CN113208629A - 一种基于eeg信号的阿尔兹海默症筛查方法及*** - Google Patents
一种基于eeg信号的阿尔兹海默症筛查方法及*** Download PDFInfo
- Publication number
- CN113208629A CN113208629A CN202110365783.3A CN202110365783A CN113208629A CN 113208629 A CN113208629 A CN 113208629A CN 202110365783 A CN202110365783 A CN 202110365783A CN 113208629 A CN113208629 A CN 113208629A
- Authority
- CN
- China
- Prior art keywords
- eye
- disease
- electroencephalogram signals
- alzheimer
- state characteristics
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Neurosurgery (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种基于EEG信号的阿尔兹海默症筛查方法及***,该方法包括:BCI设备采集用户的脑电信号,对脑电信号进行预处理、编码,并传输到检测算法***;检测算法***对接收到的脑电信号进行解码,从解码后的脑电信号中提取用户的睁眼状态特征和闭眼状态特征,将睁眼状态特征和闭眼状态特征输入至卷积神经网络,得到阿尔兹海默症发病概率评级。采用本方法可提前3‑5年对发病情况进行预测、预警,并能针对发病概率、发病时间、病情程度进行多维度预测。而且方法仅需佩戴干电极检查设备进行短时间静息EEG采集,快速高效,易于大规模推广。
Description
技术领域
本发明涉及EEG信号识别技术领域,特别是涉及一种基于EEG信号的阿尔兹海默症筛查方法及***。
背景技术
阿尔兹海默症(AD)是一种起病隐匿的进行性发展的神经***退行性疾病。临床上以记忆障碍、失语、失用、失认、视空间技能损害、执行功能障碍以及人格和行为改变等全面性痴呆表现为特征,病因迄今未明。65岁以前发病者,称早老性痴呆;65岁以后发病者称老年性痴呆。AD的临床病因主要有家族史、躯体疾病诱发、头部外伤和免疫功能等其他因素;临床表现分为三个阶段,分别表现为轻度痴呆、记忆力减退,中度痴呆、记忆力严重减退,重度痴呆、严重记忆力丧失。
当前对阿尔兹海默症临床检查方法有:神经心理学测验,主要包括记忆力水平的简易精神量表(MMSE)、日常生活能力评估(ADL)、行为和精神状态评估(BPSD)量表等;血液和脑脊液检查,用以筛查器质性病因;神经影像学检查,用以筛查神经器质性病变和外伤;脑电图频谱检查;基因筛查等。当前检查方法存在的问题是,神经心理学量表测验是主观的问卷测试,其准确度和可信度较低;基因检查成本较高,且不易实施,对于携带易发病基因的人群,其也不必然形成AD早期的诊断因素,因此可能引导不必要的早期干预;神经心理学量表测验、血液和脑脊液检查、神经影像学检查、脑电图频谱检查这些检查方法主要的共同缺点在于,仅能应用在AD已发病阶段,即已经体现出临床症状时,用以确定发病程度,而无法做到早期筛查,并介导早期治疗。较晚的检查无法体现早期介入干预的筛查意义,使得病人错过了最优的早期干预期。
综上,上述已有方式中,无论是哪一种,均需要人工配合较长时间进行检查,无法做到快速(10分钟级别)检查,因此在大规模体检、大范围人群筛查的时候难以应用,筛查效率较低。
发明内容
本发明的目的是提供一种基于EEG信号的阿尔兹海默症筛查方法及***,以实现对阿尔兹海默症进行快速筛查,提升了筛查的效率。
为解决上述技术问题,本发明提供一种基于EEG信号的阿尔兹海默症筛查方法,包括:
BCI设备采集用户的脑电信号,对脑电信号进行预处理、编码,并传输到检测算法***;
检测算法***对接收到的脑电信号进行解码,从解码后的脑电信号中提取用户的睁眼状态特征和闭眼状态特征,将睁眼状态特征和闭眼状态特征输入至卷积神经网络,得到阿尔兹海默症发病概率评级。
优选的,所述方法还包括:
检测算法***将阿尔兹海默症发病概率评级输入至生成模型中,得到阿尔兹海默症的发病概率、发病时间、发病严重程度。
优选的,所述BCI设备采集用户的脑电信号的时间包括睁眼时间段和闭眼时间段。
优选的,所述睁眼状态特征是睁眼时间段内脑电信号的频率分布、时域特征波形、时域序列关系、重复模式;所述闭眼状态特征是闭眼时间段内脑电信号的频率分布、时域特征波形、时域序列关系、重复模式。
优选的,所述方法还包括:
检测算法***将发病概率、发病时间、发病严重程度发送至早期筛查报告***;
早期筛查报告***依据发病概率、发病时间、发病严重程度生成相应图表和图文报告。
优选的,所述筛查报告***包括数据分析模块、文档自动生成模块,用于将阿尔兹海默症早期特征收集整理、自动绘制和生成图文报告。
本发明还提供一种基于EEG信号的阿尔兹海默症筛查***,用于实现上述方法,包括:
BCI设备,用于采集用户的脑电信号,对脑电信号进行预处理、编码,并传输到检测算法***;
检测算法***,用于对接收到的脑电信号进行解码,从解码后的脑电信号中提取用户的睁眼状态特征和闭眼状态特征,将睁眼状态特征和闭眼状态特征输入至卷积神经网络,得到阿尔兹海默症发病概率评级。
本发明所提供的一种基于EEG信号的阿尔兹海默症筛查方法及***,通过从EEG信号中提取用户的发病概率评级,从而得到用户的阿尔兹海默症判断结果,可以实现利用人工智能算法自动化识别阿尔兹海默症早期EEG特征,能提前3-5年对发病情况进行预测、预警,进一步针对发病概率、发病时间、病情程度进行多维度预测。而且仅需佩戴干电极检查设备进行短时间静息EEG采集,快速高效,易于大规模推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明所提供的一种基于EEG信号的阿尔兹海默症筛查方法的流程图;
图2为便捷式BCI设备的正视图;
图3为便携式BCI设备的俯视图;
图4为阿尔兹海默症筛查的整体流程图;
图5为本发明所提供的阿尔兹海默症检测算法***原理图;
图6为本发明所提供的一种基于EEG信号的阿尔兹海默症筛查***结构示意图。
具体实施方式
本发明的核心是提供一种基于EEG信号的阿尔兹海默症筛查方法及***,以实现对阿尔兹海默症进行快速筛查,提升了筛查的效率。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明所提供的一种基于EEG信号的阿尔兹海默症筛查方法的流程,该方法包括以下步骤:
S11:BCI设备采集用户的脑电信号,对脑电信号进行预处理、编码,并传输到检测算法***;
S12:检测算法***对接收到的脑电信号进行解码,从解码后的脑电信号中提取用户的睁眼状态特征和闭眼状态特征,将睁眼状态特征和闭眼状态特征输入至卷积神经网络,得到阿尔兹海默症发病概率评级。
可见,本方法中,由BCI采集脑电信号进行信号处理并传输到检测算法***,检测算法***从解码后的脑电信号中提取用户的睁眼状态特征和闭眼状态特征,利用睁眼状态特征、闭眼状态特征以及卷积神经网络得到阿尔兹海默症发病概率评级,即通过从EEG信号中提取用户的发病概率评级,进而完成阿尔兹海默症筛查,实现对阿尔兹海默症进行快速筛查,提升了筛查的效率。
本方法可以实现利用人工智能算法自动化识别阿尔兹海默症早期EEG特征,能提前3-5年对发病情况进行预测、预警。而且方法仅需佩戴干电极检查设备进行短时间静息EEG采集,快速高效,易于大规模推广。
其中,EEG(Electroencephalogram,脑电波)信号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。有常规脑电图、动态脑电图监测、视频脑电图监测。BCI(BrainComputer Interface,脑机接口技术)设备能够采集脑电波信号即EEG信号。
步骤S11中,对脑电信号进行预处理的过程具体是采用阈值筛除、共模抑制、参考减除算法对脑电信号进行处理,得到处理后的脑电信号,再对脑电信号进行编码传输。
其中,BCI设备采集用户的脑电信号的时间包括睁眼时间段和闭眼时间段。睁眼状态特征是睁眼时间段内脑电信号的频率分布、时域特征波形、时域序列关系、重复模式。闭眼状态特征是闭眼时间段内脑电信号的频率分布、时域特征波形、时域序列关系、重复模式。
基于上述方法,进一步的,步骤S12之后,检测算法***将阿尔兹海默症发病概率评级输入至生成模型中,得到阿尔兹海默症的发病概率、发病时间、发病严重程度。
其中,概率生成模型简称生成模型(Generative Model),是概率统计和机器学习中的一类重要模型,指一系列用于随机生成可观测数据的模型。生成模型的应用十分广泛,可以用来不同的数据进行建模,比如图像、文本、声音等在机器学习中,生成模型可以用来直接对数据建模例如根据某个变量的概率密度函数进行数据采样,也可以用来建立变量间的条件概率分布。条件概率分布可以由生成模型根据贝叶斯定理形成。
进一步的,所述方法还包括以下步骤:
S21:检测算法***将发病概率、发病时间、发病严重程度发送至早期筛查报告***;
S22:早期筛查报告***依据发病概率、发病时间、发病严重程度生成相应图表和图文报告。
其中,所述筛查报告***包括数据分析模块、文档自动生成模块,用于将阿尔兹海默症早期特征收集整理、自动绘制和生成图文报告。
请参考图2和图3,在对原始EEG数据的采集中,本实施例所采用的设备可以为便捷式BCI设备,它属于干电极高精度EEG采集装置,电极对称分布于前额叶或者额叶,电极点位左右对称分布,电极具有较高的采样率,能够满足对脑电信号的精确刻画,去噪、滤波、放大、编码和传输;该设备主要由生物传感器、前端电路设备等组成。
本实施例中,采用的检测算法***包括了数据传输和储存模块、数据分析算法模块;实现了将EEG信号数据,进行特征提取、算法判别,识别AD早期特征的功能。该***形态包括但不限于:云端平台***、终端设备显示***。
本实施例中,筛查报告***包括了数据分析模块,文档自动生成模块,实现了将AD早期特征收集整理、自动绘制和生成图文报告的功能,使患者、医务人员能更加清楚明了筛查结果。该***主要由软件***和打印设备组成。
基于本方法,更详细的,具体实施流程参考图4和图5,具体过程如下:
第一,对便携式BCI设备佩戴、定位,阻抗调试,使其能够采集得到前额叶以及额叶平稳自发头皮脑电,以通过便携式BCI设备采集用户10分钟的静息EEG数据;
其中,采集时间为10分钟,用户静止坐立,保持头部和身体尽量不晃动,前5分钟睁眼状态,后5分钟闭眼状态;全程保持环境温度和噪声在正常适宜水平。
第二,对数据进行预处理、编码,即先对脑电信号进行放大,再运行部署在前端的阈值筛除、共模抑制、参考减除算法对信号进行简单处理,将处理后的6通道信号数据使用A/D转换器转换为数字信号,而后进行脑电信号去噪滤波处理。这里采用滤波算法对原始数据进行滤波,过滤其中的高频、低频伪迹,以及工频干扰、眼电等噪音,得到纯净的脑电信号;而处理载体不限于云端计算、前端计算;较优的,在本方案采用前端智能芯片进行计算。
其中,脑电信号放大使用模拟方法电路对共计10通道(包含1接地,1参考通道)的脑电数据进行放大;具体放大倍数为1000倍,采用20级放大电路,第一级放大2倍,第二级放大50倍;
其中,采用阈值筛除去除相对伏值在100uV以上的信号;采用共模抑制算法提升信噪比;参考减除算法具体是将A1,A2参考电势取平均,与共模抑制后的6个测量通道数据相减。
第三,将处理后的数字信号数据压缩后,实时传输阿尔兹海默症检测算法***。传输的方式可以是任何一种无线连接方式,包括但不限于蓝牙、数据流量和WiFi,较优地,本方案采用蓝牙方式传输数据。
第四,通过阿尔兹海默症检测算法***对数据进行解码、特征提取、质量判别和粗分析、发病概率判别和发病情况预测,具体步骤包括:
1.将压缩的高频数字信号数据还原为8信号通道波形数据;
2.提取其中的睁眼时域特征波形,时域序列关系和重复模式,闭眼时域特征波形,认知形成特征波形,记忆力重构特征波形等特征,这些特征是通过大量实验数据所分析得到的;
其中,前五分钟为睁眼状态,后五分钟为闭眼状态。
3.对AD早期征兆进行分级标注,分别表征AD发病概率,并应用卷积神经网络,将前面提取的特征作为输入,判别得出生成结果模型,从而判别AD早期特征风险概率;
其中,对AD早期征兆,进行分级标注,分为0~5级,分别表征AD发病概率的0%、20%、40%、60%、80%、100%分位值。
4.应用生成模型,将上述模型评估得到的发病概率评级作为输入,得到连续的发病概率、发病时间、发病严重程度估计值,这里的模型输入可采用病例分析方法进行标注。
第五,通过早期筛查报告***,整理预测特征数据,自动生成图表或图文报告,打印并呈现给用户和医务人员。图表可以是发病概率与时间关系图、病情程度预测图、认知功能测评指标图、病情预测图表等,报告包括医学诊断建议、学干预、认知干预建议等,并将结果反馈给用户、医生以及其他检测人员。
请参考图6,图6为本发明所提供的一种基于EEG信号的阿尔兹海默症筛查***,用于实现上述方法,包括:
BCI设备101,用于采集用户的脑电信号,对脑电信号进行预处理、编码,并传输到检测算法***;
检测算法***102,用于对接收到的脑电信号进行解码,从解码后的脑电信号中提取用户的睁眼状态特征和闭眼状态特征,将睁眼状态特征和闭眼状态特征输入至卷积神经网络,得到阿尔兹海默症发病概率评级。
可见,本***中,由BCI采集脑电信号进行信号处理并传输到检测算法***,检测算法***从解码后的脑电信号中提取用户的睁眼状态特征和闭眼状态特征,利用睁眼状态特征、闭眼状态特征以及卷积神经网络得到阿尔兹海默症发病概率评级,即通过从EEG信号中提取用户的发病概率评级,进而完成阿尔兹海默症筛查,实现对阿尔兹海默症进行快速筛查,提升了筛查的效率,即可以实现利用人工智能算法自动化识别阿尔兹海默症早期EEG特征,能提前3-5年对发病情况进行预测、预警。
对于本发明提供的基于EEG信号的阿尔兹海默症筛查***的介绍请参照前述的基于EEG信号的阿尔兹海默症筛查方法的实施例,本发明实施例在此不再赘述。本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于EEG信号的阿尔兹海默症筛查方法及***进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (7)
1.一种基于EEG信号的阿尔兹海默症筛查方法,其特征在于,包括:
BCI设备采集用户的脑电信号,对脑电信号进行预处理、编码,并传输到检测算法***;
检测算法***对接收到的脑电信号进行解码,从解码后的脑电信号中提取用户的睁眼状态特征和闭眼状态特征,将睁眼状态特征和闭眼状态特征输入至卷积神经网络,得到阿尔兹海默症发病概率评级。
2.如权利要求1所述的方法,其特征在于,还包括:
检测算法***将阿尔兹海默症发病概率评级输入至生成模型中,得到阿尔兹海默症的发病概率、发病时间、发病严重程度。
3.如权利要求1所述的方法,其特征在于,所述BCI设备采集用户的脑电信号的时间包括睁眼时间段和闭眼时间段。
4.如权利要求3所述的方法,其特征在于,所述睁眼状态特征是睁眼时间段内脑电信号的频率分布、时域特征波形、时域序列关系、重复模式;所述闭眼状态特征是闭眼时间段内脑电信号的频率分布、时域特征波形、时域序列关系、重复模式。
5.如权利要求2所述的方法,其特征在于,还包括:
检测算法***将发病概率、发病时间、发病严重程度发送至早期筛查报告***;
早期筛查报告***依据发病概率、发病时间、发病严重程度生成相应图表和图文报告。
6.如权利要求5所述的方法,其特征在于,所述筛查报告***包括数据分析模块、文档自动生成模块,用于将阿尔兹海默症早期特征收集整理、自动绘制和生成图文报告。
7.一种基于EEG信号的阿尔兹海默症筛查***,其特征在于,用于实现如权利要求1至6中任意一项所述的方法,包括:
BCI设备,用于采集用户的脑电信号,对脑电信号进行预处理、编码,并传输到检测算法***;
检测算法***,用于对接收到的脑电信号进行解码,从解码后的脑电信号中提取用户的睁眼状态特征和闭眼状态特征,将睁眼状态特征和闭眼状态特征输入至卷积神经网络,得到阿尔兹海默症发病概率评级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365783.3A CN113208629A (zh) | 2021-04-06 | 2021-04-06 | 一种基于eeg信号的阿尔兹海默症筛查方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365783.3A CN113208629A (zh) | 2021-04-06 | 2021-04-06 | 一种基于eeg信号的阿尔兹海默症筛查方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113208629A true CN113208629A (zh) | 2021-08-06 |
Family
ID=77086530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110365783.3A Pending CN113208629A (zh) | 2021-04-06 | 2021-04-06 | 一种基于eeg信号的阿尔兹海默症筛查方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113208629A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113729709A (zh) * | 2021-09-23 | 2021-12-03 | 中国科学技术大学先进技术研究院 | 神经反馈设备、神经反馈方法及计算机可读存储介质 |
CN115346657A (zh) * | 2022-07-05 | 2022-11-15 | 深圳市镜象科技有限公司 | 利用迁移学习提升老年痴呆的识别效果的训练方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070299360A1 (en) * | 2006-06-21 | 2007-12-27 | Lexicor Medical Technology, Llc | Systems and Methods for Analyzing and Assessing Dementia and Dementia-Type Disorders |
CN103150611A (zh) * | 2013-03-08 | 2013-06-12 | 北京理工大学 | Ii型糖尿病发病概率分层预测方法 |
CN110781751A (zh) * | 2019-09-27 | 2020-02-11 | 杭州电子科技大学 | 基于跨连型卷积神经网络的情感脑电信号分类方法 |
CN111407231A (zh) * | 2020-03-30 | 2020-07-14 | 河北省科学院应用数学研究所 | 用于检测阿兹海默症罹患风险的方法、装置及终端设备 |
JP2021045208A (ja) * | 2019-09-14 | 2021-03-25 | 卓成 桂 | 認知症リスク判定システム |
-
2021
- 2021-04-06 CN CN202110365783.3A patent/CN113208629A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070299360A1 (en) * | 2006-06-21 | 2007-12-27 | Lexicor Medical Technology, Llc | Systems and Methods for Analyzing and Assessing Dementia and Dementia-Type Disorders |
CN103150611A (zh) * | 2013-03-08 | 2013-06-12 | 北京理工大学 | Ii型糖尿病发病概率分层预测方法 |
JP2021045208A (ja) * | 2019-09-14 | 2021-03-25 | 卓成 桂 | 認知症リスク判定システム |
CN110781751A (zh) * | 2019-09-27 | 2020-02-11 | 杭州电子科技大学 | 基于跨连型卷积神经网络的情感脑电信号分类方法 |
CN111407231A (zh) * | 2020-03-30 | 2020-07-14 | 河北省科学院应用数学研究所 | 用于检测阿兹海默症罹患风险的方法、装置及终端设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113729709A (zh) * | 2021-09-23 | 2021-12-03 | 中国科学技术大学先进技术研究院 | 神经反馈设备、神经反馈方法及计算机可读存储介质 |
CN113729709B (zh) * | 2021-09-23 | 2023-08-11 | 中科效隆(深圳)科技有限公司 | 神经反馈设备、神经反馈方法及计算机可读存储介质 |
CN115346657A (zh) * | 2022-07-05 | 2022-11-15 | 深圳市镜象科技有限公司 | 利用迁移学习提升老年痴呆的识别效果的训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Seizure onset detection using empirical mode decomposition and common spatial pattern | |
Islam et al. | A wavelet-based artifact reduction from scalp EEG for epileptic seizure detection | |
Naik et al. | Single-channel EMG classification with ensemble-empirical-mode-decomposition-based ICA for diagnosing neuromuscular disorders | |
CN110013250B (zh) | 一种抑郁症***行为的多模式特征信息融合预测方法 | |
CN109498041B (zh) | 基于脑电与脉搏信息的驾驶员路怒状态识别方法 | |
Quiroga | What is the real shape of extracellular spikes? | |
CN112741638B (zh) | 一种基于eeg信号的医疗诊断辅助*** | |
CN110960191A (zh) | 一种基于频谱能量图的癫痫脑电信号分类方法 | |
Lopes et al. | Automatic electroencephalogram artifact removal using deep convolutional neural networks | |
CN113208629A (zh) | 一种基于eeg信号的阿尔兹海默症筛查方法及*** | |
Kehri et al. | EMG signal analysis for diagnosis of muscular dystrophy using wavelet transform, SVM and ANN | |
CN114190944B (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
Ibrahim et al. | Formulation of a novel classification indices for classification of human hearing abilities according to cortical auditory event potential signals | |
Fickling et al. | Good data? The EEG quality index for automated assessment of signal quality | |
CN114569141A (zh) | 一种基于特征通道融合和深度学习的癫痫预测*** | |
CN113208620A (zh) | 一种基于睡眠分期的阿尔兹海默症筛查方法、*** | |
Li et al. | A segmentation-denoising network for artifact removal from single-channel EEG | |
CN115188448A (zh) | 一种基于脑电波的中医医生诊疗经验记录方法 | |
JP2017042562A (ja) | 楽曲聴取経験有無推定方法、楽曲聴取経験有無推定装置、及び楽曲聴取経験有無推定プログラム | |
Chavan et al. | Effective epileptic seizure detection by classifying focal and non-focal EEG signals using human learning optimization-based hidden Markov model | |
Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
Siuly et al. | Exploring Rhythms and Channels-Based EEG Biomarkers for Early Detection of Alzheimer's Disease | |
Anastasiadou et al. | Detection and removal of muscle artifacts from scalp EEG recordings in patients with epilepsy | |
CN116616771B (zh) | 多通道简易精神状态检测方法、装置及*** | |
Jaffino et al. | Expectation-maximization extreme machine learning classifier for epileptic seizure detection |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210806 |