CN111227829A - 一种基于复杂网络特征指标的脑电图信号分析方法 - Google Patents
一种基于复杂网络特征指标的脑电图信号分析方法 Download PDFInfo
- Publication number
- CN111227829A CN111227829A CN202010093996.0A CN202010093996A CN111227829A CN 111227829 A CN111227829 A CN 111227829A CN 202010093996 A CN202010093996 A CN 202010093996A CN 111227829 A CN111227829 A CN 111227829A
- Authority
- CN
- China
- Prior art keywords
- network
- brain
- electroencephalogram
- time
- lead
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 210000004556 brain Anatomy 0.000 claims abstract description 41
- 230000003925 brain function Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change 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
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- 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
- A61B5/4029—Detecting, measuring or recording for evaluating the nervous system for evaluating the peripheral nervous systems
- A61B5/4041—Evaluating nerves condition
-
- 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
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier 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
- A61B5/7235—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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种脑电图信号分析方法,包括以下步骤:包括以下步骤:S1:根据脑电图信号建立大脑功能性网络;S2:根据所述大脑功能网络,计算多个大脑功能网络的特征指标,建立特征指标向量;S3:根据所述大脑功能网络的特征指标向量,进行分类运算,完成脑电图分类。相对于现有技术,本发明的方法可以有效度量大脑功能网络的全局连通性、节点重要性以及刻画大脑的信息传递性,可以较准确地描述大脑的特征与状态。
Description
技术领域
本发明属于脑电信号分析领域,尤其是涉及一种基于复杂网络特征指标的脑电图信号分析方法。
背景技术
脑电图(EEG)是通过精密的电子仪器,从头皮上将脑部的自发性生物电位加以放大记录而获得的图形,是通过电极记录下来的脑细胞群的自发性、节律性电活动。脑电信号具有较高的时间精度,可以动态观察大脑的状态变化,因此脑电图信号是诊断不同神经障碍和疾病的重要工具。大脑神经元之间相互作用、相互关联,使大脑成为一个复杂的动力学***。将大脑看成一个功能网络,研究大脑不同区域的神经集群之间的时间相关性,以此来探索大脑不同区域之间的联系是大脑动力学***的一种方法。目前大脑功能网络的建立方法,一般是根据不同电极间采集到的EEG信号皮尔逊相关系数来建立功能性网络,或者由不同电极间的EEG信号的锁相值,来建立功能网络,这些忽略了脑电信号在不同时刻的放电特性,建立的脑功能网络不能较好的反映大脑的真实状态。另外,传统脑电信号分析方法,也一般是从信号本身的特征(幅值、频谱、相位)去分析大脑神经***相关疾病患者与正常人的EEG信号差异,无法大脑的整体连通关系去分析EEG信号,因此也忽略了大脑网络的一些高阶的隐藏的有价值的信息。
发明内容
本发明的目的在于提供一种基于复杂网络特征指标的脑电图信号分析方法,通过全脑域功率峰值附近时刻的锁相值建立大脑功能网络,再通过计算多个大脑功能网络的特征指标,建立特征指标向量,根据特征指标向量,进行分类运算,完成脑电图分类。
本发明是通过以下技术方案实现的:
一种基于复杂网络特征指标的脑电图信号分析方法,脑电图信号由多路导联电极采集,包括以下步骤:
S1:根据脑电图信号建立大脑功能性网络,具体步骤包括:
S12:获取GFP的峰值时刻,记为时间序列t=[t1,t2,t3...tn];
S13:在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内,计算每两路导联脑电信号之间的锁相值;
S14:根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系,以此建立大脑功能网络;
S2:根据所述大脑功能网络,计算多个大脑功能网络的特征指标,建立特征指标向量;
S3:根据所述大脑功能网络的特征指标向量,进行分类运算,完成脑电图分类。
相对于现有技术,本发明的方法可以有效度量大脑功能网络的全局连通性、节点重要性以及刻画大脑的信息传递性,可以较准确地描述大脑的特征与状态。
进一步地,所述步骤S2的所述大脑功能网络的特征指标包括度、聚类系数、特征路径长度、小世界指标、网络密度、介数中心性、同配系数和信息熵。
进一步地,所述步骤S3的分类算法,包括支持向量机、KNN、决策树、贝叶斯分类器、神经网络。
进一步地,所述步骤S4,将所述锁相值指标与一阈值相比较,若所述锁相值指标大于或等于所述阈值,则判定节点之间有连接关系,或所述锁相值指标小于所述阈值,则判定节点之间没有连接关系,由此建立无权的大脑功能网络图。
为了能更清晰的理解本发明,以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1是本发明脑电图信号分析的方法的流程图。
图2是全脑域功率峰值时刻表示图
图3是大脑功能网络建立表示图。
图4是大脑功能网络图。
具体实施方式
本发明提出一种基于复杂网络特征指标的脑电图信号分析方法,可以有效地分析大脑功能性网络。请参阅图1,本发明的脑电图信号分析的方法包括以下步骤:
S1:根据脑电图信号建立大脑功能网络。
由于脑电图信息一般由多路导联电极采集所得,因此可以建立不同电极之间的关联关系,由此来建立大脑功能网络。定义每个导联电极所测量区域为图中的一个节点,将多路EEG信号抽象为一个由点集和边集组成的图G:G=(V,E),其中V为节点的集合,对应EEG脑号采集的导联节点,E为连接的边。
脑电信号不同频带内的相位同步已被证明是解释神经元整合的一种可能机制,通过锁相值(PLV)来表示两路脑电信号的相位同步关系。全脑域功率(Global field power,GFP)代表每个瞬间大脑上的电场强度,因此通常用于测量全局大脑对事件的反应或表征大脑活动的快速变化,GFP曲线的峰值位置表示最强场强和最高地形信噪比的瞬间。本申请大脑功能网络的建立,利用GFP曲线的峰值位置的时刻来计算锁相值,可以较好地反映大脑神经元放电的过程。因此,步骤S1包括:
S12:获取GFP的峰值时刻,记为时间序列t=[t1,t2,t3...tn]。
如图2所示,[t1,t2,t3...tn]对就的时刻即为GFP曲线的峰值时刻。
S13:在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内,计算每两路导联脑电信号之间的锁相值。
锁相值PLV的计算公式为:其中为两路导联脑电信号的相位关系值,N为时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内的采样点数。而两路导联脑电信号的相位关系值可以通过信号的时频分析来计算,包括短时傅里叶变换、小波变换、希尔伯特黄变换和Cohen类时频分布等。
S14:根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系,以此建立大脑功能网络。
由步骤S13会计算得到时间序列[t1,t2,t3...tn]每个时刻ti(i∈[1,n])对应的多个锁相值,取这个多锁相值的平均值或其取其中的最大值来作为每两路导联脑电信号之间的锁相值指标,以此来描述两个节点之间的联系,因此可以建立带权的大脑功能网络图,节点与节点之间的权值即为锁相值指标;也可建立无权的大脑功能网络图,将锁相值指标与一阈值相比较,若锁相值指标大于或等于阈值,则判定节点之间有连接关系,或锁相值指标小于阈值,则判定节点之间没有连接关系,由此建立无权的大脑功能网络图。
对于大脑功能性网络图G,该图的无权邻接矩阵为W,其元素ωij计算如下:
若任两个节点i与j的EEG信号间的锁相值PLVij大于等于阈值δ,则认为大脑区域的节点i和j之间有连接关系,邻接矩阵W对应的元素ωij=1,反之,ωij=0,表示大脑区域的节点i与j之间有没有连接关系。
整个大脑功能网络图的建立过程图3所示,计算每两路脑电图信号的锁相值,得到一个有权重的邻接矩阵,再将锁相值与一阈值比较,建立大脑网络连接图的无权重邻接矩阵。
S2:根据所述大脑功能网络,计算多个大脑功能网络的特征指标,建立特征指标向量。
基于复杂网络理论的大脑连接网络图中具有很多有价值的网络特征,提取这些复杂网络特征参数可以有效反映大脑网络的性能及特点。根据步骤S1所建立的大脑功能网络,获取该网络的特征指标,包括度、聚类系数、特征路径长度、小世界指标、网络密度、介数中心性、同配系数和信息熵,这些指标的计算方式如下:
(1)度
其中N为网络节点数,ki为第i个节点的度。
(2)聚类系数
聚类系数表示网络中节点聚集程度,反映网络图的局部特征,对于节点i,其聚类系数为:
(3)特征路径长度
对于网络中的节点i和j,定义连接这两个节点的最短路径上的边数为这两个节点的距离dij,特征路径长度为网络中全部节点两两之间的距离的平均值,体现了网络的连通性,表示为:
(4)介数中心性
介数中心性CBi表示在所有最短路径中经过节点i的路径数目占最短路径总数的占比,反映一个节点在网络中的“桥梁”作用,即其重要性,计算如下:
σsti表示节点s到节点t的最短路径中经过节点i的条数。
σst表示节点s到节点t的所有最短路径条数。
(5)网络密度
网络密度用于表示网络的稠密程度,计算如下
其中M为网络中实际存在连接的边数。
(6)小世界系数
小世界系数表示网络是否具有小世界特性,小世界特性是指跟随机网络相比,网络具有较高的聚类系数和较低的特征路径长度,已经验证了大脑功能性网络具有小世界网络特征,计算如下:
CC和CCrand分别表示目标网络和随机网络的聚类系数,CPL和CPLrand分别表示目标网络和随机网络的特征路径长度,若SW>1,表示目标网络具有小世界特性。
(7)同配性
同配性是对于网络度分布的高阶描述,如果总体上度大的节点倾向于连接度大的节点,则称网络是同配的;如果总体上度大的节点倾向于连接度大小的节点,就称网络是异配的,计算公式如下:
其中,δx和δy为度为x和y的余平均度,余平均度表示度为k的节点的邻居节点的平均度,qx和qy为度为x和y的度分布,exy为度为x和y联合概率密度,即网络中随机选取的一条边的两个端点的度分别为x和y的概率。
(8)结构熵(entropy)
熵通常用来表示***的"无秩序"的程度,网络结构熵[14]来表示大脑网络图的不均匀性和对信息的传递能力,定义网络结构熵为:
S3:根据所述大脑功能网络的特征指标向量,进行分类运算,完成脑电图分类。
根据所述大脑功能网络的特征指标向量,配合脑电图信号的标签,例如脑电图是正常人的脑电图信号,或者神经***相关疾病患者的脑电图信号,再利用机器学习相关的分类算法,完成脑电图智能分类训练,这些分类算法包括支持向量机、KNN、决策树、贝叶斯分类器和神经网络等,最后根据训练的分类模型完成脑电图分类。
以下对本发明的脑电图信号分析的方法的过程和具体应用进行描述。
首先,根据所要分析的脑电图信号,通过每两路导联节点的全脑域功率峰值附近时刻的锁相值,判断节点的连接关系,建立大脑功能网络;之后计算大脑功能网络的特征指标,建立特征指标向量;最后,根据网络模体特征向量完成脑电图分类,识别有病变的脑电图。
相对于现有技术,本发明的脑电图信号分析方法通过全脑域功率峰值附近时刻的锁相值建立大脑功能网络,再通过计算多个大脑功能网络的特征指标,包括度、聚类系数、特征路径长度、小世界指标、网络密度、介数中心性、同配系数和信息熵,建立特征指标向量,最后根据特征指标向量,进行分类运算,完成脑电图分类。该方法可以有效度量大脑功能网络的全局连通性、节点重要性以及刻画大脑的信息传递性,可以较准确地描述大脑的特征与状态,将该方法应用在大脑神经***相关疾病患者的大脑功能性网络上,能为这些疾病的智能判断、预警及治疗提供一种全新的方法。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (6)
1.一种脑电图信号分析方法,脑电图信号由多路导联电极采集,其特征在于:包括以下步骤:
S1:根据脑电图信号建立大脑功能性网络,具体步骤包括:
S12:获取GFP的峰值时刻,记为时间序列t=[t1,t2,t3...tn];
S13:在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内,计算每两路导联脑电信号之间的锁相值;
S14:根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系,以此建立大脑功能网络;
S2:根据所述大脑功能网络,计算多个大脑功能网络的特征指标,建立特征指标向量;
S3:根据所述大脑功能网络的特征指标向量,进行分类运算,完成脑电图分类。
2.根据权利要求1所述的脑电图信号分析方法,其特征在于:所述步骤S2的所述大脑功能网络的特征指标包括度、聚类系数、特征路径长度、小世界指标、网络密度、介数中心性、同配系数和信息熵。
3.根据权利要求2所述的脑电图信号分析方法,其特征在于:所述步骤S3的分类算法,包括支持向量机、KNN、决策树、贝叶斯分类器、神经网络。
4.根据权利要求2所述的脑电图信号分析方法,其特征在于:所述步骤S4,将所述锁相值指标与一阈值相比较,若所述锁相值指标大于或等于所述阈值,则判定节点之间有连接关系,或所述锁相值指标小于所述阈值,则判定节点之间没有连接关系,由此建立无权的大脑功能网络图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093996.0A CN111227829A (zh) | 2020-02-14 | 2020-02-14 | 一种基于复杂网络特征指标的脑电图信号分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093996.0A CN111227829A (zh) | 2020-02-14 | 2020-02-14 | 一种基于复杂网络特征指标的脑电图信号分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111227829A true CN111227829A (zh) | 2020-06-05 |
Family
ID=70867264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010093996.0A Pending CN111227829A (zh) | 2020-02-14 | 2020-02-14 | 一种基于复杂网络特征指标的脑电图信号分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111227829A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434623A (zh) * | 2020-11-27 | 2021-03-02 | 四川大学 | 基于脑网络连通性的个体识别方法、***及存储介质 |
CN112617860A (zh) * | 2020-12-31 | 2021-04-09 | 山东师范大学 | 基于锁相值构建的脑功能连接网络的情绪分类方法及*** |
CN112790741A (zh) * | 2021-01-27 | 2021-05-14 | 复旦大学 | 脑血管形态特征定量分析方法 |
CN113180703A (zh) * | 2021-05-13 | 2021-07-30 | 李天睿 | 一种基于网络拓扑描述的脑电信号分析方法 |
CN113367705A (zh) * | 2021-04-07 | 2021-09-10 | 西北工业大学 | 基于改进的微状态分析的运动想象脑电信号分类方法 |
CN113558641A (zh) * | 2021-06-23 | 2021-10-29 | 瑞尔明康(杭州)医疗科技有限公司 | 脑功能网络构建方法、装置、电子设备及存储介质 |
CN113974650A (zh) * | 2021-06-29 | 2022-01-28 | 华南师范大学 | 一种脑电网络功能分析方法、装置,电子设备及存储介质 |
CN114298186A (zh) * | 2021-12-20 | 2022-04-08 | 惠州学院 | 基于网络熵的脑认知状态识别方法 |
CN114652331A (zh) * | 2022-03-08 | 2022-06-24 | 山东大学 | 一种基于混合现实的精确抓握肌间协调性测试评估*** |
CN115294413A (zh) * | 2022-10-10 | 2022-11-04 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
CN115563400A (zh) * | 2022-09-19 | 2023-01-03 | 广东技术师范大学 | 一种基于模体加权聚合的多路网络社区检测方法及装置 |
CN116098634A (zh) * | 2023-01-31 | 2023-05-12 | 首都医科大学宣武医院 | 一种基于刺激事件的脑功能检测评估方法、装置及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
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 |
CN106473736A (zh) * | 2016-10-11 | 2017-03-08 | 天津大学 | 基于复杂网络的脑电信号分析方法及应用 |
CN108309329A (zh) * | 2018-02-08 | 2018-07-24 | 陕西师范大学 | 一种基于脑网络分析的cnv脑电测谎方法 |
CN108577835A (zh) * | 2018-05-17 | 2018-09-28 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
CN108764043A (zh) * | 2018-04-26 | 2018-11-06 | 太原理工大学 | 基于动态功能连接的熵值的脑电分类方法 |
CN109447109A (zh) * | 2018-09-17 | 2019-03-08 | 浙江工业大学 | 一种基于子图网络的图分类方法 |
CN109770923A (zh) * | 2019-01-15 | 2019-05-21 | 五邑大学 | 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 |
CN109893126A (zh) * | 2019-03-21 | 2019-06-18 | 杭州电子科技大学 | 基于脑功能网络特征的癫痫发作预测方法 |
-
2020
- 2020-02-14 CN CN202010093996.0A patent/CN111227829A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
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 |
CN106473736A (zh) * | 2016-10-11 | 2017-03-08 | 天津大学 | 基于复杂网络的脑电信号分析方法及应用 |
CN108309329A (zh) * | 2018-02-08 | 2018-07-24 | 陕西师范大学 | 一种基于脑网络分析的cnv脑电测谎方法 |
CN108764043A (zh) * | 2018-04-26 | 2018-11-06 | 太原理工大学 | 基于动态功能连接的熵值的脑电分类方法 |
CN108577835A (zh) * | 2018-05-17 | 2018-09-28 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
CN109447109A (zh) * | 2018-09-17 | 2019-03-08 | 浙江工业大学 | 一种基于子图网络的图分类方法 |
CN109770923A (zh) * | 2019-01-15 | 2019-05-21 | 五邑大学 | 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 |
CN109893126A (zh) * | 2019-03-21 | 2019-06-18 | 杭州电子科技大学 | 基于脑功能网络特征的癫痫发作预测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434623A (zh) * | 2020-11-27 | 2021-03-02 | 四川大学 | 基于脑网络连通性的个体识别方法、***及存储介质 |
CN112617860A (zh) * | 2020-12-31 | 2021-04-09 | 山东师范大学 | 基于锁相值构建的脑功能连接网络的情绪分类方法及*** |
CN112790741A (zh) * | 2021-01-27 | 2021-05-14 | 复旦大学 | 脑血管形态特征定量分析方法 |
CN113367705A (zh) * | 2021-04-07 | 2021-09-10 | 西北工业大学 | 基于改进的微状态分析的运动想象脑电信号分类方法 |
CN113180703A (zh) * | 2021-05-13 | 2021-07-30 | 李天睿 | 一种基于网络拓扑描述的脑电信号分析方法 |
CN113558641A (zh) * | 2021-06-23 | 2021-10-29 | 瑞尔明康(杭州)医疗科技有限公司 | 脑功能网络构建方法、装置、电子设备及存储介质 |
CN113974650A (zh) * | 2021-06-29 | 2022-01-28 | 华南师范大学 | 一种脑电网络功能分析方法、装置,电子设备及存储介质 |
CN114298186A (zh) * | 2021-12-20 | 2022-04-08 | 惠州学院 | 基于网络熵的脑认知状态识别方法 |
CN114298186B (zh) * | 2021-12-20 | 2023-09-05 | 惠州学院 | 基于网络熵的脑认知状态识别方法 |
CN114652331A (zh) * | 2022-03-08 | 2022-06-24 | 山东大学 | 一种基于混合现实的精确抓握肌间协调性测试评估*** |
CN115563400A (zh) * | 2022-09-19 | 2023-01-03 | 广东技术师范大学 | 一种基于模体加权聚合的多路网络社区检测方法及装置 |
CN115563400B (zh) * | 2022-09-19 | 2023-06-13 | 广东技术师范大学 | 一种基于模体加权聚合的多路网络社区检测方法及装置 |
CN115294413A (zh) * | 2022-10-10 | 2022-11-04 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
CN115294413B (zh) * | 2022-10-10 | 2023-01-24 | 齐鲁工业大学 | 一种基于时序脑电数据的脑疾病分类方法 |
CN116098634A (zh) * | 2023-01-31 | 2023-05-12 | 首都医科大学宣武医院 | 一种基于刺激事件的脑功能检测评估方法、装置及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111227829A (zh) | 一种基于复杂网络特征指标的脑电图信号分析方法 | |
CN111419221A (zh) | 一种基于图卷积网络的脑电图信号分析方法 | |
Li et al. | Automatic epileptic EEG detection using DT-CWT-based non-linear features | |
CN104586387B (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN111227827B (zh) | 一种基于社区划分算法的脑电图信号分析方法 | |
Hosseini et al. | The comparison of different feed forward neural network architectures for ECG signal diagnosis | |
CN111227826A (zh) | 一种基于网络模体的脑电图信号分析方法 | |
CN112450947B (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
CN109271887A (zh) | 一种用于脑电模式识别的复合空间滤波与模板匹配方法 | |
CN114492513A (zh) | 跨用户场景下基于注意力机制的对抗域适应的脑电情绪识别方法 | |
WO2020061971A1 (zh) | 一种基于机器学习的癫痫病脑电波状态检测方法 | |
Ince et al. | Automated patient-specific classification of premature ventricular contractions | |
Alzahab et al. | Efficient feature selection for electroencephalogram-based authentication | |
CN111931578B (zh) | 一种基于最小生成树和区域双层网络的脑电识别方法 | |
CN112698720B (zh) | 一种基于互信息特征提取及多人融合的运动想象识别方法 | |
CN112084935B (zh) | 一种基于扩充高质量脑电样本的情绪识别方法 | |
CN112259228A (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
Behrouzi et al. | Understanding power of graph convolutional neural network on discriminating human EEG signal | |
CN115886735A (zh) | 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 | |
CN109117790B (zh) | 一种基于频空指标的脑纹识别方法 | |
CN111227828A (zh) | 一种大脑功能网络的建立方法 | |
CN113598792B (zh) | 基于有监督特征融合算法的癫痫脑电分类方法 | |
CN116027888A (zh) | 一种基于plv动态脑功能网络的p300意图识别方法 | |
CN113907770A (zh) | 基于特征融合的棘慢复合波检测识别方法及*** | |
Wen et al. | ECG beat classification using GreyART network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |