-
公开(公告)号：CN118173268A
公开(公告)日：2024-06-11
申请号：CN202410360949.6
申请日：2024-03-27
申请人： 清华大学
IPC分类号： G16H50/30 , G16H10/20 , G16H10/60 , G06N3/045 , G06N3/0985 , G06F18/243 , G06F18/27 , G06F18/20
摘要： 本申请提出了一种面向脑机接口康复的卒中患者下肢预后评估方法，该方法包括：提取面向BCI康复的卒中患者的多模态临床医学数据，多模态临床医学数据包括人口统计学特征、临床量表特征与生物力学特征；根据多模态临床医学数据计算卒中患者的恢复比例，并为不同恢复比例的卒中患者划分标签；对多模态临床医学数据进行标准化处理，将标准化后的多模态临床医学数据分别输入训练好的弹性网络模型Elastic net与人工神经网络模型ANN，得到第一预后评估结果与第二预后评估结果；基于划分标签后的真实结果，根据第一预后评估结果与第二预后评估结果对比Elastic net与ANN的预测能力，确定最优模型；基于最优模型，对面向BCI康复的卒中患者进行预后评估。
-
公开(公告)号：CN117598830A
公开(公告)日：2024-02-27
申请号：CN202311598893.X
申请日：2023-11-28
申请人： 清华大学
IPC分类号： A61D1/00
摘要： 本公开提供的一种用于脊髓半切损伤造模的手术器械，包括手柄和活动刀片；手柄包括手柄主体和固定于其前端的支臂，手柄主体和支臂上分别设有供活动刀片推入或推出的滑槽，支臂具有与脊髓外壁相贴合的第一圆弧面；活动刀片包括可分别从支臂和手柄主体滑槽内推入或推出的柔性刀片和三面刀片；柔性刀片通过连接杆与手柄主体连接，连接杆具有与脊髓外壁匹配的第二圆弧面；三面刀片包括平面刀片和固定于其上前半部的一对弧形刀片，平面刀片和弧形刀片所在平面分别与脊髓的纵轴平行和垂直，当活动刀片从手柄内完全推出时，其刃口均与柔性刀片的内周面贴合，形成一个半圆柱或类半圆柱空间。本公开可实现精准、定量脊髓切除，达到标准化模型制备的要求。
-
公开(公告)号：CN111067538A
公开(公告)日：2020-04-28
申请号：CN201911243593.3
申请日：2019-12-06
申请人： 清华大学
摘要： 本发明公开了一种基于力、位置信息评估上肢运动功能的方法及系统，其中，该方法包括：使受试者上肢进行直线轨迹和圆形轨迹康复训练，以获取直线运动轨迹数据、圆形运动轨迹数据和接触力；处理直线和圆形运动轨迹数据，得到直线运动可达能力参数、圆形运动可达能力参数、平均速度、平均轨迹偏差和运动准确评估值；根据直线和圆形运动可达能力参数、平均速度评估运行执行控制能力，根据平均轨迹偏差和运动准确评估值评估运动精确性控制能力；分析接触力提取力量波动范围和垂直于身体方向的力量分配比值；根据力量波动范围和力量分配比值评估受试者的施加力量控制能力。该方法可详细的基于力、位置信息客观、精确的对用户上肢运动功能进行实时评估。
-
公开(公告)号：CN111053553B
公开(公告)日：2022-02-01
申请号：CN201911251414.0
申请日：2019-12-09
申请人： 清华大学
摘要： 本发明公开了一种基于事件相关电位分布的脑机接口导联选择方法，该方法包括以下步骤：采集全脑区n个导联在M次重复任务下的脑电信号，并对所述脑电信号进行预处理，计算得到功率谱密度矩阵组，n和M均为正整数；将M×n个样本分别以预设导联标签为单位，叠加平均所述功率谱密度矩阵组；在不同波段上计算叠加平均后的功率谱密度矩阵组，得到比例矩阵；对比例矩阵进行升序排序，取排序后的比例矩阵前p个导联作为脑机接口系统在当前受试者的当前任务下的选用导联。该方法为不同任务状态下、不同适用性人群的脑机接口系统的导联选择提供了理论依据和支持。
-
公开(公告)号：CN111728822B
公开(公告)日：2021-11-26
申请号：CN202010725801.X
申请日：2020-07-24
申请人： 清华大学
摘要： 本发明公开了一种用于脑损伤后的脑机交互闭环康复训练方法，该方法包括：采集并处理运动想象、被动运动、主动运动三类状态的脑电数据；求解其平均去同步电位表征对应激活脑区，选取各状态下前P％个去同步电位值最小的导联，组成分别代表运动意图、感觉反馈和运动感觉激活脑区的三个导联组a、b、c；求解对应的三个平均相位滞后指数矩阵A、B、C分析脑区间功能连接强度；计算矩阵C中导联对a、b的平均相位滞后指数T1，和全部导联对的平均相位滞后指数T0，T1大于T0则验证运动控制闭环形成，利用导联组a解码脑电信号，控制康复机器人执行或停止动作。该方法精确解码大脑皮质的运动控制活动并构建个性化运动控制闭环，提高康复效率。
-
公开(公告)号：CN113317804A
公开(公告)日：2021-08-31
申请号：CN202110593146.1
申请日：2021-05-28
申请人： 清华大学
摘要： 本申请涉及一种康复效率预测方法、及其训练装置和计算机设备。该方法包括：获取脑电采集设备采集的多个训练数据集合，训练数据集合中包括多组训练数据；对从每组训练数据中提取出脑电信号进行时频域转换，得到脑电时频域信号；将所属同一检测对象的多个脑电时频域信号进行融合处理，得到脑电时频域平均信号；基于得到的各项脑电时频域平均信号，构建脑电信号矩阵；基于脑电信号矩阵进行功率谱密度的提取，得到脑功率谱密度矩阵，根据脑电信号矩阵中各项元素之间的导联相关性，构建脑连接性相关矩阵；将脑功率谱密度矩阵和脑连接性相关矩阵分别输入至待训练的康复效率预测模型进行模型训练，并在停止训练时，输出训练好的康复效率预测模型。
-
公开(公告)号：CN110664400B
公开(公告)日：2020-07-17
申请号：CN201910891136.9
申请日：2019-09-20
申请人： 清华大学
IPC分类号： A61B5/0476 , A61B5/00
摘要： 本发明公开了一种基于度信息的脑电特征电位溯源方法，该方法包括：利用脑电采集设备采集脑电信号，将脑电信号进行预处理，并对预处理后的数据进行小波变换，得到时频域信号；对时频域信号进行叠加平均处理，得到特征矩阵；基于特征矩阵构建欧几里得距离矩阵，并根据阈值对欧几里得距离矩阵做二值化处理，得到邻点集；根据邻点集构建度矩阵；对度矩阵进行聚类处理，计算模板权重系数，并对模板权重系数进行归一化处理；对归一化处理后的模板权重系数进行迭代聚类处理，得到溯源结果值。本发明实施例的方法弥补现有脑电信号溯源方法忽略人脑电特征信号分析的不足，增强了溯源的精确性，实现了基于度信息的脑电特征信号的脑连接网络分析。
-
公开(公告)号：CN110664400A
公开(公告)日：2020-01-10
申请号：CN201910891136.9
申请日：2019-09-20
申请人： 清华大学
IPC分类号： A61B5/0476 , A61B5/00
摘要： 本发明公开了一种基于度信息的脑电特征电位溯源方法，该方法包括：利用脑电采集设备采集脑电信号，将脑电信号进行预处理，并对预处理后的数据进行小波变换，得到时频域信号；对时频域信号进行叠加平均处理，得到特征矩阵；基于特征矩阵构建欧几里得距离矩阵，并根据阈值对欧几里得距离矩阵做二值化处理，得到邻点集；根据邻点集构建度矩阵；对度矩阵进行聚类处理，计算模板权重系数，并对模板权重系数进行归一化处理；对归一化处理后的模板权重系数进行迭代聚类处理，得到溯源结果值。本发明实施例的方法弥补现有脑电信号溯源方法忽略人脑电特征信号分析的不足，增强了溯源的精确性，实现了基于度信息的脑电特征信号的脑连接网络分析。
-
公开(公告)号：CN105912665B
公开(公告)日：2019-05-03
申请号：CN201610224210.8
申请日：2016-04-12
申请人： 清华大学 , 北京恒冠网络数据处理有限公司
摘要： 本发明公开了一种Neo4j向关系型数据库的模型转换和数据迁移方法，包括如下步骤：S1：提取Neo4j的概念模型；S2：用户筛选需要进行转换的标签实体和关系实体；S3：查找所有包含属性的关系实体，并将所述包含属性的关系实体全部转换成关系型数据库概念模型中的表；S4：将需要进行转换的所有标签实体转换成关系型数据库概念模型中的表；S5：建立表达关系型数据库概念模型中各个表之间的关系属性；S6：建成完整的关系型数据库的概念模型；S7：进行数据迁移。本发明利用模型转换的方法解决了Neo4j向关系型数据库数据迁移的问题，同时使数据迁移更加准确，并且更加容易操作。
-
公开(公告)号：CN115421597A
公开(公告)日：2022-12-02
申请号：CN202211375933.X
申请日：2022-11-04
申请人： 清华大学
摘要： 本发明公开了一种基于双脑耦合特征的脑机接口控制方法及系统，该方法包括：在至少两个被试协同进行脑机接口的运动控制任务时，将同步采集至少两个被试的导联对脑电数据分为脑电训练数据和脑电测试数据；运动控制任务包括至少一种运动模式；基于脑电训练数据进行双脑耦合特征提取，基于提取的特征进行数据变换得到特征矩阵；将特征矩阵输入分类器模型中进行训练得到分类模型，基于分类模型对脑电测试数据进行运动模式的分类得到模式分类结果，对模式分类结果的运动模式完成度进行判断，根据完成度判断结果得到测试分类准确率；基于测试分类准确率，判断协同脑机接口控制的有效性。本发明可以促进基于双脑耦合特征的脑机接口控制准确率的提升。
-
-
-
-
-
-
-
-
-
搜索结果
23 条记录 (耗时 0.024 秒)
