CN113729729B - 基于图神经网络和脑网络的精神***症早期检测*** - Google Patents
基于图神经网络和脑网络的精神***症早期检测*** Download PDFInfo
- Publication number
- CN113729729B CN113729729B CN202110932958.4A CN202110932958A CN113729729B CN 113729729 B CN113729729 B CN 113729729B CN 202110932958 A CN202110932958 A CN 202110932958A CN 113729729 B CN113729729 B CN 113729729B
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- neural network
- schizophrenia
- characteristic
- 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.)
- Active
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
- A61B5/24—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
- A61B5/16—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
- A61B5/24—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]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/38—Acoustic or auditory stimuli
-
- 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
- A61B5/7264—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)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Child & Adolescent Psychology (AREA)
- Signal Processing (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Neurosurgery (AREA)
- Acoustics & Sound (AREA)
- Educational Technology (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
提供了一种基于图神经网络和脑网络的精神***症早期检测***及方法,包括脑电信号采集单元,用于采集测试者在MMN范式的听觉刺激期间的128通道的EEG信号;溯源分析单元,用于将EEG信号划分为四个频段,将各个频段的EEG信号分别进行溯源分析重建为脑内皮质层的内源性电活动;脑网络构建单元,用于根据所述脑内皮质层的内源性电活动构建各个频段的脑网络;图神经网络单元,用于从所述各个频段的脑网络提取相应的各个频段的脑网络特征,所述图神经网络单元包括全连接神经网络模块,所述全连接神经网络模块用于接收人口学特征、认知特征、事件相关电位特征以及所述脑网络特征并进行分类,输出分类结果作为检测结果。该检测***可以提高精神***症的早期识别准确率。
Description
技术领域
本发明涉及精神***症早期检测领域,尤其涉及一种基于图神经网络和脑网络的精神***症早期检测***。
背景技术
精神***症是以思维、情感、行为等多方面的障碍以及精神活动的不协调为主要特征的一类最常见的精神类疾病。目前,精神***症的发病原因尚不明确,缺乏生物指标,无法早期识别,其发病过程缓慢、隐匿,经常反复发作,若不尽早发现,耽误最佳就诊时间,甚至有可能对自己、他人造成伤害。
精神***症的主要症状包含阴性症状、阳性症状和认知障碍,且认知障碍的出现要在疾病出现之前更早发生。对精神***症认知障碍的研究主要集中在高级认知功能,但是基础感觉损害一样在精神***症中存在并影响着高级认知功能。基础感觉障碍中研究最多的是听觉加工缺陷,即对声音编码功能方面的缺损。所以,从听觉功能受损出发,发现良好的临床客观标记物,帮助其临床很好的异常检出,是目前精神***症感觉受损的研究重点。
精神***症目前的诊断主要依靠医务人员在临床症状表现出来后,通过对症状的描述进行检测和鉴别,主观性强。目前,亟需有效辅助精神***症临床检测和早期筛查的客观指标。
因此,有必要研究一种基于图神经网络和脑网络的精神***症早期检测***来解决上述的一个或多个技术问题。
发明内容
为解决上述至少一个技术问题,申请人研究发现,在精神***症中不同大脑区域之间功能相互作用(即脑网络)的障碍,这被认为是导致精神***症认知障碍的原因。脑功能不是由单个神经元或单一脑区独立完成的,而是大脑的不同区域之间交互作用完成的。因此,神经功能紊乱与脑连接(脑网络)遭到损坏相关。结合该研究结果,根据本发明一方面,提供了一种基于图神经网络和脑网络的精神***症早期检测***,其特征在于包括:
脑电信号采集单元,用于采集测试者在MMN范式的听觉刺激期间的128通道的EEG信号;
溯源分析单元,用于将EEG信号划分为delta(1.5-4Hz),theta(4-8Hz),alpha(8-13Hz)和beta(13-30Hz)四个频段,将各个频段的EEG信号分别进行溯源分析重建为脑内皮质层的内源性电活动;
脑网络构建单元,用于根据所述脑内皮质层的内源性电活动构建各个频段的脑网络;
图神经网络单元,用于从所述各个频段的脑网络提取相应的各个频段的脑网络特征,所述图神经网络单元包括全连接神经网络模块,所述全连接神经网络模块用于接收人口学特征、认知特征、事件相关电位特征以及所述脑网络特征并进行分类,输出分类结果作为检测结果。
根据本发明又一方面,所述人口学特征包括测试者的年龄、受教育年限和IQ。
根据本发明又一方面,事件相关电位特征包括所述EEG信号中的失匹配负波的幅值和潜伏期。
根据本发明又一方面,所述的基于图神经网络和脑网络的精神***症早期检测***还包括精神***症认知功能成套测验单元,用于获取所述认知特征。
根据本发明又一方面,所述的基于图神经网络和脑网络的精神***症早期检测***还包括检测结果输出单元,所述全连接神经网络模块针对四个频段的脑网络特征输出四个分类结果,所述检测结果输出单元根据所述四个分类结果输出检测结果,所述检测结果由三个及以上相同的分类结果确定。
根据本发明又一方面,还提供一种基于图神经网络和脑网络的精神***症早期检测方法,其特征在于包括以下步骤:
采集测试者在MMN范式的听觉刺激期间的128通道的EEG信号;
将EEG信号划分为delta(1.5-4Hz),theta(4-8Hz),alpha(8-13Hz)和beta(13-30Hz)四个频段,将各个频段的EEG信号分别进行溯源分析重建为脑内皮质层的内源性电活动;
根据所述脑内皮质层的内源性电活动构建各个频段的脑网络;
利用图神经网络从所述各个频段的脑网络提取相应的各个频段的脑网络特征;
通过全连接神经网络模块接收人口学特征、认知特征、事件相关电位特征以及所述脑网络特征并进行分类,输出分类结果作为检测结果。
根据本发明又一方面,所述人口学特征包括测试者的年龄、受教育年限和IQ。
根据本发明又一方面,所述事件相关电位特征包括所述EEG信号中的失匹配负波的幅值和潜伏期。
根据本发明又一方面,利用精神***症认知功能成套测验单元获取所述认知特征。
根据本发明又一方面,通过所述全连接神经网络模块针为四个频段的脑网络特征输出四个分类结果,根据所述四个分类结果输出检测结果,所述检测结果由三个及以上相同的分类结果确定。
本发明可以获得以下一个或多个技术效果:
本发明中的图神经网络(GNN)模型结合MMN(Mismatch negativity,失匹配负波)事件相关电位的特征、人口学特征和认知特征,提高了对精神***症的早期识别准确率,可提供给医生参考;
通过构建脑网络以及提取的脑网络特征可识别精神***症中不同大脑区域之间功能相互作用的障碍,从而提高对首发精神***症、慢性精神***症和健康受试者的分类准确率;
通过一次检测获得四个频段的脑网络特征和相应的四个分类结果,以三个及以上相同的分类结果确定为检测结果,进一步提高了检测的准确性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为根据本发明的一种优选实施例的基于图神经网络和脑网络的精神***症早期检测***的示意图。
图2为针对不同人群(FESZ、CSZ和HC)在不同频段构建的脑网络的示意图。
图3为图神经网络和经典的支持向量机(SVM)用于提取脑网络特征的效果(fMMN,频率偏差刺激时)比较图。
图4为图神经网络和经典的支持向量机(SVM)用于提取脑网络特征的效果(dMMN,持续时间偏差刺激时)比较图。
具体实施方式
下面结合附图,通过优选实施例来描述本发明的最佳实施方式,这里的具体实施方式在于详细地说明本发明,而不应理解为对本发明的限制,在不脱离本发明的精神和实质范围的情况下,可以做出各种变形和修改,这些都应包含在本发明的保护范围之内。
实施例1
根据本发明一种优选实施方式,参见图1-3,提供了一种基于图神经网络和脑网络的精神***症早期检测***,其特征在于包括:
脑电信号采集单元,用于采集测试者在MMN范式的听觉刺激期间的128通道的EEG信号;
溯源分析单元,用于将EEG信号划分为delta(1.5-4Hz),theta(4-8Hz),alpha(8-13Hz)和beta(13-30Hz)四个频段,将各个频段的EEG信号分别进行溯源分析重建为脑内皮质层的内源性电活动;
脑网络构建单元,用于根据所述脑内皮质层的内源性电活动构建各个频段的脑网络(即脑网络拓扑图);
图神经网络单元,用于从所述各个频段的脑网络提取相应的各个频段的脑网络特征,所述图神经网络单元包括全连接神经网络模块,所述全连接神经网络模块用于接收人口学特征、认知特征、事件相关电位特征以及所述脑网络特征并进行分类,输出分类结果作为检测结果。
根据本发明又一优选实施方式,所述人口学特征包括测试者的年龄、受教育年限和IQ。
根据本发明又一优选实施方式,事件相关电位特征包括所述EEG信号中的失匹配负波的幅值和潜伏期。
根据本发明又一优选实施方式,所述的基于图神经网络和脑网络的精神***症早期检测***还包括精神***症认知功能成套测验单元,用于获取所述认知特征。
根据本发明又一优选实施方式,所述的基于图神经网络和脑网络的精神***症早期检测***还包括检测结果输出单元,所述全连接神经网络模块针对四个频段的脑网络特征输出四个分类结果,所述检测结果输出单元根据所述四个分类结果输出检测结果,所述检测结果由三个及以上相同的分类结果确定。
优选地,所述分类结果包括首发精神***症(FESZ)、慢性精神***症(CSZ)和健康。
根据本发明又一优选实施方式,还提供一种基于图神经网络和脑网络的精神***症早期检测方法,其特征在于包括以下步骤:
采集测试者在MMN范式的听觉刺激期间的128通道的EEG信号;
将EEG信号划分为delta(1.5-4Hz),theta(4-8Hz),alpha(8-13Hz)和beta(13-30Hz)四个频段,将各个频段的EEG信号分别进行溯源分析重建为脑内皮质层的内源性电活动;
根据所述脑内皮质层的内源性电活动构建各个频段的脑网络;
利用图神经网络从所述各个频段的脑网络提取相应的各个频段的脑网络特征;
通过全连接神经网络模块接收人口学特征、认知特征、事件相关电位特征以及所述脑网络特征并进行分类,输出分类结果作为检测结果。
根据本发明又一优选实施方式,所述人口学特征包括测试者的年龄、受教育年限和IQ。
根据本发明又一优选实施方式,所述事件相关电位特征包括所述EEG信号中的失匹配负波的幅值和潜伏期。
根据本发明又一优选实施方式,利用精神***症认知功能成套测验单元获取所述认知特征。
根据本发明又一优选实施方式,通过所述全连接神经网络模块针为四个频段的脑网络特征输出四个分类结果,根据所述四个分类结果输出检测结果,所述检测结果由三个及以上相同的分类结果确定。
优选地,人口学资料记录了被试的年龄、IQ和受教育年限。认知评估采用精神***症认知功能成套测验(MATRICS Consensus Cognitive Battery,MCCB),MCCB包括10项分测验,来评估7个心理维度:(1)处理速度(SOP),包括连线测验(TMT)、符号编码测验(SC)及语义流畅性测验(CF);(2)注意/警觉(Attention/Vigilance),即持续操作测验(CPT-IP);(3)工作记忆(WM),包括数字序列测验(DS)及空间广度测验(SS);(4)言语学习和记忆,即言语记忆测验(HVLT-R);(5)视觉学习和记忆(Visual Learning and Memory),即视觉记忆测验(BVMT-R);(6)推理与问题解决能力(Reasoning and Problem Solving),即迷宫测验(MAZES);(7)社会认知(Social Cognition),即情绪管理测验。
优选地,采集原始脑电信号,MMN采集范式中总共825次听觉刺激,其中包括两种类型的偏差刺激各有75次(各占9%,总150次刺激,占18%)和标准刺激675次(占82%)。声音刺激通过耳机传达给被试,刺激之间的时间间隔为500-550ms。标准刺激设计的频率为1000Hz,强度为75dB,持续时间为50ms。实验中包含两种偏差刺激,分别为频率偏差(频率为1500Hz,强度为75dB,持续时间为50ms)和持续时间偏差(频率1000Hz,强度为75dB,持续时间为100毫秒)。前15个刺激设置为标准刺激类型。参与者在实验过程中无需主动识别任务刺激。
优选地,采集到的EEG原始信号首先进行离线的一系列预处理:将全部导联数据进行重参考,之后进行0.1Hz~40Hz的带通滤波,用独立主成分分析进行眼动伪迹的去除,最后通过人工浏览全部的数据将伪迹手动去除。取每次刺激前100ms,到刺激后的500ms,将前100ms来做基线校准,将每个被试的所有标准刺激截取到的波形进行叠加平均,同样,两种偏差刺激截取到的波形也分别进行叠加平均。用频率偏差刺激得到的波形减去标准刺激叠加平均得到的波形,就得到每个被试的频率MMN波形。同理,也可以得到持续时间MMN。对每组的波形进行叠加平均,就会得到每个组的MMN波形。MMN成分出现在刺激后的100-250ms中间,所以在后期进行脑网络构建时使用100-250ms数据段。
优选地,使用eLORETA方法将头皮脑电图信号进行溯源分析重建脑内皮质层时间序列。以AAL脑区分区为标准提取80个脑区的中心体素源的活动来代表各个脑区。
优选地,构建源水平的脑网络。参见图2,网络是由节点和连接节点的边组成的。脑网络的边通过相位滞后指数(Phase Lagged Index,PLI)来评估脑区间的相关性,从而构建以脑区为节点的大尺度脑功能网络。相位滞后指数是检测两个信号之间相位差分布不对称性的一种方法,它可以反映出一个信号相对于另一个信号相位超前或是滞后的一致性,是相位同步性的一个有效估计。PLI对信号的容积导体效应不敏感,可以只关注信号之间的耦合关系。
PLI通过计算相位差分布规律的不对称性对来自同一源(如容积导体效应或活动参考)不敏感的相位同步性做了一个估计,这些分布表现为与0的相位差。当两个时间序列之间没有相位耦合关系存在时,这种分布是水平的。任何偏离这个水平分布的偏差都是相位同步性的一个指示。
此处sign是符号函数,假定:则PLI的变化范围是0到1即0≤PLI≤1。PLI为0表明不存在耦合关系或与相位差接近于0modπ存在耦合关系。PLI为1表明在值处与0modπ不同的完美相位锁定。这种非0相位锁定越强烈,PLI越接近于1。
优选地,预先对GNN模型进行训练。首先,通过分层图卷积和图池化提取脑网络数据中的图特征,使用切比雪夫谱图卷积算子(ChebConv)近似卷积核,同时使用节点特征和边缘权重,卷积层提取和学习对分类有用的网络特征信息。接下来,图池化是避免过度拟合和减少信息冗余和噪声的重要操作,通过TopKPooling实现。经过以上图卷积模型得到了脑网络特征可以被认为是原始图的压缩和细化表示,将这些特征重塑为向量并馈送到全连接层,其输出与其他量化指标(包括人口学特征、事件相关电位特征和认知特征)连接,然后由全连接神经网络模块进行分类。
针对本发明的五折交叉验证分类准确率如表1所示,整体相对较高。
表1图神经网络分类准确率
进一步,本发明比较了GNN和经典的SVM应用于提取脑网络特征的效果,结果如表2(SVM和GNN分类器对首发精神***症、慢性精神***症和健康受试者进行10次五折交叉验证)所示,GNN分类结果显著优于SVM,本发明为区分FESZ、CSZ和HC组提供了有效的方法。
表2 GNN和SVM分类的准确率(%)
进一步,参见图3,其示出了频率偏差刺激(fMMN)情形下分别由GNN和SVM分类器对FESZ、CSZ和HC模式进行分类的四个性能指标(准确度、召回率、精确度和F1分数)的结果。参见图4,其示出了持续时间偏差刺激(dMMN)情形下分别由GNN和SVM分类器对FESZ、CSZ和HC模式进行分类的四个性能指标(准确度、召回率、精确度和F1分数)的结果。GNN和SVM分类结果的图表分别显示在每条虚线的左侧和右侧。FESZ:首发精神***症;CSZ:慢性精神***症;HC:健康对照。
通过比较可知,持续时间偏差刺激(dMMN)情形下,由GNN分类器对FESZ、CSZ和HC模式进行分类的四个性能指标(准确度、召回率、精确度和F1分数)均表现最佳。有利地,采集脑电信号期间,给予测试者持续时间偏差的听觉刺激,将进一步提高检测结果的准确性。
本发明可以获得以下一个或多个技术效果:
本发明中的图神经网络(GNN)模型结合MMN(Mismatch negativity,失匹配负波)事件相关电位的特征、人口学特征和认知特征,提高了对精神***症的早期识别准确率,可提供给医生参考;
通过构建脑网络以及提取的脑网络特征可识别精神***症中不同大脑区域之间功能相互作用的障碍,从而提高对首发精神***症、慢性精神***症和健康受试者的分类准确率;
通过一次检测获得四个频段的脑网络特征和相应的四个分类结果,以三个及以上相同的分类结果确定为检测结果,进一步提高了检测的准确性。
本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于图神经网络和脑网络的精神***症早期检测***,其特征在于包括:
脑电信号采集单元,用于采集测试者在MMN范式的听觉刺激期间的128 通道的EEG信号;
溯源分析单元,用于将EEG信号划分为delta、 theta、alpha和beta四个频段,将各个频段的EEG信号分别进行溯源分析重建为脑内皮质层的内源性电活动,所述delta 频段为1.5-4 Hz, theta 频段为4-8 Hz, alpha频段为8-13 Hz和beta频段为13-30 Hz ;
脑网络构建单元,用于根据所述脑内皮质层的内源性电活动构建各个频段的脑网络;
图神经网络单元,用于从所述各个频段的脑网络提取相应的各个频段的脑网络特征并通过所述脑网络以及脑网络特征识别精神***症中不同大脑区域之间功能相互作用的障碍,所述图神经网络单元包括全连接神经网络模块,所述全连接神经网络模块用于接收人口学特征、认知特征、事件相关电位特征以及所述脑网络特征并进行分类,输出分类结果作为检测结果。
2.根据权利要求1所述的基于图神经网络和脑网络的精神***症早期检测***,其特征在于所述人口学特征包括测试者的年龄、受教育年限和IQ。
3.根据权利要求2所述的基于图神经网络和脑网络的精神***症早期检测***,其特征在于事件相关电位特征包括所述EEG信号中的失匹配负波的幅值和潜伏期。
4.根据权利要求1-3任一项所述的基于图神经网络和脑网络的精神***症早期检测***,其特征在于还包括精神***症认知功能成套测验单元,用于获取所述认知特征。
5.根据权利要求4所述的基于图神经网络和脑网络的精神***症早期检测***,其特征在于还包括检测结果输出单元,所述全连接神经网络模块针对四个频段的脑网络特征输出四个分类结果,所述检测结果输出单元根据所述四个分类结果输出检测结果,所述检测结果由三个及以上相同的分类结果确定,所述MMN范式的听觉刺激为持续时间偏差刺激。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932958.4A CN113729729B (zh) | 2021-08-13 | 2021-08-13 | 基于图神经网络和脑网络的精神***症早期检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932958.4A CN113729729B (zh) | 2021-08-13 | 2021-08-13 | 基于图神经网络和脑网络的精神***症早期检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113729729A CN113729729A (zh) | 2021-12-03 |
CN113729729B true CN113729729B (zh) | 2022-06-14 |
Family
ID=78731186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110932958.4A Active CN113729729B (zh) | 2021-08-13 | 2021-08-13 | 基于图神经网络和脑网络的精神***症早期检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113729729B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114081512A (zh) * | 2021-12-20 | 2022-02-25 | 天津大学 | 评估经颅直流电刺激对大脑听觉加工能力影响程度的方法 |
CN115081558B (zh) * | 2022-08-22 | 2022-11-15 | 北京元亦科技有限公司 | 一种基于图神经网络的脑网络数据分类方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017041161A1 (en) * | 2015-09-10 | 2017-03-16 | Advanced Mood Systems Inc | A system and method for mood monitoring and/or episode prediction in a patient diagnosed with a mood disorder |
CN110063732A (zh) * | 2019-04-15 | 2019-07-30 | 北京航空航天大学 | 用于精神***症早期检测和风险预测*** |
CN110522448A (zh) * | 2019-07-12 | 2019-12-03 | 东南大学 | 一种基于图卷积神经网络的脑网络分类方法 |
CN111419221A (zh) * | 2020-02-14 | 2020-07-17 | 广东***职业学院 | 一种基于图卷积网络的脑电图信号分析方法 |
CN111544256A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于图卷积和迁移学习的脑控智能全肢体康复方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109288518A (zh) * | 2018-08-16 | 2019-02-01 | 北京薏然阳光电子技术有限公司 | 基于EEG和ERPs的脑认知神经功能测评***及方法 |
CN109770924B (zh) * | 2019-01-24 | 2020-06-19 | 五邑大学 | 一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法 |
-
2021
- 2021-08-13 CN CN202110932958.4A patent/CN113729729B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017041161A1 (en) * | 2015-09-10 | 2017-03-16 | Advanced Mood Systems Inc | A system and method for mood monitoring and/or episode prediction in a patient diagnosed with a mood disorder |
CN110063732A (zh) * | 2019-04-15 | 2019-07-30 | 北京航空航天大学 | 用于精神***症早期检测和风险预测*** |
CN110522448A (zh) * | 2019-07-12 | 2019-12-03 | 东南大学 | 一种基于图卷积神经网络的脑网络分类方法 |
CN111419221A (zh) * | 2020-02-14 | 2020-07-17 | 广东***职业学院 | 一种基于图卷积网络的脑电图信号分析方法 |
CN111544256A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于图卷积和迁移学习的脑控智能全肢体康复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113729729A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaongoen et al. | A novel hybrid auditory BCI paradigm combining ASSR and P300 | |
Wu et al. | Automatic epileptic seizures joint detection algorithm based on improved multi-domain feature of cEEG and spike feature of aEEG | |
Yuvaraj et al. | Hemispheric asymmetry non-linear analysis of EEG during emotional responses from idiopathic Parkinson’s disease patients | |
CN113729729B (zh) | 基于图神经网络和脑网络的精神***症早期检测*** | |
Sulaiman et al. | EEG-based stress features using spectral centroids technique and k-nearest neighbor classifier | |
Khoshnevis et al. | Classification of the stages of Parkinson’s disease using novel higher-order statistical features of EEG signals | |
Firooz et al. | IQ estimation by means of EEG-fNIRS recordings during a logical-mathematical intelligence test | |
Miller et al. | P300 latency, but not amplitude or topography, distinguishes between true and false recognition. | |
Ariza et al. | Evaluating the effect of aging on interference resolution with time-varying complex networks analysis | |
Placidi et al. | Classification strategies for a single-trial binary Brain Computer Interface based on remembering unpleasant odors | |
Jafarpisheh et al. | Nonlinear feature extraction for objective classification of complex auditory brainstem responses to diotic perceptually critical consonant-vowel syllables | |
Panachakel et al. | Automated classification of EEG into meditation and non-meditation epochs using common spatial pattern, linear discriminant analysis, and LSTM | |
Reches et al. | A novel ERP pattern analysis method for revealing invariant reference brain network models | |
Alsaggaf et al. | Directions of autism diagnosis by electroencephalogram based brain computer interface: a review | |
Parmar et al. | Significance of pre-processing phase and dimensionality reduction in EEG-based dyslexia diagnosis with novel features | |
Vijean et al. | Objective investigation of vision impairments using single trial pattern reversal visually evoked potentials | |
Radhakrishnan et al. | Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis. | |
Sushkova et al. | Development of a method for early and differential diagnosis of Parkinson's disease and essential tremor based on analysis of wave train electrical activity of muscles | |
Pawar et al. | Diagnosis and classification of epileptic seizure a neurological disorder using electroencephalography | |
Tasnim et al. | An approach for analyzing cognitive behavior of autism spectrum disorder using P300 BCI data | |
Eva et al. | Amplitude Modulation Index as Feature in a Brain Computer Interface. | |
Ghani et al. | Classification of frontal EEG signals of normal subjects to differentiate gender by using Artificial Neural Network | |
Fernández-Varela et al. | Automatic detection of EEG arousals | |
Saini et al. | Information detection in brain using wavelet features and K-nearest neighbor | |
Waschke et al. | Neural noise in the age-varying human brain predicts perceptual decisions |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |