CN102178514A - 一种基于非线性与复杂性多重指标的昏迷程度评价方法 - Google Patents
一种基于非线性与复杂性多重指标的昏迷程度评价方法 Download PDFInfo
- Publication number
- CN102178514A CN102178514A CN2011101185092A CN201110118509A CN102178514A CN 102178514 A CN102178514 A CN 102178514A CN 2011101185092 A CN2011101185092 A CN 2011101185092A CN 201110118509 A CN201110118509 A CN 201110118509A CN 102178514 A CN102178514 A CN 102178514A
- Authority
- CN
- China
- Prior art keywords
- coma
- complexity
- state
- patient
- signal
- 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
- 206010010071 Coma Diseases 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 210000004556 brain Anatomy 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 208000010513 Stupor Diseases 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 8
- 230000004424 eye movement Effects 0.000 claims description 7
- 208000007204 Brain death Diseases 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002618 waking effect Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000001915 proofreading effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 7
- 206010052770 Coma states Diseases 0.000 abstract description 3
- 238000005312 nonlinear dynamic Methods 0.000 abstract description 2
- 238000004393 prognosis Methods 0.000 abstract description 2
- 230000007012 clinical effect Effects 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 206010002091 Anaesthesia Diseases 0.000 description 2
- 230000037005 anaesthesia Effects 0.000 description 2
- 210000004958 brain cell Anatomy 0.000 description 2
- 210000003169 central nervous system Anatomy 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010014357 Electric shock Diseases 0.000 description 1
- 206010019345 Heat stroke Diseases 0.000 description 1
- 101100128278 Mus musculus Lins1 gene Proteins 0.000 description 1
- 208000005374 Poisoning Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 208000008445 altitude sickness Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000013383 initial experiment Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于非线性与复杂性多重指标的昏迷程度评价方法,监测患者昏迷时的大脑状态,可以实现连续的昏迷深度监测和昏迷阶段分级及预警。此方法通过对昏迷脑电信号采用非线性动力学分析方法提取复杂度、李氏指数、近似熵和相关维数等多种复杂性指标,结合传统的GOS、GCS评分***,得到综合的昏迷状态指数。再通过临床实验得到各参数间的相关性系数,并以临床效果为基础建立昏迷状态分级数据库,确定参数融合系数,最终建立完善的意识状态分级评价指数,指导昏迷病人的救治以及把握预后。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种在昏迷状态下的脑电信号(EEG)的特征提取和信息融合技术。
背景技术
昏迷是意识障碍的最严重阶段,是大脑皮层和皮层下神经结构发生高度抑制的一种状态。临床上表现为意识清晰度极度降低,对外界刺激无反应,程度较轻者防御反射及生命体征可以存在,严重者消失。昏迷既可由中枢神经***病变引起(占70%),又可以是全身性疾病的后果,如急性感染性疾病、内分泌及代谢障碍、心血管疾病、中毒及电击、中暑、高原病等均可引起昏迷。
对于昏迷程度分级,目前应用最广的是格拉斯哥昏迷指数(GCS, Glasgow Coma Scale)。此指数是由格拉斯哥大学的两位神经外科教授Graham Teasdale与Bryan J. Jennett在1974年所发表。通过医护人员对患者作若干的语言及肢体测试,以患者的应答结果作为分级的基础。但是传统的GCS、GOS评分体系需要患者的主动应答,易受到患者、医护人员的主观、客观因素干扰,缺乏稳定性和准确性。
脑电信号(EEG)反映脑细胞群自发而有节律的电活动,一般用波幅、频率和相位等特征来描述。脑电数字化分析已广泛应用于大脑皮层功能的临床监测, 比如癫痫、脑外伤、脑血管疾病、麻醉深度、睡眠深度监测等,以及部分精神科疾病如精神***症、老年痴呆症的辅助诊断中。但应用于昏迷患者的昏迷深度的监测仍处于探索和试验阶段。
根据现有脑神经生理学EEG产生机制的研究,EEG信号起源于一个高度的非线性***,不仅在中枢神经***每个分层发现许多的反馈环路,而且单个神经元自身也表现出高度非线性因素。在神经细胞膜上可以观察到混沌行为,神经放电转化遵循分叉规律,而混沌和分叉行为属于非线性科学的范畴。因此EEG信号是大量神经细胞的非线性耦合,是一个高度非线性多单元连接的复合体,EEG活动具有确定性混沌特性,大脑是复杂、自组织的非线性动力学***。
在分析脑电信号时,复杂性度量和非线性方法相较于传统的时频域分析方法,有着独特的优势。因此,在昏迷状态监测中,该项目计划使用复杂性及非线性分析方法,提取脑电信号中的复杂度、李亚普诺夫指数、近似熵和相关维数等多种指标,并结合临床的GCS、GOS评分***,以期更为准确和客观地反映脑电活动和昏迷状态之间的关系。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于非线性与复杂性多重指标的昏迷程度评价方法。
本发明的目的是通过以下技术方案来实现的:一种基于非线性与复杂性多重指标的昏迷程度评价方法,该方法包括以下步骤:
(1)采集EEG信号;
(2)信号预处理:采用PCA方法进行眼电伪迹的去除,在患者完成眼动和眨眼任务时记录EEG和EOG信号,再计算出这些信号的主成分,作为眼动伪迹的主成分,然后从混合信号中去除该成分,得到校正后的信号;
(3)提取信号特征:以每256个样本点计算一次特征值,分别提取近似熵、复杂度、李亚普诺夫指数以及相关维数作为脑电信号的特征参数;
(4)昏迷状态指数融合:根据步骤(3)得到的特征参数序列,分别计算其两两间的序列相关性;将每一种特征参数按从清醒到脑死亡状态归一化为0至100的数字划分,具体规则如下:清醒状态=100,脑死亡状态=0,其余中间状态的初始值按照一次函数进行线性拟合;各特征序列的相关性系数,按其相关性大小(取绝对值)确定其权值 ,其中,,即该特征所占大脑状态指数的权重系数;初始相关性系数由清醒状态下脑电信号确定,待临床试验数据库建立后,以数据库样本为指导调整权重系数;然后将4种特征参数按照权重系数计算,得出最后的昏迷状态指数CSI,这里分别代表4种特征参数。
进一步地,所述步骤(4)中,所述临床试验数据库通过以下子步骤建立:
(A)临床病例样本采集:采集不同年龄、不同性别、不同致昏迷原因的患者病例,用相同的脑电信号采集方法,记录下患者相关信息以及脑电信号;
(B)建立对照数据库:根据步骤(1)的脑电信号,分别计算其特征融合系数,最后建立并完善数据库,确立不同年龄段、不同性别、不同致昏迷原因患者各自的融合系数。
本发明的有益效果是:对昏迷患者实施全程监护,最终得出的评判结果(0-100的昏迷状态指数,无标度数值)准确、客观,可实时监测患者的昏迷程度,且不需要患者的主动应答,受病人、医护人员的主观因素影响较小。便于医护人员根据患者的真实所处状态采取相应的治疗措施,以及预后康复的参考。
附图说明
图1为本发明的技术路线图;
图2为本发明的脑电信号采集示意图;
图3为本发明的近似熵算法流程图;
图4为本发明复杂度算法流程图;
图5 为本发明的相关维数的算法流程图;
图6 为本发明的CSI临床特征对照图表。
具体实施方式
人体组织细胞总是在自发地不断地产生着很微弱的生物电活动。利用在头皮上安放的电极将脑细胞的电活动引出来并经脑电图机放大后记录,即得出有一定波形、波幅、频率和位相的图形、曲线,即为脑电图。当脑组织发生病理或功能改变时,这种曲线即发生相应的改变,从而为临床诊断、治病提供依据。
各特征参数参数原理
近似熵(Approximate entropy , ApEn) 由Pincus于1991年首先提出。根据K氏熵的定义将近似熵定义为相似向量在由m维增加至m+l维时继续保持其相似性的条件概率。物理意义是当维数变化时时间序列中产生新模式的概率的大小,产生新模式的概率越大、序列越复杂。相应的近似熵也就越大。可用于有随机信号和确定信号组成的混合信号。
复杂度是由Lempel—Ziv提出的算法,在非线性科学研究中被广泛应用 。复杂度分析是一种非线性动力学分析方法,非常适合分析非平稳信号,而脑电正是一种非平稳信号。
Lyapunov指数是衡量***动力学特性的一个重要定量指标,它表征了***在相空间中相邻轨道间收敛或发散的平均指数率。假设***有n个李亚普诺夫指数,将他们按大小顺序排列起来,如,则称这些数组成的集合为李亚普诺夫指数谱,记为。其中被称为最大李亚普诺夫指数。目前关于计算LLE的方法很多,大体上可以分为两大类:Wolf法和Jacobian法。在1993年和1994年,Rosenstein等人和Kantz分别独立提出了一种稳健性的小数据量的计算方法,直接从李亚普诺夫指数的定义出发构造算法。
相空间重构理论:相空间重构方法首先是Takens和Packard提出来的,是目前使用最为广泛的方法,其理论基础是Takens重构定理。为了重构一个等价的状态空间,只需考虑***中一个变量的变化, 把单变量的数据映射为多维空间上的一个矢量点。这样,就可由单变量重构一个相空间,重构的相空间上的矢量点表现出具有与原真实空间相同的特性。混沌***的内在确定性使得其能收敛于特定的吸引子。表示这个吸引子分形几何特性的参数就是相关维数。
本发明基于非线性与复杂性多重指标的昏迷程度评价方法,包括以下步骤:
1、昏迷状态指数计算
1.1:EEG信号采集
采用通用的脑电图仪,在安静的环境中对患者头部安放电极,并使用目前临床上应用最多的国际脑电图学会建议采用的标准电极安放法,如图2所示。
初始实验时采用清醒人脑数据计算初始权值,采样频率为256HZ。
1.2:信号预处理
脑电信号也具有很高的时变敏感性,其信号极易被无关噪声污染,因此需严格按照标准的测量记录程序来尽可能地避免。
脑电信号幅度非常微弱,频率范围一般在0.5-50HZ。而在脑电测量中眨眼、眼球运动是难以避免的,这些运动会形成眼动伪迹(EOG),极易与脑电信号频率重叠,因此是脑电信号中主要的干扰噪声。
这里采用1993年Lins等人提出的PCA(主成分分析)方法进行眼电伪迹的去除。在患者完成眼动和眨眼任务时记录EEG和EOG信号,再计算出这些信号的主成分,作为眼动伪迹的主成分,然后从混合信号中去除该成分,得到校正后的信号。
1.3:信号特征提取
由于脑电信号的采集频率为256HZ,故我们以每256个样本点计算一次特征值。并按照下文所示方法分别提取近似熵、复杂度、李亚普诺夫指数以及相关维数作为脑电信号的特征参数。
近似熵算法(见图3)如下:
复杂度算法(见图4)简单、快速且易于实现,因此可以满足临床对麻醉深度实时监测的要求。
计算复杂度的第一步是对序列进行粗粒化处理,得到一个长度与原序列相同的符号序列,目前常见的有二值粗粒化与多值粗粒化方法 ,二值粗粒化的阈值通常选取研究序列的平均值。另外,也有学者提出了用不同的阈值搜索出复杂度的最大值作为该序列的复杂度指标的研究方法,或是针对基线飘移严重的序列,提出了采用拟合曲线为界的二值粗粒化方法,这些都是对二值粗粒化方法提出的改进。而多值粗粒化的分界值大都是取研究序列最小值与最大值之间的等值分割点。这种多值粗粒化方法算出的复杂度易受脉冲干扰数据的影响,导致对同一动力***采用不同的粗粒化段数计算出的复杂度进行分析时,所反映出的演化规律有时会存在差异,难以得到稳定而一致的结果。
计算复杂度的第二步是扫描粗粒化处理后的重构序列,按照特定的算法计数以前没有出现过的新子串,所有子串的数目即为复杂度的绝对值;将此值用随机信号的复杂度值(为序列长度)进行归一化,消除数据长度的影响,得到最后的复杂度。
在实际的计算中,为了避免粗粒化处理对原序列信息的影响,故采用复杂度的一种改进型计算方式:复杂度。
最大李亚普诺夫指数(LLE)的具体算法如下:对给定的混沌时间序列首先进行延时相空间重构,并搜索给定轨道熵每个点(即嵌入矢量)的最近邻域点,即,其中为时间序列平均周期,可以通过对时间序列的FFT估计得到。最大李亚普诺夫指数的几何意义是量化初始闭轨道的指数发散和估计***的总体混沌水平,据此有,两边取对数有:,由此可见,大致上等于上面这组直线的斜率,因此LLE可以通过最小二乘拟合者组织县的“平均斜率”而得到,即,这里表示对所有求平均。
相关维数具体算法(见图5):设已有标量时间时间序列,利用延时坐标法构造状态矢量,其中,称为延时时间(delay time),称为嵌入维数(Embedding dimension)。相空间重构的关键在所在就是确定和,而且,重构所选择的延时是与所选择的嵌入维数是独立的。
计算关联维数的GP 算法如下:在已知延时,嵌入维数时,关联积分表示的意义为重构后的相空间中距离小于标度的点对占所有点对的比例。当标度取得过大,所有点对的距离都不会超过,关联积分=1,这样的反应不了***的动态特性;取得过小,则几乎所有点对的距离都大于,也反映不了***的特性,因此标度有一定的范围限制。标度与关联积分之间有以下关系式成立:,变换得:,通常情况下,我们做出关联积分与标度的双对数曲线,即关联积分曲线图。把图中一段近似直线范围所对应的标度范围作为标度区,通过最小二乘法拟合该直线,直线的斜率就是所求的关联维数。
1.4:昏迷状态指数融合
根据上一步中计算所得的个特征参数序列,分别计算其两两间的序列相关性(-1到1,1代表完全正相关,-1代表完全负相关),
将每一种特征参数按从清醒到脑死亡状态归一化为0至100的数字划分,具体规则如下:清醒状态=100,脑死亡状态=0,其余中间状态的初始值按照一次函数进行线性拟合。
融合系数:各特征序列的相关性系数,按其相关性大小(取绝对值)确定其权值,其中,即该特征所占大脑状态指数的权重系数。初始相关性系数由清醒状态下脑电信号确定,待临床试验数据库(见第三部分)建立后,以数据库样本为指导调整权重系数。然后将4种特征参数按照权重系数计算,得出最后的昏迷状态指数CSI(coma state index),这里分别代表4种特征参数。
第二部分:临床检查分析
2.1:临床症状、体征
采用传统的格拉斯哥评分***检查患者睁眼、说话及运动反应等特征,得到格拉斯哥昏迷指数,作为昏迷状态指数的辅助指标之一。
2.2:其他辅助仪器检测
在整个脑电信号的采集过程中同时测量人体其他如脉搏、心跳、呼吸、血压等基本身体指标,分别记录下不同昏迷状态指数下的体征指标数值,作为昏迷状态指数的临床指标之一。
2.3:昏迷状态指数及其临床特征对照表
将前两步的临床特征检查,做为对不同昏迷状态指数临床体征的补充:即不同的昏迷状态指数下患者对应的GCS指数,对应的生命体征。见图6。
第三部分:分级数据库建立
3.1:临床病例样本采集
采集不同年龄、不同性别、不同致昏迷原因的患者病例,用相同的脑电信号采集方法(见1.1),记录下患者相关信息以及脑电信号。
3.2:建立对照数据库
根据以上昏迷状态下的脑电信号,分别计算其特征融合系数,最后建立并完善数据库,确立不同年龄段、不同性别、不同致昏迷原因患者各自的融合系数,以便在昏迷状态指数计算(见1.4)时采用。
Claims (2)
1.一种基于非线性与复杂性多重指标的昏迷程度评价方法,其特征在于,该方法包括以下步骤:
(1)采集EEG信号;
(2)信号预处理:采用PCA方法进行眼电伪迹的去除,在患者完成眼动和眨眼任务时记录EEG和EOG信号,再计算出这些信号的主成分,作为眼动伪迹的主成分,然后从混合信号中去除该成分,得到校正后的信号;
(3)提取信号特征:以每256个样本点计算一次特征值,分别提取近似熵、复杂度、李亚普诺夫指数以及相关维数作为脑电信号的特征参数;
2.根据权利要求1所述基于非线性与复杂性多重指标的昏迷程度评价方法,其特征在于,所述步骤(4)中,所述临床试验数据库通过以下子步骤建立:
(A)临床病例样本采集:采集不同年龄、不同性别、不同致昏迷原因的患者病例,用相同的脑电信号采集方法,记录下患者相关信息以及脑电信号;
(B)建立对照数据库:根据步骤(A)的脑电信号,分别计算其特征融合系数,最后建立并完善数据库,确立不同年龄段、不同性别、不同致昏迷原因患者各自的融合系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101185092A CN102178514A (zh) | 2011-05-09 | 2011-05-09 | 一种基于非线性与复杂性多重指标的昏迷程度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101185092A CN102178514A (zh) | 2011-05-09 | 2011-05-09 | 一种基于非线性与复杂性多重指标的昏迷程度评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102178514A true CN102178514A (zh) | 2011-09-14 |
Family
ID=44564928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101185092A Pending CN102178514A (zh) | 2011-05-09 | 2011-05-09 | 一种基于非线性与复杂性多重指标的昏迷程度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102178514A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102697493A (zh) * | 2012-05-03 | 2012-10-03 | 北京工业大学 | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 |
CN102813514A (zh) * | 2012-08-30 | 2012-12-12 | 杭州电子科技大学 | 一种基于对称导极的脑电信号分析方法 |
US20140163379A1 (en) * | 2012-03-09 | 2014-06-12 | Vladislav Bukhman | Method and system for detecting and assessing brain injuries using variability analysis of cerebral blood flow velocity |
CN103876736A (zh) * | 2014-04-11 | 2014-06-25 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电预测和诊断方法 |
CN104850827A (zh) * | 2015-04-23 | 2015-08-19 | 小米科技有限责任公司 | 指纹识别方法及装置 |
CN107292095A (zh) * | 2017-06-09 | 2017-10-24 | 北京工业大学 | 一种基于多尺度窗口为阈值的复杂度分析方法 |
CN107423682A (zh) * | 2017-06-09 | 2017-12-01 | 北京工业大学 | 一种非线性脑电信号的复杂度分析方法 |
CN107468260A (zh) * | 2017-10-12 | 2017-12-15 | 公安部南昌警犬基地 | 一种判断动物心理状态的脑电分析装置及分析方法 |
CN107616794A (zh) * | 2017-09-26 | 2018-01-23 | 北京师范大学 | 一种意识障碍大脑皮层状态检测***和方法 |
CN107851185A (zh) * | 2015-08-10 | 2018-03-27 | 皇家飞利浦有限公司 | 占用检测 |
CN108742606A (zh) * | 2018-06-25 | 2018-11-06 | 苏州大学 | 昏迷病人预后评价装置 |
CN109431499A (zh) * | 2018-12-12 | 2019-03-08 | 杭州师范大学 | 植物人家庭看护辅助***和辅助方法 |
CN109893125A (zh) * | 2019-03-18 | 2019-06-18 | 杭州电子科技大学 | 一种基于脑区信息交互的脑昏迷状态识别方法 |
CN109953757A (zh) * | 2017-12-14 | 2019-07-02 | 中国航天员科研训练中心 | 面向持续追踪控制与射击类任务脑力负荷实时监测方法 |
WO2019148557A1 (zh) * | 2018-01-30 | 2019-08-08 | 苏州大学 | 基于大脑血红蛋白信息的大脑功能状态评价装置 |
CN110269611A (zh) * | 2019-07-31 | 2019-09-24 | 上海诺诚电气股份有限公司 | 患者意识障碍程度监测、预警***及方法 |
CN110710956A (zh) * | 2019-10-21 | 2020-01-21 | 广州市花都区人民医院 | 一种昏迷患者的预后评估方法和评估*** |
RU2738583C1 (ru) * | 2020-05-13 | 2020-12-14 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Рязанский государственный медицинский университет имени академика И.П. Павлова" Министерства здравоохранения Российской Федерации | Способ диагностики фокальной эпилепсии на основе анализа электроэнцефалограммы |
CN112957017A (zh) * | 2021-03-24 | 2021-06-15 | 南通市第一人民医院 | 一种昏迷患者的实时体征监测方法及*** |
-
2011
- 2011-05-09 CN CN2011101185092A patent/CN102178514A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140163379A1 (en) * | 2012-03-09 | 2014-06-12 | Vladislav Bukhman | Method and system for detecting and assessing brain injuries using variability analysis of cerebral blood flow velocity |
CN102697493A (zh) * | 2012-05-03 | 2012-10-03 | 北京工业大学 | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 |
CN102813514A (zh) * | 2012-08-30 | 2012-12-12 | 杭州电子科技大学 | 一种基于对称导极的脑电信号分析方法 |
CN103876736A (zh) * | 2014-04-11 | 2014-06-25 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电预测和诊断方法 |
CN103876736B (zh) * | 2014-04-11 | 2017-01-18 | 北京工业大学 | 一种基于功率谱划分的复杂度谱脑电信号分类识别方法 |
CN104850827A (zh) * | 2015-04-23 | 2015-08-19 | 小米科技有限责任公司 | 指纹识别方法及装置 |
CN107851185A (zh) * | 2015-08-10 | 2018-03-27 | 皇家飞利浦有限公司 | 占用检测 |
CN107292095A (zh) * | 2017-06-09 | 2017-10-24 | 北京工业大学 | 一种基于多尺度窗口为阈值的复杂度分析方法 |
CN107423682A (zh) * | 2017-06-09 | 2017-12-01 | 北京工业大学 | 一种非线性脑电信号的复杂度分析方法 |
CN107616794A (zh) * | 2017-09-26 | 2018-01-23 | 北京师范大学 | 一种意识障碍大脑皮层状态检测***和方法 |
CN107468260A (zh) * | 2017-10-12 | 2017-12-15 | 公安部南昌警犬基地 | 一种判断动物心理状态的脑电分析装置及分析方法 |
CN109953757A (zh) * | 2017-12-14 | 2019-07-02 | 中国航天员科研训练中心 | 面向持续追踪控制与射击类任务脑力负荷实时监测方法 |
WO2019148557A1 (zh) * | 2018-01-30 | 2019-08-08 | 苏州大学 | 基于大脑血红蛋白信息的大脑功能状态评价装置 |
CN108742606A (zh) * | 2018-06-25 | 2018-11-06 | 苏州大学 | 昏迷病人预后评价装置 |
CN109431499B (zh) * | 2018-12-12 | 2021-07-30 | 杭州师范大学 | 植物人家庭看护辅助***和辅助方法 |
CN109431499A (zh) * | 2018-12-12 | 2019-03-08 | 杭州师范大学 | 植物人家庭看护辅助***和辅助方法 |
CN109893125A (zh) * | 2019-03-18 | 2019-06-18 | 杭州电子科技大学 | 一种基于脑区信息交互的脑昏迷状态识别方法 |
CN110269611A (zh) * | 2019-07-31 | 2019-09-24 | 上海诺诚电气股份有限公司 | 患者意识障碍程度监测、预警***及方法 |
CN110710956A (zh) * | 2019-10-21 | 2020-01-21 | 广州市花都区人民医院 | 一种昏迷患者的预后评估方法和评估*** |
RU2738583C1 (ru) * | 2020-05-13 | 2020-12-14 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Рязанский государственный медицинский университет имени академика И.П. Павлова" Министерства здравоохранения Российской Федерации | Способ диагностики фокальной эпилепсии на основе анализа электроэнцефалограммы |
CN112957017A (zh) * | 2021-03-24 | 2021-06-15 | 南通市第一人民医院 | 一种昏迷患者的实时体征监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102178514A (zh) | 一种基于非线性与复杂性多重指标的昏迷程度评价方法 | |
Posada-Quintero et al. | Innovations in electrodermal activity data collection and signal processing: A systematic review | |
Wierzgała et al. | Most popular signal processing methods in motor-imagery BCI: a review and meta-analysis | |
CN102274022B (zh) | 一种基于脑电信号的睡眠状态监测方法 | |
Phinyomark et al. | Fractal analysis features for weak and single-channel upper-limb EMG signals | |
CN109276241B (zh) | 一种压力识别方法及设备 | |
Al-Mulla et al. | A review of non-invasive techniques to detect and predict localised muscle fatigue | |
Fraiwan et al. | Classification of sleep stages using multi-wavelet time frequency entropy and LDA | |
CN102727223B (zh) | 基于多生理参数pca融合的脑力负荷测量方法 | |
Engin et al. | The classification of human tremor signals using artificial neural network | |
CN102266223B (zh) | 基于磁共振静息态功能成像的疼痛评定*** | |
CN103251417B (zh) | 创业潜质脑电信号表征与识别方法 | |
Harper et al. | Time series analysis and sleep research | |
KR20170061317A (ko) | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 | |
Desai et al. | Decision support system for arrhythmia beats using ECG signals with DCT, DWT and EMD methods: A comparative study | |
Mustafa et al. | The analysis of eeg spectrogram image for brainwave balancing application using ann | |
Napoli et al. | Uncertainty in heart rate complexity metrics caused by R-peak perturbations | |
CN112185493A (zh) | 人格偏好诊断装置及基于该装置的项目推荐*** | |
CN111150410A (zh) | 基于心电信号与肌电信号融合的心理压力评测方法 | |
Meng et al. | Evaluation of decomposition parameters for high-density surface electromyogram using fast independent component analysis algorithm | |
CN107320097A (zh) | 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置 | |
Camacho Navarro et al. | EMG-based system for basic hand movement recognition | |
Tiwari et al. | Stress and anxiety measurement" in-the-wild" using quality-aware multi-scale hrv features | |
Guo et al. | Analysis and feature extraction of EEG signals induced by anesthesia monitoring based on wavelet transform | |
Veer | A flexible approach for segregating physiological signals |
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 |
Application publication date: 20110914 |