CN113058159B - 用于经颅电刺激的电极佩戴情况检测方法和装置 - Google Patents
用于经颅电刺激的电极佩戴情况检测方法和装置 Download PDFInfo
- Publication number
- CN113058159B CN113058159B CN202110618004.6A CN202110618004A CN113058159B CN 113058159 B CN113058159 B CN 113058159B CN 202110618004 A CN202110618004 A CN 202110618004A CN 113058159 B CN113058159 B CN 113058159B
- Authority
- CN
- China
- Prior art keywords
- current
- impedance
- electrode
- curve
- wearing condition
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36014—External stimulators, e.g. with patch electrodes
- A61N1/36025—External stimulators, e.g. with patch electrodes for treating a mental or cerebral condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/02—Details
- A61N1/04—Electrodes
- A61N1/0404—Electrodes for external use
- A61N1/0408—Use-related aspects
- A61N1/0456—Specially adapted for transcutaneous electrical nerve stimulation [TENS]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/02—Details
- A61N1/04—Electrodes
- A61N1/0404—Electrodes for external use
- A61N1/0472—Structure-related aspects
- A61N1/0484—Garment electrodes worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36014—External stimulators, e.g. with patch electrodes
- A61N1/3603—Control systems
- A61N1/36031—Control systems using physiological parameters for adjustment
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Physiology (AREA)
- Electrotherapy Devices (AREA)
Abstract
本申请涉及一种用于经颅电刺激的电极佩戴情况检测方法和装置,其中,该用于经颅电刺激的电极佩戴情况检测方法包括:获取电极在预设时间内的输入电压、输入电流以及压力信息,并基于所述输入电压以及输入电流获取待检测对象的实时阻抗,所述压力信息包括电极与人体之间的压力分布情况;基于所述输入电流以及实时阻抗获取预设时间内的电流曲线以及阻抗曲线;将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况。通过本申请,利用经训练的神经网络模型,以预设时间内的电流曲线、阻抗曲线以及压力信息作为输入,对电极佩戴情况进行检测,普适性更强,准确度更高。
Description
技术领域
本申请涉及深度学习技术领域,特别是涉及一种用于经颅电刺激的电极佩戴情况检测方法和装置。
背景技术
经颅电刺激(transcranial electrical stimulation,tES)是一种神经调控技术,通过将电流输入大脑,以增强或抑制大脑皮层的活动,恢复患者大脑中神经网络的平衡,从而改善神经系统疾病引起的脑功能障碍。经颅电刺激主要包括以下方法:经颅直流电刺激(transcranial direct current stimulation,tDCS)、经颅交流电刺激(transcranial alternating current stimulation,tACS)、经颅脉冲电流刺激(transcranial pulsed current stimulation,tPCS)、经颅随机噪声刺激(transcranialrandom noise stimulation,tRNS)和颅电疗法刺激(cranialelectrotherapystimulation,CES)。
在进行经颅电刺激时,需要在刺激对象头部佩戴电极,若电极佩戴的佩戴位置不准确,则会导致电刺激效果不佳。传统的检测方式大多是用实时检测的电流或电压值与一个固定的阈值进行比较,若电压大于阈值或电流小于阈值,则判定为佩戴完成。
但由于每个人的头颅结构不同,不同人在同一电刺激装置下的接触阻抗也不同,同一个人在电刺激过程中,其皮肤阻抗随电流强度、电流密度、刺激持续时间而变化,因此利用同一个固定阈值来判定佩戴情况是不准确的,判断准确度低。
针对相关技术中存在利用同一个固定阈值来判定电极佩戴情况的判断准确度低的问题,目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种用于经颅电刺激的电极佩戴情况检测方法和装置,以解决相关技术中利用同一个固定阈值来判定电极佩戴情况的判断准确度低的问题。
第一个方面,在本实施例中提供了一种用于经颅电刺激的电极佩戴情况检测方法,包括:
获取电极在预设时间内的输入电压、输入电流以及压力信息,并基于所述输入电压以及输入电流获取待检测对象的实时阻抗,所述压力信息包括电极与人体之间的压力分布情况;
基于所述输入电流以及实时阻抗获取预设时间内的电流曲线以及阻抗曲线;
将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况。
在其中的一些实施例中,所述将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况之前还包括:
获取预设时间内的训练电流、训练阻抗、训练压力信息以及对应的训练佩戴情况;
基于所述训练电流以及训练阻抗获取训练电流曲线以及训练阻抗曲线;
基于所述训练电流曲线、训练阻抗曲线、训练压力信息以及对应的训练佩戴情况建立训练集;
基于所述训练集训练初始神经网络模型,得到经训练的神经网络模型。
在其中的一些实施例中,所述将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况包括:
将所述电流曲线以及阻抗曲线分别输入LSTM层,得到第一特征;
将所述压力信息输入多层感知器,得到第二特征;
将所述第一特征以及第二特征输入全连接层,得到当前的电极佩戴情况。
在其中的一些实施例中,所述将所述电流曲线以及阻抗曲线分别输入LSTM网络,得到第一特征包括:
将所述电流曲线以及阻抗曲线输入一维卷积层,得到电流特征以及阻抗特征;
将所述电流特征以及阻抗特征输入LSTM层,得到所述第一特征。
在其中的一些实施例中,所述将所述电流曲线以及阻抗曲线分别输入一维卷积层,得到电流特征以及阻抗特征之后还包括:
将所述电流特征以及阻抗特征输入池化层,得到压缩后的所述电流特征以及阻抗特征。
在其中的一些实施例中,所述将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况之后还包括:
基于所述电极佩戴情况向所述待检测对象进行反馈。
在其中的一些实施例中,所述电极佩戴情况包括佩戴标准、佩戴偏差以及佩戴不标准,所述基于所述电极佩戴情况向所述待检测对象进行反馈包括:
若所述佩戴情况为佩戴标准,则发送确认就位提示;
若所述佩戴情况为佩戴偏差,则发送调整提示;
若所述佩戴情况为佩戴不标准,则发送报警信号。
第二个方面,在本实施例中提供了一种用于经颅电刺激的电极佩戴情况检测装置,包括:
第一获取模块,用于获取电极在预设时间内的输入电压、输入电流以及压力信息,并基于所述输入电压以及输入电流获取待检测对象的实时阻抗,所述压力信息包括电极与人体之间的压力分布情况;
第二获取模块,用于基于所述输入电流以及实时阻抗获取预设时间内的电流曲线以及阻抗曲线;
检测模块,用于将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况。
第三个方面,在本实施例中提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的用于经颅电刺激的电极佩戴情况检测方法。
第四个方面,在本实施例中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的用于经颅电刺激的电极佩戴情况检测方法。
与相关技术相比,在本实施例中提供的用于经颅电刺激的电极佩戴情况检测方法和装置,通过获取电极在预设时间内的输入电压、输入电流以及压力信息,并基于所述输入电压以及输入电流获取待检测对象的实时阻抗;基于所述输入电流以及实时阻抗获取预设时间内的电流曲线以及阻抗曲线;将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况的方式,通过利用经训练的神经网络模型,以预设时间内的电流曲线、阻抗曲线以及压力信息作为输入,对电极佩戴情况进行检测,普适性更强,准确度更高。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的终端的硬件结构框图;
图2是本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的应用环境图;
图3是本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的电极的示意图;
图4是本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的经颅电刺激过程中输入电流的变化曲线图;
图5是本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的经颅电刺激过程中人体阻抗的变化曲线图;
图6是本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的流程示意图;
图7是本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的神经网络内部示意图;
图8是本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的电流曲线、阻抗曲线和佩戴情况对照图;
图9是本发明一实施例的用于经颅电刺激的电极佩戴情况检测装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行,图1是本实施例的用于经颅电刺激的电极佩戴情况检测方法的终端的硬件结构框图。如图1所示,终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104,其中,处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限制。例如,终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如在本实施例中的用于经颅电刺激的电极佩戴情况检测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
请参阅图2,图2为本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的应用环境图。示例性地,经颅电刺激装置包括刺激模块和两个刺激电极,经颅电刺激装置工作时,两个刺激电极(阴阳极)设置在用户头部两侧,与头部接触,并持续输出刺激电信号。电刺激过程中,通过检测设备可以实时检测刺激电极对人体的输入电流强度I,以及两个刺激电极之间的输入电压U,由此计算阻抗(包括电极与皮肤接触的输入阻抗和人体内部阻抗)R=U/I。
请参阅图3,图3为本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的电极的示意图。示例性地,电极上设置有压力传感器,可以检测电极与人体之间的压力情况。可以理解的,可以设置一个压力传感器,检测特定位置的压力,也可以设置多个压力传感器,检测多个位置的压力,得到压力分布情况。在本实施例中,在两个电极上设置总计8个压力传感器,检测8个位置的压力值分别为F1(t)~F8(t)。由于每个人的头型不同,在佩戴良好的情况下,各个传感器上的压力分布可能在一定范围内有所区别,而在佩戴出现问题时,压力分布可能会出现变化。
请参阅图4及图5,图4为本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的经颅电刺激过程中输入电流的变化曲线图,图5为本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的经颅电刺激过程中人体阻抗的变化曲线图。可以看出,在使用经颅电刺激装置对头部进行刺激时,输入电流先上升,达到预设值时不再上升并保持恒定,电流曲线为I(t),预设值根据刺激目的不同进行设置;在此期间实时测量并计算阻抗,阻抗随时间t和电流I变化,呈现下降趋势,阻抗曲线为R(t)。对于不同人,阻抗曲线不同。可以得出,同一个人在电刺激过程中,其皮肤阻抗随电流强度、电流密度、刺激持续时间而变化,因此在刺激过程中的不同时刻利用同一个固定阈值来判定佩戴情况是不可靠的。
在本实施例中提供了一种用于经颅电刺激的电极佩戴情况检测方法,适用于经颅电刺激装置,图6是本实施例的用于经颅电刺激的电极佩戴情况检测方法的流程图,如图6所示,该流程包括如下步骤:
步骤S601,获取电极在预设时间内的输入电压、输入电流以及压力信息,并基于输入电压以及输入电流获取待检测对象的实时阻抗,压力信息包括电极与人体之间的压力分布情况。
示例性地,电极设置在预设位置上,当电刺激开始时,向待检测对象输出刺激电信号,实时检测电极的输入电压U、输入电流I以及与人体之间的压力F,并计算人体实时阻抗R。在本实施例中,获取的并不只是当前时刻的实时电压、实时电流和实时阻抗,而是预设时间内多个时刻的输入电压、输入电流以及实时阻抗。可以理解的,具体时间范围可以由用户进行设定,对输入电压、输入电流的采样间隔也可以根据实际情况进行调整。在本实施例中,压力信息可以为实时的压力数值,也可以为预设时间内的压力变化曲线,压力分布情况可以为特定的某个位置的压力数值,也可以为多个位置的压力数值形成的压力分布情况。
步骤S602,基于输入电流以及实时阻抗获取预设时间内的电流曲线以及阻抗曲线。
可以理解的,得到预设时间内的多组输入电流以及实时阻抗,基于多组输入电流与实时阻抗可以获取预设时间内的电流曲线以及阻抗曲线,电流曲线以及阻抗曲线可以体现在预设时间内的电流变化情况和阻抗变化情况,而不是仅体现当前的实时电流和实时阻抗。
步骤S603,将电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况。
示例性地,经训练的神经网络模型可以接受预设时间内的电流曲线、阻抗曲线以及压力信息作为输入,并基于预设时间内的电流曲线、阻抗曲线以及压力信息判断待检测对象的电极佩戴情况,作为输出。
可以理解的,在本实施例中,输入为一定时间范围内的数值序列,而非单个数值,因此选择的神经网络模型需要为具有时间序列预测功能的神经网络。
人工神经网络(Artificial Neural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
生物神经网络主要是指人脑的神经网络,它是人工神经网络的技术原型。人脑是人类思维的物质基础,思维的功能定位在大脑皮层,后者含有大约10^11个神经元,每个神经元又通过神经突触与大约103个其它神经元相连,形成一个高度复杂高度灵活的动态网络。作为一门学科,生物神经网络主要研究人脑神经网络的结构、功能及其工作机制,意在探索人脑思维和智能活动的规律。
人工神经网络是生物神经网络在某种简化意义下的技术复现,作为一门学科,它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型,设计相应的学习算法,模拟人脑的某种智能活动,然后在技术上实现出来用以解决实际问题。因此,生物神经网络主要研究智能的机理;人工神经网络主要研究智能机理的实现,两者相辅相成。
不论何种类型的人工神经网络,它们共同的特点是,大规模并行处理,分布式存储,弹性拓扑,高度冗余和非线性运算。因而具有很髙的运算速度,很强的联想能力,很强的适应性,很强的容错能力和自组织能力。这些特点和能力构成了人工神经网络模拟智能活动的技术基础,并在广阔的领域获得了重要的应用。例如,在通信领域,人工神经网络可以用于数据压缩、图像处理、矢量编码、差错控制(纠错和检错编码)、自适应信号处理、自适应均衡、信号检测、模式识别、ATM流量控制、路由选择、通信网优化和智能网管理等等。
上述用于经颅电刺激的电极佩戴情况检测方法,通过获取电极在预设时间内的输入电压、输入电流以及压力信息,并基于输入电压以及输入电流获取待检测对象的实时阻抗;基于输入电流以及实时阻抗获取预设时间内的电流曲线以及阻抗曲线;将电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况的方式,通过利用经训练的神经网络模型,以预设时间内的电流曲线、阻抗曲线以及压力信息作为输入,对电极佩戴情况进行检测,不仅考虑当前时刻的实时电流和实时阻抗,还根据整个阻抗曲线和电流曲线的走势来判断佩戴状态,普适性更强,准确度更高。
在另一个实施例中,将电流曲线以及阻抗曲线输入经训练的神经网络模型之前还包括如下步骤:
步骤1,获取训练电流、训练阻抗、训练压力信息以及对应的训练佩戴情况;
步骤2,基于训练电流以及训练阻抗获取训练电流曲线以及训练阻抗曲线;
步骤3,基于训练电流曲线、训练阻抗曲线、训练压力信息以及对应的训练佩戴情况建立训练集;
步骤4,基于训练集训练初始神经网络模型,得到经训练的神经网络模型。
其中,训练阻抗通过基于训练电流以及对应的训练电压计算得到,训练佩戴情况为在当前的电流以及阻抗情况下,通过人工或其他方式判断得到的准确佩戴情况。可以理解的,此处的预设时间的长度以及采样的时间间隔,可以在训练时由用户根据实际情况进行设定。优选的,训练时的预设时间长度与采样时间间隔可以与实际检测时的预设时间长度和采样时间间隔一致,可以提高检测的准确度。可以理解的,检测时的压力信息若为实时的压力数值,则训练压力信息也为实时压力数值,检测时的压力信息若为预设时间内的压力变化曲线,则训练压力信息也为压力变化曲线,只需保持训练时与检测时的状态一致即可。
示例性地,获取大量训练电流曲线、训练阻抗曲线、训练压力信息以及对应的训练佩戴情况,并建立训练集,对初始神经网络模型进行训练,训练完成的神经网络模型即可接受预设时间内的电流曲线、阻抗曲线以及压力信息作为输入,并基于预设时间内的电流曲线、阻抗曲线以及压力信息判断待检测对象的电极佩戴情况,作为输出。
在另一个实施例中,将电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况包括如下步骤:
步骤1,将电流曲线以及阻抗曲线分别输入LSTM层,得到第一特征;
步骤2,将压力信息输入多层感知器,得到第二特征;
步骤3,将第一特征以及第二特征输入全连接层,得到当前的电极佩戴情况。
可以理解的,在本实施例中,电流信息和阻抗信息通过曲线的方式作为输入,并不是单个数值,因此,需要采用能够对时间序列进行处理与判断的神经网络层;而压力信息以实时数值的方式作为输入,因此不需对时间序列进行处理与判断。因此,采用两种不同的神经网络层分别对输入数据进行处理,再进行合并。
具体的,通过LSTM层对电流曲线以及阻抗曲线进行处理,得到第一特征,通过多层感知器对压力信息进行处理,得到第二特征。可以理解的,在本实施例中,压力信息包括电极与人体之间的压力分布情况,即包括电极多个位置的压力值F1-F8,多层感知器(MLP,Multilayer Perceptron)是一种前馈人工神经网络模型,可以将输入的多个数据集映射到单一的输出的数据集上,因此,可以基于输入的F1-F8的压力值得到压力信息的第二特征。
全连接层中的每个神经元与其前一层的所有神经元进行全连接,全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。因此,通过全连接层将第一特征与第二特征进行整合,并得到电极佩戴情况的判断结果。
在其他实施例中,若压力信息也以数据曲线的形式作为输入,则可以采用与电流曲线以及阻抗曲线同样的处理方式进行处理,此处不再赘述。
在另一个实施例中,将电流曲线以及阻抗曲线分别输入LSTM网络,得到第一特征包括:
步骤1,将电流曲线以及阻抗曲线输入一维卷积层,得到电流特征以及阻抗特征;
步骤2,将电流特征以及阻抗特征输入LSTM层,得到第一特征。
在本实施例中,通过一维卷积层提取电流曲线以及阻抗曲线的特征。具体的,在一维卷积层中设置多个过滤器,并分别对过滤器进行对应的特征提取训练,训练完成的多个过滤器可以分别提取输入的序列数据的不同特征,例如,本实施例中的一维卷积层接收电流曲线以及阻抗曲线后,可以提取电流曲线以及阻抗曲线中的尖峰、波动等特征,具体的,可以根据实际特征提取需求设置不同的过滤器并进行对应训练。
可以理解的,在本实施例中,采用一维卷积层与LSTM层的组合构成神经网络模型,在其他实施例中,可以采用其他类型的组合方式,只需能够提取参数曲线的特征,并具有时间序列预测功能即可。
在其他实施例中,可以设置多层卷积层,并根据实际需求调整步长和过滤器的大小、个数等参数,本实施例不作具体限定。
请参阅图7,图7为本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的神经网络内部示意图。在本实施例中,电流曲线为I(t),阻抗曲线为R(t),压力信息为F1(t)-F8(t),时刻为t1-tn,将电流曲线输入卷积层1中进行特征提取,得到电流特征,将阻抗曲线输入卷积层2中进行特征提取,得到阻抗特征,并将电流特征与阻抗特征输入LSTM层,得到第一特征,将当前时刻的压力信息F1-F8输入多层感知器,得到第二特征,并将第一特征与第二特征输入全连接层,得到对应时刻的电极佩戴情况Y(t1)-Y(tn)。
可以理解的,卷积层需要一定长度的数据才能运行,具体长度需求与卷积层的过滤器大小有关。因此,在最开始的几个时刻,缺乏足够长度的电流值和阻抗值数据形成曲线时,可用0值向前补全数据长度,例如若卷积层需要5个数据点,则在t2时刻输入卷积层1的电流值为0, 0, 0, I(t1), I(t2)。在其他实施例中,若卷积层的长度需求有变化,则对应补全,此处不再赘述。
上述实施例通过一维卷积层提取电流曲线以及阻抗曲线的特征,再送入LSTM层进行判断,运算量更小,判断结果更准确。同时将压力分布情况作为神经网络模型的输入,在电极与头部之间的压力分布不均匀时也能够进行提醒,避免因接触不均匀导致局部电流密度过大从而造成不适。
在另一个实施例中,将电流曲线以及阻抗曲线分别输入一维卷积层,得到电流特征以及阻抗特征之后还包括如下步骤:
将电流特征以及阻抗特征输入池化层,得到压缩后的电流特征以及阻抗特征。
在卷积神经网络中通常会在相邻的卷积层之间加入一个池化层,池化层可以有效的缩小参数矩阵的尺寸,从而减少最后连接层中的参数数量。所以加入池化层可以起到加快计算速度和防止过拟合的作用。
在本实施例中,将电流特征以及阻抗特征输入池化层,可以压缩电流特征以及阻抗特征的序列长度,提高训练和实时运算速度,减少运算量。
在其他实施例中,可以设置多层池化层,本实施例不做具体限定。
在另一个实施例中,神经网络模型包括LSTM模型、RNN模型、GRU模型中的一种。
可以理解的,在本实施例中,神经网络的输入包括电流曲线以及阻抗曲线,并不是单个数值,因此,需要采用能够对时间序列进行处理与判断的神经网络模型,如长短期记忆网络(LSTM,Long Short-Term Memory)模型、循环神经网络(RNN,Recurrent NeuralNetwork)模型或门控循环单元(GRU,Gated Recurrent Unit)模型。在其他实施例中,还可以采用其他神经网络模型,只需能够对时间序列的输入进行处理即可,本实施例不作具体限定。
在另一个实施例中,将电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况之后还包括如下步骤:
基于电极佩戴情况向待检测对象进行反馈。
可以理解的,获得电极佩戴情况后,需要对用户进行反馈,以使用户了解当前的实时佩戴情况,并作出对应的调整。
本实施例将电极佩戴情况向待检测对象进行反馈,使得用户能够及时根据当前的电极佩戴情况调整电极佩戴位置或佩戴方式,用户体验更好。
在另一个实施例中,电极佩戴情况包括佩戴标准、佩戴偏差以及佩戴不标准,基于电极佩戴情况向待检测对象进行反馈包括如下步骤:
步骤1,若佩戴情况为佩戴标准,则发送确认就位提示;
步骤2,若佩戴情况为佩戴偏差,则发送调整提示;
步骤3,若佩戴情况为佩戴不标准,则发送报警信号。
可以理解的,经训练的神经网络模型输出的电极佩戴情况可以为佩戴质量等级,等级数量与分级方式可以根据实际需求进行设定。例如,神经网络模型的输出的佩戴情况Y可以是一个布尔量,即输出1代表佩戴良好,输出0代表佩戴不正确。在其他实施例中,神经网络模型的输出的佩戴情况Y的值在0~1之间,输出1代表佩戴非常好,输出0代表佩戴不正确,输出越接近1表示佩戴情况越好,脱落、接触不好、接触不均匀等情况,输出值都接近0。
在本实施例中,神经网络模型输出的电极佩戴情况包括佩戴标准、佩戴偏差以及佩戴不标准三种情况,可以理解的,佩戴标准即电极的佩戴状况良好,能够满足电刺激的工作要求;佩戴偏差即电极佩戴不完全满足要求,但在偏差阈值内,不影响电刺激工作;佩戴不标准即电极佩戴不满足佩戴要求,无法完成电刺激工作。示例性地,若佩戴情况为佩戴标准,则发送确认就位提示,提示用户可以继续进行电刺激工作;若佩戴情况为佩戴偏差,则发送调整提示,提示用户可以对电极佩戴位置以及佩戴方式进行调整,以达到佩戴要求,也可不进行调整,继续进行电刺激工作;若佩戴情况为佩戴不标准,则发送报警信号,提示用户停止电刺激工作,进行电极佩戴位置以及佩戴方式的调整后再继续进行。
在其他实施例中,可以采用其他等级数量与分级方式以衡量电极佩戴情况,并根据实际需求设置对应的提示方式,本实施例不作具体限定。
本实施例根据不同的电极佩戴情况做出不同等级的提示,使用户明确当前的电极佩戴情况以及对应的调整需求,反馈更加明确,效果更好。
请参阅图8,图8为本发明一实施例的用于经颅电刺激的电极佩戴情况检测方法的电流曲线、阻抗曲线、压力信息和佩戴情况对照图。可以看出,在电极佩戴良好时,电流上升达到预设值且保持稳定状态,若电极佩戴情况出现异常,则电流会大幅下降,若电极佩戴情况未恢复正常,电流会在较低的数值处保持稳定;对应的,阻抗在电极佩戴良好时,随时间t和电流I变化,呈现下降趋势,若电极佩戴情况出现异常,则阻抗会大幅上升,若电极佩戴情况未恢复正常,阻抗会在较高的数值处呈现逐渐下降的趋势。当用户接收到佩戴异常的反馈,并重新将电极正确佩戴后,电流会逐渐上升,并在回到预设值之后保持稳定,对应的,阻抗会迅速下降,并在下降到正常数值后保持逐渐下降的趋势。在电极佩戴良好时,各位置的压力分布均匀,若电极佩戴情况出现异常,则压力会出现分布不均的情况。当用户接收到佩戴异常的反馈,并重新将电极正确佩戴后,压力会恢复分布均匀的情况。可以理解的,根据电流、阻抗和压力的变化情况,可以判断得到电极的佩戴情况。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种用于经颅电刺激的电极佩戴情况检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图9是本实施例的用于经颅电刺激的电极佩戴情况检测装置的结构框图,如图9所示,该装置包括:
第一获取模块910,用于获取电极在预设时间内的输入电压、输入电流以及压力信息,并基于输入电压以及输入电流获取待检测对象的实时阻抗,压力信息包括电极与人体之间的压力分布情况。
第二获取模块920,用于基于输入电流以及实时阻抗获取预设时间内的电流曲线以及阻抗曲线。
检测模块930,用于将电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况。
检测模块930,还用于:
将电流曲线以及阻抗曲线分别输入LSTM层,得到第一特征;
将压力信息输入多层感知器,得到第二特征;
将第一特征以及第二特征输入全连接层,得到当前的电极佩戴情况。
检测模块930,还用于:
将电流曲线以及阻抗曲线输入一维卷积层,得到电流特征以及阻抗特征;
将电流特征以及阻抗特征输入LSTM层,得到第一特征。
检测模块930,还用于:
将电流特征以及阻抗特征输入池化层,得到压缩后的电流特征以及阻抗特征。
用于经颅电刺激的电极佩戴情况检测装置,还包括:训练模块。
训练模块,用于:
获取预设时间内的训练电流、训练阻抗、训练压力信息以及对应的训练佩戴情况;
基于训练电流以及训练阻抗获取训练电流曲线以及训练阻抗曲线;
基于训练电流曲线、训练阻抗曲线、训练压力信息以及对应的训练佩戴情况建立训练集;
基于训练集训练初始神经网络模型,得到经训练的神经网络模型。
用于经颅电刺激的电极佩戴情况检测装置,还包括:反馈模块。
反馈模块,用于:
基于电极佩戴情况向待检测对象进行反馈。
反馈模块,还用于:
若佩戴情况为佩戴标准,则发送确认就位提示;
若佩戴情况为佩戴偏差,则发送调整提示;
若佩戴情况为佩戴不标准,则发送报警信号。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取电极在预设时间内的输入电压、输入电流以及压力信息,并基于输入电压以及输入电流获取待检测对象的实时阻抗,压力信息包括电极与人体之间的压力分布情况;
S2,基于输入电流以及实时阻抗获取预设时间内的电流曲线以及阻抗曲线;
S3,将电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况。
需要说明的是,在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,在本实施例中不再赘述。
此外,结合上述实施例中提供的用于经颅电刺激的电极佩戴情况检测方法,在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种用于经颅电刺激的电极佩戴情况检测方法。
应该明白的是,这里描述的具体实施例只是用来解释这个应用,而不是用来对它进行限定。根据本申请提供的实施例,本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例,均属本申请保护范围。
显然,附图只是本申请的一些例子或实施例,对本领域的普通技术人员来说,也可以根据这些附图将本申请适用于其他类似情况,但无需付出创造性劳动。另外,可以理解的是,尽管在此开发过程中所做的工作可能是复杂和漫长的,但是,对于本领域的普通技术人员来说,根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段,不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例,也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是,本申请中描述的实施例在没有冲突的情况下,可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种用于经颅电刺激的电极佩戴情况检测方法,其特征在于,包括:
获取电极在预设时间内的输入电压、输入电流以及压力信息,并基于所述输入电压以及输入电流获取待检测对象的实时阻抗,所述压力信息包括电极与人体之间的压力分布情况;
基于所述输入电流以及实时阻抗获取预设时间内的电流曲线以及阻抗曲线;
将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况;
所述将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况包括:
将所述电流曲线以及阻抗曲线分别输入LSTM层,得到第一特征;
将所述压力信息输入多层感知器,得到第二特征;
将所述第一特征以及第二特征输入全连接层,得到当前的电极佩戴情况。
2.根据权利要求1所述的用于经颅电刺激的电极佩戴情况检测方法,其特征在于,所述将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况之前还包括:
获取预设时间内的训练电流、训练阻抗、训练压力信息以及对应的训练佩戴情况;
基于所述训练电流以及训练阻抗获取训练电流曲线以及训练阻抗曲线;
基于所述训练电流曲线、训练阻抗曲线、训练压力信息以及对应的训练佩戴情况建立训练集;
基于所述训练集训练初始神经网络模型,得到经训练的神经网络模型。
3.根据权利要求1所述的用于经颅电刺激的电极佩戴情况检测方法,其特征在于,所述将所述电流曲线以及阻抗曲线分别输入LSTM网络,得到第一特征包括:
将所述电流曲线以及阻抗曲线输入一维卷积层,得到电流特征以及阻抗特征;
将所述电流特征以及阻抗特征输入LSTM层,得到所述第一特征。
4.根据权利要求3所述的用于经颅电刺激的电极佩戴情况检测方法,其特征在于,所述将所述电流曲线以及阻抗曲线分别输入一维卷积层,得到电流特征以及阻抗特征之后还包括:
将所述电流特征以及阻抗特征输入池化层,得到压缩后的所述电流特征以及阻抗特征。
5.根据权利要求1所述的用于经颅电刺激的电极佩戴情况检测方法,其特征在于,所述将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况之后还包括:
基于所述电极佩戴情况向所述待检测对象进行反馈。
6.根据权利要求5所述的用于经颅电刺激的电极佩戴情况检测方法,其特征在于,所述电极佩戴情况包括佩戴标准、佩戴偏差以及佩戴不标准,所述基于所述电极佩戴情况向所述待检测对象进行反馈包括:
若所述佩戴情况为佩戴标准,则发送确认就位提示;
若所述佩戴情况为佩戴偏差,则发送调整提示;
若所述佩戴情况为佩戴不标准,则发送报警信号。
7.一种用于经颅电刺激的电极佩戴情况检测装置,其特征在于,包括:
第一获取模块,用于获取电极在预设时间内的输入电压、输入电流以及压力信息,并基于所述输入电压以及输入电流获取待检测对象的实时阻抗,所述压力信息包括电极与人体之间的压力分布情况;
第二获取模块,用于基于所述输入电流以及实时阻抗获取预设时间内的电流曲线以及阻抗曲线;
检测模块,用于将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况;
所述将所述电流曲线、阻抗曲线以及压力信息输入经训练的神经网络模型,得到当前的电极佩戴情况包括:
将所述电流曲线以及阻抗曲线分别输入LSTM层,得到第一特征;
将所述压力信息输入多层感知器,得到第二特征;
将所述第一特征以及第二特征输入全连接层,得到当前的电极佩戴情况。
8.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任一项所述的用于经颅电刺激的电极佩戴情况检测方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的用于经颅电刺激的电极佩戴情况检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110618004.6A CN113058159B (zh) | 2021-06-03 | 2021-06-03 | 用于经颅电刺激的电极佩戴情况检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110618004.6A CN113058159B (zh) | 2021-06-03 | 2021-06-03 | 用于经颅电刺激的电极佩戴情况检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113058159A CN113058159A (zh) | 2021-07-02 |
CN113058159B true CN113058159B (zh) | 2021-08-31 |
Family
ID=76568677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110618004.6A Active CN113058159B (zh) | 2021-06-03 | 2021-06-03 | 用于经颅电刺激的电极佩戴情况检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113058159B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113855019B (zh) * | 2021-08-25 | 2023-12-29 | 杭州回车电子科技有限公司 | 基于eog、emg以及压电信号的表情识别方法和装置 |
CN116549839B (zh) * | 2023-07-11 | 2023-09-26 | 杭州般意科技有限公司 | 一种经颅直流电刺激设备的佩戴状态检测方法及装置 |
CN117594193B (zh) * | 2024-01-17 | 2024-06-18 | 西安电子科技大学 | 基于深度学习的经颅直流电个体化刺激靶点定位方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204411500U (zh) * | 2014-12-23 | 2015-06-24 | 先進電子醫療工業有限公司 | 头戴式无线控制经颅电刺激仪 |
CN108814569B (zh) * | 2018-05-02 | 2021-03-23 | 南京邮电大学 | 康复训练控制装置 |
CN109345774A (zh) * | 2018-11-16 | 2019-02-15 | 广东小天才科技有限公司 | 一种溺水自动报警方法及可穿戴设备 |
CN109919217B (zh) * | 2019-02-28 | 2021-03-02 | 深圳智链物联科技有限公司 | 充电行为识别方法、装置、终端设备及存储介质 |
CN110584632A (zh) * | 2019-10-21 | 2019-12-20 | 深圳市汇顶科技股份有限公司 | 佩戴检测方法、装置、芯片、设备及存储介质 |
CN111481842A (zh) * | 2020-04-21 | 2020-08-04 | 重庆邮电大学 | 一种基于动态匹配的可穿戴超声治疗仪 |
CN111796680B (zh) * | 2020-06-29 | 2023-09-22 | 青岛歌尔智能传感器有限公司 | 可穿戴设备的控制方法、装置、可穿戴设备及介质 |
-
2021
- 2021-06-03 CN CN202110618004.6A patent/CN113058159B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113058159A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113058159B (zh) | 用于经颅电刺激的电极佩戴情况检测方法和装置 | |
US11317850B2 (en) | Medical device, algorithm updating method, medical system and external monitoring device | |
AU2021201181B2 (en) | System and method for neurostimulation | |
Guo et al. | A cross-correlated delay shift supervised learning method for spiking neurons with application to interictal spike detection in epilepsy | |
US11938315B2 (en) | Methods and systems for discrete measurement of electrical characteristics | |
CN106062669B (zh) | 用于脑机接口的系统 | |
Martins et al. | Non-destructive whole-brain monitoring using nanorobots: Neural electrical data rate requirements | |
Durrant et al. | Suprathreshold stochastic resonance in neural processing tuned by correlation | |
CN112870552A (zh) | 一种电刺激治疗仪负载检测方法、装置、设备及存储介质 | |
CN109529193B (zh) | 基于闭环控制的迷走神经刺激器及系统 | |
WO2023215663A1 (en) | Systems and methods for detecting lead movement | |
Joublin et al. | A columnar model of somatosensory reorganizational plasticity based on Hebbian and non-Hebbian learning rules | |
Zhang et al. | Clustering based kernel reinforcement learning for neural adaptation in brain-machine interfaces | |
Uvaydov et al. | Aieeg: Personalized seizure prediction through partially-reconfigurable deep neural networks | |
JP2023500955A (ja) | 睡眠セッション中の感覚刺激に対する徐波反応をモニタリングするためのシステム及び方法 | |
Plumbley | Do cortical maps adapt to optimize information density? | |
US11890468B1 (en) | Neurostimulation systems with event pattern detection and classification | |
EP4005482A1 (en) | Computer program for training a neurological condition detection algorithm, method of programming an implantable neurostimulation device and computer program therefor | |
CN109358289A (zh) | 有源植入医疗设备的电池寿命确定方法及设备 | |
Lubrano | Transfer Learning strategies for time robust neural decoding in a Brain-machine interface | |
US20220080195A1 (en) | Electrical stimulation system for facial expressions and a method of use thereof | |
US20210386356A1 (en) | Method and device for the real-time monitoring and evaluation of the state of a patient with a neurological condition | |
CN117377432A (zh) | 动态和模块化心脏事件检测 | |
CN106682437A (zh) | 一种充电的远程医疗系统参数配置系统 | |
Grigorjev et al. | Prototyping of a Machine Learning based Auxiliary Neurostimulation System |
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 |