CN113812964A - 脑电特征的代理测量及伪多模态冻结步态检测方法、装置 - Google Patents
脑电特征的代理测量及伪多模态冻结步态检测方法、装置 Download PDFInfo
- Publication number
- CN113812964A CN113812964A CN202110880751.7A CN202110880751A CN113812964A CN 113812964 A CN113812964 A CN 113812964A CN 202110880751 A CN202110880751 A CN 202110880751A CN 113812964 A CN113812964 A CN 113812964A
- Authority
- CN
- China
- Prior art keywords
- gait
- signal
- patient
- electroencephalogram
- rhythm component
- 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
- A61B5/24—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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- 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
- A61B5/72—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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种脑电特征的代理测量及伪多模态冻结步态检测方法、装置,该方法包括:获取患者的步态信号;根据所述步态信号,重构患者的脑电信号的节律分量,并用于帕金森冻结步态检测。本发明提供的技术方案,通过患者步态信号,运用端到端的神经网络代理测量模型,重构患者的脑电信号的节律分量,实现信息从步态特征数据到脑电数据的跨传感器迁移,无需使用价格昂贵的脑电检测装置即可间接获取到能够用于患者冻结步态检测的脑电信号的节律分量,成本低、可穿戴性好、用户体验度好、满意度高;同时,避免了复杂的脑电采集准备过程和复杂的后续脑电数据预处理过程,为帕金森患者的健康管理、病程监测、疗效评估提供了新方法。
Description
技术领域
本发明涉及冻结步态检测技术领域,具体涉及一种脑电特征的代理测量及伪多模态冻结步态检测方法、装置。
背景技术
帕金森疾病是一种常见于老年人的神经退行性疾病,已成为全球仅次于阿尔茨海默病的第二大脑神经疾病。许多帕金森患者表现出各种运动和非运动症状,如静止性震颤、运动迟缓、记忆障碍、焦虑和睡眠障碍等,极大影响着日常生活。
冻结步态是帕金森疾病最棘手的症状之一,容易导致患者摔倒而造成生命安全危险。患者在冻结步态发作时常表现为难以起步,行走时双脚像被粘在地上,无法行进,双腿颤抖等等。常见的冻结步态诱发因素包括急促的起身或行走,通过狭窄通道以及突然的转弯等等。患者在未发作冻结步态时,行走与正常人一样。尽管在生活中冻结步态现象比较常见,但是由于冻结步态的病理机制尚不明确,冻结步态的发作时间仍然难以准确及时地检测到,极大阻碍了冻结步态的预防与干预。
可穿戴惯性传感器无论在实验室还是居家环境中都是检测冻结步态的最常用解决方案。惯性传感器常被安装在与患者运动相关的身体部位,如腰部、胸背部、上肢和下肢等等,采集各种惯性信号(如加速度、角速度等)来进行冻结步态检测。同时,近期研究表明脑电信号为冻结步态发作的预测和神经机制的理解提供了重要信息。在冻结步态研究中,相关研究观察到帕金森患者伴随着θ和α频带的功率增加以及β和γ功率的降低。除了关注单模态特征外,许多研究聚焦于多模态特征融合以提高冻结步态检测性能。常用的多模态信息包括加速度、角速度、步态特征(例如步幅和步速)、大脑和心脏活动、眼球运动,肌电信号等等,然后使用基于统计检验或机器学习的方法进行特征选择过程。
然而,基于多模态的冻结步态检测的实际应用存在一定的局限。一方面,多模态信号的采集通常采用独立的子系统进行,导致检测系统可穿戴性差、成本高、实际使用不便等问题。例如,脑电信号的采集需要提前进行耗时的准备工作,设备成本昂贵,可穿戴性差,不适合持续监测患者的大脑活动。另一方面,大多数基于多模态冻结步态检测的研究都是采用不同生理特征的简单拼接或组合实现,忽略了可能在冻结步态检测中发挥重要作用的跨模态连接信息。如何在保证多模态特征融合质量的同时增强用户的可穿戴体验仍然是一项具有挑战性的任务。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种脑电特征的代理测量及伪多模态冻结步态检测方法、装置,以解决现有技术中通过脑电检测装置直接获取脑电信号,价格昂贵、准备时间长、可穿戴性差、无法实现长期监测的问题。
为实现以上目的,本发明采用如下技术方案:
根据本发明实施例的第一方面,提供一种脑电特征的代理测量方法,包括:
获取患者的步态信号;
根据所述步态信号,重构患者的脑电信号的节律分量;
所述步态信号至少包括:患者的步态加速度信号。
优选地,所述获取患者的步态信号,至少包括:
通过至少一个安装在患者左腿外侧胫骨处或者右腿外侧胫骨处三轴加速度传感器,获取患者的步态加速度信号。
优选地,所述节律分量包括:
来自额零Fz通道的δ、θ、α、β子带分量;
来自枕一O1通道的δ、θ、α、β子带分量;
来自中央零Cz通道的δ、θ、α、β子带分量。
优选地,所述根据所述步态信号,重构患者的脑电信号的节律分量,包括:
对所述步态信号进行预处理,得到预处理后的步态信号;
将预处理后的步态信号的时间序列及其延时序列,输入到训练后的端到端的神经网络代理测量模型中,得到所述患者的脑电信号的节律分量。
优选地,
所述端到端的神经网络代理测量模型为LSTM模型;
所述LSTM模型通过以下方法训练得到,包括:
构建LSTM模型结构,包括:输入层、特征提取层和输出层;
训练所述LSTM模型的参数值,包括:
将患者的通过预处理的步态信号时间序列及其延时序列,及患者的脑电信号的节律分量作为模型的输入输出数据,通过特征提取层提取与脑电节律分量相关的抽象特征,输出层重构的脑电信号的节律分量;应用误差反向传播算法调整所述LSTM模型输入层、特征提取层和输出层的参数值,直至拟合度达到预设值;
保存此时的参数值作为训练后的LSTM模型的参数值。
优选地,所述输入层的输入信号通过以下方法获取,包括:
通过患者佩戴的步态特征传感器采集患者的步态信号,所述步态传感器至少包括:三轴加速度传感器;
通过患者佩戴的脑电检测设备,同步采集患者的脑电信号;
对同步采集的步态信号及脑电信号进行预处理;
将预处理后的步态信号的时间序列及其延时序列,作为所述LSTM模型的输入,将预处理后的脑电信号分解为预设通道的子带分量,作为所述LSTM模型的目标输出值指导所述LSTM模型进行监督学习。
根据本发明实施例的第二方面,提供一种脑电特征的代理测量装置,包括:
获取单元,用于获取患者的步态信号;
重构单元,根据所述步态信号,重构患者的脑电信号的节律分量;
输出单元,用于输出重构的脑电信号的节律分量。
优选地,所述装置,还包括:
处理单元,用于根据所述步态信号,提取患者的步态特征;
所述输出单元,还用于输出重构的脑电信号的节律分量及所述步态特征。
根据本发明实施例的第三方面,提供一种伪多模态冻结步态检测装置,包括:
上述的脑电特征的代理测量装置。
根据本发明实施例的第四方面,提供一种伪多模态冻结步态检测方法,包括:
上述的脑电特征的代理测量方法;
通过所述代理测量方法,重构患者的脑电信号的节律分量;
从重构的脑电信号的节律分量中提取冻结步态相关的脑电特征;
根据所述脑电特征,判断患者是否发生冻结步态。
根据本发明实施例的第五方面,提供一种伪多模态冻结步态检测方法,包括:
上述的脑电特征的代理测量方法;
通过所述代理测量方法,重构患者的脑电信号的节律分量;
从重构的脑电信号的节律分量中提取冻结步态相关的脑电特征;
从患者的步态信号中提取患者的步态特征;
将所述脑电特征和步态特征进行特征融合,判断患者是否发生冻结步态。
本发明采用以上技术方案,至少具备以下有益效果:
由于冻结步态发生过程中大脑活动和步态异常之间的生理过程紧密相关,因此本发明提供的技术方案,基于患者行走过程中脑电信息和步态信息之间的动态耦合关系,通过获取患者的步态信号,重构患者的脑电信号的节律分量,实现信息从步态数据到脑电数据的跨传感器迁移,无需使用价格昂贵的脑电检测装置即可间接获取到能够用于患者冻结步态检测的脑电信号的节律分量,成本低、可穿戴性好、用户体验度好、满意度高;同时,避免了复杂的脑电采集准备过程和复杂的后续脑电数据预处理过程,为帕金森患者的健康管理、病程监测、疗效评估提供了新方法。
另外,由于重构的脑电信号的节律分量是基于患者步态加速度信号提取的,代理模态(患者的步态加速度信号)为最终的融合结果提供信息源,而目标模态(重构的脑电信号的节律分量)为信息融合提供指导信息,因此本发明提供的技术方案,能充分揭示不同模态信息之间的依赖关系,相比传统的把多个模态信息放在一起进行简单拼接的多模态信息融合方法,本发明提供的技术方案,冻结步态检测准确率和精度更高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种脑电特征的代理测量方法的流程图;
图2为本发明一实施例提供的LSTM模型的结构示意图;
图3为本发明一实施例提供的LSTM模型的训练及测试示意图;
图4A~图4D分别为本发明一实施例提供的受试者S1的Fz通道的δ、θ、α、β子带的代理测量结果;
图5为本发明一实施例提供的一种脑电特征的代理测量装置的示意框图;
图6为本发明一实施例提供的一种冻结步态检测方法的流程图;
图7为本发明另一实施例提供的一种冻结步态检测方法的流程图;
图8为本发明一实施例提供的现有技术和本申请提供的冻结步态检测方法的流程对比图。
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,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
如前面背景技术所述,在冻结步态的检测研究中,多模态特征能够从多个角度表征患者复杂的生理过程。然而,多模态数据的获取和应用可能存在问题。一方面,使用单独的子系统分别获取每个模态数据使得多模态数据采集过程变得更加复杂且可实用性差,尤其是对于帕金森疾病患者,无法穿戴复杂的检测设备。另一方面,不同生理特征的简单拼接或组合可能会忽略不同模态之间的重要相互关系。在实际应用中需要将多模态数据的采集集成到一个简单且高度可穿戴的检测系统中,并以高度融合的形式表示多模态数据。代理测量(PM)通常应用于代理变量和目标变量之间存在潜在联系,但直接测量目标变量较为困难或成本较高的情况,本发明为多模态数据采集和深度融合提供了新的可能性。
现有技术中,脑电信号采集存在诸多问题,包括:
1、准备时间长,一般需要一个多小时;
2、设备昂贵(几十万);
3、可穿戴性差,不能长时间佩戴。一方面是因为非侵入式脑电检测设备的脑电湿电极大概用一个多小时就干了无法持续使用,另一方面是因为基于干电极的脑电采集设备相较惯性采集系统(如运动手环等)穿戴繁琐笨重,患者本身穿戴舒适性差。
而人的步态特征可以在一定程度上反映人的脑电活动,因此,在具体实践中,可以通过获取患者的步态特征,重构出与步态特征相关的脑电特征,进而避免使用昂贵的脑电检测设备。
为此,本发明提出了以下技术方案:
实施例一
图1是根据一示例性实施例示出的一种脑电特征的代理测量方法的流程图,如图1所示,该方法包括:
步骤S11、获取患者的步态信号;
步骤S12、根据所述步态信号,重构患者的脑电信号的节律分量;
所述步态信号至少包括:患者的步态加速度信号。
可以理解的是,所述步态信号除了包括患者的步态加速度信号(在上下左右前后六个方向的加速度信号),还可以包括患者的步态角度信号(在上下左右前后六个方向的角度信号)等步态信号。步态信号的种类越多,越利于后续重构脑电信号的节律分量。
在具体实践中,所述步态信号可以通过步态特征传感器获取,所述步态特征传感器包括但不限于:三轴加速度传感器(通常安装在下肢和腰部,优选安装在下肢)、角速度传感器(通常安装在下肢和腰部,优选安装在腰部)等惯性传感器。
所述获取患者的步态信号,至少包括:
通过至少一个安装在患者左腿外侧胫骨处或者右腿外侧胫骨处惯性传感器,获取患者的步态加速度信号。
所述惯性传感器包括但不限于:三轴加速度传感器、角速度传感器等。
假设所述惯性传感器仅有三轴加速度传感器,当所述加速度传感器为一个时,所述加速度传感器安装在患者左腿外侧胫骨处,或者,安装在患者右腿外侧胫骨处;
当所述加速度传感器为两个时,两个加速度传感器分别安装在患者左右腿外侧胫骨;当所述加速度传感器为三个时,三个加速度传感器分别安装在患者左右腿外侧胫骨和腰部第五腰椎处。可以理解的是,加速度传感器越多,获取的信号越丰富,对于后续重构脑电信号越有利,代理测量准确率越高。
在具体实践中,通过实验发现仅选择安装一个加速度传感器,就能获取较精准的脑电信号的节律分量。因此,为了提高穿戴体验,可以通过一个安装在患者左腿外侧胫骨处或者右腿外侧胫骨处三轴加速度传感器,获取患者的步态加速度信号。
需要说明的是,在具体实践中,所述步骤S11和步骤S12可以集成在同一台检测装置/设备中实现(例如,集成在带有处理器的步态特征传感器中),也可以加载在不同设备中实现(例如,使用步态特征传感器实现步骤S11,使用与步态特征传感器相连的电脑、计算机、处理器等实现步骤S12)。
需要说明的是,本实施例提供的技术方案基于以下三点考虑代理测量模型不直接重构脑电信号而是重构脑电信号的节律分量:首先,大脑活动非常丰富,从步态信号直接重构全部脑电信号难度大;其次,一些复杂的高频脑电活动与冻结步态的发生不直接相关,无需直接重构脑电信号;最后,直接重构脑电信号再提取节律信息并生成脑电特征会二次引入误差。因此,本实施例提供的技术方案,仅重构了患者的脑电信号的节律分量,而不是患者的脑电信号。
在具体实践中,本实施例提供的技术方案,重构的节律分量包括:
来自额零Fz通道的δ、θ、α、β子带分量;
来自枕一O1通道的δ、θ、α、β子带分量;
来自中央零Cz通道的δ、θ、α、β子带分量。
其中,各子带分量的频段为:δ(0~3.9Hz)、θ(3.9~7.8Hz)、α(7.8~15.6Hz)、β(15.6~31.2Hz)。
可以理解的是,人的脑电活动包含的信息丰富,直接重构原始脑电信号较为困难。在人的神经活动调控过程中,局部的神经活动与人体步态信息形成调控通路,只有与步态信息相关的脑电活动才具有冻结步态检测的实用价值,与步态信息无关的脑电信息无需重构,如γ节律分量和高频噪声等。本实施例提供的技术方案是为了后续检测冻结步态提供数据基础,而输出上述三个通道的δ、θ、α、β节律分量,完全可以满足后续冻结步态检测的数据需求。
在具体实践中,所述根据所述步态信号,重构患者的脑电信号的节律分量,包括:
对所述步态信号进行预处理(包括低通滤波、标准化等预处理过程),得到预处理后的步态信号;
将预处理后的步态信号的时间序列及其延时序列,输入到训练后的端到端的神经网络代理测量模型中,得到所述患者的脑电信号的节律分量。
所述端到端的神经网络代理测量模型为LSTM模型;
所述LSTM模型通过以下方法训练得到,包括:
构建LSTM模型结构,包括:输入层、特征提取层和输出层;
训练所述LSTM模型的参数值,包括:
将患者的通过预处理的步态信号时间序列及其延时序列,及患者的脑电信号的节律分量作为模型的输入输出数据,通过特征提取层提取与脑电节律分量相关的抽象特征,输出层重构的脑电信号的节律分量;应用误差反向传播算法调整所述LSTM模型输入层、特征提取层和输出层的参数值,直至拟合度达到预设值;
步态信号保存此时的参数值作为训练后的LSTM模型的参数值。
优选地,所述输入层的输入信号通过以下方法获取,包括:
通过患者佩戴的步态特征传感器采集患者的步态信号,所述步态特征传感器至少包括:三轴加速度传感器;
通过患者佩戴的脑电检测设备,同步采集患者的脑电信号;
对同步采集的步态信号及脑电信号进行预处理;
将预处理后的步态信号的时间序列及其延时序列,作为所述LSTM模型的输入,将预处理后的脑电信号分解为预设通道的子带分量(通过六尺度小波变换分解为预设通道的子带分量),作为所述LSTM模型的目标输出值指导所述LSTM模型进行监督学习。
其中,所述预处理包括:去噪及归一化处理,包括:
分别去除所述步态信号及脑电信号中的噪声信号;
以步态信号为步态加速度信号为例,去除步态信号中的噪声信号,包括:对步态加速度信号进行去均值操作,并通过终止频率为31.25Hz的六阶Butterworth低通滤波器进行滤波,去除高频噪声干扰。
去除脑电信号中的噪声信号,具体为:脑电信号被降采样到500Hz以进行数据对齐,通过独立分量分析(ICA)去除眼电图(EOG)的伪迹。随后,脑电信号经0.5~100Hz带通滤波器滤波。
对去噪后的步态加速度信号的时间序列及其延时序列进行标准化处理,得到均值为0、方差为1的时间序列。
以患者的步态信号为步态加速度信号为例,步态加速度信号的三轴时间序列为:x[n],y[n],z[n],假设延时7个时间点,得到:
x[n],x[n-1],x[n-2],x[n-3],x[n-4],x[n-5],x[n-6],x[n-7];
y[n],y[n-1],y[n-2],y[n-3],y[n-4],y[n-5],y[n-6],y[n-7];
z[n],z[n-1],z[n-2],z[n-3],z[n-4],z[n-5],z[n-6],z[n-7];
参见图2,输入到LSTM模型中的时间序列的维数为3*8=24,以提取输入序列的时间依赖关系,随后串联两个全连接层以找到预期变量的最佳表示。步态加速度信号的时间延迟表征了丰富的短期时间信息,而LSTM层表征了步态加速度时间序列的长期依赖关系。引入了两个dropout比率为0.5的全连接层以获取脑电信号频带的抽象特征。其中,这两个全连接层神经元数分别为150和50,输出为患者脑电信号的代理测量节律分量。
可以理解的是,本实施例提供的技术方案基于训练后的LSTM模型实现,进行了几个方面的独特设计:1)输入是代理模态数据(步态加速度信号的时间序列)及其延时,步态加速度信号的时间延迟表征了丰富的短期信息,通过LSTM模型揭示长时依赖关系;2)输出不是原始脑电信号,而是脑电信号中三个通道的子带分量,有利于进一步的脑电特征提取。
由前述可知,训练后的LSTM模型输出的脑电信号的节律分量包括:
来自额零Fz通道的δ、θ、α、β子带分量;
来自枕一O1通道的δ、θ、α、β子带分量;
来自中央零Cz通道的δ、θ、α、β子带分量。
本实施例提供的技术方案,是为了获取脑电信号的12个节律分量(三个通道,每个通道四个节律分量)。在具体实践中,发现针对每个节律分量分别训练LSTM代理测量模型,脑电信号的节律分量重构效果更好。因此,优选地,采用12个训练后的LSTM代理测量模型同时对患者的步态信号进行处理,每个LSTM代理测量模型输出一个节律分量,得到重构后的Fz、Cz、O1通道的δ、θ、α、β节律分量。
例如,第一个模型输出为Fz通道的δ子带分量,第二个模型输出为Fz通道的θ子带分量,第三个模型输出为Fz通道的α子带分量.....以此类推。
对于构建后的LSTM模型,需要采集训练数据进行模型训练,采集测试数据验证训练后的模型性能,具体实践中,通过实验采集LSTM模型的训练数据和测试数据。
以患者的步态信号为步态加速度信号为例,实验招募了12名在日常生活中具有冻结步态(Freezing Of Gait,冻结步态)症状的帕金森病患者(6名男性和6名女性)。研究获得中国北京首都医科大学宣武医院伦理委员会的支持,并且遵循Helsinki声明进行研究。
所有志愿者均签署了书面知情同意书。志愿者的年龄从57岁到81岁不等(平均±标准差:69.1±7.9),病程从1到20年不等(平均±标准差:9.3±6.8)。所有参与者在实验过程中都能够独立行走,并且没有出现严重的视力和听力损失、痴呆症或其他神经系统疾病。
与快速转弯、经过障碍物以及狭窄空间相关的任务在实践中证明可以有效触发冻结步态。因此,实验设计了两种类型的TUG任务(I/II)来触发冻结步态,并将整个过程记录为视频用于冻结步态分析。在任务-I中,受试者从在房间中坐姿位置开始,直行大约五米距离到房外狭窄的走廊,然后向右转弯,逆时针绕走廊行走,绕过随机放置的若干个障碍物,最后返回到房间内的座椅上。在任务-II中,引导受试者在狭窄的空间做快速往返实验。每项任务进行2次,每个受试者共进行4次实验,每次实验持续约5分钟。
步态加速度信号使用自主设计的子系统采集,该系统基于TDK MPU60506-DoF加速度计,原始惯性数据以500Hz的采样频率采集;使用1000Hz采样频率的32通道无线系统MOVE(BRAIN PRODUCTS,德国)采集脑电信号。
在实际应用中,冻结步态检测方法应该能够适应不同的患者。然而,不同患者存在很大的个体差异性,例如不同的患者具有不同的冻结步态事件发作频率和持续时间,这使得跨人冻结步态检测愈加困难。为了展示本文方法在不同实验条件下的性能,本实施例分别进行了不跨人和跨人的实验验证。
在数据集中,受试者进行的前两次实验命名为session-1和session-2,均来自于任务1。训练和测试阶段如图3所示。
在不跨人的验证中,根据LSTM代理测量模型是否在不同的session中使用,设计了intra-session和cross-session两种验证方式。在intra-session实验设置中,仅使用每个受试者的session-1进行验证。具体来说,随机选择80%的session-1样本训练LSTM代理测量模型,剩余20%的session-1样本用于验证代理测量与冻结步态检测效果。在cross-session验证中,利用session-1的LSTM代理测量模型来重构session-2的脑电信节律分量,然后提取相应的重构脑电特征进行冻结步态检测。
在跨人的实验设置中,利用留一法交叉验证(LOOCV)方法来评估所提出方法的性能。使用n-1(n≥2)个人的实验数据作为训练集训练LSTM代理测量模型,将第n个人的数据作为测试集进行代理测量以及冻结步态检测的效果验证。
参见图4A~4D,图4A~4D展示了来自受试者S1的Fz通道的δ、θ、α、β子带的代理测量结果。可以观察到,尽管重构序列与目标序列之间存在一定误差,但两者在总体动态趋势上非常吻合。
可以理解的是,由于冻结步态发生过程中大脑活动和步态异常之间的生理过程紧密相关,因此本实施例提供的技术方案,基于患者行走过程中脑电特征和步态特征之间的生理相关性,通过获取患者的步态信号,重构患者的脑电信号的节律分量,实现信息从步态特征数据到脑电数据的跨传感器迁移,无需使用价格昂贵的脑电检测装置即可间接获取到能够用于患者冻结步态检测的脑电信号的节律分量,成本低、可穿戴性好、用户体验度好、满意度高;同时,避免了复杂的脑电采集准备过程和复杂的后续脑电数据预处理过程,为帕金森患者的健康管理、病程监测、疗效评估提供了新方法。
实施例二
图5是根据一示例性实施例示出的一种脑电特征的代理测量装置100的示意框图,如图5所示,该装置100包括:
获取单元101,用于获取患者的步态信号;
重构单元102,用于根据所述步态信号,重构患者的脑电信号的节律分量;
输出单元103,用于输出重构的脑电信号的节律分量。
在具体实践中,所述脑电特征的代理测量装置100还可以包括:
处理单元,用于根据所述步态信号,提取患者的步态特征;
所述输出单元,还用于输出重构的脑电信号的节律分量及所述步态特征。
所述节律分量包括:
来自额零Fz通道的δ、θ、α、β子带分量;
来自枕一O1通道的δ、θ、α、β子带分量;
来自中央零Cz通道的δ、θ、α、β子带分量。
需要说明的是,由于上述各模块的实现方式及有益效果可参考前述实施例一中对应步骤的详细阐述,本实施例不再赘述。
在具体实践中,所述获取单元101包括但不限于:三轴加速度传感器、角速度传感器等惯性传感器;
所述处理单元102包括但不限于:单片机、微处理器、PLC控制器、DSP处理器、FPGA处理器等;
所述输出单元103,可以为显示器及各种通讯接口等。
可以理解的是,由于冻结步态发生过程中大脑活动和步态异常之间的生理过程紧密相关,因此本实施例提供的技术方案,基于患者行走过程中脑电特征和步态特征之间的生理相关性,通过获取患者的步态信号,重构患者的脑电信号的节律分量,实现信息从步态特征数据到脑电数据的跨传感器迁移,无需使用价格昂贵的脑电检测装置即可间接获取到能够用于患者冻结步态检测的脑电信号的节律分量,成本低、可穿戴性好、用户体验度好、满意度高;同时,避免了复杂的脑电采集准备过程和复杂的后续脑电数据预处理过程,为帕金森患者的健康管理、病程监测、疗效评估提供了新方法。
实施例三
根据一示例性实施例示出的一种伪多模态冻结步态检测装置,包括:
上述的脑电特征的代理测量装置。
可以理解的是,由于冻结步态发生过程中大脑活动和步态异常之间的生理过程紧密相关,因此本实施例提供的技术方案,基于患者行走过程中脑电特征和步态特征之间的生理相关性,通过获取患者的步态信号,重构患者的脑电信号的节律分量,实现信息从步态特征数据到脑电数据的跨传感器迁移,无需使用价格昂贵的脑电检测装置即可间接获取到能够用于患者冻结步态检测的脑电信号的节律分量,成本低、可穿戴性好、用户体验度好、满意度高;同时,避免了复杂的脑电采集准备过程和复杂的后续脑电数据预处理过程,为帕金森患者的健康管理、病程监测、疗效评估提供了新方法。
实施例四
图6是根据一示例性实施例示出的一种伪多模态冻结步态检测方法的流程图,如图6所示,该方法包括:
上述的脑电特征的代理测量方法;
步骤S21、通过所述脑电特征的代理测量方法,重构患者的脑电信号的节律分量;
步骤S22、从重构的脑电信号的节律分量中提取冻结步态相关的脑电特征;
步骤S23、根据所述脑电特征,判断患者是否发生冻结步态;或者,从患者的步态信号中提取患者的步态特征;将所述脑电特征和步态特征进行特征融合,判断患者是否发生冻结步态。
其中,所述步骤S22和步骤S23可以通过如下方法实现:
两名专业医生独立检查实验视频,标记数据集中冻结步态发作的开始和结束时间点。12名受试者的有效实验总时长为222分3秒,包括334段冻结步态,总时长88分19秒。冻结步态的持续时间从1秒到201秒不等。
根据医生标记的冻结步态发作的开始和结束的时间点,在重构出来的脑电信号的节律分量上标识出冻结步态。例如,医生标记在3分20秒到3分40秒之间发生了冻结步态,那么在在重构出来的脑电信号的节律分量上也在3分20秒到3分40秒上标识冻结步态。
对标识后的脑电信号的节律分量,采用第一预设时长的滑动窗进行样本分割,所述滑动窗的滑动步长为第二预设时长;第二预设时长小于第一预设时长。例如,设置滑动窗口长度为2s,滑动步长为0.25s。
对滑动窗内的脑电信号的节律分量,求解小波能量和总小波熵,然后输入到预设的冻结步态识别模式中,识别出患者是否发生冻结步态。
小波能量(WE)定义为Fz、Cz和O1通道的δ、θ、α、β子带分量的节律能量,即:
归一化小波能量(RWE)pki可通过对同一通道的不同频带小波能力进行归一化得到,即:
根据香农信息熵理论,总小波熵(TWE)可通过归一化小波能量计算得到,即:
图7是根据另一示例性实施例示出的一种伪多模态冻结步态检测方法的流程图,如图7所示,该方法包括:
步态信号采集后,经过预处理,得到预处理后的步态信号;预处理后的步态信号分为两路,一路输入到神经网络代理测量模型中,重构脑电信号的节律能量;另一路提取步态特征后,和重构的脑电信号的节律能量一起进行伪多模态特征提取,然后送入到分类器,得到冻结步态的检测结果。
参见图8,根据另一示例性实施例示出的一种伪多模态冻结步态检测方法,包括:
上述的脑电特征的代理测量方法;
通过所述脑电特征的代理测量方法,重构患者的脑电信号的节律分量;
从重构的脑电信号的节律分量中提取冻结步态相关的脑电特征;
从患者的步态加速度信号中提取患者的步态特征;
将所述脑电特征和步态特征进行特征融合,判断患者是否发生冻结步态。
需要说明的是,图7中“EEG signals”代表“脑电信号”,“ACC signals”代表“步态加速度信号”。
可以理解的是,现有技术中直接用加速度信息进行冻结步态的检测往往精度不高,而本实施例提供的技术方案,虽然只用患者的加速度信号,但融合和代理脑电特征之后,能够满足冻结步态检测的精度要求并且显著提高系统的可穿戴性。另一方面,现有技术中依靠提取加速度特征进行冻结步态检测,跨人检测的效果难以满足实际应用需求,但是基于本实施例提供的技术方案,加了脑电特征以后能够进一步提升跨人之后的通用性。
另外,由于重构的脑电信号的节律分量是基于患者步态加速度信号提取的,代理模态(患者的步态加速度信号)为最终的融合结果提供信息源,而目标模态(重构的脑电信号的节律分量)为信息融合提供指导信息,因此本发明提供的技术方案,能充分揭示不同模态信息之间的依赖关系,相比传统的把多个模态信息放在一起进行简单拼接的多模态信息融合方法,本实施例提供的技术方案,冻结步态检测准确率和精度更高。
另外,需要说明的是,由于本实施例提供的技术方案可以实现患者冻结步态的在线检测,因此,基于本实施例提供的技术方案,可以实现患者日常的病程监控,例如,监测患者吃了治疗药物后,冻结步态的次数是否减少;再例如,监测独居患者是否有冻结步态的风险,从而及时进行干预以及通知其监护人等。因此,本实施例提供的技术方案,对于患者的健康监测及管理意义重大。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
Claims (10)
1.一种脑电特征的代理测量方法,其特征在于,包括:
获取患者的步态信号;
根据所述步态信号,重构患者的脑电信号的节律分量;
所述步态信号至少包括:患者的步态加速度信号。
2.根据权利要求1所述的方法,其特征在于,所述获取患者的步态信号,至少包括:
通过至少一个安装在患者左腿外侧胫骨处或者右腿外侧胫骨处惯性传感器,获取患者的步态加速度信号。
3.根据权利要求1所述的方法,其特征在于,所述节律分量包括:
来自额零Fz通道的δ、θ、α、β子带分量;
来自枕一O1通道的δ、θ、α、β子带分量;
来自中央零Cz通道的δ、θ、α、β子带分量。
4.根据权利要求1所述的方法,其特征在于,所述根据所述步态信号,重构患者的脑电信号的节律分量,包括:
对所述步态信号进行预处理,得到预处理后的步态信号;
将预处理后的步态信号的时间序列及其延时序列,输入到训练后的端到端的神经网络代理测量模型中,得到所述患者的脑电信号的节律分量。
5.根据权利要求4所述的方法,其特征在于,
所述端到端的神经网络代理测量模型为LSTM模型;
所述LSTM模型通过以下方法训练得到,包括:
构建LSTM模型结构,包括输入层、特征提取层和输出层;
训练所述LSTM模型的参数值,包括:
将预处理后的步态信号时间序列及其延时序列,及患者的脑电信号的节律分量作为模型的输入输出数据,通过特征提取层提取与脑电节律分量相关的抽象特征,输出重构的脑电信号的节律分量;应用误差反向传播算法调整所述LSTM模型输入层、特征提取层和输出层的参数值,直至拟合度达到预设值;
保存此时的参数值作为训练后的LSTM模型的参数值。
6.根据权利要求5所述的方法,其特征在于,所述输入层的输入信号通过以下方法获取,包括:
通过患者佩戴的步态特征传感器采集患者的步态信号,所述步态传感器至少包括:三轴加速度传感器;
通过患者佩戴的脑电检测设备,同步采集患者的脑电信号;
对同步采集的步态信号及脑电信号进行预处理;
将预处理后的步态信号的时间序列及其延时序列,作为所述LSTM模型的输入,将预处理后的脑电信号分解为预设通道的子带分量,作为所述LSTM模型的目标输出值指导所述LSTM模型进行监督学习。
7.一种脑电特征的代理测量装置,其特征在于,包括:
获取单元,用于获取患者的步态信号;
重构单元,根据所述步态信号,重构患者的脑电信号的节律分量;
输出单元,用于输出重构的脑电信号的节律分量。
8.根据权利要求7所述的装置,其特征在于,还包括:
处理单元,用于根据所述步态信号,提取患者的步态特征;
所述输出单元,还用于输出重构的脑电信号的节律分量及所述步态特征。
9.一种伪多模态冻结步态检测装置,其特征在于,包括:
权利要求7或8所述的脑电特征的代理测量装置。
10.一种伪多模态冻结步态检测方法,其特征在于,包括:
权利要求1~6任一项所述的脑电特征的代理测量方法;
通过所述代理测量方法,重构患者的脑电信号的节律分量;
从重构的脑电信号的节律分量中提取冻结步态相关的脑电特征;
根据所述脑电特征,判断患者是否发生冻结步态;或者,
从患者的步态信号中提取患者的步态特征;
将所述脑电特征和步态特征进行特征融合,判断患者是否发生冻结步态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880751.7A CN113812964B (zh) | 2021-08-02 | 2021-08-02 | 脑电特征的代理测量及伪多模态冻结步态检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880751.7A CN113812964B (zh) | 2021-08-02 | 2021-08-02 | 脑电特征的代理测量及伪多模态冻结步态检测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113812964A true CN113812964A (zh) | 2021-12-21 |
CN113812964B CN113812964B (zh) | 2023-08-04 |
Family
ID=78924186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110880751.7A Active CN113812964B (zh) | 2021-08-02 | 2021-08-02 | 脑电特征的代理测量及伪多模态冻结步态检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113812964B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115171886A (zh) * | 2022-07-25 | 2022-10-11 | 北京戴来科技有限公司 | 一种基于随机森林算法的冻结步态检测方法、装置、和存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923392A (zh) * | 2010-09-02 | 2010-12-22 | 上海交通大学 | 脑电信号的异步脑机交互控制方法 |
US20130046715A1 (en) * | 2010-01-11 | 2013-02-21 | Universite De Mons | Method to determine an artificial limb movement from an electroencephalographic signal |
US20150157252A1 (en) * | 2013-12-05 | 2015-06-11 | Cyberonics, Inc. | Systems and methods of limb-based accelerometer assessments of neurological disorders |
CN105361880A (zh) * | 2015-11-30 | 2016-03-02 | 上海乃欣电子科技有限公司 | 肌肉运动事件的识别系统及其方法 |
CN105578954A (zh) * | 2013-09-25 | 2016-05-11 | 迈恩德玛泽股份有限公司 | 生理参数测量和反馈系统 |
CN108710895A (zh) * | 2018-04-23 | 2018-10-26 | 安徽大学 | 基于独立分量分析的运动想象脑电信号分类方法 |
CN109106365A (zh) * | 2018-09-04 | 2019-01-01 | 杭州航弈生物科技有限责任公司 | 基于脑电信号处理的癫痫发作预警设备 |
CN110215202A (zh) * | 2019-05-14 | 2019-09-10 | 杭州电子科技大学 | 基于步态非线性特征的心电rr间隔预测关联方法 |
CN110653817A (zh) * | 2019-08-20 | 2020-01-07 | 南京航空航天大学 | 一种基于神经网络的外骨骼机器人助力控制系统与方法 |
CN111195189A (zh) * | 2018-11-17 | 2020-05-26 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 帕金森患者步态冻结症状康复训练方法和系统 |
US20200187829A1 (en) * | 2018-12-14 | 2020-06-18 | At&T Intellectual Property I, L.P. | Fall prediction based on electroencephalography and gait analysis data |
US20200337625A1 (en) * | 2019-04-24 | 2020-10-29 | Interaxon Inc. | System and method for brain modelling |
CN112137614A (zh) * | 2020-08-31 | 2020-12-29 | 天津大学 | 基于脑电的立体视频舒适度相关的运动特征识别方法 |
US20200406096A1 (en) * | 2019-06-27 | 2020-12-31 | Toyota Jidosha Kabushiki Kaisha | Learning system, walking training system, method, program and trained model |
CN112617807A (zh) * | 2020-12-31 | 2021-04-09 | 中国科学院合肥物质科学研究院 | 一种预防和解除帕金森病患者冻结步态的装置和方法 |
CN112842328A (zh) * | 2021-01-25 | 2021-05-28 | 北京易飞华通科技开发有限公司 | 基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统 |
-
2021
- 2021-08-02 CN CN202110880751.7A patent/CN113812964B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130046715A1 (en) * | 2010-01-11 | 2013-02-21 | Universite De Mons | Method to determine an artificial limb movement from an electroencephalographic signal |
CN101923392A (zh) * | 2010-09-02 | 2010-12-22 | 上海交通大学 | 脑电信号的异步脑机交互控制方法 |
CN105578954A (zh) * | 2013-09-25 | 2016-05-11 | 迈恩德玛泽股份有限公司 | 生理参数测量和反馈系统 |
US20150157252A1 (en) * | 2013-12-05 | 2015-06-11 | Cyberonics, Inc. | Systems and methods of limb-based accelerometer assessments of neurological disorders |
CN105361880A (zh) * | 2015-11-30 | 2016-03-02 | 上海乃欣电子科技有限公司 | 肌肉运动事件的识别系统及其方法 |
CN108710895A (zh) * | 2018-04-23 | 2018-10-26 | 安徽大学 | 基于独立分量分析的运动想象脑电信号分类方法 |
CN109106365A (zh) * | 2018-09-04 | 2019-01-01 | 杭州航弈生物科技有限责任公司 | 基于脑电信号处理的癫痫发作预警设备 |
CN111195189A (zh) * | 2018-11-17 | 2020-05-26 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 帕金森患者步态冻结症状康复训练方法和系统 |
US20200187829A1 (en) * | 2018-12-14 | 2020-06-18 | At&T Intellectual Property I, L.P. | Fall prediction based on electroencephalography and gait analysis data |
US20200337625A1 (en) * | 2019-04-24 | 2020-10-29 | Interaxon Inc. | System and method for brain modelling |
CN110215202A (zh) * | 2019-05-14 | 2019-09-10 | 杭州电子科技大学 | 基于步态非线性特征的心电rr间隔预测关联方法 |
US20200406096A1 (en) * | 2019-06-27 | 2020-12-31 | Toyota Jidosha Kabushiki Kaisha | Learning system, walking training system, method, program and trained model |
CN110653817A (zh) * | 2019-08-20 | 2020-01-07 | 南京航空航天大学 | 一种基于神经网络的外骨骼机器人助力控制系统与方法 |
CN112137614A (zh) * | 2020-08-31 | 2020-12-29 | 天津大学 | 基于脑电的立体视频舒适度相关的运动特征识别方法 |
CN112617807A (zh) * | 2020-12-31 | 2021-04-09 | 中国科学院合肥物质科学研究院 | 一种预防和解除帕金森病患者冻结步态的装置和方法 |
CN112842328A (zh) * | 2021-01-25 | 2021-05-28 | 北京易飞华通科技开发有限公司 | 基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统 |
Non-Patent Citations (1)
Title |
---|
王可心, 韩宗昌, 王立鹏, 郭玉柱: "基于NAR网络的脑活动建模与分析", 《中国体视学与图像分析》, vol. 24, no. 3 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115171886A (zh) * | 2022-07-25 | 2022-10-11 | 北京戴来科技有限公司 | 一种基于随机森林算法的冻结步态检测方法、装置、和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113812964B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11559697B2 (en) | System and method for generating electromagnetic treatment protocols for the nervous system | |
Milošević et al. | Automated detection of tonic–clonic seizures using 3-d accelerometry and surface electromyography in pediatric patients | |
Rissanen et al. | Surface EMG and acceleration signals in Parkinson’s disease: feature extraction and cluster analysis | |
Guo et al. | Pervasive and unobtrusive emotion sensing for human mental health | |
US20140066739A1 (en) | System and method for quantifying or imaging pain using electrophysiological measurements | |
US20190343457A1 (en) | Pain assessment method and apparatus for patients unable to self-report pain | |
Heldberg et al. | Using wearable sensors for semiology-independent seizure detection-towards ambulatory monitoring of epilepsy | |
Shah et al. | Parkinsonian tremor detection from subthalamic nucleus local field potentials for closed-loop deep brain stimulation | |
US20170032098A1 (en) | Stochastic oscillator analysis in neuro diagnositcs | |
Hasan et al. | Asynchronous prediction of human gait intention in a pseudo online paradigm using wavelet transform | |
Kaur et al. | Using virtual reality to examine the neural and physiological anxiety-related responses to balance-demanding target-reaching leaning tasks | |
CN113812964B (zh) | 脑电特征的代理测量及伪多模态冻结步态检测方法、装置 | |
EP4081116B1 (de) | Verfahren und anordnung zur erzeugung eines ekg-signals | |
Özel et al. | Implementation of Artifact Removal Algorithms in Gait Signals for Diagnosis of Parkinson Disease. | |
Alawieh et al. | A real-time ECG feature extraction algorithm for detecting meditation levels within a general measurement setup | |
Wu et al. | Epileptic seizure detection system based on multi-domain feature and spike feature of EEG | |
Zhang et al. | Sensoring and Application of Multimodal Data for the Detection of Freezing of Gait in Parkinson's Disease | |
Kok et al. | Assessing the feasibility of acoustic based seizure detection | |
Gavriel et al. | Towards neurobehavioral biomarkers for longitudinal monitoring of neurodegeneration with wearable body sensor networks | |
Chen et al. | Aiding diagnosis of normal pressure hydrocephalus with enhanced gait feature separability | |
US20220133211A1 (en) | Measurement unit and monitoring system for monitoring indicator of parkinson's disease in person | |
Gheryani et al. | Detection of nocturnal epileptic seizures from wireless inertial measurements and muscular activity | |
CN110680316B (zh) | 一种无意识患者的神经反应检测方法及系统 | |
DUBBINI | Study and development of algorithms for home monitoring of the Parkinsonian patient based on wearable sensors | |
Huang et al. | Artificial Intelligence for Accurate Detection and Analysis of Freezing of Gait in Parkinson's Disease |
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 |