CN110522446A - 一种准确性高实用性强的脑电信号分析方法 - Google Patents
一种准确性高实用性强的脑电信号分析方法 Download PDFInfo
- Publication number
- CN110522446A CN110522446A CN201910653769.6A CN201910653769A CN110522446A CN 110522446 A CN110522446 A CN 110522446A CN 201910653769 A CN201910653769 A CN 201910653769A CN 110522446 A CN110522446 A CN 110522446A
- Authority
- CN
- China
- Prior art keywords
- data
- window
- fluctuation
- eeg data
- statistical
- 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
Classifications
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明主要涉及了一种准确性高实用性强的脑电信号分析方法。本发明中,首先采用时间序列数据流模型进行数据预处理,主要包括脑电时序数据的获取、数据缓冲区设置以及基于滑动窗口理论的数据分割;然后采用TSTKS算法对单个窗口的数据进行数据波动分析;寻找突变点搜索最优路径,进行突变点检测,窗口波动量的计算及归一化;最后采用波动向量模式匹配进行癫痫的预测和诊断,主要包括数据波动向量整合与再映射处理,基于模式匹配的癫痫快速分析、预测与诊断,以及专家知识库模板向量的智能学习与在线更新策略设计内容。
Description
技术领域
本发明涉及一种准确性高实用性强的脑电信号分析方法,属于大数据快速分析与模式匹配领域。
背景技术
脑部疾病是一种威胁人类生命的主要疾病,其特点是高发病率,高残疾和高死亡率。随着医学技术的飞速发展,许多精湛的脑部诊断技术被应用于临床。
脑电信号是最早的人类研究和应用临床医学的生物电信号,它反映了大脑活动时神经元突触后电位的变化,是一种客观的脑电活动。脑电图(Electroencephalogram,简称EEG)具有无创、可重复性、快速、准确等优点。虽然现代脑电图学在医学领域发展很快,但是更加考验广大脑电图工作者、临床医师不断加强对脑电图知识的学习,以丰富自己的临床技能,提高诊断符合率。但是随着越来越多的病人和病例,这些都极大地增加了医生的工作量,使得花在脑电图上的时间过多,而且诊断的准确性也是因人而异。而且癫痫发病具有突发性,想要准确的预测和诊断需要获取大量脑电数据。这其中大部分时间的脑电数据都处于正常状态,仅在癫痫发生前后存在异常和突变,且患病期间异常难以捕捉。面对海量的时序数据,对正常脑电数据的处理会浪费大量时间和精力。
发明内容
本发明的目的是:提供一种脑电信号分析方法,从而有效过滤冗余的正常脑电数据快速定位突变点,建立波动向量。
为了达到上述目的,本发明的技术方案是提供了一种准确性高实用性强的脑电信号分析方法,其特征在于,包括以下步骤:
步骤1、获取待检测的脑电数据,利用滑动窗口理论分割待检测的脑电数据,从而确定待检测的脑电数据波动矩阵维度大小;
步骤2、采用TSTKS算法对脑电数据进行分析,包括以下步骤:
运用多级Haar小波理论将步骤1获得的每个窗口中的脑电数据分解成不同频域分量,将虚拟中间分支分别添加到现有的二叉搜索树TcA和差值二叉树TcD的每个非叶子节点中,得到均值三叉树TSTcA和差值三叉树TSTcD,利用搜索策略一、搜索策略二及搜索策略三寻找一条差值三叉树TSTcD或均值三叉树TSTcA脑电突变的最优搜索途径,检测突变点位置,计算每个窗口的波动量,其中:搜索策略一和搜索策略二分别基于统计波动和细节波动,搜索策略三建立在搜索策略一和搜索策略二的基础上确定突变点的位置,假设均值三叉树TSTcA的最后一个非叶级中的非叶节点是按照策略一和二检测到的,其左侧和右侧子叶节点cA0,2j-1和cA0,2j以及两个统计变量SL和SR由KS统计定义为:
式(1)及式(2)中,Smn(·)表示单侧子叶节点的统计变量;m=n=2k-2,1≤j≤N/2k,2≤k≤log2N;m=n=2k-2,N表示待检测数据总长度;Fm(·)表示正常数据标准经验分布函数;Gn(·)表示待检测数据累计分布函数;Xl={X1,...,Xc};Xr={Xc+1,...,XN};I(·)表示概率密度;
最大统计差异是在突变点出现前或者之后出现,为了准确计算最大统计误差,根据式(1)和(2)将统计变量SL和SR重新定义为和则有:
式(3)及式(4)中,表示Z中第2j-1个元素的左极限;表示Z中第2j个元素的左极限;
则计算得到统计波动S′L及S′R:
从而引入搜索策略三,若max=(S′L,S′R)>C3(σ),C3(σ)表示C3(σ)的值可根据显著性水平σ的值在统计表中查到,则从均值三叉树TSTcA叶节点一层选出具有max=(S′L,S′R)的叶节点作为突变点,并将此统计波动值作为该窗口的波动量;或从差值三叉树TSTcD叶节点一层选出具有max=(S′L,S′R)的叶节点作为突变点,并将此统计细节分量作为该窗口的波动量。
优选地,在所述步骤2之后还包括步骤3:
对每个窗口的波动量进行归一化处理,当前窗口波动量归一化处理转换函数如式(7)所示:
式中,di表示当前窗口的归一化后的波动量值;Si表示通过所述步骤2得到的当前窗口的波动量;Smax表示所有窗口中最大波动值。
优选地,在所述步骤3之后还包括步骤4:
将每个窗口归一化后的波动量值进行再映射处理,处理映射到[0,1,2,3,4,5],即将脑电数据波动划分为六个等级,设置正常脑电阈值波动为0.5,归一化后的低于正常阈值的波动等级都为0,为人自身生物电以及外界刺激下正常应激波动;[0.5,0.6]、[0.6,0.7]、[0.7,0.8]、[0.8,0.9]、[0.9,1.0]分别映射到[1,2,3,4,5]五个等级,当某段波动向量中波动元素全为0时,可认为此段脑电数据为正常数据。
优选地,步骤1中,建立数据接收缓冲区用于缓存所述脑电数据,数据接收缓冲区采用队列结构,新加入的所述脑电数据按照时间顺序依次从队尾入列,当数据缓冲完成,进入数据处理过程时,缓冲的所述脑电数据又按时间顺序依次从队首出列。
优选地,步骤1中,利用滑动窗口理论分割待检测的脑电数据时,设定滑动窗口的宽度为W,则每个滑动窗口内的脑电数据的个数为W,则滑动窗口将待检测的脑电数据划分到若干个等宽的滑动窗口内,快速确定脑电数据波动向量维度大小。
本发明具有如下优点:
第一,结合滑动窗口理论,将待检测时序数据切分为若干子段,分别对每个子段进行检测,计算波动量,具有耗时较少,相对误差率最低,命中率最高等特点;
第二,相比已有的HWKS框架,本发明在二叉搜索树基础上增加了中间分支,对数据中突变点的位置具有更好的敏感性;
第三,结合改进KS统计理论,建立了三种三叉树搜索策略,能够快速确定最优搜寻路线,找到异常点所在的时序数据,快速建立波动向量;
第四,整合每个窗口的波动元素归一化再映射组成波动向量,与预先设定的专家库中波动向量进行匹配,能够实现癫痫等脑部疾病的快速预测和诊断,同时可以实现数据库的动态更新。
附图说明
图1是本发明实施例的流程图
图2是本发明实施例的缓冲区队列结构;
图3是本发明实施例的滑动窗口模型;
图4是本发明实施例的TSTKS算法检测突变点流程图;
图5是本发明实施例基于多级Harr小波变换构建TSTcA和TSTcD过程;
图6是本发明实施例的波动向量建立过程;
图7是波动量再映射建立波动向量示意图。
具体实施方式
下面结合附图,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
以下将本发明提供的一种准确性高实用性强的脑电信号分析方法应用在对于癫痫预测和诊断上来进一步说明本发明。本发明应用在癫痫预测和诊断后包括以下步骤:首先采用时间序列数据流模型进行数据预处理,主要包括脑电时序数据的获取、数据缓冲区设置以及基于滑动窗口理论的数据分割;然后采用TSTKS算法对单个窗口的数据进行数据波动分析,主要包括基于多级Haar小波理论的不同频域分量分解,均值三叉树TSTcA和差值三叉树TSTcD构建,以及基于改进KS统计理论的搜索策略设计,突变点最优路径的多路搜索与快速检测;寻找突变点搜索最优路径,进行突变点检测,窗口波动量的计算及归一化;最后采用波动向量模式匹配进行癫痫的预测和诊断,主要包括数据波动向量整合与再映射处理,基于模式匹配的癫痫快速分析、预测与诊断,以及专家知识库模板向量的智能学习与在线更新策略设计内容。
本发明具体包括以下步骤:
(1)首先,采用时间序列数据流模型进行数据预处理,利用EEG获取待检测癫痫病人的脑电数据,建立数据缓冲区。利用滑动窗口理论分割待检测数据,从而确定待检测癫痫脑电数据波动矩阵维度大小。
数据缓冲区采用队列结构,如图2所示。新加入的脑电数据将按照时间顺序依次从队尾入列,当数据缓冲完成,进入数据处理过程时,数据缓冲区中的脑电数据又按时间顺序依次从队首出列。
根据滑动窗口理论,对于长度为N的脑电数据Z,设定滑动窗口的宽度为W,即每个窗口内数据的个数为W,如图3所示。则滑动窗口将脑电数据Z划分到若干个等宽的滑动窗口内,快速确定脑电数据异常点分布范围和波动向量维度大小。
(2)其次,采用TSTKS算法对脑电数据进行分析,运用多级Haar小波理论将每个窗口中数据分解成不同频域分量,在已有HWKS算法二叉树基础上增加虚拟分支,提出三条搜索策略,检测突变点位置,计算每个窗口的波动量。
TSTKS算法理论框架如图4所示。TSTKS算法属于三叉树搜索策略,该算法是由HWKS算法改进而来,可以大致分为两部分。第一部分是构建均值三叉树TSTcA和差值三叉树TSTcD,第二部分用改进的搜索策略来进行突变点的检测。
a)均值三叉树TSTcA和差值三叉树TSTcD的构建
三叉树是在二叉树的基础上构建的,如图5所示,通过在二叉树左右分支基础上添加中间分支,该分支和左右分支有重合数据段,可以避免切分点和突变点位置重合的情况,是对HWKS的一种改进。叶子节点直接来自脑电数据Z中元素,且中间分支和左右分支有重合数据段最后,将虚拟中间分支分别添加到现有的均值二叉树TcA和差值二叉树TcD的每个非叶子节点中,得到均值三叉树TSTcA和差值三叉树TSTcD。
b)基于改进的KS统计理论的三叉树的搜索策略
为了寻找一条均值三叉树TSTcA或差值三叉树TSTcD脑电突变的最优搜索途径,TSTKS算法给出了三条搜索策略。搜索策略一和搜索策略二分别基于统计波动和细节波动,搜索策略三建立在前两个策略的基础上确定突变点的位置。
假设均值三叉树TSTcA的倒数第二级(最后一个非叶级)中的非叶节点cAk,j(k=1)是按照搜索策略一和搜索策略二检测到的,其左侧和右侧子叶节点cA0,2j-1和cA0,2j以及两个统计变量SL和SR由KS统计定义为:
式(1)及式(2)中,Smn(·)表示单侧子叶节点的统计变量;m=n=2k-2,m=2j-1或2j,1≤j≤N/2k,2≤k≤log2N;m=n=2k-2,n=N-m,N表示待检测数据总长度;Fm(·)表示正常数据标准经验分布函数;Gn(·)表示待检测数据累计分布函数;Xl={X1,...,Xc};Xr={Xc+1,...,XN};I(·)表示概率密度;
为了准确计算最大统计误差,根据式(1)和(2)将统计变量SL和SR重新定义为和则有:
式(3)及式(4)中,表示Z中第2j-1个元素的左极限;表示Z中第2j个元素的左极限;
因此可重新计算Fm(x)和Gn(x)之间的统计波动S′L及S′R:
从而引入搜索策略三,若max=(S′L,S′R)>C3(σ),C3(σ)表示C3(σ)的值可根据显著性水平σ的值在统计表中查到,则从均值三叉树TSTcA叶节点一层选出具有max=(S′L,S′R)的叶节点作为突变点,并将此统计波动值作为该窗口的波动量;或从差值三叉树TSTcD叶节点一层选出具有max=(S′L,S′R)的叶节点作为突变点,并将此统计细节分量作为该窗口的波动量。通过以上三个搜索策略,可以从TSTcA或TSTcD中的顶部根节点到底部叶节点获得寻找突变的最优搜索路径,实现对脑电时序数据波动量的快速,准确计算。
c)窗口波动量的归一化
为了提高波动向量的精度和区分度,便于不同量级的波动量进行较和加权,对每个窗口的波动量进行归一化处理,当前窗口波动量归一化处理转换函数如式(7)所示:
式中,di表示当前窗口的归一化后的波动量值;Si表示通过所述步骤2得到的当前窗口的波动量;Smax表示所有窗口中最大波动值。
(3)最后,采用波动向量模式匹配进行癫痫的预测和诊断。整合所有窗口的波动量组成1×m的波动向量与癫痫专家库***中波动向量进行模式匹配,将归一化的波动量进行再映射,整合所有滑动窗口的波动量建立波动向量,分别与专家库中癫痫发病前、发病时、发病后三部分模板波动向量进行模式匹配,根据是否达到设定的阈值实现癫痫的预测和诊断。同时将匹配成功数据连同病情标签加入专家库,实现专家库的动态更新,具体包括以下步骤:
a)波动量再映射及波动向量的建立
为了提高波动向量的精度同时也提高癫痫不同阶段的区分度,将每个窗口归一化后的波动量值进行再映射处理。处理映射到[0,1,2,3,4,5],即将脑电数据波动划分为六个等级。设置正常脑电阈值波动为0.5,归一化后的低于正常阈值的波动等级都为0,主要为人自身生物电以及外界刺激下正常应激波动;[0.5,0.6]、[0.6,0.7]、[0.7,0.8]、[0.8,0.9]、[0.9,1.0]分别映射到[1,2,3,4,5]五个等级,当某段波动向量中波动元素全为0时,可认为此段脑电数据为正常数据。
b)癫痫专家库的建立与更新
目前世界上已出现和使用许多标准EEG数据库,本发明在现有数据库中选取具有代表性和权威性的几个数据库中数据,建立本发明涉及到的癫痫专家库。癫痫疾病专家库中包含两个数据库,分别为正常脑电数据和癫痫脑电数据。其中癫痫脑电数据库由涉及年龄、性别和生活习性等其它代表性选择的受试者数据组成,主要包括发病前,发病时,发病后三部分,如图7所示。发病前脑电数据波动有明显起伏,发病时脑电数据波动剧烈,发病后波动趋势变缓,有轻微起伏并趋于正常。不用年龄和性别患者波动程度有所差异。专家库更新是一个动态更新过程,在波动向量模式匹配过程中一旦待检测数据匹配度达到设定阈值,将达到阈值的波动向量连同此段数据对应的病情标签,性别,年龄,生活习惯等标签都加入到专家库对应分类中,实现专家库的动态更新和扩展。
c)波动向量模式匹配的癫痫预测与诊断
分别根据将待检测病人基本信息,将其波动向量与专家库中年龄接近、性别相同的发病前,发病时,发病后三部分模板波动向量进行匹配。匹配时,分别从每个不同阶段随机选出三分之一数据与待检测数据进行匹配,若与某阶段所选出的模板波动向量匹配的均值达到设定阈值,即可认为待检测病人癫痫当前处于此阶段,同时可以对癫痫未来发展趋势做出预测。对于匹配阈值设定的大小又可实现癫痫的预测和确诊,阈值小可以进行病情预测;阈值大可以进行病情确诊。一旦待检测数据达到设定阈值,将达到阈值的波动向量连同此段数据对应的病情标签加入到专家库中,实现专家库的动态更新。
Claims (5)
1.一种准确性高实用性强的脑电信号分析方法,其特征在于,包括以下步骤:
步骤1、获取待检测的脑电数据,利用滑动窗口理论分割待检测的脑电数据,从而确定待检测的脑电数据波动矩阵维度大小;
步骤2、采用TSTKS算法对脑电数据进行分析,包括以下步骤:
运用多级Haar小波理论将步骤1获得的每个窗口中的脑电数据分解成不同频域分量,将虚拟中间分支分别添加到现有的二叉搜索树TcA和差值二叉树TcD的每个非叶子节点中,得到均值三叉树TSTcA和差值三叉树TSTcD,利用搜索策略一、搜索策略二及搜索策略三寻找一条差值三叉树TSTcD或均值三叉树TSTcA脑电突变的最优搜索途径,检测突变点位置,计算每个窗口的波动量,其中:搜索策略一和搜索策略二分别基于统计波动和细节波动,搜索策略三建立在搜索策略一和搜索策略二的基础上确定突变点的位置,假设均值三叉树TSTcA的最后一个非叶级中的非叶节点是按照策略一和二检测到的,其左侧和右侧子叶节点cA0,2j-1和cA0,2j以及两个统计变量SL和SR由KS统计定义为:
式(1)及式(2)中,Smn(·)表示单侧子叶节点的统计变量;m=n=2k-2;N表示正常数据和待检测数据总长度;Fm(·)表示正常数据标准经验分布函数;Gn(·)表示待检测数据累计分布函数;Xl={X1,...,Xc};Xr={Xc+1,...,XN};I(·)表示概率密度;
最大统计差异是在突变点出现前或者之后出现,为了准确计算最大统计误差,根据式(1)和(2)将统计变量SL和SR重新定义为和则有:
表示Z中第2j-1个元素的左极限;表示Z中第2j个元素的左极限;
则计算得到统计波动S'L及S'R:
从而引入搜索策略三,若max=(S'L,S'R)>C3(σ),C3(σ)表示C3(σ)的值可根据显著性水平σ的值在统计表中查到,则从均值三叉树TSTcA叶节点一层选出具有max=(S'L,S'R)的叶节点作为突变点,并将此统计波动值作为该窗口的波动量;或从差值三叉树TSTcD叶节点一层选出具有max=(S'L,S'R)的叶节点作为突变点,并将此统计细节分量作为该窗口的波动量。
2.如权利要求1所述的一种准确性高实用性强的脑电信号分析方法,其特征在于,在所述步骤2之后还包括步骤3:
对每个窗口的波动量进行归一化处理,当前窗口波动量归一化处理转换函数如式(7)所示:
式中,di表示当前窗口的归一化后的波动量值;Si表示通过所述步骤2得到的当前窗口的波动量;Smax表示所有窗口中最大波动值。
3.如权利要求2所述的一种准确性高实用性强的脑电信号分析方法,其特征在于,在所述步骤3之后还包括步骤4:
将每个窗口归一化后的波动量值进行再映射处理,处理映射到[0,1,2,3,4,5],即将脑电数据波动划分为六个等级,设置正常脑电阈值波动为0.5,归一化后的低于正常阈值的波动等级都为0,为人自身生物电以及外界刺激下正常应激波动;[0.5,0.6]、[0.6,0.7]、[0.7,0.8]、[0.8,0.9]、[0.9,1.0]分别映射到[1,2,3,4,5]五个等级,当某段波动向量中波动元素全为0时,可认为此段脑电数据为正常数据。
4.如权利要求1所述的一种准确性高实用性强的脑电信号分析方法,其特征在于,步骤1中,建立数据接收缓冲区用于缓存所述脑电数据,数据接收缓冲区采用队列结构,新加入的所述脑电数据按照时间顺序依次从队尾入列,当数据缓冲完成,进入数据处理过程时,缓冲的所述脑电数据又按时间顺序依次从队首出列。
5.如权利要求1所述的一种准确性高实用性强的脑电信号分析方法,其特征在于,步骤1中,利用滑动窗口理论分割待检测的脑电数据时,设定滑动窗口的宽度为W,则每个滑动窗口内的脑电数据的个数为W,则滑动窗口将待检测的脑电数据划分到若干个等宽的滑动窗口内,快速确定脑电数据波动向量维度大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653769.6A CN110522446A (zh) | 2019-07-19 | 2019-07-19 | 一种准确性高实用性强的脑电信号分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653769.6A CN110522446A (zh) | 2019-07-19 | 2019-07-19 | 一种准确性高实用性强的脑电信号分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110522446A true CN110522446A (zh) | 2019-12-03 |
Family
ID=68661696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910653769.6A Pending CN110522446A (zh) | 2019-07-19 | 2019-07-19 | 一种准确性高实用性强的脑电信号分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110522446A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115158399A (zh) * | 2022-06-14 | 2022-10-11 | 通号城市轨道交通技术有限公司 | 时序信号异常检测方法及*** |
CN116304957A (zh) * | 2023-05-17 | 2023-06-23 | 成都交大光芒科技股份有限公司 | 一种供变电设备监测状态突变在线识别方法 |
CN117643475A (zh) * | 2024-01-30 | 2024-03-05 | 南京信息工程大学 | 一种基于kl散度的特征提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018009991A1 (en) * | 2016-07-13 | 2018-01-18 | Gomez & Gomez Ltda | Epileptic seizure prediction method and device configured for the prediction of an epileptic seizure |
CN107992976A (zh) * | 2017-12-15 | 2018-05-04 | 中国传媒大学 | 热点话题早期发展趋势预测***及预测方法 |
CN108335467A (zh) * | 2018-01-05 | 2018-07-27 | 东华大学 | 一种基于突变点探测的火灾在线预警与快速分析方法 |
CN109106365A (zh) * | 2018-09-04 | 2019-01-01 | 杭州航弈生物科技有限责任公司 | 基于脑电信号处理的癫痫发作预警设备 |
-
2019
- 2019-07-19 CN CN201910653769.6A patent/CN110522446A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018009991A1 (en) * | 2016-07-13 | 2018-01-18 | Gomez & Gomez Ltda | Epileptic seizure prediction method and device configured for the prediction of an epileptic seizure |
CN107992976A (zh) * | 2017-12-15 | 2018-05-04 | 中国传媒大学 | 热点话题早期发展趋势预测***及预测方法 |
CN108335467A (zh) * | 2018-01-05 | 2018-07-27 | 东华大学 | 一种基于突变点探测的火灾在线预警与快速分析方法 |
CN109106365A (zh) * | 2018-09-04 | 2019-01-01 | 杭州航弈生物科技有限责任公司 | 基于脑电信号处理的癫痫发作预警设备 |
Non-Patent Citations (3)
Title |
---|
孟庆芳等: "基于非线性预测效果的癫痫脑电信号的特征提取方法", 《物理学报》 * |
李志超等: "基于RS-云模型的硫化矿石自燃倾向性综合评价", 《中国安全生产科学技术》 * |
艾辣椒: "基于多路搜索的时序突变异常快速分析", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115158399A (zh) * | 2022-06-14 | 2022-10-11 | 通号城市轨道交通技术有限公司 | 时序信号异常检测方法及*** |
CN115158399B (zh) * | 2022-06-14 | 2023-10-17 | 通号城市轨道交通技术有限公司 | 时序信号异常检测方法及*** |
CN116304957A (zh) * | 2023-05-17 | 2023-06-23 | 成都交大光芒科技股份有限公司 | 一种供变电设备监测状态突变在线识别方法 |
CN117643475A (zh) * | 2024-01-30 | 2024-03-05 | 南京信息工程大学 | 一种基于kl散度的特征提取方法 |
CN117643475B (zh) * | 2024-01-30 | 2024-04-16 | 南京信息工程大学 | 一种基于kl散度的特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reasat et al. | Detection of inferior myocardial infarction using shallow convolutional neural networks | |
Lu et al. | Feature fusion for imbalanced ECG data analysis | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和*** | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
CN111000553B (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
CN109009017B (zh) | 一种智能健康监测***及其数据处理方法 | |
CN108847285B (zh) | 基于机器学习的孕前期及孕中期唐氏综合征筛查方法 | |
CN110522446A (zh) | 一种准确性高实用性强的脑电信号分析方法 | |
Jiang et al. | Sleep stage classification using covariance features of multi-channel physiological signals on Riemannian manifolds | |
CN109497996A (zh) | 一种微状态eeg时域特征的复杂网络构建及分析方法 | |
CN110400610B (zh) | 基于多通道随机森林的小样本临床数据分类方法及*** | |
CN114595725B (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
CN109033990B (zh) | 基于类内类间距离的cnn模型心拍分类方法 | |
Xin et al. | Epilepsy EEG classification based on convolution support vector machine | |
CN107045624A (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
CN112084935B (zh) | 一种基于扩充高质量脑电样本的情绪识别方法 | |
Ajirak et al. | Boost ensemble learning for classification of CTG SIGNALS | |
CN113569924A (zh) | 一种基于支持向量机多核协作的情绪辨识分类方法 | |
CN116186544A (zh) | 基于深度学习的单通道脑电睡眠分期方法 | |
CN113229798B (zh) | 模型迁移训练方法、装置、计算机设备及可读存储介质 | |
CN112465054B (zh) | 一种基于fcn的多变量时间序列数据分类方法 | |
CN114091530A (zh) | 心电分类方法、基于域自适应的心电分类模型训练方法 | |
Saeed et al. | A Slantlet based statistical features extraction for classification of normal, arrhythmia, and congestive heart failure in electrocardiogram | |
CN113066544A (zh) | 基于CAA-Net与LightGBM的FVEP特征点检测方法 | |
Ge et al. | A selective ensemble learning framework for ECG-based heartbeat classification with imbalanced data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |
|
RJ01 | Rejection of invention patent application after publication |