CN210433843U - 基于高频电刺激的智能阻断系统和设备 - Google Patents
基于高频电刺激的智能阻断系统和设备 Download PDFInfo
- Publication number
- CN210433843U CN210433843U CN201920706607.XU CN201920706607U CN210433843U CN 210433843 U CN210433843 U CN 210433843U CN 201920706607 U CN201920706607 U CN 201920706607U CN 210433843 U CN210433843 U CN 210433843U
- Authority
- CN
- China
- Prior art keywords
- module
- data
- blocking
- signal
- classification
- 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
Images
Abstract
本公开提供一种基于高频电刺激的智能阻断系统和设备,涉及电子设备领域,能够减小药物产生的并发症和副作用,避免手术对人体的造成的创伤,对人体神经造成的伤害减到最小。具体技术方案为:信号采集模块用于采集人体目标区域的神经信号;信号处理模块用于对神经信号进行放大和滤波处理,输出处理后的神经信号;数据处理模块用于对处理后的神经信号模数转换后进行分类处理,并根据分类结果生成对应的高频阻断信号,将高频阻断信号发送给阻断模块;阻断模块用于将高频阻断信号施加在目标面神经上。本实用新型用于对面肌痉挛患者面神经异常放电阻断。
Description
技术领域
本公开涉及电子设备领域,尤其涉及一种基于高频电刺激的智能阻断系统和设备。
背景技术
人体主要是以神经系统为主导,然后对体内各器官和系统进行功能调节,进而使人体成为一个完整的有机主体。神经系统的基本结构和功能单元是神经元,神经系统通过神经元完成接收信息、快速处理信号和信号传递等功能。为了完成以上功能,神经元主要以电信号作为信息载体,但如果神经元上产生的电信号是异常的,则该信号可能会引起人体不适或者运动性障碍。异常信号是通过神经传导通路到达感受器和效应器,因此,若破坏信号的传导途径,就会阻断异常信号的传递。
神经阻断方式主要分为化学阻断和物理阻断,化学阻断是通过使用局部麻药和神经破坏药来损毁神经,这种方式简单且无外部创伤,但是药物对人体有一定的副作用,而且特异性差;物理阻断是通过加压、冷却、加热或者机械性损伤等方式来损毁神经,物理阻断虽说特异性很强,并发症和副作用发送率低,可重复治疗,但是它会产生小的外部创伤,治疗设备昂贵,手术方式复杂,操作人员需经过培训及具备一定的工作经验。
实用新型内容
本公开实施例提供一种基于高频电刺激的智能阻断系统和设备,能够减小药物产生的并发症和副作用,避免手术对人体的造成的创伤,对人体神经造成的伤害减到最小。所述技术方案如下:
根据本公开实施例的第一方面,提供一种基于高频电刺激的智能阻断系统,包括:信号采集模块、信号处理模块、数据处理模块、阻断模块;
信号采集模块的输出端与信号处理模块的输入端连接,信号处理模块的输出端与数据处理模块的输入端连接,数据处理模块的输出端与阻断模块的输入端连接,阻断模块的输出端与目标面神经连接;
信号采集模块用于采集人体目标区域的神经信号;
信号处理模块用于对神经信号进行放大和滤波处理,输出处理后的神经信号;
数据处理模块用于对处理后的神经信号模数转换后进行分类处理,并根据分类结果生成对应的高频阻断信号,将高频阻断信号发送给阻断模块;
阻断模块用于将高频阻断信号施加在目标面神经上。
该系统采用分类的方式对待处理信号进行识别,根据分类结果的不同,采用不同频率的电刺激,这样可以使异常信号的阻断更加精确,能够减小药物产生的并发症和副作用,避免手术对人体的造成的创伤,对人体神经造成的伤害减到最小,有效解决因个体差异导致的问题。
在一个实施例中,数据处理模块包括:模数转换模块、数据缓存模块、数据分类模块、数据存储模块、控制模块、信号生成模块;
模数转换模块的输出端与数据缓存模块的输入端连接,数据缓存模块的输出端与数据分类模块的输入端连接,数据分类模块的输出端与控制模块的输入端连接,控制模块的输出端与信号生成模块的输入端连接,数据缓存模块的第三端与控制模块的第三端连接,数据存储模块的一端与数据分类模块的第三端连接;
模数转换模块用于对处理后的神经信号进行模数转换,生成待处理数据,将待处理数据发送给数据缓存模块;
数据缓存模块用于在获取到控制模块的读指令时,将待处理数据发送给数据分类模块;
数据分类模块用于在获取到待处理数据时,从数据存储模块中获取分类参数,根据分类参数对待处理数据进行分类,得到对应的分类结果;
控制模块用于按照预设规则对分类结果进行记录,根据记录结果生成对应的控制指令,将控制指令发送给信号生成模块;
信号生成模块,用于根据控制指令生成相应的高频阻断信号。
在一个实施例中,待处理数据包括监测数据和反馈数据;
控制模块用于对监测数据的分类结果进行记录,根据监测数据的记录结果确定是否阻断,在确定阻断时生成对应的控制指令,将控制指令发送给信号生成模块;
控制模块用于对反馈数据的分类结果进行记录,根据反馈数据的分类结果确定阻断模式,并根据阻断模式生成对应的控制指令,将控制指令发送给信号生成模块。
在一个实施例中,信号采集模块包括至少四组电极,每组电极包括一记录电极和一参考电极,至少四组电极中的第一组电极和第二组电极用于采集脸部健侧的面神经信号,第三组电极和第四组电极用于采集脸部患侧的面神经信号。
在一个实施例中,阻断模块包括生物电极和阻断电极,生物电极的输入端与数据处理模块的第一输出端连接,生物电极的输出端与目标面神经连接,阻断电极的输入端与数据处理模块的第二输出端连接,阻断电极的输出端与目标面神经连接。
在一个实施例中,模数转换模块采用8通道模数转换器。
在一个实施例中,数据分类模块采用SVM分类算法或神经网络算法。
根据本公开实施例的第二方面,提供一种基于高频电刺激的智能阻断设备,包括:可穿戴装置以及第一方面以及第一方面的任一实施例所描述的基于高频电刺激的智能阻断系统。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开实施例提供的一种基于高频电刺激的智能阻断系统的结构示意图;
图2是本公开实施例提供的一种面肌痉挛患者面神经电极放置示意图;
图3是本公开实施例提供的一种数据处理模块的结构示意图;
图4是本公开实施例提供的一种基于高频电刺激的智能阻断系统的结构示意图;
图5是本公开实施例提供的一种神经信号智能识别与精准阻断系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开实施例提供一种基于高频电刺激的智能阻断系统,如图1所示,该基于高频电刺激的智能阻断系统10包括:信号采集模块101、信号处理模块102、数据处理模块103和阻断模块104;其中,信号采集模块101的输出端与信号处理模块102的输入端连接,信号处理模块102的输出端与数据处理模块103的输入端连接,数据处理模块103的输出端与阻断模块104的输入端连接,阻断模块104的输出端与目标面神经连接。
信号采集模块101用于采集人体目标区域的神经信号;
信号处理模块102用于对神经信号进行放大和滤波处理,输出处理后的神经信号;
数据处理模块103用于对处理后的神经信号进行分类处理,并根据分类结果生成对应的高频阻断信号,将高频阻断信号发送给阻断模块;
阻断模块104用于将高频阻断信号施加在目标面神经上。
在本公开实施例中,信号采集模块101包括至少四组电极,每组电极包括一记录电极和一参考电极,至少四组电极中的第一组电极和第二组电极用于采集脸部健侧的面神经信号,第三组电极和第四组电极用于采集脸部患侧的面神经信号。
参考图2所示,为对面肌痉挛患者面神经异常放电时的面部贴片电极放置示意图,其中,第一组电极包括记录电极1和参考电极1,记录电极1和参考电极1放置在患者面部健侧眼轮匝肌肌腹;第二组电极包括记录电极2和参考电极2,记录电极2和参考电极2放置在患者面部健侧口轮匝肌外侧部;第三组电极包括记录电极3和参考电极3,记录电极3和参考电极3放置在患者面部患侧眼轮匝肌肌腹;第四组电极包括记录电极4和参考电极4,记录电极4和参考电极4放置在患者面部患侧口轮匝肌外侧部。在采集到患者面部健侧和患侧的面神经信号后,信号处理模块对面神经信号进行放大和滤波处理,输出处理后的神经信号。
参考图3所示,数据处理模块103包括:模数转换模块1031、数据缓存模块1032、数据分类模块1033、数据存储模块1034、控制模块1035、信号生成模块1036;
模数转换模块1031的输入端与信号处理模块102的输出端连接,模数转换模块1031的输出端与数据缓存模块1032的输出端连接,数据缓存模块1032的输出端与数据分类模块1033的输入端连接,数据分类模块1033的输出端与控制模块1035的输入端连接,控制模块1035的输出端与信号生成模块1036的输入端连接,数据缓存模块1032的第三端与控制模块1035的第三端连接,数据存储模块1034的一端与数据分类模块1033的第三端连接;
模数转换模块1031,用于对处理后的神经信号进行模数转换,生成待处理数据,将待处理数据发送给数据缓存模块1032;
数据缓存模块1032,用于在获取到控制模块1035的读指令时,将待处理数据发送给数据分类模块1033;
数据分类模块1033,用于在获取到待处理数据时,从数据存储模块1034中获取分类参数,根据分类参数对待处理数据进行分类,得到对应的分类结果;
控制模块1035,用于按照预设记录规则对分类结果进行记录,并判别记录信息的异常类别,根据异常类别生成对应的控制指令,将控制指令发送给信号生成模块1036;
信号生成模块1036,用于根据控制指令生成相应的高频阻断信号。
在本公开实施例中,阻断模块104包括生物电极1041和阻断电极1042,生物电极1041的输入端与数据处理模块的第一输出端连接,生物电极1041的输出端与目标面神经连接,阻断电极1042的输入端与数据处理模块的第二输出端连接,阻断电极1042的输出端与目标面神经连接。
为了更加清楚的理解上述方案,参考图4和图5所示,以数据处理模块103为神经信号智能识别与精准阻断系统,神经信号智能识别与精准阻断系统中的模数转换模块为8通道模数转换器AN706、数据缓存模块为数据缓存DDR MT47H 128M16、数据存储模块为QSPIFLASH、数据分类模块为SVM算法超高速并行计算模块、信号生成模块为阻断信号生成模块为例进行说明。
具体的,参考电极1-4、记录电极1-4的输出端接信号处理单元的相应输入端;信号处理单元的输出端接8通道模数转换器AN706的相应输入端;数据缓存DDR MT47H 128M16的输入端接8通道模数转换器AN706的相应输出端;数据缓存DDR MT47H 128M16的输出端接SVM算法超高速并行计算模块的输入端;数据存储QSPI FLASH与SVM算法超高速并行计算模块的相应端口双向连接;数据缓存DDR MT47H 128M16与控制模块相应端口双向连接;SVM算法超高速并行计算模块的输出端接控制模块的输入端;控制模块的输出端接阻断信号生成模块的输入端;阻断信号生成模块的一个输出端接阻断电极,一个输出端接生物电极。
利用高频电刺激阻断面神经异常放电信号具体包括:
(1)记录电极1-4和参考电极1-4放置在患者面部相应位置,采集面神经传导的电信号。在本公开实施例中,以帧为单位,每一帧的固定时长为T,一般情况下,10ms<T<15ms,本公开以T=10ms为例进行说明,帧与帧之间的间隔为2ms,帧内1ms采样32次。
(2)信号处理单元对记录电极1-4和参考电极1-4输入的数据进行放大、滤波处理后输出8通道模数转换器。
(3)8通道模数转换器对信号处理单元输出的信号进行模数转换。
在本公开实施例中,采样方式以帧为单位,设置每一帧固定时长为T,帧周期T为ms量级,设定T=10ms,帧与帧之间间隔2ms,帧内1ms采样32次,这样,帧内参考电极1-4和记录电极1-4各采数据320个;电极1输出=记录电极1-参考电极1,电极2输出=记录电极2-参考电极2,电极3输出=记录电极3-参考电极3,电极4输出=记录电极4-参考电极4;将电极1输出(320个数据)和电极3输出(320个数据)首尾相接组成长度为640的待测数据,即图4中监测输入,电极2输出(320个数据)和电极4输出(320个数据)首尾相接组成长度为640的反馈数据,即图4中的反馈输入。
(4)数据缓存DDR MT47H 128M16将8通道模数转换器串行输出的待测数据和反馈数据进行缓存,在收到控制模块读信号时,并行输出到SVM算法超高速并行计算模块。
(5)SVM算法超高速并行计算模块在收到待测信号或者反馈信号的同时读取数据存储QSPI FLASH存储的SVM(Support Vector Machine,支持向量机)分类算法相关预学习参数(如:支持向量、偏置、阈值),然后执行SVM算法对待测数据或反馈数据进行二分类,信号正常输出低电平0,信号异常输出高电平1。
(6)控制模块根据SVM算法超高速并行计算模块输出结果进行记录。在本公开实施例中,若输入为高电平则记为“1”,否则记为“0”,记录间隔为2ms,记录4个周期或者8个周期,并根据记录结果生成对应的控制信号。
对待测数据分为以下四种响应机制:
在记录结果为00000000时,不阻断;
在记录结果为0001时,生成第一控制信号,第一控制信号用于指示阻断信号生成模块输出生物信号100us后输出D0频率阻断信号;
在记录结果为0010时,生成第一控制信号,第一控制信号用于指示阻断信号生成模块输出生物信号100us后输出D0频率阻断信号;
在记录结果为0100时,生成第一控制信号,第一控制信号用于指示阻断信号生成模块输出生物信号100us后输出D0频率阻断信号;
在记录结果为1000时,生成第一控制信号,第一控制信号用于指示阻断信号生成模块输出生物信号100us后输出D0频率阻断信号。
对反馈数据分为以下四种响应机制:
在记录结果为0001时,生成第一控制信号,第一控制信号用于指示阻断信号生成模块输出生物信号100us后输出D0频率阻断信号;
在记录结果为0011时,生成第二控制信号,第二控制信号用于指示阻断信号生成模块输出生物信号100us后输出D1频率阻断信号;
在记录结果为0111时,生成第三控制信号,第三控制信号用于指示阻断信号生成模块输出生物信号100us后输出D2频率阻断信号;
在记录结果为1111时,生成第四控制信号,第四控制信用用于指示阻断信号生成模块输出生物信号100us后输出D3频率阻断信号。
由此可以看出,控制模块根据待测数据的记录结果确定是否阻断,在记录结果是“00000000”时不阻断,在记录结果为“0001”、“0010”、“0100”、“1000”时阻断;根据反馈数据的记录结果确定阻断模式,在本公开实施例中,D0到D3,阻断级别逐渐升高。需要说明的是,上述待测数据和反馈数据的不同响应机制仅为示例性说明,可以根据实际情况分为2个、4个、8个、16个等响应机制,本公开实施例对此不加任何限定。
(7)阻断信号生成模块根据控制信号生成相应的高频阻断信号。其中,生物信号的频率为50HZ,幅度为30mv,生物信号用于在阻断期间维持神经活性;D0频率阻断信号的频率为1KHZ,幅度为100mv,D1频率阻断信号的频率为3KHZ,幅度为300mv,D2频率阻断信号的频率为6KHZ,幅度为600mv,D3频率阻断信号的频率为10KHZ,幅度为500mv。需要说明的是,阻断信号的频率与幅度由实验或经验所得,D0到D3,阻断级别逐渐升高。
(8)阻断电极和生物电极将阻断信号生成模块输出的信号施加在目标面神经上,实现阻断功能。
本公开实施例提供的基于高频电刺激的智能阻断系统,该基于高频电刺激的智能阻断系统包括信号采集模块、信号处理模块、数据处理模块、阻断模块;信号采集模块的输出端与信号处理模块的输入端连接,信号处理模块的输出端与数据处理模块的输入端连接,数据处理模块的输出端与阻断模块的输出端连接,阻断模块的输出端与目标面神经连接;其中,信号采集模块用于采集人体目标区域的神经信号;信号处理模块用于对神经信号进行放大和滤波处理,得到处理后的神经信号;数据处理模块用于对处理后的神经信号模数转换后进行分类处理,并根据分类结果生成对应的高频阻断信号,将高频阻断信号发送给阻断模块;阻断模块,用于将高频阻断信号施加在目标面神经上。该系统采用分类的方式对待处理信号进行识别,根据分类结果的不同,采用不同频率的电刺激,这样可以使异常信号的阻断更加精确,能够减小药物产生的并发症和副作用,避免手术对人体的造成的创伤,对人体神经造成的伤害减到最小,有效解决因个体差异导致的问题。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
Claims (8)
1.一种基于高频电刺激的智能阻断系统,其特征在于,包括:信号采集模块、信号处理模块、数据处理模块、阻断模块;
所述信号采集模块的输出端与所述信号处理模块的输入端连接,所述信号处理模块的输出端与所述数据处理模块的输入端连接,所述数据处理模块的输出端与所述阻断模块的输入端连接,所述阻断模块的输出端与目标面神经连接;
所述信号采集模块用于采集人体目标区域的神经信号;
所述信号处理模块用于对所述神经信号进行放大和滤波处理,输出处理后的神经信号;
所述数据处理模块用于对所述处理后的神经信号进行分类处理,并根据分类结果生成对应的高频阻断信号,将所述高频阻断信号发送给阻断模块;
所述阻断模块用于将所述高频阻断信号施加在所述目标面神经上。
2.根据权利要求1所述的系统,其特征在于,所述数据处理模块包括:模数转换模块、数据缓存模块、数据分类模块、数据存储模块、控制模块、信号生成模块;
所述模数转换模块的输出端与所述数据缓存模块的输入端连接,所述数据缓存模块的输出端与所述数据分类模块的输入端连接,所述数据分类模块的输出端与所述控制模块的输入端连接,所述控制模块的输出端与所述信号生成模块的输入端连接,所述数据缓存模块的第三端与所述控制模块的第三端连接,所述数据存储模块的一端与所述数据分类模块的第三端连接;
所述模数转换模块用于对所述处理后的神经信号进行模数转换,生成待处理数据,将所述待处理数据发送给所述数据缓存模块;
所述数据缓存模块用于在获取到所述控制模块的读指令时,将所述待处理数据发送给所述数据分类模块;
所述数据分类模块用于在获取到所述待处理数据时,从所述数据存储模块中获取分类参数,根据所述分类参数对所述待处理数据进行分类,得到对应的分类结果;
所述控制模块用于按照预设规则对所述分类结果进行记录,根据记录结果生成对应的控制指令,将所述控制指令发送给所述信号生成模块;
所述信号生成模块,用于根据所述控制指令生成相应的高频阻断信号。
3.根据权利要求2所述的系统,其特征在于,所述待处理数据包括监测数据和反馈数据;
所述控制模块用于对所述监测数据的分类结果进行记录,根据监测数据的记录结果确定是否阻断,在确定阻断时生成对应的控制指令,将所述控制指令发送给所述信号生成模块;
所述控制模块用于对所述反馈数据的分类结果进行记录,根据反馈数据的分类结果确定阻断模式,并根据所述阻断模式生成对应的控制指令,将所述控制指令发送给所述信号生成模块。
4.根据权利要求1所述的系统,其特征在于,所述信号采集模块包括至少四组电极,每组电极包括一记录电极和一参考电极,所述至少四组电极中的第一组电极和第二组电极用于采集脸部健侧的面神经信号,第三组电极和第四组电极用于采集脸部患侧的面神经信号。
5.根据权利要求1所述的系统,其特征在于,所述阻断模块包括生物电极和阻断电极,所述生物电极的输入端与所述数据处理模块的第一输出端连接,所述生物电极的输出端与所述目标面神经连接,所述阻断电极的输入端与所述数据处理模块的第二输出端连接,所述阻断电极的输出端与所述目标面神经连接。
6.根据权利要求2所述的系统,其特征在于,所述模数转换模块采用8通道模数转换器。
7.根据权利要求2所述的系统,其特征在于,所述数据分类模块采用SVM分类算法或神经网络算法。
8.一种基于高频电刺激的智能阻断设备,其特征在于,包括:可穿戴装置以及权利要求1~7任一项所述的基于高频电刺激的智能阻断系统。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018207411766 | 2018-05-18 | ||
CN201820741176 | 2018-05-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN210433843U true CN210433843U (zh) | 2020-05-01 |
Family
ID=70401759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201920706607.XU Active CN210433843U (zh) | 2018-05-18 | 2019-05-16 | 基于高频电刺激的智能阻断系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN210433843U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110025889A (zh) * | 2018-05-18 | 2019-07-19 | 西安交通大学医学院第二附属医院 | 基于高频电刺激的智能阻断系统和设备 |
-
2019
- 2019-05-16 CN CN201920706607.XU patent/CN210433843U/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110025889A (zh) * | 2018-05-18 | 2019-07-19 | 西安交通大学医学院第二附属医院 | 基于高频电刺激的智能阻断系统和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10820816B2 (en) | System for a brain-computer interface | |
CN104571504B (zh) | 一种基于想象动作的在线脑‑机接口方法 | |
CN210433843U (zh) | 基于高频电刺激的智能阻断系统和设备 | |
US20120043969A1 (en) | Impedance Tomography Apparatus | |
CN112200221B (zh) | 基于电阻抗成像和脑电图信号的癫痫预测系统及其方法 | |
CN109199370A (zh) | 一种脑电信号放大装置及方法 | |
CN109303556A (zh) | 一种高通量植入式神经信号无线传输装置 | |
Chang et al. | A versatile wireless portable monitoring system for brain–behavior approaches | |
CN111013015A (zh) | 一种自反馈理疗仪 | |
CN109875553A (zh) | 一种基于eeg设备的大规模癫痫自动化检测预警与治疗智能系统 | |
CN110059550A (zh) | 一种基于脑电信号的智能辅助学习系统 | |
Erbslöh et al. | Artefact-suppressing analog spike detection circuit for firing-rate measurements in closed-loop retinal neurostimulators | |
CN110025889A (zh) | 基于高频电刺激的智能阻断系统和设备 | |
CN108175401B (zh) | 一种癫痫对偶互补方式监测预警干预系统及方法 | |
Yang et al. | A neuron signature based spike feature extraction algorithm for on-chip implementation | |
CN107981860B (zh) | 一种非接触非侵入无损伤的癫痫路径可达方式监测预警干预系统及获取干扰脑电分布的方法 | |
Heelan et al. | A mobile embedded platform for high performance neural signal computation and communication | |
Bhuvaneswari et al. | Classification of electromyography signal using wavelet decomposition method | |
EP4215239A1 (en) | System for improving cognitive functions of the human brain | |
CN117158970B (zh) | 一种情绪识别方法、系统、介质及计算机 | |
Varshney et al. | Brain machine interface for wrist movement using robotic arm | |
Sandilya et al. | Interpretation of EEG thought signals for the control and movement using MATLAB | |
CN107296607A (zh) | 肌肉康复状态检测方法 | |
CN117379002A (zh) | 癫痫在线反馈神经调控系统及设备 | |
Gutierrez-Hernandez et al. | Machine Learning Evaluation of Passive Wireless Neurosensing Recorder for Biopotentials Recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |