CN113180670A - 一种基于指脉信号的抑郁症患者精神状态识别的方法 - Google Patents
一种基于指脉信号的抑郁症患者精神状态识别的方法 Download PDFInfo
- Publication number
- CN113180670A CN113180670A CN202110564278.1A CN202110564278A CN113180670A CN 113180670 A CN113180670 A CN 113180670A CN 202110564278 A CN202110564278 A CN 202110564278A CN 113180670 A CN113180670 A CN 113180670A
- Authority
- CN
- China
- Prior art keywords
- pulse
- neural network
- mental state
- pulse signals
- dimensional
- 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
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
- A61B5/16—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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Social Psychology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一种基于指脉信号的抑郁症患者精神状态识别的方法,包括以下具体步骤:S1、制定采样收集规则和标定规则;S2、采集人体指尖脉搏信号做去噪处理;S3、将脉搏信号切分成为单独的脉搏周期;S4、脉搏信号数据集的构建;S5、将二维的神经网络模型改造为一维的神经网络模型;S6、调整以及优化一维的神经网络模型;S7、在一维神经网络结构的卷积层中使用大尺寸卷积核的策略;S8、制定人体指尖脉搏特征提取规则和提取方法构建人体指尖脉搏特征数据集;S9、制定并改进神经网络结构;S10、对抑郁症患者精神状态进行识别。本发明对抑郁症患者的精神状态的检测成本低、监测时效性高且识别准确度高。
Description
技术领域
本发明涉及医疗信息技术领域,尤其涉及一种基于指脉信号的抑郁症患者精神状态识别的方法。
背景技术
抑郁症是最常见的抑郁障碍,以显著而持久的心境低落为主要临床特征,是心境障碍的主要类型;抑郁症从精神和身体两个方面影响着患者的生活,抑郁症已经成为了全球范围内普遍存在的问题;根据世界卫生组织的最新统计数据,全世界有三亿五千万左右的人口正在面临抑郁症带来的病痛。2005年到2015年这短短的十年间,抑郁症患者的总数量就增加了至少18%。有研究表明,抑郁症的发病率近年来逐渐攀升,抑郁症患者遍布各个年龄层,中青年群体中的抑郁症患者是最多的,并且在青年人群中,发病率有更快的提高趋势;
目前,临床上诊断抑郁症以及评估抑郁症严重程度的主要工具是精神疾病预测量表(Mental Disorder Predictive Scale),其包括标准化患者自评量表与临床他评量表。基于功能性近红外光谱(functional near-infrared spectroscopy,fNIRS)的脑功能成像技术是一种新兴的辅助抑郁症诊断的技术,fNIRS能够根据基于血液动力学变化的非侵入式的脑功能成像技术对大脑神经活动进行监测,用于辅助抑郁症的诊断。随着信息技术与计算机科学的不断发展,仅依靠传统疾病症状学的抑郁症诊断方法已经不能满足对抑郁症更加系统深入研究的需求,新兴的计算精神病学引入了计算和统计的方法来探索抑郁症的内部病理机制,结合理论驱动与数据驱动两种方法,使用高维的复杂数据进一步揭示人类身体进行信息加工的过程并辅助各种精神疾病的鉴别,这对于精神疾病的发病机制研究、预防、诊断和治疗都有着巨大的推动作用。其中,数据驱动方法主要是基于机器学习算法对多项健康数据进行有效分析,发现其中的规律,从而提高抑郁症诊断的准确性,进而为不同患者提供更加具有针对性的治疗方案,能够使全世界生活在不同发展程度的国家和地区的人们更加便捷地接受诊疗服务。
将精神疾病预测量表作为抑郁症辅助诊断的工具,缺乏客观的生物学指标,而基于功能性近红外光谱的脑功能成像图作为抑郁症辅助诊断的新技术,其成像设备价格昂贵且不易携带,抑郁症患者无法及时监测个人精神状态的变化;目前,缺乏高效快速的识别方法以识别抑郁症患者的精神状态。
发明内容
(一)发明目的
为解决背景技术中存在的技术问题,本发明提出一种基于指脉信号的抑郁症患者精神状态识别的方法,本发明对抑郁症患者的精神状态的检测成本低、监测时效性高且识别准确度高。
(二)技术方案
本发明提供了一种基于指脉信号的抑郁症患者精神状态识别的方法,包括以下具体步骤:
S1、制定人体指尖脉搏信号的采样收集规则和标定规则;
S2、采集人体指尖脉搏信号,并对信号做去噪处理,得到脉搏信号;
S3、将脉搏信号切分成为单独的脉搏周期;
S4、脉搏信号数据集的构建;
S5、将二维的神经网络模型改造为一维的神经网络模型;
S6、调整以及优化一维的神经网络模型的识别效果;
S7、在一维神经网络结构的卷积层中使用大尺寸卷积核的策略;
S8、制定人体指尖脉搏特征提取规则和提取方法,并构建人体指尖脉搏特征数据集;
S9、制定并改进适用于根据人体指尖脉搏特征进行精神状态识别的神经网络结构;
S10、对抑郁症患者精神状态进行识别。
优选的,S1中人体指尖脉搏信号的采样收集规则为:S1中人体指尖脉搏信号的采样收集规则为:在抑郁症患者处于抑郁、平静或愉悦的精神状态下进行人体指尖脉搏信号的采集,每次采集的时间为2~3min;
S1中的标定规则为:将抑郁症患者处于抑郁、平静或愉悦的精神状态下获得的人体指尖脉搏信号分别标定为抑郁状态、平静状态和愉悦状态,再对抑郁状态、平静状态和愉悦状态制定一一对应的标签。
优选的,S3中通过检测脉搏信号峰值的方法将脉搏信号切分成为单独的脉搏周期。
优选的,S5中对二维的神经网络模型改造包括将二维的卷积核、池化核以及批归一化层调整为一维。
优选的,S2中对信号做去噪处理的方法包括小波降噪和去除基线漂移。
与现有技术相比,本发明的上述技术方案具有如下有益的技术效果:
本发明提供的基于指脉信号的抑郁症患者精神状态识别的方法,通过构建脉搏信号数据集,使用一维深度神经网络根据脉搏信号进行抑郁症患者的精神状态识别;
本发明对神经网络模型的规模以及各卷积层中的卷积核的尺寸进行改进,制定人体指尖脉搏特征提取规则和提取方法,设计出适用于任务的神经网络结构,根据人工设计的规则提取的特征进行精神状态识别,本发明提供的基于脉搏信号的精神状态识别方法,是一种全新的抑郁症患者精神状态监测的方法,具有检测成本低、监测时效性高以及监测识别准确度高的优点。
附图说明
图1为本发明提出的一种基于指脉信号的抑郁症患者精神状态识别的方法的流出图。
图2为基于小波变换的降噪技术的降噪效果示意图。
图3为基于信号包络的消除基线漂移的技术的降噪效果示意图。
图4为波峰检测效果示意图。
图5为脉搏周期截取方式示意图。
图6为由全连接层构成的神经网络结构示意图。
图7为改进后的由全连接层构成的神经网络结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1-5所示,本发明提出的一种基于指脉信号的抑郁症患者精神状态识别的方法,包括以下具体步骤:
S1、制定人体指尖脉搏信号的采样收集规则和标定规则;
进一步的,S1中人体指尖脉搏信号的采样收集规则为:在抑郁症患者处于抑郁、平静或愉悦的精神状态下进行人体指尖脉搏信号的采集,每次采集的时间为2~3min;
具体过程包括,在社会上招募抑郁症患者作为志愿者,不对症患者的年龄以及性别做出限制;
使用脉搏采集仪器,如指夹式智能脉搏血氧仪,在志愿者明显处于抑郁、平静或愉悦的精神状态下进行人体指尖脉搏信号的采集,每次采集的时间为2~3min,并记录采集时的心理状况;
进一步的,S1中的标定规则为:将抑郁症患者处于抑郁、平静或愉悦的精神状态下获得的人体指尖脉搏信号分别标定为抑郁状态、平静状态和愉悦状态,再对抑郁状态、平静状态和愉悦状态制定一一对应的标签;
如将抑郁状态、平静状态和愉悦状态选用但不限于分别对应标签“0”、“1”、“2”;
S2、采集人体指尖脉搏信号,并对信号做去噪处理,得到脉搏信号;
进一步的,S2中对信号做去噪处理的方法包括小波降噪和去除基线漂移,使用传统的信号处理方法对人体指尖脉搏信号进行降噪处理;
例如:使用基于小波变换的降噪技术在最大限度保持信号特征的情况下消除信号的中高频噪声如附图2;
使用基于信号包络的消除基线漂移的技术消除信号的低频噪声附图3;
S3、将脉搏信号切分成为单独的脉搏周期;
进一步的,通过检测脉搏信号峰值的方法将脉搏信号切分成为单独的脉搏周期,如双阈值检测方法;
例如:使用matlab软件中的findpeaks函数对波峰进行检测,并根据光电式脉搏传感器的采样频率和人类的脉搏频率对相邻波峰的间隔进行了限制,检测效果如附图4所示;
通过统计波峰幅度分布情况确定正常波峰的幅度范围,对个别的异常波峰进行过滤;在截取脉搏周期时,以检测到的波峰为基准,在包含一个完整的脉搏周期的前提下,尽可能地缩短截取信号的长度,如截取75个连续的采样点作为一个脉搏周期,截取方式如附图5所示;
S4、脉搏信号数据集的构建;
例如:将每个脉搏周期信号及其对应的类别标签和指脉信号编号存储到csv文件中作为脉搏信号数据集,
第1列为脉搏周期信号对应的类别标签,
第2列为脉搏周期信号对应的指脉信号编号,
第3列到第n列为脉搏周期信号;
在模型的训练、验证、测试过程中,一个脉搏周期信号的类别标签根据其对应类别以独热编码(One-Hot Encoding)形式表示,如类别0、1、2对应的类别标签分别为[1,0,0]、[0,1,0]、[0,0,1];
S5、将二维的神经网络模型改造为一维的神经网络模型;
将针对二维图像识别任务设计的ResNet进行相应的改造,包括将ResNet中的二维的卷积核、池化核、批归一化层等调整为一维的,使其能够适用于一维信号识别任务;如将二维的ResNet-18改造为一维的ResNet-18;
S6、调整以及优化一维的神经网络模型的识别效果;
通过多次实验观察不同规模的神经网络对于精神状态识别的效果,最终确定8层的一维ResNet模型效果最好;
S7、在一维神经网络结构的卷积层中使用大尺寸卷积核的策略;
在一维ResNet-8中使用更大尺寸的卷积核进行实验,通过设置不同的卷积核尺寸在训练集和验证集上进行大量实验,最终确定在较浅的卷积层中使用较大尺寸的卷积核,随着卷积层的加深逐渐缩小使用的卷积核的尺寸的策略;
浅层的大尺寸卷积核能够充分提取指脉信号在时间维度上具有的关联特征,深层的小尺寸卷积能够基于已经提取到的特征进一步提取更高维度的特征;
一维ResNet-8包含了7层卷积层和1层全连接层,各卷积层使用的卷积核尺寸如表1所示:
表1
卷积层深度 | 卷积核尺寸 |
1 | 61 |
2 | 41 |
3 | 31 |
4 | 15 |
5 | 7 |
6 | 3 |
7 | 3 |
S8、制定人体指尖脉搏特征提取规则和提取方法,并构建人体指尖脉搏特征数据集;
需要指出的是,可以从一维时间信号中提取特征的方法从指脉信号中提取特征,如由小波变换或希尔伯特变换生成的频域特征、高阶统计量特征、局部二值模式特征等,也要根据指脉信号的特点设计相应的特征提取方法从中提取出对指脉信号识别更为有效的特征,如脉搏峰值特征、脉搏阶段最值特征;再根据步骤四中的方法构建人体指尖脉搏特征数据集;
S9、制定并改进适用于根据人体指尖脉搏特征进行精神状态识别的神经网络结构;
结合神经网络和传统机器学习算法各自的优点,使用神经网络根据依靠人工设计的规则提取的特征进行识别;例如,使用仅由全连接层构成的神经网络结构,根据从脉搏周期中提取到的多种特征进行抑郁症患者精神状态的识别;
神经网络结构如附图6所示,附图6中的矩形表示全连接层,矩形上下的数字分别表示全连接层的输入输出维度;
另外,对由全连接层构成的神经网络进行相应的改进,如对神经网络的输入结构即第一层全连接层进行相应的调整:将不同特征分别输入到单独的全连接层中进行升维操作,然后将多个升维后的特征进行合并再输入到第二层全连接层中。改进后的由全连接层构成的神经网络如附图7所示;
S10、对抑郁症患者精神状态进行识别。
在一个可选的实施例中,S5中对二维的神经网络模型改造包括将二维的卷积核、池化核以及批归一化层调整为一维。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (5)
1.一种基于指脉信号的抑郁症患者精神状态识别的方法,其特征在于,包括以下具体步骤:
S1、制定人体指尖脉搏信号的采样收集规则和标定规则;
S2、采集人体指尖脉搏信号,并对信号做去噪处理,得到脉搏信号;
S3、将脉搏信号切分成为单独的脉搏周期;
S4、脉搏信号数据集的构建;
S5、将二维的神经网络模型改造为一维的神经网络模型;
S6、调整以及优化一维的神经网络模型的识别效果;
S7、在一维神经网络结构的卷积层中使用大尺寸卷积核的策略;
S8、制定人体指尖脉搏特征提取规则和提取方法,并构建人体指尖脉搏特征数据集;
S9、制定并改进适用于根据人体指尖脉搏特征进行精神状态识别的神经网络结构;
S10、对抑郁症患者精神状态进行识别。
2.根据权利要求1所述的一种基于指脉信号的抑郁症患者精神状态识别的方法,其特征在于,S1中人体指尖脉搏信号的采样收集规则为:S1中人体指尖脉搏信号的采样收集规则为:在抑郁症患者处于抑郁、平静或愉悦的精神状态下进行人体指尖脉搏信号的采集,每次采集的时间为2~3min;
S1中的标定规则为:将抑郁症患者处于抑郁、平静或愉悦的精神状态下获得的人体指尖脉搏信号分别标定为抑郁状态、平静状态和愉悦状态,再对抑郁状态、平静状态和愉悦状态制定一一对应的标签。
3.根据权利要求1所述的一种基于指脉信号的抑郁症患者精神状态识别的方法,其特征在于,S3中通过检测脉搏信号峰值的方法将脉搏信号切分成为单独的脉搏周期。
4.根据权利要求1所述的一种基于指脉信号的抑郁症患者精神状态识别的方法,其特征在于,S5中对二维的神经网络模型改造包括将二维的卷积核、池化核以及批归一化层调整为一维。
5.根据权利要求1所述的一种基于指脉信号的抑郁症患者精神状态识别的方法,其特征在于,S2中对信号做去噪处理的方法包括小波降噪和去除基线漂移。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564278.1A CN113180670B (zh) | 2021-05-24 | 2021-05-24 | 一种基于指脉信号的抑郁症患者精神状态识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564278.1A CN113180670B (zh) | 2021-05-24 | 2021-05-24 | 一种基于指脉信号的抑郁症患者精神状态识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113180670A true CN113180670A (zh) | 2021-07-30 |
CN113180670B CN113180670B (zh) | 2023-03-21 |
Family
ID=76985167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110564278.1A Active CN113180670B (zh) | 2021-05-24 | 2021-05-24 | 一种基于指脉信号的抑郁症患者精神状态识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113180670B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113749658A (zh) * | 2021-10-11 | 2021-12-07 | 山东大学 | 基于集成学习的心肺耦合抑郁状态识别方法及系统 |
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN115399773A (zh) * | 2022-09-14 | 2022-11-29 | 山东大学 | 基于深度学习与脉搏信号的抑郁状态识别系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104127193A (zh) * | 2014-07-14 | 2014-11-05 | 华南理工大学 | 一种抑郁症程度量化的评估系统及其评估方法 |
CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测系统 |
US20200164175A1 (en) * | 2018-11-26 | 2020-05-28 | Blaubit Co., Ltd. | System for treating depression using complex biometric data |
CN111407243A (zh) * | 2020-03-23 | 2020-07-14 | 华南理工大学 | 一种基于深度学习的脉搏信号压力识别方法 |
CN112603330A (zh) * | 2020-12-28 | 2021-04-06 | 中国科学院微电子研究所 | 心电信号识别分类方法 |
-
2021
- 2021-05-24 CN CN202110564278.1A patent/CN113180670B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104127193A (zh) * | 2014-07-14 | 2014-11-05 | 华南理工大学 | 一种抑郁症程度量化的评估系统及其评估方法 |
US20200164175A1 (en) * | 2018-11-26 | 2020-05-28 | Blaubit Co., Ltd. | System for treating depression using complex biometric data |
CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测系统 |
CN111407243A (zh) * | 2020-03-23 | 2020-07-14 | 华南理工大学 | 一种基于深度学习的脉搏信号压力识别方法 |
CN112603330A (zh) * | 2020-12-28 | 2021-04-06 | 中国科学院微电子研究所 | 心电信号识别分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113749658A (zh) * | 2021-10-11 | 2021-12-07 | 山东大学 | 基于集成学习的心肺耦合抑郁状态识别方法及系统 |
CN113749658B (zh) * | 2021-10-11 | 2022-08-26 | 山东大学 | 基于集成学习的心肺耦合抑郁状态识别方法及系统 |
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN115399773A (zh) * | 2022-09-14 | 2022-11-29 | 山东大学 | 基于深度学习与脉搏信号的抑郁状态识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113180670B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113180670B (zh) | 一种基于指脉信号的抑郁症患者精神状态识别的方法 | |
CN110876626B (zh) | 基于多导联脑电最优导联选择的抑郁检测系统 | |
Cai et al. | Pervasive EEG diagnosis of depression using Deep Belief Network with three-electrodes EEG collector | |
AlSharabi et al. | EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches | |
Sharmila | Epilepsy detection from EEG signals: a review | |
Anuragi et al. | Automated alcoholism detection using fourier-bessel series expansion based empirical wavelet transform | |
Alotaibi et al. | Ensemble Machine Learning Based Identification of Pediatric Epilepsy. | |
Mustafa et al. | The analysis of eeg spectrogram image for brainwave balancing application using ann | |
CN106236027A (zh) | 一种脑电与温度相结合的抑郁人群判定方法 | |
Li et al. | Spatial–temporal discriminative restricted Boltzmann machine for event-related potential detection and analysis | |
CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
CN115414041A (zh) | 基于脑电数据的自闭症评估装置、方法、终端设备和介质 | |
Yang et al. | A novel method for automated congestive heart failure and coronary artery disease recognition using THC-Net | |
CN115349861A (zh) | 一种基于单通道脑电信号的精神压力检测系统及方法 | |
Saini et al. | Discriminatory features based on wavelet energy for effective analysis of electroencephalogram during mental tasks | |
Shyu et al. | Less parameterization inception-based end to end CNN model for EEG seizure detection | |
CN110338760B (zh) | 一种基于脑电图频域数据的精神分裂症三分类方法 | |
Huang et al. | Using high-dimensional features for high-accuracy pulse diagnosis | |
Cheng et al. | Multilevel feature learning method for accurate interictal epileptiform spike detection | |
CN114881089A (zh) | 基于双分支融合模型的抑郁脑电分类方法 | |
CN113842144A (zh) | 自适应多频带脑电信号轻度认知障碍评估方法 | |
Huang et al. | A portable household detection system based on the combination of bidirectional LSTM and residual block for automatical arrhythmia detection | |
Kang et al. | A sleep stage classification method using deep learning by extracting the characteristics of frequency domain from a single EEG channel | |
Zhang et al. | Multi-bit Local Neighborhood Difference Pattern Optimization for Seizure Detection of West Syndrome EEG Signals | |
Harpale et al. | Brain Seizure Detection and Classification Using EEG Signals |
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 |