CN112617833A - 一种基于静息态脑电波检测抑郁症的装置 - Google Patents
一种基于静息态脑电波检测抑郁症的装置 Download PDFInfo
- Publication number
- CN112617833A CN112617833A CN202011521103.4A CN202011521103A CN112617833A CN 112617833 A CN112617833 A CN 112617833A CN 202011521103 A CN202011521103 A CN 202011521103A CN 112617833 A CN112617833 A CN 112617833A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- data
- resting
- resting state
- processor
- 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
- 230000000284 resting effect Effects 0.000 title claims abstract description 61
- 210000004556 brain Anatomy 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000002950 deficient Effects 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 206010010144 Completed suicide Diseases 0.000 description 2
- 208000020401 Depressive disease Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 206010027951 Mood swings Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000006397 emotional response Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- 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静息态脑电波检测抑郁症的装置，本发明通过采集器来采集待检测体的静息态脑电波数据，并将采集到的静息态脑电波数据输入预设的预测模型，通过预测模型来检测该静息态脑电波数据是否符合抑郁症状态的预设脑电波形态，从而为医生及患者提供辅助诊断信息，同时为在医生资源匮乏的地区用户辅助患者进行自我评价。
Description
技术领域
本发明涉及计算机技术领域，特别是涉及一种基于静息态脑电波检测抑郁症的装置。
背景技术
抑郁症是一种常见的精神疾病，全球范围内估计有3.5亿患者。抑郁症不同于通常的情绪波动和对日常生活中挑战产生的短暂情绪反应，患者可能会受到极大影响，最严重时可引致***，每年***死亡人数估计高达100万人。而当前抑郁症的诊断方式主要以医生问诊，患者回忆既往情绪状态的方式进行，医生根据患者谈话内容、语气、动作、表情等判断就诊患者的抑郁症情况予以诊断。也就是说，现有的抑郁症诊断主要依赖于医生知识及经验，而非客观生理量化指标，从而导致许多地区由于缺少有诊断资格的医生而无法准确对抑郁症作出诊断的问题。
发明内容
本发明提供了一种基于静息态脑电波检测抑郁症的装置，以解决现有需要专业医生才能诊断抑郁症的问题。
本发明提供了一种基于静息态脑电波检测抑郁症的装置，该装置包括：
采集器，用于获取待检测体的静息态脑电波数据；
处理器，用于将所获取的脑电波数据输入预设的预测模型，通过所述预测模型检测该脑电波数据是否符合预设脑电波形态，并将检测结果进行反馈，所述预设脑电波形态为具有抑郁症特征的脑电波形态。
可选地，所述采集器还用于，通过脑电设备采集待检测体的静息态脑电波数据。
可选地，所述处理器还用于，基于预先采集的静息态脑电波数据训练得到所述预测模型。
可选地，所述处理器还用于，对所述预先采集的静息态脑电波数据进行特征提取，并基于提取的特征训练得到所述预测模型。
可选地，所述处理器还用于，对所述预先采集的静息态脑电波数据进行数据清洗，以去除静息态脑电波数据的噪声；对数据清洗后的静息态脑电波数据进行降采样及滤波处理，得到预设频带的静息态脑电波数据。
可选地，所述预设频带的静息态脑电波数据为德尔塔delta、西塔theta、阿尔法1alpha1、阿尔法2alpha2、贝塔beta和伽玛gamma六个频带的脑电波数据。
可选地，所述处理器还用于，分别计算所述预先采集的静息态脑电波数据的62个脑电通道的各频带上及总频带的线性特征和非线性特征以及功率谱特征；使用包含基于树的特征选择模型及L1范数特征选择模型在内的特征选择装置，选取具有显著性的通道特征作为训练所述预测模型的特征。
可选地，所述处理器还用于，使用选取的特征及标签对包含KNN、支持向量机、随机森林、逻辑回归在内的机器学***均准确率最高的模型作为所述预测模型。
可选地，所述待测体为人体。
本发明有益效果如下：
本发明通过采集器来采集待检测体的静息态脑电波数据，并将采集到的静息态脑电波数据输入预设的预测模型，通过预测模型来检测该静息态脑电波数据是否符合抑郁症状态的预设脑电波形态，从而为医生及患者提供辅助诊断信息，同时为在医生资源匮乏的地区用户辅助患者进行自我评价。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例提供的一种基于静息态脑电波检测抑郁症的装置的结构示意图；
图2是本发明实施例提供的另一种基于静息态脑电波检测抑郁症的装置的结构示意图；
图3是本发明实施例提供的数据采集及检测模型训练的流程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
针对现有需要专业医生才能诊断抑郁症的问题，本发明实施例提供了一种装置，通过该装置的采集器来采集待检测体的静息态脑电波数据，并将采集到的静息态脑电波数据输入预设的预测模型，通过预测模型来检测该静息态脑电波数据是否符合抑郁症状态的预设脑电波形态，从而为医生及患者提供辅助诊断信息，同时为在医生资源匮乏的地区用户辅助患者进行自我评价。以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。
本发明实施例提供了一种基于静息态脑电波检测抑郁症的装置，参见图1，该装置包括：采集器，用于获取待检测体的静息态脑电波数据；处理器，用于将所获取的脑电波数据输入预设的预测模型，通过所述预测模型检测该脑电波数据是否符合预设脑电波形态，所述预设脑电波形态为具有抑郁症特征的脑电波形态。
也就是说，由于抑郁症对人类的威胁是巨大的，基于此，本发明通过基于脑电波来训练得到预测模型，并通过该检测模型对待检测体的静息态脑电波数据进行检查，以判断待检测体是否是抑郁症患者，也即，本发明是通过一种客观生理指标判断患者是否患有抑郁症，而非依赖于医生的经验及主观判断。该方法建立在相对较大的数据集上，模型具有较高预测准确率。在许多医疗资源匮乏地区，缺少有经验的精神科医生对抑郁症进行准确诊断，本装置可协助患者进行自我评价，帮助患者及时获得相应的治疗。同时本装置还可通过设置，以用于药物效果判断、治疗方法效果判断等多个场景，帮助医生通过不同维度的指标了解患者抑郁状态。
具体来说，本发明实施例是通过采集大量抑郁症患者静息态脑电信号及健康人脑电信号，构建抑郁/健康静息态脑电波数据集。计算脑电信号的线性、非线性、功率谱特征，使用多种特征选择模型选取对识别抑郁症有显著性的通道特征，并使用多种机器学习方法对模型进行训练，得到抑郁/健康二分类的预测模型。该模型可以为医生及患者提供辅助诊断信息，同时，在医生资源匮乏的地区，可辅助患者进行自我评价。
如图2所示，本发明实施例还设置了反馈单元，通过该反馈单元将处理器根据待检测体的静息态脑电波数据的检测结果进行反馈，具体可以是通过与处理器相连接的显示器进行显示，也可以是直接将检测结果通过网络等反馈到待检测体的客户端，如手机、电脑、平板等等设备上，本发明对此不作具体限定。
具体实施时，本发明实施例所述采集器是通过脑电设备采集待检测体的静息态脑电波数据。
另外，本发明实施例所述处理器是基于预先采集的静息态脑电波数据训练得到所述预测模型。
具体地，本发明实施例中，所述处理器是对所述预先采集的静息态脑电波数据进行特征提取，并基于提取的特征训练得到所述预测模型。
并且，本发明实施例的处理器是对所述预先采集的静息态脑电波数据进行数据清洗，以去除静息态脑电波数据的噪声；对数据清洗后的静息态脑电波数据进行降采样及滤波处理，得到预设频带的静息态脑电波数据。并分别计算所述预先采集的静息态脑电波数据的62个脑电通道的各频带上及总频带的线性特征和非线性特征以及功率谱特征；使用包含基于树的特征选择模型及L1范数特征选择模型在内的特征选择装置，选取具有显著性的通道特征作为训练所述预测模型的特征。然后使用选取的特征及标签对包含KNN、支持向量机、随机森林、逻辑回归在内的机器学***均准确率最高的模型作为所述预测模型。其中，本发明实施例中，所述预设频带的静息态脑电波数据为德尔塔delta、西塔theta、阿尔法1alpha1、阿尔法2alpha2、贝塔beta和伽玛gamma六个频带的脑电波数据。
需要说明的是，本发明实施例所述待测体为人体等具有静息态脑电波数据的动物体。
总体来说，本发明实施例是通过采集大量抑郁症患者静息态脑电信号及健康人脑电信号，构建抑郁/健康静息态脑电波数据集。计算脑电信号的线性、非线性、功率谱特征，使用多种特征选择模型选取对识别抑郁症有显著性的通道特征，并使用多种机器学习方法对模型进行训练，得到抑郁/健康二分类的预测模型。该模型可以为医生及患者提供辅助诊断信息，并为在医生资源匮乏的地区，可辅助患者进行自我评价。
下面将结合图2和图3对本发明实施例所述的装置进行详细的解释和说明：
本发明提出的基于静息态脑电波的抑郁症辅助诊断方法在实现中包括如下三个模块：
采集器，使用脑电设备采集待检测体的脑电波数据。
待检测体，例如待检测的人，在专业人员的协助下佩戴脑电帽，在安静的房间中静坐，数据采集开始后，请待检测的人闭眼，采集其三分钟脑电信号。脑电信号上传至处理器，在具体实施时，处理器可以将接收到的数据进行存储，以备后续查找以及核对等使用。
处理器，进行数据处理及模型构建，主要包含以下三部分：
(1)数据清洗及处理：
通过算法去除包括眼电在内的噪声，并对数据进行降采样及滤波。分离德尔塔delta、西塔theta、阿尔法1alpha1、阿尔法2alpha2、贝塔beta和伽玛gamma六个频带的脑电波。
(2)特征提取及选择：
分别计算62个脑电通道的各频带上及总频带的7个线形特征、5个非线形特征、1个功率谱特征，具体特征如图2所示。共计算6454个特征；
使用包含基于树的特征选择及L1范数特征选择模型在内的特征选择方法，选取具有显著性的通道特征；
选取基于树的特征选择模型选出的特征集，该特征集包含11个脑电通道的13个特征，具体表1所示。
(3)模型构建及预测：
使用选取的特征及标签对包含KNN、支持向量机、随机森林、逻辑回归在内的机器学***均准确率较高的模型进行应用。
以及，将预测结果进行反馈的反馈单元。即最后的预测结果将通过APP等方式反馈给待测体、待测体家属及医生。
通过上述描述可知，本发明是建立静息态脑电波与是否患有抑郁症的关联性，构建使用静息态脑电波对是否有抑郁症的预测模型，该方法寻求使用客观生理指标对是否患有抑郁症进行判断而非依赖经验及主观判断，检测模型建立在相对较大的数据集基础上，具有较高准确率，有一定普适性，可向医生提供辅助诊断信息，也可协助患者进行自我评价。
表1本发明实施例的计算特征
综上，本发明为抑郁患者的诊断提供了一种辅助方法，该方法寻求一种客观生理指标判断患者是否患有抑郁症，而非依赖于医生的经验及主观判断。该方法建立在相对较大的数据集上，模型具有较高预测准确率。在许多医疗资源匮乏地区，缺少有经验的精神科医生对抑郁症进行准确诊断，本方法可协助患者进行自我评价，帮助患者及时获得相应的治疗。同时本方法还可用于药物效果判断、治疗方法效果判断等多个场景，帮助医生通过不同维度的指标了解患者抑郁状态。
尽管为示例目的，已经公开了本发明的优选实施例，本领域的技术人员将意识到各种改进、增加和取代也是可能的，因此，本发明的范围应当不限于上述实施例。
Claims (10)
1.一种基于静息态脑电波检测抑郁症的装置，其特征在于，包括：
采集器，用于获取待检测体的静息态脑电波数据；
处理器，用于将所获取的静息态脑电波数据输入预设的预测模型，通过所述预测模型检测该静息态脑电波数据是否符合预设脑电波形态，所述静息态预设脑电波形态为具有抑郁症特征的静息态脑电波形态。
2.根据权利要求1所述的装置，其特征在于，
所述采集器还用于，通过脑电设备采集待检测体的静息态脑电波数据。
3.根据权利要求1所述的装置，其特征在于，
所述处理器还用于，基于预先采集的静息态脑电波数据训练得到所述预测模型。
4.根据权利要求3所述的装置，其特征在于，
所述处理器还用于，对所述预先采集的静息态脑电波数据进行特征提取，并基于提取的特征训练得到所述预测模型。
5.根据权利要求4所述的装置，其特征在于，
所述处理器还用于，对所述预先采集的静息态脑电波数据进行数据清洗，以去除静息态脑电波数据的噪声；对数据清洗后的静息态脑电波数据进行降采样及滤波处理，得到预设频带的静息态脑电波数据。
6.根据权利要求5所述的装置，其特征在于，
所述预设频带的静息态脑电波数据为德尔塔delta、西塔theta、阿尔法1alpha1、阿尔法2alpha2、贝塔beta和伽玛gamma六个频带的静息态脑电波数据。
7.根据权利要求3所述的装置，其特征在于，
所述处理器还用于，分别计算所述预先采集的静息态脑电波数据的62个脑电通道的各频带上及总频带的线性特征和非线性特征以及功率谱特征；使用包含基于树的特征选择模型及L1范数特征选择模型在内的特征选择装置，选取具有显著性的通道特征作为训练所述预测模型的特征。
8.根据权利要求7所述的装置，其特征在于，
所述处理器还用于，使用选取的特征及标签对包含KNN、支持向量机、随机森林、逻辑回归在内的机器学***均准确率最高的模型作为所述预测模型。
9.根据权利要求1所述的装置，其特征在于，
所述待测体为人体。
10.根据权利要求1所述的装置，其特征在于，所述装置还包括:反馈单元；
所述反馈单元，用于将所述处理器检测的结果进行反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011521103.4A CN112617833A (zh) | 2020-12-21 | 2020-12-21 | 一种基于静息态脑电波检测抑郁症的装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011521103.4A CN112617833A (zh) | 2020-12-21 | 2020-12-21 | 一种基于静息态脑电波检测抑郁症的装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112617833A true CN112617833A (zh) | 2021-04-09 |
Family
ID=75320385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011521103.4A Pending CN112617833A (zh) | 2020-12-21 | 2020-12-21 | 一种基于静息态脑电波检测抑郁症的装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112617833A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113331840A (zh) * | 2021-06-01 | 2021-09-03 | 上海觉觉健康科技有限公司 | 一种抑郁情绪脑电波信号识别***及方法 |
| CN114081494A (zh) * | 2022-01-21 | 2022-02-25 | 浙江大学 | 一种基于大脑外侧缰核信号的抑郁状态检测*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106901727A (zh) * | 2017-01-13 | 2017-06-30 | 兰州大学 | 一种基于脑电信号的抑郁症风险筛查装置 |
| CN110338820A (zh) * | 2019-06-13 | 2019-10-18 | 四川大学 | 一种抑郁症和精神***症识别方法 |
| CN110876626A (zh) * | 2019-11-22 | 2020-03-13 | 兰州大学 | 基于多导联脑电最优导联选择的抑郁检测*** |
| CN110974260A (zh) * | 2019-12-16 | 2020-04-10 | 兰州大学 | 基于脑电特征的案例推理抑郁症识别*** |
| US20200205711A1 (en) * | 2018-12-28 | 2020-07-02 | X Development Llc | Predicting depression from neuroelectric data |
-
2020
- 2020-12-21 CN CN202011521103.4A patent/CN112617833A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106901727A (zh) * | 2017-01-13 | 2017-06-30 | 兰州大学 | 一种基于脑电信号的抑郁症风险筛查装置 |
| US20200205711A1 (en) * | 2018-12-28 | 2020-07-02 | X Development Llc | Predicting depression from neuroelectric data |
| CN110338820A (zh) * | 2019-06-13 | 2019-10-18 | 四川大学 | 一种抑郁症和精神***症识别方法 |
| CN110876626A (zh) * | 2019-11-22 | 2020-03-13 | 兰州大学 | 基于多导联脑电最优导联选择的抑郁检测*** |
| CN110974260A (zh) * | 2019-12-16 | 2020-04-10 | 兰州大学 | 基于脑电特征的案例推理抑郁症识别*** |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113331840A (zh) * | 2021-06-01 | 2021-09-03 | 上海觉觉健康科技有限公司 | 一种抑郁情绪脑电波信号识别***及方法 |
| CN113331840B (zh) * | 2021-06-01 | 2022-07-29 | 上海觉觉健康科技有限公司 | 一种抑郁情绪脑电波信号识别***及方法 |
| CN114081494A (zh) * | 2022-01-21 | 2022-02-25 | 浙江大学 | 一种基于大脑外侧缰核信号的抑郁状态检测*** |
| CN114081494B (zh) * | 2022-01-21 | 2022-05-06 | 浙江大学 | 一种基于大脑外侧缰核信号的抑郁状态检测*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
| CN102014742B (zh) | 现场可部署的震荡检测器 | |
| RU2768581C2 (ru) | Устройства, системы и способы для прогнозирования, скрининга и контроля энцефалопатии/делирия | |
| Henderson et al. | Development and assessment of methods for detecting dementia using the human electroencephalogram | |
| EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
| CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
| US20210100471A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| CN112353391A (zh) | 一种基于脑电信号的汽车车内声音品质识别方法及装置 | |
| KR101854812B1 (ko) | 시청각 콘텐츠와 생체신호 분석을 활용한 정신증상 평가 시스템 | |
| CN109124655A (zh) | 精神状态分析方法、装置、设备、计算机介质及多功能椅 | |
| CN112617833A (zh) | 一种基于静息态脑电波检测抑郁症的装置 | |
| CN106901727A (zh) | 一种基于脑电信号的抑郁症风险筛查装置 | |
| CN108652587A (zh) | 一种认知功能障碍预防监测装置 | |
| CN111789629A (zh) | 一种基于深度学习的呼吸音智能诊疗***及方法 | |
| Xu et al. | Fetal movement detection by wearable accelerometer duo based on machine learning | |
| Siuly et al. | Exploring Rhythms and Channels-Based EEG Biomarkers for Early Detection of Alzheimer's Disease | |
| CN109431499B (zh) | 植物人家庭看护辅助***和辅助方法 | |
| CN110703965A (zh) | 一种中医健康状态智能辨识软件及电子设备 | |
| CN115392296A (zh) | 一种异常脑电波类型识别方法、***、存储介质及设备 | |
| EP3831287A1 (en) | Method and device for capacitive touch panel based biosignal measurement | |
| CN113674823A (zh) | 一种互联网智能化体检管理***及其应用 | |
| CN107967940A (zh) | 汇聚互联网智能诊病的大型医疗诊病服务*** | |
| CN117257303B (zh) | 一种焦虑检测方法、装置、电子设备及存储介质 | |
| CN116189899B (zh) | 一种基于机器学习的急危重症辅助评估*** | |
| CN118044813B (zh) | 基于多任务学习的心理健康状况评估方法及*** |
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: 20210409 |