CN113017646A - 一种基于统计的脑电节律占比分布区间计算方法 - Google Patents

一种基于统计的脑电节律占比分布区间计算方法 Download PDF

Info

Publication number
CN113017646A
CN113017646A CN202110220877.1A CN202110220877A CN113017646A CN 113017646 A CN113017646 A CN 113017646A CN 202110220877 A CN202110220877 A CN 202110220877A CN 113017646 A CN113017646 A CN 113017646A
Authority
CN
China
Prior art keywords
rhythm
brain
ratio
calculating
less
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
Application number
CN202110220877.1A
Other languages
English (en)
Other versions
CN113017646B (zh
Inventor
冯春雨
王怀瑞
黎彤亮
马芹颖
王铭维
李冰
史慧敏
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.)
FIRST HOSPITAL OF HEBEI MEDICAL UNIVERSITY
Institute Of Applied Mathematics Hebei Academy Of Sciences
Original Assignee
Institute Of Applied Mathematics Hebei Academy Of Sciences
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 Institute Of Applied Mathematics Hebei Academy Of Sciences filed Critical Institute Of Applied Mathematics Hebei Academy Of Sciences
Priority to CN202110220877.1A priority Critical patent/CN113017646B/zh
Publication of CN113017646A publication Critical patent/CN113017646A/zh
Application granted granted Critical
Publication of CN113017646B publication Critical patent/CN113017646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Power Engineering (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统计的脑电节律占比分布区间计算方法，计算所述脑电节律占比分布区间的具体步骤如下：S1：数据滤波；S2：数据分段；S3：计算通道节律能量占比；S4：计算脑区节律能量占比；S5：计算脑区节律占比分布区间；S6：生成脑区节律占比分布区间报告。通过对多段脑电数据上的节律占比值进行统计分析，剔除频度较小的边缘数据，从而得到节律占比的集中分布区间。此方法不仅能够体现节律占比的均值信息，而且也能反映其分布特性。此外，由于边缘的节律占比值与脑电伪迹具有较大的相关性，使用该方法得到的节律占比信息能够一定程度上去除伪迹干扰。

Description

一种基于统计的脑电节律占比分布区间计算方法
技术领域
本发明涉及脑电图技术领域，具体为一种基于统计的脑电节律占比分布区间计算方法。
背景技术
脑电图是从颅外头皮或颅内记录到的局部神经元电活动的总和。脑电活动呈现一定的节律性，因此，脑电节律是用于分析脑电的特征之一。节律能量占比是脑电节律的量化形式，是神经系统疾病诊断及脑功能认知评判的重要指标，一般是在频谱的基础上计算得到。目前使用的节律占比多为占比均值，即先求出多段脑电上节律占比再求平均。节律占比均值是对脑电总体特性的度量，但不可避免的丢失了一些细节信息。
基于此，本发明设计了一种基于统计的脑电节律占比分布区间计算方法，该方法不仅能够体现节律占比的均值信息，而且也能反映其分布特性，并在一定程度上去除伪迹干扰。
发明内容
本发明的目的在于提供一种基于统计的脑电节律占比分布区间计算方法，以解决上述提到的问题。
为实现上述目的，本发明提供如下技术方案：一种基于统计的脑电节律占比分布区间计算方法，计算所述脑电节律占比分布区间的具体步骤如下：
S1：数据滤波，根据考虑的频域范围确定频域最小值Fmin和频域最大值Fmax，利用数字滤波器对原始脑电进行带通滤波；
S2：数据分段，将滤波后的脑电数据分为若干个等长度的小段，每段数据的时间长度不小于2/Fmin，最后不足一段的部分舍弃，小段的数量记作M；
S3：计算通道节律能量占比，计算每个小段数据上每个通道的各节律能量占比，脑电通道数记作N，若仅关注theta、alpha和beta三个节律的能量占比，则每个小段得到一个N*3的二维数组，M段数据的节律占比组成M个N*3的二维数组；
S4：计算脑区节律能量占比，将脑区所含通道的节律能量占比加权平均得到脑区节律能量占比，脑区数记作L，则得到M个L*3的二维数组；
S5：计算脑区节律占比分布区间，分别计算每个脑区，每个节律的占比区间组成总的节律占比分布区间；
S6：生成脑区节律占比分布区间报告。
优选的，在S1中，若频域范围包含50/60Hz工频干扰，利用陷波滤波器去除工频干扰。
优选的，在S2中，小段的数量M小于60，则认为数据太短，退出处理。
优选的，所述S5具体包括以下步骤：
S5.1：取所有小段上第一个脑区第一个节律的值，组成一个含有M个元素的一维数组，记作aP；
S5.2：找出aP中的最大和最小值，分别记作Pmax和Pmin，将区间[Pmin Pmax]等分为D个小区间，将M/D向下取整记作Nd；
S5.3：统计第i个小区间中含有aP元素的个数记作ni，所有ni(1≤i≤D)组成的一维数组记作nD；
S5.4：在nD中从前向后查找第一个不小于Nd的元素，记作j，即nj≥Nd，若满足条件j+2≤D且nj+1和nj+2的均值不小于Nd,则第j个小区间的中值就作为主要分布区间的最小值，否则继续从nj+1开始向后查找，若没有找到满足所述条件的nj,则把Pmin作为主要分布区间的最小值；
S5.5：在nD中从后向前查找第一个不小于Nd的元素，记作k，即nk≥Nd，若满足条件k-2≥1且nk-1和nk-2的均值不小于Nd,则第k个小区间的中值就作为主要分布区间的最大值，否则继续从nk-1开始向前查找，若没有找到满足所述条件的nk,则把Pmax作为主要分布区间的最大值；
S5.6：按照子S5.1-S5.5的方式计算所有脑区所有节律的占比分布区间，得到L个2行3列的数组，第一行为区间最小值，第二行为区间最大值，列为不同的节律。
优选的，在所述S5.2中，D为自定义参数，其取值不小于20，且M/D不小于3。
与现有技术相比，本发明的有益效果是：由于不同的时刻大脑状态存在变化，使得相应的脑电节律占比产生不同。现有的脑电节律计算方式采用多段脑电上节律占比求平均得到的占比均值描述节律，不可避免的丢失大量的细节信息。本发明提出的基于统计的脑电节律占比分布区间计算方法对多段脑电数据上的节律占比值进行统计分析，剔除频度较小的边缘数据，从而得到节律占比的集中分布区间。由于多段脑电数据上的节律占比值趋于正态分布，根据此方法计算得到的集中分布区间的中间值与均值接近。因此，此方法不仅能够体现节律占比的均值信息，而且也能反映其分布特性。此外，由于边缘的节律占比值与脑电伪迹具有较大的相关性，使用该方法得到的节律占比信息能够一定程度上去除伪迹干扰。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法流程图；
图2为本发明实施例数据滤波前的前20秒脑电数据示意图；
图3为本发明实施例数据滤波后的前20秒脑电数据示意图；
图4为本发明实施例数据分段的前8小段的脑电数据示意图；
图5为本发明脑区节律占比分布区间报告示意图。
具体实施方式
下面将结合本发明实施例中的附图，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明提供一种技术方案：一种基于统计的脑电节律占比分布区间计算方法，计算所述脑电节律占比分布区间的具体步骤如下：
S1：数据滤波，根据考虑的频域范围确定频域最小值Fmin和频域最大值Fmax，具体来说：如关注静息态脑电节律信息时，频带一般选取1-40Hz，即Fmin＝1Hz，Fmax＝40Hz，利用数字滤波器(FIR或IIR)对原始脑电进行带通滤波。如果频域范围包含50/60Hz工频干扰，利用陷波滤波器去除工频干扰；
S2：数据分段，将滤波后的脑电数据分为若干个等长度的小段，每段数据的时间长度不小于2/Fmin(如时间长度可取值2.5/Fmin或3/Fmin)，最后不足一段的部分舍弃，小段的数量记作M，如果M<60，则认为数据太短，退出处理；
S3：计算通道节律能量占比，计算每个小段数据上每个通道的各节律能量占比，脑电通道数记作N，若仅关注theta、alpha和beta三个节律的能量占比，则每个小段得到一个N*3的二维数组，M段数据的节律占比组成M个N*3的二维数组；
S4：计算脑区节律能量占比，不同设备脑电通道数可能不同，为了便于不同设备采集的脑电数据间的比较，需将通道节律转换成脑区节律。即将脑区所含通道的节律能量占比加权平均得到脑区节律能量占比，如脑区数为L，则得到M个L*3的二维数组。
S5：计算脑区节律占比分布区间，分别计算每个脑区，每个节律的占比区间组成总的节律占比分布区间；
具体包括以下步骤：
S5.1：取所有小段上第一个脑区第一个节律(如theta节律)的值，组成一个含有M个元素的一维数组，记作aP；
S5.2：找出aP中的最大和最小值，分别记作Pmax和Pmin，将区间[Pmin Pmax]等分为D个小区间，(D为自定义参数，其取值不小于20，且M/D不小于3)将M/D向下取整记作Nd；
S5.3：统计第i(1≤i≤D)个小区间中含有aP元素的个数记作ni，所有ni(1≤i≤D)组成的一维数组记作nD。
S5.4：在nD中从前向后查找第一个不小于Nd的元素，记作j，即nj≥Nd，若满足条件j+2≤D且nj+1和nj+2的均值不小于Nd,则第j个小区间的中值就作为主要分布区间的最小值，否则继续从nj+1开始向后查找，若没有找到满足所述条件的nj,则把Pmin作为主要分布区间的最小值；
S5.5：在nD中从后向前查找第一个不小于Nd的元素，记作k，即nk≥Nd，若满足条件k-2≥1且nk-1和nk-2的均值不小于Nd,则第k个小区间的中值就作为主要分布区间的最大值，否则继续从nk-1开始向前查找，若没有找到满足所述条件的nk,则把Pmax作为主要分布区间的最大值；
S5.6：按照子S5.1-S5.5的方式计算所有脑区所有节律的占比分布区间，得到L个2行3列的数组，第一行为区间最小值，第二行为区间最大值，列为不同的节律。
S6：生成脑区节律占比分布区间报告。
实施例
本例中使用的脑电数据由Bemicro便携式动态脑电设备采集，采样率128Hz，采样时间1209秒，共有16个脑电通道(N＝16)，采用双侧耳电极作为参考电极。
具体实施步骤：
1、利用eeglab导入原始脑电数据，如图2显示的是前20秒的脑电数据。
2、用eeglab对原始脑电进行1-40Hz的FIR滤波(Fmin＝1,Fmax＝40),并手工剔除波幅异常的数据后得到长度为1078秒的‘干净’数据，如图3显示的是前20秒的脑电数据。
3、将处理后的脑电数据以2.5秒为长度进行划分(时间长度取2.5秒)，最后不足2.5秒的部分舍弃，得到431个小段(M＝431)，如图4显示的是前8小段的脑电数据。
4、计算分段数据上通道的theta、alpha和beta三个节律的能量占比，得到431个16*3的二维数组，如下表1，
表1
Figure BDA0002954851420000061
5、计算全脑、前额、左额、右额、中区、顶叶、枕叶、左颞、右颞、左脑以及右脑等11个脑区的分段节律能量占比(L＝11)。本例中采用将脑区所含通道的节律能量占比按照等权值求平均的方式得到脑区节律能量占比，如全脑是将16个通道的相应节律求平均，枕叶是将O1和O2两个通道的相应节律求平均。计算后得到431个11*3的二维数组，如下表2，
表2
Figure BDA0002954851420000062
Figure BDA0002954851420000071
6、分别计算每个脑区，每个节律的占比区间。如计算全脑theta节律占比分布区间，首先从上一步计算得到的431个11*3的二维数组中取出每个二维数组的第一行第一列元素，得到一个含有431个元素的数组，记作aP，如下表3
表3
Figure BDA0002954851420000072
Figure BDA0002954851420000081
7、数组aP中的最小值和最大值分别为0.0672和0.4950，将[0.06720.4950]等分成29(D＝29)个小区间，统计aP中元素落入第i(1≤i≤29)个小区间的个数ni，得到一个含有29个元素的数组，记作nD，如下表4
表4
n<sub>1</sub>-n<sub>10</sub> 2 0 5 14 16 31 28 36 43 29
n<sub>11</sub>-n<sub>20</sub> 32 41 26 25 20 20 16 14 11 4
n<sub>21</sub>-n<sub>29</sub> 2 4 2 6 0 2 1 0 1
8、在nD中从前向后查找第一个不小于14(Nd＝14)的元素nj，第一个符合条件的元素为n4，而且n5和n6的均值同样不小于14，因此取第4个小区间的中值0.1131作为全脑theta节律占比分布区间的最小值。
9、在nD中从后向前查找第一个不小于14的元素nk，第一个符合条件的元素为n18，而且n17和n16的均值同样不小于14，因此取第18个小区间的中值0.3270作为全脑theta节律占比分布区间的最大值。
10、按照步骤6-步骤9的方式计算所有脑区所有节律的占比区间，得到11个2行3列的数组，如下表5。
表5
Figure BDA0002954851420000082
11、利用excel直方图绘出区间信息，生成可视化报告，如图5所示。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.一种基于统计的脑电节律占比分布区间计算方法，其特征在于：计算所述脑电节律占比分布区间的具体步骤如下：
S1：数据滤波，根据考虑的频域范围确定频域最小值Fmin和频域最大值Fmax，利用数字滤波器对原始脑电进行带通滤波；
S2：数据分段，将滤波后的脑电数据分为若干个等长度的小段，每段数据的时间长度不小于2/Fmin，最后不足一段的部分舍弃，小段的数量记作M；
S3：计算通道节律能量占比，计算每个小段数据上每个通道的各节律能量占比，脑电通道数记作N，若仅关注theta、alpha和beta三个节律的能量占比，则每个小段得到一个N*3的二维数组，M段数据的节律占比组成M个N*3的二维数组；
S4：计算脑区节律能量占比，将脑区所含通道的节律能量占比加权平均得到脑区节律能量占比，脑区数记作L，则得到M个L*3的二维数组；
S5：计算脑区节律占比分布区间，分别计算每个脑区，每个节律的占比区间组成总的节律占比分布区间；
S6：生成脑区节律占比分布区间报告。
2.根据权利要求1所述的一种基于统计的脑电节律占比分布区间计算方法，其特征在于：在S1中，若频域范围包含50/60Hz工频干扰，利用陷波滤波器去除工频干扰。
3.根据权利要求1所述的一种基于统计的脑电节律占比分布区间计算方法，其特征在于：在S2中，小段的数量M小于60，则认为数据太短，退出处理。
4.根据权利要求1所述的一种基于统计的脑电节律占比分布区间计算方法，其特征在于：所述S5具体包括以下步骤：
S5.1：取所有小段上第一个脑区第一个节律的值，组成一个含有M个元素的一维数组，记作aP；
S5.2：找出aP中的最大和最小值，分别记作Pmax和Pmin，将区间[Pmin Pmax]等分为D个小区间，将M/D向下取整记作Nd；
S5.3：统计第i个小区间中含有aP元素的个数记作ni，所有ni(1≤i≤D)组成的一维数组记作nD；
S5.4：在nD中从前向后查找第一个不小于Nd的元素，记作j，即nj≥Nd，若满足条件j+2≤D且nj+1和nj+2的均值不小于Nd,则第j个小区间的中值就作为主要分布区间的最小值，否则继续从nj+1开始向后查找，若没有找到满足所述条件的nj,则把Pmin作为主要分布区间的最小值；
S5.5：在nD中从后向前查找第一个不小于Nd的元素，记作k，即nk≥Nd，若满足条件k-2≥1且nk-1和nk-2的均值不小于Nd,则第k个小区间的中值就作为主要分布区间的最大值，否则继续从nk-1开始向前查找，若没有找到满足所述条件的nk,则把Pmax作为主要分布区间的最大值；
S5.6：按照子S5.1-S5.5的方式计算所有脑区所有节律的占比分布区间，得到L个2行3列的数组，第一行为区间最小值，第二行为区间最大值，列为不同的节律。
5.根据权利要求4所述的一种基于统计的脑电节律占比分布区间计算方法，其特征在于：在所述S5.2中，D为自定义参数，其取值不小于20，且M/D不小于3。
CN202110220877.1A 2021-02-26 2021-02-26 一种基于统计的脑电节律占比分布区间计算方法 Active CN113017646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110220877.1A CN113017646B (zh) 2021-02-26 2021-02-26 一种基于统计的脑电节律占比分布区间计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110220877.1A CN113017646B (zh) 2021-02-26 2021-02-26 一种基于统计的脑电节律占比分布区间计算方法

Publications (2)

Publication Number Publication Date
CN113017646A true CN113017646A (zh) 2021-06-25
CN113017646B CN113017646B (zh) 2023-03-24

Family

ID=76462234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110220877.1A Active CN113017646B (zh) 2021-02-26 2021-02-26 一种基于统计的脑电节律占比分布区间计算方法

Country Status (1)

Country Link
CN (1) CN113017646B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102319067A (zh) * 2011-05-10 2012-01-18 北京师范大学 用于大脑记忆功能改善的基于脑电信号的神经反馈训练仪
JP2014087543A (ja) * 2012-10-31 2014-05-15 Jvc Kenwood Corp 心音情報処理装置、心音情報処理方法および心音情報処理プログラム
CN104510468A (zh) * 2014-12-30 2015-04-15 中国科学院深圳先进技术研究院 一种脑电信号的特征提取方法及装置
CN106963371A (zh) * 2017-03-29 2017-07-21 天津大学 基于神经振荡活动检测大鼠学习记忆和认知功能的方法
CN107320115A (zh) * 2017-07-04 2017-11-07 重庆大学 一种自适应的精神疲劳评估装置及方法
CN107536616A (zh) * 2017-08-17 2018-01-05 深圳先进技术研究院 焦虑状态的确定方法、装置、设备以及存储介质
CN108836319A (zh) * 2018-03-08 2018-11-20 义乌市杰联电子科技有限公司 一种融合个体化脑节律比和前额肌电能量的神经反馈系统
CN110502101A (zh) * 2019-05-29 2019-11-26 中国人民解放军军事科学院军事医学研究院 基于脑电信号采集的虚拟现实交互方法及装置
CN112232207A (zh) * 2020-10-16 2021-01-15 江苏田域科技有限公司 脑力评估系统、脑数据云应用系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102319067A (zh) * 2011-05-10 2012-01-18 北京师范大学 用于大脑记忆功能改善的基于脑电信号的神经反馈训练仪
JP2014087543A (ja) * 2012-10-31 2014-05-15 Jvc Kenwood Corp 心音情報処理装置、心音情報処理方法および心音情報処理プログラム
CN104510468A (zh) * 2014-12-30 2015-04-15 中国科学院深圳先进技术研究院 一种脑电信号的特征提取方法及装置
CN106963371A (zh) * 2017-03-29 2017-07-21 天津大学 基于神经振荡活动检测大鼠学习记忆和认知功能的方法
CN107320115A (zh) * 2017-07-04 2017-11-07 重庆大学 一种自适应的精神疲劳评估装置及方法
CN107536616A (zh) * 2017-08-17 2018-01-05 深圳先进技术研究院 焦虑状态的确定方法、装置、设备以及存储介质
CN108836319A (zh) * 2018-03-08 2018-11-20 义乌市杰联电子科技有限公司 一种融合个体化脑节律比和前额肌电能量的神经反馈系统
CN110502101A (zh) * 2019-05-29 2019-11-26 中国人民解放军军事科学院军事医学研究院 基于脑电信号采集的虚拟现实交互方法及装置
CN112232207A (zh) * 2020-10-16 2021-01-15 江苏田域科技有限公司 脑力评估系统、脑数据云应用系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张德乾: "改变音乐节拍对脑电功率谱变异的影响及其心理意义", 《绵阳师范学院学报》 *

Also Published As

Publication number Publication date
CN113017646B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
Chen et al. A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG
CN112515685B (zh) 基于时频共融的多通道脑电信号通道选择方法
US20070225932A1 (en) Methods, systems and computer program products for extracting paroxysmal events from signal data using multitaper blind signal source separation analysis
CN108309290A (zh) 单通道脑电信号中肌电伪迹的自动去除方法
Mirzaei et al. EEG analysis based on wavelet-spectral entropy for epileptic seizures detection
Chowdhury et al. Seizure and non-seizure EEG signals detection using 1-D convolutional neural network architecture of deep learning algorithm
US20220265218A1 (en) Real-time evaluation method and evaluation system for group emotion homogeneity
CN113080998B (zh) 一种基于脑电的专注状态等级评定方法和系统
CN106264521A (zh) 多通道脑电信号中下颌干扰的自动去除方法
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
Liu et al. An efficient and robust muscle artifact removal method for few-channel EEG
CN112426162A (zh) 一种基于脑电信号节律熵的疲劳检测方法
CN113017646B (zh) 一种基于统计的脑电节律占比分布区间计算方法
CN113331845A (zh) 基于持续同调的脑电信号特征提取与准确度判别的方法
Al-Qazzaz et al. Correlation indices of electroencephalogram-based relative powers during human emotion processing
CN113974653B (zh) 基于约登指数优化棘波检测方法和装置、存储介质和终端
CN110403602B (zh) 用于脑电信号情感分析的改进公共空间模式特征提取方法
CN111832452A (zh) 基于脑电的特殊手势指令的特征优化与识别方法
CN114699078A (zh) 一种基于少量通道eeg信号的情绪识别方法及系统
Bertoni et al. Low-power EEG monitor based on compressed sensing with compressed domain noise rejection
Noorbasha et al. Joint singular spectrum analysis and generalized Moreau envelope total variation for motion artifact removal from single channel EEG signals
CN112244880A (zh) 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法
CN116392145A (zh) 一种单通道脑电信号中眨眼伪影的去除方法
James et al. Single channel analysis of electromagnetic brain signals through ICA in a dynamical systems framework
CN114305456A (zh) 一种基于稳态视觉诱发电位脑电信号的通道选择方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220104

Address after: 050000 No.46 Youyi South Street, Shijiazhuang City, Hebei Province

Applicant after: INSTITUTE OF APPLIED MATHEMATICS HEBEI ACADEMY OF SCIENCES

Applicant after: The first hospital of Hebei Medical University

Address before: 050081 Building 1, 46 Youyi South Street, Shijiazhuang City, Hebei Province

Applicant before: INSTITUTE OF APPLIED MATHEMATICS HEBEI ACADEMY OF SCIENCES

GR01 Patent grant
GR01 Patent grant