CN114081439A - 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法 - Google Patents

一种应用前额叶单通道脑电信号对睡眠分期的类脑算法 Download PDF

Info

Publication number
CN114081439A
CN114081439A CN202111184371.6A CN202111184371A CN114081439A CN 114081439 A CN114081439 A CN 114081439A CN 202111184371 A CN202111184371 A CN 202111184371A CN 114081439 A CN114081439 A CN 114081439A
Authority
CN
China
Prior art keywords
data
model
algorithm
brain
sleep
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
Application number
CN202111184371.6A
Other languages
English (en)
Inventor
曹琪琪
刘冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Rouling Technology Co ltd
Original Assignee
Zhejiang Rouling Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Rouling Technology Co ltd filed Critical Zhejiang Rouling Technology Co ltd
Priority to CN202111184371.6A priority Critical patent/CN114081439A/zh
Publication of CN114081439A publication Critical patent/CN114081439A/zh
Pending legal-status Critical Current

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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/251—Means for maintaining electrode contact with the body
    • A61B5/256—Wearable electrodes, e.g. having straps or bands
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，算法的构建包括：Fp1‑Fp2脑电数据的采集、对采集的信号去除伪迹、滤波、分段处理和数据标注、提取分段处理后的数据特征、搭建HDC模型并进行模型保存和进行睡眠分期，对采集信号的滤波操作包括对去除伪迹的脑电信号进行高低通滤波和50Hz的工频陷波滤波。本发明的有益效果是：本发明使用了类脑算法，即HDC算法，仅需要较少的数据量训练就能达到中等神经网络的分类效果，甚至可以一次学习即可进行分类的模型效果，更重要的是，HDC算法十分轻量，适合在硬件本地，例如可穿戴设备上，直接学习和预测；对于数据传输以及模型保存方面可以节省下很多资源。

Description

一种应用前额叶单通道脑电信号对睡眠分期的类脑算法
技术领域
本发明涉及一种睡眠分期的类脑算法，具体为一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，属于睡眠分期技术领域。
背景技术
睡眠监测和心率、血氧以及血压等日常生理指标监测一样是十分重要的日常监测项目之一，睡眠监测不仅是患有睡眠障碍的人有需求，还包括很多普通人以及一些慢性病患者，基于脑电的睡眠分期会比基于心电或者脉率、体动等的方法要精确许多。
目前基于脑电信号做睡眠监测的方法主要基于多通道，比如脑电信号(EEG)、眼电信号(EOG)和肌电信号(EMG)等，或者是基于头顶中轴位置的单通道，如Fpz-Oz、Pz-Cz等单通道脑电信号，但是很少有基于前额叶Fp1-Fp2单通道的算法，且目前对于睡眠分期的计算方法，大多都是使用机器学习或者深度神经网络的算法，这类算法需要的数据量往往会比较大，训练出来的模型也会相对比较大，不太适合在单片机或者FPGA硬件本地上进行睡眠阶段学习和预测。
发明内容
本发明的目的就在于为了解决上述问题而提供一种应用前额叶单通道脑电信号对睡眠分期的类脑算法。
本发明通过以下技术方案来实现上述目的，一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，所述算法的构建包括以下几个步骤；
S1：Fp1-Fp2脑电数据的采集；
S2：对采集的信号去除伪迹、滤波、分段处理和数据标注；
S3：提取分段处理后的数据特征；
S4：搭建HDC模型并进行模型保存；
S5：进行睡眠分期。
优选的，所述Fp1-Fp2脑电数据的采集是在人脑前额叶Fp1-Fp2位置放置柔性贴片电极采集脑电信号；同时佩戴上PSG设备进行数据采集，然后针对PSG设备采集的数据进行标注，这个标注作为模型训练的标签使用。
优选的，所述对采集的信号去除伪迹的方法包括；
第一步：计算N毫秒时间窗口中脑电信号的斜率；
第二步：计算N毫秒时间窗口中脑电信号最大值和最小值之间的差值；
第三步：计算N毫秒时间窗口中脑电信号的峰值；
第四步：对上述三步所得到的脑电信号数据进行判定，超过判定条件的脑电信号被判别为伪迹信号，并进行去除。
优选的，所述对采集信号的滤波操作包括对去除伪迹的脑电信号进行高低通滤波和50Hz的工频陷波滤波。
优选的，所述采集信号的分段处理和数据标注包括以下几个步骤；
第一步：首先对滤波后的脑电信号数据进行30s每段的分段处理；
第二步：信号进行分段之后依据标注好的标签进行睡眠阶段划分；
第三步：将数据划分为训练集和测试集。
优选的，所述睡眠阶段的划分包括四个时期：清醒时期，快速眼动时期，浅睡时期和深睡时期。
优选的，所述提取分段处理后的数据特征是对30s的分段数据进行特征提取，并得到最终的数据集和对应的标签数据。
优选的，所述搭建HDC模型并进行模型保存操作包括以下几个步骤；
S41：搭建好HDC模型，并设定HDC超向量的维度为D；
S42：模型搭建完成后，分别初始化HDC模型的item memory和associativememory；
S43：模型初始化完成后，将训练集数据和对应的标签送入模型中训练；
S44：训练完成后，将associative memory进行二级化，并将训练好的HDC模型保存下来。
优选的，所述睡眠分期是使用保存下来的模型先将测试集数据编码成超维向量，然后将其和associative memory里的超维向量进行相似度计算，然后划分出睡眠阶段类别。
本发明的有益效果是：
其一、本发明与现有技术相比，采用的Fp1-Fp2前额叶单通道脑电位于人脑额头部位，采集电极使用柔性贴片电极，十分轻薄，对于佩戴者来说，采集和佩戴都十分便利，且近乎无感的佩戴不会影响佩戴者的夜间睡眠。
其二、本发明使用了类脑算法，即HDC算法，仅需要较少的数据量训练就能达到中等神经网络的分类效果，甚至可以一次学习即可进行分类的模型效果，更重要的是，HDC算法十分轻量，适合在硬件本地，例如可穿戴设备上，直接学习和预测；对于数据传输以及模型保存方面可以节省下很多资源。
附图说明
图1为本发明HDC模型训练和预测的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1所示，一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，所述算法的构建包括以下几个步骤；
S1：Fp1-Fp2脑电数据的采集；
Fp1-Fp2脑电数据的采集是在人脑前额叶Fp1-Fp2位置放置柔性贴片电极采集脑电信号；同时佩戴上PSG设备进行数据采集，然后针对PSG设备采集的数据进行标注，这个标注作为模型训练的标签使用；
PSG设备是一种脑电图监测设备，原理是通过不同部位的生物电或通过不同传感获得生物讯号，经前置放大，输出为不同的电讯号，记录出不同的图形以供分析，由PSG设备采集得到的数据会经过睡眠专家进行标注。
S2：对采集的信号去除伪迹、滤波、分段处理和数据标注；
对采集的信号去除伪迹的方法包括；
第一步：计算N毫秒时间窗口中脑电信号的斜率(slope)；
第二步：计算N毫秒时间窗口中脑电信号最大值和最小值之间的差值(max-minvalue)；
第三步：计算N毫秒时间窗口中脑电信号的峰值(peak amplitude)；
第四步：对上述三步所得到的脑电信号数据进行判定，超过判定条件(该判定条件由睡眠专家进行确定)的脑电信号被判别为伪迹信号，并进行去除，即该阶段的睡眠数据会被去除掉。
对采集信号的滤波操作包括对去除伪迹的脑电信号进行高低通滤波和50Hz的工频陷波滤波。
采集信号的分段处理和数据标注包括以下几个步骤；
第一步：首先对滤波后的脑电信号数据进行30s每段的分段处理；
第二步：信号进行分段之后依据标注好的标签(该标签是由睡眠专家之前所标注好的)进行睡眠阶段划分；
睡眠阶段的划分包括四个时期：清醒时期(Wake)，快速眼动时期(REM)，浅睡时期(Light)和深睡时期(Deep)；
第三步：将数据划分为训练集和测试集，分为这两个部分后，训练集数据作为建立训练模型的参考数据，建立好训练模型后，再将测试集数据投入到训练模型中进行比对计算。
S3：提取分段处理后的数据特征；
提取分段处理后的数据特征是对30s的分段数据进行特征提取，并得到最终的数据集和对应的标签数据。
S4：搭建HDC模型并进行模型保存；
搭建HDC模型并进行模型保存操作包括以下几个步骤；
S41：搭建好HDC模型，并设定HDC超向量的维度为D；
S42：模型搭建完成后，分别初始化HDC模型的item memory(为项目记忆)和associative memory(为联想记忆)；
S43：模型初始化完成后，将训练集数据和对应的标签送入模型中训练，即将训练数据集编码映射成Hyper-vector，存储在associative memory里；
S44：训练完成后，将associative memory进行二级化，并将训练好的HDC模型保存下来，如附图1所示。
S5：进行睡眠分期；
睡眠分期是使用保存下来的模型先将测试集数据编码成超维向量，然后将其和associative memory里的超维向量进行相似度计算，然后划分出睡眠阶段类别；
如附图1所示，在预测过程中，其中HDC会将测试数据编码成超维向量(Hyper-vector)，然后将其和associative memory里的超维向量进行相似度计算，寻找出相近的睡眠阶段类别；
最后依据模型给出的预测结果，绘制睡眠分期图。
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，说明书的这种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 (9)

1.一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，其特征在于：所述算法的构建包括以下几个步骤；
S1：Fp1-Fp2脑电数据的采集；
S2：对采集的信号去除伪迹、滤波、分段处理和数据标注；
S3：提取分段处理后的数据特征；
S4：搭建HDC模型并进行模型保存；
S5：进行睡眠分期。
2.根据权利要求1所述的一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，其特征在于：所述Fp1-Fp2脑电数据的采集是在人脑前额叶Fp1-Fp2位置放置柔性贴片电极采集脑电信号；同时佩戴上PSG设备进行数据采集，然后针对PSG设备采集的数据进行标注，这个标注作为模型训练的标签使用。
3.根据权利要求1所述的一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，其特征在于：所述对采集的信号去除伪迹的方法包括；
第一步：计算N毫秒时间窗口中脑电信号的斜率；
第二步：计算N毫秒时间窗口中脑电信号最大值和最小值之间的差值；
第三步：计算N毫秒时间窗口中脑电信号的峰值；
第四步：对上述三步所得到的脑电信号数据进行判定，超过判定条件的脑电信号被判别为伪迹信号，并进行去除。
4.根据权利要求1所述的一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，其特征在于：所述对采集信号的滤波操作包括对去除伪迹的脑电信号进行高低通滤波和50Hz的工频陷波滤波。
5.根据权利要求1所述的一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，其特征在于：所述采集信号的分段处理和数据标注包括以下几个步骤；
第一步：首先对滤波后的脑电信号数据进行30s每段的分段处理；
第二步：信号进行分段之后依据标注好的标签进行睡眠阶段划分；
第三步：将数据划分为训练集和测试集。
6.根据权利要求5所述的一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，其特征在于：所述睡眠阶段的划分包括四个时期：清醒时期，快速眼动时期，浅睡时期和深睡时期。
7.根据权利要求1所述的一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，其特征在于：所述提取分段处理后的数据特征是对30s的分段数据进行特征提取，并得到最终的数据集和对应的标签数据。
8.根据权利要求1所述的一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，其特征在于：所述搭建HDC模型并进行模型保存操作包括以下几个步骤；
S41：搭建好HDC模型，并设定HDC超向量的维度为D；
S42：模型搭建完成后，分别初始化HDC模型的item memory和associative memory；
S43：模型初始化完成后，将训练集数据和对应的标签送入模型中训练；
S44：训练完成后，将associative memory进行二级化，并将训练好的HDC模型保存下来。
9.根据权利要求1所述的一种应用前额叶单通道脑电信号对睡眠分期的类脑算法，其特征在于：所述睡眠分期是使用保存下来的模型先将测试集数据编码成超维向量，然后将其和associative memory里的超维向量进行相似度计算，然后划分出睡眠阶段类别。
CN202111184371.6A 2021-10-11 2021-10-11 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法 Pending CN114081439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111184371.6A CN114081439A (zh) 2021-10-11 2021-10-11 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111184371.6A CN114081439A (zh) 2021-10-11 2021-10-11 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法

Publications (1)

Publication Number Publication Date
CN114081439A true CN114081439A (zh) 2022-02-25

Family

ID=80296715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111184371.6A Pending CN114081439A (zh) 2021-10-11 2021-10-11 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法

Country Status (1)

Country Link
CN (1) CN114081439A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114569142A (zh) * 2022-02-28 2022-06-03 浙江柔灵科技有限公司 基于类脑计算的手势识别方法、系统及手势识别装置
CN114680904A (zh) * 2022-03-18 2022-07-01 浙江柔灵科技有限公司 基于特征波检测与分期算法的脑电信号质量评估方法
CN114680833A (zh) * 2022-04-21 2022-07-01 华南师范大学 一种检测睡眠纺锤波的方法、装置、电子设备及存储介质
CN117100220A (zh) * 2023-08-23 2023-11-24 大连理工大学 一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104257379A (zh) * 2014-09-23 2015-01-07 京东方科技集团股份有限公司 一种脑电处理装置及方法和睡眠监测佩戴设备
CN110584653A (zh) * 2019-10-09 2019-12-20 褚明礼 一种基于可穿戴设备的多电采集、分析与反馈系统
CN110623665A (zh) * 2019-09-26 2019-12-31 川北医学院 一种智能睡眠时相检测与睡眠质量评估系统及方法
CN110897639A (zh) * 2020-01-02 2020-03-24 清华大学深圳国际研究生院 一种基于深度卷积神经网络的脑电睡眠分期方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104257379A (zh) * 2014-09-23 2015-01-07 京东方科技集团股份有限公司 一种脑电处理装置及方法和睡眠监测佩戴设备
CN110623665A (zh) * 2019-09-26 2019-12-31 川北医学院 一种智能睡眠时相检测与睡眠质量评估系统及方法
CN110584653A (zh) * 2019-10-09 2019-12-20 褚明礼 一种基于可穿戴设备的多电采集、分析与反馈系统
CN110897639A (zh) * 2020-01-02 2020-03-24 清华大学深圳国际研究生院 一种基于深度卷积神经网络的脑电睡眠分期方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114569142A (zh) * 2022-02-28 2022-06-03 浙江柔灵科技有限公司 基于类脑计算的手势识别方法、系统及手势识别装置
CN114680904A (zh) * 2022-03-18 2022-07-01 浙江柔灵科技有限公司 基于特征波检测与分期算法的脑电信号质量评估方法
CN114680833A (zh) * 2022-04-21 2022-07-01 华南师范大学 一种检测睡眠纺锤波的方法、装置、电子设备及存储介质
CN117100220A (zh) * 2023-08-23 2023-11-24 大连理工大学 一种基于额极区脑电-心电的便携式睡眠监测及睡眠质量实时分析方法

Similar Documents

Publication Publication Date Title
CN114081439A (zh) 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法
CN107495962B (zh) 一种单导联脑电的睡眠自动分期方法
WO2020119245A1 (zh) 一种基于可穿戴手环的情绪识别系统及方法
CN107080527B (zh) 一种基于可穿戴生命体征监测装置的精神状态监测方法
CN111616682B (zh) 基于便携式脑电采集设备的癫痫发作预警系统及应用
CN100594858C (zh) 一种脑电肌电联合控制的电动假手的控制方法
CN113303814B (zh) 基于深度迁移学习的单通道耳脑电自动睡眠分期方法
CN107007291A (zh) 基于多生理参数的紧张情绪强度识别系统及信息处理方法
CN113995421A (zh) 应用前额叶单通道脑电信号对睡眠分期的深度学习算法
CN105942974A (zh) 一种基于低频脑电的睡眠分析方法及系统
US20220265218A1 (en) Real-time evaluation method and evaluation system for group emotion homogeneity
CN110353704B (zh) 基于穿戴式心电监测的情绪评估方法与装置
CN115153463A (zh) 睡眠状态识别模型的训练方法、睡眠状态识别方法和装置
CN114052744B (zh) 基于脉冲神经网络的心电信号分类方法
CN111012345A (zh) 眼部疲劳度检测系统及方法
CN109481164B (zh) 一种基于脑电信号的电动轮椅控制系统
CN114648040A (zh) 生命体征多生理信号提取、融合分析方法
CN114699093A (zh) 一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法
CN115969330B (zh) 一种睡眠情绪活跃水平检测量化的方法、系统和装置
Belle et al. A physiological signal processing system for optimal engagement and attention detection
CN115089179A (zh) 一种心理情绪洞察分析方法及系统
CN105125186A (zh) 一种确定干预治疗方式的方法及系统
CN116616771B (zh) 多通道简易精神状态检测方法、装置及系统
CN114897071A (zh) 基于单通道脑电的身份识别方法及装置
CN114366104A (zh) 基于前额少数导联脑电监测的抑郁状态评估方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220225

RJ01 Rejection of invention patent application after publication