CN112971808A - 一种脑地图构建及其处理方法 - Google Patents
一种脑地图构建及其处理方法 Download PDFInfo
- Publication number
- CN112971808A CN112971808A CN202110170469.XA CN202110170469A CN112971808A CN 112971808 A CN112971808 A CN 112971808A CN 202110170469 A CN202110170469 A CN 202110170469A CN 112971808 A CN112971808 A CN 112971808A
- Authority
- CN
- China
- Prior art keywords
- signal
- array element
- brain
- map
- sensor
- 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.)
- Granted
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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (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
本申请提出一种脑地图构建方法,通过受试者的头部和/或躯干上所设置的传感器构成的传感器阵列而得到脑地图;传感器阵列中的每个传感器为一个阵元,每个阵元的传感器信号为该阵元的阵元信号;传感器阵列中的每个阵元对应于脑地图中的一个节点;脑地图中任两个节点之间的关系属性由传感器阵列中的与该两个节点对应的两个阵元的阵元信号之间的数学属性确定;所述传感器信号为神经电信号、脑电信号、肌电信号、生理信号、或运动信号。通过将阵列信号转变成图信号,保证时间结构和空间结构同时在脑电信号或皮层电位信号或肌电信号的处理中得到应用。
Description
技术领域
本申请涉及脑电和/或肌电的信号处理,尤其涉及一种脑地图构建及其处理方法。
背景技术
脑地图(Brain Map)又叫脑连接图、脑连接网络图、脑网络图,通过获取大脑皮层神经电位或者脑电电位或肌电电位信号,构建大脑区域之间的连接关系和方式,也可以通过脑功能成像技术构建脑地图。脑地图节点信号强度和连接结构具有时变性和动态性,由外部对大脑刺激和大脑对躯体控制相关,因而也与肌电和运动信号采集传感器阵列单元有关,形成图网络连接拓扑结构,称之为广义的脑地图。
脑地图的各节点信号构成的阵列信号的处理,是脑地图推广应用到例如脑机接口、人机交互、人机融合领域的难点。
发明内容
鉴于上述问题,本申请旨在提出一种脑地图构建方法和处理方法。
本申请的脑地图构建方法,通过受试者的头部和/或躯干上所设置的传感器构成的传感器阵列而得到脑地图;传感器阵列中的每个传感器为一个阵元,每个阵元的传感器信号为该阵元的阵元信号;传感器阵列中的每个阵元对应于脑地图中的一个节点;脑地图中任两个节点之间的关系属性由传感器阵列中的与该两个节点对应的两个阵元的阵元信号之间的数学属性确定;
所述传感器信号为神经电信号、脑电信号、肌电信号、生理信号、或运动信号。
优选地,以图处理方法来处理该脑地图。
优选地,所述图处理方法为图的拉普拉斯变换。
优选地,所述传感器为是植入受试者的皮层或机体的电极、于受试者的颅骨或机体的表面设置的电极、或受试者的躯体运动传感器或惯性传感器。
优选地,所述数学属性为所述两个阵元的阵元信号之间的振荡性、同步性、相干性、独立性、耦合性、倍频性、分频性、或拟分频性。
优选地,将所述脑地图按照不同的关系属性分解成不同子脑地图;
获得所述子脑地图的拉普拉斯矩阵,并获得该拉普拉斯矩阵所张成的正交图空间;
将所述子脑地图对应的阵元信号变换到与其对应的所述正交图空间的坐标上,以供后续处理。
优选地,所述振荡性通过所述两个阵元信号的频谱或功率谱估计获得;
所述同步性、相干性通过所述两个阵元信号的相关分析获得;
所述独立性通过所述两个阵元信号的稀疏分析获得;
所述耦合性、倍频性、分频性、拟分频性通过所述两个阵元信号的双谱或多谱估计获得。
优选地,所述后续处理包括图卷积处理或图神经网络处理。
本申请的脑地图的处理方法,其中,所述脑地图通过受试者的头部和/或躯干上所设置的传感器构成的传感器阵列而得到,传感器阵列中的每个传感器为一个阵元,每个阵元的传感器信号为该阵元的阵元信号;传感器阵列中的每个阵元对应于脑地图中的一个节点;脑地图中任两个节点之间的关系属性由传感器阵列中的与该两个节点对应的两个阵元的阵元信号之间的数学属性确定;所述传感器信号为神经电信号、脑电信号、肌电信号、生理信号、或运动信号;
将所述脑地图按照不同的关系属性分解成不同子脑地图;
获得所述子脑地图的拉普拉斯矩阵,并获得该拉普拉斯矩阵所张成的正交图空间;
将所述子脑地图对应的阵元信号变换到与其对应的所述正交图空间的坐标上,利用图卷积处理或图神经网络处理来进行后续处理。
优选地,所述数学属性为所述两个阵元的阵元信号之间的振荡性、同步性、相干性、独立性、耦合性、倍频性、分频性、或拟分频性;
所述振荡性通过所述两个阵元信号的频谱或功率谱估计获得;
所述同步性、相干性通过所述两个阵元信号的相关分析获得;
所述独立性通过所述两个阵元信号的稀疏分析获得;
所述耦合性、倍频性、分频性、拟分频性通过所述两个阵元信号的双谱或多谱估计获得。
通过将阵列信号转变成图信号,保证时间结构和空间结构同时在脑电信号或皮层电位信号或肌电信号的处理中得到应用。
附图说明
图1为设置在受试者的头部和/或躯干的传感器阵元构成的脑地图的关系脑地图;
图2为图1的关系脑地图根据其各阵元之间的同质关系分解得到脑地图的同构关系图;
图3a-3c为脑地图的同构关系图的图拉普拉斯变换处理过程。
具体实施方式
下面,结合附图对本申请的脑地图构建及其处理方法进行详细说明。
不失一般性,本发明的技术方案可描述如下:人体传感器阵列阵元网络构成的脑地图的顶点,分别采用和○表示,分布在人体不同位置的包括头部或和躯干;采用黑色连线——连接传感器,形成脑地图的边;采用数学分析获得阵元信号及其之间相互关系,分别采用不同的符号,如方框□、三角△、三角方框△□联合等标注在脑地形图的边上,形成复杂网络关系图,如图1所示;获得关系脑地图后,分别保留具有同质(相同,Homogeneity)关系的边,去掉不同(异质,Heterogeneity)关系的边,得到若干个同质关系的同构图,如图2所示;对每个同质关系的图进行图信号处理,可以变化到拉普拉斯域上,经过处理后再变换回图域上,或者经过加权等处理,加权处理获得新的相同结构的图信号,如图3所示。图拉普拉斯域是指图的拉普拉斯矩阵的特征矢量所张成的线性空间,图信号变换到图拉普拉斯域后,可以采用传统的卷积、滤波、加权等处理方法。这里的图的拉普拉斯矩阵等于连接矩阵的列向量之和构成的对角矩阵再减去连接矩阵。
实例一(相关)
为了在不同的皮质深度和不同的皮质柱上同时记录皮层电位信号,使用若干个通道的微硅探针的传感器阵列。每个探针由四个3毫米长的探针杆组成,每根探针杆的间距为200微米,每个探针包含4个电极触点(面积为1250平方微米,1000Hz时的阻抗为0.3-0.5兆欧,接触距离为200微米)。探针的位置应使其进入与表面大致垂直的皮层。探针同时插入约3毫米的深度,研究不同皮质深度和功能柱的神经元单元活动,以及较短(探针内)和较长(探针之间)距离之间的相关性程度。判别电极之间的相关算法如下:
1.皮层电位信号转换:将第i个传感器采集到的皮层电位信号转换成二进制信号si(t),i=1,2,...,N,即在2毫秒时间内有一个尖峰脉冲,信号为1,否则信号为-1。
2.图的顶点相关定义:设传感器为图的顶点,则形成图G的N个顶点中的第i和j个传感器上观察到的信号si(t)和sj(t)之间的皮尔逊相关系数(Pearson correlationcoefficient)为:
其中Cov(si,sj)为si(t)和sj(t)的协方差,Var(si)和Var(sj)分别为si(t)和sj(t)的方差。
其中r是一个相关性判断阈值,0≤r≤1。当r≈0时,如果aij=1,则顶点i和j是独立性连接;当r≈1时,如果aij=1,则顶点i和j是相干性连接;当0<r<1时,如果aij=1,则顶点i和j是不相关连接。这样,便构建脑地图的独立、相干和相关异构性的图。
4.通过上述算法,可以开展图信号和图神经网络处理。
实例二(相干)
为了在不同的皮质深度和不同的皮质柱上同时记录皮层电位信号,使用若干个通道的微硅探针的传感器阵列。每个探针由四个3毫米长的探针杆组成,每根探针杆的间距为200微米,每个探针包含4个电极触点(面积为1250平方微米,1000 Hz时的阻抗为0.3-0.5兆欧,接触距离为200微米)。探针的位置应使其进入与表面大致垂直的皮层。探针同时插入约3毫米的深度,研究不同皮质深度和功能柱的神经元单元活动,以及较短(探针内)和较长(探针之间)距离之间的相互同步程度。判别电极之间的同步算法如下:
1.皮层电位信号转换:将第i个传感器采集到的皮层电位信号转换成二进制信号si(t),i=1,2,...,N,即在2毫秒时间内有一个尖峰脉冲,信号为1,否则信号为-1。
2.图的顶点相干定义:设传感器为图的顶点,则形成图G的N个顶点中的第i和j个传感器上观察到的信号si(t)和sj(t)之间在频率ω上的相干性(Coherence)为:
其中Pij(ω)为si(t)和sj(t)的互功率谱,Pii(ω)和Pjj(ω)分别为si(t)和sj(t)信号的功率谱,ω为信号的频率。
其中C是一个相干性判断阈值,对于固定频率ω,0≤|Cij(ω)|2≤1,表示信号si(t)在每个频率ω上和信号sj(t)对应程度。如果aij=1,则认为顶点i和j对应程度高,是相干性连接;否则认为顶点i和j不相干。这样,可以构建脑地图的相干性属性图。
4.通过上述算法,可以开展图信号和图神经网络处理。
实例三(同步/耦合)
为了在不同的皮质深度和不同的皮质柱上同时记录皮层电位信号,使用若干个通道的微硅探针的传感器阵列。每个探针由四个3毫米长的探针杆组成,每根探针杆的间距为200微米,每个探针包含4个电极触点(面积为1250平方微米,1000Hz时的阻抗为0.3-0.5兆欧,接触距离为200微米)。探针的位置应使其进入与表面大致垂直的皮层。探针同时插入约3毫米的深度,研究不同皮质深度和功能柱的神经元单元活动,以及较短(探针内)和较长(探针之间)距离之间的相互同步程度。判别电极之间的同步算法如下:
1.皮层电位信号转换:将第i个传感器采集到的皮层电位信号转换成二进制信号si(t),i=1,2,...,N,即在2毫秒时间内有一个尖峰脉冲,信号为1,否则信号为-1。
2.图的顶点同步计算:设传感器为图的顶点,则形成图G的N个顶点中的第i和j个传感器上观察到的信号si(t)和sj(t)之间的同步性(synchronization)计算如下:
其中,<·>表示时间平均,γ的取值范围为[0,1],γ=0是表示两信号之间无任何相位同步,γ=1时表示两信号之间有稳定的相位差,即生理表现为相位同步。
3.构建图的连接矩阵:设图G的连接矩阵A=[aij]属于N×N的零幺矩阵,则
其中γconst是一个同步性判断阈值,如果aij=1,则认为顶点i和j同步程度高,是同步性关系连接;否则认为顶点i和j不同步。这样,可以构建脑地图的同步性连接属性图。
4.通过上述算法,可以开展图信号和图神经网络处理。
同理,还可以构建出其它性质的图的连接矩阵,脑地图的图网络。
除非另有定义,本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的,而非限制性的。
虽然已结合具体实施方式对本发明进行了描述,在本申请的发明主旨下,本领域的技术人员可以进行适当的替换、修改和变化,这种替换、修改和变化仍属于本申请的保护范围。
Claims (10)
1.一种脑地图构建方法,通过受试者的头部和/或躯干上所设置的传感器构成的传感器阵列而得到脑地图;传感器阵列中的每个传感器为一个阵元,每个阵元的传感器信号为该阵元的阵元信号;传感器阵列中的每个阵元对应于脑地图中的一个节点;脑地图中任两个节点之间的关系属性由传感器阵列中的与该两个节点对应的两个阵元的阵元信号之间的数学属性确定;
所述传感器信号为神经电信号、脑电信号、肌电信号、生理信号、或运动信号。
2.根据权利要求1所述的脑地图构建方法,其特征在于:
以图处理方法来处理该脑地图。
3.根据权利要求2所述的脑地图构建方法,其特征在于:
所述图处理方法为图的拉普拉斯变换。
4.根据权利要求1所述的脑地图构建方法,其特征在于:
所述传感器为是植入受试者的皮层或机体的电极、于受试者的颅骨或机体的表面设置的电极、或受试者的躯体运动传感器或惯性传感器。
5.根据权利要求1所述的脑地图构建方法,其特征在于:
所述数学属性为所述两个阵元的阵元信号之间的振荡性、同步性、相干性、独立性、耦合性、倍频性、分频性、或拟分频性。
6.根据权利要求3所述的脑地图构建方法,其特征在于:
将所述脑地图按照不同的关系属性分解成不同子脑地图;
获得所述子脑地图的拉普拉斯矩阵,并获得该拉普拉斯矩阵所张成的正交图空间;
将所述子脑地图对应的阵元信号变换到与其对应的所述正交图空间的坐标上,以供后续处理。
7.根据权利要求5所述的脑地图构建方法,其特征在于:
所述振荡性通过所述两个阵元信号的频谱或功率谱估计获得;
所述同步性、相干性通过所述两个阵元信号的相关分析获得;
所述独立性通过所述两个阵元信号的稀疏分析获得;
所述耦合性、倍频性、分频性、拟分频性通过所述两个阵元信号的双谱或多谱估计获得。
8.根据权利要求6所述的脑地图构建方法,其特征在于:
所述后续处理包括图卷积处理或图神经网络处理。
9.一种脑地图的处理方法,其中,所述脑地图通过受试者的头部和/或躯干上所设置的传感器构成的传感器阵列而得到,传感器阵列中的每个传感器为一个阵元,每个阵元的传感器信号为该阵元的阵元信号;传感器阵列中的每个阵元对应于脑地图中的一个节点;脑地图中任两个节点之间的关系属性由传感器阵列中的与该两个节点对应的两个阵元的阵元信号之间的数学属性确定;所述传感器信号为神经电信号、脑电信号、肌电信号、生理信号、或运动信号;
将所述脑地图按照不同的关系属性分解成不同子脑地图;
获得所述子脑地图的拉普拉斯矩阵,并获得该拉普拉斯矩阵所张成的正交图空间;
将所述子脑地图对应的阵元信号变换到与其对应的所述正交图空间的坐标上,利用图卷积处理或图神经网络处理来进行后续处理。
10.根据权利要求9所述的脑地图的处理方法,其特征在于:
所述数学属性为所述两个阵元的阵元信号之间的振荡性、同步性、相干性、独立性、耦合性、倍频性、分频性、或拟分频性;
所述振荡性通过所述两个阵元信号的频谱或功率谱估计获得;
所述同步性、相干性通过所述两个阵元信号的相关分析获得;
所述独立性通过所述两个阵元信号的稀疏分析获得;
所述耦合性、倍频性、分频性、拟分频性通过所述两个阵元信号的双谱或多谱估计获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170469.XA CN112971808B (zh) | 2021-02-08 | 2021-02-08 | 一种脑地图构建及其处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170469.XA CN112971808B (zh) | 2021-02-08 | 2021-02-08 | 一种脑地图构建及其处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112971808A true CN112971808A (zh) | 2021-06-18 |
CN112971808B CN112971808B (zh) | 2023-10-13 |
Family
ID=76349114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110170469.XA Active CN112971808B (zh) | 2021-02-08 | 2021-02-08 | 一种脑地图构建及其处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112971808B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114343676A (zh) * | 2021-12-28 | 2022-04-15 | 东南大学 | 基于自适应层次图神经网络的脑电情感识别方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080091118A1 (en) * | 2006-07-06 | 2008-04-17 | Apostolos Georgopoulos | Analysis of brain patterns using temporal measures |
US20110190621A1 (en) * | 2010-02-01 | 2011-08-04 | Verdoorn Todd A | Methods and Systems for Regional Synchronous Neural Interactions Analysis |
CN103006211A (zh) * | 2013-01-17 | 2013-04-03 | 西安电子科技大学 | 一种基于脑电网络分析的地形图描绘装置 |
US20150272468A1 (en) * | 2014-03-31 | 2015-10-01 | Hesheng Liu | System And Method For Functional Brain Organization Mapping |
US20190082990A1 (en) * | 2017-09-19 | 2019-03-21 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement |
US20190142338A1 (en) * | 2017-11-10 | 2019-05-16 | Lvis Corporation | Efficacy and/or therapeutic parameter recommendation using individual patient data and therapeutic brain network maps |
US20190261909A1 (en) * | 2016-10-19 | 2019-08-29 | Rutgers, The State University Of New Jersey | System and method for determining amount of volition in a subject |
US20190374154A1 (en) * | 2017-02-27 | 2019-12-12 | Universite De Rennes 1 | Method, command, device and program to determine at least one brain network involved in carrying out a given process |
US20210196182A1 (en) * | 2018-05-24 | 2021-07-01 | Health Tech Connex Inc. | Quantifying motor function using eeg signals |
-
2021
- 2021-02-08 CN CN202110170469.XA patent/CN112971808B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080091118A1 (en) * | 2006-07-06 | 2008-04-17 | Apostolos Georgopoulos | Analysis of brain patterns using temporal measures |
US20110190621A1 (en) * | 2010-02-01 | 2011-08-04 | Verdoorn Todd A | Methods and Systems for Regional Synchronous Neural Interactions Analysis |
CN103006211A (zh) * | 2013-01-17 | 2013-04-03 | 西安电子科技大学 | 一种基于脑电网络分析的地形图描绘装置 |
US20150272468A1 (en) * | 2014-03-31 | 2015-10-01 | Hesheng Liu | System And Method For Functional Brain Organization Mapping |
US20190261909A1 (en) * | 2016-10-19 | 2019-08-29 | Rutgers, The State University Of New Jersey | System and method for determining amount of volition in a subject |
US20190374154A1 (en) * | 2017-02-27 | 2019-12-12 | Universite De Rennes 1 | Method, command, device and program to determine at least one brain network involved in carrying out a given process |
US20190082990A1 (en) * | 2017-09-19 | 2019-03-21 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement |
US20190142338A1 (en) * | 2017-11-10 | 2019-05-16 | Lvis Corporation | Efficacy and/or therapeutic parameter recommendation using individual patient data and therapeutic brain network maps |
US20210196182A1 (en) * | 2018-05-24 | 2021-07-01 | Health Tech Connex Inc. | Quantifying motor function using eeg signals |
Non-Patent Citations (4)
Title |
---|
F. DARVAS ET AL: "Mapping human brain function with MEG and EEG: methods and validation", 《NEUROIMAGE》 * |
SIMON B. EICKHOFF ET AL: "Coordinate-Based Activation Likelihood Estimation Meta-Analysis of Neuroimaging Data:A Random-Effects Approach Based on Empirical Estimates of Spatial Uncertainty", 《HUMAN BRAIN MAPPING》 * |
王卫东 等: "脑梗死患者磁共振脑脊液流速测定临床价值及与颅内压的关系分析", 《基层医学论坛》 * |
