RU2332160C1 - Method of human and animal encephalogram examination - Google Patents

Method of human and animal encephalogram examination Download PDF

Info

Publication number
RU2332160C1
RU2332160C1 RU2007102731/14A RU2007102731A RU2332160C1 RU 2332160 C1 RU2332160 C1 RU 2332160C1 RU 2007102731/14 A RU2007102731/14 A RU 2007102731/14A RU 2007102731 A RU2007102731 A RU 2007102731A RU 2332160 C1 RU2332160 C1 RU 2332160C1
Authority
RU
Russia
Prior art keywords
wavelet
formula
power density
encephalogram
frequency
Prior art date
Application number
RU2007102731/14A
Other languages
Russian (ru)
Inventor
Ярослав Александрович Туровский (RU)
Ярослав Александрович Туровский
гаев Сергей Александрович Запр (RU)
Сергей Александрович Запрягаев
Сергей Дмитриевич Кургалин (RU)
Сергей Дмитриевич Кургалин
Original Assignee
Государственное образовательное учреждение высшего профессионального образования "Воронежский государственный университет"
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Государственное образовательное учреждение высшего профессионального образования "Воронежский государственный университет" filed Critical Государственное образовательное учреждение высшего профессионального образования "Воронежский государственный университет"
Priority to RU2007102731/14A priority Critical patent/RU2332160C1/en
Application granted granted Critical
Publication of RU2332160C1 publication Critical patent/RU2332160C1/en

Links

Images

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

FIELD: medicine.
SUBSTANCE: encephalogram is registered and undergoes spectral analysis by the method of continuous wavelet transformation. Frequency power of the encephalogram a is defined at a time moment b by the formula
Figure 00000003
where W (a, b) is a wavelet transformation rate; f (t) is the analysed function; ψ((t-b)/a) is the analysing wavelet. Scalograms based on the wavelet rates are drawn at a parting of [bi, bj] by the formula
Figure 00000004
where V(a1) is a signal scalogram; N is the number of rates; a1 is the wavelet transformation scale. Physiologically relevant frequency ranges are selected at the scalograms on the basis of distance between adjacent local minimums on the scalogram curve. Wavelet power density U for each frequency range and specific wavelet power density are defined.
EFFECT: detection of additional encephalogram parameters with account to individual features of a patient.
1 ex, 2 dwg

Description

Изобретение относится к медицине, а именно неврологии, психиатрии, нормальной физиологии, патологической физиологии.The invention relates to medicine, namely to neurology, psychiatry, normal physiology, pathological physiology.

Известные способы изучения электроэнцефалограммы человека и животных (ЭЭГ) включают в себя регистрацию электрической активности головного мозга с поверхности кожи головы и последующую обработку полученных результатов измерения рядом методов.Known methods for studying human and animal electroencephalograms (EEGs) include recording the electrical activity of the brain from the surface of the scalp and subsequent processing of the measurement results by a number of methods.

Одними из наиболее распространенных методов анализа ЭЭГ являются группа частотных методов, включающая в себя различные варианты преобразования Фурье, авторегрессионный анализ, и ряд других алгоритмов (Зенков Л.Р. Клиническая электроэнцефалография с элементами эпилептологии. Издательство: МЕДпресс-информ, 2004). К недостаткам данных методов относится то, что они предусматривают усреднение полученных показателей на всем отрезке, подвергаемом анализу. Вследствие этого регистрация изменений ЭЭГ представляется затруднительным, поскольку спектр, полученный в результате анализа, представляет собой суперпозицию спектров полученных при различных состояниях человека. Кроме того, при применении данных методов исследуемый сигнал разбивается на ряд последовательных фрагментов - эпох анализа, в каждой из которых происходит расчет параметров спектра. Подобный алгоритм в случае применения преобразования Фурье представляет собой хорошо известной оконное преобразование Фурье. Однако оконное преобразование Фурье имеет одно и то же разрешение по времени и частоте для всех точек плоскости преобразования (Н.М.Астафьева, Успехи физических наук т.166, №11, 1996 г., С.1145-1170, с.1150), что делает применение этого метода для исследования временной динамики ЭЭГ при нестационарных процессах малоинформативным.One of the most common methods of EEG analysis is a group of frequency methods, which includes various options for the Fourier transform, autoregressive analysis, and a number of other algorithms (Zenkov LR Clinical electroencephalography with elements of epileptology. Publisher: MEDpress-inform, 2004). The disadvantages of these methods include the fact that they provide for the averaging of the obtained indicators over the entire interval subjected to analysis. As a result, the registration of EEG changes seems difficult, since the spectrum obtained as a result of the analysis is a superposition of the spectra obtained under various human conditions. In addition, when applying these methods, the signal under investigation is divided into a number of consecutive fragments - epochs of analysis, in each of which the calculation of the spectrum parameters is performed. A similar algorithm when applying the Fourier transform is a well-known window Fourier transform. However, the window Fourier transform has the same resolution in time and frequency for all points of the transformation plane (N.M. Astafyeva, Uspekhi Fizicheskikh Nauk t.166, No. 11, 1996, S.1145-1170, p.1150) , which makes the application of this method to study the temporal dynamics of EEG in unsteady processes uninformative.

Другой особенностью анализа результатов спектрального анализа ЭЭГ данными методами является выделение жестких частотных диапазонов, в которых в дальнейшем и проводится анализ. В настоящее время выделяют следующие частотные диапазоны:Another feature of the analysis of the results of spectral analysis of EEG by these methods is the allocation of hard frequency ranges in which further analysis is carried out. Currently, the following frequency ranges are distinguished:

Δ (дельта) - ритм 0,5-3 Гц, амплитуда выше 40 мкВ; θ (тета) - ритм 4-7 Гц, амплитуда выше 40 мкВ;

Figure 00000005
(альфа) - ритм 8-13 (14) Гц, амплитуда до 100 мкВ; β (бета) - ритм 14-40 Гц, амплитуда до 15 мкВ; γ - ритм (высокочастотный β - ритм) - выше 40 Гц (Гнездицкий В.В. Обратная задача ЭЭГ и клиническая электроэнцефалография (картирование и локализация источников электрической активности мозга). М.: МедПресс, 2004, 624 с.; Николаев А.Р. Исследование корковых взаимодействий в коротких интервалах времени при поиске вербальных ассоциаций / А.Р.Николаев, Г.А.Иваницкий, A.M.Иваницкий // Журнал высшей нервной деятельности. - 2000. - Т.50, №1. - С.44-61).Δ (delta) - the rhythm of 0.5-3 Hz, the amplitude above 40 μV; θ (theta) - rhythm of 4-7 Hz, amplitude above 40 μV;
Figure 00000005
(alpha) - rhythm 8-13 (14) Hz, amplitude up to 100 μV; β (beta) - rhythm of 14-40 Hz, amplitude up to 15 μV; γ-rhythm (high-frequency β-rhythm) - above 40 Hz (Gnezditsky VV The inverse problem of EEG and clinical electroencephalography (mapping and localization of sources of electrical activity of the brain). M: MedPress, 2004, 624 p .; Nikolaev A.R The study of cortical interactions in short time intervals when searching for verbal associations / A.R.Nikolaev, G.A. Ivanitsky, AMIvanitsky // Journal of Higher Nervous Activity. - 2000. - T.50, No. 1. - P.44-61 )

Каждый из этих ритмов имеет свое функциональное значения и может присутствовать как в норме, так и при патологии.Each of these rhythms has its own functional meaning and can be present both in normal and in pathology.

Выделение жестких частотных диапазонов не позволяет учитывать индивидуальные особенности распределения частотных спектров и выявлять малые по амплитуде ритмические активности, что снижает точность и информативность способа исследования электроэнцефалограммы человека и животных.The allocation of hard frequency ranges does not allow to take into account the individual characteristics of the distribution of frequency spectra and to identify small amplitude rhythmic activities, which reduces the accuracy and information content of the method of studying the electroencephalogram of humans and animals.

Задачей предлагаемого изобретения является улучшение оценки электроэнцефалограммы человека и животных в различных функциональных состояниях.The task of the invention is to improve the assessment of electroencephalograms of humans and animals in various functional states.

Технический результат заключается в увеличении точности и информативности способа исследования ЭЭГ человека и животных в различных функциональных состояниях.The technical result consists in increasing the accuracy and information content of the method for studying human and animal EEG in various functional states.

Технический результат достигается тем, что способ исследования электроэнцефалограммы человека и животных включает регистрацию ЭЭГ и дальнейший ее спектральный анализ методом непрерывного вейвлет-преобразования, в котором определяют мощность частоты электроэнцефалограммы а в момент времени b по формулеThe technical result is achieved by the fact that the method of studying the electroencephalogram of humans and animals includes recording the EEG and its further spectral analysis by the method of continuous wavelet transform, in which the power of the frequency of the electroencephalogram a at time b is determined by the formula

Figure 00000006
, a b∈R, a>0,
Figure 00000006
, ab∈R, a> 0,

где W(a,b) - коэффициент вейвлетного преобразования; f(t) - анализируемая функция; ψ((t-b)/a) - анализирующий вейвлет;where W (a, b) is the wavelet transform coefficient; f (t) is the analyzed function; ψ ((t-b) / a) - analyzing wavelet;

построение на основе матрицы вейвлетных коэффициентов скейлограмм на отрезке [bi, bj] по формулеbuilding on the basis of the matrix of wavelet coefficients of scaleograms on the segment [b i , b j ] according to the formula

Figure 00000007
, i,j<N, j>1,
Figure 00000007
, i, j <N, j> 1,

где V(a1) - скейлограмма сигнала; N - количество коэффициентов; a1 - масштаб вейвлетного преобразования;where V (a 1 ) is the signal scaleogram; N is the number of coefficients; a 1 is the scale of the wavelet transform;

выделение на скейлограммах физиологически значимых частотных диапазонов исходя из расстояний между соседними локальными минимумами на кривой скейлограммы по формуле:the selection on physiograms of physiologically significant frequency ranges based on the distances between adjacent local minima on the curve of the scaleogram according to the formula:

Δа=аm-аn Δa = a m -a n

где Δа - физиологически значимый диапазон, аm, аn - соседние локальные минимумы на кривой скейлограммы;where Δа is a physiologically significant range, and m , and n are neighboring local minima on the curveogram;

определение значения вейвлетной плотности мощности (ВПМ) U в каждом из частотных диапазонов Δа=[аm,аn] по формулеdetermination of the value of the wavelet power density (VPM) U in each of the frequency ranges Δа = [а m , а n ] by the formula

Figure 00000008
Figure 00000008

определение изменения вейвлетной плотности мощности во времени как U(t);determination of the change in wavelet power density in time as U (t);

определение изменения частотных диапазонов во времени как Δa(t);determining the change in frequency ranges over time as Δa (t);

определение значения удельной вейвлетной плотности мощности U′ во времени по формуле:determination of the value of the specific wavelet power density U ′ in time by the formula:

U′=U(t)/Δa(t)U ′ = U (t) / Δa (t)

которая отражает динамику изменения активности различных генераторов ЭЭГ на коротких промежутках времени.which reflects the dynamics of changes in the activity of various EEG generators over short periods of time.

Скейлограммы («энергетические» диаграммы), строятся на основе матрицы вейвлет-коэффициентов, заданные как среднее квадратов коэффициентов W(a,b) при фиксированном параметре а на отрезке [bi,bj]. Являясь функцией масштаба, скейлограмма отражает ту же информацию, что и спектральная плотность мощности Фурье, являющаяся функцией от частоты. Как известно, вейвлет-преобразование имеет преимущество прежде всего за счет свойства частотно-временной локализации вейвлетов. Вейвлет-преобразование, представляющее собой временную развертку спектра, позволяет получить и более локализованную во времени энергетическую информацию. Энергетические диаграммы (скейлограммы) строятся на кратковременных (порядка 0,01 секунд при частоте дискретизации в 5000 Гц) отрезках, что позволяет отслеживать временную динамику процесса.Scaleograms (“energy” diagrams) are constructed on the basis of the matrix of wavelet coefficients, given as the average of the squares of the coefficients W (a, b) with a fixed parameter a on the segment [b i , b j ]. As a function of scale, the scaleogram reflects the same information as the spectral density of the Fourier power, which is a function of frequency. As you know, wavelet transform has an advantage primarily due to the property of the time-frequency localization of wavelets. The wavelet transform, which is a temporary sweep of the spectrum, allows one to obtain more localized energy information in time. Energy diagrams (scalegrams) are built on short-term (about 0.01 seconds at a sampling frequency of 5000 Hz) segments, which allows you to track the temporal dynamics of the process.

На скейлограммах выделяют локальные спектры и физиологически значимые частотные диапазоны Δа, которые рассчитывают исходя из расстояний между локальными минимумами аm, аn, связанными с различными типами механизмов регуляции ВСР человека. При этом при выявлении трех наиболее значимых диапазонов определяются два наиболее выраженных минимума, при четырех - три и т.д...Local spectra and physiologically significant frequency ranges Δа, which are calculated on the basis of the distances between local minima a m , a n , associated with various types of mechanisms for regulating human HRV, are distinguished on the skylograms. Moreover, when identifying the three most significant ranges, the two most pronounced minimums are determined, with four - three, etc.

Суммарное значение вейвлетной плотности мощности U отражает суммарную активность нервного центра и определяется в каждом из частотных диапазонов Δа=[аm,аn].The total value of the wavelet power density U reflects the total activity of the nerve center and is determined in each of the frequency ranges Δа = [а m , а n ].

Удельная вейвлетная плотность мощности U′ характеризует удельную выраженность активного нервного центра и отражает процессы изменения во времени вклада нервных центров, генерирующих определенные частоты в общую картину ЭЭГ. Выделение физиологически значимых диапазонов между локальными минимумами на кривой скейлограммы, связанных с различными ЭЭГ ритмами, оценка данного параметра позволяют выявить даже малые по амплитуде ритмические активности на различных этапах онтогенеза в норме и патологии как в покое, так и при переходных процессах, что качественным образом повышает информативность и точность способа оценки ЭЭГ. Введение временной оценки удельной вейвлетной плотности мощности позволяет описать динамику изменения активности генераторов различных ритмов ЭЭГ в покое на коротких промежутках времени.The specific wavelet power density U ′ characterizes the specific severity of the active nerve center and reflects the processes of change in time of the contribution of nerve centers generating certain frequencies to the overall EEG picture. Isolation of physiologically significant ranges between local minima on the curveogram curve associated with various EEG rhythms, assessment of this parameter allow even small amplitude rhythmic activities to be detected at various stages of ontogenesis in normal and pathological conditions both at rest and during transient processes, which qualitatively increases informativeness and accuracy of the method of EEG assessment. The introduction of a temporary estimate of the specific wavelet power density allows one to describe the dynamics of changes in the activity of generators of various EEG rhythms at rest for short periods of time.

На фиг.1 представлена спектральная плотность мощности ЭЭГ человека. Отведение O1. По оси абсцисс - частота, Гц. По оси ординат - спектральная плотность мощности, мВ2/Гц.Figure 1 shows the spectral power density of human EEG. Lead O1. The abscissa shows the frequency, Hz. The ordinate axis is the spectral power density, mV 2 / Hz.

На фиг.2 представлена вейвлет-диаграмма ЭЭГ, отведение О1. По оси абсцисс время (единица записи - 1 секунда). По оси ординат масштаб (величина, обратная частоте). Серые многоугольники в области α ритма соответствуют областям с наиболее выраженной амплитудой этого ритма. Серыми ломаными линиями показаны границы частотных диапазонов рассчитанных согласно изобретению.Figure 2 presents the wavelet diagram of the EEG, lead O1. The abscissa axis shows time (the recording unit is 1 second). The scale along the ordinate axis (the reciprocal of the frequency). The gray polygons in the region of the α rhythm correspond to the regions with the most pronounced amplitude of this rhythm. Gray broken lines indicate the boundaries of the frequency ranges calculated according to the invention.

Пример.Example.

Испытуемый Е. 20 лет. ЭЭГ монополярное отведение, частота дискретизации 5000 Гц. Показатели спектрального анализа по Фурье Δ ритм мВ∧2=10377, θ ритм мВ∧2=7695, α ритм мВ∧2=1624, β ритм, мВ∧2=1057.Subject E. 20 years. EEG monopolar lead, sampling frequency 5000 Hz. Fourier spectral analysis indicators Δ rhythm mV ∧ 2 = 10377, θ rhythm mV ∧ 2 = 7695, α rhythm mV ∧ 2 = 1624, β rhythm, mV ∧ 2 = 1057.

Вейвлет-преобразование: непрерывное вейвлет-преобразование, вейвлет morlet, максимальный масштаб 2000, временное усреднение при построении скейлограмм 0,01 с. Значения ВПМ рассчитываются в частотных диапазонах между минимумами на каждой скейлограмме.Wavelet transform: continuous wavelet transform, morlet wavelet, maximum scale of 2000, time averaging when building scaleograms of 0.01 s. VPM values are calculated in the frequency ranges between the minima on each scaleogram.

Из данных, приведенных на фиг.1, видно, что частоты локальных максимумов и локальных минимумов постоянно изменяются и, следовательно, константная граница частотных диапазонов не отражает истинных характеристик процесса.From the data shown in figure 1, it can be seen that the frequencies of local maxima and local minima are constantly changing and, therefore, the constant boundary of the frequency ranges does not reflect the true characteristics of the process.

Из данных, приведенных на фиг.2, видно, что при проведении разделения частотных диапазонов согласно предложенному изобретению диапазоны не постоянны, а изменяются в достаточно широких пределах.From the data shown in figure 2, it is seen that when the separation of the frequency ranges according to the proposed invention, the ranges are not constant, but vary over a wide range.

Claims (1)

Способ исследования электроэнцефалограммы человека и животных, заключающийся в регистрации электроэнцефалограммы и ее дальнейшем спектральном анализе методом непрерывного вейвлет-преобразования, включающем определение мощности частоты электроэнцефалограммы а в момент времени b по формулеA method for studying the electroencephalogram of humans and animals, which consists in recording the electroencephalogram and its further spectral analysis by the continuous wavelet transform method, which includes determining the power of the frequency of the electroencephalogram a at time b by the formula
Figure 00000009
, b∈R, a>0,
Figure 00000009
, b∈R, a> 0, где W(a, b) - коэффициент вейвлетного преобразования; f (t) - анализируемая функция; ψ((t-b)/a) - анализирующий вейвлет; построение на основе вейвлетных коэффициентов скейлограмм на отрезке [bi, bj] по формулеwhere W (a, b) is the wavelet transform coefficient; f (t) is the analyzed function; ψ ((tb) / a) - analyzing wavelet; building on the basis of wavelet coefficients of scaleograms on the segment [b i , b j ] according to the formula
Figure 00000010
, i,j<N, j>1,
Figure 00000010
, i, j <N, j> 1, где V(a1) - скейлограмма сигнала; N - количество коэффициентов; a1 -масштаб вейвлетного преобразования;where V (a 1 ) is the signal scaleogram; N is the number of coefficients; a 1 is the wavelet transform scale; выделение на скейлограммах физиологически значимых частотных диапазонов, исходя из расстояний между соседними локальными минимумами на кривой скейлограммы по формулеthe selection on physiograms of physiologically significant frequency ranges based on the distances between adjacent local minima on the curve of the scaleogram according to the formula Δa=am-an,Δa = a m -a n , где Δа - физиологически значимый диапазон, аm, аn - соседние локальные минимумы на кривой скейлограммы;where Δа is a physiologically significant range, and m , and n are neighboring local minima on the curveogram; определение значения вейвлетной плотности мощности U в каждом из частотных диапазонов Δа=[аm,аn] осуществляется по формулеdetermination of the value of the wavelet power density U in each of the frequency ranges Δа = [a m , a n ] is carried out according to the formula
Figure 00000011
Figure 00000011
 определение изменения вейвлетной плотности мощности во времени как U(t);determination of the change in wavelet power density in time as U (t); определение изменения частотных диапазонов во времени как Δa(t);determining the change in frequency ranges over time as Δa (t); определение значения удельной вейвлетной плотности мощности U' во времени по формулеdetermination of the value of the specific wavelet power density U 'in time by the formula U′=U(t)/Δa(t).U ′ = U (t) / Δa (t).
RU2007102731/14A 2007-01-24 2007-01-24 Method of human and animal encephalogram examination RU2332160C1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2007102731/14A RU2332160C1 (en) 2007-01-24 2007-01-24 Method of human and animal encephalogram examination

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2007102731/14A RU2332160C1 (en) 2007-01-24 2007-01-24 Method of human and animal encephalogram examination

Publications (1)

Publication Number Publication Date
RU2332160C1 true RU2332160C1 (en) 2008-08-27

Family

ID=46274377

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2007102731/14A RU2332160C1 (en) 2007-01-24 2007-01-24 Method of human and animal encephalogram examination

Country Status (1)

Country Link
RU (1) RU2332160C1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2467384C1 (en) * 2011-06-28 2012-11-20 Андрей Борисович Степанов Method of analysing electroencephalogram
RU2543275C2 (en) * 2012-12-14 2015-02-27 Ярослав Александрович Туровский Method for studying human's and animal's electroencephalograms
RU2584086C2 (en) * 2014-04-17 2016-05-20 Федеральное государственное бюджетное образовательное учреждение высшего образования Иркутский государственный университет путей сообщения (ФГБОУ ВО ИрГУПС) Method for three-dimensional localisation of sources of electroencephalogram
RU2655133C2 (en) * 2014-02-13 2018-05-23 Артур ШУЛЬТЦ Method of the absentia eeg automatic evaluation, computer software and evaluation device for this
RU2717213C1 (en) * 2019-07-18 2020-03-18 Общество с ограниченной ответственностью «Битроникс» Method of controlling devices by means of processing eeg signals

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
КУБЛАНОВ В.С. Применение методологии вейвлет-анализа при функциональных исследованиях головного мозга, 2001, Биомед. технологии и радиоэлектроника, № 11, с.14-20. ДРЕМИН И.М. и др. Вейвлеты и их использование. Успехи физических наук, 2001, т.171, № 5, с.564-601. LAUBACH M. Wavelet-based processing of neuronal spike trains prior to discriminantanalysis, J. Neurosci. Methods, 2004, v.134, pp.159-168. *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2467384C1 (en) * 2011-06-28 2012-11-20 Андрей Борисович Степанов Method of analysing electroencephalogram
RU2543275C2 (en) * 2012-12-14 2015-02-27 Ярослав Александрович Туровский Method for studying human's and animal's electroencephalograms
RU2655133C2 (en) * 2014-02-13 2018-05-23 Артур ШУЛЬТЦ Method of the absentia eeg automatic evaluation, computer software and evaluation device for this
RU2584086C2 (en) * 2014-04-17 2016-05-20 Федеральное государственное бюджетное образовательное учреждение высшего образования Иркутский государственный университет путей сообщения (ФГБОУ ВО ИрГУПС) Method for three-dimensional localisation of sources of electroencephalogram
RU2717213C1 (en) * 2019-07-18 2020-03-18 Общество с ограниченной ответственностью «Битроникс» Method of controlling devices by means of processing eeg signals

Similar Documents

Publication Publication Date Title
Chen et al. Removing muscle artifacts from EEG data: Multichannel or single-channel techniques?
EP2498676B1 (en) Brain activity as a marker of disease
White et al. Efficient unsupervised algorithms for the detection of seizures in continuous EEG recordings from rats after brain injury
Tzallas et al. Automatic seizure detection based on time‐frequency analysis and artificial neural networks
Islam et al. EEG mobility artifact removal for ambulatory epileptic seizure prediction applications
Caplan et al. Distinguishing rhythmic from non-rhythmic brain activity during rest in healthy neurocognitive aging
Ujma et al. Individual slow-wave morphology is a marker of aging
Simpson et al. Objective response detection in an electroencephalogram during somatosensory stimulation
WO2013063053A1 (en) Method of building classifiers for real-time classification of neurological states
RU2332160C1 (en) Method of human and animal encephalogram examination
JP6558786B1 (en) Method, computer system, and program for predicting target characteristics
Al-Nuaimi et al. Changes in the EEG amplitude as a biomarker for early detection of Alzheimer's disease
CN110942103A (en) Training method of classifier and computer-readable storage medium
Zoughi et al. A wavelet-based estimating depth of anesthesia
Wen et al. Hybrid approach of EEG stress level classification using K-means clustering and support vector machine
Goshvarpour et al. Affective visual stimuli: Characterization of the picture sequences impacts by means of nonlinear approaches
Ammar et al. Seizure detection with single-channel EEG using Extreme Learning Machine
Rahman et al. Comprehensive analysis of EEG datasets for epileptic seizure prediction
Karthikeyan et al. A study on mental arithmetic task based human stress level classification using discrete wavelet transform
Prucnal et al. Effect of feature extraction on automatic sleep stage classification by artificial neural network
Fattah et al. Evaluation of different time and frequency domain features of motor neuron and musculoskeletal diseases
Bandarabadi et al. Robust and low complexity algorithms for seizure detection
Zhang et al. Time-frequency component analysis of somatosensory evoked potentials in rats
Wan et al. A combined algorithm for T-wave alternans qualitative detection and quantitative measurement
Ben Mbarek et al. Automatic and manual prediction of epileptic seizures based on ECG

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20090125