CN113017627B - 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 - Google Patents
一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 Download PDFInfo
- Publication number
- CN113017627B CN113017627B CN202011633891.6A CN202011633891A CN113017627B CN 113017627 B CN113017627 B CN 113017627B CN 202011633891 A CN202011633891 A CN 202011633891A CN 113017627 B CN113017627 B CN 113017627B
- Authority
- CN
- China
- Prior art keywords
- phase
- depression
- tested
- bipolar disorder
- electrode
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 38
- 208000020925 Bipolar disease Diseases 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000003012 network analysis Methods 0.000 title claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000000284 resting effect Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 210000004761 scalp Anatomy 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 5
- 230000001360 synchronised effect Effects 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 210000001652 frontal lobe Anatomy 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 208000020401 Depressive disease Diseases 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010010144 Completed suicide Diseases 0.000 description 1
- 206010012374 Depressed mood Diseases 0.000 description 1
- 206010026749 Mania Diseases 0.000 description 1
- 206010027951 Mood swings Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法,使用静息态头皮脑电信号,分别采用基于相位延迟指数、加权相位延迟指数和相位锁值同步性指标来构建相位同步性矩阵并将其融合,从而有效区分抑郁症和双相障碍患者的大脑病变区域。与现有技术相比,本发明提供的方法有如下优势:将三个同步特征融合可以获取到更多的有效信息来检测信号间微弱的相互作用关系,有利于发现大脑区域的电极信号是否处于同步状态,从而有效地识别出病变脑区。实验表明,通过本发明方法可直观看出相对于健康对照组而言,抑郁症和双相障碍患者的额叶和顶叶差异变化较大。
Description
技术领域
本发明属于计算神经科学领域,具体来说,涉及基于相位同步指标:相位延迟指数、相位锁值和加权相位延迟指数的抑郁症和双相障碍脑网络分析方法。构造α、β、θ和δ频带下该三个指标的功能连接矩阵,用于进一步研究分析不同类型被试功能连接和脑网络的差异性。
背景技术
随着生活节奏的加快,社会竞争力越来越大,人们紧张焦虑的情绪时有发生,因此造成抑郁障碍的患者愈来愈多,抑郁障碍以显著而持久的心境低落为主要临床特征,伴有不同程度的认知和行为的损害及较高的自杀率。而双相障碍患者在情绪高涨(躁狂)和抑郁之间波动。这两种疾病不仅对患者的身体和心理造成极大的危害,而且给家属和社会造成一定的压力,同时也影响社会的良序发展。因其临床表现症状有交叉,所以极易导致误诊误疗,因此正确识别两种疾病有着至关重要的作用。
人脑可以看成一个复杂的网络,不同功能区相互作用、相互协调,共同完成人类各种复杂的活动。大脑的网络连接主要有三种形式:(1)结构连接:由神经元突触之间的电连接或化学连接构成,这种网络一般使用磁共振数据来确定;(2)功能连接:指空间上分离的神经单元其神经活动在时间上的关联性和统计依赖关系;(3)效应连接:刻画了一个神经单元对另一个神经单元的因果效应,即二者之间属于调控与被调控的关系。
功能脑网络的度量方法主要有线性和非线性两类。由于脑电信号是非平稳非线性的信号,所以目前大量的非线性研究是从相位同步角度分析。然而现有的相位延迟指数(Phase Lag Index,PLI)极易受到轻微的波动从而发生信号翻转,相位锁值(PhaseLocking Values,PLV)容易受到容积传导效应的影响,加权相位延迟指数(Weighted PhaseLag Index,WPLI)对于相位同步真正变化的敏感度相对较低。由于上述相位同步指标的缺点,本文提出了一中基于三种指标的特征融合方法来区分抑郁症和双相障碍患者的脑网络连接。
发明内容
本发明的目的在于,为了解决抑郁症和双相障碍误诊率较高的现象,提出了一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法。所提供的特征融合方法在健康对照、抑郁症和双相障碍患者之间取得了较高的分类准确率。
实现本方法的主要思路如下:步骤一、采集实验组和正常对照组的静息态头皮EEG信号,每个被试共有m个电极信号被采集;步骤二、对采集的脑电信号数据进行预处理操作,包括:电极定位、重参考、基线去除、下采样、带通滤波、ICA分解以及伪迹去除;对预处理之后的信号划分为B个频带,并对每个频带的信号分成多个时间片段;步骤三、计算每个被试、每个频带、相同时间片段之内的,任意i、j两通道电极信号之间的三个特征。在第t个时间片段,i、j两通道电极信号之间的相位延迟指数为PLItij、加权相位延迟指数WPLItij以及相位锁值为PLVtij;步骤四:将三种功能连接矩阵R1,R2,R3进行融合,得到融合后的三种特征,分别为PLV_PLI、PLV_WPLI和PLV_PLI_WPLI;其中,PLV_PLI={R3,R1},PLV_WPLI={R3,R2},PLV_PLI_WPLI={R3,R1,R2};步骤五:将融合后特征形成的矩阵送入分类器,得到最终的分类结果。
具体地,如上所述的步骤二的具体方法是:对采集的原始脑电信号预处理,包括:电极定位、重参考、基线去除、下采样、带通滤波、ICA分解以及伪迹去除。对预处理后的信号进行频带划分,具体分为α、β、θ和δ频带,其中,δ(0.5-4Hz)、θ(4-8Hz)、α(8-13Hz)和β(14-30Hz);然后,以2s为单位分成若干个片段。
具体地,如上所述的步骤三所述的相位锁值具体计算过程如下:
步骤三:通过步骤二得到的瞬时相位计算同一时间片段的两两电极之间瞬时相位差;
步骤四:利用步骤三得到瞬时相位差,计算同一时间片段的任意电极i、j所采EEG信号之间的相位锁值PLVij。
具体地,如上所述的步骤三的相位延迟指数具体计算过程如下:
步骤三:通过步骤二得到的瞬时相位计算同一时间片段的两两电极之间瞬时相位差;
步骤四:利用步骤三得到瞬时相位差,计算同一时间片段的任意电极i、j所采EEG信号之间的相位延迟指数PLIij
具体地,如上所述的步骤三的加权相位延迟指数具体计算过程如下:
步骤一:选定一个被试的一个频带的同一片段的任意两个电极的离散实值信号d1(n)和d2(n),对d1(n)和d2(n)进行希尔伯特变换,分别得到复数ψ1(n)和ψ2(n);
步骤二:求解ψ1(n)和ψ2(n)的交叉谱,表示为P(n)+Q(n),其中,P(n)表示实部,Q(n)为虚部;
步骤三:利用虚部Q(n)计算该被试的,一个频带内,同一时间片段的任意两个电极i、j的加权相位延迟指数WPLIij。
与现有技术相比,本发明的方法具有以下优势:
利用相位同步的三个指标分别提取脑电信号的特征,并将其按样本维度融合,融合后的特征虽然数据量较大,但是弱化了每个特征的劣势,从而能够有效识别出抑郁症和双相障碍的典型差异。
附图说明
为了更清楚的说明本发明的技术方案,下面将对发明中使用的附图作简单说明。显然,这些图只是本发明的一部分。
图1为本发明所涉及方法总流程框图;
图2为采集静息态EEG信号时的电极分布图
图3某一被试某一频带下任意片段的相位延迟指数、加权相位延迟指数和相位锁值计算过程详解图
图4 R1的构造示意图
图5特征融合示意图
图6抑郁症、健康和双相障碍被试在θ频带的PLI功能连接矩阵及对应的大脑可视化网络
图7抑郁症、健康和双相障碍被试在θ频带下的WPLI功能连接矩阵及对应的大脑可视化网络
图8抑郁症、健康和双相障碍被试在θ频带下的PLV功能连接矩阵及对应的大脑可视化网络
具体实施方式
以下将结合附图对本发明的构思及产生的技术效果进行清晰、完整和详尽的描述,以充分了解本发明的目的、特征和效果。下面结合附图和实例来对本发明进行详细阐述。
