CN113598791A - 基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法 - Google Patents
基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法 Download PDFInfo
- Publication number
- CN113598791A CN113598791A CN202110790906.8A CN202110790906A CN113598791A CN 113598791 A CN113598791 A CN 113598791A CN 202110790906 A CN202110790906 A CN 202110790906A CN 113598791 A CN113598791 A CN 113598791A
- Authority
- CN
- China
- Prior art keywords
- neural network
- consciousness
- electroencephalogram
- disturbance
- space
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000000284 resting effect Effects 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 title claims description 8
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000012952 Resampling Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 12
- 208000011580 syndromic disease Diseases 0.000 claims description 10
- 230000037007 arousal Effects 0.000 claims description 8
- 210000004556 brain Anatomy 0.000 claims description 7
- 230000006399 behavior Effects 0.000 abstract description 8
- 238000000537 electroencephalography Methods 0.000 abstract 2
- 230000001771 impaired effect Effects 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 208000022540 Consciousness disease Diseases 0.000 description 2
- 208000013159 conscious disturbance Diseases 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response 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
- A61B5/72—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
-
- 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
- A61B5/24—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
-
- 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
- A61B5/7203—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)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Neurosurgery (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于脑电图应用技术领域，具体涉及基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法。包括以下步骤：S1，采集意识障碍患者的脑电图信号，并随机分为训练集与测试集；S2，对脑电图信号进行滤波处理，并对训练集与测试集，进行重采样得到训练样本和测试样本；S3，设定阈值，并剔除含有超出阈值数据的训练样本和测试样本；S4，构建时空卷积神经网络模型并训练；S5，利用测试样本，对训练后的模型的性能进行评估；S6，采集有待诊断患者的脑电图信号作为模型输入，计算出分类结果。本发明具有不依赖于患者的行为反应和专家经验，且诊断准确率高，诊断效率高的特点。
Description
技术领域
本发明属于脑电图应用技术领域，具体涉及基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法。
背景技术
意识障碍可分为最小意识状态(MCS)和无反应觉醒综合征(UWS)，然而意识障碍患者的精准诊断仍然是一个难题。修订版昏迷恢复量表(CRS-R)是目前意识障碍检查与评估的标准临床量表。但CRS-R量表是一种基于行为的诊断工具，依赖于患者的行为反应和临床医生的专家经验，在准确率、效率方面存在很大不足。而EEG具有高时间分辨率、低成本、高安全性等优点，且可以部署在患者床边。静息态指人类在清醒、闭眼、放松时的状态，静息态EEG的获取不依赖于患者的行为反应。但目前相关研究大多基于先验知识进行特征提取，但结果并不理想。相关专家共识认为，目前对EEG的定量分析研究还不够充分，不推荐使用EEG的定量分析来区分MCS和UWS。
深度学习是一种侧重于学习深层次数据模型的方法，可以直接从原始信号中理解和学习该信号的复杂表示，并具有自动提取分类所需的高级特征的优势。近年来，随着大型EEG数据集的日益普及，深度学习已被应用于EEG信号的解码和分类。
因此，设计一种不依赖于患者的行为反应和专家经验，且诊断准确率高，诊断效率高的基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，就显得十分必要。
例如，申请号为CN201910150296.8所述的一种基于脑电信号的意识障碍诊断方法，具体包括以下步骤：S1、脑电信号的采集：首先医护人员可将脑电信号采集单元安装在诊断者的头部各位置，然后通过中央处理模块控制脑电信号采集单元对诊断者头部进行脑电信号采集，S2、脑电信号的去噪滤波处理。虽然大大提高检测评估的准确度和分析处理速度，实现对检测的脑电波进行滤波去噪处理，避免受到眼电伪迹和其他信号源的干扰，很好的达到了通过对提取的四个特征值分别同时进行分析处理的目的，实现了脑电检查完成后通过分析算法自动生成诊断分析表并自动进行打印，从而大大方便了医护人员的诊断工作，但不足之处在于，意识障碍的疾病机理目前尚不明确，基于先验知识的特征提取容易造成信息丢失，因此对意识障碍患者分类的准确率较低。
发明内容
针对现有技术的不足，本发明提供了一种基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，解决了现有的CRS-R量表方法依赖患者的行为反应与专家经验，进而导致诊断准确率低、效率低的问题，以及基于先验知识的脑电图特征提取容易造成信息丢失，进而导致诊断准确率低的问题。
为了达到上述发明目的，本发明采用以下技术方案：
基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，包括以下步骤：
S1，采集意识障碍患者的脑电图信号，并将采集到的脑电图信号随机分为训练集与测试集；
S2，对步骤S1中采集的脑电图信号进行滤波处理，并通过滑动窗口方法对步骤S1中的训练集与测试集，进行重采样得到训练样本和测试样本；
S3，设定阈值，并剔除含有超出阈值数据的训练样本和测试样本；
S4，构建时空卷积神经网络模型，并利用步骤S3获得的训练样本对时空卷积神经网络模型进行训练；
S5，利用步骤S3中获得的测试样本，对步骤S4中训练得到的时空卷积神经网络模型的性能进行评估；
S6，对于有待诊断的意识障碍患者，采集所述有待诊断的意识障碍患者的脑电图信号作为模型输入，利用步骤S4训练好的时空卷积神经网络模型，直接计算所述有待诊断的意识障碍患者为最小意识状态和无反应觉醒综合征的概率。
作为优选，在步骤S1过程中，脑电图信号的采样频率为256Hz，采集时间持续5分钟以上。
作为优选，步骤S2中所述滤波处理过程包括如下步骤：
S21，对步骤S1中采集的脑电图信号依次完成49Hz-51Hz的陷波滤波、0.5Hz的高通滤波以及40Hz的低通滤波。
作为优选，步骤S2中所述滑动窗口方法包括如下步骤：
S22，设定滑动窗口的长度为l，采样步长为step，通过滑动窗口在采集到的整段脑电图信号的数据上进行滑动采样。
作为优选，所述滑动窗口的长度设定为l＝10s，采样步长设定为step＝1s。
作为优选，步骤S3中所述阈值设定为200μV。
作为优选，步骤S4中，所述构建时空卷积神经网络模型的过程包括如下步骤：
S41，输入数据维度为16×2560×1；
S42，在时间维度使用一维卷积核，提取脑电图信号的时间特征，输出数据维度为16×640×32；
S43，在空间维度使用一维卷积核，提取脑电图信号的空间特征，输出数据维度为1×640×128；
S44，在时间维度使用一维卷积核，提取全脑空间特征的时间特征，输出数据维度为1×20×256；
S45，通过全连接层实现分类，输出分类结果。
作为优选，步骤S5还包括如下步骤：
S51，利用步骤S4中训练得到的时空卷积神经网络模型对每个测试样本做出分类，计算时空卷积神经网络模型对所有测试样本分类的准确率；
S52，所述测试集中每一病例包含多个样本，其中第i个病例的样本被分类为最小意识状态的比例为pi，无反应觉醒综合征的比例为1-pi，以pi和1-pi作为第i个病例的分类概率，根据对测试集各病例的分类概率，以无反应觉醒综合征为阳性绘制接受者操作特性曲线，并计算曲线下方的面积。
本发明与现有技术相比，有益效果是：(1)本发明只需要患者保持静息状态，不依赖患者行为反应，就能够实现意识障碍患者的分类；(2)本发明不依赖专家经验，只需原始脑电图信号即可给出诊断结果；(3)本发明对意识障碍患者的诊断准确率高，且随着数据量的增加还有继续提升的空间。
附图说明
图1为本发明基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法的一种流程图；
图2为脑电图电极的一种位置示意图；
图3为本发明中滑动窗口方法的一种过程示意图；
图4为本发明中时空卷积神经网络模型构建的一种过程示意图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
实施例1：
如图1所示的基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，包括以下步骤：
S1，采集意识障碍患者的脑电图信号，并将采集到的脑电图信号随机分为训练集与测试集；
S2，对步骤S1中采集的脑电图信号进行滤波处理，并通过滑动窗口方法对步骤S1中的训练集与测试集，进行重采样得到训练样本和测试样本；
S3，设定阈值，并剔除含有超出阈值数据的训练样本和测试样本，所述阈值设定为200μV；
S4，构建时空卷积神经网络模型，并利用步骤S3获得的训练样本对时空卷积神经网络模型进行训练；
S5，利用步骤S3中获得的测试样本，对步骤S4中训练得到的时空卷积神经网络模型的性能进行评估；
S6，对于有待诊断的意识障碍患者，采集所述有待诊断的意识障碍患者的脑电图信号作为模型输入，利用步骤S4训练好的时空卷积神经网络模型，直接计算所述有待诊断的意识障碍患者为最小意识状态和无反应觉醒综合征的概率。
其中，步骤S1中，采集的脑电图信号为16导联脑电图信号。根据10/20系统，将电极放置在Fp1、Fp2、F3、F4、F7、F8、C3、C4、T3、T4、T5、T6、P3、P4、O1和O2处，具体如图2所示。
进一步的，在步骤S1过程中，脑电图信号的采样频率为256Hz，采集时间持续5分钟以上。
进一步的，步骤S2中所述滤波处理过程包括如下步骤：
S21，对步骤S1中采集的脑电图信号依次完成49Hz-51Hz的陷波滤波、0.5Hz的高通滤波以及40Hz的低通滤波。
如图3所示，步骤S2中所述滑动窗口方法包括如下步骤：
S22，设定滑动窗口的长度为l，采样步长为step，通过滑动窗口在采集到的整段脑电图信号的数据上进行滑动采样。
一例脑电图数据的长度为5分钟以上，10秒长度的数据即可作为模型的样本。我们使用滑动窗口方法进行重采样，设置窗口长度为l＝10s，采样步长为step＝1s，在整段脑电图数据上滑动采样。即第1个样本为0-10秒，第2个样本为1-11秒，以此类推。对于一段长度为Ls的脑电图数据，可以获得的样本量sampleNum为：
如图4所示，进一步的，步骤S4中，所述构建时空卷积神经网络模型的过程包括如下步骤：
S41，输入数据维度为16×2560×1；
S42，在时间维度使用一维卷积核，提取脑电图信号的时间特征，输出数据维度为16×640×32；
S43，在空间维度使用一维卷积核，提取脑电图信号的空间特征，输出数据维度为1×640×128；
S44，在时间维度使用一维卷积核，提取全脑空间特征的时间特征，输出数据维度为1×20×256；
S45，通过全连接层实现分类，输出分类结果。
通过如图4所示过程，最终获得的时空卷积神经网络模型结构如下表1所示：
表1时空卷积神经网络模型结构
表1中，卷积模块1-2在时间维度提取各个导联的时间特征。卷积模块3为空间卷积模块，该模块将EEG信号16个导联的特征整合为全脑的空间特征。卷积模块4-8在时间维度提取全脑空间特征的时间特征。最后由全连接层进行分类。
进一步的，步骤S5还包括如下步骤：
S51，利用步骤S4中训练得到的时空卷积神经网络模型对每个测试样本做出分类，计算时空卷积神经网络模型对所有测试样本分类的准确率；
S52，所述测试集中每一病例包含多个样本，其中第i个病例的样本被分类为最小意识状态的比例为pi，无反应觉醒综合征的比例为1-pi，以pi和1-pi作为第i个病例的分类概率，根据对测试集各病例的分类概率，以无反应觉醒综合征为阳性绘制接受者操作特性曲线，并计算曲线下方的面积。
为了说明本发明的基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法的有效性，以一实例进行说明。
收集到意识障碍患者的静息态脑电图数据153例，其中最小意识状态102例，无反应觉醒综合共51例。采用5折交叉验证，首先将153例病例分为5组，每次选择1组作为测试集，其余4组作为训练集。对153例脑电数据重采样获取共51450个样本。经过5次交叉验证最终得到5个模型，对每个模型在其对应的测试集上进行测试，5次结果取平均计算，对样本的分类的准确率为83.41％，对病例分类的接受者操作特性曲线下方的面积为0.90。
2018年Engemann等人发表在《Brain》期刊的文章使用特征提取和机器学习的方法，所能达到的接受者操作特性曲线下方的面积为0.78。我们也对长短期记忆网络与常规的卷积神经网络进行了验证，其对样本的分类的准确率分别为80.35％和76.41％，对病例分类的接受者操作特性曲线下方的面积分别为0.85和0.83。显然，本发明提出的时空卷积神经网络提高了分类性能，且随着数据量的增加还有继续提升的空间。
本发明只需要患者保持静息状态，不依赖患者行为反应，就能够实现意识障碍患者的分类；本发明不依赖专家经验，只需原始脑电图信号即可给出诊断结果；本发明对意识障碍患者的诊断准确率高，且随着数据量的增加还有继续提升的空间。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
Claims (8)
1.基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，其特征在于，包括以下步骤：
S1，采集意识障碍患者的脑电图信号，并将采集到的脑电图信号随机分为训练集与测试集；
S2，对步骤S1中采集的脑电图信号进行滤波处理，并通过滑动窗口方法对步骤S1中的训练集与测试集，进行重采样得到训练样本和测试样本；
S3，设定阈值，并剔除含有超出阈值数据的训练样本和测试样本；
S4，构建时空卷积神经网络模型，并利用步骤S3获得的训练样本对时空卷积神经网络模型进行训练；
S5，利用步骤S3中获得的测试样本，对步骤S4中训练得到的时空卷积神经网络模型的性能进行评估；
S6，对于有待诊断的意识障碍患者，采集所述有待诊断的意识障碍患者的脑电图信号作为模型输入，利用步骤S4训练好的时空卷积神经网络模型，直接计算所述有待诊断的意识障碍患者为最小意识状态和无反应觉醒综合征的概率。
2.根据权利要求1所述的基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，其特征在于，在步骤S1过程中，脑电图信号的采样频率为256Hz，采集时间持续5分钟以上。
3.根据权利要求1所述的基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，其特征在于，步骤S2中所述滤波处理过程包括如下步骤：
S21，对步骤S1中采集的脑电图信号依次完成49Hz-51Hz的陷波滤波、0.5Hz的高通滤波以及40Hz的低通滤波。
4.根据权利要求3所述的基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，其特征在于，步骤S2中所述滑动窗口方法包括如下步骤：
S22，设定滑动窗口的长度为l，采样步长为step，通过滑动窗口在采集到的整段脑电图信号的数据上进行滑动采样。
5.根据权利要求4所述的基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，其特征在于，所述滑动窗口的长度设定为l＝10s，采样步长设定为step＝1s。
6.根据权利要求1所述的基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，其特征在于，步骤S3中所述阈值设定为200μV。
7.根据权利要求1所述的基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，其特征在于，步骤S4中，所述构建时空卷积神经网络模型的过程包括如下步骤：
S41，输入数据维度为16×2560×1；
S42，在时间维度使用一维卷积核，提取脑电图信号的时间特征，输出数据维度为16×640×32；
S43，在空间维度使用一维卷积核，提取脑电图信号的空间特征，输出数据维度为1×640×128；
S44，在时间维度使用一维卷积核，提取全脑空间特征的时间特征，输出数据维度为1×20×256；
S45，通过全连接层实现分类，输出分类结果。
8.根据权利要求1所述的基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法，其特征在于，步骤S5还包括如下步骤：
S51，利用步骤S4中训练得到的时空卷积神经网络模型对每个测试样本做出分类，计算时空卷积神经网络模型对所有测试样本分类的准确率；
S52，所述测试集中每一病例包含多个样本，其中第i个病例的样本被分类为最小意识状态的比例为pi，无反应觉醒综合征的比例为1-pi，以pi和1-pi作为第i个病例的分类概率，根据对测试集各病例的分类概率，以无反应觉醒综合征为阳性绘制接受者操作特性曲线，并计算曲线下方的面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110790906.8A CN113598791B (zh) | 2021-07-13 | 2021-07-13 | 基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110790906.8A CN113598791B (zh) | 2021-07-13 | 2021-07-13 | 基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113598791A true CN113598791A (zh) | 2021-11-05 |
| CN113598791B CN113598791B (zh) | 2024-04-02 |
Family
ID=78304555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110790906.8A Active CN113598791B (zh) | 2021-07-13 | 2021-07-13 | 基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113598791B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119073917A (zh) * | 2024-09-09 | 2024-12-06 | 复旦大学附属华山医院 | 意识障碍病程监测系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108209870A (zh) * | 2017-12-25 | 2018-06-29 | 河海大学常州校区 | 基于卷积神经网络的长程脑电图自动癫痫检测方法 |
| CN108403111A (zh) * | 2018-02-01 | 2018-08-17 | 华中科技大学 | 一种基于卷积神经网络的癫痫脑电识别方法和系统 |
| CN109717866A (zh) * | 2019-02-28 | 2019-05-07 | 温州大学 | 一种基于脑电信号的意识障碍诊断方法 |
| CN110269611A (zh) * | 2019-07-31 | 2019-09-24 | 上海诺诚电气股份有限公司 | 患者意识障碍程度监测、预警系统及方法 |
| CN110584597A (zh) * | 2019-07-15 | 2019-12-20 | 天津大学 | 基于时空卷积神经网络的多通道脑电信号监测方法及应用 |
| CN111297380A (zh) * | 2020-02-12 | 2020-06-19 | 电子科技大学 | 一种基于时空卷积核心块的情绪识别方法 |
| US20200260977A1 (en) * | 2018-09-14 | 2020-08-20 | Imedisync, Inc. | Method for diagnosing cognitive disorder, and computer program |
| KR20210034458A (ko) * | 2019-09-20 | 2021-03-30 | 고려대학교 산학협력단 | 심층신경망 기반 의식 상태 판단 장치 및 방법 |
-
2021
- 2021-07-13 CN CN202110790906.8A patent/CN113598791B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108209870A (zh) * | 2017-12-25 | 2018-06-29 | 河海大学常州校区 | 基于卷积神经网络的长程脑电图自动癫痫检测方法 |
| CN108403111A (zh) * | 2018-02-01 | 2018-08-17 | 华中科技大学 | 一种基于卷积神经网络的癫痫脑电识别方法和系统 |
| US20200260977A1 (en) * | 2018-09-14 | 2020-08-20 | Imedisync, Inc. | Method for diagnosing cognitive disorder, and computer program |
| CN109717866A (zh) * | 2019-02-28 | 2019-05-07 | 温州大学 | 一种基于脑电信号的意识障碍诊断方法 |
| CN110584597A (zh) * | 2019-07-15 | 2019-12-20 | 天津大学 | 基于时空卷积神经网络的多通道脑电信号监测方法及应用 |
| CN110269611A (zh) * | 2019-07-31 | 2019-09-24 | 上海诺诚电气股份有限公司 | 患者意识障碍程度监测、预警系统及方法 |
| KR20210034458A (ko) * | 2019-09-20 | 2021-03-30 | 고려대학교 산학협력단 | 심층신경망 기반 의식 상태 판단 장치 및 방법 |
| CN111297380A (zh) * | 2020-02-12 | 2020-06-19 | 电子科技大学 | 一种基于时空卷积核心块的情绪识别方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119073917A (zh) * | 2024-09-09 | 2024-12-06 | 复旦大学附属华山医院 | 意识障碍病程监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113598791B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110876626B (zh) | 基于多导联脑电最优导联选择的抑郁检测系统 | |
| CN111466876B (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 | |
| CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
| CN111166327A (zh) | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 | |
| CN111839506B (zh) | 脑力负荷检测方法及装置 | |
| Greene et al. | Electrocardiogram based neonatal seizure detection | |
| CN115211858A (zh) | 一种基于深度学习的情绪识别方法、系统及可存储介质 | |
| KR20190111570A (ko) | 확률모델 및 기계학습과 함께 특징추출을 이용한 뇌전도 신호의 멀티 주파수 대역 계수 기반 간질 발작파 검출 시스템 | |
| CN108742603A (zh) | 一种利用核函数和字典对学习模型的脑电检测方法和装置 | |
| CN117064389A (zh) | 基于XGBoost算法的EEG信号抑郁症识别系统及方法 | |
| Mohi-ud-Din et al. | Detection of Autism Spectrum Disorder from EEG signals using pre-trained deep convolution neural networks | |
| CN113598791B (zh) | 基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法 | |
| CN116807496B (zh) | 癫痫间期脑电波异常信号的定位方法、装置、设备及介质 | |
| Huang et al. | A portable household detection system based on the combination of bidirectional LSTM and residual block for automatical arrhythmia detection | |
| Khan et al. | Deep convolutional neural network based sleep apnea detection scheme using spectro-temporal subframes of EEG signal | |
| CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
| CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
| Said et al. | Automatic detection of mild cognitive impairment from EEG recordings using discrete wavelet transform leader and ensemble learning methods | |
| Winnick et al. | Automated nystagmus detection: Accuracy of slow-phase and quick-phase algorithms to determine the presence of nystagmus | |
| Telangore et al. | A novel ECG-based approach for classifying psychiatric disorders: Leveraging wavelet scattering networks | |
| Jyothirmy et al. | Stress Monitoring in Humans using Biomedical Signal Analysis | |
| Lee et al. | Multiscale sample entropy based on discrete wavelet transform for clinical heart rate variability recognition | |
| CN119837529A (zh) | 一种基于机器学习的多模态精神压力评估方法及系统 | |
| Krosuri et al. | Prediction of Epileptic Seizure Using Deep Learning Techniques | |
| Ohal et al. | Exploring EEG-Based Biomarkers for Improved Early Alzheimer's Disease Detection: A Feature-Based Approach Utilizing Machine Learning |
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 |