CN116982993B - 一种基于高维随机矩阵理论的脑电信号分类方法及*** - Google Patents
一种基于高维随机矩阵理论的脑电信号分类方法及*** Download PDFInfo
- Publication number
- CN116982993B CN116982993B CN202311258164.XA CN202311258164A CN116982993B CN 116982993 B CN116982993 B CN 116982993B CN 202311258164 A CN202311258164 A CN 202311258164A CN 116982993 B CN116982993 B CN 116982993B
- Authority
- CN
- China
- Prior art keywords
- sample data
- signal
- electroencephalogram
- similarity
- state
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 42
- 210000004556 brain Anatomy 0.000 claims description 88
- 238000012360 testing method Methods 0.000 claims description 75
- 238000009826 distribution Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 4
- 206010010904 Convulsion Diseases 0.000 description 28
- 238000003860 storage Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 206010015037 epilepsy Diseases 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000001037 epileptic effect Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 208000028329 epileptic seizure Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Neurology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychiatry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Neurosurgery (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Mathematical Physics (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高维随机矩阵理论的脑电信号分类方法及***。本发明利用高维随机矩阵理论中协方差矩阵相似性判断原理,通过比较患者当前脑电观测信号与所假设状态的参考信号以及患者正常状态下脑电信号的相似性和不相似性,设计组合指标并与患者特定阈值进行比较,当组合指标均满足阈值条件时则判定患者处于假设的脑电状态。本发明考虑脑电信号样本数据的整体特性,较大程度的保留了脑电信号的原始特征信息和通道间的相关性信息,同时利用高维随机矩阵理论更适合高维小样本数据分析的优势,使得本发明在患者脑电信号观测样本量相对较小的情况下能够更快更准确的识别患者所处状态。
Description
技术领域
本发明属于脑电信号处理技术领域,尤其涉及一种基于高维随机矩阵理论的脑电信号分类方法及***。
背景技术
脑电图(Electroencephalogram,EEG) 可以反映大脑神经元放电活动,头皮脑电图具有无创伤、成本低和易获取优势,广泛应用于癫痫、帕金森、睡眠障碍等神经***疾病的诊断和监测中。EEG信号分析一般流程包括数据采集、数据预处理、特征提取和分类、后处理,其中特征提取和分类器设计是核心,提取EEG信号有用的特征信息并提高分类的准确率是脑电信号处理分析的重点。
常用的EEG信号特征提取方法主要有自回归模型、共空间模型、小波变换、功率谱密度估计、非线性动力学等。分类器的设计主要有基于统计分析的方法和基于机器学习的方法。基于统计分析的方法,通过监测脑电信号一段时间内某些特征指标的变化趋势,如棘波频次、不同频段的相对功率、基于零交叉间隔的分布相似性等特征,通过计算患者当前脑电图状态与患者参考状态的差异程度,设定合适的阈值来判断患者当前脑电图是否符合假设状态。基于机器学习的方法通过支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest, RF)、贝叶斯分类器等机器学习算法学习脑电信号特征信息,如功率谱密度、小波能量、分形维数、样本熵等特征,然后对当前观测脑电信号进行分类。随着深度学习技术的发展,基于卷积神经网络(Convolutional Neural Networks, CNN)、循环神经网络(Recurrent Neural Network,RNN)、以及融合模型等深度学习的脑电信号检测技术也相继出现,可以自动提取脑电信号的特征信息并分类。
基于统计分析和基于传统机器学习的脑电信号特征提取和分类技术,模型复杂度低、可解释性强、易于实现,需根据专家经验人工的提取特征信息,虽然这些特征是具有实际意义的物理量,但也损失了很多信息,无法处理特征之间的隐关系以及隐藏的深度特征,另外如果提取特征的过程耗时过长也会影响实际应用。相较于传统机器学习模型,深度学习模型融合了特征提取与分类两步,在训练样本数据足够多的情况下能取得更好预测效果,但深度学习模型往往依赖大量的病患数据,否则容易因参数过拟合影响模型泛化性能。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于高维随机矩阵理论的脑电信号分类方法及***。
本发明的目的是通过以下技术方案实现的:
根据本说明书的第一方面,提供一种基于高维随机矩阵理论的脑电信号分类方法,该方法包括:
对患者脑电信号进行预处理后,通过滑动加窗截断,获取观测信号样本数据;
计算当前脑电观测信号与假设脑电状态参考信号的相似度,包括:将判断观测信号样本数据和假设脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性,利用样本数据构造检验统计量,并将检验统计量调整为服从标准正态分布,判断调整后的检验统计量是否在置信区间内,从而得到观测时刻对应的第一相似度指标;
计算当前脑电观测信号与正常脑电状态参考信号的相似度,包括:将判断观测信号样本数据和正常脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性,利用样本数据构造检验统计量,并将检验统计量调整为服从标准正态分布,判断调整后的检验统计量是否在置信区间内,从而得到观测时刻对应的第二相似度指标;
设计由所述第一相似度指标和所述第二相似度指标构成的组合指标,对患者脑电信号样本数据进行连续观测,将各观测时刻的第一相似度指标和第二相似度指标的计算结果分别依次存入对应的指标向量,判断组合指标是否满足设定阈值,从而判断患者是否处于所假设的脑电状态。
进一步地,将观测时刻k对应的观测信号样本数据记为,将假设脑电状态参考信号/正常脑电状态参考信号的样本数据记为/>,将判断不同样本数据/>和/>的相似性问题转换为判断二者的总体协方差矩阵是否满足假设检验问题/>,其中/>、分别为样本数据/>、/>的总体协方差矩阵,/>为矩阵/>的求逆运算,/>为引入的矩阵和/>的偏差系数,/>为/>维单位矩阵,/>为脑电信号采集通道数。
进一步地,利用样本数据构造检验统计量判断假设检验问题是否成立,包括:利用样本数据、/>分别计算总体协方差矩阵/>、/>和偏差系数/>的样本估计量/>、/>和/>;利用/>、/>和/>构造检验统计量/>,/>,其中tr为求矩阵的迹运算。
进一步地,所述样本估计量、/>和/>的计算公式如下:
其中,为样本数据/>的长度,/>为样本数据/>的长度,/>、/>分别为矩阵/>的列向量/>、以及矩阵/>的列向量/>的算术均值,T表示转置。
进一步地,通过计算检验统计量的均值和方差,将/>调整为服从标准正态分布,并对/>的均值和方差进行纠偏,调整后满足标准正态分布的检验统计量,其中/>为/>的均值、/>为/>的方差,/>为设置的偏差量。
进一步地,的计算公式为:
其中,为样本数据/>的长度,/>为样本数据/>的长度。
进一步地,利用调整后的检验统计量服从标准正态分布的特性,设置假设检验问题成立的置信水平/>,如果观测时刻/>对应的检验统计量/>的计算结果在所设置的置信水平对应的置信区间内时,计相似度指标值为1,不在置信区间内时计相似度指标值为0。
进一步地,将第一相似度指标对应的指标向量中所有元素的均值作为第一组合指标,将第二相似度指标对应的指标向量中所有元素的均值作为第二组合指标/>,设置当前脑电状态与假设脑电状态具有相似性的判断阈值/>、以及当前脑电状态与正常脑电状态具有不相似性的判断阈值/>,当满足/>且/>时,判断患者当前处于所假设的脑电状态。
根据本说明书的第二方面,提供一种基于高维随机矩阵理论的脑电信号分类***,该***包括:
信号预处理模块,用于对患者脑电信号进行预处理,并对预处理后的信号通过滑动加窗截断获取观测信号样本数据;
第一相似度指标计算模块,用于计算当前脑电观测信号与假设脑电状态参考信号的相似度,包括:将判断观测信号样本数据和假设脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性,利用样本数据构造检验统计量,并将检验统计量调整为服从标准正态分布,判断调整后的检验统计量是否在置信区间内,从而得到观测时刻对应的第一相似度指标;
第二相似度指标计算模块,用于计算当前脑电观测信号与正常脑电状态参考信号的相似度,包括:将判断观测信号样本数据和正常脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性,利用样本数据构造检验统计量,并将检验统计量调整为服从标准正态分布,判断调整后的检验统计量是否在置信区间内,从而得到观测时刻对应的第二相似度指标;
组合指标计算模块,用于设计由所述第一相似度指标和所述第二相似度指标构成的组合指标,对患者脑电信号样本数据进行连续观测,将各观测时刻的第一相似度指标和第二相似度指标的计算结果分别依次存入对应的指标向量;
脑电状态判断模块,用于判断组合指标是否满足设定阈值,从而判断患者是否处于所假设的脑电状态。
根据本说明书的第三方面,提供一种基于高维随机矩阵理论的脑电信号分类装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,用于实现如第一方面所述的基于高维随机矩阵理论的脑电信号分类方法。
本发明的有益效果是:本发明充分利用了观测信号样本数据内部的隐性关系和深层次特征,同时利用高维随机矩阵更适合高维小样本数据分析的优势,使得本发明在患者脑电信号观测样本量相对较小的情况下能够更快更准确的识别患者是否处于所假设的脑电状态,更适用于实时监测场景。此外,本发明在应用于如癫痫发作预测这类由正常状态过渡至患病状态的实时监控时,不仅考虑了患者处于患病状态的信号特征,同时也利用了患者处于正常状态的信号特征,通过对两个阶段的信号总体协方差特性进行比较,提高了判断患者是否处于所假设脑电状态的精准性。
附图说明
图1为一示例性实施例提供的基于高维随机矩阵理论的脑电信号分类方法流程图;
图2为一示例性实施例提供的通过滑动窗口获取观测数据矩阵示意图;
图3为一示例性实施例提供的当前脑电观测信号与假设脑电状态参考信号的相似度计算流程图;
图4为一示例性实施例提供的癫痫患者脑电信号实时监测及癫痫发作预测告警流程图;
图5为一示例性实施例提供的基于高维随机矩阵理论的脑电信号分类***结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
随机矩阵理论是基于矩阵中的随机变量,通过比较随机多维时间序列的统计特性,可以反映真实数据的相关性和偏离随机分布特性的程度,并揭示整个实际数据的行为特征,被广泛应用于金融、物理、生物统计、计算机科学等领域。EEG信号是一种高维度的时间序列,某个特定的脑区域的活动会影响到多个EEG通道的结果,因此大脑皮层区域的活动会导致不同电极上测量到的信号之间存在一些时空相关性。
高维随机矩阵理论研究了随机矩阵维度与样本数处于同一数量级时(即样本数n与矩阵的维度数p比满足),样本协方差矩阵的特征值、特征向量等分布特性以及样本估计的有偏性,相关结论在经典统计学理论框架下也成立(即矩阵的维度数p固定,样本数/>)。在脑电相关实际应用中,观测到的EEG信号样本属于高维随机数据矩阵,获得的采样数据样本长度是有限的,很难满足样本数远远大于维度数的条件,尤其在脑电信号实时分析场景,样本数较高会影响数据分析计算效率,但样本数不足将导致样本特征值、振幅平均值、方差等统计特征提取不准确。
本发明考虑脑电信号分析技术在癫痫发作预测等场景应用时对信号分析实时性、准确性的要求,针对基于统计分析的EEG信号在特征提取时损失较多信息,无法处理特征之间的隐性关系和深层次特征的问题,利用高维随机矩阵理论中协方差矩阵相似性判断原理,通过比较患者当前脑电观测信号与所假设状态的参考信号以及患者正常状态下脑电信号的相似性和不相似性,设计组合指标并与患者特定阈值进行比较,当组合指标均满足阈值条件时则判定患者处于假设的状态。本发明考虑EEG信号的样本数据的整体特性,较大程度的保留了EEG信号的原始特征信息和通道间的相关性信息,同时利用高维随机矩阵理论更适合高维小样本数据分析的优势,使得本发明在患者脑电信号观测样本量相对较小的情况下能够更快更准确的识别患者所处状态。
如图1所示,本发明提供一种基于高维随机矩阵理论的脑电信号分类方法,通过连续监测患者当前观测周期内脑电信号与假设脑电状态参考信号、正常脑电状态参考信号的总体协方差矩阵的相似度性和不相似性,设计组合指标并判断是否满足设定阈值,来判断患者是否处于所假设的脑电状态。本发明方法具体实现流程如下:
(1)信号预处理:对患者脑电原始信号进行降噪、滤波、去伪迹、基线校准等预处理操作。
(2)进行加窗处理,通过加窗截断,获取观测信号样本数据,具体为:对预处理后的信号进行滑动加窗截断,获得观测时刻k对应的长度为的观测信号样本数据/>,假设脑电信号采集通道数为/>,则获得的观测信号样本数据/>为/>维的数据矩阵。通过滑动窗口获取长度为/>的观测数据的方法如图2所示,图2中t为采样时刻,/>为观测时刻k第p个通道的观测值。
(3)计算当前脑电观测信号与假设脑电状态参考信号的相似度
若患者当前脑电信号处于所假设的脑电状态,则当前观测信号样本数据与假设脑电状态参考信号样本数据/>(/>是经过预处理后的参考信号样本数据,其样本长度为,此处不要求/>的样本长度与/>保持一致,即/>与/>可以不相等)可看作是来自同一信号的不同时刻、不同长度的采样,也即两者具有同样的分布特征,那么/>与/>在统计意义上将具有相同的总体协方差矩阵。因此,可以将判断观测信号样本数据/>和假设脑电状态参考信号样本数据/>的相似性问题转换为判断二者总体协方差矩阵的相似性。
观测信号样本数据的总体协方差矩阵记为/>,假设脑电状态参考信号样本数据/>的总体协方差矩阵记为/>,理论上,当患者当前脑电信号处于所假设的脑电状态时,当前观测信号样本数据/>与假设脑电状态参考信号样本数据/>在统计意义上具有相同的总体协方差矩阵,也即满足/>,从而公式/>成立,其中/>为/>维单位矩阵,表示矩阵/>的求逆运算,此时可以采用随机矩阵理论中的球形检验相关理论,也即检验一个协方差矩阵是否具有单位矩阵结构,基于该理论,可以利用样本数据/>、/>来构造一个合适的检验统计量,判断/>是否成立。
考虑到脑电信号的时空复杂性,现实情况中,即使样本数据、/>被采集时患者处于相同的脑电状态,但由于采集时间的不同,脑电信号的振幅、功率等有一定的差异性,因此样本数据/>、/>所对应的总体协方差矩阵/>、/>不一定完全相同,在此引入一个偏差系数/>,即将总体协方差矩阵/>、/>的关系表达为/>,也即/>。
此时,将判断观测信号样本数据和假设脑电状态参考信号样本数据/>的相似性问题转换为判断二者的总体协方差矩阵是否满足/>的问题,也即假设检验问题:/>,由于/>均为未知量,需要利用样本数据/>、/>来构造检验统计量判断假设检验问题/>是否成立。
图3为当前脑电观测信号与假设脑电状态参考信号的相似度计算流程图。具体地,利用样本数据分别计算总体协方差矩阵/>以及偏差系数/>的样本估计量和/>,然后利用/>来构造检验统计量/>,公式如下:
其中,tr表示求矩阵的迹运算,的计算公式如下:
其中,、/>分别表示矩阵/>的列向量/>、以及矩阵/>的列向量/>的算术均值,T表示转置。
根据高维随机矩阵理论,检验统计量将满足一种统计分布,考虑到在实际应用中,运算需尽可能的简便,需通过计算/>的均值和方差,将/>调整成标准正态分布。同时,考虑到脑电信号的观测样本数据的样本长度是有限的,也无法保证样本长度远远大于通道数,仅通过有限长度的样本数据/>和/>,很难得到/>较为精确的均值和方差,因此,还要对通过样本数据/>和/>计算的/>的均值和方差进行纠偏。调整后满足标准正态分布的检验统计量表达式如下:
其中,是对/>进行纠偏后的检验统计量,/>是/>的均值、/>是/>的方差,/>是设置的偏差量。/>将服从标准正态分布,也即/>,其中/>表示服从均值为0方差为1的正态分布。利用高维随机矩阵理论协方差矩阵谱分布的渐近特性,本发明给出一种的简便估算方法:
至此,检验统计量中所有的参数均可通过已知的样本数据/>和/>计算得出。
接下来,利用服从标准正态分布特性,设置假设检验问题/>成立的置信水平/>,从而计算相似度指标。具体地,在观测时刻/>,利用在/>时刻所获得的观测信号样本数据/>与假设脑电状态参考信号样本数据/>计算/>,如果/>的计算结果在所设置的置信水平对应的置信区间内时,计相似度指标/>,不在置信区间内时计相似度指标/>。
(4)计算当前脑电观测信号与正常脑电状态参考信号的相似度
考虑到在脑电信号分类的实际应用中,通常需要判断患者当前所处的脑电状态是否处于正常状态,以及如果为非正常状态时,是否处于所假设类别的患病状态。因此,为进一步降低分类的误判率,还需要判断患者当前所处的脑电状态是否明显区别于正常状态。
利用在时刻所获得的观测信号样本数据/>与患者处于正常状态时脑电信号的样本数据/>,计算/>时刻所获得的观测信号样本数据/>与患者处于正常状态时脑电信号的样本数据/>具有相似性这一假设检验成立的检验统计量/>。/>的计算方法与步骤(3)相似,具体的计算表达式如下:
其中,是对利用样本数据/>和/>构造的检验统计量/>进行纠偏后的检验统计量,/>是/>的均值,/>是/>的方差,/>是设置的偏差量。/>与步骤(3)计算公式类似,只需要将步骤(3)中的矩阵/>替换为/>,/>替换为/>的样本长度/>。
同样的,设置上述假设成立的置信水平,如果/>的计算结果在所设置的置信水平对应的置信区间内时,计相似度指标/>,不在置信区间内时计相似度指标。
(5)计算组合指标并判断是否满足阈值条件,从而判定患者是否处于所假设的脑电状态。
设计由和/>构成的组合指标。对患者脑电信号的样本数据进行连续/>次观测,将会获得/>次/>和/>次/>的计算结果,将每次/>和/>的计算结果分别依次存入指标向量/>和/>。则/>和/>是由元素0和元素1构成的元素个数为/>的向量,也即:
当患者当前脑电状态属于所假设的脑电状态时,当前脑电观测信号的特征将与假设脑电状态参考信号的特征具有很高的相似度,且偏离正常脑电状态参考信号的特征,从而向量中值为1的元素的个数较多,而向量/>中值为0的元素的个数较多。为了方便计算和监控告警实现,设置当前脑电状态与假设脑电状态具有相似性的判断阈值/>、以及当前脑电状态与正常脑电状态具有不相似性的判断阈值/>,当组合指标和/>满足/>且/>时,认为当前患者处于所假设的脑电状态,可发出告警信息。
以癫痫患者发作前期状态识别为实例进行所提方法及***实现过程的说明。癫痫是全球最常见的神经***疾病之一,反复发作对患者的精神与认知功能造成持续性负面影响,甚至危及生命。癫痫患者的脑电活动一般可分为发作间期、发作前期、发作期和发作后期,发作前期是患者从正常状态到发作状态的过渡期。准确和高效的识别患者的发作前期是癫痫发作预测技术的关键,能帮助患者尽早的使用治疗药物来控制癫痫,提高患者的生活质量和安全性。如图4所示,利用本发明方法实现患者癫痫发作前期识别的过程描述如下:
(1)信号预处理
此部分主要对患者脑电原始信号进行降噪、滤波、去伪迹、基线校准等预处理操作,可采用成熟方法。将预处理后的实时观测信号表示为,其中,t为采样时刻,/>为第/>个通道的观测值,。
(2)加窗处理
对预处理后的信号进行滑动加窗截断形成待分析的样本数据,通过滑动窗口获取样长度为/>的样本数据,则在观测时刻/>观察到的样本数据可以表示为,观测信号样本数据/>为/>维数据矩阵。
(3)计算观测信号与患者发作前期参考信号的相似度
患者发作前期参考信号的样本数据记为,假设的样本长度为,则为维数据矩阵,是的第列数据。当时刻患者处
于癫痫发作前期时,观测信号样本数据与具有同样的统计分布特征,也即二者将具
有相同的总体协方差矩阵。样本数据的总体协方差矩阵记为,样本数据的总体协
方差矩阵记为,利用样本数据、构造检验统计量来判断总体协方差矩阵、
的相似性,也即判断假设检验问题是否成立,其中是总体协方差矩
阵与之间的偏差系数。
(3.1)利用样本数据、/>分别计算总体协方差矩阵/>、/>以及偏差系数/>的样本估计量/>,然后利用/>来构造检验统计量/>,公式如下:
其中各参数的计算公式如下:
,/>
(3.2)计算调整后的检验统计量,/>服从标准正态分布,/>是/>的均值,/>是/>的方差,/>是设置的偏差量;未知参数/>、/>、/>的估算方法如下:
(3.3)设置假设检验问题成立的置信水平为/>,在此实例中,设置/>,标准正态分布对应的置信区间为[-1.96,1.96],计算观测时刻/>的检验统计量/>是否落在置信区间[-1.96,1.96]内。具体地,在观测时刻/>,利用在/>时刻所获得的观测信号样本数据/>与患者发作前期参考信号的样本数据/>计算/>,如果/>的计算结果在所设置的置信区间[-1.96,1.96]内时,计相似度指标/>,不在置信区间内时计相似度指标/>。
(4)计算观测信号与患者发作间期参考信号的相似度
患者发作间期参考信号的样本数据记为,假设/>的样本长度为/>,则为/>维数据矩阵,/>是/>的第/>列数据。当患者从发作间期逐渐过渡至发作前期时,观测信号样本数据/>的统计特性逐渐偏离与发作间期参考信号的样本数据/>的统计特征的相似性,转变为与发作前期参考信号的样本数据/>的统计特征有相似性。因此,需要判断观测信号样本数据/>的统计特性是否与发作间期参考信号样本数据/>的统计特性不一致。
参考步骤(3),利用样本数据和/>计算检验统计量/>,其中/>分别为样本数据/>的总体协方差矩阵/>、样本数据/>的总体协方差矩阵/>以及/>与/>之间的偏差系数/>的样本估计量;进一步地,计算纠偏后的检验统计量/>,其中/>是/>的均值,/>是/>的方差,/>是设置的偏差量。上述计算过程与步骤(3)一致,只需将步骤(3)中的矩阵/>替换为/>,/>替换为/>的样本长度/>。
设置假设成立的置信水平为/>,在此实例中,也可以设置,标准正态分布对应的置信区间为[-1.96,1.96],计算观测时刻/>的检验统计量是否落在置信区间[-1.96,1.96]内。具体地,在观测时刻/>,利用在/>时刻所获得的观测信号样本数据/>与患者发作间期参考信号的样本数据/>计算/>,如果/>的计算结果在所设置的置信区间[-1.96,1.96]内时,计相似度指标/>,不在置信区间内时计相似度指标/>。
(5)计算组合指标并判断是否满足告警阈值
对患者脑电信号的样本数据进行连续采样时间点观测,观测次数,通过步骤(3)和步骤(4)的计算,可以得到20次/>和20次/>的计算结果,并将结果依次分别存入指标向量/>、/>,则/>、/>是一个元素个数为20的向量,也即:
当患者从发作间期逐渐转变为发作前期时,向量中元素0将逐渐减少、元素1将逐渐增多,而向量/>中元素0将逐渐增多、元素1将逐渐减少。在此实例中,设定向量/>中至少有一半元素为1、向量/>中至多有一半元素为0时,可判定患者的脑电状态已从发作间期转变为发作前期。因此,可以设置阈值/>、/>,计算组合指标和/>,对于当前观测时刻/>,如果/>和/>满足告警条件/>且/>时,认为当前患者处于所假设的脑电状态,可发出患者癫痫疾病即将发作的告警信息;否则,继续计算下一个观测时刻/>对应的组合指标/>和/>的结果,直到满足告警条件。
本发明根据患者脑电信号处于所假设的状态时,实时脑电观测信号与假设状态参考信号具有统计学意义上的相似性原理,基于高维协方差矩阵相似性检验理论构造检验统计量实现当前观测脑电信号与假设状态参考信号的相似度评估。
本发明考虑患者从正常脑电状态逐渐过渡至假设脑电状态时,实时观测脑电信号的样本数据由与正常状态的样本数据的相似度逐渐降低、与假设状态的参考信号样本数据的相似度逐渐提高,通过比较患者当前脑电观测信号与所假设状态的参考信号以及患者正常状态下脑电信号的相似性和不相似性,设计组合指标监测模式,基于双重阈值实现患者脑电信号是否处于假设状态的实时分类。
与前述基于高维随机矩阵理论的脑电信号分类方法的实施例相对应,本发明还提供了基于高维随机矩阵理论的脑电信号分类***的实施例。如图5所示,本发明提供的基于高维随机矩阵理论的脑电信号分类***,包括以下模块:
信号预处理模块,用于对患者脑电信号进行预处理,并对预处理后的信号通过滑动加窗截断获取观测信号样本数据;
第一相似度指标计算模块,用于计算当前脑电观测信号与假设脑电状态参考信号的相似度,包括:将判断观测信号样本数据和假设脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性,利用样本数据构造检验统计量,并将检验统计量调整为服从标准正态分布,判断调整后的检验统计量是否在置信区间内,从而得到观测时刻对应的第一相似度指标;
第二相似度指标计算模块,用于计算当前脑电观测信号与正常脑电状态参考信号的相似度,包括:将判断观测信号样本数据和正常脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性,利用样本数据构造检验统计量,并将检验统计量调整为服从标准正态分布,判断调整后的检验统计量是否在置信区间内,从而得到观测时刻对应的第二相似度指标;
组合指标计算模块,用于设计由所述第一相似度指标和所述第二相似度指标构成的组合指标,对患者脑电信号样本数据进行连续观测,将各观测时刻的第一相似度指标和第二相似度指标的计算结果分别依次存入对应的指标向量;
脑电状态判断模块,用于判断组合指标是否满足设定阈值,从而判断患者是否处于所假设的脑电状态。
上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
此外,本发明还提供了基于高维随机矩阵理论的脑电信号分类装置的实施例。本发明实施例提供的基于高维随机矩阵理论的脑电信号分类装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,用于实现上述实施例中的基于高维随机矩阵理论的脑电信号分类方法。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的基于高维随机矩阵理论的脑电信号分类方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (8)
1.一种基于高维随机矩阵理论的脑电信号分类方法,其特征在于,包括:
对患者脑电信号进行预处理后,通过滑动加窗截断,获取观测信号样本数据;
计算当前脑电观测信号与假设脑电状态参考信号的相似度,包括:将判断观测信号样本数据和假设脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性,利用样本数据构造检验统计量,并将检验统计量调整为服从标准正态分布,判断调整后的检验统计量是否在置信区间内,从而得到观测时刻对应的第一相似度指标;
计算当前脑电观测信号与正常脑电状态参考信号的相似度,包括:将判断观测信号样本数据和正常脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性,利用样本数据构造检验统计量,并将检验统计量调整为服从标准正态分布,判断调整后的检验统计量是否在置信区间内,从而得到观测时刻对应的第二相似度指标;
通过计算检验统计量Tm的均值和方差,将Tm调整为服从标准正态分布,并对Tm的均值和方差进行纠偏,调整后满足标准正态分布的检验统计量其中为Tm的均值、/>为Tm的方差,δm为设置的偏差量;/>δm的计算公式为:
其中,Nk为观测信号样本数据的长度,Nm为假设脑电状态参考信号/正常脑电状态参考信号的样本数据的长度,P为脑电信号采集通道数;
设计由所述第一相似度指标和所述第二相似度指标构成的组合指标,对患者脑电信号样本数据进行连续观测,将各观测时刻的第一相似度指标和第二相似度指标的计算结果分别依次存入对应的指标向量,判断组合指标是否满足设定阈值,从而判断患者是否处于所假设的脑电状态。
2.根据权利要求1所述的一种基于高维随机矩阵理论的脑电信号分类方法,其特征在于,将观测时刻k对应的观测信号样本数据记为Xk,将假设脑电状态参考信号/正常脑电状态参考信号的样本数据记为M,将判断不同样本数据Xk和M的相似性问题转换为判断二者的总体协方差矩阵是否满足假设检验问题H0:ΣkΣm -1=γmIP,其中Σk、Σm分别为样本数据Xk、M的总体协方差矩阵,为矩阵Σm的求逆运算,γm为引入的矩阵Σk和Σm的偏差系数,IP为P×P维单位矩阵,P为脑电信号采集通道数。
3.根据权利要求2所述的一种基于高维随机矩阵理论的脑电信号分类方法,其特征在于,利用样本数据构造检验统计量判断假设检验问题是否成立,包括:利用样本数据Xk、M分别计算总体协方差矩阵Σk、Σm和偏差系数γm的样本估计量和/>利用/>和构造检验统计量Tm,/>其中tr为求矩阵的迹运算。
4.根据权利要求3所述的一种基于高维随机矩阵理论的脑电信号分类方法,其特征在于,所述样本估计量和/>的计算公式如下:
其中,Nk为样本数据Xk的长度,Nm为样本数据M的长度,分别为矩阵Xk的列向量x(i)、以及矩阵M的列向量m(i)的算术均值,T表示转置。
5.根据权利要求2-4中任一项所述的一种基于高维随机矩阵理论的脑电信号分类方法,其特征在于,利用调整后的检验统计量服从标准正态分布的特性,设置假设检验问题成立的置信水平αm,如果观测时刻k对应的检验统计量/>的计算结果在所设置的置信水平对应的置信区间内时,计相似度指标值为1,不在置信区间内时计相似度指标值为0。
6.根据权利要求5所述的一种基于高维随机矩阵理论的脑电信号分类方法,其特征在于,将第一相似度指标对应的指标向量中所有元素的均值作为第一组合指标将第二相似度指标对应的指标向量中所有元素的均值作为第二组合指标/>设置当前脑电状态与假设脑电状态具有相似性的判断阈值λ1∈(0,1]、以及当前脑电状态与正常脑电状态具有不相似性的判断阈值λ2∈[0,1),当满足/>且/>时,判断患者当前处于所假设的脑电状态。
7.一种基于高维随机矩阵理论的脑电信号分类***,其特征在于,包括:
信号预处理模块,用于对患者脑电信号进行预处理,并对预处理后的信号通过滑动加窗截断获取观测信号样本数据;
第一相似度指标计算模块,用于计算当前脑电观测信号与假设脑电状态参考信号的相似度,包括:将判断观测信号样本数据和假设脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性,利用样本数据构造检验统计量,并将检验统计量调整为服从标准正态分布,判断调整后的检验统计量是否在置信区间内,从而得到观测时刻对应的第一相似度指标;
第二相似度指标计算模块,用于计算当前脑电观测信号与正常脑电状态参考信号的相似度,包括:将判断观测信号样本数据和正常脑电状态参考信号样本数据的相似性问题转换为判断二者总体协方差矩阵的相似性,利用样本数据构造检验统计量,并将检验统计量调整为服从标准正态分布,判断调整后的检验统计量是否在置信区间内,从而得到观测时刻对应的第二相似度指标;
通过计算检验统计量Tm的均值和方差,将Tm调整为服从标准正态分布,并对Tm的均值和方差进行纠偏,调整后满足标准正态分布的检验统计量其中/>为Tm的均值、/>为Tm的方差,δm为设置的偏差量;/>δm的计算公式为:
其中,Nk为观测信号样本数据的长度,Nm为假设脑电状态参考信号/正常脑电状态参考信号的样本数据的长度,P为脑电信号采集通道数;
组合指标计算模块,用于设计由所述第一相似度指标和所述第二相似度指标构成的组合指标,对患者脑电信号样本数据进行连续观测,将各观测时刻的第一相似度指标和第二相似度指标的计算结果分别依次存入对应的指标向量;
脑电状态判断模块,用于判断组合指标是否满足设定阈值,从而判断患者是否处于所假设的脑电状态。
8.一种基于高维随机矩阵理论的脑电信号分类装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,其特征在于,所述处理器执行所述可执行代码时,用于实现如权利要求1-6中任一项所述的基于高维随机矩阵理论的脑电信号分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311258164.XA CN116982993B (zh) | 2023-09-27 | 2023-09-27 | 一种基于高维随机矩阵理论的脑电信号分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311258164.XA CN116982993B (zh) | 2023-09-27 | 2023-09-27 | 一种基于高维随机矩阵理论的脑电信号分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116982993A CN116982993A (zh) | 2023-11-03 |
CN116982993B true CN116982993B (zh) | 2024-04-02 |
Family
ID=88527019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311258164.XA Active CN116982993B (zh) | 2023-09-27 | 2023-09-27 | 一种基于高维随机矩阵理论的脑电信号分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116982993B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004200632A (ja) * | 2002-10-22 | 2004-07-15 | Nikon Corp | 位置検出方法、露光方法及び露光装置、デバイス製造方法、並びにプログラム及び情報記録媒体 |
US7433732B1 (en) * | 2004-02-25 | 2008-10-07 | University Of Florida Research Foundation, Inc. | Real-time brain monitoring system |
CN101872337A (zh) * | 2009-04-24 | 2010-10-27 | 中芯国际集成电路制造(上海)有限公司 | 相似性检测方法及*** |
CN105790866A (zh) * | 2016-03-31 | 2016-07-20 | 中国联合网络通信集团有限公司 | 基站分级方法及装置 |
CN105809195A (zh) * | 2016-03-08 | 2016-07-27 | ***股份有限公司 | 用于判别一个商户是否属于特定商户类别的方法和装置 |
CN107095669A (zh) * | 2017-05-10 | 2017-08-29 | 北京大学 | 一种癫痫患者脑电信号的处理方法及*** |
CN113110743A (zh) * | 2021-04-20 | 2021-07-13 | 中国人民解放军63919部队 | 一种并行脑眼融合***和方法 |
WO2022027730A1 (zh) * | 2020-08-07 | 2022-02-10 | 大连理工大学 | 一种基于自组织临界性的精神疲劳临界点标定方法 |
WO2022052328A1 (zh) * | 2020-09-09 | 2022-03-17 | 东南大学 | 一种基于黎曼几何的自然动作脑电识别方法 |
CN116509417A (zh) * | 2023-04-25 | 2023-08-01 | 上海外国语大学 | 基于神经相似性的消费者偏好一致性预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7072833B2 (en) * | 2000-06-02 | 2006-07-04 | Canon Kabushiki Kaisha | Speech processing system |
US9854985B2 (en) * | 2002-12-09 | 2018-01-02 | Bio-Signal Group Corp. | Brain signal telemetry and seizure prediction |
US20080243022A1 (en) * | 2007-03-30 | 2008-10-02 | Donnett James G | Seizure prediction using brain signal telemetry |
US8378816B2 (en) * | 2007-07-17 | 2013-02-19 | Clemson University | System and method to assess signal similarity with applications to diagnostics and prognostics |
WO2016113718A1 (en) * | 2015-01-16 | 2016-07-21 | Puneet Agarwal | System and method to diagnose and predict different systemic disorders and mental states |
JP6899560B2 (ja) * | 2017-05-23 | 2021-07-07 | 株式会社島津製作所 | 質量分析データ解析装置及び質量分析データ解析用プログラム |
-
2023
- 2023-09-27 CN CN202311258164.XA patent/CN116982993B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004200632A (ja) * | 2002-10-22 | 2004-07-15 | Nikon Corp | 位置検出方法、露光方法及び露光装置、デバイス製造方法、並びにプログラム及び情報記録媒体 |
US7433732B1 (en) * | 2004-02-25 | 2008-10-07 | University Of Florida Research Foundation, Inc. | Real-time brain monitoring system |
CN101872337A (zh) * | 2009-04-24 | 2010-10-27 | 中芯国际集成电路制造(上海)有限公司 | 相似性检测方法及*** |
CN105809195A (zh) * | 2016-03-08 | 2016-07-27 | ***股份有限公司 | 用于判别一个商户是否属于特定商户类别的方法和装置 |
CN105790866A (zh) * | 2016-03-31 | 2016-07-20 | 中国联合网络通信集团有限公司 | 基站分级方法及装置 |
CN107095669A (zh) * | 2017-05-10 | 2017-08-29 | 北京大学 | 一种癫痫患者脑电信号的处理方法及*** |
WO2022027730A1 (zh) * | 2020-08-07 | 2022-02-10 | 大连理工大学 | 一种基于自组织临界性的精神疲劳临界点标定方法 |
WO2022052328A1 (zh) * | 2020-09-09 | 2022-03-17 | 东南大学 | 一种基于黎曼几何的自然动作脑电识别方法 |
CN113110743A (zh) * | 2021-04-20 | 2021-07-13 | 中国人民解放军63919部队 | 一种并行脑眼融合***和方法 |
CN116509417A (zh) * | 2023-04-25 | 2023-08-01 | 上海外国语大学 | 基于神经相似性的消费者偏好一致性预测方法 |
Non-Patent Citations (3)
Title |
---|
Bartlett统计量的修正公式;***;林逢春;;机械强度(第02期);全文 * |
基于概率积分变换与似然比的高维相关性检验;刘晓曙;;清华大学学报(自然科学版)网络.预览(第03期);全文 * |
基于脑电信号的癫痫疾病智能诊断与研究;柳长源;张付浩;韦琦;;哈尔滨理工大学学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116982993A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Classification of seizure and seizure-free EEG signals using local binary patterns | |
Diykh et al. | EEG sleep stages classification based on time domain features and structural graph similarity | |
Qiu et al. | Denoising sparse autoencoder-based ictal EEG classification | |
CN114052735B (zh) | 一种基于深度领域自适应的脑电情绪识别方法及*** | |
Peng et al. | A novel automatic classification detection for epileptic seizure based on dictionary learning and sparse representation | |
Kumari et al. | Seizure detection in EEG using time frequency analysis and SVM | |
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
Li et al. | An improved sparse representation over learned dictionary method for seizure detection | |
Chen et al. | Epilepsy classification for mining deeper relationships between EEG channels based on GCN | |
CN112800928B (zh) | 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法 | |
Yuan et al. | Epileptic seizure detection with log-euclidean gaussian kernel-based sparse representation | |
Yu et al. | Epileptic seizure prediction using deep neural networks via transfer learning and multi-feature fusion | |
Yuan et al. | Kernel collaborative representation-based automatic seizure detection in intracranial EEG | |
CN112884063B (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
CN113768519A (zh) | 基于深度学***的方法 | |
CN111310656A (zh) | 基于多线性主成分分析的单次运动想象脑电信号识别方法 | |
CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
Xiong et al. | Seizure detection algorithm based on fusion of spatio-temporal network constructed with dispersion index | |
Li et al. | GNMF-based quadratic feature extraction in SSTFT domain for epileptic EEG detection | |
Dagdevir et al. | Truncation thresholds based empirical mode decomposition approach for classification performance of motor imagery BCI systems | |
Yuan et al. | Automatic epileptic seizure detection using graph-regularized non-negative matrix factorization and kernel-based robust probabilistic collaborative representation | |
CN113869382A (zh) | 基于领域嵌入概率的半监督学习癫痫脑电信号识别方法 | |
CN116982993B (zh) | 一种基于高维随机矩阵理论的脑电信号分类方法及*** | |
Jaffino et al. | Expectation-maximization extreme machine learning classifier for epileptic seizure detection | |
Prabhakar et al. | EM based non-linear regression and singular value decomposition for epilepsy classification |
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 |