CN112992341A - 一种婴儿痉挛症的头皮脑电发作期高频振荡模型 - Google Patents
一种婴儿痉挛症的头皮脑电发作期高频振荡模型 Download PDFInfo
- Publication number
- CN112992341A CN112992341A CN202110218074.2A CN202110218074A CN112992341A CN 112992341 A CN112992341 A CN 112992341A CN 202110218074 A CN202110218074 A CN 202110218074A CN 112992341 A CN112992341 A CN 112992341A
- Authority
- CN
- China
- Prior art keywords
- model
- electroencephalogram
- module
- frequency oscillation
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/04—Babies, e.g. for SIDS detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种婴儿痉挛症的头皮脑电发作期高频振荡模型,属于脑电图模型技术领域,通过训练用于对脑电图设备监测到的头皮脑电图的高频振荡进行分析,判断是否为婴儿痉挛症的发作期,包括数据采集模块、数据预处理模块、模型特征提取模块、模型特征标记模块、模型训练模块以及模型测试模块。该婴儿痉挛症的头皮脑电发作期高频振荡模型,通过利用历史病例的大量样本数据对模型进行训练,能够对脑电图中可能存在的婴儿痉挛症发作进行标记以及根据训练次数输出潜在的患病概率,从而快速的为临床医生提供诊断依据和诊断建议,在保证诊断的准确性的同时,以减少医生由于个人局限对病情把握造成的不利影响,提高婴儿痉挛症诊断的效率。
Description
技术领域
本发明属于脑电图模型技术领域,具体为一种婴儿痉挛症的头皮脑电发作期高频振荡模型。
背景技术
婴儿痉挛症发生在婴儿出生后几天到30个月,半岁前是发病高峰。由于婴儿整天在床上或襁褓中,年轻的妈妈缺乏经验,容易麻痹大意,把发作病情误认为由于孩子饥饿、尿布湿或头颈身体不适引起。痉挛停止后,可遗留神经损伤症状和体征,如语言障碍、部分失明、斜视、肢体瘫痪,或有其他类型癫痫发作。婴儿痉挛症的死亡率占13%,而90%以上智能低下。因此,认清疾病,及时予以控制是非常重要的。
现有技术中,医生通过对婴儿发作时的头皮脑电图数据进行分析并对疾病予以确诊。目前,婴儿发作时的头皮脑电图数据需要医生根据脑电图的波形以及临床经验进行预先判断,并没有一种算法模型来辅助医生进行诊断,为此,我们提出了一种婴儿痉挛症的头皮脑电发作期高频振荡模型。
发明内容
针对现有技术的不足,本发明提供了一种婴儿痉挛症的头皮脑电发作期高频振荡模型,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种婴儿痉挛症的头皮脑电发作期高频振荡模型,通过训练用于对脑电图设备监测到的头皮脑电图的高频振荡进行分析,判断是否为婴儿痉挛症的发作期,包括数据采集模块、数据预处理模块、模型特征提取模块、模型特征标记模块、模型训练模块以及模型测试模块;
所述数据采集模块,用于采集已确诊婴儿痉挛症的婴儿在症状发作时的头皮脑电图高频振荡时的样本数据;
所述数据预处理模块,用于将样本数据做整合处理,将婴儿在症状发作时的头皮脑电图高频振荡数据片段整合至内置的规范化模型中,得到规范化的、完整的脑电图整型数据;
所述模型特征提取模块,用于获取婴儿痉挛症发作时高频振荡相关的脑电波形信号和脑电图频域中特征,并对特征进行提取;
所述模型特征标记模块,用于对提取的模型特征进行标记,得到带标记的训练数据集,确定多个样本数据的标记信息并建立与婴儿痉挛症的头皮脑电发作期高频振荡的对应关系,以确定训练数据集;
所述模型训练模块,用于将所述训练数据集作为输入,由卷积神经网络进行训练学习;
所述模型测试模块,用于对训练好的高频振荡模型进行验证和测试,对高频振荡模型进行模型参数的校正。
进一步优化本技术方案,所述数据采集模块在采集症状发作时的头皮脑电图高频振荡时的样本数据时,根据婴儿的发作时间点从总脑电图中采集处于发作时间点前后30分钟内的样本数据。
进一步优化本技术方案,所述模型特征提取模块获取的模型特征中脑电波形信号包括脑电波的波幅、脑电波的持续时间以及动态脑电图波峰端点值;所述模型特征提取模块获取的模型特征中脑电图频域的特征为功率谱熵值。
进一步优化本技术方案,所述模型训练模块将学习棘波、尖波、慢复合波、高度节律失调波、正常脑电波与婴儿痉挛症的头皮脑电发作期的波形关系,生成脑功能三维图像特征全连接层。
进一步优化本技术方案,所述模型测试模块中内置有验证集和测试集,所述验证集和测试集以数据录入的时间进行切分,所述验证集和测试集均为婴儿痉挛症发作时的婴儿头皮脑电图数据。