本发明公开了基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法,主要包括以下步骤:步骤1、采集实验组和正常对照组的静息态头皮EEG信号,每个被试共有m个电极信号被采集;步骤2、对采集的脑电信号数据进行预处理操作,包括:电极定位、重参考、基线去除、下采样、带通滤波、ICA分解以及伪迹去除;对预处理之后的信号划分为B个频带,并对每个频带的信号分成多个时间片段;步骤3、计算每个被试、每个频带、相同时间片段之内的,任意i、j两通道电极信号之间的三个特征。在第t个时间片段,i、j两通道电极信号之间的相位延迟指数为PLItij、加权相位延迟指数WPLItij以及相位锁值为PLVtij;步骤4:将三种功能连接矩阵R1,R2,R3进行融合,得到融合后的三种特征,分别为PLV_PLI、PLV_WPLI和PLV_PLI_WPLI;其中,PLV_PLI={R3,R1},PLV_WPLI={R3,R2},PLV_PLI_WPLI={R3,R1,R2};步骤5:将融合后特征形成的矩阵送入分类器,得到最终的分类结果。
步骤1:采集数据。
本实例中采集的数据包括由精神疾病专家诊断的35名抑郁症、21名双相障碍患者和其年龄匹配的35名健康对照者。采用标准的国际10-20采集系统采集64导的静息态头皮脑电信号。数据采集过程中,电极位置如图2所示,被试一直处于一种放松的状态。采样频率为5000Hz,采样时间约为200s。
步骤2,预处理。
使用Matlab插件的EEGLAB工具箱,对采样率为5000Hz的所有脑电信号进行预处理。包括:电极定位、重参考、基线去除、下采样、带通滤波、ICA分解以及伪迹去除。其中带通滤波范围为0.5-30Hz,对信号进行下采样,处理后的信号采样频率降为100Hz。将预处理后得到的信号,以2s为单位分成若干片段。实验过程中为了减少由于开始采集和结束采集前后被试的信号不稳定因素,将采集的脑电信号的初始20s和结束前的20s去掉,使用中间的脑电信号进行分析和实验。
步骤3:计算脑电信号的相位延迟指数和相位锁值,对构建的功能连接矩阵以及大脑网络连接状态的可视化。
以某一被试在频带α的第一个片段为例求解功能连接矩阵。具体操作过程如图3所示,下面将结合具体实例进行分析:假设电极1和电极2的时域信号分别为x1(t)、x2(t),离散实值信号数据长度均为N(N=200),分别记作d1(n)和d2(n){n=1,2…N}。
步骤3.1:首先参照下式(1),将x1(t)、x2(t)代入,即完成使用希尔伯特变换将电极1和电极2的第一个片段的时域信息变换到频域信息;
然后使用公式(3)求解电极1和电极2的瞬时相位差;
最后使用公式(4)和(5)分别求解两个片段的相位延迟指数和相位锁值,此处涉及的公式(1)-(6)均为通用公式。
步骤3.2:计算加权相位延迟指数。设两个时域信号分别为x(t)和y(t),其中同一个片段的离散实值信号分别表示为d1(n)和d2(n){n=1,2…N,N=200}。首先使用上式(1)对时域信号进行希尔伯特变换得到复数ψ1(n)和ψ2(n);然后计算二者的交叉谱得到P(n)+Q(n);进而利用公式(6)可求解得到WPLI。
步骤3.3:第一个片段的两个电极之间的相位延迟指数、相位锁值和加权相位延迟指数通过步骤3.1和步骤3.2已经得到。多个电极之间三个特征的计算过程相同,此处不再赘述。通过上述过程得到如下所示的功能连接矩阵R(functional connectivity matrix)。此矩阵为对称矩阵,其中矩阵中每个元素值的大小代表该片段两个信号之间相位同步的强度。形成的矩阵形式如下式(7)所示:
在功能连接矩阵中,元素rpq代表第p个电极和第q个电极的相位同步程度。我们将EEG信号的电极作为脑网络的节点,rpq作为节点之间的连接权重。
步骤3.4:由于抑郁症、双相障碍和健康对照组形成的功能连接矩阵肉眼难以分辨,所以我们对其进行阈值化处理。将PLV值大于0.8的设置为1,PLI和WPLI值大于0.35的置为1,代表两个电极信号之间有信息交互,在网络中代表节点之间有连接。反之,将其设置为0,表示这两个电极信号之间没有信息交流。
步骤3.5:采用BrainNetViewer软件对大脑连接可视化处理。Surface file采用标准化的模板Brain Mesh_ICBM152.nv,Surface不透明度设置为0.3,边的不透明度设置为0.7。电极与脑区之间详细的对应关系如下表1所示。其中,节点大小代表节点的度,即与该节点直接相连的节点数目,节点度越大,说明该节点在网络中的地位越重要。节点的不同颜色代表不同脑区的电极。采用阈值化之后的矩阵可视化大脑并分析实验组和对照组的大脑网络连接性差异,从而有助于找到抑郁症和双相障碍患者的病变脑区。
表1电极与脑区对应关系
步骤4:将不同特征的所有片段形成的功能连接矩阵转化为1行m*m列的矩阵。91个被试一共形成8269个片段,其中抑郁症有2813片、健康对照组有2572片、双相障碍有2884片。其中PLI和PLV构成的矩阵中每片的大小为1*4096,WPLI构成的矩阵因将其缺失值删掉,所以大小为1*4032.
