CN115969398B - 眨眼检测方法及装置 - Google Patents
眨眼检测方法及装置 Download PDFInfo
- Publication number
- CN115969398B CN115969398B CN202211536393.9A CN202211536393A CN115969398B CN 115969398 B CN115969398 B CN 115969398B CN 202211536393 A CN202211536393 A CN 202211536393A CN 115969398 B CN115969398 B CN 115969398B
- Authority
- CN
- China
- Prior art keywords
- threshold
- signal
- signals
- preprocessing
- time point
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 230000004397 blinking Effects 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 210000004556 brain Anatomy 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims description 38
- 230000002457 bidirectional effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种眨眼检测方法及装置，属于数据识别技术领域，所述方法包括：获取原始脑电信号；对所述原始脑电信号进行预处理，得到预处理信号；对所述预处理信号依次进行波形变换处理和特征提取处理，得到特征数据；在所述特征数据满足目标条件的情况下，确定所述原始脑电信号为眨眼动作对应的信号。可减少因个体差异或不同时间段执行眨眼时的影响，从而达到实时、准确、自适应地检测眨眼动作的目的。
Description
技术领域
本申请涉及数据识别技术领域，特别涉及一种眨眼检测方法及装置。
背景技术
脑电波(Electroencephalogram，EEG)是指从头皮表面记录到的大脑活动产生的神经电信号。EEG信号极其微弱，通常仅有10～50μv(微伏)，并且容易受到各种伪迹和噪声的干扰。因此，对脑电信号的采集设备和分析方法要求比较高，通常采用多通道的脑电采集设备进行脑电信号收集与复杂的算法分析。当执行眨眼动作时，EEG信号会受到眨眼产生的眼电信号的干扰，出现一个正向波形。目前存在的眨眼检测方法大多都是基于眼电等多通道电极分布进行分析的，并且个体间的眨眼强度具有差异，以及不同时间段的眨眼强度也有所不同，现有方法在检测的实时性、适应性和准确性上难以满足用户的要求。
发明内容
本申请的主要目的是提出一种眨眼检测方法及装置，旨在解决相关技术中眨眼检测算法复杂且检测准确性差的问题。
为了解决上述技术问题，本申请实施例采用的技术方案为：
第一方面，本申请提供一种眨眼检测方法，所述方法包括：
获取原始脑电信号；
对所述原始脑电信号进行预处理，得到预处理信号；
对所述预处理信号依次进行波形变换处理和特征提取处理，得到特征数据；
在所述特征数据满足目标条件的情况下，确定所述原始脑电信号为眨眼动作对应的信号。
第二方面，本申请提供一种眨眼检测装置，包括：
获取模块，用于获取原始脑电信号；
预处理模块，用于对所述原始脑电信号进行预处理，得到预处理信号；
变换提取模块，用于对所述预处理信号依次进行波形变换处理和特征提取处理，得到特征数据；
确定模块，用于在所述特征数据满足目标条件的情况下，确定所述原始脑电信号为眨眼动作对应的信号。
第三方面，本申请提供一种电子设备，包括存储器和处理器，所述存储器存储了计算机可读代码，所述计算机可读代码由所述处理器运行时，使得所述处理器执行如第一方面所述的眨眼检测方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储了计算机可读代码，所述计算机可读代码由处理器运行时，使所述处理器执行如第一方面所述的眨眼检测方法。
本申请实施例的有益效果在于：采集实时原始脑电数据，对原始脑电数据进行预处理，得到预处理信号；对预处理信号进行波形变换处理，基于变换后的脑电波形进行眨眼特征参数提取，得到特征数据；最后基于特征数据进行检测识别，可减少因个体差异或不同时间段执行眨眼时的影响，从而达到实时、准确、自适应地检测眨眼动作的目的。
附图说明
图1为本申请实施例一中眨眼检测方法的流程图；
图2为本申请实施例一中进行预处理前的原始脑电信号图；
图3为本申请实施例一中进行预处理后的脑电信号图；
图4为本申请实施例一中进行波形变换前的脑电信号波形图；
图5为本申请实施例一中进行波形变换后的脑电信号波形图；
图6为本申请实施例二的眨眼检测装置的示意图；
图7为本申请实施例三的眨眼检测装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
可以理解的是，如本文所使用的，术语“模块”可以指代或者包括专用集成电路、电子电路、执行一个或多个软件或固件程序的处理器和/或存储器、组合逻辑电路、和/或提供所描述的功能的其他硬件组件，或者可以作为这些硬件组件的一部分。
另外，若本申请实施例中有涉及“第一”、“第二”等的描述，仅仅是用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或设备不仅包括那些要求，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
实施例一
请参照图1，本申请实施例提供了一种眨眼检测方法，包括步骤S10～步骤S40。
S10：获取原始脑电信号。
本实施例中，可通过现有的脑电采集设备，例如脑电头环采集原始脑电信号，采样率可以根据需要进行选择，例如可以是250Hz。脑电头环由分布在前额位置的记录电极、驱动电极和参考电极组成，驱动电极去除噪声，记录电极和参考电极用于采集头皮表面信号，通过差分方式计算出前额的脑电信号。
S20：对所述原始脑电信号进行预处理，得到预处理信号。
本实施例中，步骤S20包括：
S201：对所述原始脑电信号进行第一滤波处理，得到第一滤波信号。
可选地，所述第一滤波处理包括低通滤波处理和高通滤波处理，可以先进行低通滤波处理再进行高通滤波处理，也可以先进行高通滤波处理，再进行低通滤波处理，本申请实施例不作限定。低通滤波处理采用低通滤波器，高通滤波处理采用高通滤波器。低通滤波处理主要用于抑制原始脑电信号中的高频噪声，可以设计为2阶的Butterworth(巴特沃斯)低通滤波器，截止频率设置为12Hz。高通滤波器主要用于抑制原始脑电信号中的低频噪声和基线漂移，可设计为2阶的Butterworth高通滤波器，截止频率设置为0.1Hz。
S202：对所述第一滤波信号进行降采样处理，得到降采样信号。
本申请实施例中，降采样处理主要是为了降低脑电信号中的计算数据量，将原始脑电信号从250Hz的采样率降到64Hz。
S203：对所述降采样信号进行中值滤波处理，得到所述预处理信号。
本实施例中，中值滤波处理主要用于平滑微小波幅，可设计为5阶的中值滤波器。
图2为本申请实施例中进行预处理前的原始脑电信号，图3为本申请实施例中进行预处理后的脑电信号。从图中可以看出，原始脑电信号具有基线漂移现象，并混有其它高、低频噪声伪迹干扰，比如50Hz的工频干扰、心电伪迹等。通过预处理操作，能够消除原始脑电信号的基线漂移现象，使得信号波动的基线稳定，同时可以消除高低频的噪声伪迹干扰，使得获取的脑电信号更加纯洁干净，更有利于后续对眨眼动作的检测识别。
S30：对所述预处理信号依次进行波形变换处理和特征提取处理，得到特征数据。
本实施例中，步骤S30包括步骤S301和步骤S302。
S301：对所述预处理信号在滑动窗口中进行差分求和计算，得到双向波形数据。
具体地，根据公式对所述预处理信号进行差分求和计算，其中，F(t)表示变换后的波形信号，S(k)表示变换前第k个时间样本点对应的信号，t表示时间样本点数，w表示滑动窗口的长度。
基于脑电信号的眨眼检测分析很多都是基于时域进行的，即执行眨眼动作时，脑电波形会变成一个具有较大峰值的正向波形，人为设定某一幅度阈值来判断是否执行了眨眼动作，当正向波的峰值超过该阈值时，则认为执行了眨眼动作，反之认为没有执行。这一方法虽然简单，容易实现，但由于不同个体执行眨眼动作时的强度有差异，以及在不同时刻执行眨眼时检测到的信号也存在差异，导致该方法存在误判率高，可适应性差等问题。为此，本申请实施例中，将含有眨眼动作的脑电信号在滑动窗口中进行差分计算再求和后，能够将脑电信号中的眨眼波形从单一的正向波形转变为具有明显波峰、波谷的双向波形，从而更加便于从脑波中识别眨眼动作。
如图4所示，为本申请实施例中进行波形变换前的脑电信号波形，如图5所示，为本申请实施例中进行波形变换后的脑电信号波形。从图中可以看出，经过波形变换操作后，因眨眼动作产生的脑电信号变成具有明显正负波峰、波谷的双向波形，其中波峰的峰值为正，波谷的峰值为负。
S302：获取所述双向波形数据的最大值、最大值时间点、最小值、最小值时间点。
本实施例中，双向波形数据的最大值用Amax表示，最大值时间点用tp表示，最小值用Amin表示，最小值时间点用tv表示，根据最大值时间点和最小值时间点可得到最大值时间点与最小值时间点的时间跨度td，其中，td＝|tv-tp|。
S40：在所述特征数据满足目标条件的情况下，确定所述原始脑电信号为眨眼动作对应的信号。
本实施例中，所述目标条件包括：所述最大值大于或等于第一阈值；所述最小值小于或者等于第二阈值；所述最大值与所述最小值的差值大于第三阈值；所述最大值时间点与所述最小值时间点的时间跨度在目标范围内；所述第一阈值小于所述第三阈值，且所述第一阈值大于所述第二阈值。
本实施例中，第三阈值可用T表示，第一阈值可用T*0.4表示，第二阈值可用-T*0.4表示，时间宽度的目标范围可根据经验值进行设置，例如可设为25≤td≤60，此外，为了进一步提高眨眼动作的检测精度，还可对Amax的上限进行限定，例如，小于5000，对Amin的下限进行限定，例如大于-5000。满足上述目标条件的脑电信号认为是执行了眨眼动作T对应的信号，其中眨眼的起始时间点为tp-w，结束时间点为tv，w表示滑动窗口的长度。
本实施例中，若是将第三阈值T设定为某一固定值，由于眨眼强度具有个体差异以及时间段差异，会使得算法的准确性不高，以及适用性受到大大的限制。为了提高算法整体的准确性以及适用性，自适应动态更新第三阈值是个很好的办法。根据现有经验我们将T的初始值设为30，即前5次眨眼检测中的第三阈值是按照30来进行计算的，从第6次眨眼检测开始，T的值根据前5次眨眼的幅度进行动态更新，这样做的目的是减小因个体差异或是时间段差异带来的影响，提高本算法的准确性和适用性。具体实现如下：
1、分别计算出当前眨眼动作的前5次执行眨眼时的起始时间点以及结束时间点；
2、计算每次眨眼起止时间点范围内的变换后信号段的平均幅值，分别得到Amean1、Amean2、Amean3、Amean4、Amean5；
3、当前眨眼识别的第三阈值其中threshold即为T。
本实施例中，基于实时EEG准确地从脑波中识别出眨眼动作，并自适应地动态更新第三阈值，更好地解决不同个体之间或是同一个体不同时间段的眨眼强度差异，提高了检测准确度。
实施例二
请参照图6，本申请的实施例二为一种眨眼检测装置60，包括：
获取模块601，用于获取原始脑电信号；
预处理模块602，用于对所述原始脑电信号进行预处理，得到预处理信号；
变换提取模块603，用于对所述预处理信号依次进行波形变换处理和特征提取处理，得到特征数据；
确定模块604，用于在所述特征数据满足目标条件的情况下，确定所述原始脑电信号为眨眼动作对应的信号。
可选地，所述预处理模块602包括：
第一滤波单元，用于对所述原始脑电信号进行第一滤波处理，得到第一滤波信号；
降采样单元，用于对所述第一滤波信号进行降采样处理，得到降采样信号；
第二滤波单元，用于对所述降采样信号进行中值滤波处理，得到所述预处理信号；
其中，所述第一滤波处理包括低通滤波处理和高通滤波处理。
可选地，所述变换提取模块603包括：
变换单元，用于对所述预处理信号在滑动窗口中进行差分求和计算，得到双向波形数据；
提取单元，用于获取所述双向波形数据的最大值、最大值时间点、最小值、最小值时间点。
可选地，所述目标条件包括：所述最大值大于或等于第一阈值；所述最小值小于或者等于第二阈值；所述最大值与所述最小值的差值大于第三阈值；所述最大值时间点与所述最小值时间点的时间跨度在目标范围内；
其中，所述第一阈值小于所述第三阈值，且所述第一阈值大于所述第二阈值。
可选地，所述变换单元，用于根据公式对所述预处理信号进行差分求和计算，其中，F(t)表示变换后的波形信号，S(k)表示变换前第k个时间样本点对应的信号，t表示时间样本点数，w表示滑动窗口的长度。
本实施例中，采集实时原始脑电数据，对原始脑电数据进行预处理，得到预处理信号；对预处理信号进行波形变换处理，基于变换后的脑电波形进行眨眼特征参数提取，得到特征数据；最后基于特征数据进行检测识别，可减少因个体差异或不同时间段执行眨眼时的影响，从而达到实时、准确、自适应地检测眨眼动作的目的。
实施例三
