CN115844424A - 一种睡眠纺锤波分级识别方法及系统 - Google Patents
一种睡眠纺锤波分级识别方法及系统 Download PDFInfo
- Publication number
- CN115844424A CN115844424A CN202211266947.8A CN202211266947A CN115844424A CN 115844424 A CN115844424 A CN 115844424A CN 202211266947 A CN202211266947 A CN 202211266947A CN 115844424 A CN115844424 A CN 115844424A
- Authority
- CN
- China
- Prior art keywords
- spindle wave
- spindle
- swin
- module
- 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.)
- Granted
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种睡眠纺锤波分级识别方法及系统。本方法步骤包括:1)对脑电波信号进行标注,标注出所述脑电信号中各纺锤波的起始点和持续时间;然后提取出n个包含纺锤波信号的脑电信号分段和n个不包含纺锤波信号的脑电信号片段;2)对所提取的2n个脑电信号片段进行连续小波变换,得到每一所述脑电信号片段对应的一维电信号;将转换后的每一所述一维电信号转换为二维时频图;3)利用所述二维时频图训练睡眠纺锤波分级识别神经网络;4)将待识别的脑电波信号进行分段并对其连续小波变换后输入到训练后的睡眠纺锤波分级识别神经网络,识别出每一分段是否包含纺锤波信号。本发明解决了现有睡眠纺锤波分级识别存在的鲁棒性差以及效率低问题。
Description
技术领域
本发明属于计算机软件技术领域,具体涉及一种基于连续小波变换和深度学习的睡眠纺锤波分级识别方法及系统。
背景技术
现有的睡眠分期标准将睡眠周期分为非快速眼动期和快速眼动期,非快速眼动期又分为N1、N2、N3三期,其睡眠深度依次加深。睡眠进入非快速眼动N2期的显著标志特征就是纺锤波的出现,也是异于正常睡眠波少有的几个瞬态事件之一。纺锤波的持续时间在0.5-1.5s之间,幅值主要分布于20-40μV,频率通常在在11-15Hz最多,其中以产生于额叶的12.5Hz左右的纺锤波和产生于中央脑区的13.5Hz左右的纺锤波为主。
人类的纺锤波在婴儿时期就会产生,随着年龄和个体的不断发育,纺锤波的各个特征也会呈现出不同的变化。研究者们发现睡眠过程中纺锤波的数量在不同年龄、性别以及不同智力的人群之间存在着显著差异,并且在睡眠过程中产生的纺锤波在密度、幅值、持续时间以及频率等特征上也存在着明显差异,如正常人群的纺锤波平均幅值普遍要略高于睡眠障碍人群。睡眠纺锤波的变化不仅与个体发育相关,由于一些疾病的影响也会使纺锤波发生明显的变化,有研究发现,睡眠纺锤波的改变可能是精神分裂症中丘脑皮质和神经调节功能障碍的敏感指标。因此,纺锤波的识别和判定不仅为睡眠分期提供了重要的判别特征,对探索睡眠的生理机制、睡眠障碍、认知活动以及神经生理学研究中有着重要意义。
目前在临床诊断上,纺锤波的识别主要依靠专业医生的主观经验判断。首先根据不同睡眠时期的特征波对整夜睡眠数据进行分期,之后依据睡眠纺锤波的特征进行识别,这也是目前纺锤波检测的“黄金标准”。一般纺锤波检测工作都会让两个或者三个专家同时进行,然后根据不同专家检测出纺锤波的一致性进行纺锤波的判断,这种方式消耗了巨大的人力物力。由于纺锤波信号在整个EEG信号占比较小,且频率分布在(11-16Hz)与持续时长(0-3s)各异,人工肉眼识别并标注任务繁琐,且容易产生分歧。因此研究开发一种能够自动检测并标注睡眠纺锤波的算法具有很大的临床应用价值。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于连续小波变换和深度学习的睡眠纺锤波分级识别方法及系统。本发明采用连续小波变换提取脑电信号的瞬时频率信息,用于解决现有技术方法存在的鲁棒性差以及效率低等技术问题。
本发明的主要内容如下:
1.首先经专业人员对采集的脑电波信号进行标注,标注出所述脑电信号中各纺锤波的起始点和持续时间,然后按照1.5s的时间段进行分段处理。
2.提取出n个包含纺锤波信号的脑电信号片段,随后在其余的脑电信号片段内随机抽取数量一致n个的不包含纺锤波信号的脑电信号片段。
3.对步骤2中提取的所有脑电信号片段进行连续小波变换,并将转换后的一维电信号转换为二维时频图(时间-频率图)。
4.将二维时频图输入到Swin-Transformer网络中,得到输出值Y,完成纺锤波的二分类识别(纺锤波或非纺锤波)。
5.将待识别的脑电波信号进行分段并对其连续小波变换后输入到训练后的睡眠纺锤波分级识别神经网络,识别出每一分段是否包含纺锤波信号。
本发明的特征在于对分段后的脑电信号进行连续小波变换,将经过连续小波变换后的一维脑电信号转换为二维时频图,并将时频图作为分类神经网络的输入,完成睡眠纺锤波的二分类。
本发明的技术方案为:
一种睡眠纺锤波分级识别方法,其步骤包括:
1)对脑电波信号进行标注,标注出所述脑电信号中各纺锤波的起始点和持续时间;然后提取出n个包含纺锤波信号的脑电信号分段和n个不包含纺锤波信号的脑电信号片段;
2)对所提取的2n个脑电信号片段进行连续小波变换,得到每一所述脑电信号片段对应的一维电信号;将转换后的每一所述一维电信号转换为二维时频图;
3)利用所述二维时频图训练睡眠纺锤波分级识别神经网络;
4)将待识别的脑电波信号进行分段并对其连续小波变换后输入到训练后的睡眠纺锤波分级识别神经网络,识别出每一分段是否包含纺锤波信号。
进一步的,所述睡眠纺锤波分级识别神经网络为Swin-Transformer网络。
进一步的,利用所述二维时频图训练睡眠纺锤波分级识别神经网络的方法为:
31)对所述二维时频图进行分块,将像素分辨率图像转换为区块分辨率图像S1并将其输入线性嵌入模块后转换为特征图S2;
32)将所述特征图S2经过2个Swin Transformer区块,得到特征图S3并将其输入区块合并模块进行降采样,得到相比于特征图S2分辨率减半、通道数加倍的特征图S4;
33)将所述特征图S4依次经过2个Swin Transformer区块以及1个区块合并模块后,得到相比于特征图S4辨率减半、通道数加倍的特征图S5;
34)将所述特征图S5依次经过6个Swin Transformer区块、1个区块合并模块以及2个Swin Transformer区块后得到特征图S6;
35)将所述特征图S6依次输入全连接层、标准化层、自适应平均池化层以及线性层后得到特征向量D,将所述特征向量D经过Softmax激活函数之后得到输出值Y,完成预测输入的所述二维时频图是否包含纺锤波。
进一步的,步骤31)中,首先对所述二维时频图进行重采样,使得重采样后的二维时频图对应的三维特征数组X符合所述睡眠纺锤波分级识别神经网络的要求;对三维特征数组X进行分块,将像素分辨率图像转换为区块分辨率图像S1。
进一步的,得到特征图S4的方法为:对特征图S3在行和列方向上,以2为间隔选取元素,然后拼接在一起作为一整个张量后展开,再经过全连接层调整通道维度为以前的两倍、分辨率减半、通道数加倍,得到特征图S4。
进一步的,步骤1)中,首先对脑电波信号进行去噪、降采样到500HZ,然后以纺锤波起始点向后延伸设定时长进行片段提取,得到包含纺锤波信号的脑电信号分段。
进一步的,包含纺锤波信号的脑电信号分段的长度与不包含纺锤波信号的脑电信号片段的长度相同。
一种睡眠纺锤波分级识别系统,其特征在于,包括训练样本生成模块、连续小波变换模块、训练模块、睡眠纺锤波分级识别神经网络;其中,
所述训练样本生成模块,用于对脑电波信号进行标注,标注出所述脑电信号中各纺锤波的起始点和持续时间;然后提取出n个包含纺锤波信号的脑电信号分段和n个不包含纺锤波信号的脑电信号片段;
所述连续小波变换模块,用于对所述脑电信号片段进行连续小波变换,得到每一所述脑电信号片段对应的一维电信号并将其转换为二维时频图;
所述训练模块,利用所述二维时频图训练睡眠纺锤波分级识别神经网络;
所述睡眠纺锤波分级识别神经网络,用于对输入的所述二维时频图进行识别,预测输入的所述二维时频图是否包含纺锤波。
进一步的,所述睡眠纺锤波分级识别神经网络包括对依次连接的分块模块、线性嵌入模块、第一两串联Swin Transformer区块、第一区块合并模块、第二两串联SwinTransformer区块、六个依次串联的Swin Transformer区块、第三区块合并模块、第三两串联Swin Transformer区块、全连接层、标准化层、自适应平均池化层、线性层以及激活层;所述分块模块用于对所述二维时频图进行分块,将像素分辨率图像转换为区块分辨率图像S1并将其输入所述线性嵌入模块后转换为特征图S2;所述第一两串联Swin Transformer区块用于对所述特征图S2进行特征提取得到特征图S3并将其输入所述第一区块合并模块进行降采样,得到相比于特征图S2分辨率减半、通道数加倍的特征图S4;所述第二两串联SwinTransformer区块用于对所述特征图S4进行特征提取并将所得特征图输入第二区块合并模块后,得到相比于特征图S4辨率减半、通道数加倍的特征图S5。
一种服务器,其特征在于,包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行上述方法中各步骤的指令。
本发明用于睡眠纺锤波识别的Swin-Transformer网络图像分类方法,包括以下要点:
要点1:原始脑电信号预处理及纺锤波提取方法。包含去噪、降采样到500HZ以及以纺锤波起始点向后延伸1.5秒进行片段提取的流程。
要点2:纺锤波时频图处理方法。小波变换生成的二维时频图经过重采样,使得二维时频图的矩阵大小符合神经网络的要求,然后将其输入Swin-Transformer纺锤波深度学习神经网络,根据图像大小将其定义为T×H×W的3维特征数组,表示为:X(T×H×W)。输入神经网络的二维时频图在进行训练时,本质上网络将其视作矩阵数组来进行操作,T代表的是通道数,H和W分别代表矩阵的长和宽。因为采用的是RGB格式图像,因此T初始值为3。
要点3:基于Swin-Transformer纺锤波深度学习神经网络。首先X经过分块(PatchPartition)将像素分辨率图像转换为区块(patches)分辨率的图像经过线性嵌入(Linear Embedding)模块后转换为需要的维度(Swin-Transformer网络的网络结构分很多种,Swin_T是其一种网络形式,在Swin_T网络结构中C=96),得到特征图/>随后,特征图S2经过2个Swin Transformer区块(Swin TransformerBlock),得到特征图/>S3经过区块合并(Patch Merging)模块,在进入下一阶段前进行降采样,在行和列方向上,以2为间隔选取元素,然后拼接在一起作为一整个张量后展开,此时通道维度变为原来的4倍,再经过全连接层调整通道维度为以前的两倍、分辨率减半、通道数加倍,节省运算量,得到特征图/>S4经过2个SwinTransformer区块以及1个区块合并模块后,分辨率减半,通道数加倍,得到特征图随后S5依次经过6个Swin Transformer区块、1个区块合并模块以及2个Swin Transformer区块后得到特征图/>
要点4:基于标准化、池化及线性层的纺锤波分类输出结构。S6输入到最后的全连接层,经过标准化层(Layer Normalization),自适应平均池化层(Adaptive AveragePooling)以及线性层(Linear)后得到D(2×1),D经过Softmax激活函数之后得到输出值Y,完成纺锤波的二分类识别(纺锤波或非纺锤波)。
本发明的优点如下:
1.本发明利用Swin Transformer作为分类网络,移动窗口,降低了计算复杂度,又保证了全局建模能力,具有输入图像大小线性计算复杂度。随着深度加深,逐渐合并图像块来构建层次化Transformer,极大程度的提高了分类结果的准确性。
2.将原始一维脑电信号分段后进行连续小波转换,进而转换为二维时频图作为网络输入,提高了脑电波之间的可区分性,解决了现有技术方法存在的鲁棒性差以及效率低等技术问题。
附图说明
图1为本发明的流程图。
图2为本实施方法的部分原始脑电信号片段。
图3为本实施方法的Swin-Transformer网络结构示意图。
具体实施方式
下面将结合附图和具体实施方式,对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明,但限制本发明的范围。
步骤1:对脑电波信号进行去噪和降采样,得到频率为500HZ的脑电预处理数据。
步骤2:专业人员标注出预处理数据中纺锤波的起始点和持续时间,所标记纺锤波数量为n。通过计算机进行1.5s分段采样,即由每一个标注起点向后1.5秒提取出全部的n个纺锤波信号片段,随后在其余的脑电信号片段内随机抽取数量一致的非纺锤波信号片段,共得到2n个包含纺锤波与不包含纺锤波的脑电信号片段。
将经过连续小波变换后的一维脑电信号转换为二维时频图,并将时频图作为下述步骤中神经网络的输出。
步骤4:基于步骤3,将二维时频图输入Swin-Transformer网络,如图3所示,根据图像大小将其定义为T×H×W的3维特征数组,表示为:X(T×H×W)。
根据读取的二维时频图的大小,将读取到的时频图均定义为大小为3×656×875的3维特征数组,表示为:X(3×656×875),其中第一个维度为3,代表X的通道数量,第二个维度H和第三个维度W分别为656和875,代表X的特征图分辨率。
步骤5:首先X经过分块(Patch Partition)将像素分辨率图像转换为区块(patches)分辨率的图像经过线性嵌入(Linear Embedding)模块后转换为需要的维度(Swin_T/C=96),得到/>
随后,S2经过2个Swin Transformer区块(Swin Transformer Block),得到S3经过区块合并(Patch Merging)模块,在进入下一阶段前进行降采样,在行和列方向上,以2为间隔选取元素,然后拼接在一起作为一整个张量后展开,此时通道维度变为原来的4倍,再经过全连接层调整通道维度为以前的两倍,分辨率减半,通道数加倍,节省运算量,得到/>
S4经过2个Swin Transformer区块以及1个区块合并模块后,分辨率减半,通道数加倍,得到随后S5依次经过6个Swin Transformer区块、1个区块合并模块以及2个Swin Transformer区块后得到/>
步骤6:S6输入到最后的全连接层,经过标准化层(Layer Normalization),自适应平均池化层(Adaptive Average Pooling)以及线性层(Linear)后得到数组D(2×1),D经过Softmax激活函数之后即得到输出值Y,完成纺锤波的二分类识别(纺锤波或非纺锤波)。每个Y值和其输入的脑电二维时频图是一一对应的,通过Y值可以直观地完成相对应的脑电片段是否为纺锤波的分类识别。
步骤7.将待识别的脑电波信号进行分段并对其连续小波变换后输入到训练后的睡眠纺锤波分级识别神经网络,识别出每一分段是否包含纺锤波信号。
步骤1-3为数据处理,得到输入网络的二维时频图,步骤4-6为网络训练并得到结果,步骤7为实际应用阶段。
尽管为说明目的公开了本发明的具体实施例,其目的在于帮助理解本发明的内容并据以实施,本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化和修改都是可能的。因此,本发明不应局限于最佳实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (10)
1.一种睡眠纺锤波分级识别方法,其步骤包括:
1)对脑电波信号进行标注,标注出所述脑电信号中各纺锤波的起始点和持续时间;然后提取出n个包含纺锤波信号的脑电信号分段和n个不包含纺锤波信号的脑电信号片段;
2)对所提取的2n个脑电信号片段进行连续小波变换,得到每一所述脑电信号片段对应的一维电信号;将转换后的每一所述一维电信号转换为二维时频图;
3)利用所述二维时频图训练睡眠纺锤波分级识别神经网络;
4)将待识别的脑电波信号进行分段并对其连续小波变换后输入到训练后的睡眠纺锤波分级识别神经网络,识别出每一分段是否包含纺锤波信号。
2.根据权利要求1所述的方法,其特征在于,所述睡眠纺锤波分级识别神经网络为Swin-Transformer网络。
3.根据权利要求2所述的方法,其特征在于,利用所述二维时频图训练睡眠纺锤波分级识别神经网络的方法为:
31)对所述二维时频图进行分块,将像素分辨率图像转换为区块分辨率图像S1并将其输入线性嵌入模块后转换为特征图S2;
32)将所述特征图S2经过2个Swin Transformer区块,得到特征图S3并将其输入区块合并模块进行降采样,得到相比于特征图S2分辨率减半、通道数加倍的特征图S4;
33)将所述特征图S4依次经过2个Swin Transformer区块以及1个区块合并模块后,得到相比于特征图S4辨率减半、通道数加倍的特征图S5;
34)将所述特征图S5依次经过6个Swin Transformer区块、1个区块合并模块以及2个Swin Transformer区块后得到特征图S6;
35)将所述特征图S6依次输入全连接层、标准化层、自适应平均池化层以及线性层后得到特征向量D,将所述特征向量D经过Softmax激活函数之后得到输出值Y,完成预测输入的所述二维时频图是否包含纺锤波。
4.根据权利要求3所述的方法,其特征在于,步骤31)中,首先对所述二维时频图进行重采样,使得重采样后的二维时频图对应的三维特征数组X符合所述睡眠纺锤波分级识别神经网络的要求;对三维特征数组X进行分块,将像素分辨率图像转换为区块分辨率图像S1。
5.根据权利要求3所述的方法,其特征在于,得到特征图S4的方法为:对特征图S3在行和列方向上,以2为间隔选取元素,然后拼接在一起作为一整个张量后展开,再经过全连接层调整通道维度为以前的两倍、分辨率减半、通道数加倍,得到特征图S4。
6.根据权利要求1所述的方法,其特征在于,步骤1)中,首先对脑电波信号进行去噪、降采样到500HZ,然后以纺锤波起始点向后延伸设定时长进行片段提取,得到包含纺锤波信号的脑电信号分段。
7.根据权利要求1所述的方法,其特征在于,包含纺锤波信号的脑电信号分段的长度与不包含纺锤波信号的脑电信号片段的长度相同。
8.一种睡眠纺锤波分级识别系统,其特征在于,包括训练样本生成模块、连续小波变换模块、训练模块、睡眠纺锤波分级识别神经网络;其中,
所述训练样本生成模块,用于对脑电波信号进行标注,标注出所述脑电信号中各纺锤波的起始点和持续时间;然后提取出n个包含纺锤波信号的脑电信号分段和n个不包含纺锤波信号的脑电信号片段;
所述连续小波变换模块,用于对所述脑电信号片段进行连续小波变换,得到每一所述脑电信号片段对应的一维电信号并将其转换为二维时频图;
所述训练模块,利用所述二维时频图训练睡眠纺锤波分级识别神经网络;
所述睡眠纺锤波分级识别神经网络,用于对输入的所述二维时频图进行识别,预测输入的所述二维时频图是否包含纺锤波。
9.根据权利要求8所述的系统,其特征在于,所述睡眠纺锤波分级识别神经网络包括对依次连接的分块模块、线性嵌入模块、第一两串联Swin Transformer区块、第一区块合并模块、第二两串联Swin Transformer区块、六个依次串联的Swin Transformer区块、第三区块合并模块、第三两串联Swin Transformer区块、全连接层、标准化层、自适应平均池化层、线性层以及激活层;所述分块模块用于对所述二维时频图进行分块,将像素分辨率图像转换为区块分辨率图像S1并将其输入所述线性嵌入模块后转换为特征图S2;所述第一两串联Swin Transformer区块用于对所述特征图S2进行特征提取得到特征图S3并将其输入所述第一区块合并模块进行降采样,得到相比于特征图S2分辨率减半、通道数加倍的特征图S4;所述第二两串联Swin Transformer区块用于对所述特征图S4进行特征提取并将所得特征图输入第二区块合并模块后,得到相比于特征图S4辨率减半、通道数加倍的特征图S5。
10.一种服务器,其特征在于,包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行权利要求1至7任一所述方法中各步骤的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211266947.8A CN115844424B (zh) | 2022-10-17 | 2022-10-17 | 一种睡眠纺锤波分级识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211266947.8A CN115844424B (zh) | 2022-10-17 | 2022-10-17 | 一种睡眠纺锤波分级识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115844424A true CN115844424A (zh) | 2023-03-28 |
CN115844424B CN115844424B (zh) | 2023-09-22 |
Family
ID=85661570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211266947.8A Active CN115844424B (zh) | 2022-10-17 | 2022-10-17 | 一种睡眠纺锤波分级识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115844424B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116035598A (zh) * | 2023-04-03 | 2023-05-02 | 北京肿瘤医院(北京大学肿瘤医院) | 一种睡眠纺锤波智能识别方法及系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106175673A (zh) * | 2016-07-04 | 2016-12-07 | 西安交通大学 | 一种自动识别和提取睡眠脑电中纺锤波的方法 |
US20190126033A1 (en) * | 2017-10-31 | 2019-05-02 | Stimscience Inc. | Systems, methods, and devices for brain stimulation and monitoring |
US20200060566A1 (en) * | 2018-08-24 | 2020-02-27 | Newton Howard | Automated detection of brain disorders |
US20200105398A1 (en) * | 2018-10-02 | 2020-04-02 | New York University | System, method and portable devices for detection and enhancement of sleep spindles |
CN111921062A (zh) * | 2020-09-02 | 2020-11-13 | 北京脑陆科技有限公司 | 一种基于便捷式eeg设备的声波干预记忆力增强系统 |
CN112294341A (zh) * | 2020-10-29 | 2021-02-02 | 武汉大学 | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 |
CN113180704A (zh) * | 2021-04-07 | 2021-07-30 | 北京脑陆科技有限公司 | 一种基于eeg脑波的睡眠纺锤波检测方法、系统 |
CN113208565A (zh) * | 2021-05-08 | 2021-08-06 | 西安邮电大学 | 一种基于脑电信号的睡眠纺锤波提取方法 |
CN113397562A (zh) * | 2021-07-20 | 2021-09-17 | 电子科技大学 | 基于深度学习的睡眠纺锤波检测方法 |
CN113925459A (zh) * | 2021-09-27 | 2022-01-14 | 西安交通大学 | 一种基于脑电特征融合的睡眠分期方法 |
CN114052762A (zh) * | 2021-11-30 | 2022-02-18 | 燕山大学 | 基于Swin-T预测狭窄血管尺寸和器械尺寸的方法 |
CN114343612A (zh) * | 2022-03-10 | 2022-04-15 | 中国科学院自动化研究所 | 基于transfomer的非接触式呼吸率测量方法 |
CN114569140A (zh) * | 2022-02-28 | 2022-06-03 | 浙江柔灵科技有限公司 | 一种纺锤波提取方法、系统、计算机设备、存储介质及程序产品 |
CA3200491A1 (en) * | 2020-12-15 | 2022-06-23 | Mars, Inc. | Systems and methods for assessing pet radiology images |
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 |
CN114758121A (zh) * | 2022-03-04 | 2022-07-15 | 杭州隐捷适生物科技有限公司 | 一种基于深度学习的cbct牙槽骨分割系统及方法 |
CN114847971A (zh) * | 2022-06-07 | 2022-08-05 | 浙江柔灵科技有限公司 | 确定性正弦干预同步压缩变换纺锤波提取方法及其应用 |
CN114998815A (zh) * | 2022-08-04 | 2022-09-02 | 江苏三棱智慧物联发展股份有限公司 | 一种基于视频分析的交通车辆识别追踪方法及系统 |
CN115062655A (zh) * | 2022-06-10 | 2022-09-16 | 烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地 | 一种多导联心电信号分析方法及多导联心肌梗死分析系统 |
-
2022
- 2022-10-17 CN CN202211266947.8A patent/CN115844424B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106175673A (zh) * | 2016-07-04 | 2016-12-07 | 西安交通大学 | 一种自动识别和提取睡眠脑电中纺锤波的方法 |
US20190126033A1 (en) * | 2017-10-31 | 2019-05-02 | Stimscience Inc. | Systems, methods, and devices for brain stimulation and monitoring |
US20200060566A1 (en) * | 2018-08-24 | 2020-02-27 | Newton Howard | Automated detection of brain disorders |
US20200105398A1 (en) * | 2018-10-02 | 2020-04-02 | New York University | System, method and portable devices for detection and enhancement of sleep spindles |
CN111921062A (zh) * | 2020-09-02 | 2020-11-13 | 北京脑陆科技有限公司 | 一种基于便捷式eeg设备的声波干预记忆力增强系统 |
CN112294341A (zh) * | 2020-10-29 | 2021-02-02 | 武汉大学 | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 |
CA3200491A1 (en) * | 2020-12-15 | 2022-06-23 | Mars, Inc. | Systems and methods for assessing pet radiology images |
WO2022132967A1 (en) * | 2020-12-15 | 2022-06-23 | Mars, Incorporated | Systems and methods for assessing pet radiology images |
CN113180704A (zh) * | 2021-04-07 | 2021-07-30 | 北京脑陆科技有限公司 | 一种基于eeg脑波的睡眠纺锤波检测方法、系统 |
CN113208565A (zh) * | 2021-05-08 | 2021-08-06 | 西安邮电大学 | 一种基于脑电信号的睡眠纺锤波提取方法 |
CN113397562A (zh) * | 2021-07-20 | 2021-09-17 | 电子科技大学 | 基于深度学习的睡眠纺锤波检测方法 |
CN113925459A (zh) * | 2021-09-27 | 2022-01-14 | 西安交通大学 | 一种基于脑电特征融合的睡眠分期方法 |
CN114052762A (zh) * | 2021-11-30 | 2022-02-18 | 燕山大学 | 基于Swin-T预测狭窄血管尺寸和器械尺寸的方法 |
CN114569140A (zh) * | 2022-02-28 | 2022-06-03 | 浙江柔灵科技有限公司 | 一种纺锤波提取方法、系统、计算机设备、存储介质及程序产品 |
CN114758121A (zh) * | 2022-03-04 | 2022-07-15 | 杭州隐捷适生物科技有限公司 | 一种基于深度学习的cbct牙槽骨分割系统及方法 |
CN114343612A (zh) * | 2022-03-10 | 2022-04-15 | 中国科学院自动化研究所 | 基于transfomer的非接触式呼吸率测量方法 |
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 |
CN114847971A (zh) * | 2022-06-07 | 2022-08-05 | 浙江柔灵科技有限公司 | 确定性正弦干预同步压缩变换纺锤波提取方法及其应用 |
CN115062655A (zh) * | 2022-06-10 | 2022-09-16 | 烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地 | 一种多导联心电信号分析方法及多导联心肌梗死分析系统 |
CN114998815A (zh) * | 2022-08-04 | 2022-09-02 | 江苏三棱智慧物联发展股份有限公司 | 一种基于视频分析的交通车辆识别追踪方法及系统 |
Non-Patent Citations (4)
Title |
---|
LIU, Z (LIU, ZE) [1] , [2] ; LIN, YT (LIN, YUTONG) [1] , [3] ; CAO, Y (CAO, YUE) [1] ; HU, H (HU, HAN)等: "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows", 《IEEE2021 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV 2021)》, pages 9992 - 10002 * |
SHAO, Y (SHAO, YAN) [1] ; ZOU, GY (ZOU, GUANGYUAN) [2] , [3] ; TABARAK, S (TABARAK, SERIK) 等: "Spindle-related brain activation in patients with insomnia disorder: An EEG-fMRI study", 《BRAIN IMAGING AND BEHAVIOR 》, vol. 16, no. 2, pages 659 - 670, XP037797860, DOI: 10.1007/s11682-021-00544-2 * |
李小俚, 王枫, 黄朝阳等.: "深度学习的睡眠脑电特征波检测", 《北京师范大学学报(自然科学版)》, vol. 57, no. 6, pages 860 - 867 * |
田应仲, 卜雪虎.: "基于注意力机制与Swin Transformer模型的腰椎图像分割方法", 《计量与测试技术》, vol. 48, no. 12, pages 57 - 61 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116035598A (zh) * | 2023-04-03 | 2023-05-02 | 北京肿瘤医院(北京大学肿瘤医院) | 一种睡眠纺锤波智能识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115844424B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salama et al. | EEG-based emotion recognition using 3D convolutional neural networks | |
CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
CN112450947B (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
Al-Saegh et al. | CutCat: An augmentation method for EEG classification | |
CN114176607B (zh) | 一种基于视觉Transformer的脑电信号分类方法 | |
KR20190033972A (ko) | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 | |
Kaluri et al. | A framework for sign gesture recognition using improved genetic algorithm and adaptive filter | |
CN113010013A (zh) | 一种基于Wasserstein距离的运动想象脑电迁移学习方法 | |
CN115844424A (zh) | 一种睡眠纺锤波分级识别方法及系统 | |
CN113627391B (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
Ziani | Contribution to Single-Channel Fetal Electrocardiogram Identification. | |
CN114037699A (zh) | 一种病理图像分类方法、设备、系统及存储介质 | |
CN113951883A (zh) | 基于脑电信号情绪识别的性别差异性检测方法 | |
CN116035598B (zh) | 一种睡眠纺锤波智能识别方法及系统 | |
CN116421200A (zh) | 一种基于并行训练的多任务混合模型的脑电情感分析方法 | |
Jacaruso | Accuracy improvement for Fully Convolutional Networks via selective augmentation with applications to electrocardiogram data | |
CN110443276A (zh) | 基于深度卷积网络与灰度递归图分析的时间序列分类方法 | |
CN114742107A (zh) | 信息服务中的感知信号的识别方法及相关设备 | |
Ahmad et al. | A secure and interpretable AI for smart healthcare system: A case study on epilepsy diagnosis using EEG signals | |
CN114305452A (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
Liao et al. | Video Face Detection Technology and Its Application in Health Information Management System | |
Yu et al. | PGMM—pre-trained Gaussian mixture model based convolution neural network for electroencephalography imagery analysis | |
CN116304558B (zh) | 癫痫脑磁图棘波检测方法及装置 | |
Nia et al. | Synthesizing Affective Neurophysiological Signals Using Generative Models: A Review Paper | |
Tian et al. | EEG Epileptic Seizure Classification Using Hybrid Time-Frequency Attention Deep Network |
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 |