CN117257327A - 一种脑电信号质量评估方法及系统 - Google Patents
一种脑电信号质量评估方法及系统 Download PDFInfo
- Publication number
- CN117257327A CN117257327A CN202311382361.2A CN202311382361A CN117257327A CN 117257327 A CN117257327 A CN 117257327A CN 202311382361 A CN202311382361 A CN 202311382361A CN 117257327 A CN117257327 A CN 117257327A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- quality
- signal
- evaluation
- electroencephalogram 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
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 210000004556 brain Anatomy 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000013441 quality evaluation Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 210000004761 scalp Anatomy 0.000 claims abstract description 4
- 239000002344 surface layer Substances 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 14
- 230000004424 eye movement Effects 0.000 claims description 6
- 230000003183 myoelectrical effect Effects 0.000 claims description 6
- 238000009833 condensation Methods 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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]
-
- 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
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06F2218/16—Classification; Matching by matching signal segments
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Psychology (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种脑电信号质量评估方法及系统,包括:通过脑电信号采集设备获取头皮表层的原始脑电信号,对原始脑电信号进行预处理,获得当前脑电信号;获取历史脑电信号,基于历史脑电信号与当前脑电信号获得第一评估值;基于当前脑电信号与小波分解方法获得两个特征向量,通过深度神经网络获得评估信号段属于不同级别质量的概率值;构建质量评估体系,基于第一评估值、概率值与质量评估体系对脑电信号进行综合质量评估。本发明对脑电信号质量进行有效判定,以评价脑电信号是否可信,便于后续对脑电信号的处理以及脑电信号采集器佩戴正确与否。
Description
技术领域
本发明属于脑电信号处理技术领域,特别是涉及一种脑电信号质量评估方法及系统。
背景技术
脑电信号作为对人体大脑的探索信息来源,可以反映人的思维过程,也可以反映人在不同状态下的情绪变化等;其作为一种生物电信号,一般可以通过接触头部的电极采集得到包括脑电信号在内的电压信号,因此脑电信号可以作为脑-机接口与头戴设备进行信息交互。
由于脑电信号的无规则和非稳定性,且较心电信号、肌电信号等更加微弱,很难识别采集的电压信号中是否存在脑电信号,或者难以确定采集的脑电信号是否可信,所以,脑电信号的质量判别具有重要的指导意义和实践意义。
发明内容
本发明的目的是提供一种脑电信号质量评估方法及系统,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种脑电信号质量评估方法,包括:
通过脑电信号采集设备获取头皮表层的原始脑电信号,对所述原始脑电信号进行预处理,获得当前脑电信号;
获取历史脑电信号,基于历史脑电信号获取脑电信号基准幅值,基于所述基准幅值获取所述当前脑电信号的第一评估值;
对所述当前脑电信号进行截取获得评估信号段,对所述评估信号段进行小波分解,获得重要子带小波系数与小波系数均值构成的第一特征向量、小波系数均值与小波系数方差构成的第二特征向量;
将所述第一特征向量与所述第二特征向量作为深度神经网络获得评估信号段属于不同级别质量的概率值;
构建质量评估体系,基于第一评估值与所述概率值对脑电信号、所述质量评估体系对脑电信号进行综合质量评估。
可选的,预处理的过程包括:对所述原始脑电信号进行滤波,对完成滤波后的原始脑电信号去除噪声,获得当前脑电信号。
可选的,对所述原始脑电信号进行滤波的过程:采用切比雪夫二型带阻滤波器作为陷波滤除设定频率工频干扰;预设截止频率范围,采用低通滤波器与高通滤波器,基于所述截止频率范围对所述脑电信号进行滤波,获得过滤脑电信号。
可选的,去除噪声的过程包括:对所述过滤脑电信号对低频眼电伪迹、高频肌电伪迹进行识别并建立索引,根据所述索引对所述过滤脑电信号进行自适应裁剪,将裁剪获得信号段进行拼接,获得当前脑电信号。
可选的,对低频眼电伪迹、高频肌电伪迹进行识别的过程包括:
利用Hilbert方法提取眼动伪迹的包络线;对所述包络线做平滑处理后,进行标准分数Z变换,判断超过第一预设阈值的数据为眼动伪迹,判断超过第二预设阈值的数据为肌电伪迹,并保存在脑电信号上的索引位置。
可选的,获得基准幅值的过程包括:将历史脑电信号进行带通滤波,对进行滤波后的历史脑电信号进行峰值检测,获得峰值参数集;计算峰值参数集中各峰峰值大小的中位值,将所述中位值作为基准幅值。
可选的,获得第一评估值的过程包括:根据预设采样率对当前脑电信号进行采样,得到多个采样点;对多个采样点逐点判断采样点的幅值与所述基准幅值的比较结果是否满足预设条件;统计满足预设条件的采样点的有效数目,计算所述有效数目和所述多个采样点的总数目的比值,获得第一评估值。
可选的,根据脑电信号对应的行为意图,判断信号特征点的起始位与终止位,根据起始位与终止位对所述当前脑电信号进行截取获得评估信号段。
可选的,所述质量评估体系包括:若第一评估值P>0.9,且概率最高的类别为高等质量,则脑电信号质量为一级;若第一评估值P>0.8,且概率最高的类别为中等质量,则脑电信号质量为二级;或P<0.8,且概率最高的类别为中等质量,则脑电信号质量为三级;若脑电信号为其他值,则脑电信号质量为四级。
为实现上述目的,本发明提供了一种脑电信号质量评估系统,其特征在于,数据获取模块、处理模块,第一评估模块、第二评估模块、综合评估模块;
所述数据获取模块用于获取历史脑电信号与原始脑电信号;
所述处理模块用于对原始脑电信号进行预处理,获得当前脑电信号;
所述第一评估模块用于根据所述当前脑电信号与所述历史脑电信号获取第一评估值;
所述第二评估模块基于小波分解方法获得当前脑电信号属于不同级别质量的概率值;
缩合评估模块用于构建综合评价体系,结合所述第一评估值与不同级别质量的概率值,对脑电信号进行综合质量评估。
本发明的技术效果为:
本发明对受测对象的脑电信号进行带通滤波,滤除掉大部分的噪声信号,然后根据滤波后的当前脑电信号结合基准幅值,评估当前脑电信号的质量,获得第一评估值;对当前脑电信号进行截取后进行小波分解,根据分解得到的特征向量,或者属于不同类别的概率,作为第二个评估标准;结合两个评估标准判断脑电信号的质量等级,等级越高质量越好,可以对脑电信号质量进行有效判定,以评价脑电信号是否可信,便于后续对脑电信号的处理,以及便于判断脑电信号采集器是否佩戴正确。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的方法流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种脑电信号质量评估方法,包括:
通过脑电信号采集设备获取头皮表层的原始脑电信号,对原始脑电信号进行预处理,获得当前脑电信号;
可实施的,预处理的过程包括:对原始脑电信号进行滤波,对完成滤波后的原始脑电信号去除噪声,获得当前脑电信号。
可实施的,对原始脑电信号进行滤波的过程:采用切比雪夫二型带阻滤波器作为陷波滤除设定频率工频干扰;预设截止频率范围,采用低通滤波器与高通滤波器,基于截止频率范围对脑电信号进行滤波,获得过滤脑电信号。
可实施的,去除噪声的过程包括:对过滤脑电信号对低频眼电伪迹、高频肌电伪迹进行识别并建立索引,根据索引对过滤脑电信号进行自适应裁剪,将裁剪获得信号段进行拼接,获得当前脑电信号。
可实施的,对低频眼电伪迹、高频肌电伪迹进行识别的过程包括:
利用Hilbert方法提取眼动伪迹的包络线;对包络线做平滑处理后,进行标准分数Z变换,判断超过第一预设阈值的数据为眼动伪迹,判断超过第二预设阈值的数据为肌电伪迹,并保存在脑电信号上的索引位置。
具体的,第一预设阈值为干净脑电信号幅值的5倍。
具体的,根据伪迹识别结果对当前脑电信号进行裁剪拼接过程包括:
获取脑电信号采集设备所有通道上识别出的伪迹索引位置的并集;
对任意伪迹,寻找该伪迹索引位置前后幅值在[-5,5]微伏范围内点的索引位置,并对此取脑电信号采集设备所有通道上的交集;
在上述交集中找到伪迹前后最近的点,作为伪迹的开始和结束位置,重新定义准确的伪迹位置;
裁剪掉准确的伪迹位置,并将裁剪后剩余的信号拼接在一起,得到干净的脑电信号。
获取历史脑电信号,基于历史脑电信号获取脑电信号基准幅值,基于基准幅值获取当前脑电信号的第一评估值;
可实施的,获得基准幅值的过程包括:将历史脑电信号进行带通滤波,对进行滤波后的历史脑电信号进行峰值检测,获得峰值参数集;计算峰值参数集中各峰峰值大小的中位值,将中位值作为基准幅值。
可实施的,获得第一评估值的过程包括:根据预设采样率对当前脑电信号进行采样,得到多个采样点;对多个采样点逐点判断采样点的幅值与基准幅值的比较结果是否满足预设条件;统计满足预设条件的采样点的有效数目,计算有效数目和多个采样点的总数目的比值,获得第一评估值。
对当前脑电信号进行截取获得评估信号段,对评估信号段进行小波分解,获得重要子带小波系数与小波系数均值构成的第一特征向量、小波系数均值与小波系数方差构成的第二特征向量;
将第一特征向量与第二特征向量作为深度神经网络获得评估信号段属于不同级别质量的概率值,即当前脑电信号属于不同级别质量的概率值;
可实施的,根据脑电信号对应的行为意图,判断信号特征点的起始位与终止位,根据起始位与终止位对当前脑电信号进行截取获得评估信号段。
构建质量评估体系,基于第一评估值与所述概率值对脑电信号、所述质量评估体系对脑电信号进行综合质量评估。
可实施的,所述质量评估体系包括:若第一评估值P>0.9,且概率最高的类别为高等质量,则脑电信号质量为一级;若第一评估值P>0.8,且概率最高的类别为中等质量,则脑电信号质量为二级;或P<0.8,且概率最高的类别为中等质量,则脑电信号质量为三级;若脑电信号为其他值,则脑电信号质量为四级。
本实施例提供了一种脑电信号质量评估系统,其特征在于,
数据获取模块、处理模块,第一评估模块、第二评估模块、综合评估模块;
数据获取模块用于获取历史脑电信号与原始脑电信号;
处理模块用于对原始脑电信号进行预处理,获得当前脑电信号;
第一评估模块用于根据当前脑电信号与历史脑电信号获取第一评估值;
第二评估模块基于小波分解方法获得当前脑电信号属于不同级别质量的概率值;
缩合评估模块用于构建综合评价体系,结合第一评估值与不同级别质量的概率值,对脑电信号进行综合质量评估。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种脑电信号质量评估方法,其特征在于,包括以下步骤:
通过脑电信号采集设备获取头皮表层的原始脑电信号,对所述原始脑电信号进行预处理,获得当前脑电信号;
获取历史脑电信号,基于历史脑电信号获取脑电信号基准幅值,基于所述基准幅值获取所述当前脑电信号的第一评估值;
对所述当前脑电信号进行截取获得评估信号段,对所述评估信号段进行小波分解,获得重要子带小波系数与小波系数均值构成的第一特征向量、小波系数均值与小波系数方差构成的第二特征向量;
将所述第一特征向量与所述第二特征向量作为深度神经网络获得评估信号段属于不同级别质量的概率值;
构建质量评估体系,基于第一评估值与所述概率值对脑电信号、所述质量评估体系对脑电信号进行综合质量评估。
2.根据权利要求1所述的脑电信号质量评估方法,其特征在于,
预处理的过程包括:对所述原始脑电信号进行滤波,对完成滤波后的原始脑电信号去除噪声,获得当前脑电信号。
3.根据权利要求2所述的脑电信号质量评估方法,其特征在于,
对所述原始脑电信号进行滤波的过程:采用切比雪夫二型带阻滤波器作为陷波滤除设定频率工频干扰;预设截止频率范围,采用低通滤波器与高通滤波器,基于所述截止频率范围对所述脑电信号进行滤波,获得过滤脑电信号。
4.根据权利要求3所述的脑电信号质量评估方法,其特征在于,
去除噪声的过程包括:对所述过滤脑电信号对低频眼电伪迹、高频肌电伪迹进行识别并建立索引,根据所述索引对所述过滤脑电信号进行自适应裁剪,将裁剪获得信号段进行拼接,获得当前脑电信号。
5.根据权利要求4所述的脑电信号质量评估方法,其特征在于,
对低频眼电伪迹、高频肌电伪迹进行识别的过程包括:
利用Hilbert方法提取眼动伪迹的包络线;对所述包络线做平滑处理后,进行标准分数Z变换,判断超过第一预设阈值的数据为眼动伪迹,判断超过第二预设阈值的数据为肌电伪迹,并保存在脑电信号上的索引位置。
6.根据权利要求1所述的脑电信号质量评估方法,其特征在于,
获得基准幅值的过程包括:将历史脑电信号进行带通滤波,对进行滤波后的历史脑电信号进行峰值检测,获得峰值参数集;计算峰值参数集中各峰峰值大小的中位值,将所述中位值作为基准幅值。
7.根据权利要求1所述的脑电信号质量评估方法,其特征在于,
获得第一评估值的过程包括:
根据预设采样率对当前脑电信号进行采样,得到多个采样点;对多个采样点逐点判断采样点的幅值与所述基准幅值的比较结果是否满足预设条件;统计满足预设条件的采样点的有效数目,计算所述有效数目和所述多个采样点的总数目的比值,获得第一评估值。
8.根据权利要求1所述的脑电信号质量评估方法,其特征在于,
根据脑电信号对应的行为意图,判断信号特征点的起始位与终止位,根据起始位与终止位对所述当前脑电信号进行截取获得评估信号段。
9.根据权利要求1所述的脑电信号质量评估方法,其特征在于,
所述质量评估体系包括:若第一评估值P>0.9,且概率最高的类别为高等质量,则脑电信号质量为一级;若第一评估值P>0.8,且概率最高的类别为中等质量,则脑电信号质量为二级;或P<0.8,且概率最高的类别为中等质量,则脑电信号质量为三级;若脑电信号为其他值,则脑电信号质量为四级。
10.一种脑电信号质量评估系统,其特征在于,
数据获取模块、处理模块,第一评估模块、第二评估模块、综合评估模块;
所述数据获取模块用于获取历史脑电信号与原始脑电信号;
所述处理模块用于对原始脑电信号进行预处理,获得当前脑电信号;
所述第一评估模块用于根据所述当前脑电信号与所述历史脑电信号获取第一评估值;
所述第二评估模块基于小波分解方法获得当前脑电信号属于不同级别质量的概率值;
缩合评估模块用于构建综合评价体系,结合所述第一评估值与不同级别质量的概率值,对脑电信号进行综合质量评估。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311382361.2A CN117257327A (zh) | 2023-10-24 | 2023-10-24 | 一种脑电信号质量评估方法及系统 |
LU505539A LU505539B1 (en) | 2023-10-24 | 2023-11-16 | Ein verfahren und ein system zur bewertung der eeg-signalqualität |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311382361.2A CN117257327A (zh) | 2023-10-24 | 2023-10-24 | 一种脑电信号质量评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117257327A true CN117257327A (zh) | 2023-12-22 |
Family
ID=89214337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311382361.2A Pending CN117257327A (zh) | 2023-10-24 | 2023-10-24 | 一种脑电信号质量评估方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117257327A (zh) |
LU (1) | LU505539B1 (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105615877A (zh) * | 2016-02-22 | 2016-06-01 | 广州视源电子科技股份有限公司 | 癫痫脑电信号特征的定位方法及其系统 |
CN105809124A (zh) * | 2016-03-06 | 2016-07-27 | 北京工业大学 | 基于DWT和Parametric t-SNE的运动想象脑电信号的特征提取方法 |
CN106805969A (zh) * | 2016-12-20 | 2017-06-09 | 广州视源电子科技股份有限公司 | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 |
CN108256579A (zh) * | 2018-01-19 | 2018-07-06 | 中央民族大学 | 一种基于先验知识的多模态民族认同感量化测量方法 |
CN109497998A (zh) * | 2018-12-14 | 2019-03-22 | 深圳和而泰数据资源与云技术有限公司 | 脑电信号质量评估方法、脑电信号采集器和头戴设备 |
CN110353672A (zh) * | 2019-07-15 | 2019-10-22 | 西安邮电大学 | 一种脑电信号中眼部伪迹去除系统及去除方法 |
CN111012341A (zh) * | 2020-01-08 | 2020-04-17 | 东南大学 | 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法 |
CN112200072A (zh) * | 2020-09-30 | 2021-01-08 | 清华大学 | 一种数据质量的评价方法和装置 |
CN114098761A (zh) * | 2021-11-23 | 2022-03-01 | 青岛市妇女儿童医院 | 一种急诊脑电图检查系统、脑电图检查方法、计算机设备 |
CN114403897A (zh) * | 2022-01-17 | 2022-04-29 | 南京邮电大学 | 一种基于脑电信号的人体疲劳检测方法及系统 |
CN114886388A (zh) * | 2022-07-12 | 2022-08-12 | 浙江普可医疗科技有限公司 | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 |
-
2023
- 2023-10-24 CN CN202311382361.2A patent/CN117257327A/zh active Pending
- 2023-11-16 LU LU505539A patent/LU505539B1/en active IP Right Grant
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105615877A (zh) * | 2016-02-22 | 2016-06-01 | 广州视源电子科技股份有限公司 | 癫痫脑电信号特征的定位方法及其系统 |
CN105809124A (zh) * | 2016-03-06 | 2016-07-27 | 北京工业大学 | 基于DWT和Parametric t-SNE的运动想象脑电信号的特征提取方法 |
CN106805969A (zh) * | 2016-12-20 | 2017-06-09 | 广州视源电子科技股份有限公司 | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 |
CN108256579A (zh) * | 2018-01-19 | 2018-07-06 | 中央民族大学 | 一种基于先验知识的多模态民族认同感量化测量方法 |
CN109497998A (zh) * | 2018-12-14 | 2019-03-22 | 深圳和而泰数据资源与云技术有限公司 | 脑电信号质量评估方法、脑电信号采集器和头戴设备 |
CN110353672A (zh) * | 2019-07-15 | 2019-10-22 | 西安邮电大学 | 一种脑电信号中眼部伪迹去除系统及去除方法 |
CN111012341A (zh) * | 2020-01-08 | 2020-04-17 | 东南大学 | 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法 |
CN112200072A (zh) * | 2020-09-30 | 2021-01-08 | 清华大学 | 一种数据质量的评价方法和装置 |
CN114098761A (zh) * | 2021-11-23 | 2022-03-01 | 青岛市妇女儿童医院 | 一种急诊脑电图检查系统、脑电图检查方法、计算机设备 |
CN114403897A (zh) * | 2022-01-17 | 2022-04-29 | 南京邮电大学 | 一种基于脑电信号的人体疲劳检测方法及系统 |
CN114886388A (zh) * | 2022-07-12 | 2022-08-12 | 浙江普可医疗科技有限公司 | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
LU505539B1 (en) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111012341B (zh) | 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法 | |
CN110353672B (zh) | 一种脑电信号中眼部伪迹去除系统及去除方法 | |
CN108804832B (zh) | 一种基于vmd的间隔阈值局部放电去噪方法 | |
CN111956217B (zh) | 一种面向实时脑电信号的眨眼伪迹识别方法及系统 | |
Sameni et al. | An iterative subspace denoising algorithm for removing electroencephalogram ocular artifacts | |
CN110929581A (zh) | 一种基于时空特征加权卷积神经网络的脑电信号识别方法 | |
CN106485208B (zh) | 单通道脑电信号中眼电干扰的自动去除方法 | |
CN114886388B (zh) | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 | |
Guarascio et al. | Automatic minimization of ocular artifacts from electroencephalogram: A novel approach by combining Complete EEMD with Adaptive Noise and Renyi's Entropy | |
CN116616794A (zh) | 一种基于脑电信号的水下作业人员疲劳调节方法及系统 | |
CN116211322A (zh) | 一种基于机器学习脑电信号的抑郁症识别方法和系统 | |
CN108717535B (zh) | 一种基于混合特征和长短时记忆网络的麻醉深度估计方法 | |
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 | |
CN110742581A (zh) | Bcg信号的处理方法及装置 | |
CN117257327A (zh) | 一种脑电信号质量评估方法及系统 | |
CN111728607A (zh) | 一种基于脑电波信号特征的眼部噪声去除方法 | |
CN114781461B (zh) | 一种基于听觉脑机接口的目标探测方法与系统 | |
CN115969398B (zh) | 眨眼检测方法及装置 | |
CN116392145A (zh) | 一种单通道脑电信号中眨眼伪影的去除方法 | |
CN112022151B (zh) | 一种脑电棘慢波的处理及识别方法 | |
Wang et al. | Adaptive EEG channel selection for nonconvulsive seizure analysis | |
CN115462803A (zh) | 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 | |
CN113869107A (zh) | 信号去噪方法、装置、电子装置和存储介质 | |
CN116725550A (zh) | 一种多通道脑电信号中眼电伪迹去除方法 | |
CN110507320B (zh) | 一种脑电信号滤波方法及设备 |
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 |