CN114305343A - 一种基于互补集合经验模态分解的单导脑电睡眠分期方法 - Google Patents
一种基于互补集合经验模态分解的单导脑电睡眠分期方法 Download PDFInfo
- Publication number
- CN114305343A CN114305343A CN202210056658.9A CN202210056658A CN114305343A CN 114305343 A CN114305343 A CN 114305343A CN 202210056658 A CN202210056658 A CN 202210056658A CN 114305343 A CN114305343 A CN 114305343A
- Authority
- CN
- China
- Prior art keywords
- feature
- imf
- resnet
- data
- eeg
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 32
- 230000000295 complement effect Effects 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000008667 sleep stage Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 210000004556 brain Anatomy 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010013954 Dysphoria Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- 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CEEMD和精简ResNet的脑电分期方法。本发明采用了互补集合经验模态分解和精简ResNet对脑电信号进行分析，其特点在于：对于30‑s EEG信号首先采用互补集合经验模态分解(CEEMD)方法进行分解以获取本征模态分量(IMF)；然后将不同数目的IMF与EEG信号进行组合；再将不同组合的数据送入本方法精简的ResNet进行特征提取；最后将提取到的特征送入长短时记忆神经网络(LSTM)进行分类，为了解决睡眠数据样本中存在的数据样本不均衡问题，在分类网络中采用Focal_loss作为代价函数，通过上述改进和步骤提升睡眠分期的准确率。在SleepEDF‑2013数据集中的Fpz‑cz通道数据上验证了自己的算法流程，结果证明本发明提出的方法优于传统方法和其它分类网络算法，具有更好的分类效果。
Description
技术领域
本发明属于脑电信号处理领域，具体涉及一种基于互补集合经验模态分解(Complementary Empirical Mode Decomposition,CEEMD)和精简残差网络ResNet的睡眠分期方法。
背景技术
睡眠是人类最基本、最重要的生理过程之一，大约占据了个体生命三分之一的时间，对人体各项机能都具有着重要的恢复作用。睡眠分期是临床各类神经科疾病的重要评价诊断方法之一，如癫痫、抑郁症、焦躁症等。临床治疗专家通常根据对睡眠期间患者脑电图信号的视觉校验和测量多导睡眠图(Polysomnography,PSG)来分析睡眠模式，在8小时的睡眠中，对单个受试者进行大约2到4小时的视觉检查，不仅需要专业的评估人员，且极易造成视觉疲劳，所以基于视觉检查的传统睡眠分期过程是极度耗时并带有主观误判几率的。另外在某些情况下，如临床手术过程需要快速诊断睡眠状态。基于上述情况，自动脑电睡眠分期算法在最近的研究中得到了更多的关注，自动睡眠分期算法不仅可以加快诊断速度，而且还可以提高其准确性。
脑电信号(Electroencephalogram,EEG)记录过程简便而且无创，是家庭睡眠监测中替代医学睡眠监测设备的良好选择。脑电信号含有丰富的脑部生理信息，不同睡眠时期，脑电信号具有出不同的波形和信号强度，具有较大的差异性，但其本身比较微弱，在背景噪声很强的情况下，易受外在因素的影响，常见的干扰有眼电、尖脉冲以及白噪声等。如何有效的从原始脑电信号中去掉外界噪声和干扰，并提取出有效的特征信息，成为基于EEG信号的睡眠分期相关研究工作的重点。传统的信号特征提取方法主要包括四个方面:时域特征分析方法、频域特征分析方法、时频域特征分析方法、非线性动力学分析方法。基于经典先验知识的特征提取算法虽然具有较好的稳定性，但也会存在因为先验知识有限或者缺失而漏掉一些重要的信号特征的情况。并且，传统的特征提取方法需要单独对数据进行去噪处理，过程较为繁琐，在实际运用中很难实现实时、快速的分类。基于深度学习的特征提取方法，依靠深度网络强大的学习能力，自动选取具有区分性的信号特征。现在算力的提升，让我们不再需要对硬件资源有后顾之忧，通过神经网络自动挖缺分析数据成为研究热点。脑电信号本身也具有极强的前后关联特征，使用深度学习网络可以充分利用时序顺列前后关联信息，能到达更好的实验效果。本发明所使用的特征提取网络就是在ResNet基础之上的简化和改进。
发明内容
为了加快分类速度和提高分类准确率，以便更好地实现临床应用，本发明提出了一种基于互补集合经验模态分解(CEEMD)和精简ResNet的睡眠分期方法。睡眠分期研究中大多数方法是对原始信号预处理之后直接进行特征提取，该方法采用一种全新的思路，通过CEEMD分解后，得到本征模态分量(Intrinsic Mode Functions,IMF)，然后将原始EEG和所筛选出的IMF进行组合，再经过精简后的ResNet进行特征提取，最后送入长短时记忆网络LSTM进行分类。本发明方法从信号所包含的本征模态信息角度进行分析，并且采用精简后的ResNet进行特征提取，无需手动提取特征，使得睡眠分期更加准确高效。
本发明采用的技术方案如下：
一种基于互补集合经验模态分解CEEMD的单导脑电睡眠分期方法，该方法利用脑电信号分解之后的本征模态分量IMF与原始脑电信号EEG的组合数据形式进行分析；并且采用精简后残差网络ResNet对组合形式的数据进行表征信息提取；最后选取能够充分利用时序信号前后关联信息的长短期记忆人工神经网络LSTM进行分类，具体操作步骤如下：
(一)数据预处理：首先将原始EEG信号分成多个时间段信号，每一个时间段信号都对应一个相应的睡眠状态；然后每个时间段信号经过滤波器，得到含有主频成分的EEG信号；
(二)将步骤(一)中所得的含有主频成分的EEG信号进行互补集合经验模态分解CEEMD，得到若干条本征模态分量IMF和一条残留边带信息；
(三)将步骤(一)得到的含有主频成分的EEG信号和步骤(二)分解得到的前N条本征模态分量IMF分别送入精简、改进后的残差网络ResNet进行表征信息提取，然后将两部分提取到的表征信息进行特征拼接，作为送入分类网络得到最终特征；
(四)在将数据送入分类网络之前先进行维度转换，变成与标签一一对应的数据形式，并对数据进行归一化处理，最后送入长短时记忆人工神经网络LSTM进行分类，得到分类结果。
特别地，步骤(三)中所述的精简、改进后的残差网络ResNet是指只保留ResNet前两层的基本网络架构。
特别地，步骤(三)中N的值通过实验得到最优值。
特别地，步骤(三)中的特征拼接过程分两步，首先是将N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算，得到总IMF特征矩阵，即
其中FeatureIMF是N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算后得到的总IMF特征矩阵，FeatureIMF(i)是代表着第i个分量IMF经过ResNet得到的特征；
然后是将主频成分的EEG信号经过ResNet得到的一个特征矩阵与第一步中得到的总IMF特征矩阵进行横向拼接，即
Feature＝[FeatureEEG,FeatureIMF] (2)
其中FeatureEEG代表主频成分的EEG信号经过ResNet得到的特征矩阵，FeatureIMF是N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算后得到的总IMF特征矩阵，Feature就是将前面两部分提取到的表征信息进行特征拼接后得到的特征。
一般传统的睡眠分期方法中直接对原始信号进行信号分析，本方法采用一种全新的思路，即通过对原始信号进行互补集合经验模态分解(CEEMD)，获取到多条本征模态分量(IMF)，然后对原始EEG信号与不同条数IMF的组合数据进行分析，一定程度上对数据进行了增强与筛选，可以获取更多利于区别各睡眠状态的信息；其次特征提取部分，采用精简、改进之后的ResNet进行特征提取,无需手动提取、筛选特征信息，不仅可以加快分期速度，还可以实现端到端的整体快速分期框架，为便携式睡眠设备的开发提供了算法上的支撑；最后选用长短时记忆人工神经网络作为分类网络，并且使用聚焦***叉熵(Focal_loss)作为代价函数，减少数据样本占比不均匀所带来的不利影响，进一步提升分类效果。
附图说明
图1是CEEMD分解之后得到的本征模态分量示意图。
图2是本发明精简、改进之后的ResNet网络结构图。
图3是本发明的一种基于CEEMD和精简ResNet的睡眠分期整体流程图。
具体实施方式
下面结合附图和实例对本发明做详细的说明。
第一，本发明将CEEMD分解应用于EEG信号分解，来获取本征模态分量。
CEEMD不仅可以解决模式混叠问题，相较于EEMD迭代计算次数较少，大大减小了计算量，还可以消除白噪声，减小信号重构误差。具体计算步骤如下：
(1)在目标数据x中加入和减去高斯白噪声xn(振幅相同，相位角差为180度)，建立两个新的数据x1和x2，即
(2)对新数据x1和x2进行多次EMD计算，得到两组分解结果，然后分别用IFMx+和IMFx-表示两组分解结果的集合。EMD分解公式为：
其中N表示EMD在给定精度下分解的IMFs数，IMFi表示第i个IMF，rN是N次分解后的残差。
(3)计算IFMx+和IMFx-中对应分量的平均值，并将平均值作为互补集合经验模态分解(CEEMD)的最后分解结果。
IMFi＝(IFMxi++IMFxi-)/2 (5)
上式中i取1到N，N表示EMD分解得到的IMF条数。脑电信号经CEEMD分解后的信号形式如图1所示，一般实验中3000个点的EEG片段可以分解出10条IMF分量和一条残留边带信息，图中未画出残留边带信息。从图1也可以看出，并不是所有分解出来的IMF分量都包含丰富的波形信息，从第7条IMF分量开始信号幅值明显发生变化，前三条已经被证明包含重要原始信息，所以后续只截取前3-7条IMF分量进行分析。
第二，本发明精简、改进了ResNet网络模型，并将其应用于EEG信号的表征信息提取。
残差网络(ResNet)具有“简单实用”等突出特点。本发明中为将它应用于EEG信号特征提取，做出了如下改动：EEG信号是一维信号，数据结构简单，层次过深的网络结构会造成特征信息丢失和计算资源过度消耗，本方法对ResNet网络结构进行了精简，只保留了前两层的基本网络架构。不仅可以简化模型复杂度，保留更多特征信息，还可以满足实验时效性需求；卷积部分采用了一维卷积核以适应一维时序序列的维度要求。本方法将改进后的(ResNet)应用EEG信号的特征提取，具体网络结构如图2所示。
第三，是本发明使用的基于CEEMD和精简ResNet进行睡眠分期的整体流程框架。
如图3所示，该***包括数据预处理，CEEMD分解获取本征模态分量(IMF)提取，将主频EEG信号和筛选出IMF分别送入精简后的ResNet进行表征信息提取，融合两部分特征。
融合特征过程(特征拼接过程)分两步，首先是将N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算，得到总IMF特征矩阵，即
其中FeatureIMF是N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算后得到的总IMF特征矩阵，FeatureIMF(i)是代表着第i个分量IMF经过ResNet得到的特征。
然后是将主频成分的EEG信号经过ResNet得到的一个特征矩阵与第一步中得到的总IMF特征矩阵进行横向拼接，即
Feature＝[FeatureEEG,FeatureIMF] (2)
其中FeatureEEG代表主频成分的EEG信号经过ResNet得到的特征矩阵，FeatureIMF是N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算后得到的总IMF特征矩阵，Feature就是将前面两部分提取到的表征信息进行特征拼接后得到的特征。
利用长短时记忆神经网络(LSTM)进行分类，得到分类结果并保存，构建混淆矩阵(cvmax)，获取关键的评价指标。本发明提出的基于CEEMD和精简ResNet的进行睡眠分期的整体流程如下文所示：
1.数据预处理：将连续的原始EEG数据信号划分为长度为30s的数据段(epoch)，并根据原始文件中的标注信息给定对应的标签(label)；然后通过五阶巴特沃斯滤波筛选0.5Hz-50Hz的频率成分，这部分数据包含与睡眠关联最为密切的频段信息。
2.获取本征模态分量：将上一把处理得到的主频EEG信号送入CEEMD分解程序，分解并获取多条本征模态分量。
3.表征信息提取：将第一步获取到的主频EEG信号和分解之后获取到的IMF分量分别送入精简、改进后的ResNet进行表征信息提取，将两部分提取到的特征合并作为最终送入分类网络的特征。
4.分类网络分类：将步骤3中获取到的最终特征，输入带有Focal_loss长短时记忆神经网络进行分类。
5.获取关键评价指标：数据经分类网络后，与原始的数据一起构建混淆矩阵(cvmax)，计算所需要的关键参数：整体准确率(Overall-accuracy)、科恩帕斯指数(Cohen's kappa score)、整体调和平均指数(Macro-F1 accuracy)。为了说明该网络***的良好性能，采用传统和其他方法做了对照试验，并且都采用了相同数据集SleepEDF-2013的Fpz_Cz通道脑电数据，进行了20折交叉验证，实验结果也表明本发明方法的准确率、性能优于SleepEEGNet、RUSBoost等其他模型，如表1所示：
表1
同时实验中也对不同IMF条数与原始EEG信号的组合形式，也分别进行了实验验证，加入IMF分量对实验结果都有提升，并且在EEG+IMF4的组合形式下取得了最好的实验效果，如表2所示：
表2
Claims (4)
1.一种基于互补集合经验模态分解的单导脑电睡眠分期方法，该方法利用脑电信号分解之后的本征模态分量IMF与原始脑电信号EEG的组合数据形式进行分析；并且采用精简后残差网络ResNet对组合形式的数据进行表征信息提取；最后选取能够充分利用时序信号前后关联信息的长短期记忆人工神经网络LSTM进行分类，具体操作步骤如下：
(一)数据预处理：首先将原始EEG信号分成多个时间段信号，每一个时间段信号都对应一个相应的睡眠状态；然后每个时间段信号经过滤波器，得到含有主频成分的EEG信号；
(二)将步骤(一)中所得的含有主频成分的EEG信号进行互补集合经验模态分解CEEMD，得到若干条本征模态分量IMF和一条残留边带信息；
(三)将步骤(一)得到的含有主频成分的EEG信号和步骤(二)分解得到的前N条本征模态分量IMF分别送入精简、改进后的残差网络ResNet进行表征信息提取，然后将两部分提取到的表征信息进行特征拼接，作为送入分类网络得到最终特征；
(四)在将数据送入分类网络之前先进行维度转换，变成与标签一一对应的数据形式，并对数据进行归一化处理，最后送入长短时记忆人工神经网络LSTM进行分类，得到分类结果。
2.根据权利要求1所述的一种基于互补集合经验模态分解的单导脑电睡眠分期方法，其特征在于：步骤(三)中所述的精简、改进后的残差网络ResNet是指只保留ResNet前两层的基本网络架构。
3.根据权利要求1所述的一种基于互补集合经验模态分解的单导脑电睡眠分期方法，其特征在于：步骤(三)中N的值通过实验得到最优值。
4.根据权利要求1所述的一种基于互补集合经验模态分解的单导脑电睡眠分期方法，其特征在于：步骤(三)中的特征拼接过程分两步，首先是将N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算，得到总IMF特征矩阵，即
其中FeatureIMF是N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算后得到的总IMF特征矩阵，FeatureIMF(i)是代表着第i个分量IMF经过ResNet得到的特征；
然后是将主频成分的EEG信号经过ResNet得到的一个特征矩阵与第一步中得到的总IMF特征矩阵进行横向拼接，即
Feature＝[FeatureEEG,FeatureIMF]
其中FeatureEEG代表主频成分的EEG信号经过ResNet得到的特征矩阵，FeatureIMF是N个分量IMF经过ResNet得到的N个特征矩阵进行加法运算后得到的总IMF特征矩阵，Feature就是将前面两部分提取到的表征信息进行特征拼接后得到的特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210056658.9A CN114305343A (zh) | 2022-01-18 | 2022-01-18 | 一种基于互补集合经验模态分解的单导脑电睡眠分期方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210056658.9A CN114305343A (zh) | 2022-01-18 | 2022-01-18 | 一种基于互补集合经验模态分解的单导脑电睡眠分期方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114305343A true CN114305343A (zh) | 2022-04-12 |
Family
ID=81028253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210056658.9A Pending CN114305343A (zh) | 2022-01-18 | 2022-01-18 | 一种基于互补集合经验模态分解的单导脑电睡眠分期方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114305343A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596043A (zh) * | 2018-03-29 | 2018-09-28 | 中国药科大学 | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 |
| CN111493822A (zh) * | 2020-03-23 | 2020-08-07 | 济南国科医工科技发展有限公司 | 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 |
| CN113116361A (zh) * | 2021-03-09 | 2021-07-16 | 山东大学 | 一种基于单导脑电的睡眠分期方法 |
| CN113435322A (zh) * | 2021-06-25 | 2021-09-24 | 西安交通大学 | 一种主轴轴承故障检测方法、***、设备及可读存储介质 |
-
2022
- 2022-01-18 CN CN202210056658.9A patent/CN114305343A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596043A (zh) * | 2018-03-29 | 2018-09-28 | 中国药科大学 | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 |
| CN111493822A (zh) * | 2020-03-23 | 2020-08-07 | 济南国科医工科技发展有限公司 | 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 |
| CN113116361A (zh) * | 2021-03-09 | 2021-07-16 | 山东大学 | 一种基于单导脑电的睡眠分期方法 |
| CN113435322A (zh) * | 2021-06-25 | 2021-09-24 | 西安交通大学 | 一种主轴轴承故障检测方法、***、设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| JIANG WU，等: "Detecting Epileptic Seizures in EEG Signals with Complementary Ensemble Empirical Mode Decomposition and Extreme Gradient Boosting", 《ENTROPY》, vol. 22, no. 140 * |
| 张建吉: "基于模态融合与深度神经网络的脑电睡眠分期方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, pages 15 - 28 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
| CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
| Wang et al. | Extracting and selecting distinctive EEG features for efficient epileptic seizure prediction | |
| Wu et al. | Automatic epileptic seizures joint detection algorithm based on improved multi-domain feature of cEEG and spike feature of aEEG | |
| CN109674468A (zh) | 一种单导脑电自动睡眠分期方法 | |
| CN107260166A (zh) | 一种实用化在线脑电伪迹剔除方法 | |
| CN114521903B (zh) | 一种基于特征选择的脑电注意力识别***及方法 | |
| CN113768519B (zh) | 基于深度学***的方法 | |
| CN109602417A (zh) | 基于随机森林的睡眠分期方法及*** | |
| CN114266276A (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
| CN112932498B (zh) | 一种基于深度学习的强泛化能力的t波形态分类*** | |
| Sumathi et al. | A wavelet transform based feature extraction and classification of cardiac disorder | |
| CN111202512A (zh) | 一种基于小波变换与dcnn的心电图分类方法和装置 | |
| CN106236080A (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
| CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
| CN114366124A (zh) | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 | |
| Saini et al. | Variational mode decomposition based mental task classification from electroencephalogram | |
| Saini et al. | Discriminatory features based on wavelet energy for effective analysis of electroencephalogram during mental tasks | |
| Gao et al. | An adaptive joint CCA-ICA method for ocular artifact removal and its application to emotion classification | |
| Xu et al. | Unsupervised EEG channel selection based on nonnegative matrix factorization | |
| CN117462145A (zh) | 基于FastICA的眼电伪迹自识别清除方法、装置、设备及介质 | |
| CN112057068A (zh) | 一种癫痫病理数据分类方法、装置及存储介质 | |
| CN114305343A (zh) | 一种基于互补集合经验模态分解的单导脑电睡眠分期方法 | |
| Sanamdikar et al. | Classification of ECG Signal for Cardiac Arrhythmia Detection Using GAN Method |
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: 20220412 |