进一步优化本技术方案,所述模型测试模块的测试方法为利用验证集来调整高频振荡模型的参数,利用验证集对经训练集调整后的高频振荡模型进行训练,得到第一次处理的数据结果模型,再利用测试集对第一次处理的数据结果模型进行测试,得到第二次处理的数据结果模型,用以强化该高频振荡模型对婴儿痉挛症发作的判断。
进一步优化本技术方案,所述高频振荡模型中的数据采集模块进行数据采集,由数据采集模块的输出端将数据传输至数据预处理模块中,所述数据预处理模块的输出端连接在模型特征提取模块的输入端上,所述模型特征提取模块进行特征提取后经模型特征标记模块对模型特征进行标记,最终由模型训练模块以及模型测试模块完成对该高频振荡模型的构建,并由模型训练模块以及模型测试模块不断的对高频振荡模型进行强化训练。
与现有技术相比,本发明提供了一种婴儿痉挛症的头皮脑电发作期高频振荡模型,具备以下有益效果:
该婴儿痉挛症的头皮脑电发作期高频振荡模型,通过利用历史病例的大量样本数据对模型进行训练,能够对脑电图中可能存在的婴儿痉挛症发作进行标记以及根据训练次数输出潜在的患病概率,从而快速的为临床医生提供诊断依据和诊断建议,在保证诊断的准确性的同时,以减少医生由于个人局限对病情把握造成的不利影响,提高婴儿痉挛症诊断的效率。
附图说明
图1为本发明提出的一种婴儿痉挛症的头皮脑电发作期高频振荡模型的结构示意图。
具体实施方式
下面将结合本发明的实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
一种婴儿痉挛症的头皮脑电发作期高频振荡模型,通过训练用于对脑电图设备监测到的头皮脑电图的高频振荡进行分析,判断是否为婴儿痉挛症的发作期,包括数据采集模块、数据预处理模块、模型特征提取模块、模型特征标记模块、模型训练模块以及模型测试模块;
所述数据采集模块,用于采集已确诊婴儿痉挛症的婴儿在症状发作时的头皮脑电图高频振荡时的样本数据;
所述数据预处理模块,用于将样本数据做整合处理,将婴儿在症状发作时的头皮脑电图高频振荡数据片段整合至内置的规范化模型中,得到规范化的、完整的脑电图整型数据;
所述模型特征提取模块,用于获取婴儿痉挛症发作时高频振荡相关的脑电波形信号和脑电图频域中特征,并对特征进行提取;
所述模型特征标记模块,用于对提取的模型特征进行标记,得到带标记的训练数据集,确定多个样本数据的标记信息并建立与婴儿痉挛症的头皮脑电发作期高频振荡的对应关系,以确定训练数据集;
所述模型训练模块,用于将所述训练数据集作为输入,由卷积神经网络进行训练学习;
所述模型测试模块,用于对训练好的高频振荡模型进行验证和测试,对高频振荡模型进行模型参数的校正。
具体的,所述数据采集模块在采集症状发作时的头皮脑电图高频振荡时的样本数据时,根据婴儿的发作时间点从总脑电图中采集处于发作时间点前后30分钟内的样本数据。
具体的,所述模型特征提取模块获取的模型特征中脑电波形信号包括脑电波的波幅、脑电波的持续时间以及动态脑电图波峰端点值;所述模型特征提取模块获取的模型特征中脑电图频域的特征为功率谱熵值。
具体的,所述模型训练模块将学习棘波、尖波、慢复合波、高度节律失调波、正常脑电波与婴儿痉挛症的头皮脑电发作期的波形关系,生成脑功能三维图像特征全连接层。
具体的,所述模型测试模块中内置有验证集和测试集,所述验证集和测试集以数据录入的时间进行切分,所述验证集和测试集均为婴儿痉挛症发作时的婴儿头皮脑电图数据。
具体的,所述模型测试模块的测试方法为利用验证集来调整高频振荡模型的参数,利用验证集对经训练集调整后的高频振荡模型进行训练,得到第一次处理的数据结果模型,再利用测试集对第一次处理的数据结果模型进行测试,得到第二次处理的数据结果模型,用以强化该高频振荡模型对婴儿痉挛症发作的判断。
具体的,如图1所示,所述高频振荡模型中的数据采集模块进行数据采集,由数据采集模块的输出端将数据传输至数据预处理模块中,所述数据预处理模块的输出端连接在模型特征提取模块的输入端上,所述模型特征提取模块进行特征提取后经模型特征标记模块对模型特征进行标记,最终由模型训练模块以及模型测试模块完成对该高频振荡模型的构建,并由模型训练模块以及模型测试模块不断的对高频振荡模型进行强化训练。
实施例二:
采用实施例一中所述的婴儿痉挛症的头皮脑电发作期高频振荡模型,我们采用大量的历史病例的脑电图样本数据对该高频振荡模型进行训练,利用卷积神经网络技术对该婴儿痉挛症的头皮脑电发作期高频振荡模型进行多次的训练学习,对对脑电图中可能存在的婴儿痉挛症发作的数据特征进行标记,构成高频振荡模型后,抽取一组确诊和未确诊病例的脑电图样本数据作为验证集的数据对模型进行验证,并对模型进行参数校正,再选取另一组确诊和未确诊病例的脑电图样本数据作为测试集的数据对模型做最后的调试和优化处理,辅助医生提高对婴儿痉挛症诊断的效率。
本发明的有益效果是:该婴儿痉挛症的头皮脑电发作期高频振荡模型,通过利用历史病例的大量样本数据对模型进行训练,能够对脑电图中可能存在的婴儿痉挛症发作进行标记以及根据训练次数输出潜在的患病概率,从而快速的为临床医生提供诊断依据和诊断建议,在保证诊断的准确性的同时,以减少医生由于个人局限对病情把握造成的不利影响,提高婴儿痉挛症诊断的效率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种婴儿痉挛症的头皮脑电发作期高频振荡模型,通过训练用于对脑电图设备监测到的头皮脑电图的高频振荡进行分析,判断是否为婴儿痉挛症的发作期,其特征在于,包括数据采集模块、数据预处理模块、模型特征提取模块、模型特征标记模块、模型训练模块以及模型测试模块;
所述数据采集模块,用于采集已确诊婴儿痉挛症的婴儿在症状发作时的头皮脑电图高频振荡时的样本数据;
所述数据预处理模块,用于将样本数据做整合处理,将婴儿在症状发作时的头皮脑电图高频振荡数据片段整合至内置的规范化模型中,得到规范化的、完整的脑电图整型数据;
所述模型特征提取模块,用于获取婴儿痉挛症发作时高频振荡相关的脑电波形信号和脑电图频域中特征,并对特征进行提取;
所述模型特征标记模块,用于对提取的模型特征进行标记,得到带标记的训练数据集,确定多个样本数据的标记信息并建立与婴儿痉挛症的头皮脑电发作期高频振荡的对应关系,以确定训练数据集;
所述模型训练模块,用于将所述训练数据集作为输入,由卷积神经网络进行训练学习;
所述模型测试模块,用于对训练好的高频振荡模型进行验证和测试,对高频振荡模型进行模型参数的校正。
2.根据权利要求1所述的一种婴儿痉挛症的头皮脑电发作期高频振荡模型,其特征在于,所述数据采集模块在采集症状发作时的头皮脑电图高频振荡时的样本数据时,根据婴儿的发作时间点从总脑电图中采集处于发作时间点前后30分钟内的样本数据。
3.根据权利要求1所述的一种婴儿痉挛症的头皮脑电发作期高频振荡模型,其特征在于,所述模型特征提取模块获取的模型特征中脑电波形信号包括脑电波的波幅、脑电波的持续时间以及动态脑电图波峰端点值;所述模型特征提取模块获取的模型特征中脑电图频域的特征为功率谱熵值。
4.根据权利要求1所述的一种婴儿痉挛症的头皮脑电发作期高频振荡模型,其特征在于,所述模型训练模块将学习棘波、尖波、慢复合波、高度节律失调波、正常脑电波与婴儿痉挛症的头皮脑电发作期的波形关系,生成脑功能三维图像特征全连接层。
5.根据权利要求1所述的一种婴儿痉挛症的头皮脑电发作期高频振荡模型,其特征在于,所述模型测试模块中内置有验证集和测试集,所述验证集和测试集以数据录入的时间进行切分,所述验证集和测试集均为婴儿痉挛症发作时的婴儿头皮脑电图数据。
6.根据权利要求5所述的一种婴儿痉挛症的头皮脑电发作期高频振荡模型,其特征在于,所述模型测试模块的测试方法为利用验证集来调整高频振荡模型的参数,利用验证集对经训练集调整后的高频振荡模型进行训练,得到第一次处理的数据结果模型,再利用测试集对第一次处理的数据结果模型进行测试,得到第二次处理的数据结果模型,用以强化该高频振荡模型对婴儿痉挛症发作的判断。
7.根据权利要求1所述的一种婴儿痉挛症的头皮脑电发作期高频振荡模型,其特征在于,所述高频振荡模型中的数据采集模块进行数据采集,由数据采集模块的输出端将数据传输至数据预处理模块中,所述数据预处理模块的输出端连接在模型特征提取模块的输入端上,所述模型特征提取模块进行特征提取后经模型特征标记模块对模型特征进行标记,最终由模型训练模块以及模型测试模块完成对该高频振荡模型的构建,并由模型训练模块以及模型测试模块不断的对高频振荡模型进行强化训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218074.2A CN112992341A (zh) | 2021-02-26 | 2021-02-26 | 一种婴儿痉挛症的头皮脑电发作期高频振荡模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218074.2A CN112992341A (zh) | 2021-02-26 | 2021-02-26 | 一种婴儿痉挛症的头皮脑电发作期高频振荡模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112992341A true CN112992341A (zh) | 2021-06-18 |
Family
ID=76351105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110218074.2A Pending CN112992341A (zh) | 2021-02-26 | 2021-02-26 | 一种婴儿痉挛症的头皮脑电发作期高频振荡模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112992341A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463792A (zh) * | 2017-09-21 | 2017-12-12 | 北京大智商医疗器械有限公司 | 神经反馈装置、系统及方法 |
