CN114532994B - 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 - Google Patents
一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 Download PDFInfo
- Publication number
- CN114532994B CN114532994B CN202210290299.3A CN202210290299A CN114532994B CN 114532994 B CN114532994 B CN 114532994B CN 202210290299 A CN202210290299 A CN 202210290299A CN 114532994 B CN114532994 B CN 114532994B
- Authority
- CN
- China
- Prior art keywords
- frequency
- electroencephalogram
- frequency oscillation
- time
- encoder
- 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
Classifications
-
- 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
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Neurosurgery (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于卷积变分自编码器的无监督脑电高频振荡信号(HFOs)自动检测方法。本发明包括:脑电信号预处理模块,对机器记录的原始脑电信号进行切片、筛选、滤波器滤波和归一化处理;短时能量法预筛选模块,运用短时能量法筛选出所有疑似HFOs;小波变换及提取时频图的红色分量模块,运用小波变换生成时频图并提取时频图的红色分量;卷积变分自编码器提取高维特征模块,对于得到的图像,提取高维特征,并对其进行降维处理;K‑means算法聚类模块,使用K‑means算法对卷积变分自编码器的输出进行聚类,得到最终的结果。本发明采用无监督学习的方法,无需使用标签来监督和训练检测算法,规避了手动筛选特征的过程,可以应用于癫痫的临床诊断和指示癫痫致痫灶的起始部位。
Description
技术领域
本发明设计一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法,属于医学信号处理领域。
背景技术
尽管大约70%的癫痫患者可以通过抗癫痫药物来控制他们的症状,但是仍有约30%的癫痫患者只能通过手术切除致痫灶来得到进一步的治疗。因此,精确定位致痫灶也是成功手术的关键。近十几年的研究发现,颅内脑电中的脑电高频振荡信号(HighFrequency Oscillations,HFOs)可以作为致痫灶可靠生物标记物。与传统的致痫灶生物标志物棘波相比,HFOs是一种更有效的致痫灶生物标志物。
HFOs通常被定义为短时小幅度的脑电信号片段,其具有两个重要的组成部分,分别是涟波(80-250Hz)和快涟波(250-500Hz)。研究指出HFOs检测的金标准是人工识别,但是这种方法会消耗大量的人力和时间,并且检测效果会因人而异。因此亟需一种HFOs自动检测方法来代替人工识别,以提高HFOs检测效率节省时间,避免因为人工识别耗费大量时间而耽误了癫痫患者的临床治疗。
最早提出的HFOs检测器为阈值检测器——根据均方根或者线长的特征来设定阈值。近年来随着机器学习的蓬勃发展,许多基于机器学习的HFOs检测方法也被提出,比如基于能量比值特征和支持向量机的检测方法等。但是这些方法存在一些明显的缺陷,比如阈值检测器只运用了单个特征标量,并且需要人为设置一个阈值,因此检测准确率低。另外,对于一些基于特征和有监督学习的检测方法,研究者需要人工筛选出一系列具有表征性的特征,其模型训练过程也需要真实标签。人工选择特征和标注数据集都是繁重的工作,需要耗费大量精力和时间,而结合卷积自编码与传统聚类方法能够有效的解决这些问题,实现HFOs信号的检测。
发明内容
本发明的目的在于针对目前HFOs检测方法上的复杂程度较高和自动化程度较低的情况,提出一种基于卷积变分自编码器的脑电高频振荡信号自动检测方法,该方法采用卷积变分自编码器对疑似高频振荡信号生成的时频图提取高维特征并同时进行降维处理,最后使用K-means算法对疑似高频振荡信号进行分类。该方法可以避免人工特征选取和采用真实标签训练算法,节省大量的时间和人力,同时达到较高的检测性能。
为实现上述目的,本发明采用以下技术方案:
1.一种基于卷积变分自编码器的脑电高频振荡信号自动检测方法,其特征在于包括以下步骤:
第一步,预处理颅内脑电数据:
1-1.编辑双极导联脑电信号,筛选出没有损坏和大量噪声的通道。
1-2.对获得的颅内脑电数据进行滤波处理,并修正数据中的异常值。
第二步,预检测脑电高频振荡信号:
2-1.计算步骤1-2预处理之后的脑电数据的短时能量,并根据阈值来检测出疑似高频振荡信号。获得具有相同采样点数的疑似高频振荡信号片段。
2-2.采用基于MATLAB的用户交互界面对2-1中获得的疑似高频振荡信号进行标注。
第三步,疑似高频振荡信号的时频分析:
3-1.对每一个疑似高频振荡信号片段进行连续小波变换,获得二维时频量图。
3-2.提取二维时频图的红色通道分量,并生成对应的灰度图;对图片进行降维处理。
第四步,基于卷积变分自编码器和K-means算法的高频振荡信号自动检测:
4.1.将红色分量的时频图作为卷积变分自编码器的输入,编码器将自动对红色分量时频图降噪,降维和提取高维特征。
4.2.获得由卷积变分自编码器重构后的红色分量时频图,将这些时频图的像素矩阵展开成一维的向量;K-means算法将所得向量进行聚类,给出聚类后的样本预测标签,并与真实标签进行比对,评估所提出的自动监测算法检测HFOs的性能。
步骤1-2中采用高阶巴特沃斯带通滤波器获得80-500Hz频段内的脑电信号,并且计算出整个脑电信号片段的标准差,对于大于标准差正n倍或小于标准差负n倍的采样点,将其值调整为正n倍或负n倍标准差。
步骤2-1利用短时能量法对预处理过后的脑电信号进行预检测,将连续的脑电信号分帧处理,按帧计算脑电信号平均值与标准差,短时能量法定义阈值为平均值上下x个标准差,连续出现三帧阈值以上的片段被记录为疑似脑电高频振荡信号。
步骤2-2采用我们设计的MATLAB用户交互界面对在步骤2-1获得的疑似脑电高频振荡信号进行标注。使用其进行标注时,完成标注的数据会自动保存。
步骤4-1采用卷积变分自编码器,能够自动地对输入的图片进行特征提取,降维和降噪处理。
在获得重构的时频图数据集后,需要使用K-means算法将它们聚类为四种疑似HFOs,它们分别为涟波、快涟波、棘波以及噪声。为了更好地判定K-means的聚类结果,即给予每一类一个确定的标签(涟波、快涟波、棘波以及噪声),该方法采用了一个有效的特征——频谱质心,它代表了输入信号的频谱中心,其表达式为
其中T是采样间隔,N是疑似HFOs的采样点数。M[k]为频谱功率谱密度估计,可以表示为
其中w[n]和x[n]为汉明窗和疑似HFOs。对于每一类重构时频图,它们的频谱质心均会被计算出来,该方法将根据频谱质心的统计量来判断每一类的具体的标签,进而区分HFOs和误检HFOs。
本发明的有益效果在于:
1.本发明提出基于卷积变分自编码器的高频振荡信号自动检测方法,该方法采用了二维时频图的红色分量作为卷积变分自编码器的输入。红色分量的灰度图可以体现时频图及其对应的疑似高频振荡信号的主要频率成分。卷积变分自编码器可以提取红色分量时频图的高维频率特征并去除图片中的一部分噪声,最后无监督聚类算法K-means将向量化的重构时频图进行聚类并区分HFOs与误检HFOs。与之前的工作相比,该方法并不需要人工挑选合适的特征,特征提取的过程由简单的提取红色分量和卷积变分自编码器自动完成。
2.本发明使用无监督的方法可以更好地应用在临床治疗当中,减少人工标注产生的时间成本,并且在训练数据集上能够达到优异的检测性能。与现存的多种经典方法相比,本发明能够在真实疑似HFOs数据集达到较高的检测性能,具体为92.8%的准确性、93.9%的灵敏性和92.1%的特异性。
附图说明
图1为本发明实施例中基于卷积变分自编码器的脑电高频振荡信号检测系统的基本框图。
图2为MATLAB用户交互界面的示意图。
图3为步骤3-2提取时频图红色分量的示意图。
图4为步骤4-1利用卷积变分自编码器对输入图像进行处理,并将结果送入到K-means聚类中的示意图。
图5为本发明实施例中信号变化图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
本实施例是基于MATLAB和Python实现的。其中脑电数据集预处理、预检测、最后K-means算法聚类均由MATALB实现,卷积变分自编码器是基于Python和Tensorflow框架实现的。
如图1所示,该方法整体可以分为五个模块,分别为预处理模块、预检测模块、时频分析模块、卷积变分自编码器模块以及聚类模块。
预处理:
(1)首先选择合适的病人的长时间连续脑电信号数据,将数据分为15分钟片段再进行后续处理;
(2)采用50Hz陷波器去除工频干扰。
(3)采用四阶巴特沃斯滤波器进行数据滤波预处理,通带频率设置为80Hz~500Hz;
预检测:
(1)首先将连续的15分钟片段作切分处理,按照10毫秒一帧的切分方式,切分为90000帧,然后使用滑动窗口的方法计算每一个窗口的短时能量。
(2)选取3秒内,也即是300帧内,信号段的短时能量的去平均值,并计算出其标准差,将标准差5倍作为阈值。
(3)检测150毫秒内幅度超过阈值的峰值的个数,若150毫秒内存在3个幅度超过阈值的峰值,则认为该片段存在HFOs;
(4)检测下一个150毫秒片段直至3秒信号全部检测完毕,接着回到步骤(2),检测下一段3秒信号直至15分钟信号全部检测完毕;
本实施例中的时频分析包含两个部分,分别是连续小波变换和提取时频图的红色分量。预检测中获得的疑似HFOs信号为单独的片段,而连续小波变换可以将一维信号转换为二维的时频图。该方法采用MATLAB内置函数来对疑似HFOs信号进行小波变换,并将小波变换系数转换为一个RGB量图,即时频图。具体采用Morse小波变换方程来生成时频图,相比较与其他常用的视频变换,比如Morlet小波而言,Morse小波更加适合描述一段连续信号的时间和频率成分。如图3所示,疑似HFOs中的主要频率成分可以清晰地体现在时频图中,并被标为红色。对于涟波和快涟波,其对应的时频图特征相当明显,呈现出红色孤岛状,而对于误检的HFOs,其时频图特征也相当显著,可以和HFOs的时频图进行区分。由于时频图的红色分量可以代表RGB时频图中最有用的信息,因此我们提取时频图中的红色分量,并生成对应的灰度图作为时频图的替代物。此举可以达到降低输入维度和提高检测性能的目的,后续的消融实验也将证明提取红色分量的合理性。如图3所示,时频图红色分量的灰度图可以完整的保留时频图中的信息,而其他分量的灰度图则混杂了其他次要的频率成分。
得到红色分量的灰度图后,我们利用卷积变分自编码器来进行时频图的重构。本实例中设计的卷积变分自编码器的编码器部分是由3个卷积层组成,卷积层包含了一个卷积核,,正则化层,Dropout层和ReLU激活函数,译码器部分采取与编码器部分相似的结果,将卷积层换为反卷积层,并且改变kernel大小,以取得输出图片维度小于输入图片维度,实现降维的效果。经过卷积变分自编码器后,图片实现了高维特征提取与降噪。
鉴于K-means聚类算法相对简单的原理,易于实施和快速收敛的优点,我们采用K-means来进行聚类与分类。K-means算法的输入为一维向量,而我们的图片是二维的,因此需要将图片展开成为一维向量放入到K-means中,为了更好地判定K-means的聚类结果,即给予每一类一个确定的标签(涟波、快涟波、棘波以及噪声)。由于K-means只给出聚类结果,我们引入频谱质心的特征去判断聚类结果中的每一类所属的类别。对于每一类重构时频图,它们的频谱质心均会被计算出来,该方法将根据频谱质心的统计量来判断每一类的具体的标签,进而区分HFOs和误检HFOs。
本实施例中使用两个小时数据作为测试信号,时段内高频振荡信号个数共计4042个;需要注意的是,不同时段内高频振荡个数会有较大差异,本实施例为检测系统性能,挑选高频振荡信号数量较合理的一段作为测试信号;测试结果如表1,2所示:
表1.
表2.
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征替换;所公开的所有特征、所有方法以及过程中的所有步骤,除了互相排斥的特征或步骤以外,均可以任何方式组合。
Claims (4)
1.一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法,其特征在于包括预处理颅内脑电数据、预检测脑电高频振荡信号、疑似脑电高频振荡信号的时频分析、基于卷积变分自编码器和K-means算法的脑电高频振荡信号自动检测,其中脑电高频振荡信号是指脑电信号中频率为80~500Hz、具有至少4个连续波峰的高频振荡波形;具体步骤为:
第一步,预处理颅内脑电数据:
1-1.编辑双极导联脑电信号,筛选出没有损坏以及不含大量噪声的通道;
1-2.对获得的颅内脑电数据进行滤波处理,并修正数据中的异常值;
第二步,预检测脑电高频震荡信号:
2-1.计算步骤1-2预处理之后的脑电数据的短时能量,并根据预先选定好的阈值来检测出疑似高频震荡信号;获得具有相同采样点数的疑似高频震荡信号片段;
2-2.对2-1中获得的疑似高频震荡信号进行人工标注;
第三步,疑似高频震荡信号的时频分析:
3-1.对每一个疑似高频震荡信号片段进行连续小波变换,获得二维时频量图;
3-2.提取二维时频图的红色通道分量,并生成对应的灰度图,然后对生成的灰度图进行降维处理;
第四步,基于卷积变分自编码器和K-means算法的高频震荡信号自动检测:
4.1.卷积变分自编码器进行特征提取,即将红色分量的时频图作为卷积变分自编码器的输入,卷积变分编码器将自动对红色分量时频图降噪与提取高维特征,进而获得由卷积变分自编码器重构后的红色分量时频图,并将这些时频图的像素矩阵展开成一维的特征向量;
4.2.采用K-means算法再将这些特征向量进行聚类,给出聚类后的样本预测标签,并与真实标签进行比对,评估所提出方法检测脑电高频振荡信号的性能;其中,为了更好地判定K-means算法的聚类结果,给予每一类脑电高频振荡信号一个确定的标签(涟波、快涟波、棘波以及噪声),再采用了一个有效的特征——频谱质心,它代表了输入信号的频谱中心,其表达式为:
上式中,T是采样间隔,N是疑似脑电高频振荡信号的采样点数,M[k]为频谱功率谱密度估计,表示为:
上式中,w[n]和x[n]为汉明窗和疑似脑电高频振荡信号;对于每一类重构时频图,它们的频谱质心均会被计算出来,然后将根据频谱质心的统计量来判断每一类的具体的标签,进而区分真实的脑电高频振荡信号和误检的脑电高频振荡信号。
2.根据权利要求1所述的基于卷积变分自编码器的脑电高频震荡信号自动检测方法,其特征在于:步骤1-2中采用高阶巴特沃斯带通滤波器获得80-500Hz频段内的脑电信号,并且计算出整个脑电信号片段的标准差,对于大于标准差正n倍或小于标准差负n倍的采样点,将其值调整为正n倍或负n倍标准差。
3.根据权利要求1所述的基于卷积变分自编码器的脑电高频震荡信号自动检测方法,其特征在于:步骤2-1利用短时能量法对预处理过后的脑电信号进行预检测,将连续的脑电信号分帧处理,按帧计算脑电信号平均值与标准差,短时能量法定义阈值为平均值上下x个标准差,连续出现三帧阈值以上的片段被记录为疑似脑电高频振荡信号。
4.根据权利要求1所述的基于卷积变分自编码器的脑电高频震荡信号自动检测方法,其特征在于:步骤4-1采用卷积变分自编码器,能够自动地对输入的图片进行特征提取,降维和降噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210290299.3A CN114532994B (zh) | 2022-03-23 | 2022-03-23 | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210290299.3A CN114532994B (zh) | 2022-03-23 | 2022-03-23 | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114532994A CN114532994A (zh) | 2022-05-27 |
CN114532994B true CN114532994B (zh) | 2023-07-28 |
Family
ID=81666409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210290299.3A Active CN114532994B (zh) | 2022-03-23 | 2022-03-23 | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114532994B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897909B (zh) * | 2022-07-15 | 2022-09-20 | 四川大学 | 基于无监督学习的曲轴表面裂纹监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019210371A1 (en) * | 2018-05-03 | 2019-11-07 | The Bionics Institute Of Australia | Systems and methods for monitoring neural activity |
CN110995543A (zh) * | 2019-12-18 | 2020-04-10 | 云南大学 | 一种非侵入式未成年人异常上网行为监测方法 |
CN111314257A (zh) * | 2020-03-13 | 2020-06-19 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN112790775A (zh) * | 2021-01-22 | 2021-05-14 | 中国地质大学(武汉) | 基于集成分类的高频振荡节律检测方法及装置 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9326698B2 (en) * | 2011-02-18 | 2016-05-03 | The Trustees Of The University Of Pennsylvania | Method for automatic, unsupervised classification of high-frequency oscillations in physiological recordings |
WO2016074103A1 (en) * | 2014-11-14 | 2016-05-19 | Neurochip Corporation | Method and apparatus for processing electroencephalogram (eeg) signals |
EP3242587A1 (en) * | 2015-01-06 | 2017-11-15 | David Burton | Mobile wearable monitoring systems |
US11589806B2 (en) * | 2015-05-07 | 2023-02-28 | The Universiiy Of North Carolina At Chapel Hill | Feedback brain stimulation to enhance sleep spindles, modulate memory and cognitive function, and treat psychiatric and neurological symptoms |
WO2018102815A1 (en) * | 2016-12-02 | 2018-06-07 | Thomas Jefferson University | Signal processing method for distinguishing and characterizing high-frequency oscillations |
CN106909784B (zh) * | 2017-02-24 | 2019-05-10 | 天津大学 | 基于二维时频图像深度卷积神经网络的癫痫脑电识别装置 |
US11963751B2 (en) * | 2017-04-05 | 2024-04-23 | LR Technologies, Inc. | Human bioelectrical signal detection and monitoring |
CN107616793A (zh) * | 2017-09-18 | 2018-01-23 | 电子科技大学 | 一种具有癫痫发作预测功能的脑电监测装置及方法 |
CN108875604B (zh) * | 2018-05-31 | 2021-07-09 | 中国地质大学(武汉) | 基于模糊聚类优化高斯混合模型的高频振荡节律检测方法 |
US20200060566A1 (en) * | 2018-08-24 | 2020-02-27 | Newton Howard | Automated detection of brain disorders |
CN110236536A (zh) * | 2019-06-04 | 2019-09-17 | 电子科技大学 | 一种基于卷积神经网络的脑电高频振荡信号检测系统 |
US11682492B2 (en) * | 2019-06-07 | 2023-06-20 | Cornell University | Energy-efficient on-chip classifier for detecting physiological conditions |
CN110811609B (zh) * | 2019-10-28 | 2022-11-22 | 杭州电子科技大学 | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 |
CN111387974B (zh) * | 2020-02-19 | 2022-12-02 | 杭州电子科技大学 | 基于深度自编码的脑电特征优化与癫痫发作检测方法 |
CN113499086B (zh) * | 2021-07-14 | 2022-05-31 | 北京邮电大学 | 一种基于深度学习的hfo自动检测系统 |
CN113647962B (zh) * | 2021-08-20 | 2023-09-22 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN114159076B (zh) * | 2021-09-17 | 2024-02-27 | 天津大学 | 用于辅助癫痫灶定位的脑电高频振荡信号自动检测系统 |
-
2022
- 2022-03-23 CN CN202210290299.3A patent/CN114532994B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019210371A1 (en) * | 2018-05-03 | 2019-11-07 | The Bionics Institute Of Australia | Systems and methods for monitoring neural activity |
CN110995543A (zh) * | 2019-12-18 | 2020-04-10 | 云南大学 | 一种非侵入式未成年人异常上网行为监测方法 |
CN111314257A (zh) * | 2020-03-13 | 2020-06-19 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN112790775A (zh) * | 2021-01-22 | 2021-05-14 | 中国地质大学(武汉) | 基于集成分类的高频振荡节律检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114532994A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
Aslan et al. | Automatic Detection of Schizophrenia by Applying Deep Learning over Spectrogram Images of EEG Signals. | |
CN109077715B (zh) | 一种基于单导联的心电信号自动分类方法 | |
Liang et al. | Scalp EEG epileptogenic zone recognition and localization based on long-term recurrent convolutional network | |
CN109934089B (zh) | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 | |
CN110236536A (zh) | 一种基于卷积神经网络的脑电高频振荡信号检测系统 | |
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
CN114532993B (zh) | 一种癫痫患者脑电高频振荡信号的自动检测方法 | |
CN109350030B (zh) | 基于相位放大处理人脸视频心率信号的系统及方法 | |
Bagheri et al. | A fast machine learning approach to facilitate the detection of interictal epileptiform discharges in the scalp electroencephalogram | |
CN111091074A (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN114532994B (zh) | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 | |
CN113208634A (zh) | 一种基于eeg脑波的注意力检测方法、系统 | |
CN114781465A (zh) | 一种基于rPPG的非接触式疲劳检测系统及方法 | |
Wu et al. | Fast, accurate localization of epileptic seizure onset zones based on detection of high-frequency oscillations using improved wavelet transform and matching pursuit methods | |
Polat et al. | A novel data reduction method: Distance based data reduction and its application to classification of epileptiform EEG signals | |
CN115299963A (zh) | 基于波形特征模板的高频振荡信号自动检测算法及系统 | |
Bonizzi et al. | Detection of atrial fibrillation episodes from short single lead recordings by means of ensemble learning | |
Yuan et al. | Automatic seizure detection using logarithmic Euclidean-Gaussian mixture models (LE-GMMs) and improved deep forest learning | |
Jaffino et al. | Expectation-maximization extreme machine learning classifier for epileptic seizure detection | |
CN115708670A (zh) | 基于单导联的多种致痫病理标志物分析的soz定位方法 | |
CN115105084A (zh) | 基于深度学习的心搏定位分类方法、系统、介质及设备 | |
CN112022151B (zh) | 一种脑电棘慢波的处理及识别方法 | |
CN115399735A (zh) | 基于时频双流增强的多头注意机制睡眠分期方法 |
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 |