本申请实施例还提供一种电子设备70，包括存储器701和处理器702，所述存储器701存储了计算机可读代码，所述计算机可读代码由所述处理器702运行时，使得所述处理器702执行如实施例以所述的眨眼方法，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解的是，存储器701可用于存储软件程序以及各种数据。存储器701可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令。此外，存储器701可以包括易失性存储器或非易失性存储器，或者，存储器701可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器或闪存。易失性存储器可以是随机存取存储器，静态随机存取存储器、动态随机存取存储器、同步静态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本实施例的存储器包括但不限于这些和其它适合类型的存储器。
可以理解的是，本申请各实施例中，处理器702可以是微处理器、数字信号5处理器、微控制器等。所述处理器702可以是单核处理器或多核处理器。
实施例四
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储界面存储了计算机可读代码，所述计算机可读代码由处理器运行时，使所述处理器
执行如实施例一所述的眨眼检测方法，且能达到相同的技术效果，为避免重复，0这里不再赘述。
上述仅为本申请的可选实施例，并非因此限制本申请的专利范围，凡是在本申请的申请构思下，利用本申请说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。
Claims (6)
1.一种眨眼检测方法，其特征在于，所述方法包括：
获取原始脑电信号；
对所述原始脑电信号进行预处理，得到预处理信号；
对所述预处理信号依次进行波形变换处理和特征提取处理，得到特征数据；
在所述特征数据满足目标条件的情况下，确定所述原始脑电信号为眨眼动作对应的信号；
所述对所述原始脑电信号进行预处理，得到预处理信号，包括：
对所述原始脑电信号进行第一滤波处理，得到第一滤波信号；
对所述第一滤波信号进行降采样处理，得到降采样信号；
其中，所述第一滤波处理包括低通滤波处理和高通滤波处理；
所述对所述预处理信号依次进行波形变换处理和特征提取处理，得到特征数据，包括：
对所述预处理信号在滑动窗口中进行差分求和计算，得到双向波形数据；
获取所述双向波形数据的最大值、最大值时间点、最小值、最小值时间点；
所述目标条件包括：所述最大值大于或等于第一阈值；所述最小值小于或者等于第二阈值；所述最大值与所述最小值的差值大于第三阈值；所述最大值时间点与所述最小值时间点的时间跨度在目标范围内；
其中，所述第一阈值小于所述第三阈值，且所述第一阈值大于所述第二阈值；
所述第三阈值用T表示，第一阈值用T*0.4表示，第二阈值用-T*0.4表示；
T的获取过程如下：
分别计算出当前眨眼动作的前5次执行眨眼时的起始时间点以及结束时间点；
计算每次眨眼起止时间点范围内的变换后信号段的平均幅值，分别得到Amean1、Amean2、Amean3、Amean4、Amean5；
当前眨眼识别的第三阈值其中threshold即为T。
2.根据权利要求1所述的眨眼检测方法，其特征在于，所述对所述原始脑电信号进行预处理，得到预处理信号，还包括：
对所述降采样信号进行中值滤波处理，得到所述预处理信号。
3.根据权利要求1所述的眨眼检测方法，其特征在于，根据公式对所述预处理信号进行差分求和计算，其中，F(t)表示变换后的波形信号，S(k)表示变换前第k个时间样本点对应的信号，t表示时间样本点数，w表示滑动窗口的长度。
4.一种眨眼检测装置，其特征在于，包括：
获取模块，用于获取原始脑电信号；
预处理模块，用于对所述原始脑电信号进行预处理，得到预处理信号；
变换提取模块，用于对所述预处理信号依次进行波形变换处理和特征提取处理，得到特征数据；
确定模块，用于在所述特征数据满足目标条件的情况下，确定所述原始脑电信号为眨眼动作对应的信号；
所述预处理模块包括：
第一滤波单元，用于对所述原始脑电信号进行第一滤波处理，得到第一滤波信号；
降采样单元，用于对所述第一滤波信号进行降采样处理，得到降采样信号；
其中，所述第一滤波处理包括低通滤波处理和高通滤波处理；
所述变换提取模块包括：
变换单元，用于对所述预处理信号在滑动窗口中进行差分求和计算，得到双向波形数据；
提取单元，用于获取所述双向波形数据的最大值、最大值时间点、最小值、最小值时间点；
所述目标条件包括：所述最大值大于或等于第一阈值；所述最小值小于或者等于第二阈值；所述最大值与所述最小值的差值大于第三阈值；所述最大值时间点与所述最小值时间点的时间跨度在目标范围内；
其中，所述第一阈值小于所述第三阈值，且所述第一阈值大于所述第二阈值；所述第三阈值用T表示，第一阈值用T*0.4表示，第二阈值用-T*0.4表示；
T的获取过程如下：
分别计算出当前眨眼动作的前5次执行眨眼时的起始时间点以及结束时间点；
计算每次眨眼起止时间点范围内的变换后信号段的平均幅值，分别得到Amean1、Amean2、Amean3、Amean4、Amean5；
当前眨眼识别的第三阈值其中threshold即为T。
5.根据权利要求4所述的眨眼检测装置，其特征在于，所述预处理模块还包括：
第二滤波单元，用于对所述降采样信号进行中值滤波处理，得到所述预处理信号。
6.根据权利要求4所述的眨眼检测装置，其特征在于，所述变换单元，用于根据公式对所述预处理信号进行差分求和计算，其中，F(t)表示变换后的波形信号，S(k)表示变换前第k个时间样本点对应的信号，t表示时间样本点数，w表示滑动窗口的长度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211536393.9A CN115969398B (zh) | 2022-12-02 | 2022-12-02 | 眨眼检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211536393.9A CN115969398B (zh) | 2022-12-02 | 2022-12-02 | 眨眼检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115969398A CN115969398A (zh) | 2023-04-18 |
| CN115969398B true CN115969398B (zh) | 2024-02-02 |
Family
ID=85965587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211536393.9A Active CN115969398B (zh) | 2022-12-02 | 2022-12-02 | 眨眼检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115969398B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116671900B (zh) * | 2023-05-17 | 2024-03-19 | 安徽理工大学 | 一种基于脑波仪的眨眼识别与控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001061801A (ja) * | 1999-08-25 | 2001-03-13 | Fuji Xerox Co Ltd | 瞬目動作解析装置及び方法 |
| WO2017064800A1 (ja) * | 2015-10-15 | 2017-04-20 | 株式会社ジェイアイエヌ | プログラム、情報処理装置、及びアイウエア |
| CN111956217A (zh) * | 2020-07-15 | 2020-11-20 | 山东师范大学 | 一种面向实时脑电信号的眨眼伪迹识别方法及系统 |
| CN113208631A (zh) * | 2021-04-06 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg脑波的眨眼检测方法及系统 |
| CN114237383A (zh) * | 2021-11-09 | 2022-03-25 | 浙江迈联医疗科技有限公司 | 基于前额单导联脑电信号的多状态识别方法 |
-
2022
- 2022-12-02 CN CN202211536393.9A patent/CN115969398B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001061801A (ja) * | 1999-08-25 | 2001-03-13 | Fuji Xerox Co Ltd | 瞬目動作解析装置及び方法 |
| WO2017064800A1 (ja) * | 2015-10-15 | 2017-04-20 | 株式会社ジェイアイエヌ | プログラム、情報処理装置、及びアイウエア |
| CN111956217A (zh) * | 2020-07-15 | 2020-11-20 | 山东师范大学 | 一种面向实时脑电信号的眨眼伪迹识别方法及系统 |
| CN113208631A (zh) * | 2021-04-06 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg脑波的眨眼检测方法及系统 |
| CN114237383A (zh) * | 2021-11-09 | 2022-03-25 | 浙江迈联医疗科技有限公司 | 基于前额单导联脑电信号的多状态识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115969398A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qin et al. | An adaptive and time-efficient ECG R-peak detection algorithm | |
| Zhang et al. | VLSI friendly ECG QRS complex detector for body sensor networks | |
| CN108113665B (zh) | 一种心电信号自动降噪方法 | |
| CN103405227A (zh) | 基于双层形态学滤波的心电信号预处理方法 | |
| CN109044280B (zh) | 一种睡眠分期方法及相关设备 | |
| CN115969398B (zh) | 眨眼检测方法及装置 | |
| CN107361764B (zh) | 一种心电信号特征波形r波的快速提取方法 | |
| Shahbakhti et al. | Removal of blink from EEG by empirical mode decomposition (EMD) | |
| Singh et al. | ECG signal denoising based on empirical mode decomposition and moving average filter | |
| Ara et al. | Baseline drift removal and de-noising of the ECG signal using wavelet transform | |
| Talatov et al. | Algorithmic and software analysis and processing of ECG signals | |
| CN108694355B (zh) | 一种信号处理方法及装置 | |
| CN108937920B (zh) | 一种心室纤颤信号检测方法、系统及心室纤颤检测装置 | |
| Bhogeshwar et al. | To verify and compare denoising of ECG signal using various denoising algorithms of IIR and FIR filters | |
| CN110420022B (zh) | 一种基于双密度小波变换的p波检测方法 | |
| CN113499082A (zh) | Qrs波群检测方法、心电检测装置及可读存储介质 | |
| Kaushal et al. | Better approach for denoising EEG signals | |
| CN113633293B (zh) | 混沌检测t波电交替的心源性猝死预警方法 | |
| CN113974653A (zh) | 基于约登指数优化棘波检测方法和装置、存储介质和终端 | |
| Jokić et al. | An efficient ECG modeling for heartbeat classification | |
| CN114781461A (zh) | 一种基于听觉脑机接口的目标探测方法与系统 | |
| CN114795241A (zh) | 一种心电信号的噪声检测方法及系统 | |
| Gupta et al. | Hardware implementation and reduction of artifacts from ECG signal | |
| CN113712563A (zh) | 动态心电图分析方法、心电监测设备以及存储介质 | |
| CN115120248B (zh) | 基于直方图的自适应阈值r峰检测、心律分类方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |