CN113712574B - 一种脑电生物反馈得康复方法及系统 - Google Patents
一种脑电生物反馈得康复方法及系统 Download PDFInfo
- Publication number
- CN113712574B CN113712574B CN202111031487.6A CN202111031487A CN113712574B CN 113712574 B CN113712574 B CN 113712574B CN 202111031487 A CN202111031487 A CN 202111031487A CN 113712574 B CN113712574 B CN 113712574B
- Authority
- CN
- China
- Prior art keywords
- evoked potential
- segmented
- signal
- potential signal
- ref
- 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
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/375—Electroencephalography [EEG] using biofeedback
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/383—Somatosensory stimuli, e.g. electric stimulation
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种脑电生物反馈得康复方法及系统,具体包括以下步骤:获得参考信号REF(n),参考信号长度大概为诱发电位信号长度的50‑100倍;采集目标诱发电位信号X(n);通过IIR干扰相消算法,得到最接近诱发电位信号;消除的最接近诱发电位信号中的高频和低频噪声,得到诱发电位信号EP(n)。将诱发电位信号序列EP(n)按下述频率分段:得到分段诱发电位信号;将分段诱发电位信号进行小波变换、加窗处理,得到分段诱发电位数据,根据分段诱发电位数据进行动作分类识别,根据识别到的动作实施FES电刺激,并进行视频反馈。本发明的康复系统中大脑参与自主康复过程,能够缩短康复时间。
Description
技术领域
本发明涉及一种脑电生物反馈得康复方法及系统。
背景技术
目前得神经康复大多处于一个开环状态,大脑不参与自主康复过程。大多数利用电刺激与机械运动进行康复锻炼,过多依赖外部被动康复。康复周期长。
发明内容
本发明的目的是为解决现有技术的不足,提供了一种脑电生物反馈得康复方法,所述康复方法包括以下步骤:
获得参考信号REF(n),参考信号长度大概为诱发电位信号长度的50-1 00倍;
采集目标诱发电位信号X(n);
通过IIR干扰相消算法,得到最接近诱发电位信号;
消除的最接近诱发电位信号中的高频和低频噪声,得到诱发电位信号E P(n)。
将诱发电位信号序列EP(n)按下述频率分段:δ频带为0.5Hz~4Hz,θ频带为4Hz~8Hz,α频带为8Hz~13Hz,β频带为13Hz~30Hz;得到分段诱发电位信号;
将分段诱发电位信号进行小波变换、加窗处理,得到分段诱发电位数据,
根据分段诱发电位数据进行动作分类识别,
根据识别到的动作实施FES电刺激,并进行视频反馈。
一种脑电生物反馈得康复系统,所述康复系统包括:
参考信号获取单元,获得参考信号REF(n),参考信号长度大概为诱发电位信号长度的50-100倍;
诱发电位信号获取单元,采集目标诱发电位信号X(n);
干扰相消处理单元,通过IIR干扰相消算法,得到最接近诱发电位信号;
高低频噪声消除单元,消除的最接近诱发电位信号中的高频和低频噪声,得到诱发电位信号EP(n)。
分段单元,将诱发电位信号序列EP(n)按下述频率分段:δ频带为0.5 Hz~4Hz,θ频带为4Hz~8Hz,α频带为8Hz~13Hz,β频带为13Hz~30H z;得到分段诱发电位信号;
处理单元,将分段诱发电位信号进行小波变换、加窗处理,得到分段诱发电位数据,
动作识别单元,根据分段诱发电位数据进行动作分类识别,
反馈单元,根据识别到的动作实施FES电刺激,并进行视频反馈。
最接近诱发电位信号EP(n)计算公式为:
EP(n)=S(n)-W*REFM(n)
S(n)为采集到的刺激信号数据序列;REFM(n)是最大相关参考序列,通过调节W矩阵可使EP(n)获得最佳值,根据下述公式计算w的值:
W=∑S(n)*REFM(n)/∑[REFM(n)]2。
本发明的康复系统中大脑参与自主康复过程,能够缩短康复时间。
参考以下详细说明更易于理解本申请的上述以及其他特征、方面和优点。
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为一种脑电生物反馈得康复系统示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。
除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。
一种脑电生物反馈得康复方法,所述康复方法包括以下步骤:
获得参考信号REF(n),参考信号长度大概为诱发电位信号长度的50-1 00倍;采集目标诱发电位信号X(n);通过IIR干扰相消算法,得到最接近诱发电位信号;
最接近诱发电位信号EP(n)的计算公示如下:
EP(n)=X(n)-REF(n)
其中x(n)为综合信号,REF(n)为参考信号,
X(n)和REF(n)为自相关函数,所以:
R(m)=X(n)·REF(n)
其中m为参考信号的序列的活动点数(从左到右),则最大自相关的序列为REFM(n),“·”为相关运算符,R(m)为相关系数组;
求得最大相关系数的值为:
R=MAX[R(m)]
自适应关系矩阵公示如下:
EP(n)=S(n)-W*REFM(n)
其中,W为调节矩阵。REFM(n)是最大相关参考序列,通过调节W矩阵可使EP(n)获得最佳值,S(n)为采集到的刺激信号数据序列;
根据公式:
W=∑S(n)*REFM(n)/∑[REFM(n)]2
求出w的值后,
按照下述公式
EP(n)=S(n)-W*REFM(n)
对干扰实现相互消除,可得最接近诱发电位信号EP(n)。
消除的最接近诱发电位信号中的高频和低频噪声,得到诱发电位信号E P(n)。通过加入带通IIR滤波器消除的最接近诱发电位信号中的高频和低频噪声。
将诱发电位信号序列EP(n)按下述频率分段:δ频带为0.5Hz~4Hz,θ频带为4Hz~8Hz,α频带为8Hz~13Hz,β频带为13Hz~30Hz;得到分段诱发电位信号;将分段诱发电位信号进行小波变换、加窗处理,得到分段诱发电位数据;
小波变换(wavelet transform,WT)是一种新的变换分析方法,它继承和发展了短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节,解决了Fourier变换的困难问题,成为继Fourier变换以来在科学方法上的重大突破。
在信号处理中,可以说加窗处理是一个必经的过程,因为我们的计算机只能处理有限长度的信号,因此原始信号X(t)要以T(采样时间)截断,即有限化,成为XT(t)后再进一步处理,这个过程序就是加窗处理,对于非整周期采样的情况,必须考虑如何减少加窗时造成的泄漏误差,主要的措施是使用合理的加窗函数,使信号截断的锐角钝化,从而使频谱的扩散减到最少。
根据分段诱发电位数据进行动作分类识别,根据识别到的动作实施FE S电刺激,并进行视频反馈。动作分类识别包括以下步骤:获取分段诱发电位样本数据,并将所述分段诱发电位样本数据加入数据库中;根据数据库中的分段诱发电位样本数据做分类训练,获得多个局部特征;根据获取分段诱发电位数据,采用全连接层将多维局部特征通过矩阵组装成完整的一维特征;根据采用soft-max层将一维特征映射成康复动作的概率,实现动作的识别。采用CART决策树做分类训练。
如图1,一种脑电生物反馈得康复系统,所述康复系统包括:参考信号获取单元,获得参考信号REF(n),参考信号长度大概为诱发电位信号长度的50-100倍;诱发电位信号获取单元,采集目标诱发电位信号X(n);干扰相消处理单元,通过IIR干扰相消算法,得到最接近诱发电位信号;高低频噪声消除单元,消除的最接近诱发电位信号中的高频和低频噪声,得到诱发电位信号EP(n)。分段单元,将诱发电位信号序列EP(n)按下述频率分段:δ频带为0.5Hz~4Hz,θ频带为4Hz~8Hz,α频带为8Hz~13Hz,β频带为13Hz~30Hz;得到分段诱发电位信号;处理单元,将分段诱发电位信号进行小波变换、加窗处理,得到分段诱发电位数据,动作识别单元,根据分段诱发电位数据进行动作分类识别,反馈单元,根据识别到的动作实施FES电刺激,并进行视频反馈。
作为一种优选的实施方式,动作分类识别单元包括:获取分段诱发电位样本数据,并将所述分段诱发电位样本数据加入数据库中;根据数据库中的分段诱发电位样本数据做分类训练,获得多个局部特征;根据获取分段诱发电位数据,采用全连接层将多维局部特征通过矩阵组装成完整的一维特征;根据采用soft-max层将一维特征映射成康复动作的概率,实现动作的识别。采用CART决策树做分类训练。
本发明的康复系统中大脑参与自主康复过程,能够缩短康复时间。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这中叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种脑电生物反馈得康复系统,所述康复系统包括:
参考信号获取单元,获得参考信号REF(n),参考信号长度大概为诱发电位信号长度的50-100倍;
诱发电位信号获取单元,采集目标诱发电位信号X(n);
干扰相消处理单元,通过IIR干扰相消算法,得到最接近诱发电位信号;
高低频噪声消除单元,消除的最接近诱发电位信号中的高频和低频噪声,得到诱发电位信号EP(n);
分段单元,将诱发电位信号序列EP(n)按下述频率分段:
δ频带为0.5Hz~4Hz,θ频带为4Hz~8Hz,α频带为8Hz~13Hz,β频带为13Hz~30Hz;得到分段诱发电位信号;
处理单元,将分段诱发电位信号进行小波变换、加窗处理,得到分段诱发电位数据,
动作识别单元,根据分段诱发电位数据进行动作分类识别,
反馈单元,根据识别到的动作实施FES电刺激,并进行视频反馈;
所述动作分类识别单元包括:
获取分段诱发电位样本数据,并将所述分段诱发电位样本数据加入数据库中;
根据数据库中的分段诱发电位样本数据采用CART决策树做分类训练,获得多个局部特征;
根据获取分段诱发电位数据,采用全连接层将多维局部特征通过矩阵组装成完整的一维特征;
根据采用soft-max层将一维特征映射成康复动作的概率,实现动作的识别。
2.根据权利要求1所述的一种脑电生物反馈得康复系统,其特征在于,通过加入带通IIR滤波器消除的最接近诱发电位信号中的高频和低频噪声。
3.根据权利要求1所述的一种脑电生物反馈得康复系统,其特征在于,最接近诱发电位信号EP(n)计算公式为:
EP(n)=S(n)-W*REFM(n)
S(n)为采集到的刺激信号数据序列;
REFM(n)是最大相关参考序列,通过调节W矩阵可使EP(n)获得最佳值,根据下述公式计算W的值:
W=∑S(n)*REFM (n)/∑[REFM (n)]2 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111031487.6A CN113712574B (zh) | 2021-09-03 | 2021-09-03 | 一种脑电生物反馈得康复方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111031487.6A CN113712574B (zh) | 2021-09-03 | 2021-09-03 | 一种脑电生物反馈得康复方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113712574A CN113712574A (zh) | 2021-11-30 |
CN113712574B true CN113712574B (zh) | 2022-06-21 |
Family
ID=78681403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111031487.6A Active CN113712574B (zh) | 2021-09-03 | 2021-09-03 | 一种脑电生物反馈得康复方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113712574B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115670483A (zh) * | 2022-11-09 | 2023-02-03 | 上海诺诚电气股份有限公司 | 一种患者意识障碍程度监测预警系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103619278A (zh) * | 2011-06-17 | 2014-03-05 | 皇家飞利浦有限公司 | 用于内窥镜手术期间的引导注射的系统及方法 |
CN105853140A (zh) * | 2016-03-24 | 2016-08-17 | 西安交通大学 | 基于视觉运动诱发的脑控下肢主被动协同康复训练系统 |
CN107315478A (zh) * | 2017-07-05 | 2017-11-03 | 中国人民解放军第三军医大学 | 一种运动想象上肢智能康复机器人系统及其训练方法 |
CN108209909A (zh) * | 2017-12-21 | 2018-06-29 | 佛山科学技术学院 | 基于动作意图任务的双模特神经信号特征选择方法 |
CN108597584A (zh) * | 2018-03-06 | 2018-09-28 | 上海大学 | 结合稳态视觉诱发电位及运动想象的三阶段脑控上肢康复方法 |
CN108904980A (zh) * | 2018-08-01 | 2018-11-30 | 国家康复辅具研究中心 | 基于脑电和功能性电刺激的上肢主动康复方法及装置 |
CN110251088A (zh) * | 2019-07-03 | 2019-09-20 | 博睿康科技(常州)股份有限公司 | 一种联合肌电脑电的功能性电刺激康复设备 |
CN110732082A (zh) * | 2019-09-27 | 2020-01-31 | 杭州电子科技大学 | 一种经颅直流电刺激和功能性电刺激的运动功能康复方法 |
CN112201324A (zh) * | 2020-09-15 | 2021-01-08 | 山东海天智能工程有限公司 | 一种脑机接口康复训练系统及方法 |
WO2021158138A1 (ru) * | 2020-02-07 | 2021-08-12 | Общество с ограниченной ответственностью "АйТи Юниверс" | Система нейрореабилитации и способ нейрореабилитации |
-
2021
- 2021-09-03 CN CN202111031487.6A patent/CN113712574B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103619278A (zh) * | 2011-06-17 | 2014-03-05 | 皇家飞利浦有限公司 | 用于内窥镜手术期间的引导注射的系统及方法 |
CN105853140A (zh) * | 2016-03-24 | 2016-08-17 | 西安交通大学 | 基于视觉运动诱发的脑控下肢主被动协同康复训练系统 |
CN107315478A (zh) * | 2017-07-05 | 2017-11-03 | 中国人民解放军第三军医大学 | 一种运动想象上肢智能康复机器人系统及其训练方法 |
CN108209909A (zh) * | 2017-12-21 | 2018-06-29 | 佛山科学技术学院 | 基于动作意图任务的双模特神经信号特征选择方法 |
CN108597584A (zh) * | 2018-03-06 | 2018-09-28 | 上海大学 | 结合稳态视觉诱发电位及运动想象的三阶段脑控上肢康复方法 |
CN108904980A (zh) * | 2018-08-01 | 2018-11-30 | 国家康复辅具研究中心 | 基于脑电和功能性电刺激的上肢主动康复方法及装置 |
CN110251088A (zh) * | 2019-07-03 | 2019-09-20 | 博睿康科技(常州)股份有限公司 | 一种联合肌电脑电的功能性电刺激康复设备 |
CN110732082A (zh) * | 2019-09-27 | 2020-01-31 | 杭州电子科技大学 | 一种经颅直流电刺激和功能性电刺激的运动功能康复方法 |
WO2021158138A1 (ru) * | 2020-02-07 | 2021-08-12 | Общество с ограниченной ответственностью "АйТи Юниверс" | Система нейрореабилитации и способ нейрореабилитации |
CA3141005A1 (en) * | 2020-02-07 | 2021-08-12 | Vibraint Inc. | System and method for rehabilitation using visual evoked potential extraction |
CN112201324A (zh) * | 2020-09-15 | 2021-01-08 | 山东海天智能工程有限公司 | 一种脑机接口康复训练系统及方法 |
Non-Patent Citations (2)
Title |
---|
基于脑功能网络的运动想象模式识别方法研究;苌文清;《杭州电子科技大学硕士学位论文》;20200115;第32-44页 * |
脑电生物反馈机系统的设计与算法研究;卢志祥;《广东工业大学硕士学位论文》;20161115;第49-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113712574A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Removal of muscle artifacts from the EEG: A review and recommendations | |
Siuly et al. | A new framework for automatic detection of patients with mild cognitive impairment using resting-state EEG signals | |
Kim et al. | A wavelet-based method for action potential detection from extracellular neural signal recording with low signal-to-noise ratio | |
Shaker | EEG waves classifier using wavelet transform and Fourier transform | |
Mahajan et al. | Classification of EEG using PCA, ICA and Neural Network | |
Kotte et al. | Methods for removal of artifacts from EEG signal: A review | |
Sarma et al. | Pre-processing and feature extraction techniques for EEGBCI applications-a review of recent research | |
Ramos-Aguilar et al. | Analysis of EEG signal processing techniques based on spectrograms | |
Tafreshi et al. | Epileptic seizure detection using empirical mode decomposition | |
Kaushik et al. | BIOMEDICAL SIGNALS ANALYSIS BY DWT SIGNAL DENOISING WITH NEURAL NETWORKS. | |
CN113712574B (zh) | 一种脑电生物反馈得康复方法及系统 | |
CN111914735A (zh) | 一种基于tqwt和熵特征的癫痫脑电信号特征提取方法 | |
Daud et al. | Wavelet based filters for artifact elimination in electroencephalography signal: A review | |
Adochiei et al. | ECG waves and features extraction using Wavelet Multi-Resolution Analysis | |
Gu et al. | Automatic epilepsy detection based on wavelets constructed from data | |
Upadhyay et al. | Application of wavelet fractal features for the automated detection of epileptic seizure using electroencephalogram signals | |
Shi et al. | Dynamic time-frequency feature extraction for brain activity recognition | |
CN117435955A (zh) | 基于小波包分解和fbcca的脑控机械臂脑电频率检测方法 | |
Imran et al. | Motor imagery EEG signal classification scheme based on wavelet domain statistical features | |
Hindarto et al. | Feature Extraction ElectroEncephaloGram (EEG) using wavelet transform for cursor movement | |
Abougharbia et al. | A novel BCI system based on hybrid features for classifying motor imagery tasks | |
Prakash et al. | An efficient approach for denoising EOG artifact through optimal wavelet selection | |
CN115462803A (zh) | 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 | |
Fraiwan et al. | Multiclass Epilepsy Classification Using Wavelet Decomposition, Direct Quadrature, and Shannon Entropy | |
Behera et al. | Template matching based artifact detection from the brain 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 |