RU2018128580A - Способ и система для определения соединений в сети - Google Patents
Способ и система для определения соединений в сети Download PDFInfo
- Publication number
- RU2018128580A RU2018128580A RU2018128580A RU2018128580A RU2018128580A RU 2018128580 A RU2018128580 A RU 2018128580A RU 2018128580 A RU2018128580 A RU 2018128580A RU 2018128580 A RU2018128580 A RU 2018128580A RU 2018128580 A RU2018128580 A RU 2018128580A
- Authority
- RU
- Russia
- Prior art keywords
- coefficients
- nodes
- data set
- connection
- coherence
- Prior art date
Links
Classifications
-
- 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
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0024—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system for multiple sensor units attached to the patient, e.g. using a body or personal area network
-
- 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
- A61B5/72—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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/04—Arrangements of multiple sensors of the same type
- A61B2562/046—Arrangements of multiple sensors of the same type in a matrix array
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
Claims (34)
1. Способ идентификации, в сети взаимодействующих узлов, одновременно создающих сигналы, соединений между упомянутыми узлами и оценки коэффициентов соединений между узлами, идентифицированными как соединенные, при этом способ включает в себя этапы, на которых:
периодически записывают сигнал в каждом узле в течение предварительно определенного периода времени для формирования набора данных;
вычисляют когерентность и частичную когерентность между каждой комбинацией узлов в этом наборе данных;
проверяют, для каждой комбинации узлов, ниже ли когерентность или частичная когерентность первого предварительно определенного порога, и, если да, задают соответствующий коэффициент соединения равным нулю для всех последующих этапов;
на первом этапе оценки оценивают, исходя из упомянутого набора данных, коэффициенты соединений для комбинаций узлов, для которых коэффициент соединения еще не задан равным нулю;
для каждого коэффициента соединения, оцененного на первом этапе оценки ниже второго порога, задают данный коэффициент равным нулю для всех последующих этапов; и
на втором этапе оценки повторно оценивают, исходя из упомянутого набора данных, коэффициенты соединений для комбинаций узлов, для которых коэффициенты соединений еще не заданы равными нулю.
2. Способ по п.1, в котором этап проверки содержит этап, на котором вычисляют произведение вычисленных когерентности и частичной когерентности для каждой комбинации узлов и определяют, ниже ли данное произведение упомянутого первого предварительно определенного порога.
3. Способ по п.1 или 2, в котором второй порог для оцененных коэффициентов соединений определяют посредством этапов, на которых:
разделяют оцененные коэффициенты на две группы согласно квадрату евклидова расстояния оцененных коэффициентов, причем первая группа содержит те коэффициенты, что имеют высокие значения, а вторая группа содержит те коэффициенты, что имеют низкие значения; и
задают упомянутый второй порог равным значению коэффициента, которое выше, чем значение всех коэффициентов в упомянутой второй группе.
4. Способ по любому из предыдущих пунктов, в котором на первом и втором этапах оценки для оценки коэффициентов соединений оценивают коэффициенты авторегрессии упомянутого набора данных.
5. Способ по любому из предыдущих пунктов, в котором известно или предсказано, что сеть является разреженной.
6. Способ по любому из предыдущих пунктов, дополнительно содержащий этап, на котором выполняют отбор в отношении упомянутого набора данных для устранения резких отклонений.
7. Способ по любому из предыдущих пунктов, дополнительно содержащий этап, на котором фильтруют упомянутый набор данных для устранения шума.
8. Способ по любому из предыдущих пунктов, в котором сеть взаимодействующих узлов, создающих сигналы, является электроэнцефалографической (ЭЭГ) системой.
9. Способ наблюдения за функцией головного мозга пациента, содержащий этапы, на которых:
выполняют запись ЭЭГ пациента в течение некоторого периода времени;
идентифицируют соединения в сети между сигналами узлов по ЭЭГ с использованием способа в соответствии с любым из предыдущих пунктов
10. Система для идентификации соединений сети и оценки коэффициентов соединений между узлами в записи данных активности головного мозга, при этом система содержит:
множество датчиков для записи активности головного мозга индивидуума в разных местах в течение предварительно определенного периода времени для создания набора данных; и
процессор, который выполнен с возможностью:
вычислять когерентность и частичную когерентность между каждой комбинацией узлов в этом наборе данных;
проверять, для каждой комбинации узлов, ниже ли когерентность или частичная когерентность первого предварительно определенного порога, и, если да, задавать соответствующий коэффициент соединения равным нулю для всех последующих этапов;
оценивать, исходя из упомянутого набора данных, коэффициенты соединений для комбинаций узлов, для которых коэффициент соединения еще не задан равным нулю;
для каждого коэффициента соединения, оцененного ниже второго порога, задавать данный коэффициент равным нулю для всех последующих этапов; и
повторно оценивать, исходя из упомянутого набора данных, коэффициенты соединений для комбинаций узлов, для которых коэффициенты соединений еще не заданы равными нулю.
11. Система по п.10, в которой процессор выполнен с возможностью вычислять произведение вычисленных когерентности и частичной когерентности для каждой комбинации узлов и определять, имеет ли данное произведение значение ниже упомянутого первого предварительно определенного порога.
12. Система по п.10 или 11, в которой процессор выполнен с возможностью определения упомянутого второго порога посредством:
разделения оцененных коэффициентов на две группы согласно квадрату евклидова расстояния оцененных коэффициентов, причем первая группа содержит те коэффициенты, что имеют высокие значения, а вторая группа содержит те коэффициенты, что имеют низкие значения; и
задания упомянутого второго порога равным значению коэффициента, которое выше, чем значения всех коэффициентов в упомянутой второй группе.
13. Система по любому из пп.10-12, в которой процессор выполнен с возможностью оценивать коэффициенты соединений посредством оценки коэффициентов авторегрессии упомянутого набора данных.
14. Система по любому из пп.10-13, в которой процессор выполнен с возможностью осуществления отбора в отношении упомянутого набора данных для устранения резких отклонений.
15. Система по любому из пп.10-14, в которой процессор выполнен с возможностью фильтрации упомянутого набора данных для устранения шума.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
MYPI2016000032 | 2016-01-08 | ||
MYPI2016000032 | 2016-01-08 | ||
PCT/EP2017/050269 WO2017118733A1 (en) | 2016-01-08 | 2017-01-06 | Method and system for determining network connections |
Publications (3)
Publication Number | Publication Date |
---|---|
RU2018128580A true RU2018128580A (ru) | 2020-02-10 |
RU2018128580A3 RU2018128580A3 (ru) | 2020-04-09 |
RU2732435C2 RU2732435C2 (ru) | 2020-09-16 |
Family
ID=57796338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2018128580A RU2732435C2 (ru) | 2016-01-08 | 2017-01-06 | Способ и система для определения соединений в сети |
Country Status (16)
Country | Link |
---|---|
US (1) | US11006830B2 (ru) |
EP (1) | EP3399909B1 (ru) |
JP (1) | JP6926117B2 (ru) |
KR (1) | KR20180100154A (ru) |
CN (1) | CN108463165B (ru) |
AU (1) | AU2017205100B2 (ru) |
CA (1) | CA3009874A1 (ru) |
DK (1) | DK3399909T3 (ru) |
ES (1) | ES2909135T3 (ru) |
HK (1) | HK1258178A1 (ru) |
PL (1) | PL3399909T3 (ru) |
PT (1) | PT3399909T (ru) |
RU (1) | RU2732435C2 (ru) |
SG (1) | SG11201805352QA (ru) |
TW (1) | TWI745321B (ru) |
WO (1) | WO2017118733A1 (ru) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11615285B2 (en) | 2017-01-06 | 2023-03-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | Generating and identifying functional subnetworks within structural networks |
CN108523907B (zh) * | 2018-01-22 | 2021-07-16 | 上海交通大学 | 基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统 |
US11663478B2 (en) | 2018-06-11 | 2023-05-30 | Inait Sa | Characterizing activity in a recurrent artificial neural network |
US11893471B2 (en) | 2018-06-11 | 2024-02-06 | Inait Sa | Encoding and decoding information and artificial neural networks |
US11972343B2 (en) | 2018-06-11 | 2024-04-30 | Inait Sa | Encoding and decoding information |
KR20240132122A (ko) | 2018-09-05 | 2024-09-02 | 젠팅 타우알엑스 다이어그노스틱 센터 에스디엔 비에이치디 | 신경퇴행성 질환에 대한 네트워크 방법 |
WO2020206466A1 (en) * | 2019-03-07 | 2020-10-08 | Wismuller Axel W E | Method and device for determining a measure of causal influence between components of complex systems |
US11569978B2 (en) | 2019-03-18 | 2023-01-31 | Inait Sa | Encrypting and decrypting information |
US11652603B2 (en) | 2019-03-18 | 2023-05-16 | Inait Sa | Homomorphic encryption |
EP3952745A1 (en) * | 2019-04-10 | 2022-02-16 | Genting Taurx Diagnostic Centre SDN BHD | Adaptive neurological testing method |
US10706104B1 (en) * | 2019-07-25 | 2020-07-07 | Babylon Partners Limited | System and method for generating a graphical model |
US11580401B2 (en) | 2019-12-11 | 2023-02-14 | Inait Sa | Distance metrics and clustering in recurrent neural networks |
US11797827B2 (en) | 2019-12-11 | 2023-10-24 | Inait Sa | Input into a neural network |
US11651210B2 (en) | 2019-12-11 | 2023-05-16 | Inait Sa | Interpreting and improving the processing results of recurrent neural networks |
US11816553B2 (en) | 2019-12-11 | 2023-11-14 | Inait Sa | Output from a recurrent neural network |
CN112244870B (zh) * | 2020-09-24 | 2022-02-22 | 杭州电子科技大学 | 基于符号化排列传递熵的癫痫脑电双向耦合分析方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7415305B2 (en) * | 2004-10-01 | 2008-08-19 | The Trustees Of Columbia University In The City Of New York | Method for the spatial mapping of functional brain electrical activity |
US9480402B2 (en) * | 2011-11-11 | 2016-11-01 | Washington University | System and method for task-less mapping of brain activity |
US8977029B2 (en) * | 2012-08-24 | 2015-03-10 | Siemens Aktiengesellschaft | Method and system for multi-atlas segmentation of brain computed tomography image data |
TWI503103B (zh) * | 2013-04-12 | 2015-10-11 | Inst Nuclear Energy Res | A method of stimulating the formation of brain cognitive response images |
TW201521676A (zh) * | 2013-12-13 | 2015-06-16 | Nat Inst Chung Shan Science & Technology | 一種使用類神經網路產生判斷麻醉意識清醒程度指標的方法 |
US9107595B1 (en) * | 2014-09-29 | 2015-08-18 | The United States Of America As Represented By The Secretary Of The Army | Node excitation driving function measures for cerebral cortex network analysis of electroencephalograms |
CN104715150A (zh) * | 2015-03-19 | 2015-06-17 | 上海海事大学 | 一种基于复杂网络的偏头痛患者大脑皮层的辅助分类分析方法 |
-
2016
- 2016-12-09 TW TW105140819A patent/TWI745321B/zh active
-
2017
- 2017-01-06 US US16/068,468 patent/US11006830B2/en active Active
- 2017-01-06 CA CA3009874A patent/CA3009874A1/en active Pending
- 2017-01-06 KR KR1020187021565A patent/KR20180100154A/ko not_active Application Discontinuation
- 2017-01-06 PL PL17700316T patent/PL3399909T3/pl unknown
- 2017-01-06 CN CN201780006138.4A patent/CN108463165B/zh active Active
- 2017-01-06 DK DK17700316.7T patent/DK3399909T3/da active
- 2017-01-06 ES ES17700316T patent/ES2909135T3/es active Active
- 2017-01-06 AU AU2017205100A patent/AU2017205100B2/en active Active
- 2017-01-06 JP JP2018554624A patent/JP6926117B2/ja active Active
- 2017-01-06 EP EP17700316.7A patent/EP3399909B1/en active Active
- 2017-01-06 SG SG11201805352QA patent/SG11201805352QA/en unknown
- 2017-01-06 RU RU2018128580A patent/RU2732435C2/ru active
- 2017-01-06 PT PT177003167T patent/PT3399909T/pt unknown
- 2017-01-06 WO PCT/EP2017/050269 patent/WO2017118733A1/en active Application Filing
-
2019
- 2019-01-14 HK HK19100535.1A patent/HK1258178A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2017118733A1 (en) | 2017-07-13 |
PL3399909T3 (pl) | 2022-06-20 |
DK3399909T3 (da) | 2022-03-21 |
SG11201805352QA (en) | 2018-07-30 |
US11006830B2 (en) | 2021-05-18 |
TW201725519A (zh) | 2017-07-16 |
EP3399909A1 (en) | 2018-11-14 |
RU2732435C2 (ru) | 2020-09-16 |
US20190021594A1 (en) | 2019-01-24 |
AU2017205100B2 (en) | 2021-05-27 |
CN108463165A (zh) | 2018-08-28 |
PT3399909T (pt) | 2022-03-24 |
ES2909135T3 (es) | 2022-05-05 |
CA3009874A1 (en) | 2017-07-13 |
KR20180100154A (ko) | 2018-09-07 |
CN108463165B (zh) | 2021-08-24 |
HK1258178A1 (zh) | 2019-11-08 |
AU2017205100A1 (en) | 2018-07-26 |
TWI745321B (zh) | 2021-11-11 |
JP6926117B2 (ja) | 2021-08-25 |
RU2018128580A3 (ru) | 2020-04-09 |
JP2019507450A (ja) | 2019-03-14 |
EP3399909B1 (en) | 2022-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2018128580A (ru) | Способ и система для определения соединений в сети | |
US11538588B2 (en) | Atrial fibrillation signal recognition method, apparatus and device | |
JP2014525787A5 (ru) | ||
JP2004514493A5 (ru) | ||
CN108324271B (zh) | 心电信号识别方法、系统和心电监测设备 | |
JP2015510810A5 (ru) | ||
JP2020525146A5 (ru) | ||
RU2016151983A (ru) | Уменьшение артефактов движения с помощью многоканальных сигналов ФПГ | |
JP2020512860A5 (ru) | ||
JP7562745B2 (ja) | 脳波(eeg)の非線形性の変化に基づく発作検出システム及び方法 | |
CN107169424B (zh) | 基于人工神经网络的房颤检测方法 | |
CN105722457A (zh) | 用于确定呼吸率的方法和系统 | |
JP2018518154A5 (ru) | ||
RU2016117598A (ru) | Устройство и способ оценки многоканальных электрокардиографических сигналов | |
JP2016518166A5 (ru) | ||
JP2017536919A5 (ru) | ||
CN112568868B (zh) | 针对癫痫模型电生理信号的自动量化分析方法及装置 | |
CN114652324B (zh) | 一种单心拍分类方法、装置、设备及计算机可读存储介质 | |
Sapoznikov et al. | Detection of regularities in heart rate variations by linear and non-linear analysis: power spectrum versus approximate entropy | |
CN109102143B (zh) | 一种产量监测方法及装置 | |
Swami et al. | Locating ictal activities over human scalp with automated detection using EEG signals | |
TW201505607A (zh) | 心電圖學訊號擷取方法 | |
CN107170467B (zh) | 一种基于Lempel-Ziv复杂度的异常心音识别方法 | |
US11439320B2 (en) | Biological-sound analysis device, biological-sound analysis method, program, and storage medium | |
Aktaruzzaman et al. | Sample entropy parametric estimation for heart rate variability analysis |