CN113092887A - 一种面向eng的低功耗双阈值尖峰检测处理方法及检测电路 - Google Patents
一种面向eng的低功耗双阈值尖峰检测处理方法及检测电路 Download PDFInfo
- Publication number
- CN113092887A CN113092887A CN202110372106.4A CN202110372106A CN113092887A CN 113092887 A CN113092887 A CN 113092887A CN 202110372106 A CN202110372106 A CN 202110372106A CN 113092887 A CN113092887 A CN 113092887A
- Authority
- CN
- China
- Prior art keywords
- module
- peak
- threshold
- signals
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 127
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000036982 action potential Effects 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/26—Measuring noise figure; Measuring signal-to-noise ratio
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16585—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 for individual pulses, ripple or noise and other applications where timing or duration is of importance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Sources (AREA)
Abstract
本发明公开一种面向ENG的低功耗双阈值尖峰检测处理方法及检测电路，属于生理电信号处理领域。使用第一组信号计算出初始阈值和精确阈值，在后面的信号中使用第一组信号计算出的阈值进行检测：首先使用初始阈值检测信号中是否可能存在尖峰，若不可能存在，则丢弃本组信号；若可能存在，则使用精确阈值检测是否存在尖峰，若存在，则认为本组信号有一次尖峰并退出检测，若不存在则认为本组信号无尖峰，退出检测。本发明利用双阈值进行尖峰检测，初检测可检测出尖峰存在的可能，而相对复杂的复检测可以检测出尖峰是否精确存在，使得确保检测性能的前提下，大幅度地减少运算复杂度，降低了功耗，更好地适应植入式或可穿戴式生理电信号处理领域的要求。
Description
技术领域
本发明涉及生理电信号处理技术领域，特别涉及一种面向ENG的低功耗双阈值尖峰检测处理方法及检测电路。
背景技术
神经电(ENG，Electroneurogram)信号是由大脑中的神经元产生并记录的生物电信号。生物电信号是揭示相关器官行为的一种重要生物信号。一般而言，所有生物电信号的基本组成部分是动作电位(AP，Action Potential)。AP是由钠、钾、氯化物和其他离子在每个细胞膜上流动引起的。当单个神经元受到神经或外部电流的刺激时，它会产生一个AP。细胞外记录的神经信号具有一些重要的特征。首先，细胞外记录的AP被称为尖峰，并且大脑使用尖峰进行神经元之间的相互交流。每个尖峰的振幅约为70mV(相对于细胞外液体)，持续时间约为1-2ms。当细胞外微电极远离神经元几十微米时，可以检测到50-500μV的电压。一个典型的神经元每秒产生10-100个尖峰。
尖峰检测是研究神经系统活动中的一个重要步骤。一方面，尖峰检测是为了检测出掺杂了背景噪声的神经电APs，该APs通过解码可以得到丰富的信息。另一方面，对于无线多通道植入式或可穿戴ENG记录系统，由于其功耗的严格要求，尖峰检测是一个非常有效的减少传输功耗的方法。
尖峰检测主要分为是自适应阈值检测和固定阈值检测。固定阈值检测通常使用简单的电压触发执行，用户手动设置电压阈值。如果信号的电压越过该阈值，则将产生脉冲指示存在尖峰。这种方法比较简单，因此，今天仍然被许多研究使用，特别是模拟设计。固定阈值检测的最大缺点是需要预先设置阈值且鲁棒性较低。相反，自适应阈值检测意味着检测的阈值或模板是从先前记录的数据中确定的。与固定阈值检测相比，该方法不仅自动运行以检测尖峰，而且允许估计阈值，其缺点是自适应检测算法往往比较复杂，在算法映射到硬件电路意味着较高的功耗，这对于低功耗植入式或可穿戴电路是不可接受的。
发明内容
本发明的目的在于提供一种面向ENG的低功耗双阈值尖峰检测处理方法及检测电路，以实现在达到检测性能要求的前提下降低功耗的目的。
为解决上述技术问题，本发明提供了一种面向ENG的低功耗双阈值尖峰检测处理方法，包括：
使用第一组信号计算出初始阈值和精确阈值，在后面的信号中使用第一组信号计算出的阈值进行检测：
首先使用初始阈值检测信号中是否可能存在尖峰，若不可能存在，则丢弃本组信号；若可能存在，则使用精确阈值检测是否存在尖峰，若存在，则认为本组信号有一次尖峰并退出检测，若不存在则认为本组信号无尖峰，退出检测。
可选的，当所述本组信号中未检测到尖峰时，将本组信号清除，设置为0；当所述本组信号中检测到尖峰时，将本组信号部分保留。
可选的，对本组信号进行尖峰检测之前，设置时钟频率和ENG信号窗口大小，所述对本组信号进行尖峰检测时要根据时钟频率以及窗口大小对信号进行检测，包括：
利用幅值算子计算初始阈值并检测尖峰存在的可能，利用差值能量算子计算出精确阈值并检测尖峰；其中，
所述幅值算子的算法定义如：
AO为幅值算子，x(n)表示第n个信号，N表示本组信号的数量；
所述差值能量算子的算法定义如下：DEO＝(x(n)-x(n-1))×(x(n)-x(n+1))；DEO为差值能量算子，x(n)代表第n个信号，x(n+1)代表第n+1个信号，x(n-1)代表第n-1个信号。
可选的，所述利用幅值能量算子AO和差值能量算子DEO算法检测尖峰包括：
S1：确定第一组信号尖峰检测的初始阈值：根据选定的信号数据，采用以下公式计算初始阈值：
TH1＝a×AO (3)
其中，a表示经验值，TH1为初始阈值；
S2：确定第一组信号尖峰检测的精确阈值：根据选定的信号数据，采用以下公式计算精确阈值：
DEO＝(x(n)-x(n-1))×(x(n)-x(n+1)) (2)
其中，b表示经验值，N代表选定的每组信号的信号数量，TH2为精确阈值；
S3：首次检测：根据计算出的初始阈值TH1，当输入数据x(n)>TH1时，认为可能存在尖峰，进入下一阶段；
S4：精确检测：当首次检测发现可能尖峰时，根据上述公式(2)计算每个信号点的DEO，当DEO(n)>TH2时，认为存在尖峰，否则最终判断该组信号无尖峰。
可选的，若检测出本组信号存在尖峰，则通过最大偏差模块找出所存储的该组信号的尖峰顶点，记录本次顶点的坐标；采用以下公式计算尖峰顶点坐标：
P＝argmax(x(n)-x(n-1)) (5)
其中，x(n)表示第n个信号，x(n-1)表示第n-1个信号；argmax代表获取相邻信号数据点最大值的序列数。
可选的，最大偏差模块计算出了尖峰顶点的坐标，校准模块则通过该地址从存储模块中取出连续50个数据，尖峰顶点为第25个点，其余点均作为噪声处理，设置为0，最后输出本组数据点。
本发明还提供了一种面向ENG的低功耗双阈值尖峰检测电路，包括时钟复位模块、AO模块、初检测模块、DEO模块、精确阈值模块、存储模块、最大偏差模块、终检测模块和校准模块；
所述时钟复位模块分别与AO模块、初检测模块、DEO模块、精确阈值模块、终检测模块、存储模块、最大偏差模块和校准模块连接；所述AO模块、初检测模块、存储模块、最大偏差模块和校准模块依次相连，所述DEO模块、精确阈值模块、终检测模块依次相连，所述初检测模块控制DEO模块的开启和关闭，进而控制终检测模块；
所述时钟复位模块用于对其它模块提供全局时钟和复位操作；所述AO模块用于计算幅值能量算子AO；初检测模块进行初始阈值计算并实现初始阈值比较；DEO模块用于计算差值能量算子DEO；精确阈值模块获得精准的阈值，终检测模块实现最终检测，存储模块每次存储着一组数据，每组100个信号；最大偏差模块用于找出尖峰顶点，校准模块根据找出的尖峰顶点坐标输出数据。
在本发明提供的面向ENG的低功耗双阈值尖峰检测处理方法及检测电路中，使用第一组信号计算出初始阈值和精确阈值，在后面的信号中使用第一组信号计算出的阈值进行检测：首先使用初始阈值检测信号中是否可能存在尖峰，若不可能存在，则丢弃本组信号；若可能存在，则使用精确阈值检测是否存在尖峰，若存在，则认为本组信号有一次尖峰并退出检测，若不存在则认为本组信号无尖峰，退出检测。本发明利用双阈值进行尖峰检测，初检测可检测出尖峰存在的可能，而相对复杂的复检测可以检测出尖峰是否精确存在，使得确保检测性能的前提下，大幅度地减少运算复杂度，降低了功耗，更好地适应植入式或可穿戴式生理电信号处理领域的要求。
附图说明
图1是本发明提供的面向ENG的低功耗双阈值尖峰检测电路结构示意图；
图2是本发明提供的面向ENG的低功耗双阈值尖峰检测处理方法示意图；
图3是本发明与传统尖峰检测的结果对比示意图；
图4是本发明一个实施例中原始神经电信号示意图；
图5是本发明输出的尖峰示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种面向ENG的低功耗双阈值尖峰检测处理方法及检测电路作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
实施例一
本发明提供了一种面向ENG的低功耗双阈值尖峰检测电路，用于对ENG信号有效信息尖峰的检测处理，ENG信号每隔50组，每组有100个信号点，计算一次阈值，使用第一组信号计算阈值，之后49组不再计算阈值，以此实现自适应阈值调整；其结构如图1所示，包括时钟复位模块1、AO模块2、初检测模块3、DEO模块4、精确阈值模块5、存储模块6、最大偏差模块7、终检测模块8和校准模块9；所述时钟复位模块1分别与AO模块2、初检测模块3、DEO模块4、精确阈值模块5、终检测模块8、存储模块6、最大偏差模块7和校准模块9连接；所述AO模块2、初检测模块3、存储模块6、最大偏差模块7和校准模块9依次相连，所述DEO模块4、精确阈值模块5、终检测模块8依次相连，所述初检测模块3控制DEO模块4的开启和关闭，进而控制终检测模块；所述时钟复位模块1用于对其它模块提供全局时钟和复位操作；所述AO模块2用于确定幅值能量算子AO；初检测模块3计算初始阈值并实现初始阈值比较，DEO模块4用于计算差值能量算子DEO；精确阈值模块5获得精准的阈值，终检测模块8实现最终检测，存储模块6每次存储着一组数据，每组100个信号；最大偏差模块7用于找出尖峰顶点，校准模块9根据找出的尖峰顶点坐标输出数据。
本发明还提供了一种面向ENG的低功耗双阈值尖峰检测处理方法，如图2所示，在进行尖峰检测时，首先进行时钟频率的设置和公式中经验值设定，本发明具体案例中时钟频率设置为20k Hz，经验值a设置为0.2，经验值b设置为8；然后将输入的ENG信号进行均匀分组，每组100个数据点，分别输入AO模块、DEO模块和存储模块。检测电路通过第一组信号获取自适应初始阈值TH1和精确阈值TH2，如公式所示：
TH1＝a×AO (3)
DEO＝(x(n)-x(n-1))×(x(n)-x(n+1)) (2)
其中，AO为幅值算子(Amplitude Operator)；DEO为差值能量算子(DifferenceEnergy Operator)；x(n)表示第n个信号，a表示经验值，本发明选择0.2；b表示经验值为8；N代表选定该组ENG信号的信号数量。
在后续输入的信号中，使用初始阈值和精确阈值进行尖峰检测。具体是，首先通过初始阈值TH1进行初始检测，当该组信号所有数据x(n)<TH1，则表示该组信号不可能存在尖峰，即均为环境和其它神经元噪声，退出检测，输出结果；这一过程会覆盖绝大多数的ENG数据组，绝大数ENG数据未等到复检测就已经退出整个检测过程，这是因为尖峰的存在时间相对于一段EEG的持续时间较小；否则，当该组信号所有数据x(n)>TH1当表示该组信号可能存在尖峰，进入下一阶段；
当该组信号经过初始检测，最终结果为可能存在尖峰，立即打开DEO模块，该组数据从存储模块中拿出输入DEO模块，通过DEO模块计算DEO值，当DEO<TH2时，则认为该组信号无真实尖峰，退出检测，输出结果；当DEO>TH2时，则认为该组信号存在真实尖峰，进入下一阶段；
当该组信号经过复检测，最终检测为存在尖峰，立即打开最大偏差模块，计算该组信号的尖峰顶点，如公式所示：
P＝argmax(x(n)-x(n-1)) (5)
其中，x(n)表示第n个信号；argmax代表获取相邻信号数据点最大值的序列数。
当找到该组信号的尖峰顶点时，需要进行校准尖峰，具体方法是以该顶点为中心，选取该尖峰顶点前24个数据和后25个数据保存，其余数据点均作为噪声处理，输出最终尖峰检测结果。
本发明使用初始阈值先检测ENG信号，由于一段ENG信号的噪声信号是多数信号，而尖峰的存在较少，因此算法稍简洁的初始检测便可以滤除大部分噪声，保留可能存在尖峰的ENG数据组。在复检测中，本发明提出了一个稍复杂的DEO算子，在可能存在尖峰的ENG数据中使用DEO算子与精确阈值比较，获取可能存在尖峰的ENG数据的最终结果。因此，本发明利用ENG信号的特殊性合理分配算法的复杂度，能有效地降低了尖峰检测电路的功耗。此外，DEO算子适合用于高频信号，因为只有当某点的幅值远大于相邻点的幅值，该DEO值才会变大，这非常适合非平稳高频的ENG信号。
在本发明中，认定不存在尖峰或非尖峰信号时，均忽略该数据组或数据点，通过设置为0实现。
为验证本申请所提出的面向ENG的低功耗双阈值尖峰检测电路的有益效果，本申请使用ENG信号来自莱斯特大学数据库中的尖峰检测和分类数据库(Wave_Clus)来评估性能，数据库中所有数据均经过定点量化，最终表示为12位有效数字。检测结果如图3所示，本发明对比了传统的固定阈值检测算法、非线性能量算子检测算法和本发明尖峰检测的性能，图中横坐标为随机选取的5组数据，纵坐标为检测到尖峰比例。图中可知，固定阈值检测算法尽管算法复杂度最低，但是检测性能最不稳定，非线性能量算子检测性能较优，但稍差于本发明提出的双阈值尖峰检测电路，本发明的双阈值尖峰检测电路的检测比例均达到90％以上。
图4中，本发明展示了原始ENG信号，可以看出在尖峰的四周存在大量的噪声，并且杂乱无规律，具有明显的非平稳性和高频特性。图5中，本发明展示了经过本发明处理过的ENG信号，可以看出在尖峰比较清晰的展示出来，并且在尖峰的四周已经滤除了背景噪声和非尖峰信号。
表1中，展示了本发明和传统电路的复杂度和性能对比。为简化对比功耗，本发明通过每组信号检测一次所使用的加法器、乘法器和比较器的使用次数间接衡量功耗。N表示每组信号的数据点数量，本发明为100，M为本发明检测到的可能存在尖峰的信号数量，一般而言，M<<N。图中可知，本发明的乘法器使用次数远远小于传统非线性能量算子电路，代价是加法器和比较器的次数略微增加，因此功耗也得到显著降低。
| 电路 | 加法次数 | 乘法次数 | 比较次数 | 检测性能 |
| 固定阈值 | 0 | 0 | N | 差 |
| 非线性能量算子 | 2(N-1) | 2(N-1) | N | 优 |
| 本发明 | 3(M-1) | M | N+M | 优 |
表1本发明和传统电路的复杂度对比
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (7)
1.一种面向ENG的低功耗双阈值尖峰检测处理方法，其特征在于，包括：
使用第一组信号计算出初始阈值和精确阈值，在后面的信号中使用第一组信号计算出的阈值进行检测：
首先使用初始阈值检测信号中是否可能存在尖峰，若不可能存在，则丢弃本组信号；若可能存在，则使用精确阈值检测是否存在尖峰，若存在，则认为本组信号有一次尖峰并退出检测，若不存在则认为本组信号无尖峰，退出检测。
2.如权利要求1所述的面向ENG的低功耗双阈值尖峰检测处理方法，其特征在于，当所述本组信号中未检测到尖峰时，将本组信号清除，设置为0；当所述本组信号中检测到尖峰时，将本组信号部分保留。
3.如权利要求2所述的面向ENG的低功耗双阈值尖峰检测处理方法，其特征在于，对本组信号进行尖峰检测之前，设置时钟频率和ENG信号窗口大小，所述对本组信号进行尖峰检测时要根据时钟频率以及窗口大小对信号进行检测，包括：
利用幅值算子计算初始阈值并检测尖峰存在的可能，利用差值能量算子计算出精确阈值并检测尖峰；其中，
所述幅值算子的算法定义如：
AO为幅值算子，x(n)表示第n个信号，N表示本组信号的数量；
所述差值能量算子的算法定义如下：DEO＝(x(n)-x(n-1))×(x(n)-x(n+1))；DEO为差值能量算子，x(n)代表第n个信号，x(n+1)代表第n+1个信号，x(n-1)代表第n-1个信号。
4.如权利要求3所述的面向ENG的低功耗双阈值尖峰检测处理方法，其特征在于，所述利用幅值能量算子AO和差值能量算子DEO算法检测尖峰包括：
S1：确定第一组信号尖峰检测的初始阈值：根据选定的信号数据，采用以下公式计算初始阈值：
TH1＝a×AO (3)
其中，a表示经验值，TH1为初始阈值；
S2：确定第一组信号尖峰检测的精确阈值：根据选定的信号数据，采用以下公式计算精确阈值：
DEO＝(x(n)-x(n-1))×(x(n)-x(n+1)) (2)
其中，b表示经验值，N代表选定的每组信号的信号数量，TH2为精确阈值；
S3：首次检测：根据计算出的初始阈值TH1，当输入数据x(n)>TH1时，认为可能存在尖峰，进入下一阶段；
S4：精确检测：当首次检测发现可能尖峰时，根据上述公式(2)计算每个信号点的DEO，当DEO(n)>TH2时，认为存在尖峰，否则最终判断该组信号无尖峰。
5.如权利要求4所述的面向ENG的低功耗双阈值尖峰检测处理方法，其特征在于，若检测出本组信号存在尖峰，则通过最大偏差模块找出所存储的该组信号的尖峰顶点，记录本次顶点的坐标；采用以下公式计算尖峰顶点坐标：
P＝argmax(x(n)-x(n-1)) (5)
其中，x(n)表示第n个信号，x(n-1)表示第n-1个信号；argmax代表获取相邻信号数据点最大值的序列数。
6.如权利要求5所述的面向ENG的低功耗双阈值尖峰检测处理方法，其特征在于，最大偏差模块计算出了尖峰顶点的坐标，校准模块则通过该地址从存储模块中取出连续50个数据，尖峰顶点为第25个点，其余点均作为噪声处理，设置为0，最后输出本组数据点。
7.一种面向ENG的低功耗双阈值尖峰检测电路，其特征在于，包括时钟复位模块、AO模块、初检测模块、DEO模块、精确阈值模块、存储模块、最大偏差模块、终检测模块和校准模块；
所述时钟复位模块分别与AO模块、初检测模块、DEO模块、精确阈值模块、终检测模块、存储模块、最大偏差模块和校准模块连接；所述AO模块、初检测模块、存储模块、最大偏差模块和校准模块依次相连，所述DEO模块、精确阈值模块、终检测模块依次相连，所述初检测模块控制DEO模块的开启和关闭，进而控制终检测模块；
所述时钟复位模块用于对其它模块提供全局时钟和复位操作；所述AO模块用于计算幅值能量算子AO；初检测模块进行初始阈值计算并实现初始阈值比较，DEO模块用于计算差值能量算子DEO；精确阈值模块获得精准的阈值，终检测模块实现最终检测，存储模块每次存储着一组数据，每组100个信号；最大偏差模块用于找出尖峰顶点，校准模块根据找出的尖峰顶点坐标输出数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110372106.4A CN113092887A (zh) | 2021-04-07 | 2021-04-07 | 一种面向eng的低功耗双阈值尖峰检测处理方法及检测电路 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110372106.4A CN113092887A (zh) | 2021-04-07 | 2021-04-07 | 一种面向eng的低功耗双阈值尖峰检测处理方法及检测电路 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113092887A true CN113092887A (zh) | 2021-07-09 |
Family
ID=76674452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110372106.4A Pending CN113092887A (zh) | 2021-04-07 | 2021-04-07 | 一种面向eng的低功耗双阈值尖峰检测处理方法及检测电路 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113092887A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101357076A (zh) * | 2008-08-08 | 2009-02-04 | 重庆大学 | 远程心脏储备指标分析系统及其方法 |
| CN107072569A (zh) * | 2014-10-16 | 2017-08-18 | 新加坡科技研究局 | 基于帧的尖峰检测模块 |
| CN109157209A (zh) * | 2018-10-25 | 2019-01-08 | 江南大学 | 一种基于压缩感知的生物电信号处理电路及方法 |
| CN109938696A (zh) * | 2019-03-22 | 2019-06-28 | 江南大学 | 神经电信号压缩感知处理方法及电路 |
| CN111175272A (zh) * | 2020-03-19 | 2020-05-19 | 南京景瑞康分子医药科技有限公司 | 一种性能可调的神经元钙荧光信号尖峰探测系统 |
| CN112006679A (zh) * | 2020-08-28 | 2020-12-01 | 山东省人工智能研究院 | 一种基于窗口方差变换的穿戴式心电信号r波检测方法 |
-
2021
- 2021-04-07 CN CN202110372106.4A patent/CN113092887A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101357076A (zh) * | 2008-08-08 | 2009-02-04 | 重庆大学 | 远程心脏储备指标分析系统及其方法 |
| CN107072569A (zh) * | 2014-10-16 | 2017-08-18 | 新加坡科技研究局 | 基于帧的尖峰检测模块 |
| CN109157209A (zh) * | 2018-10-25 | 2019-01-08 | 江南大学 | 一种基于压缩感知的生物电信号处理电路及方法 |
| CN109938696A (zh) * | 2019-03-22 | 2019-06-28 | 江南大学 | 神经电信号压缩感知处理方法及电路 |
| CN111175272A (zh) * | 2020-03-19 | 2020-05-19 | 南京景瑞康分子医药科技有限公司 | 一种性能可调的神经元钙荧光信号尖峰探测系统 |
| CN112006679A (zh) * | 2020-08-28 | 2020-12-01 | 山东省人工智能研究院 | 一种基于窗口方差变换的穿戴式心电信号r波检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 彭国杰 等: "用于条码信号峰值检测的改进动态双阈值算法", 《微电子学与计算机》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Retracted: Human emotion recognition based on galvanic skin response signal feature selection and svm | |
| Gibson et al. | Comparison of spike-sorting algorithms for future hardware implementation | |
| CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
| CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
| CN109171708B (zh) | 一种可除颤心律识别装置 | |
| CN109325586B (zh) | 一种用于脑电信号去噪的系统 | |
| CN109318207A (zh) | 一种利用肌电定时的下肢运动准备电位检测系统及方法 | |
| CN103092971B (zh) | 一种用于脑机接口中的分类方法 | |
| CN104571504B (zh) | 一种基于想象动作的在线脑‑机接口方法 | |
| US20170296081A1 (en) | Frame based spike detection module | |
| CN106805969B (zh) | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 | |
| WO2023130600A1 (zh) | 基于过零点系数的时域数据分类方法、植入式刺激系统 | |
| CN113128353B (zh) | 面向自然人机交互的情绪感知方法及其系统 | |
| Kumari et al. | Brainwave's energy feature extraction using wavelet transform | |
| CN109222966A (zh) | 一种基于变分自编码器的脑电信号情感分类方法 | |
| CN111387975A (zh) | 基于机器学习的脑电信号识别方法 | |
| CN115221969A (zh) | 基于emd数据增强和并行scn的运动想象脑电信号识别方法 | |
| Malik et al. | Automatic threshold optimization in nonlinear energy operator based spike detection | |
| CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
| CN114081506B (zh) | 一种基于长短期记忆网络的稳态视觉诱发电位分类方法 | |
| Azami et al. | Automatic signal segmentation based on singular spectrum analysis and imperialist competitive algorithm | |
| CN113092887A (zh) | 一种面向eng的低功耗双阈值尖峰检测处理方法及检测电路 | |
| CN117235576A (zh) | 一种基于黎曼空间的运动想象脑电意图分类方法 | |
| CN114997229A (zh) | 一种基于脑电信号的运动想象分类方法和系统 | |
| Barsakcioglu et al. | A 32-channel MCU-based feature extraction and classification for scalable on-node spike sorting |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |