某些皮层(尤其是与情感和认知密切相关的前额叶皮层)活动的改变。情感和认知功能损伤是抑郁症的典型病况,大量研究表明,抑郁症患者存在认知功能障碍,包括多种记忆、执行、注意力等功能受损,甚至在抑郁症状急性期过后仍存在认知损伤。此外,情绪调节失常和持续消极情感被认为是抑郁症精神病理学的核心症状。前额叶(prefrontal cortex,PFC)功能涉及情感和认知相互作用,其背外侧前额叶(dorsolateral prefrontal cortex,DLPFC)和腹内侧前额叶(ventromedial prefrontal cortex,VMPFC)分别与抑郁症病理心理学中的认知和情绪相关。脑功能成像病灶定位和脑刺激的研究表明,DLPFC主要与“认知”和“执行”功能相关,而VMPFC主要与“情绪”和“情感”功能相关。所以抑郁症中情绪和认知的功能失调,很大程度上与PFC中的皮质活动改变有关。脑电和神经成像等多项研究发现,抑郁症患者的左侧DLPFC活动减退,右侧DLPFC活动过度增强。这种功能不对称性不仅与抑郁症中的记忆损伤有关,还有研究证实,DLPFC的功能失衡涉及抑郁症中的情感处理过程。这些证据说明,左侧PFC活动的不平衡与抑郁症认知和情感障碍之间可能存在因果关系。
经颅直流电刺激(transcranial direct current stimulation,tDCS)是一种无创的神经电刺激技术。它利用正负两个电极将微弱电流作用于头皮,通过导电介质与头皮表面接触,然后由电极向特定的头皮区域注人刺激电流,该电流作用于大脑皮层内的皮质神经元。根据输入电流极性的不同,tDCS分为阳(极)性(anodal)刺激和阴(极)性(cathodal) 刺激。通常,阳性刺激增强皮质的兴奋性,使神经元静息膜电位去极化;阴性刺激则降低皮质兴奋性,使静息膜电位超极化。研究表明,tDCS可以调整并增强神经心理功能,尤其可以改善抑郁相关的情绪认知缺陷,包括情感性和非情感性认知表现,具体表现在记忆能力、执行功能以及注意力受损等方面的改善。背外侧前额叶在大脑注意力、工作记忆和执行功能等方面发挥着重要作用,对情绪的自上而下(top—down)调节也起着关键作用。通常抑郁症患者的左侧DLPFC脑血流量减少、代谢变慢,而右侧DLPFC代谢亢进。故tDCS 治疗抑郁症时选择左、右DLPFC分别为阳极刺激位点和阴极刺激位点,以期增强左DLPFC 的兴奋性而抑制右DLPFC,从刺激病人前额叶皮层来调节其大脑情感环路活动、缓解抑郁症状。
发明内容
本发明提出了一种基于脑功能网络抑郁对比装置。首先分析功能脑区多导联EEG信号,采用脑功能网络建模方法计算出连通率和小世界特性的脑功能网络指标,比较正常人和抑郁症患者的前额叶皮层功能脑区的脑功能网络特性,判断获取与抑郁机制相关的脑功能网络特征,利用序关系分析法确定相关特征权重,得出抑郁程度与正常人对比。最后比较tDCS 刺激前、后的脑功能网络连接关系的特征变化,研究脑tDCS电刺激对抑郁的改善作用,根据抑郁程度的评估指标,判断抑郁是否改善,进而指导刺激的进程,提高刺激疗效。
为了实现以上目的,本装置包括数据采集模块、特征提取模块和评估模块:
所述数据采集模块采集正常人和抑郁症患者静息听歌状态下的脑电EEG。
所述特征提取模块采用脑功能网络建模方法,提取反映神经活动特点的脑功能网络特征,具体的,评估模块通过以下步骤得到评估指标:
2-1.确定网络节点。对于多通道EEG信号,通常把每个EEG导联对应的电极覆盖的区域定义为一个节点。
2-2.量化节点之间的关系。构建功能网络过程中,对EEG信号进行预处理以及提取特定频段后,采用Pearson相关量计算EEG信号各通道两两之间的关系。
2-3.确定阈值并构建脑功能网络。在量化EEG各通道间的关系之后,确定合适阈值以构建脑功能网络。各导联脑电信号之间的强度决定了两个节点之间是否存在连接,即若强度大于设定阈值,则两导联之间建立连接,并设置邻接矩阵对应元素为1,反之不建立连接,设置邻接矩阵对应元素为0。
2-4.脑功能网络的特征提取。特征提取方法是利用图论研究网络特征与中枢神经可塑性指标之间的关系。神经可塑性指标是指脑功能网络的改变,也用脑功能网络连接关系的特征来衡量,并以运动功能康复的量表评判结果为依据。选取有向网络的特征路径长度、聚类系数和介数来描述tDCS下中枢神经可塑性变化的脑功能网络特征。
所述评估模块研究特征提取模块得到的平均聚类系数、平均路径长度、度分布等脑功能网络特征与抑郁机制之间的相关性,利用序关系分析法确定相关特征权重,得出抑郁程度的评估指标,具体步骤如下:
3-1.对比正常人、抑郁症患者受试前认知、情感相关功能脑区建立的脑功能网络,利用T检验,判断出影响抑郁的相关脑功能网络特征。
3-2.将相关脑功能网络特征归一化处理,比较归一化后的抑郁症患者的脑功能网络特征与对应的正常人的脑功能网络特征的均值差,差值越大,相关性越强,并按相关性从强到弱,建立评价指标集{X1,X2,…,Xm}。
3-3.比较判断评价指标集中各个特征的相对重要程度,设评价指标Xk-1与Xk的重要程度之比rk=wk-1/wk,rk的赋值可以参考表1。
Figure GDA0003700392100000031
表1
3-4.计算各个特征值的权重。设指标Xk的对应的权重系数为wk
Figure GDA0003700392100000041
而wk-1=rkwk,k=m,m-1,…,3,2。
3-5.建立抑郁评估指标
Figure GDA0003700392100000042
其中
Figure GDA0003700392100000043
为正常人的脑功能网络特征值。Y 值越小表示Y值越小表示越接近正常人。
作为优选,还包括反馈模型,通过设计经颅电刺激实验方案,对抑郁症患者进行经颅电刺激,采集脑电EEG,根据抑郁评估指标Y值判断抑郁是否改善,进而指导经颅直流电刺激进程,提高刺激效果。
该装置相对现有技术方法简单,检测高效且准确性高。
附图说明
图1为本发明实施的原理框图;
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。
如图1所示,本实施例使用上述装置,进行抑郁对比,包括如下步骤:
步骤一,使用数据采集模块采集正常人和抑郁症患者静息听歌状态下的脑电EEG,具体过程如下:
采用tDCS装置组成大脑皮层的电刺激干预通道,利用tDCS装置的多通道EEG信号采集功能组成EEG的信号采集通道。
实验受试者是40例符合入选标准的有抑郁倾向或已经确诊且有服药史的患者和40位正常人。分别采集正常人和抑郁患者在静息状态下,倾听同一首音乐期间的脑电信号。
步骤二,使用特征提取模块,采用脑功能网络建模方法,提取反映神经活动特点的脑功能网络特征,具体过程如下:
第1步:确定网络节点。对于多通道EEG信号,通常把每个EEG导联对应的电极覆盖的区域定义为一个节点。
第2步:量化节点之间的关系。构建功能网络过程中,对EEG信号进行预处理以及提取特定频段后,采用Pearson相关量计算EEG信号各通道两两之间的关系;
第3步:确定阈值并构建脑功能网络。在量化EEG各通道间的关系之后,确定合适阈值以构建脑功能网络。各导联脑电信号之间的强度决定了两个节点之间是否存在连接,即若强度大于设定阈值,则两导联之间建立连接,并设置邻接矩阵对应元素为1,反之不建立连接,设置邻接矩阵对应元素为0;
第4步:脑功能网络的特征提取。特征提取方法是利用图论研究网络特征与中枢神经可塑性指标之间的关系。神经可塑性指标是指脑功能网络的改变,也用脑功能网络连接关系的特征来衡量,并以运动功能康复的量表评判结果为依据。选取有向网络的特征路径长度、聚类系数和度分布来描述tDCS下中枢神经可塑性变化的脑功能网络特征。
步骤3.通过评估模块研究步骤2中平均聚类系数、平均路径长度、度分布等脑功能网络特征与电刺激对神经可塑性影响规律之间的相关性,利用序关系分析法确定相关特征权重,得出抑郁程度的评估指标,具体步骤如下:
第1步:对比正常人、抑郁症患者受试前前额叶皮层功能脑区建立的脑功能网络,利用T检验,判断出影响抑郁的相关脑功能网络特征。
第2步:将相关脑功能网络特征归一化处理,比较归一化后的抑郁症患者的脑功能网络特征与对应的正常人的脑功能网络特征的均值差,差值越大,相关性越强,并按相关性从强到弱,建立评价指标集{X1,X2,…,Xm}。
第3步:比较判断评价指标集中各个特征的相对重要程度,设专家关于评价指标Xk-1与Xk的重要程度之比rk=wk-1/wk,rk的赋值可以参考表1。
第4步:计算各个特征值的权重。设指标Xk的对应的权重系数为wk
Figure GDA0003700392100000051
而wk-1=rkwk,k=m,m-1,…,3,2。
第5步:建立抑郁评估指标
Figure GDA0003700392100000052
其中
Figure GDA0003700392100000053
为正常人的脑功能网络特征值。 Y值越小表示越接近正常人。
步骤4.利用反馈模型初步设计经颅电刺激实验方案,对抑郁症患者进行经颅电刺激,采集脑电EEG,根据抑郁评估指标Y值判断抑郁是否改善,进而指导经颅直流电刺激进程,提高刺激效果。具体刺激方案如下:
实验方案定义一周为短程实验周期,一个月为长程实验周期,每周5天,每天一次。实验方案如下:实验中使用的直流电刺激大小为1.4mA,刺激开始时候有20秒的淡入淡出时间,电流慢慢由0变化到1.4mA,使被试不会改到过度异样的感觉时长30分钟,阳极刺激点位为左背外侧前额叶皮层F4点,刺激点位的确定由根据国际10-20脑电位置系统确定的;患者对侧肩部安置设备阴极,刺激电极范围大小是5~7cm,同时,把提前经饱和盐水浸泡的棉布垫放到电极下方,让皮肤充分接触电极,设定刺激剂量小于0.057ma/cm2。刺激过程中,采用弹力绷带固定电极,每次刺激时间30min左右,每次刺激1次,持续刺激5天。
若在原tDCS刺激位置进行微弱刺激后抑郁评估指标Y值降低,可以进一步加强刺激强度;若原tDCS后抑郁评估指标Y值变高,可以更换刺激位置或将原阳极刺激换为阴极刺激。抑郁评估指标Y值为进一步tDCS刺激的方式、参数改进提供有效的依据,可以通过对tDCS干预方式的调整,实现神经重塑的有效引导和管理。

Claims (3)

1.一种基于脑功能网络抑郁对比装置,其特征在于,该装置包括数据采集模块、特征提取模块和评估模块:
所述数据采集模块采集正常人和抑郁症患者静息听歌状态下的脑电EEG;
所述特征提取模块采用脑功能网络建模方法,提取反映神经活动特点的脑功能网络特征,脑功能网络特征包括平均聚类系数、平均路径长度、度分布;
所述评估模块将脑功能网络特征与抑郁机制之间的相关性,利用序关系分析法确定相关特征权重,得出抑郁程度的评估指标;
具体的,评估模块通过以下步骤得到评估指标:
2-1.对比正常人、抑郁症患者受试前前额叶皮层功能脑区建立的脑功能网络,利用T检验,判断出影响抑郁的相关脑功能网络特征;
2-2.将相关脑功能网络特征归一化处理,比较归一化后的抑郁症患者的脑功能网络特征与对应的正常人的脑功能网络特征的均值差,差值越大,相关性越强,并按相关性从强到弱,建立评价指标集{X1,X2,…,Xm};
2-3.比较判断评价指标集中各个特征的相对重要程度,设关于评价指标Xk-1与Xk的重要程度之比rk=wk-1/wk
2-4.计算各个特征值的权重;设指标Xk的对应的权重系数为wk
Figure FDA0003755596800000011
而wk-1=rkwk,k=m,m-1,…,3,2;
2-5.建立抑郁评估指标
Figure FDA0003755596800000012
其中
Figure FDA0003755596800000013
为正常人的脑功能网络特征值;Y值越小表示越接近正常人。
2.根据权利要求1所述的一种基于脑功能网络抑郁对比装置,其特征在于:所述的脑功能网络建模方法,具体为:
第1步:确定网络节点;
对于多通道EEG信号,把每个EEG导联对应的电极覆盖的区域定义为一个节点;
第2步:量化节点之间的关系;
构建功能网络过程中,对EEG信号进行预处理以及提取特定频段后,采用Pearson相关量计算EEG信号各通道两两之间的关系;
第3步:确定阈值并构建脑功能网络;
在量化EEG各通道间的关系之后,确定合适阈值以构建脑功能网络;各导联脑电信号之间的强度决定了两个节点之间是否存在连接,即若强度大于设定阈值,则两导联之间建立连接,并设置邻接矩阵对应元素为1,反之不建立连接,设置邻接矩阵对应元素为0;
第4步:脑功能网络的特征提取;
特征提取方法是利用图论研究网络特征与中枢神经可塑性指标之间的关系;神经可塑性指标是指脑功能网络的改变,也用脑功能网络连接关系的特征来衡量,并以运动功能康复的量表评判结果为依据;选取有向网络的特征路径长度、聚类系数和度分布来描述tDCS下中枢神经可塑性变化的脑功能网络特征。
3.根据权利要求1所述的一种基于脑功能网络抑郁对比装置,其特征在于:还包括反馈模型,通过对抑郁症患者进行经颅电刺激,采集脑电EEG,根据抑郁评估指标Y值判断抑郁是否改善,进而指导经颅直流电刺激进程,提高刺激效果。
CN202011609522.3A 2020-12-30 2020-12-30 一种基于脑功能网络抑郁对比装置 Active CN112971781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011609522.3A CN112971781B (zh) 2020-12-30 2020-12-30 一种基于脑功能网络抑郁对比装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011609522.3A CN112971781B (zh) 2020-12-30 2020-12-30 一种基于脑功能网络抑郁对比装置

Publications (2)

Publication Number Publication Date
CN112971781A CN112971781A (zh) 2021-06-18
CN112971781B true CN112971781B (zh) 2022-10-28

Family

ID=76345245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011609522.3A Active CN112971781B (zh) 2020-12-30 2020-12-30 一种基于脑功能网络抑郁对比装置

Country Status (1)

Country Link
CN (1) CN112971781B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113616209B (zh) * 2021-08-25 2023-08-04 西南石油大学 基于时空注意力机制的精神分裂症患者甄别方法
CN114219014B (zh) * 2021-11-26 2024-07-12 合肥工业大学 一种基于脑电的自注意力图池化抑郁障碍识别分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727A (zh) * 2012-06-11 2012-10-10 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
CN108427929A (zh) * 2018-03-19 2018-08-21 兰州大学 一种基于静息态脑网络的抑郁识别分析系统
CN109480841A (zh) * 2017-09-13 2019-03-19 复旦大学 基于功能磁共振成像的异常脑区精准定位与矫正方法
WO2019069955A1 (ja) * 2017-10-03 2019-04-11 株式会社国際電気通信基礎技術研究所 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置
CN110473611A (zh) * 2019-08-14 2019-11-19 电子科技大学 一种静息态大脑信号分析方法
CN110811648A (zh) * 2019-11-20 2020-02-21 阿呆科技(北京)有限公司 一种基于残差卷积神经网络的抑郁倾向评估系统
CN111127441A (zh) * 2019-12-25 2020-05-08 兰州大学 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018098467A1 (en) * 2016-11-28 2018-05-31 Cornell University Systems and methods for identifying a neurophysiological biotype of depression in the brain of a patient

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727A (zh) * 2012-06-11 2012-10-10 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
CN109480841A (zh) * 2017-09-13 2019-03-19 复旦大学 基于功能磁共振成像的异常脑区精准定位与矫正方法
WO2019069955A1 (ja) * 2017-10-03 2019-04-11 株式会社国際電気通信基礎技術研究所 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置
CN108427929A (zh) * 2018-03-19 2018-08-21 兰州大学 一种基于静息态脑网络的抑郁识别分析系统
CN110473611A (zh) * 2019-08-14 2019-11-19 电子科技大学 一种静息态大脑信号分析方法
CN110811648A (zh) * 2019-11-20 2020-02-21 阿呆科技(北京)有限公司 一种基于残差卷积神经网络的抑郁倾向评估系统
CN111127441A (zh) * 2019-12-25 2020-05-08 兰州大学 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Functional connectivity and microstructural changes of the brain in primary Sjogren syndrome: the relationship with depression;Andrianopoulou, Artemis等;《ACTA RADIOLOGICA》;20200315;第1684-1694页 *
基于局部差异最小生成树脑网络的抑郁症分类研究;李舒婷等;《太原理工大学学报》;20200715;第51卷(第4期);第495-501页 *
基于脑网络组图谱的抑郁症精确重复经颅磁刺激治疗研究;杨勇锋;《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》;20200115;E071-24 *

Also Published As

Publication number Publication date
CN112971781A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN111477299B (zh) 结合脑电检测分析控制的声电刺激神经调控方法及装置
AU2006214074B2 (en) System and method of prediction of response to neurological treatment using the electroencephalogram
Fuglevand et al. Distinguishing intrinsic from extrinsic factors underlying firing rate saturation in human motor units
CN112971781B (zh) 一种基于脑功能网络抑郁对比装置
Kostílek et al. EEG biometric identification: Repeatability and influence of movement-related EEG
AU2004238259A1 (en) System and method of assessment of the efficacy of treatment of neurological disorders using the electroencephalogram
Wickramasuriya et al. A mixed filter algorithm for sympathetic arousal tracking from skin conductance and heart rate measurements in Pavlovian fear conditioning
Richardson et al. Stimulus-specific adaptation in auditory thalamus of young and aged awake rats
Matsuoka et al. The effects of interpulse interval on stochastic properties of electrical stimulation: models and measurements
Peng et al. User-centered depression prevention: An EEG approach to pervasive healthcare
CN112951449A (zh) 针对神经功能障碍疾病的云端ai调控诊疗系统及其方法
CN113208626A (zh) 一种基于eeg信号的情绪状态调控方法、系统
Nishikawa et al. Identification of the laterality of motor unit behavior in female patients with parkinson's disease using high‐density surface electromyography
CN109284009B (zh) 一种提高听觉稳态响应脑-机接口性能的系统及方法
CN113694374A (zh) 基于EEG预测tDCS治疗强迫症疗效的预测系统、方法、装置、处理器及其存储介质
Asadpour et al. Aberrant frequency related change-detection activity in chronic tinnitus
CN113180702A (zh) 一种基于eeg信号的阿尔兹海默症神经调控方法、系统
Cai et al. The corticospinal excitability can be predicted by spontaneous electroencephalography oscillations
Chen et al. Temporal envelope coding of the human auditory nerve inferred from electrocochleography: Comparison with envelope following responses
CN113558637B (zh) 一种基于相位传递熵的音乐感知下脑网络构建方法
Frigerio et al. Surface electromyography recording of spontaneous eyeblinks: applications in neuroprosthetics
Roark et al. Multiple motor unit recordings of laryngeal muscles: the technique of vector laryngeal electromyography
Manju et al. Association of auditory steady state responses with perception of temporal modulations and speech in noise
Wu et al. Excitation patterns of standard and steered partial tripolar stimuli in cochlear implants
Paulraj et al. Fractal feature based detection of muscular and ocular artifacts in EEG signals

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