步骤5:特征融合后的矩阵大小分别为:PLV_PLI是8269*8192,PLV_WPLI是8269*8128,PLV_PLI_WPLI的大小为8269*12224.
步骤6:分类
将步骤4和5得到的矩阵送入决策树分类器中,得到三分类结果。
为了防止过拟合,实验中采用了十折交叉验证,所有数据被随机分为10组,9组用于训练,1组用于测试。同时,为了研究模型的稳定性和预测结果更为精确,每次实验过程进行10次取平均值。
使用宣武医院自采的数据完成本实验的验证,下表2的结果是theta频带下在决策树分类器的结果。
表2 theta频带的实验结果
Claims (7)
1.一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法,其特征在于:包括以下步骤:
步骤一:采集实验组和正常对照组的静息态头皮EEG信号,共S个被试,每个被试共有m个电极信号被采集;
步骤二:对采集的脑电信号数据进行预处理操作,包括:电极定位、重参考、基线去除、下采样、带通滤波、ICA分解以及伪迹去除;对预处理之后的信号划分为B个频带,并对每个频带的信号分成多个时间片段,第s个被试共有Ks个时间片段;
步骤三:计算每个被试、每个频带、相同时间片段之内的,任意i、j两通道电极信号之间的三个特征,即相位延迟指数,加权相位延迟指数,以及相位锁值,其中,一个被试在第t个时间片段,i、j两通道电极信号之间的相位延迟指数为PLItij、加权相位延迟指数为WPLItij以及相位锁值为PLVtij,t=1、2、…、Ks;
每个被试的每个频带对应Ks个相位延迟指数功能连接矩阵,Ks个加权相位延迟指数功能连接矩阵,以及Ks个相位锁值功能连接矩阵;
分别对得到的三种功能连接矩阵R1,R2,R3可视化;
步骤四:将三种功能连接矩阵R1,R2,R3进行融合,得到融合后特征PLV_PLI_WPLI={R3,R1,R2};
步骤五:将融合后特征形成的矩阵送入分类器,得到最终的分类结果,以进行模型的验证。
2.根据权利要求1所述的一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法,其特征在于:步骤二所述的频带划分具体分为δ(0.5-4Hz)、θ(4-8Hz)、α(8-13Hz)和β(14-30Hz)四个频带;所述的时间片段为2s。
5.根据权利要求1所述的一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法,其特征在于:步骤三所述的加权相位延迟指数具体计算过程如下:
步骤一:选定一个被试的一个频带的同一片段的任意两个电极的离散实值信号d1(n)和d2(n),对d1(n)和d2(n)进行希尔伯特变换,分别得到复数ψ1(n)和ψ2(n);
步骤二:求解ψ1(n)和ψ2(n)的交叉谱,表示为P(n)+Q(n),其中,P(n)表示实部,Q(n)为虚部;
步骤三:利用虚部Q(n)计算该被试的,一个频带内,同一时间片段的任意两个电极i、j的加权相位延迟指数WPLIij。
6.根据权利要求1所述的一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法,其特征在于:对三种功能连接矩阵进行可视化展示,用于直观展示抑郁症、双相障碍和健康三种情况的脑网络连接状态,具体如下:
(1)设定阈值,将三种功能连接矩阵中小于阈值的元素置为0,大于阈值的元素置为1;
(2)使用Brain Net Viewer可视化大脑的连接状态。
7.根据权利要求1所述的一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法,其特征在于:融合后特征为PLV_PLI、PLV_WPLI,其中,PLV_PLI={R3,R1},PLV_WPLI={R3,R2}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633891.6A CN113017627B (zh) | 2020-12-31 | 2020-12-31 | 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633891.6A CN113017627B (zh) | 2020-12-31 | 2020-12-31 | 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113017627A CN113017627A (zh) | 2021-06-25 |
CN113017627B true CN113017627B (zh) | 2023-03-31 |
Family
ID=76459126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011633891.6A Active CN113017627B (zh) | 2020-12-31 | 2020-12-31 | 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113017627B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113974650B (zh) * | 2021-06-29 | 2024-06-14 | 华南师范大学 | 一种脑电网络功能分析方法、装置,电子设备及存储介质 |
CN113925517B (zh) * | 2021-09-22 | 2022-08-26 | 北京脑陆科技有限公司 | 基于脑电信号的认知障碍识别方法、装置及介质 |
CN114246587A (zh) * | 2021-12-22 | 2022-03-29 | 成都市第四人民医院 | 一种抑郁症研究检测方法 |
CN115317000A (zh) * | 2022-08-31 | 2022-11-11 | 燕山大学 | 一种基于同频和跨频信息交互的多层脑网络模型构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110013250A (zh) * | 2019-04-30 | 2019-07-16 | 中南大学湘雅二医院 | 一种抑郁症自杀行为的多模式特征信息融合预测方法 |
CN110338785A (zh) * | 2019-06-11 | 2019-10-18 | 太原理工大学 | 基于脑电信号的动态脑网络节点一致性行为分析方法 |
CN110693493A (zh) * | 2019-10-12 | 2020-01-17 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法 |