CN109671500A (zh) * | 2019-02-26 | 2019-04-23 | 上海交通大学 | 基于脑电图时域数据的精神分裂症辅助诊断分类方法 |
CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN112200221A (zh) * | 2020-09-22 | 2021-01-08 | 深圳市丰盛生物科技有限公司 | 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法 |
-
2021
- 2021-02-26 CN CN202110218074.2A patent/CN112992341A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463792A (zh) * | 2017-09-21 | 2017-12-12 | 北京大智商医疗器械有限公司 | 神经反馈装置、系统及方法 |
CN109671500A (zh) * | 2019-02-26 | 2019-04-23 | 上海交通大学 | 基于脑电图时域数据的精神分裂症辅助诊断分类方法 |
CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN112200221A (zh) * | 2020-09-22 | 2021-01-08 | 深圳市丰盛生物科技有限公司 | 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111184508B (zh) | 一种基于联合神经网络的心电信号检测装置及分析方法 | |
US8320649B2 (en) | Neuropsychological spatiotemporal pattern recognition | |
CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN110876626A (zh) | 基于多导联脑电最优导联选择的抑郁检测系统 | |
CN110013250B (zh) | 一种抑郁症自杀行为的多模式特征信息融合预测方法 | |
CN103116707A (zh) | 一种基于案例推理的心脏病智能诊断方法 | |
CN105628425A (zh) | 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN103654799A (zh) | 一种基于脑电波的婴儿情绪检测方法和装置 | |
CN109009102A (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN113768519B (zh) | 基于深度学习和静息态脑电数据分析病人意识水平的方法 | |
CN109887595A (zh) | 基于深度学习技术的心搏异常识别算法 | |
Huang et al. | Automatic epileptic seizure detection via attention-based CNN-BiRNN | |
CN112992341A (zh) | 一种婴儿痉挛症的头皮脑电发作期高频振荡模型 | |
CN113729729A (zh) | 基于图神经网络和脑网络的精神分裂症早期检测系统 | |
CN113197583A (zh) | 一种基于时频分析和循环神经网络的心电图波形分割方法 | |
CN116421144A (zh) | 一种eses相关癫痫性脑病预后评估模型及其训练和使用方法 | |
CN109002798B (zh) | 一种基于卷积神经网络的单导视觉诱发电位提取方法 | |
CN116269212A (zh) | 一种基于深度学习的多模态睡眠阶段预测方法 | |
CN110327034A (zh) | 一种基于深度特征融合网络的心动过速心电图的筛查方法 | |
CN115392296A (zh) | 一种异常脑电波类型识别方法、系统、存储介质及设备 | |
CN115399735A (zh) | 基于时频双流增强的多头注意机制睡眠分期方法 | |
CN111248907A (zh) | 基于精神病临床高危人群脑电信号特征的风险预测方法 | |
Saadi et al. | Low-cost ecg monitoring system with classification using deep learning | |
CN112927808A (zh) | 一种基于甲状腺超声图像的结节分级系统及方法 |
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 |