范玉颖 等: "头皮视频脑电图无痫样放电的癫痫患儿静息态脑网络研究", 《国外医学情报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114343676A (zh) * | 2021-12-28 | 2022-04-15 | 东南大学 | 基于自适应层次图神经网络的脑电情感识别方法及装置 |
CN114343676B (zh) * | 2021-12-28 | 2023-09-29 | 东南大学 | 基于自适应层次图神经网络的脑电情感识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112971808B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farina et al. | Compensation of the effect of sub-cutaneous tissue layers on surface EMG: a simulation study | |
Chen et al. | Joint blind source separation for neurophysiological data analysis: Multiset and multimodal methods | |
Farina et al. | A novel approach for precise simulation of the EMG signal detected by surface electrodes | |
US20130317337A1 (en) | Continuous Modeling for Dipole Localization from 2D MCG Images with Unknown Depth | |
US8553956B2 (en) | 3D current reconstruction from 2D dense MCG images | |
Hjorth | Principles for transformation of scalp EEG from potential field into source distribution | |
DE102009055672B4 (de) | Verfahren zu einer nichtinvasiven elektrophysiologischen Herzuntersuchung | |
DE102009055671B4 (de) | Verfahren zu einer nichtinvasiven elektrophysiologischen Herzuntersuchung | |
CN106991409B (zh) | 一种运动想象脑电信号特征提取与分类系统及方法 | |
CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
Li et al. | Blind estimation of channel parameters and source components for EEG signals: A sparse factorization approach | |
CN112971808A (zh) | 一种脑地图构建及其处理方法 | |
Ghaderi et al. | Muscle activity map reconstruction from high density surface EMG signals with missing channels using image inpainting and surface reconstruction methods | |
CN111931578B (zh) | 一种基于最小生成树和区域双层网络的脑电识别方法 | |
Su et al. | Electroencephalogram classification in motor-imagery brain–computer interface applications based on double-constraint nonnegative matrix factorization | |
CN117224082A (zh) | 一种基于图学习优化算法的动态脑功能网络学习方法 | |
Srebro | Iterative refinement of the minimum norm solution of the bioelectric inverse problem | |
CN110664400A (zh) | 基于度信息的脑电特征电位溯源方法 | |
CN115813409A (zh) | 一种超低延迟的运动图像脑电图解码方法 | |
CN116027888A (zh) | 一种基于plv动态脑功能网络的p300意图识别方法 | |
RU2257838C1 (ru) | Способ диагностики состояния сердечно-сосудистой системы | |
JP2508946B2 (ja) | 生体内等価電流双極子定位装置 | |
Hua et al. | Compressive sensing of multichannel electrocardiogram signals in wireless telehealth system | |
Zhang et al. | Low-rank and joint-sparse signal recovery using sparse Bayesian learning in a WBAN | |
Schimpf et al. | Efficient electromagnetic source imaging with adaptive standardized LORETA/FOCUSS |
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 |