CN110859614A (zh) * | 2019-11-22 | 2020-03-06 | 东南大学 | 基于加权相位滞后指数的数学天分青少年脑网络分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11000224B2 (en) * | 2017-09-05 | 2021-05-11 | Korea University Research And Business Foundation | Method and apparatus of monitoring anaesthesia and consciousness depth through brain network analysis |
-
2020
- 2020-12-31 CN CN202011633891.6A patent/CN113017627B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110013250A (zh) * | 2019-04-30 | 2019-07-16 | 中南大学湘雅二医院 | 一种抑郁症自杀行为的多模式特征信息融合预测方法 |
CN110338785A (zh) * | 2019-06-11 | 2019-10-18 | 太原理工大学 | 基于脑电信号的动态脑网络节点一致性行为分析方法 |
CN110693493A (zh) * | 2019-10-12 | 2020-01-17 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法 |
CN110859614A (zh) * | 2019-11-22 | 2020-03-06 | 东南大学 | 基于加权相位滞后指数的数学天分青少年脑网络分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113017627A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113017627B (zh) | 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 | |
Ahmed et al. | Single volume image generator and deep learning-based ASD classification | |
CN111772585B (zh) | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN103917159A (zh) | 用于估算脑震荡的方法和系统 | |
Deng et al. | Complexity extraction of electroencephalograms in Alzheimer's disease with weighted-permutation entropy | |
Khare et al. | SchizoNET: a robust and accurate Margenau–Hill time-frequency distribution based deep neural network model for schizophrenia detection using EEG signals | |
Acar et al. | ACMTF for fusion of multi-modal neuroimaging data and identification of biomarkers | |
Prasanth et al. | Deep learning for interictal epileptiform spike detection from scalp EEG frequency sub bands | |
CN104510468A (zh) | 一种脑电信号的特征提取方法及装置 | |
Gligorijević et al. | A new and fast approach towards sEMG decomposition | |
Liu et al. | A data driven approach for resting-state EEG signal classification of schizophrenia with control participants using random matrix theory | |
Dimitriadis et al. | Surface EEG shows that functional segregation via phase coupling contributes to the neural substrate of mental calculations | |
Zandbagleh et al. | Classification of low and high schizotypy levels via evaluation of brain connectivity | |
Xiong et al. | Seizure detection algorithm based on fusion of spatio-temporal network constructed with dispersion index | |
CN108338787A (zh) | 一种多时段多元多尺度锁相值的相位特征提取方法 | |
CN113349795B (zh) | 基于稀疏低秩张量分解的抑郁症脑电分析方法 | |
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 | |
Mohi-ud-Din et al. | Detection of Autism Spectrum Disorder from EEG signals using pre-trained deep convolution neural networks | |
CN117426778A (zh) | 基于通道差异的情绪异常脑电表征方法、系统及存储介质 | |
CN107625521A (zh) | 基于脑电数据的用于评估记忆动态变化的多层建模方法 | |
CN108814593B (zh) | 一种基于复杂网络的脑电信号特征提取方法 | |
CN116027888A (zh) | 一种基于plv动态脑功能网络的p300意图识别方法 | |
Xu et al. | Order statistics concordance coefficient with applications to multichannel biosignal analysis | |
Cometa et al. | Stimulus evoked causality estimation in stereo-EEG |
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 |