CN117643475B - 一种基于kl散度的特征提取方法 - Google Patents
一种基于kl散度的特征提取方法 Download PDFInfo
- Publication number
- CN117643475B CN117643475B CN202410125472.3A CN202410125472A CN117643475B CN 117643475 B CN117643475 B CN 117643475B CN 202410125472 A CN202410125472 A CN 202410125472A CN 117643475 B CN117643475 B CN 117643475B
- Authority
- CN
- China
- Prior art keywords
- vector
- sampling signal
- electroencephalogram
- analysis
- continuous target
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 206010010904 Convulsion Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010015037 epilepsy Diseases 0.000 description 2
- 208000028329 epileptic seizure Diseases 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于KL散度的特征提取方法,基于对连续目标脑电采样信号的等长度窗口划分,以顺序两两组合、且前后部分重叠的方式,构建各个分析组,考虑各分析组中两脑电采样信号窗口之间的联系,计算获得各分析组中各脑电采样信号窗口的概率密度,进而计算获得各分析组分别对应的相对熵,最后联系时序维度,构建连续目标脑电采样信号所对应的波动特征向量,实现连续目标脑电采样信号的波动分析,解决了现有技术中熵值计算灵敏度不足的问题,提高实际脑电信号应用场景中数据波动检测的准确性。
Description
技术领域
本发明涉及一种基于KL散度的特征提取方法,属于信息论和机器学习特征提取分析技术领域。
背景技术
脑电(EEG)一般是通过放置在脑部头皮表面电极采集获得,通过EEG可以反映患者的脑部状态,通过对脑电图的分析可以实现脑部状态的及时诊断。提取EEG有效的特征,包括时域、频域、频率、振幅,以及脑部相关的空间模式和脑部特定的频谱模式等特征。
传统的脑电图(EEG)分析方法在神经科学和临床医学中起着重要作用,但是传统的检测方法需要医疗工作者对患者EEG信号长时间监测,并根据临床经验进行主观诊断,这种检测耗时并且存在偏差,限制了大规模研究和实际临床应用的可行性。此外,EEG数据通常使用高频率采集,传统的人工诊断方法无法全面捕捉到脑电信号的复杂程度,这对人工脑电信号的分析造成了挑战。
目前,新兴的技术和方法如机器学习和高级信号处理技术,正在逐渐改变传统EEG分析的格局,特征提取方法主要包括时域特征提取、频域特征提取、时频域特征提取、以及一些非线性特征提取等。其中,非线性特征提取方法包括非线性能量算法、李亚普诺夫指数、近似熵等,但是现有特征提取方法对信号数据微小变化无法有效提取,实际应用效果不佳。
发明内容
本发明所要解决的技术问题是提供一种基于KL散度的特征提取方法,能对脑电采样信号进行KL散度的高效提取,提高了方法实施的灵敏度和特异性。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于KL散度的特征提取方法,针对长度等于预设窗口长度的整数/>倍的连续目标脑电采样信号,执行如下步骤,实现连续目标脑电采样信号的波动分析,/>;
步骤A. 按预设窗口长度,顺序针对连续目标脑电采样信号进行连续、且彼此不重叠划分,顺序获得各个脑电采样信号窗口/>,然后进入步骤B;
步骤B. 基于,以/>与/>构成分析组的方式,顺序获得各个分析组,然后进入步骤C;
步骤C. 分别针对各个分析组,计算分析组中两脑电采样信号窗口之间联系、分别对应该各脑电采样信号窗口的概率密度,并进一步计算该两脑电采样信号窗口之间的相对熵,即获得各个分析组分别对应的相对熵,然后进入步骤D;
步骤D. 基于各分析组的获得顺序,对各分析组分别对应的相对熵进行排序,构成连续目标脑电采样信号所对应的波动特征向量,实现连续目标脑电采样信号的波动分析。
作为本发明的一种优选技术方案,所述步骤C中分别针对各个分析组,执行如下步骤:
步骤C1. 获得分析组中与/>之间彼此不重复元素构成的向量/>,然后进入步骤C2;
步骤C2. 顺序统计向量中各个元素分别在/>中出现的次数,记作向量,同时顺序统计向量/>中各个元素分别在/>中出现的次数,记作向量,然后进入步骤C3;
步骤C3. 根据中元素的总数/>,按/>(x) = />//>,计算获得向量中各元素分别在/>中的概率密度,构成概率密度向量/>(x);同时,根据/>中元素的总数/>,按/>(x) = />//>,计算获得向量/>中各元素分别在/>中的概率密度,构成概率密度向量/>(x);然后进入步骤C4;
步骤C4. 根据概率密度向量(x)、概率密度向量/>(x),计算获得该两脑电采样信号窗口之间的相对熵。
作为本发明的一种优选技术方案:所述步骤C4中,根据概率密度向量(x)、概率密度向量/>(x),执行如下步骤C4-1至步骤C4-5;
步骤C4-1. 初始化,并进入步骤C4-2;
步骤C4-2. 针对概率密度向量(x)中第/>个元素/>,概率密度向量/>(x)中第个元素/>,判断/>、/>是否均不等于0,是则进入步骤C4-3;否则令,并进入步骤C4-4;
步骤C4-3.按如下公式:
计算获得,并进入步骤C4-4;
步骤C4-4. 判断是否等于对应向量/>中元素的个数/>,是则进入步骤C4-5;否则针对/>的值进行加1更新,并返回步骤C4-2;
步骤C4-5. 按如下公式:
计算获得该两脑电采样信号窗口之间的相对熵。
作为本发明的一种优选技术方案:基于,还包括步骤E如下,执行完步骤D之后,进入步骤E;
步骤E. 计算获得连续目标脑电采样信号所对应波动特征向量中各元素的方差,即连续目标脑电采样信号所对应的方差,进而构成连续目标脑电采样信号的波动表征。
本发明所述一种基于KL散度的特征提取方法,采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计一种基于KL散度的特征提取方法,基于对连续目标脑电采样信号的等长度窗口划分,以顺序两两组合、且前后部分重叠的方式,构建各个分析组,考虑各分析组中两脑电采样信号窗口之间的联系,计算获得各分析组中各脑电采样信号窗口的概率密度,进而计算获得各分析组分别对应的相对熵,最后联系时序维度,构建连续目标脑电采样信号所对应的波动特征向量,实现连续目标脑电采样信号的波动分析,解决了现有技术中熵值计算灵敏度不足的问题,提高实际脑电信号应用场景中数据波动检测的准确性。
附图说明
图1为本发明设计基于KL散度的特征提取方法的流程示意图;
图2是本发明设计应用实施例中相对熵组成的特征经过t-SNE降维算法降维后的示意图;
图3是本发明设计应用实施例中相对熵结合小波变换组合特征经过t-SNE降维算法降维后的示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种基于KL散度的特征提取方法,实际应用当中,针对长度等于预设窗口长度的整数/>倍的连续目标脑电采样信号,按图1所示,执行如下步骤A至步骤E,实现连续目标脑电采样信号的波动分析,/>。
步骤A. 按预设窗口长度,顺序针对连续目标脑电采样信号进行连续、且彼此不重叠划分,顺序获得各个脑电采样信号窗口/>,然后进入步骤B。
步骤B. 基于,以/>与/>构成分析组的方式,顺序获得各个分析组,然后进入步骤C。
步骤C. 分别针对各个分析组,计算分析组中两脑电采样信号窗口之间联系、分别对应该各脑电采样信号窗口的概率密度,并进一步计算该两脑电采样信号窗口之间的相对熵,即获得各个分析组分别对应的相对熵,相对熵即KL散度,然后进入步骤D。
实际应用当中,上述步骤C具体设计分别针对各个分析组,执行如下步骤C1至步骤C4。
步骤C1. 获得分析组中与/>之间彼此不重复元素构成的向量/>,然后进入步骤C2。
步骤C2. 顺序统计向量中各个元素分别在/>中出现的次数,记作向量,同时顺序统计向量/>中各个元素分别在/>中出现的次数,记作向量,然后进入步骤C3。
步骤C3. 根据中元素的总数/>,按/>(x) = />//>,计算获得向量中各元素分别在/>中的概率密度,构成概率密度向量/>(x);同时,根据/>中元素的总数/>,按/>(x) = />//>,计算获得向量/>中各元素分别在/>中的概率密度,构成概率密度向量/>(x);然后进入步骤C4。
步骤C4. 根据概率密度向量(x)、概率密度向量/>(x),按如下步骤C4-1至步骤C4-5,计算获得该两脑电采样信号窗口之间的相对熵。
步骤C4-1. 初始化,并进入步骤C4-2。
步骤C4-2. 针对概率密度向量(x)中第/>个元素/>,概率密度向量/>(x)中第个元素/>,判断/>、/>是否均不等于0,是则进入步骤C4-3;否则令,并进入步骤C4-4。
步骤C4-3.按如下公式:
计算获得,并进入步骤C4-4。
步骤C4-4. 判断是否等于对应向量/>中元素的个数/>,是则进入步骤C4-5;否则针对/>的值进行加1更新,并返回步骤C4-2。
步骤C4-5. 按如下公式:
计算获得该两脑电采样信号窗口之间的相对熵。
步骤D. 针对各个,采用KL-Divergence表示,则基于各分析组的获得顺序,对各分析组分别对应的相对熵进行排序,即,构成连续目标脑电采样信号所对应的波动特征向量,实现连续目标脑电采样信号的波动分析。
实际应用当中,若考虑脑电信号在一定时间内的波动情况,则基于,设计还包括步骤E如下,执行完步骤D之后,进入步骤E。
步骤E. 计算获得连续目标脑电采样信号所对应波动特征向量中各元素的方差,即连续目标脑电采样信号所对应的方差,进而构成连续目标脑电采样信号的波动表征。
如图2所示,本发明设计方法用于提取异常脑电信号的相对熵特征,然后,通过t-SNE(t-distributed stochastic neighbor embedding)降维算法,将所提取的多维相对熵特征降至二维相对熵特征,分别对应图中的维度1和维度2,降维的过程具有显著的效果。
在实际应用中,这一方法结合了多个维度的特征,构建了一个更综合的特征向量,用于反映脑电信号的特性。如图3所示,小波变换的脑电特征和相对熵特征被组合成一个新的特征向量,然后,通过t-SNE降维算法将多维特征降至二维,分别对应维度1和维度2,这些特征向量将用于对脑电图信号进行分类,包括健康人、分别位于海马体、病灶区的癫痫发作间期、以及位于病灶区的癫痫发作期分类,这里各类情况对应图中的不同的图形,这一新的特征向量在后续应用中,可以进一步联系各个分类作为结果,用于训练和测试机器学习模型,所获模型用于实现以脑电信号相对熵特征为输入,对应分类为输出的检测模型,实现实际的脑电信号分类检测。并且在这个过程中,可以采用交叉验证的方法,全面评估训练所获模型的性能,评估模型性能时,可以使用多种指标,如准确率(accuracy)、召回率(recall)等,通过这些指标从不同方面对训练所获模型进行性能评估,有助于提升训练所获模型在脑电信号检测分类方面的准确性。这种综合的方法可以提高模型的鲁棒性和性能,使其更适用于实际临床应用,以确保其在脑部疾病检测中发挥重要作用。
上述技术方案所设计一种基于KL散度的特征提取方法,基于对连续目标脑电采样信号的等长度窗口划分,以顺序两两组合、且前后部分重叠的方式,构建各个分析组,考虑各分析组中两脑电采样信号窗口之间的联系,计算获得各分析组中各脑电采样信号窗口的概率密度,进而计算获得各分析组分别对应的相对熵,最后联系时序维度,构建连续目标脑电采样信号所对应的波动特征向量,实现连续目标脑电采样信号的波动分析,解决了现有技术中熵值计算灵敏度不足的问题,提高实际脑电信号应用场景中数据波动检测的准确性。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种基于KL散度的特征提取方法,其特征在于:针对长度等于预设窗口长度m的整数α倍的连续目标脑电采样信号,执行如下步骤,实现连续目标脑电采样信号的波动分析,α≥2;步骤A.按预设窗口长度m,顺序针对连续目标脑电采样信号进行连续、且彼此不重叠划分,顺序获得各个脑电采样信号窗口x(1)、x(2)、…、x(α),然后进入步骤B;
步骤B.基于i=1、2、…、α-1,以x(i)与x(i+1)构成分析组的方式,顺序获得各个分析组,然后进入步骤C;
步骤C.分别针对各个分析组,根据分析组中两脑电采样信号窗口之间联系,计算分别对应该各脑电采样信号窗口的概率密度,并进一步计算该两脑电采样信号窗口之间的相对熵,即获得各个分析组分别对应的相对熵,然后进入步骤D;
步骤D.基于各分析组的获得顺序,对各分析组分别对应的相对熵进行排序,构成连续目标脑电采样信号所对应的波动特征向量,实现连续目标脑电采样信号的波动分析;
上述步骤C中分别针对各个分析组,执行如下步骤:
步骤C1.获得分析组中x(i)与x(i+1)之间彼此不重复元素构成的向量unique(i),然后进入步骤C2;
步骤C2.顺序统计向量unique(i)中各个元素分别在x(i)中出现的次数,记作向量sum(Q=x),同时顺序统计向量unique(i)中各个元素分别在x(i+1)中出现的次数,记作向量sum(P=x),然后进入步骤C3;
步骤C3.根据x(i)中元素的总数|Q|,按p(x)=sum(Q=x)/|Q|,计算获得向量unique(i)中各元素分别在x(i)中的概率密度,构成概率密度向量p(x);同时,根据x(i+1)中元素的总数|P|,按q(x)=sum(P=x)/|P|,计算获得向量unique(i)中各元素分别在x(i+1)中的概率密度,构成概率密度向量q(x);然后进入步骤C4;
步骤C4.根据概率密度向量p(x)、概率密度向量q(x),计算获得该两脑电采样信号窗口之间的相对熵。
2.根据权利要求1所述一种基于KL散度的特征提取方法,其特征在于:所述步骤C4中,根据概率密度向量p(x)、概率密度向量q(x),执行如下步骤C4-1至步骤C4-5;
步骤C4-1.初始化k=1,并进入步骤C4-2;
步骤C4-2.针对概率密度向量p(x)中第k个元素p(x)k,概率密度向量q(x)中第k个元素q(x)k,判断p(x)k、q(x)k是否均不等于0,是则进入步骤C4-3;否则令D(p||q)k=0,并进入步骤C4-4;
步骤C4-3.按如下公式:
计算获得D(p||q)k,并进入步骤C4-4;
步骤C4-4.判断k是否等于对应向量unique(i)中元素的个数K,是则进入步骤C4-5;否则针对k的值进行加1更新,并返回步骤C4-2;
步骤C4-5.按如下公式:
计算获得该两脑电采样信号窗口之间的相对熵D(p||q)。
3.根据权利要求1所述一种基于KL散度的特征提取方法,其特征在于:基于α≥3,还包括步骤E如下,执行完步骤D之后,进入步骤E;
步骤E.计算获得连续目标脑电采样信号所对应波动特征向量中各元素的方差,即连续目标脑电采样信号所对应的方差,进而构成连续目标脑电采样信号的波动表征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410125472.3A CN117643475B (zh) | 2024-01-30 | 2024-01-30 | 一种基于kl散度的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410125472.3A CN117643475B (zh) | 2024-01-30 | 2024-01-30 | 一种基于kl散度的特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117643475A CN117643475A (zh) | 2024-03-05 |
CN117643475B true CN117643475B (zh) | 2024-04-16 |
Family
ID=90048175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410125472.3A Active CN117643475B (zh) | 2024-01-30 | 2024-01-30 | 一种基于kl散度的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117643475B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7299088B1 (en) * | 2002-06-02 | 2007-11-20 | Nitish V Thakor | Apparatus and methods for brain rhythm analysis |
CN109977810A (zh) * | 2019-03-12 | 2019-07-05 | 北京工业大学 | 基于helm并结合ptsne和lda特征融合的脑电分类方法 |
CN110522446A (zh) * | 2019-07-19 | 2019-12-03 | 东华大学 | 一种准确性高实用性强的脑电信号分析方法 |
CN111062250A (zh) * | 2019-11-12 | 2020-04-24 | 西安理工大学 | 基于深度特征学习的多受试者运动想象脑电信号识别方法 |
CN111797674A (zh) * | 2020-04-10 | 2020-10-20 | 成都信息工程大学 | 基于特征融合和粒子群优化算法的mi脑电信号识别方法 |
CN111832452A (zh) * | 2020-06-30 | 2020-10-27 | 杭州电子科技大学 | 基于脑电的特殊手势指令的特征优化与识别方法 |
CN113220120A (zh) * | 2021-04-27 | 2021-08-06 | 武汉理工大学 | 一种融合主客观评估的自适应运动想象脑机接口训练方法 |
CN113367657A (zh) * | 2020-03-10 | 2021-09-10 | 中国科学院脑科学与智能技术卓越创新中心 | 基于高频脑电睡眠质量评价方法、装置、设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220202338A1 (en) * | 2019-04-18 | 2022-06-30 | Acutus Medical, Inc. | System for creating a composite map |
-
2024
- 2024-01-30 CN CN202410125472.3A patent/CN117643475B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7299088B1 (en) * | 2002-06-02 | 2007-11-20 | Nitish V Thakor | Apparatus and methods for brain rhythm analysis |
CN109977810A (zh) * | 2019-03-12 | 2019-07-05 | 北京工业大学 | 基于helm并结合ptsne和lda特征融合的脑电分类方法 |
CN110522446A (zh) * | 2019-07-19 | 2019-12-03 | 东华大学 | 一种准确性高实用性强的脑电信号分析方法 |
CN111062250A (zh) * | 2019-11-12 | 2020-04-24 | 西安理工大学 | 基于深度特征学习的多受试者运动想象脑电信号识别方法 |
CN113367657A (zh) * | 2020-03-10 | 2021-09-10 | 中国科学院脑科学与智能技术卓越创新中心 | 基于高频脑电睡眠质量评价方法、装置、设备和存储介质 |
WO2021180028A1 (zh) * | 2020-03-10 | 2021-09-16 | 中国科学院脑科学与智能技术卓越创新中心 | 基于高频脑电睡眠质量评价方法、装置、设备和存储介质 |
CN111797674A (zh) * | 2020-04-10 | 2020-10-20 | 成都信息工程大学 | 基于特征融合和粒子群优化算法的mi脑电信号识别方法 |
CN111832452A (zh) * | 2020-06-30 | 2020-10-27 | 杭州电子科技大学 | 基于脑电的特殊手势指令的特征优化与识别方法 |
CN113220120A (zh) * | 2021-04-27 | 2021-08-06 | 武汉理工大学 | 一种融合主客观评估的自适应运动想象脑机接口训练方法 |
Non-Patent Citations (4)
Title |
---|
Effects of sampling rate on multiscale entropy of electroencephalogram time series;Jinlin Zheng,等;biocybernetics and biomedical engineering;20230104;第43卷;233-243 * |
KU Leuven,等.Feature matching as improved transfer learning technique for wearable EEG.Biomedical Signal Processing and Control.2022,1-10. * |
基于Jensen 熵的运动想象脑电信号稳态子空间分析;张欣,等;北京生物医学工程;20170430;第36卷(第2期);152-156 * |
基于自适应优化空频微分熵的情感脑电识别;苗敏敏,等;仪器仪表学报;20210331;第42卷(第3期);221-230 * |
Also Published As
Publication number | Publication date |
---|---|
CN117643475A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110693493B (zh) | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测特征提取方法 | |
Aslan et al. | Automatic Detection of Schizophrenia by Applying Deep Learning over Spectrogram Images of EEG Signals. | |
CN109522894B (zh) | 一种探测fMRI脑网络动态协变的方法 | |
CN108564039A (zh) | 一种基于半监督深层生成对抗网络的癫痫发作预测方法 | |
CN108959895B (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
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 | |
CN108921286B (zh) | 一种免阈值设定的静息态功能脑网络构建方法 | |
CN107967686B (zh) | 一种联合动态脑网络和长短时记忆网络的癫痫识别装置 | |
Zeng et al. | GRP-DNet: A gray recurrence plot-based densely connected convolutional network for classification of epileptiform EEG | |
CN111956221A (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 | |
CN112450885B (zh) | 一种面向癫痫脑电的识别方法 | |
CN117503057B (zh) | 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质 | |
CN114366124A (zh) | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 | |
CN110522412A (zh) | 基于多尺度脑功能网络分类脑电信号的方法 | |
CN116304815A (zh) | 一种基于自注意力机制和并行卷积的运动想象脑电信号分类方法 | |
CN111803028A (zh) | 一种基于网络参数迁移的个性化癫痫发作检测装置 | |
CN110584596A (zh) | 基于双输入卷积神经网络的睡眠阶段分类方法及应用 | |
CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
CN117643475B (zh) | 一种基于kl散度的特征提取方法 | |
CN117113015A (zh) | 一种基于时空深度学习的脑电信号识别方法及装置 | |
CN113197583A (zh) | 一种基于时频分析和循环神经网络的心电图波形分割方法 | |
Wang et al. | A shallow convolutional neural network for classifying MI-EEG | |
CN115399735A (zh) | 基于时频双流增强的多头注意机制睡眠分期方法 | |
CN116831594A (zh) | 一种基于迭代图卷积神经网络的癫痫脑电分类方法 | |
CN115736840A (zh) | 一种基于心电数据的睡眠质量识别分类方法 |
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 |