CN113633262A - 近红外光谱脑功能成像系统及成像信号采样方法 - Google Patents
近红外光谱脑功能成像系统及成像信号采样方法 Download PDFInfo
- Publication number
- CN113633262A CN113633262A CN202110932113.5A CN202110932113A CN113633262A CN 113633262 A CN113633262 A CN 113633262A CN 202110932113 A CN202110932113 A CN 202110932113A CN 113633262 A CN113633262 A CN 113633262A
- Authority
- CN
- China
- Prior art keywords
- module
- signal
- end module
- brain
- sampling
- 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
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种近红外光谱脑功能成像系统,包括:信号发射端模块、信号接收端模块以及信号控制端模块;其中:所述信号发射端模块,用于产生近红外光源信号;所述信号接收端模块,用于将大脑皮层反射的近红外光信号转换为数字信号实现成像;所述信号控制端模块自适应调整所述信号发射端模块和所述信号接收端模块中的工作阵列。同时提供了一种近红外光谱脑功能成像信号采集方法,该方法通过信号控制端自适应调整信号发射端模块和信号接收端模块中的工作阵列,得到信号接收端输出的数字信号。本发明能够在保证成像精度和制造成本的前提下,同时实现了电池性能好、低功耗、数据成像精度高的优点。
Description
技术领域
本发明涉及脑功能监测技术领域,具体地,涉及一种自适应的近红外光谱脑功能成像系统及成像信号采样方法。
背景技术
近红外光谱脑功能成像(functional near-infrared spectroscopy,fNIRS))是一种利用近红外光的穿透性和血红蛋白对近红外光谱的吸收特性实现的便捷、无创的用于绘制功能性人类大脑皮层的神经读出与成像的技术。相比于传统的功能性核磁共振成像(fMRI)、脑磁图(MEG)和脑电图(EEG)等成像技术,该技术对组织功能变化的灵敏性、特异性和动态性、以及使用的安全性、便携性和性价比等方面具有明显的优势,有望真正实现亚毫米级分辨率以及大人群、长时间、自然场景下应用。
图1为现有技术中近红外光谱脑功能成像系统结构示意图,如图1所示,该成像系统主要包含了三个部分,信号发射端、信号接收端(信号探测端)和信号控制模块。其中信号发射端主要由LED灯或激光光源阵列组成,其紧贴头皮,能够产生近红外光源信号,同时以“香蕉形”路径穿透头皮和头骨,经过血管中血红蛋白等吸收因子的吸收后,反射出来,反射信号再由信号接收端捕捉,从而根据信号损失情况推断出大脑皮层中血红蛋白的浓度。信号接收端主要由光电二极管阵列组成,能够将大脑反射出的光信号转化为电信号,然后得到的极小的电信号会通过硬件电路跨阻放大器(TIA)、运算放大器(OPAMP)以及数模信号转换器(ADC)转换为数字信号,最后实现脑图谱成像。信号控制模块根据预设的采样工作频率以及光电阵列的工作方式包括时分复用和频分复用,生成全采样的控制信号,用于控制光源和光电二极管的工作状态。
近红外光谱脑功能成像系统的精度和分辨率与光源阵列和探测器阵列的组成的通道规模呈正相关,高精度的成像特别是要实现全脑亚毫米级别就需要上千的通道数,功耗也成为了近红外脑功能成像的最大瓶颈,特别是针对未来可穿戴的设备。已有的降低功耗的方式主要针对降低单个光源和探测器的功耗,采用新的发光材料和光电二极管,同时设计适用于容忍低信噪比(SNR)、处理低信号强度的光电转换电路。但是现有的技术都没有通过自适应的方式去控制fNIRS系统的工作模式,包括工作频率和采样方式等等,也还没有考虑大脑的活动状态,无法更进一步的在保证信号精度的前提下降低大规模光电系统的功耗。因此亟需设计一种能够根据大脑活动状态,自适应控制工作模式的fNIRS系统,同时保证高精度和低功耗的要求。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种自适应的近红外光谱脑功能成像系统及成像信号采样方法。
根据本发明的一个方面,提供了一种近红外光谱脑功能成像系统,包括:信号发射端模块、信号接收端模块以及信号控制端模块;其中:
所述信号发射端模块,用于产生近红外光源信号;
所述信号接收端模块,用于将大脑皮层反射的近红外光信号转换为数字信号实现成像;
所述信号控制端模块,用于自适应调整所述信号发射端模块和所述信号接收端模块中的工作组件,包括:数据预处理模块、神经网络分类模块和光电阵列控制模块;所述数据预处理模块、神经网络分类模块和光电阵列控制模块依次串联于所述信号发射端模块和所述信号接收端模块之间;其中:
所述数据预处理模块,接收来自所述信号接收端模块的数字信号,并根据所述数字信号计算得到脑部血红蛋白浓度含量的三维矩阵;
所述神经网络分类模块,根据所述脑部血红蛋白浓度含量的三维矩阵,判断当前大脑的活动状态,生成控制信号;
所述光电阵列控制模块,根据所述控制信号,确定所述信号发射端模块和所述信号接收端模块的工作组件。
优选地,所述信号控制端模块首先产生初始化控制信号CS和DIN,将所述信号发射端模块和所述信号接收端模块中的所有光电器件激活,即完成一次全采样;接着所述信号接收端模块根据全采样的结果输出数字信号再反馈给所述信号控制端模块,生成与所述当前大脑的活动状态相对应的新的控制信号CS和控制信号DIN,用于控制所述信号发射端模块产生近红外光源信号以及控制所述信号接收端模块将所述近红外光源信号转换为数字信号实现成像,实现降采样过程。
优选地,所述信号发射端模块,包括多组:数模转换器、运算放大器和光源阵列;所述信号接收端模块,包括多组:跨阻放大器、运算放大器、模数转换器和光电二极管阵列;
其中,在所述降采样过程中:
所述信号控制端模块生成的新的控制信号CS和控制信号DIN,用于控制所述数模转换器;同时,当所述新的控制信号CS为低电平时,所述新的控制信号DIN的数据在时钟上升沿加载进入移位寄存器;经过所述数模转换器转换为模拟电压信号后,再经过所述运算放大器将所述模拟电压信号转化为电流信号,利用所述电流信号控制所述光源阵列中作为工作组件的各个光源器件的开关和发光强度;
所述信号接收端模块根据所述信号控制端模块生成的新的控制信号CS和控制信号DIN,确定作为工作组件的一个或多个光电二极管阵列,并进行采样工作;
进行采样工作的所述光电二极管阵列接收来自大脑皮层反射的近红外光信号并转化为模拟电压信号,经过对应的所述跨阻放大器和所述运算放大器进行放大后,再经过对应的所述模数转换器将所述模拟电压信号转化为数字信号。
优选地,所述新的控制信号DIN的数据,包括:数模转换器的寻址地址、操作指令以及数字信号值。
优选地,所述数据预处理模块,根据所述数字信号计算得到脑部血红蛋白浓度含量的三维矩阵,包括:
根据所述数字信号,计算大脑氧合血红蛋白HbO2和脱氧血红蛋白Hb的浓度量,构成HbO2浓度含量多维向量和Hb浓度含量多维向量;
将得到的所述HbO2浓度含量多维向量和Hb浓度含量多维向量求和,形成血红蛋白总浓度含量多维向量;
将得到的三个多维向量组合,形成脑部血红蛋白浓度含量的三维矩阵。
优选地,所述神经网络分类模块,包括实数卷积模块、二进制卷积模块和共享缓存模块;其中:
所述实数卷积模块将所述脑部血红蛋白浓度含量的三维矩阵作为输入并进行卷积运算后,经过所述二进制卷积模块运算得到一个多维向量;
所述共享缓存模块交替存储所述脑部血红蛋白浓度含量的三维矩阵即所述实数卷积模块的输入数据、所述实数卷积模块的输出数据即所述二进制卷积模块的输入数据以及所述二进制卷积模块的输出数据。
优选地,所述实数卷积模块包括:累加器模块、第一归一化模块、激活模块以及第一参数RAM模块;其中:
首先将所述脑部血红蛋白浓度含量的三维矩阵存储在所述共享缓存模块中,然后将所述三维矩阵中的每一个数依次送入所述累加器模块进行初步卷积操作,得到的初步卷积结果通过所述第一归一化模块进行归一化处理,得到的归一化结果进入激活模块,按照大于0置为1、小于0置为-1的激活方式得到所述实数卷积模块的最终卷积结果并输出到所述共享缓存模块中;其中,所述初步卷积结果、归一化结果以及激活模块的激活操作参数存储在所述第一参数RAM模块中。
优选地,所述二进制卷积模块包括:计算模块、第二归一化模块和第二参数RAM模块;其中:
所述共享缓存模块将所述实数卷积模块的输出数据输入到所述二进制卷积模块的计算模块中,通过所述计算模块的异或和计数操作等效替换二进制的卷积操作,得到的计算结果通过所述第二归一化模块进行归一化处理得到所述二进制卷积模块的最终预测结果并输出至所述共享缓存模块中;其中,所述计算模块的异或和计数操作参数以及归一化模块参数存储在所述第二参数RAM中。
优选地,所述神经网络分类模块,根据所述脑部血红蛋白浓度含量的三维矩阵,判断当前大脑的活动状态,生成控制信号,包括:
将所述脑部血红蛋白浓度含量的三维矩阵作为所述神经网络分类模块的输入,所述神经网络分类模块输出的预测结果为一个高维向量;其中,所述高维向量表征当前大脑活动状态以及光电阵列与大脑活动状态的对应关系,所述高维向量的维度表示大脑活动状态分类的种类数量,所述高维向量中的最大值所在的维度表示分类类别也即当前大脑的活动状态;
根据所述当前大脑的活动状态,生成相应的控制信号CS和控制信号DIN,进而通过所述光电阵列控制模块控制所述信号发射端模块和所述信号接收端模块的工作组件工作;其中,针对不同大脑活动状态生成相应的控制信号,包括:
获取不同大脑活动状态下光电阵列组成的各个通道的活跃程度;
按照所述活跃程度,从高到底筛选一定数量的通道,并通过筛选出的通道找到与之对应的工作组件。
根据本发明的另一个方面,提供了一种近红外光谱脑功能成像信号采样方法,包括:
在一个工作周期内的第一次采样中,通过信号发射端模块和信号接收端模块进行大脑皮层反射的近红外光信号全采样,此时,所述信号接收端模块输出全采样数字信号;
通过信号控制端模块接收所述全采样数字信号,并自适应调整第二次采样中所述信号发射端模块和所述信号接收端模块的工作组件;其中:
所述信号控制端模块接收来自所述信号接收端模块的全采样数字信号,并根据所述全采样数字信号计算得到脑部血红蛋白浓度含量的三维矩阵;根据所述脑部血红蛋白浓度含量的三维矩阵,判断当前大脑的活动状态,生成控制信号;根据所述控制信号,确定所述信号发射端模块和所述信号接收端模块在第二次采样中的工作组件,进行降采样;
根据第二次采样中的工作组件所获得的采样数字信号,得到下一次采样中的工作组件,直至在该工作周期内的采样全部结束。
由于采用了上述技术方案,本发明与现有技术相比,具有如下至少一项的有益效果:
本发明提供的自适应的近红外光谱脑功能成像系统及成像信号采样方法,通过信号控制端自适应调整信号发射端模块和信号接收端模块中的工作阵列,能够在保证成像精度和制造成本的前提下,同时实现了电池性能好、低功耗、数据成像精度高的优点。
本发明提供的自适应的近红外光谱脑功能成像系统及成像信号采样方法,满足可穿戴的近红外脑功能成像设备需要可便携、长续航的要求。
本发明提供的自适应的近红外光谱脑功能成像系统及成像信号采样方法,本通过信号控制端模块对信号发射端模块和信号接收端模块进行控制,接收来自信号接收端的数字信号,然后利用卷积神经网络对接收到的数字信号进行分类识别,推断出当前大脑的活动状态,进而根据当前的脑活动状态自适应地反馈控制信号发射端模块和接收端模块的光电阵列工作状态。采用自适应动态控制的光电阵列会采集活跃区域的脑部信号,而非活跃区域的光源和探测器(光电二极管阵列)会关闭,从而能够使得系统在保证采集到有用信息的前提下功耗得到大幅降低。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为现有技术中红外光谱脑功能成像系统结构示意图。
图2为本发明一实施例中自适应近红外光谱脑功能成像系统结构示意图。
图3为本发明一优选实施例中自适应近红外光谱脑功能成像系统结构示意图。
图4为本发明一优选实施例中神经网络分类模块结构示意图。
图5为本发明一优选实施例中卷积运算模块结构示意图。
图6为本发明一优选实施例中信号发射端和接收端空间自适应光电阵列示意图。
图7为本发明一实施例中自适应近红外光谱脑功能成像方法流程图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
图2为本发明一实施例提供的近红外光谱脑功能成像系统结构示意图。
如图2所示,该实施例提供的近红外光谱脑功能成像系统,可以包括:信号发射端模块、信号接收端模块以及信号控制端模块;其中:
信号发射端模块,用于产生近红外光源信号;
信号接收端模块,用于将大脑皮层反射的近红外光信号转换为数字信号实现成像;
信号控制端模块,用于自适应调整信号发射端模块和信号接收端模块中的工作组件,包括:数据预处理模块、神经网络分类模块和光电阵列控制模块;数据预处理模块、神经网络分类模块和光电阵列控制模块依次串联于信号发射端模块和信号接收端模块之间;其中:
数据预处理模块,接收来自信号接收端模块的数字信号,并根据数字信号计算得到脑部血红蛋白浓度含量的三维矩阵;
神经网络分类模块,根据脑部血红蛋白浓度含量的三维矩阵,判断当前大脑的活动状态,生成控制信号;
光电阵列控制模块,根据控制信号,确定信号发射端模块和信号接收端模块的工作组件。
在该实施例中,作为一优选实施例,信号控制端模块首先产生初始化控制信号CS和DIN,将信号发射端模块和信号接收端模块中的所有光电器件激活,即完成一次全采样;接着信号接收端模块根据全采样的结果输出数字信号再反馈给信号控制端模块,生成与当前大脑的活动状态相对应的新的控制信号CS和控制信号DIN,用于控制信号发射端模块产生近红外光源信号以及控制信号接收端模块将近红外光源信号转换为数字信号实现成像,实现降采样过程。
在该实施例中,作为一优选实施例,信号发射端模块,包括多组:数模转换器、运算放大器和光源阵列;信号接收端模块,包括多组:跨阻放大器、运算放大器、模数转换器和光电二极管阵列;
其中,在降采样过程中:
信号控制端模块生成的新的控制信号CS和控制信号DIN,用于控制数模转换器;同时,当新的控制信号CS为低电平时,新的控制信号DIN的数据在时钟上升沿加载进入移位寄存器;经过数模转换器转换为模拟电压信号后,再经过运算放大器将模拟电压信号转化为电流信号,利用电流信号控制光源阵列中作为工作组件的各个光源器件的开关和发光强度;
信号接收端模块根据信号控制端模块生成的新的控制信号CS和控制信号DIN,确定作为工作组件的一个或多个光电二极管阵列,并进行采样工作;
进行采样工作的光电二极管阵列接收来自大脑皮层反射的近红外光信号并转化为模拟电压信号,经过对应的跨阻放大器和运算放大器进行放大后,再经过对应的模数转换器将模拟电压信号转化为数字信号。
在该实施例中,作为一优选实施例,新的控制信号DIN的数据,包括:数模转换器的寻址地址、操作指令以及数字信号值。
在该实施例中,作为一优选实施例,信号控制端模块发出控制信号确定作为工作组件的一个或多个光电二极管阵列的具体方法,可以包括如下步骤:
数据预处理模块接收信号接收端模块的数字信号,并根据数字信号计算得到脑部含氧血红蛋白的浓度含量和脱氧血红蛋白浓度含量以及血红蛋白总浓度含量的三维矩阵;神经网络分类模块,根据脑部血红蛋白浓度含量的三维矩阵,判断当前大脑的活动状态;光电阵列控制模块,根据神经网络分类结果,生成相应的控制信号CS和控制信号DIN控制工作组件工作。
在该实施例中,作为一优选实施例,数据预处理模块,根据数字信号计算得到脑部血红蛋白浓度含量的三维矩阵,包括:
根据数字信号,计算大脑氧合血红蛋白HbO2和脱氧血红蛋白Hb的浓度量,构成HbO2浓度含量多维向量和Hb浓度含量多维向量;
将得到的HbO2浓度含量多维向量和Hb浓度含量多维向量求和,形成加和的血红蛋白总浓度含量多维向量;
将得到的三个多维向量组合,形成脑部血红蛋白浓度含量的三维矩阵。
在该实施例中,作为一优选实施例,神经网络分类模块,包括实数卷积模块、二进制卷积模块和共享缓存模块;其中:
实数卷积模块将脑部血红蛋白浓度含量的三维矩阵作为输入并进行卷积运算后,经过二进制卷积模块运算得到一个多维向量;
共享缓存模块交替存储脑部血红蛋白浓度含量的三维矩阵即实数卷积模块的输入数据、实数卷积模块的输出数据即二进制卷积模块的输入数据以及二进制卷积模块的输出数据。
在该实施例中,作为一优选实施例,实数卷积模块包括:累加器模块、第一归一化模块、激活模块以及第一参数RAM模块;其中:
首先将脑部血红蛋白浓度含量的三维矩阵存储在共享缓存模块中,然后将三维矩阵中的每一个数依次送入累加器模块进行初步卷积操作,得到的初步卷积结果通过第一归一化模块进行归一化处理,得到的归一化结果进入激活模块,按照大于0置为1、小于0置为-1的激活方式得到实数卷积模块的最终卷积结果并输出到共享缓存模块中;其中,初步卷积结果、归一化结果以及激活模块的激活操作参数存储在第一参数RAM模块中。
在该实施例中,作为一优选实施例,二进制卷积模块包括:计算模块、第二归一化模块和第二参数RAM模块;其中:
共享缓存模块将实数卷积模块的输出数据输入到二进制卷积模块的计算模块中,通过计算模块的异或和计数操作等效替换二进制的卷积操作,得到的计算结果通过第二归一化模块进行归一化处理得到二进制卷积模块的最终预测结果并输出至共享缓存模块中;其中,计算模块的异或和计数操作参数以及归一化模块参数存储在第二参数RAM中。
在该实施例中,作为一优选实施例,神经网络分类模块,根据脑部血红蛋白浓度含量的三维矩阵,判断当前大脑的活动状态,生成控制信号,可以包括如下步骤:
将脑部血红蛋白浓度含量的三维矩阵作为神经网络分类模块的输入,神经网络分类模块输出的预测结果为一个高维向量;其中,高维向量表征当前大脑活动状态以及光电阵列与大脑活动状态的对应关系,高维向量的维度表示大脑活动状态分类的种类数量,高维向量中的最大值所在的维度表示分类类别也即当前大脑的活动状态;
根据当前大脑的活动状态,生成相应的控制信号CS和控制信号DIN,进而通过光电阵列控制模块控制信号发射端模块和信号接收端模块的工作组件工作;其中,针对不同大脑活动状态生成相应的控制信号,包括:
获取不同大脑活动状态下光电阵列组成的各个通道的活跃程度;
按照活跃程度,从高到底筛选一定数量的通道,并通过筛选出的通道找到与之对应的工作组件。
在该实施例中,作为一优选实施例,通道的活跃程度,通过大数据分析各个通道的方差值进行量化,通道数量的筛选过程通过引入图像PSNR值量化筛选前后的误差,再进行迭代增加或减少筛选通道直到误差达到阈值要求,最终得到各个大脑活动状态下的适宜通道数量,进而得到大脑所处状态下对应的工作组件的控制信号。
图3为本发明一优选实施例提供的近红外光谱脑功能成像系统结构示意图。该系统通过信号控制端模块对信号发射端模块和信号接收端模块构成的光电阵列进行空间自适应选择,从光电阵列中获得工作阵列。其中:
信号控制端模块可以包括:数据预处理模块、卷积神经网络分类模块以及光电阵列控制模块;
数据预处理模块,用于处理接收端接收到的光电信号,并将其转化为卷积神经网络分类模块的输入矩阵数据。卷积神经网络分类模块,用于利用处理之后的血红蛋白浓度数据,推断出当前大脑的活动状态。
光电阵列控制模块,用于依据大脑活动状态控制信号发射端和接收端光电阵列的工作状态。
信号发射端模块和信号接收端模块构成的空间自适应光电阵列,能够根据大脑活动特性实现与其相匹配的工作阵列的工作。
进一步地,如图3所示,该优选实施例提供的近红外光谱脑功能成像系统,可以包括:信号发射端模块21、信号接收端模块22以及信号控制端模块23;其中:
信号发射端模块21,用于产生近红外光源信号;
信号接收端模块22,用于将大脑反射出的近红外光信号转换为数字信号,实现成像;
信号控制端模块23,可以包括:数据预处理模块231、神经网络分类模块232和光电阵列控制模块233,数据预处理模块231、神经网络分类模块232和光电阵列控制模块233依次串联于信号发射端模块21和信号接收端模块22之间;其中:
数据预处理模块231接收到来自接收端的数字信号后,结合修正的朗伯比尔定律计算大脑氧合血红蛋白(HbO2)和脱氧血红蛋白(Hb)的浓度量。接收端有多个光电二极管可以采集脑部多个局部的血红蛋白浓度量从而构成HbO2和Hb两个多维向量,再将这两个多维向量求和形成第三个多维向量,再将这三个多维向量组合为一个脑部血红蛋白浓度含量的三维矩阵。
神经网络分类模块232,用于根据三维矩阵,推断出当前大脑的活动状态,生成控制信号;
光电阵列控制模块233,用于根据控制信号,从信号发射端21和接收端22构成的光电阵列中确定若干个光源和光电二极管作为工作阵列。
下面结合图3对信号发射端模块21和信号接收端模块22进行具体说明:
信号发射端模块21主要由光源阵列组件组成,而光源阵列组件主要由多组数模转换器(DAC)、运算放大器(OPAMP)和光源阵列构成。控制信号CS和DIN由信号控制端模块23提供,经过数模转换器转换为模拟信号,再经过运算放大器将信号放大,从而控制光源阵列中的发光器件的亮灭。
信号接收端模块22主要由多组跨阻放大器(TIA)、运算放大器(OPAMP)、模数转换器以及光电二极管阵列组成。信号控制端模块23发出控制信号确定光电二极管阵列中进行采样工作的部分光电二极管阵列,进行采样工作的光电二极管阵列接收到来自大脑皮层反射的近红外光信号后,将其转化为电压信号,再经过跨阻放大器和运算放大器将电压信号进行放大,再经过模数转换器将模拟电压信号转化为数字信号输出实现成像。
下面结合图3对近红外光谱脑功能成像系统的工作模式进行说明。
本优选实施例提出的近红外光谱脑功能成像系统是周期性工作的,一个工作周期时间的长短可以根据大脑保持一个状态的时间而确定。假设一个工作周期为N秒,系统的采样频率为m赫兹,在一个周期内的第一次采样中,信号发射端模块21和信号接收端模块22构成的光电阵列中的光源和光电二极管全部保持工作状态,即在第一次采样为全采样,信号接收端模块22输出全采样数字信号,信号控制端模块23在接收到全采样数字信号之后,依次经过数据预处理模块231和神经网络分类模块232以及光电阵列控制模块233,生成光电阵列控制信号,反馈控制信号发射端模块21和信号接收端模块22构成的光电阵列,确定光电阵列中保持工作的光源和探测器光电二极管作为降采样的光电阵列,并在该周期内一直保持的降采样光电阵列进行降采样工作,同时余下的在降采样过程中,降采样的数据不会在进入分类模块中,即神经网络分类模块在余下的周期内是处于关闭状态的,从而实现极大的降低神经网络分类模块的功耗消耗。
当一个周期结束之后,近红外光谱脑功能成像系统又以上述的工作模式进行下一个工作周期的工作。
下面结合图4对神经网络分类模块232进行进一步说明。
图4为本优选实施例中神经网络分类模块232的具体结构示意图,如图4所示,神经网络分类模块232有两层卷积,第一层为实数卷积层由实数卷积硬件模块2321构成,第二层为二进制卷积层由二进制卷积硬件模块2322构成。大脑血红蛋白数据经过数据预处理模块231处理之后,成为3维实数矩阵,该实数矩阵会作为第一层实数卷积硬件模块2321的输入,经过卷积运算之后输出到二进制卷积模块2322,最后二进制卷积模块2322运算得到一个多维向量,多维向量中最大值所在的位置表示当前大脑所处的状态,需要说明的是在示意图4中只标明了四种状态,但实际环境下状态数量类型是可以通过简单的调整就可以实现改变的。
图4中,I类状态为文字识别状态,II类状态为数字逻辑计算状态,III类状态为大脑记忆状态,IV类状态为静息休息状态。
具体地,结合图5对实数卷积硬件模块(简称实数卷积模块)2321和二进制卷积硬件模块(简称二进制卷积模块)2322进行具体说明。
如图5所示,实数卷积模块2321和二进制卷积模块2322有一个共享缓存模块23214,用来保存大脑血红蛋白的三维矩阵即实数卷积层的输入数据和实数卷积层输出数据即二进制卷积层的输入数据以及二进制卷积层的输出数据,这三种数据依次交替存储在共享缓存中。
在实数卷积模块2321中,三维矩阵首先进入共享缓存模块23214,然后三维矩阵中的每一个数依次进入累加器模块23213进行初步卷积操作,由于卷积的参数都是+1和-1,所以卷积操作实则是累加和累减,经过累加器模块23213的初步卷积之后的结果再流入归一化模块23212之中进行归一化处理,最后归一化的结果再进入激活模块23211,按照大于0置为1小于0置为-1的激活方式得到实数卷积模块的结果并将结果输出到共享缓存23214中,实数卷积模块2321的初步卷积和归一化结果(中间结果)以及激活操作的参数都存储在实数卷积模块内部的参数RAM模块23215中。
在二进制卷积模块2322中,共享缓存模块23214又将实数卷积结果输入到二进制卷积模块2322的计算模块23222,该计算模块通过异或和计数操作等效替换二进制的卷积操作,接着将结果流入归一化模块23221中,经过归一化处理得到最终的预测结果,二进制卷积模块中的参数和中间结果也存储在二进制卷积模块内部的参数RAM模块23223中。
下面结合图6对信号控制端模块23对信号发射端模块21和信号接收端模块22的控制模式进行说明:
如图6所示,设以采样频率8.125Hz和上周期为8s为例,在一个周期内就有65帧采样数据。下面的控制模式是建立在全采样近红外脑功能大数据的基础之上的。自适应光电阵列的控制从两个方向出发分别解决选取哪些通道和选几个通道,首先针对自适应光电阵列中光源和探测器匹配的采样通道的选择,需要根据其活跃程度进行排序。该优选实施例中,在不同脑活动状态下,将所有采样通道采样数据求取方差,然后根据方差大小从高到低排序,以方差作为指标依据判断在各种脑活动状态下各个采样通道的活跃程度,从而根据采样通道的活跃程度推断出选取哪些采样通道。接着为了解决选取几个通道的问题,引入了图像峰值信噪比(PSNR)作为判断指标。针对一个周期内65帧的全采样数据序列,第一帧的数据由于是用于神经网络分类模块232推断当前大脑活动状态,所以不需要进行降采样处理,而后面的64帧数据会进行降采样处理。根据前述得到的各个大脑活动状态采样通道活跃程度的顺序,按照从高到低的原则,选择活跃通道作为降采样通道,为了实现降采样的效果,保留全采样数据中作为降采样通道的数据,而未被选择为降采样通道的数据会用第一帧采样数据相应通道的数据值进行填充,然后得到剩下64帧的降采样数据再进行成像,得到的成像图与全采样数据成像图进行对比,计算峰值信噪比(PSNR),如果该PSNR值未能超过阈值,即降采样后的图像失真较大,则增加降采样通道数量,重复上述步骤,直到满足PSNR超过阈值这一条件。
图7为本发明一实施例提供的近红外光谱脑功能成像信号采样方法流程图。
如图7所示,该实施例提供的近红外光谱脑功能成像信号采样方法,可以包括如下步骤:
S100,在一个工作周期内的第一次采样中,通过信号发射端模块和信号接收端模块进行大脑皮层反射的近红外光信号全采样,此时,信号接收端模块输出全采样数字信号;
S200,通过信号控制端模块接收全采样数字信号,并自适应调整第二次采样中信号发射端模块和信号接收端模块的工作组件;其中:
信号控制端模块接收来自信号接收端模块的全采样数字信号,并根据全采样数字信号计算得到脑部血红蛋白浓度含量的三维矩阵;根据脑部血红蛋白浓度含量的三维矩阵,判断当前大脑的活动状态,生成控制信号;根据控制信号,确定信号发射端模块和信号接收端模块在第二次采样中的工作组件,进行降采样;
S300,根据第二次采样中的工作组件所获得的采样数字信号,得到下一次采样中的工作组件,直至在该工作周期内的采样全部结束。
本发明上述实施例提供的近红外光谱脑功能成像系统及成像信号采样方法,通过信号控制端自适应调整信号发射端模块和信号接收端模块中的工作阵列,得到信号接收端输出的数字信号,实现成像。本发明上述实施例提供的系统及方法,能够在保证成像精度和制造成本的前提下,同时实现了电池性能好、低功耗、数据成像精度高的优点。
需要说明的是,本发明提供的方法中的步骤,可以利用系统中对应的模块、装置、单元等予以实现,本领域技术人员可以参照系统的技术方案实现方法的步骤流程,即,系统中的实施例可理解为实现方法的优选例,在此不予赘述。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种近红外光谱脑功能成像系统,包括:信号发射端模块、信号接收端模块以及信号控制端模块;其中:
所述信号发射端模块,用于产生近红外光源信号;
所述信号接收端模块,用于将大脑皮层反射的近红外光信号转换为数字信号实现成像;
其特征在于:
所述信号控制端模块,用于自适应调整所述信号发射端模块和所述信号接收端模块中的工作组件,包括:数据预处理模块、神经网络分类模块和光电阵列控制模块;所述数据预处理模块、神经网络分类模块和光电阵列控制模块依次串联于所述信号发射端模块和所述信号接收端模块之间;其中:
所述数据预处理模块,接收来自所述信号接收端模块的数字信号,并根据所述数字信号计算得到脑部血红蛋白浓度含量的三维矩阵;
所述神经网络分类模块,根据所述脑部血红蛋白浓度含量的三维矩阵,判断当前大脑的活动状态,生成控制信号;
所述光电阵列控制模块,根据所述控制信号,确定所述信号发射端模块和所述信号接收端模块的工作组件。
2.根据权利要求1所述的近红外光谱脑功能成像系统,其特征在于,所述信号控制端模块首先产生初始化控制信号CS和DIN,将所述信号发射端模块和所述信号接收端模块中的所有光电器件激活,即完成一次全采样;接着所述信号接收端模块根据全采样的结果输出数字信号再反馈给所述信号控制端模块,生成与所述当前大脑的活动状态相对应的新的控制信号CS和控制信号DIN,用于控制所述信号发射端模块产生近红外光源信号以及控制所述信号接收端模块将所述近红外光源信号转换为数字信号实现成像,实现降采样过程。
3.根据权利要求2所述的近红外光谱脑功能成像系统,其特征在于,所述信号发射端模块,包括多组:数模转换器、运算放大器和光源阵列;所述信号接收端模块,包括多组:跨阻放大器、运算放大器、模数转换器和光电二极管阵列;
其中,在所述降采样过程中:
所述信号控制端模块生成的新的控制信号CS和控制信号DIN,用于控制所述数模转换器;同时,当所述新的控制信号CS为低电平时,所述新的控制信号DIN的数据在时钟上升沿加载进入移位寄存器;经过所述数模转换器转换为模拟电压信号后,再经过所述运算放大器将所述模拟电压信号转化为电流信号,利用所述电流信号控制所述光源阵列中作为工作组件的各个光源器件的开关和发光强度;
所述信号接收端模块根据所述信号控制端模块生成的新的控制信号CS和控制信号DIN,确定作为工作组件的一个或多个光电二极管阵列,并进行采样工作;
进行采样工作的所述光电二极管阵列接收来自大脑皮层反射的近红外光信号并转化为模拟电压信号,经过对应的所述跨阻放大器和所述运算放大器进行放大后,再经过对应的所述模数转换器将所述模拟电压信号转化为数字信号。
4.根据权利要求3所述的近红外光谱脑功能成像系统,其特征在于,所述新的控制信号DIN的数据,包括:数模转换器的寻址地址、操作指令以及数字信号值。
5.根据权利要求1所述的近红外光谱脑功能成像系统,其特征在于,所述数据预处理模块,根据所述数字信号计算得到脑部血红蛋白浓度含量的三维矩阵,包括:
根据所述数字信号,计算大脑氧合血红蛋白HbO2和脱氧血红蛋白Hb的浓度量,构成HbO2浓度含量多维向量和Hb浓度含量多维向量;
将得到的所述HbO2浓度含量多维向量和Hb浓度含量多维向量求和,形成血红蛋白总浓度含量多维向量;
将得到的三个多维向量组合,形成脑部血红蛋白浓度含量的三维矩阵。
6.根据权利要求1所述的近红外光谱脑功能成像系统,其特征在于,所述神经网络分类模块,包括实数卷积模块、二进制卷积模块和共享缓存模块;其中:
所述实数卷积模块将所述脑部血红蛋白浓度含量的三维矩阵作为输入并进行卷积运算后,经过所述二进制卷积模块运算得到一个多维向量;
所述共享缓存模块交替存储所述脑部血红蛋白浓度含量的三维矩阵即所述实数卷积模块的输入数据、所述实数卷积模块的输出数据即所述二进制卷积模块的输入数据以及所述二进制卷积模块的输出数据。
7.根据权利要求6所述的近红外光谱脑功能成像系统,其特征在于,所述实数卷积模块包括:累加器模块、第一归一化模块、激活模块以及第一参数RAM模块;其中:
首先将所述脑部血红蛋白浓度含量的三维矩阵存储在所述共享缓存模块中,然后将所述三维矩阵中的每一个数依次送入所述累加器模块进行初步卷积操作,得到的初步卷积结果通过所述第一归一化模块进行归一化处理,得到的归一化结果进入激活模块,按照大于0置为1、小于0置为-1的激活方式得到所述实数卷积模块的最终卷积结果并输出到所述共享缓存模块中;其中,所述初步卷积结果、归一化结果以及激活模块的激活操作参数存储在所述第一参数RAM模块中。
8.根据权利要求6所述的近红外光谱脑功能成像系统,其特征在于,所述二进制卷积模块包括:计算模块、第二归一化模块和第二参数RAM模块;其中:
所述共享缓存模块将所述实数卷积模块的输出数据输入到所述二进制卷积模块的计算模块中,通过所述计算模块的异或和计数操作等效替换二进制的卷积操作,得到的计算结果通过所述第二归一化模块进行归一化处理得到所述二进制卷积模块的最终预测结果并输出至所述共享缓存模块中;其中,所述计算模块的异或和计数操作参数以及归一化模块参数存储在所述第二参数RAM中。
9.根据权利要求1所述的近红外光谱脑功能成像系统,其特征在于,所述神经网络分类模块,根据所述脑部血红蛋白浓度含量的三维矩阵,判断当前大脑的活动状态,生成控制信号,包括:
将所述脑部血红蛋白浓度含量的三维矩阵作为所述神经网络分类模块的输入,所述神经网络分类模块输出的预测结果为一个高维向量;其中,所述高维向量表征当前大脑活动状态以及光电阵列与大脑活动状态的对应关系,所述高维向量的维度表示大脑活动状态分类的种类数量,所述高维向量中的最大值所在的维度表示分类类别也即当前大脑的活动状态;
根据所述当前大脑的活动状态,生成相应的控制信号CS和控制信号DIN,进而通过所述光电阵列控制模块控制所述信号发射端模块和所述信号接收端模块的工作组件工作;其中,针对不同大脑活动状态生成相应的控制信号,包括:
获取不同大脑活动状态下光电阵列组成的各个通道的活跃程度;
按照所述活跃程度,从高到底筛选一定数量的通道,并通过筛选出的通道找到与之对应的工作组件。
10.一种近红外光谱脑功能成像信号采样方法,其特征在于,包括:
在一个工作周期内的第一次采样中,通过信号发射端模块和信号接收端模块进行大脑皮层反射的近红外光信号全采样,此时,所述信号接收端模块输出全采样数字信号;
通过信号控制端模块接收所述全采样数字信号,并自适应调整第二次采样中所述信号发射端模块和所述信号接收端模块的工作组件;其中:
所述信号控制端模块接收来自所述信号接收端模块的全采样数字信号,并根据所述全采样数字信号计算得到脑部血红蛋白浓度含量的三维矩阵;根据所述脑部血红蛋白浓度含量的三维矩阵,判断当前大脑的活动状态,生成控制信号;根据所述控制信号,确定所述信号发射端模块和所述信号接收端模块在第二次采样中的工作组件,进行降采样;
根据第二次采样中的工作组件所获得的采样数字信号,得到下一次采样中的工作组件,直至在该工作周期内的采样全部结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932113.5A CN113633262B (zh) | 2021-08-13 | 2021-08-13 | 近红外光谱脑功能成像系统及成像信号采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932113.5A CN113633262B (zh) | 2021-08-13 | 2021-08-13 | 近红外光谱脑功能成像系统及成像信号采样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113633262A true CN113633262A (zh) | 2021-11-12 |
CN113633262B CN113633262B (zh) | 2023-08-18 |
Family
ID=78421661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110932113.5A Active CN113633262B (zh) | 2021-08-13 | 2021-08-13 | 近红外光谱脑功能成像系统及成像信号采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113633262B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114601430A (zh) * | 2022-03-23 | 2022-06-10 | 浙江大学 | 一种基于近红外光刺激的皮层功能连接定位装置 |
CN115944293A (zh) * | 2023-03-15 | 2023-04-11 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090240152A1 (en) * | 2005-02-09 | 2009-09-24 | Angelsen Bjorn A J | Digital Ultrasound Beam Former with Flexible Channel and Frequency Range Reconfiguration |
US20120123245A1 (en) * | 2010-11-12 | 2012-05-17 | Labros Petropoulos | Multi Transmit/Receive Head Array Coil with Removable Panels |
WO2016107433A1 (zh) * | 2014-12-31 | 2016-07-07 | 苏州上声电子有限公司 | 基于三态编码的通道状态选取方法和装置 |
KR20160121348A (ko) * | 2015-04-09 | 2016-10-19 | 대한민국(국립재활원장) | 기능적 근적외선 분광법의 뇌활성도 측정에 따른 유효 채널 추출 방법 및 장치 |
CN106798562A (zh) * | 2017-04-05 | 2017-06-06 | 北京航空航天大学 | 基于近红外光谱成像驱动的前庭电刺激空间定向障碍对抗装置 |
CN107168524A (zh) * | 2017-04-19 | 2017-09-15 | 华南理工大学 | 一种基于深度学习混合模型的稳态视觉诱发电位分类方法 |
CN107616792A (zh) * | 2017-09-15 | 2018-01-23 | 中国科学技术大学 | 一种万级数量通道的脑神经信号采集处理电路 |
CN110198665A (zh) * | 2016-11-16 | 2019-09-03 | 三星电子株式会社 | 电子设备及其控制方法 |
CN110812707A (zh) * | 2019-11-25 | 2020-02-21 | 北京师范大学 | 一种脑成像和光神经调控一体化装置 |
CN112843477A (zh) * | 2021-01-12 | 2021-05-28 | 河北工业大学 | 经颅磁声电刺激脑调控装置与经颅磁声电刺激脑调控方法 |
CN112987919A (zh) * | 2021-02-07 | 2021-06-18 | 江苏集萃脑机融合智能技术研究所有限公司 | 一种基于间接测量飞行时间技术的脑机接口系统以及实现方法 |
-
2021
- 2021-08-13 CN CN202110932113.5A patent/CN113633262B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090240152A1 (en) * | 2005-02-09 | 2009-09-24 | Angelsen Bjorn A J | Digital Ultrasound Beam Former with Flexible Channel and Frequency Range Reconfiguration |
US20120123245A1 (en) * | 2010-11-12 | 2012-05-17 | Labros Petropoulos | Multi Transmit/Receive Head Array Coil with Removable Panels |
WO2016107433A1 (zh) * | 2014-12-31 | 2016-07-07 | 苏州上声电子有限公司 | 基于三态编码的通道状态选取方法和装置 |
KR20160121348A (ko) * | 2015-04-09 | 2016-10-19 | 대한민국(국립재활원장) | 기능적 근적외선 분광법의 뇌활성도 측정에 따른 유효 채널 추출 방법 및 장치 |
CN110198665A (zh) * | 2016-11-16 | 2019-09-03 | 三星电子株式会社 | 电子设备及其控制方法 |
CN106798562A (zh) * | 2017-04-05 | 2017-06-06 | 北京航空航天大学 | 基于近红外光谱成像驱动的前庭电刺激空间定向障碍对抗装置 |
CN107168524A (zh) * | 2017-04-19 | 2017-09-15 | 华南理工大学 | 一种基于深度学习混合模型的稳态视觉诱发电位分类方法 |
CN107616792A (zh) * | 2017-09-15 | 2018-01-23 | 中国科学技术大学 | 一种万级数量通道的脑神经信号采集处理电路 |
CN110812707A (zh) * | 2019-11-25 | 2020-02-21 | 北京师范大学 | 一种脑成像和光神经调控一体化装置 |
CN112843477A (zh) * | 2021-01-12 | 2021-05-28 | 河北工业大学 | 经颅磁声电刺激脑调控装置与经颅磁声电刺激脑调控方法 |
CN112987919A (zh) * | 2021-02-07 | 2021-06-18 | 江苏集萃脑机融合智能技术研究所有限公司 | 一种基于间接测量飞行时间技术的脑机接口系统以及实现方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114601430A (zh) * | 2022-03-23 | 2022-06-10 | 浙江大学 | 一种基于近红外光刺激的皮层功能连接定位装置 |
CN114601430B (zh) * | 2022-03-23 | 2024-02-20 | 浙江大学 | 一种基于近红外光刺激的皮层功能连接定位装置 |
CN115944293A (zh) * | 2023-03-15 | 2023-04-11 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
CN115944293B (zh) * | 2023-03-15 | 2023-05-16 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113633262B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113633262B (zh) | 近红外光谱脑功能成像系统及成像信号采样方法 | |
Zhao et al. | Review of recent progress toward a fiberless, whole-scalp diffuse optical tomography system | |
Spivak et al. | Wide-dynamic-range CMOS image sensors—Comparative performance analysis | |
US5676141A (en) | Electronic processor for pulse oximeters | |
CN110958851B (zh) | 健康监测装置 | |
EP1257195A2 (en) | Multivariate analysis of green to ultraviolet spectra of cell and tissue samples | |
US20210123801A1 (en) | Ambient light signal adjustment method, chip and electronic equipment | |
US20170212253A1 (en) | Adaptive ct detector having integrated readout electronics | |
US11813041B2 (en) | Photodetector architectures for time-correlated single photon counting | |
US20170076521A1 (en) | Individualized control system utilizing biometric characteristic | |
US20150077613A1 (en) | Foveal Imager Readout Integrated Circuit (ROIC) | |
CN107137079A (zh) | 基于脑信号控制设备的方法、其控制设备及人机交互系统 | |
Shoaran et al. | A fully integrated IC with 0.85-μw/channel consumption for epileptic iEEG detection | |
Caizzone et al. | Comprehensive noise analysis in PPG read-out chains | |
CN109923785A (zh) | 电流抵消电路、心率检测装置和可穿戴设备 | |
US20200359900A1 (en) | Biometric signal measuring device | |
CN114584757A (zh) | 一种简易式ccd满阱测试方法 | |
CN112842365A (zh) | 检测装置及其制造方法 | |
CN107427240A (zh) | 光学分析系统和方法 | |
CN109187423B (zh) | 一种扩散光学层析成像系统 | |
Trabelsi et al. | A preliminary investigation into the design of an implantable optical blood glucose sensor | |
CN111543983A (zh) | 一种基于神经网络的脑电信号通道选择方法 | |
WO2005101980A2 (en) | Device, system, and method of wide dynamic range imaging | |
CN113288134B (zh) | 用于训练血糖分类模型的方法、装置、手环设备及处理器 | |
CN111667064A (zh) | 基于光电计算单元的混合型神经网络及其运算方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |