CN115813389A - 基于皮肤电信号分析的孕妇分娩恐惧检测方法和系统 - Google Patents
基于皮肤电信号分析的孕妇分娩恐惧检测方法和系统 Download PDFInfo
- Publication number
- CN115813389A CN115813389A CN202211543464.8A CN202211543464A CN115813389A CN 115813389 A CN115813389 A CN 115813389A CN 202211543464 A CN202211543464 A CN 202211543464A CN 115813389 A CN115813389 A CN 115813389A
- Authority
- CN
- China
- Prior art keywords
- fear
- childbirth
- skin electric
- pregnant woman
- electric signal
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 230000035606 childbirth Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000013210 evaluation model Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000008774 maternal effect Effects 0.000 claims 1
- 238000011425 standardization method Methods 0.000 claims 1
- 230000035935 pregnancy Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000002996 emotional effect Effects 0.000 abstract description 4
- 238000007726 management method Methods 0.000 abstract description 4
- 230000008451 emotion Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000028327 secretion Effects 0.000 description 2
- 210000000106 sweat gland Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 201000009916 Postpartum depression Diseases 0.000 description 1
- 206010036872 Prolonged labour Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000010515 dystocia Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 210000002820 sympathetic nervous system Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- 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
本发明属于情绪监测和调节技术领域,具体为一种基于皮肤电信号分析的孕妇分娩恐惧检测方法和系统。本发明方法包括:获取孕妇原始皮肤电信号,并由医生根据分娩态度问卷划分孕妇的分娩恐惧等级;对原始皮肤电信号进行小波阈值去噪,提取时域特征、频域特征、梅尔频率倒谱系数和非线性指标;特征归一化和特征选择;建立分娩恐惧评估模型,最终输出分娩恐惧等级。本发明能够更加精准地判别分娩恐惧状况,保证结果的客观性和准确性,有利于及时识别孕妇的心理情绪状态,从而开展孕期精准分娩管理。
Description
技术领域
本发明属于情绪监测和调节技术领域,具体涉及基于皮肤电的孕妇分娩恐惧检测方法和系统。
背景技术
孕妇的心理情绪直接影响到母婴的健康,负性心理会对孕妇以及胎儿产生一系列潜在危害。分娩恐惧是孕妇最常见的负性心理,是对即将到来的分娩产生的焦虑、担心等复杂心理体验。分娩恐惧会造成产程延长、剖宫产率增加甚至增加产后抑郁、难产等不良情况发生风险,影响分娩质量和产程安全。
临床上,对分娩恐惧的测量主要采用访谈法和问卷调查法。其中,问卷调查法最为常用,包括分娩态度量表(CAQ)、分娩恐惧量表(FCQ)和Wijma分娩预期/体验量表(W-DEQ)等。单纯依靠问卷调查结果会导致以下问题:1)量表内容均为主观性自评,会导致结果缺乏客观性;2)多量表施测作答时间长,孕妇可能会产生不良情绪,影响测评结果准确性;3)恐惧心理会随着孕妇所处环境的变化而改变,问卷调查无法实时地反映这种变化。然而目前尚缺乏对分娩恐惧客观、及时的测评方法。
人体的皮肤电(GSR)信号受交感神经系统调控,研究表明,不同心理状态下皮肤内血管的舒张和收缩以及汗腺分泌等变化,导致皮肤电信号的改变。当孕妇处于焦虑恐惧的心理状态,交感神经兴奋,汗腺活动加强,汗液分泌增多,会引起皮肤导电能力变化。因此,通过孕妇皮肤导电性的监测分析,可以从客观上体现孕妇的心理状态,精准量化分娩恐惧等级。同时,相比于其他人体生理信号,皮肤电信号的采集舒适便捷,孕妇接受度较高,应用性较强。鉴于此,本发明提出一种基于皮肤电信号的孕妇分娩恐惧检测方法。
发明内容
本发明的目的在于提供一种能够客观、准确地判别分娩恐惧的基于皮肤电信号分析的分娩恐惧检测方法和系统,以利于及时识别孕妇的心理情绪状态,从而开展孕期精准分娩管理。
本发明提出的基于皮肤电信号分析的分娩恐惧检测方法,具体步骤如下:
(1)获取孕妇原始皮肤电信号,并由医生根据分娩态度问卷划分孕妇的分娩恐惧等级。
(2)采用db5小波、Rigrsure阈值选择方法,对原始皮肤电信号进行小波阈值去噪处理。
(3)对去噪后的皮肤电信号进行特征提取,得到时域特征、频域特征、梅尔频率倒谱系数(MFCC)和非线性特征,共94个;其中:
时域指标,包括皮肤电信号及其一阶差分、二阶差分的均值、中值、标准差、最小值、最大值、最小值比率、最大值比率、最大最小差值,共24个;
频域指标,是将皮肤电信号经离散傅里叶变换处理后,计算能量谱的偏度、峰度、均值、中值、标准差、最小值、最大值,共7个;
梅尔频率倒谱系数(MFCC),计算方式为:将皮肤电信号加汉明窗,化为短帧;对于每一帧,进行FFT获得频谱;通过Mel滤波器将频谱映射到Mel尺度上;求Mel谱值对数,应用离散余弦变换(DCT)获得梅尔频率倒谱系数;选择DCT系数2-13,分别计算均值、中值、标准差、最小值、最大值;共有60个;
非线性特征,指采用熵测度分析方法,提取皮肤电信号的样本熵(SampEn)、排列熵(PE)和分布熵(DistEn);具体计算方式如下:
设预处理后的皮肤电信号时间序列为{ui=u(i),1≤i≤N},u(i)表示时间序列中的每个皮肤电数值,N表示序列长度,
①给定相空间重构维数m,重构N-m维向量:
②给定相空间重构维数m,重构N-m+1维向量:
其中,floor代表向下取整函数,得到N-m+1维符号化向量:
将向量内的元素按照数值大小作升序排列,得到与之对应的序数模式。将序数模式按照单调性的不同,归类为模式五种模式依次代表常量模式、单调减模式、单调增模式、凹模式和凸模式;;分别统计五种动力学模式的概率{p(Di),1≤i≤5},则排列熵:
PE(m,Δ)=-∑ip(Di)lnp(Di); (8)
③给定相空间重构维数m,重构N-m维向量:
{X(i)=u(i),u(i+1),...,u(i+m-1),1≤i≤N-m}; (9)
定义X(i)与X(j)(1≤i,j≤N-m)之间的距离为D={di,j},其中:
di,j=max{|u(i+k)-u(j+k)|,0≤k≤m-1}; (10)
在[0,1]区间上,利用直方图法估计di,j中除主对角线(即i=j)外,所有元素的经验概率密度函数(ePDF)。直方图的个数预定义为M,统计落入每个直方图中元素的概率,记为pt,t=1,2,...,M;则分布熵:
(4)将上述特征采取最大-最小标准化法归一化,消除皮肤电基准的个体差异影响。同时,采取信息增益率的方法筛选重要特征,计算方法如下:
Entropy(S)=-∑ipilog pi, (12)
式中,S代表样本集合,pi为第i类的概率,Sv代表S中所有在特征A上取值为v的集合。
(5)将筛选出的特征放入分类器,建立分娩恐惧评估模型,获得分娩恐惧等级结果。
本发明使用的分类器包括支持向量机(SVM)、随机森林(RF)、K近邻和决策树等,但不限于这些分类方法。
基于上述检测方法,本发明还提供基于皮肤电信号分析的分娩恐惧检测系统,具体包括如下五个模块,分别为:孕妇原始皮肤电信号获取模块,对原始皮肤电信号去噪处理模块,皮肤电信号特征提取模块,特征归一化及筛选模块,分娩恐惧等级评估模块;五个模块用于依次执行本发明五个步骤的操作内容。
本发明的特点及有益效果在于:
本发明首先采集获取孕妇原始皮肤电信号;对原始皮肤电信号进行小波阈值去噪,提取时域特征、频域特征、梅尔频率倒谱系数(MFCC)和非线性指标;特征归一化之后进行特征筛选;建立分娩恐惧评估模型,最终输出分娩恐惧等级。相较于目前基于量表的分娩恐惧检测,本发明通过皮肤电信号采集、预处理、特征提取和选择,进行分娩恐惧等级划分,能够更加精准地判别分娩恐惧状况。
本发明基于孕妇的皮肤电信号进行分娩恐惧检测,保证了结果的客观性和准确性,有利于及时识别孕妇的心理情绪状态,从而开展孕期精准分娩管理。
附图说明
图1是本发明的基于皮肤电信号的分娩恐惧检测方法的整体流程图。
具体实施方式
下面结合附图和具体实施例对本发明进一步详细说明。
本发明提出基于皮肤电信号的分娩恐惧检测方法,流程图如图1所示,包括以下步骤:
(1)获取孕妇原始皮肤电信号,并由医生根据分娩态度问卷划分孕妇的分娩恐惧等级;
本实施例中,用便携式设备采集了20例孕32周的孕妇皮肤电信号,采集工作在产科门诊哺乳室进行,信号时长至少5分钟。孕妇填写一般资料调查表和分娩态度量表,并由医生根据量表划分分娩恐惧等级。具体地,分娩态度量表包含16个条目,采用1-4级计分,总分为16-64分,得分越高表明分娩恐惧的程度越严重,得分16-27分代表无分娩恐惧,得分28-39分代表轻度分娩恐惧,得分40-51分代表中度分娩恐惧,得分52-64分代表重度分娩恐惧。
(2)采用db5小波、Rigrsure阈值选择方法,对原始皮肤电信号进行小波阈值去噪;
本实施例中,选择3层db5小波函数进行皮肤电信号的分解和重构,阈值函数采取Rigrsure阈值选择方法。
(3)对去噪后的皮肤电信号进行特征提取,得到时域特征、频域特征、梅尔频率倒谱系数(MFCC)和非线性特征共94个;
其中,时域指标包括皮肤电信号及其一阶差分、二阶差分的均值、中值、标准差、最小值、最大值、最小值比率、最大值比率、最大最小差值,共24个。
频域指标是将皮肤电信号经离散傅里叶变换处理后,计算能量谱的偏度、峰度、均值、中值、标准差、最小值、最大值,共7个。
梅尔频率倒谱系数(MFCC)包括60个,计算方式为:将皮肤电信号加汉明窗,化为短帧;对于每一帧,进行FFT获得频谱;通过Mel滤波器将频谱映射到Mel尺度上;求Mel谱值对数,应用离散余弦变换(DCT)获得梅尔频率倒谱系数;选择DCT系数2-13,分别计算均值、中值、标准差、最小值、最大值。
非线性指采用熵测度分析方法,提取皮肤电信号的样本熵(SampEn)、排列熵(PE)和分布熵(DistEn),计算方式如下:
设预处理后的皮肤电信号时间序列为{ui=u(i),1≤i≤N},u(i)表示时间序列中的每个皮肤电数值,N表示序列长度,
①给定相空间重构维数m,重构N-m维向量:
本实施例中,m=2,r=0.2。
②给定相空间重构维数m,重构N-m+1维向量:
其中,floor代表向下取整函数,得到N-m+1维符号化向量:
PE(m,Δ)=-∑ip(Di)lnp(Di); (8)
本实施例中,m=3,Δ=4。
③给定相空间重构维数m,重构N-m维向量:
{X(i)=u(i),u(i+1),...,u(i+m-1),1≤i≤N-m}; (9)
定义X(i)与X(j)(1≤i,j≤N-m)之间的距离为D={di,j},其中:
di,j=max{|u(i+k)-u(j+k)|,0≤k≤m-1}; (10)
在[0,1]区间上,利用直方图法估计di,j中除主对角线(即i=j)外,所有元素的经验概率密度函数(ePDF)。直方图的个数预定义为M,统计落入每个直方图中元素的概率,记为pt,t=1,2,...,M;则分布熵:
本实施例中,m=2,M=29。
(4)将上述特征采取最大-最小标准化法归一化,消除皮肤电基准的个体差异影响。同时,采取信息增益率的方法筛选重要特征,计算方法如下:
Entropy(S)=-∑ipilog pi, (12)
(5)将筛选出的特征放入分类器,建立分娩恐惧评估模型,获得分娩恐惧等级结果。本发明的分类器包括支持向量机(SVM)、随机森林(RF)、K近邻和决策树等,但不限于这些分类方法。
在本实施例中,将基于20例孕妇皮肤电获取的特征筛选后送入SVM分类器:用网格搜索法寻找最优超参数,并采取留一法交叉验证(LOOCV),即每次只使用一个作为测试集,剩下的19个全部作为训练集,训练20次,最终的结果是这20次验证的均值。在本实施例中,对于无分娩恐惧和有分娩恐惧的识别准确率达到了82%。
本发明提供的基于孕妇的皮肤电信号进行分娩恐惧检测的方法,通过获取孕妇原始皮肤电信号,对原始皮肤电信号进行小波阈值去噪,提取时域特征、频域特征、梅尔频率倒谱系数(MFCC)和非线性指标,特征归一化之后进行特征筛选,最后建立分娩恐惧评估模型,输出分娩恐惧等级。本发明可以更加精准地判别分娩恐惧状况,有利于识别孕妇的心理情绪状态,从而开展孕期精准分娩管理。
Claims (5)
1.一种基于皮肤电信号分析的孕妇分娩恐惧检测方法,其特征在于,具体步骤如下:
(1)获取孕妇原始皮肤电信号,并由医生根据分娩态度问卷划分孕妇的分娩恐惧等级;
(2)采用db5小波、Rigrsure阈值选择方法,对原始皮肤电信号进行小波阈值去噪处理;
(3)对去噪后的皮肤电信号进行特征提取,得到时域特征、频域特征、梅尔频率倒谱系数和非线性特征,共94个;其中:
时域指标,包括皮肤电信号及其一阶差分、二阶差分的均值、中值、标准差、最小值、最大值、最小值比率、最大值比率、最大最小差值,共24个;
频域指标,是将皮肤电信号经离散傅里叶变换处理后,计算能量谱的偏度、峰度、均值、中值、标准差、最小值、最大值,共7个;
梅尔频率倒谱系数(MFCC),计算方式为:将皮肤电信号加汉明窗,化为短帧;对于每一帧,进行FFT获得频谱;通过Mel滤波器将频谱映射到Mel尺度上;求Mel谱值对数,应用离散余弦变换(DCT)获得梅尔频率倒谱系数;选择DCT系数2-13,分别计算均值、中值、标准差、最小值、最大值;共有60个;
非线性特征,指采用熵测度分析方法,提取皮肤电信号的样本熵、排列熵和分布熵,共3个;
(4)将上述特征采取最大-最小标准化法归一化,消除皮肤电基准的个体差异影响;同时,采取信息增益率的方法筛选重要特征;
(5)将筛选出的特征放入分类器,建立分娩恐惧评估模型,获得分娩恐惧等级结果。
2.根据权利要求1所述的孕妇分娩恐惧检测方法,其特征在于,步骤(3)中所述非线性特征,具体计算方式如下:
设预处理后的皮肤电信号时间序列为{ui=u(i),1≤i≤N},u(i)表示时间序列中的每个皮肤电数值,N表示序列长度,
①给定相空间重构维数m,重构N-m维向量:
②给定相空间重构维数m,重构N-m+1维向量:
其中,floor代表向下取整函数,得到N-m+1维符号化向量:
将向量内的元素按照数值大小作升序排列,得到与之对应的序数模式;将序数模式按照单调性的不同,归类为模式五种模式依次代表常量模式、单调减模式、单调增模式、凹模式和凸模式;分别统计五种动力学模式的概率{p(Di),1≤i≤5},则排列熵:
PE(m,Δ)=-∑ip(Di)lnp(Di); (8)
③给定相空间重构维数m,重构N-m维向量:
{X(i)=u(i),u(i+1),...,u(i+m-1),1≤i≤N-m}; (9)
定义X(i)与X(j)(1≤i,j≤N-m)之间的距离为D={di,j},其中:
di,j=max{|u(i+k)-u(j+k)|,0≤k≤m-1}; (10)
在[0,1]区间上,利用直方图法估计di,j中除主对角线(即i=j)外,所有元素的经验概率密度函数(ePDF);直方图的个数预定义为M,统计落入每个直方图中元素的概率,记为pt,t=1,2,...,M;则分布熵:
4.根据权利要求3所述的孕妇分娩恐惧检测方法,其特征在于,步骤(5)中所述的分类器为支持向量机、随机森林、K近邻和决策树。
5.基于权利要求1-4之一所述方法的孕妇分娩恐惧检测系统,其特征在于,具体包括如下五个模块,分别为:孕妇原始皮肤电信号获取模块,对原始皮肤电信号去噪处理模块,皮肤电信号特征提取模块,特征归一化及筛选模块,分娩恐惧等级评估模块;五个模块用于依次执行本发明五个步骤的操作内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211543464.8A CN115813389A (zh) | 2022-12-02 | 2022-12-02 | 基于皮肤电信号分析的孕妇分娩恐惧检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211543464.8A CN115813389A (zh) | 2022-12-02 | 2022-12-02 | 基于皮肤电信号分析的孕妇分娩恐惧检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115813389A true CN115813389A (zh) | 2023-03-21 |
Family
ID=85543904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211543464.8A Pending CN115813389A (zh) | 2022-12-02 | 2022-12-02 | 基于皮肤电信号分析的孕妇分娩恐惧检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115813389A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106598223A (zh) * | 2016-11-14 | 2017-04-26 | 深圳欧德蒙科技有限公司 | 一种基于情绪识别的虚拟环境渲染方法和装置 |
CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
WO2018045623A1 (zh) * | 2016-09-06 | 2018-03-15 | 深圳欧德蒙科技有限公司 | 一种基于脉搏波时间序列分析的情绪分类方法及装置 |
WO2018120088A1 (zh) * | 2016-12-30 | 2018-07-05 | 中国科学院深圳先进技术研究院 | 情感识别模型生成方法及装置 |
CN110353704A (zh) * | 2019-07-12 | 2019-10-22 | 东南大学 | 基于穿戴式心电监测的情绪评估方法与装置 |
KR20200007162A (ko) * | 2018-07-12 | 2020-01-22 | 한양대학교 산학협력단 | 근전도 신호를 이용하는 감정 인식 방법 및 장치 |
CN112006696A (zh) * | 2019-05-29 | 2020-12-01 | 北京入思技术有限公司 | 基于皮肤电信号的情绪识别方法 |
CN115363586A (zh) * | 2022-09-08 | 2022-11-22 | 山东大学 | 一种基于脉搏波信号的心理压力等级评估系统及方法 |
-
2022
- 2022-12-02 CN CN202211543464.8A patent/CN115813389A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045623A1 (zh) * | 2016-09-06 | 2018-03-15 | 深圳欧德蒙科技有限公司 | 一种基于脉搏波时间序列分析的情绪分类方法及装置 |
CN106598223A (zh) * | 2016-11-14 | 2017-04-26 | 深圳欧德蒙科技有限公司 | 一种基于情绪识别的虚拟环境渲染方法和装置 |
WO2018120088A1 (zh) * | 2016-12-30 | 2018-07-05 | 中国科学院深圳先进技术研究院 | 情感识别模型生成方法及装置 |
CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
KR20200007162A (ko) * | 2018-07-12 | 2020-01-22 | 한양대학교 산학협력단 | 근전도 신호를 이용하는 감정 인식 방법 및 장치 |
CN112006696A (zh) * | 2019-05-29 | 2020-12-01 | 北京入思技术有限公司 | 基于皮肤电信号的情绪识别方法 |
CN110353704A (zh) * | 2019-07-12 | 2019-10-22 | 东南大学 | 基于穿戴式心电监测的情绪评估方法与装置 |
CN115363586A (zh) * | 2022-09-08 | 2022-11-22 | 山东大学 | 一种基于脉搏波信号的心理压力等级评估系统及方法 |
Non-Patent Citations (2)
Title |
---|
Q. ZHANG, X. LAI AND G. LIU: "Emotion Recognition of GSR Based on an Improved Quantum Neural Network", 2016 8TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS (IHMSC), 28 August 2016 (2016-08-28) * |
刘峰: "基于皮肤电信号的情感识别与调节研究", 万方学术期刊数据库, 2 November 2015 (2015-11-02), pages 7 - 15 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khare et al. | SPWVD-CNN for automated detection of schizophrenia patients using EEG signals | |
CN109157231B (zh) | 基于情绪刺激任务的便携式多通道抑郁倾向评估系统 | |
US20230043406A1 (en) | Noninvasive method and system for sleep apnea detection | |
Sharanreddy et al. | EEG signal classification for epilepsy seizure detection using improved approximate entropy | |
CN105286890B (zh) | 一种基于脑电信号的驾驶员瞌睡状态监测方法 | |
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
CN112353391A (zh) | 一种基于脑电信号的汽车车内声音品质识别方法及装置 | |
Bairy et al. | Automated diagnosis of depression electroencephalograph signals using linear prediction coding and higher order spectra features | |
Boubchir et al. | A review of feature extraction for EEG epileptic seizure detection and classification | |
CN111956221B (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
CN107595249B (zh) | 基于脉搏波的怀孕女性筛查方法 | |
CN112869716B (zh) | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 | |
Jadhav et al. | Automated sleep stage scoring using time-frequency spectra convolution neural network | |
CN107273841A (zh) | 一种基于emd及高斯核函数svm的脑电情感分类方法 | |
CN112493995A (zh) | 一种适用不同年龄患者的麻醉状态评估系统及方法 | |
Kiran et al. | TQWT based features for classification of ALS and healthy EMG signals | |
CN112971799A (zh) | 基于机器学习的无刺激胎心监护分类方法 | |
Cömert et al. | A simple and effective approach for digitization of the CTG signals from CTG traces | |
CN115500843A (zh) | 基于零样本学习与对比学习的睡眠阶段分期方法 | |
CN113080966A (zh) | 一种基于睡眠分期的抑郁症自动检测方法 | |
CN113440107A (zh) | 基于语音信号分析的阿尔茨海默症状诊断设备 | |
Janjarasjitt | Examination of Single Wavelet-Based Features of EHG Signals for Preterm Birth Classification. | |
Gnana Rajesh | Analysis of MFCC features for EEG signal classification | |
Dilber et al. | EEG based detection of epilepsy by a mixed design approach | |
CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 |
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 |