CN1547090A - 人工智能脑电采集和分析系统 - Google Patents
人工智能脑电采集和分析系统 Download PDFInfo
- Publication number
- CN1547090A CN1547090A CNA2003101111501A CN200310111150A CN1547090A CN 1547090 A CN1547090 A CN 1547090A CN A2003101111501 A CNA2003101111501 A CN A2003101111501A CN 200310111150 A CN200310111150 A CN 200310111150A CN 1547090 A CN1547090 A CN 1547090A
- Authority
- CN
- China
- Prior art keywords
- eeg
- data
- signal
- analysis
- analysis system
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 11
- 238000000926 separation method Methods 0.000 abstract description 7
- 238000000513 principal component analysis Methods 0.000 abstract description 4
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 abstract 1
- 238000000034 method Methods 0.000 description 25
- 241001465754 Metazoa Species 0.000 description 4
- 210000004958 brain cell Anatomy 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 238000010171 animal model Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种人工智能脑电采集和分析系统，属于神经电生理学技术领域。本发明的数据采集系统部分通过安装在计算机上的软件连接电生理信号获取装置来获取电生理信号，电生理信号获取装置由PC机(1)，AD采样板(2)，电生理信号放大器(3)，微电极(4)，磁带记录仪组成(5)；本发明的数据分析系统部分由脑电信号检测组件(6)，脑电信号分类识别组件(7)，脑电信号分析组件(8)组成。本系统通过一个人工神经元网络系统，实验者对其以最小程度的监控，实现脉冲序列的全自动分离。无需预先定义模板或者作复杂的PCA分析，程序可以很快地将脉冲进行分类。尤其适用于大规模的脉冲自动分类。
Description
技术领域：
本发明涉及一种人工智能脑电采集和分析系统，属于神经电生理学技术领域。
背景技术：
在神经生物学研究中，尤其是电生理实验中，常常需要将动物的单个脑细胞电生理数据进行分析并将与行为相关的放电进行分离和分类，以便于找出与相关刺激对应的放电的类型和频率。在传统的方法中，脉冲检测：通过对原始信号幅度绝对值的探测以发现脉冲，或者对原始信号能量的检测来发现脉冲。脉冲自动分离：有三种脉冲分离的方式：一是按照脉冲幅度和宽度来进行分离；二是通过定义模板来对脉冲进行分离；三是通过对脉冲的PCA(主成分分析)分析和K均值方法来对脉冲进行分离。以上三种都不是脉冲的自动分离方法。并且对于大规模的脉冲数据来说，无法胜任。多种数据分析方式：方法较多但较为复杂并且多使用不开放的数据格式，不便于管理和扩展。
迄今为止，未发现与本发明技术方案相同的公开报道。
发明内容：
本发明的目的在于克服现有技术之不足，提供一种利用现代微电子技术，计算机技术和人工制智能方法对动物的单个脑细胞电生理数据进行采集和分析，通过新型的人工制智能方法对单个脑细胞电生理数据进行分析，达到高效、自动、精确、灵活的放电数据分离和分类。
本发明所采用的技术方案为：脑电采集和分析系统包括AD采样板(2)、磁带记录仪(3)、电生理信号放大器(4)、微电极(5)及其存储器中存储有用于进行脑电信号的数字路滤波和脉冲检测的脑电信号检测模块(7)、用于自动对已经检测出来脉冲分类的脑电信号分类识别模块(6)，以多种方式对脑电数据进行分析和输出的脑电信号分析模块(8)的计算机(1)。本发明将电生理数据记录在磁带的音频轨道中，回放磁带并将数据与计算机的AD采集连接，通过编写好的相关程序保存动物的单个脑细胞电生理数据，在数据分析过程中将利用ANN(一种人工神经元网络)系统对数据进行分离和分类。本发明在该系统在程序(6)、(7)及(8)的控制下完成下列采集和分析步骤：
1.启动该计算机系统系统程序组(6)(7)(8)初始化AD采样板(2)同时检查硬盘中的初始化文件，如果有已设置好的初始化信息，则调入存储器中并初始化相关设置；
2.CPU按程序指令控制AD采样板(2)，按程序预先设定或用户设定采样频率和时间采集电生理信号并将数据保存在硬盘中；
3.采集完成后，使用数据分析系统程序的脑电信号检测组件(6)分析数据，进行脑电信号的数字滤波和脉冲检测；
4.使用数据分析系统程序的脑电信号分类识别组件(7)自动对已经检测出来的脉冲分类；
5.使用数据分析系统程序的脑电信号分析组件(8)以多种方式对脑电数据进行分析和输出。
本发明与现有技术相比具有以下优点：
1.通过对原始信号标准偏差的检测来发现脉冲。此方法已经被证明不仅完全适用于干扰小的脑电信号，尤其适用于有较大干扰的脑电信号中脉冲的检测。抗干扰性很强；
2.通过一个ANN(一种人工神经元网络)系统，实验者对其以最小程度的监控，实现脉冲序列的全自动分离。无需预先定义模板或者作复杂的PCA分析，程序可以很快地将脉冲进行分类。尤其适用于大规模的脉冲自动分类；
3.在脑电记录的同时对动物的感知和行为也进行记录的情况下，那么在对脑电和行为数据进行分析时，可以使用多种方法，有直方图法、瞬时频率法、光栅法、矢量法、累积和法、统计学检验法(T检验和U检验)等，还可以将数据拷贝到多种商业软件中去，例如Excel、Igor、SPSS、Matlab等。
附图说明：
图1是本发明数据采集和分析系统软件结构和流程图；
图2是本发明软件内部模块结构示意图；
图3是本发明的结构连接示意图。
具体实施方式：
中科院昆明动物所脑认知研究实验室利用本发明进行日常科学研究。具体操作如下：
首先，将微电极(4)置入实验动物脑内，微电极(4)信号输出端连接在电生理信号放大器(6)的输入端，将电生理信号放大器(3)的输出端连接在磁带记录仪(5)的音频输入端，将实时数据记录在磁带的音频记录轨道上，记录完成后将已经存储了数据的磁带放入磁带记录仪(5)中，然后将磁带记录仪(5)的音频输出连接在AD采样板(2)的信号输入端。利用采集软件将磁带上的信号数据采集并整理后存入该计算机系统的硬盘中；分析数据：使用数据分析系统程序的脑电信号检测组件(7)进行脑电信号的数字滤波和脉冲检测以及分离；使用数据分析系统程序的脑电信号分类识别组件(8)，自动对已经检测出来的脉冲分类；使用数据分析系统程序的脑电信号分析组件(9)以多种方式对脑电数据进行分析；可以使用多种方法，有直方图法、瞬时频率法、光栅法、矢量法、累积和法、统计学检验法(T检验和U检验)等，分类完成后数据可以到出到其它商业软件中，如Excel、Igor、SPSS、Matlab等。
Claims (1)
1、一种人工智能脑电采集和分析系统，包括AD采样板(2)、磁带记录仪(3)、电生理信号放大器(4)、微电极(5)、其特征在于还包括其存储器中存储有用于进行脑电信号的数字路滤波和脉冲检测的脑电信号检测模块(7)，用于自动对已经检测出来脉冲分类的脑电信号分类识别模块(6)，以多种方式对脑电数据进行分析和输出的脑电信号分析模块(8)的计算机(1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNA2003101111501A CN1547090A (zh) | 2003-12-03 | 2003-12-03 | 人工智能脑电采集和分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNA2003101111501A CN1547090A (zh) | 2003-12-03 | 2003-12-03 | 人工智能脑电采集和分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN1547090A true CN1547090A (zh) | 2004-11-17 |
Family
ID=34335957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA2003101111501A Pending CN1547090A (zh) | 2003-12-03 | 2003-12-03 | 人工智能脑电采集和分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN1547090A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1332207C (zh) * | 2005-03-11 | 2007-08-15 | 华南理工大学 | 一种测量薄膜润滑中双电层流动电势的装置 |
| CN100351749C (zh) * | 2005-04-21 | 2007-11-28 | 艾默生网络能源有限公司 | 数字信号采集电路 |
| CN102488516A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种非线性脑电信号分析方法以及装置 |
| CN105520732A (zh) * | 2005-08-02 | 2016-04-27 | 脑仪公司 | 用于评估脑功能的方法和便携式自动脑功能评估设备 |
| CN110688097A (zh) * | 2019-09-22 | 2020-01-14 | 南京信易达计算技术有限公司 | 高可靠高可用高性能融合型软件定义存储系统及方法 |
-
2003
- 2003-12-03 CN CNA2003101111501A patent/CN1547090A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1332207C (zh) * | 2005-03-11 | 2007-08-15 | 华南理工大学 | 一种测量薄膜润滑中双电层流动电势的装置 |
| CN100351749C (zh) * | 2005-04-21 | 2007-11-28 | 艾默生网络能源有限公司 | 数字信号采集电路 |
| CN105520732A (zh) * | 2005-08-02 | 2016-04-27 | 脑仪公司 | 用于评估脑功能的方法和便携式自动脑功能评估设备 |
| CN105520732B (zh) * | 2005-08-02 | 2019-06-25 | 脑仪公司 | 用于评估脑功能的方法和便携式自动脑功能评估设备 |
| CN102488516A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种非线性脑电信号分析方法以及装置 |
| CN110688097A (zh) * | 2019-09-22 | 2020-01-14 | 南京信易达计算技术有限公司 | 高可靠高可用高性能融合型软件定义存储系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11386916B2 (en) | Segmentation-based feature extraction for acoustic scene classification | |
| CN112289326B (zh) | 一种利用具有噪音去除的鸟类识别综合管理系统的噪音去除方法 | |
| CN107918821A (zh) | 基于人工智能技术的教师课堂教学过程分析方法和系统 | |
| CN112750442B (zh) | 一种具有小波变换的朱鹮种群生态体系监测系统及其方法 | |
| CN108922548A (zh) | 一种基于深度学习的鸟、蛙智能监测方法 | |
| CN113539294A (zh) | 一种生猪异常状态声音采集及识别方法 | |
| CN112560811B (zh) | 端到端的音视频抑郁症自动检测研究方法 | |
| CN101790064A (zh) | 具有视频结构化描述功能的硬盘录像设备及其方法 | |
| CN101751563A (zh) | 一种基于LabWindows/CVI和Matlab混合编程的脑电信号识别方法 | |
| CN112687280B (zh) | 一种具有频谱-时间空间界面的生物多样性监测系统 | |
| CN114067829A (zh) | 一种电抗器故障诊断方法、装置、计算机设备及存储介质 | |
| CN101364238A (zh) | 分层递阶的歌曲旋律检索方法 | |
| CN115410711B (zh) | 基于声音信号特征和随机森林的白羽肉鸡健康监测方法 | |
| CN118506846A (zh) | 一种硬盘测试装置、系统及方法 | |
| CN117708365A (zh) | 基于人工智能图像识别技术的面部特征提取系统 | |
| CN1547090A (zh) | 人工智能脑电采集和分析系统 | |
| CN112735442A (zh) | 一种具有音频分离声纹识别的湿地生态监测系统及其音频分离方法 | |
| CN102903126A (zh) | 一种视频图像纹理特征提取和结构化描述的系统和方法 | |
| WO2017092372A1 (zh) | 基于cep引擎的变电站运行监控信号规范化处理方法 | |
| CN110070891B (zh) | 一种歌曲识别方法、装置以及存储介质 | |
| CN112380382B (zh) | 一种音频分类方法、装置及存储介质 | |
| CN112735444B (zh) | 一种具有模型匹配的中华凤头燕鸥识别系统及其模型匹配方法 | |
| CN112735443B (zh) | 一种具有自动分类的海洋空间资源管理系统及其自动分类方法 | |
| CN113673561A (zh) | 基于多模态的音乐标签自动分类方法、装置及介质 | |
| Zhang et al. | A task-specific meta-learning framework for few-shot sound event detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |