CN111643075A - 基于微状态分析方法的eeg实时检测分析平台 - Google Patents
基于微状态分析方法的eeg实时检测分析平台 Download PDFInfo
- Publication number
- CN111643075A CN111643075A CN202010051770.4A CN202010051770A CN111643075A CN 111643075 A CN111643075 A CN 111643075A CN 202010051770 A CN202010051770 A CN 202010051770A CN 111643075 A CN111643075 A CN 111643075A
- Authority
- CN
- China
- Prior art keywords
- module
- micro
- eeg
- state
- analysis
- 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 68
- 238000010223 real-time analysis Methods 0.000 title claims abstract description 12
- 238000011897 real-time detection Methods 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 13
- 210000004761 scalp Anatomy 0.000 claims abstract description 13
- 210000004556 brain Anatomy 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000002567 electromyography Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 239000008358 core component Substances 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 208000018737 Parkinson disease Diseases 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000007177 brain activity Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010006100 Bradykinesia Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 208000002740 Muscle Rigidity Diseases 0.000 description 1
- 206010071390 Resting tremor Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 208000013521 Visual disease Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于微状态分析方法的EEG实时检测分析平台，包括用来采集头皮脑电的EEG电极阵列(1)，用于头皮脑电采集、预处理以及微状态分析的下位机(2)和显示分析结果的上位机(3)，其中下位机(2)包括ADC模块(4)，DSP操作芯片(5)以及USB通讯模块(6)；EEG电极阵列(1)和ADC模块(4)实现对头皮脑电信号的采集；DSP操作芯片(5)中的EEG预处理模块(7)对原始EEG信号进行预处理过程，从而得到干净可供分析的EEG信号(10)；将预处理后的EEG信号输入到微状态分析模块(11)并进一步分析处理得到分析结果和具体的特征参数。
Description
技术领域
本发明涉及生物医学工程技术，特别是一种基于微状态分析方法的EEG实时检测分析平台。
背景技术
帕金森病是一种以神经退行性病变为主要特征的神经***疾病，临床症状通常变现为患者出现静止性震颤、肌肉强直、运动迟缓和姿势失衡等严重的运动障碍。帕金森病的发病率在60岁以上人群中高达26％，且随着病程的延长将进一步恶化，最终导致患者失去自理能力，甚至导致残疾。因此高效的实时辅助诊断工具将对帕金森疾病患者的治疗具有重大意义。头皮脑电图微状态分析方法是目前诊断神经***疾病(如帕金森病、癫痫等)的一种有效手段。特定微状态的存在及其出现频率、覆盖率或持续时间的变化可被视为不同神经***疾病的特征状态标记，用以作为有效的辅助诊断工具。
脑电微状态分析方法是基于脑电微状态提出的，用于分析头皮电位拓扑结构的全局模式随时间的动态变化。这些头皮电位拓扑结构可以描述静息状态下大脑活动的动态变化，拓展EEG在研究神经精神疾病领域中的研究范围。微状态分析方法可以反映静息状态下大脑的功能网络变化情况，由这种分析方法得到的微状态可以解释大脑动态变化的90％且几种微状态之间的互相转换可以揭示亚秒级的个体水平下的大脑活动的动态变化，具有可操作性强、表征个体特异性及鲁棒性强等优势。
目前，缺乏EEG采集与分析一体化的监测设备，通过EEG信号分析神经精神疾病的机制均存在延时性，即分析结果只能反映采集EEG信号时刻的病情，与当前病情发展情况无直接联系。目前对于EEG信号的微状态分析方法，虽然可以显著描述帕金森病的大脑活动特征，但因为其不能够为疾病的辅助诊断提供临床可参考的实时信息，所以该分析方法无法作为临床诊断的实用工具。因此，建立一套可以同时控制信号采集与信号分析的实时检测分析平台，使得EEG信号的采集与分析同步进行，实时高效并可视化地反映帕金森病患者的病情成了未来的发展方向。
数字信号处理器(Digital Signal Processer,DSP)是一种常用于进行数字信号处理运算的微处理器，具有高精度、稳定性好，高速性以及集成度高等优点，因而，DSP处理器在数据处理和分析的过程中具有显著优势。将DSP处理器与EEG信号的预处理过程和微状态分析方法结合起来，使其满足采集EEG信号的同时，还具有高速数据处理的能力，从而达到高效实时检测分析EEG信息的效果。
发明内容
针对上述EEG信号采集与微状态分析方法的延时误差问题与失效性，为解决目前神经***疾病临床辅助诊断面临的困难，本发明的目的是设计开发一种基于基于微状态分析方法的EEG实时检测分析平台，一体化采集检测并分析帕金森病患者的头皮脑电信号，从而实现实时监控病人病情并得到当下时刻的可视化的疾病特征，为临床的辅助诊断提供重要实用工具。
为实现上述目的，本发明采用的结构及技术方案是提供一种EEG信号采集电路以及适用性强的数据分析算法，开发一种具有数据采集、病情监测及数据分析一体化的实时可视化平台，其中：该检测分析平台包括有用来采集头皮脑电的EEG电极阵列1，用于头皮脑电采集、预处理以及微状态分析的下位机2和显示分析结果的上位机3，其中下位机2包括ADC模块4，DSP操作芯片5以及USB通讯模块6。EEG 电极阵列1和ADC模块4实现对头皮脑电信号的采集；DSP操作芯片5中的EEG预处理模块7对原始 EEG信号进行预处理过程，从而得到干净可供分析的EEG信号10；将预处理后的EEG信号输入到微状态分析模块11并进一步分析处理得到分析结果和具体的特征参数；上位机3的实时人机交互界面18通过 VB编写实现，并通过USB通讯模块6实现上位机3与DSP操作芯片5的数据通讯。
所述的DSP操作芯片5包含EEG预处理模块7和微状态分析模块11，其中，EEG预处理模块7由ICA 去除肌电、眼电噪声模块8和带通滤波模块9两部分组成，可以得到干净的可供分析的EEG时间序列。微状态分析模块11包含GFP计算与预处理模块12，改进的K-means聚类算法模块13，微状态类反向耦合模块14以及微状态类特征参数提取模块15四个部分。这些模块均为具有算法实现功能的模块，由C++ 编译实现，并下载到DSP操作芯片9中，实现该步骤数据分析处理的功能。
所述的微状态分析模块11是该平台实现分析处理EEG信号的核心组成部分，其功能是实现对实时采集到的EEG信号进行微状态分析。其中，GFP计算与预处理模块12是将全局场功率时间序列GFP计算为每个给定时刻脑电图地形图的空间标准差。在局部GFP极大值点处，脑电具有最大信噪比，此时的空间构型被认为是稳定的，且GFP极大值点处的地形图与其相邻的GFP极大值点之间的地形图具有相似的拓扑结构。因此，求取GFP的全部极大值点处的脑电地形图，用以计算总体的微状态结构。改进的K-means 聚类算法模块13是利用改进的K-means聚类算法对上述得到的全部GFP极大值点处的信号组成的全部地形图进行聚类计算，得到个体的微状态类。微状态类反向耦合模块14是将上述得到的微状态类作为标记模板，对整体的EEG信号的脑电地形图进行标记，将全部时刻的地形图标记为微状态类中的特定一类。微状态类特征参数提取模块15是对上述过程的结果进行统计计算，得到每个微状态类的平均持续时间、每秒发生次数、总体覆盖率以及微状态类之间的转换概率等特征参数，用以描述大脑的活动异常和病情的稳定情况。
本发明的有益效果是实现了对EEG信号实时采集、检测与分析的一体化操作，设计了兼具可操作性与可视化的多功能人机界面，提高了***的便捷性和灵活性，能够实时监测帕金森病患者状态，同时提供了***性分析疾病特征的操作平台，为帕金森病的发病机制提供了重要的分析工具，对临床的辅助诊断有巨大的实用价值。其主要优势包括：1、运用微状态分析方法，可以利用EEG分析大脑活动的动态变化，在时域上描述大脑的功能状态；2、使用DSP芯片，其最大工作频率为200MHz，可满足实时检测分析运算要求；3、该平台可以实现采集与分析的同步一体化操作，避免分析结果与病人当前病情不匹配的情况，实现实时的诊断与治疗。
附图说明
图1为本发明的基于微状态分析方法的EEG实时检测分析平台***结构示意图；
图2为本发明的EEG信号预处理模块；
图3为本发明的数据处理微状态分析模块；
图4为本发明的人机交互操作界面。
图中：
1.EEG电极阵列2.下位机3.上位机4.ADC模块5.DSP操作芯片6.USB通讯模块7.EEG预处理模块8.ICA去除肌电、眼电噪声模块9.带通滤波模块10.预处理后的EEG时间序列11.微状态分析模块12.GFP计算与预处理模块13.改进的K-means聚类算法模块14.微状态类反向耦合模块15.微状态类特征参数提取模块16.USB数据线17.USB数据线18.人机交互界面19.EEG信号及分析结果显示界面20.操作选项界面21.采集装置设置选择界面
具体实施方式
结合附图对本发明的基于微状态分析方法的EEG实时检测分析平台加以说明。
本发明的基于微状态分析方法的EEG实时检测分析平台的设计思想为首先通过上位机3中的人机交互操作界面18控制ADC模块4利用EEG电极阵列1进行EEG信号采集，采集到的EEG电生理信号通过DSP操作芯片5中的EEG预处理模块7对原始EEG电生理信号进行去噪、滤波等预处理步骤，得到去除噪声干扰和可供研究分析的节律的EEG时间序列10；将预处理后的EEG信号10输入到DSP操作芯片5中的微状态分析模块11进行微状态分析；上位机3的人机交互操作界面18，通过USB通讯模块6 接收来自DSP操作芯片5的分析后数据的特征结果，显示EEG电生理信号、微状态地形图和特征参数的结果。
所述的EEG预处理模块7，其特征是：该EEG预处理模块7由ICA去除肌电、眼电噪声模块8和带通滤波模块9组成。通过EEG预处理模块7可以得到去除噪声干扰且具有符合数据分析要求节律范围的 EEG时间序列。
所述的微状态分析模块11包含GFP计算与预处理模块12，改进的K-means聚类算法模块13，微状态类反向耦合模块14以及微状态类特征参数提取模块15四个部分。这些模块均为具有算法实现功能的模块，由C++编译实现，并下载到DSP操作芯片9中，实现该步骤数据分析处理的功能。
通过USB通讯模块6实现人机交互界面18与DSP操作芯片5的数据通讯。所述的人机交互界面18 上具有可选操作选项，实现用上位机3控制ADC模块4及DSP操作芯片5实现对EEG信号实时的采集与分析一体化的操作，并将DSP操作芯片5的数据分析结果显示到人机交互界面18上。
以下对基于微状态分析方法的EEG实时检测分析平台的整体实现加以说明：
如图1所示，对本发明的基于微状态分析方法的EEG实时检测分析平台进行设计，***中作为数据读取和分析核心的DSP芯片采用Texas Instruments公司生产的TMS320F28335型号的32位浮点DSP处理器芯片。通过上位机3中的人机交互操作界面18控制ADC模块4通过EEG电极阵列1进行EEG信号采集，采集到的EEG电生理信号通过DSP操作芯片5中的EEG预处理模块7对原始EEG电生理信号进行去噪、滤波等预处理步骤，得到去除噪声干扰和可供研究分析的节律的EEG时间序列10；将预处理后的 EEG信号10输入到DSP操作芯片5中的微状态分析模块11进行微状态分析；上位机3的人机交互操作界面18，通过USB通讯模块6接收来自DSP操作芯片5的分析后数据的特征结果，显示EEG电生理信号、微状态地形图和特征参数的结果。
如图2所示的EEG预处理模块7由ICA去除肌电、眼电噪声模块8和带通滤波模块9组成。ICA去除肌电、眼电噪声模块8将采集到的原始EEG信号进行去噪处理，得到去除噪声干扰的信号，再经过带通滤波模块9处理得到符合数据分析要求节律范围的EEG时间序列10。
如图3所示的微状态分析模块11用于实现对预处理后的EEG时间序列的分析处理过程，其特征是：微状态分析模块11包含GFP计算与预处理模块12，改进的K-means聚类算法模块13，微状态类反向耦合模块14以及微状态类特征参数提取模块15四个部分。通过这四个模块对EEG时间序列进行数据分析并提取其特征微状态地形图以及统计分析特征参数。最后，DSP操作芯片5通过USB通讯模块6将分析后数据的特征结果，显示EEG电生理信号、微状态地形图和特征参数的结果上传至上位机3的人机交互操作界面18。
如图4所示的人机交互操作界面18包含EEG信号及分析结果显示界面19，操作选项界面20和采集装置设置选择界面21。EEG信号及分析结果显示界面19主要用于显示EEG电生理信号、微状态地形图和特征参数的结果；操作选项界面20开始、停止、暂停、刷新、保存数据、导出结果、帮助等针对人机交互操作界面的全部基本控制指令；采集装置设置选择界面21用于对电极阵列维度进行选择，设定规格信息。
Claims (1)
1.一种基于微状态分析方法的EEG实时检测分析平台，包括用来采集头皮脑电的EEG电极阵列(1)，用于头皮脑电采集、预处理以及微状态分析的下位机(2)和显示分析结果的上位机(3)，其中下位机(2)包括ADC模块(4)，DSP操作芯片(5)以及USB通讯模块(6)；EEG电极阵列(1)和ADC模块(4)实现对头皮脑电信号的采集；DSP操作芯片(5)中的EEG预处理模块(7)对原始EEG信号进行预处理过程，从而得到干净可供分析的EEG信号(10)；将预处理后的EEG信号输入到微状态分析模块(11)并进一步分析处理得到分析结果和具体的特征参数；上位机(3)的实时人机交互界面(18)通过VB编写实现，并通过USB通讯模块(6)实现上位机(3)与DSP操作芯片(5)的数据通讯；
所述的DSP操作芯片(5)包含EEG预处理模块(7)和微状态分析模块(11)，其中，EEG预处理模块(7)由ICA去除肌电、眼电噪声模块(8)和带通滤波模块(9)两部分组成，用以得到干净的可供分析的EEG时间序列；微状态分析模块(11)包含GFP计算与预处理模块(12)，K-means聚类算法模块(13)，微状态类反向耦合模块(14)以及微状态类特征参数提取模块(15)四个部分；这些模块均为具有算法实现功能的模块，由C++编译实现，并下载到DSP操作芯片(9)中，实现该步骤数据分析处理的功能；
所述的微状态分析模块(11)是该平台实现分析处理EEG信号的核心组成部分，其功能是实现对实时采集到的EEG信号进行微状态分析；其中，GFP计算与预处理模块(12)是将全局场功率时间序列(GFP)计算为每个给定时刻脑电图地形图的空间标准差，在局部GFP极大值点处，脑电具有最大信噪比，此时的空间构型被认为是稳定的，且GFP极大值点处的地形图与其相邻的GFP极大值点之间的地形图具有相似的拓扑结构；求取GFP的全部极大值点处的脑电地形图，用以计算总体的微状态结构；K-means聚类算法模块(13)是利用K-means聚类算法对上述得到的全部GFP极大值点处的信号组成的全部地形图进行聚类计算，得到个体的微状态类；微状态类反向耦合模块(14)是将上述得到的微状态类作为标记模板，对整体的EEG信号的脑电地形图进行标记，将全部时刻的地形图标记为微状态类中的特定一类；微状态类特征参数提取模块(15)是对上述过程的结果进行统计计算，得到每个微状态类的平均持续时间、每秒发生次数、总体覆盖率以及微状态类之间的转换概率等特征参数，用以描述大脑的活动异常和病情的稳定情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010051770.4A CN111643075A (zh) | 2020-01-17 | 2020-01-17 | 基于微状态分析方法的eeg实时检测分析平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010051770.4A CN111643075A (zh) | 2020-01-17 | 2020-01-17 | 基于微状态分析方法的eeg实时检测分析平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111643075A true CN111643075A (zh) | 2020-09-11 |
Family
ID=72342501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010051770.4A Pending CN111643075A (zh) | 2020-01-17 | 2020-01-17 | 基于微状态分析方法的eeg实时检测分析平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111643075A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2022135449A1 (zh) * | 2020-12-22 | 2022-06-30 | 北京航空航天大学 | 癫痫患者发作间期痫样电活动检测装置和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101032393A (zh) * | 2006-03-09 | 2007-09-12 | 广西壮族自治区桂林茶叶科学研究所 | 基于计算机的多功能医疗检测及监控方法和装置 |
| CN102920453A (zh) * | 2012-10-29 | 2013-02-13 | 泰好康电子科技（福建）有限公司 | 一种脑电波信号处理方法及其装置 |
| CN108143411A (zh) * | 2017-12-13 | 2018-06-12 | 东南大学 | 一种面向孤独症诊断的静息态脑电分析*** |
| WO2018106038A1 (ko) * | 2016-12-08 | 2018-06-14 | 정은지 | 발달 장애 기능 개선을 위한 뉴로피드백 장치와 영상 콘텐츠를 이용하는 훈련 시스템 및 그 방법 |
| 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 |
-
2020
- 2020-01-17 CN CN202010051770.4A patent/CN111643075A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101032393A (zh) * | 2006-03-09 | 2007-09-12 | 广西壮族自治区桂林茶叶科学研究所 | 基于计算机的多功能医疗检测及监控方法和装置 |
| CN102920453A (zh) * | 2012-10-29 | 2013-02-13 | 泰好康电子科技（福建）有限公司 | 一种脑电波信号处理方法及其装置 |
| WO2018106038A1 (ko) * | 2016-12-08 | 2018-06-14 | 정은지 | 발달 장애 기능 개선을 위한 뉴로피드백 장치와 영상 콘텐츠를 이용하는 훈련 시스템 및 그 방법 |
| CN108143411A (zh) * | 2017-12-13 | 2018-06-12 | 东南大学 | 一种面向孤独症诊断的静息态脑电分析*** |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| CHUNGUANG CHU ; XING WANG ; LIHUI CAI ; LEI ZHANG; JIANG WANG; CHEN LIU; XIAODONG ZHU: "Spatiotemporal EEG microstate analysis in drug-free patients with Parkinson\'s disease" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022135449A1 (zh) * | 2020-12-22 | 2022-06-30 | 北京航空航天大学 | 癫痫患者发作间期痫样电活动检测装置和方法 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111772585B (zh) | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 | |
| WO2018094720A1 (zh) | 基于临床脑电信号控制机械手运动的脑机接口***及其应用 | |
| CN105496363A (zh) | 基于检测睡眠脑电信号对睡眠阶段进行分类的方法 | |
| CN111227830B (zh) | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 | |
| CN104914994A (zh) | 基于稳态视觉诱发电位的飞行器控制***和飞行控制方法 | |
| CN107193374B (zh) | 一种主动故意手势动作的检测装置及检测方法 | |
| CN109044280B (zh) | 一种睡眠分期方法及相关设备 | |
| CN111643075A (zh) | 基于微状态分析方法的eeg实时检测分析平台 | |
| CN100998503A (zh) | 自动识别与消除脑电信号中眼动干扰的方法 | |
| CN103405225B (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
| CN110472595B (zh) | 脑电信号的识别模型构建方法、装置以及识别方法、装置 | |
| CN116360600A (zh) | 一种基于稳态视觉诱发电位的空间定位*** | |
| CN108836303A (zh) | 基于通用平台的心电采集***及其采集方法 | |
| CN108470182A (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
| CN204759349U (zh) | 一种基于稳态视觉诱发电位的飞行器控制装置 | |
| CN116784860B (zh) | 基于形态学心拍模板聚类的心电信号特征提取*** | |
| CN111543983B (zh) | 一种基于神经网络的脑电信号通道选择方法 | |
| CN106725463B (zh) | 应用皮层脑电信号对大脑皮层手部功能区定位的方法和*** | |
| Hermanto et al. | Brain signal reference concept using cross correlation based for brain computer interface | |
| Ahmed et al. | Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures | |
| CN110232976B (zh) | 一种基于腰肩表面肌电测量的行为识别方法 | |
| KR20150026083A (ko) | 뇌파 영상 분석 장치 | |
| CN110946562B (zh) | 基于Micro:bit微处理器的生理电信号测量分析方法及*** | |
| CN113520310A (zh) | 一种基于脑电erp的触觉信息处理方法 | |
| CN213423889U (zh) | 基于ssmvep-erp-osr混合脑机接口驱动的轮椅 |
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: 20200911 |