-
公开(公告)号：CN113662558A
公开(公告)日：2021-11-19
申请号：CN202110955257.2
申请日：2021-08-19
申请人： 杭州电子科技大学
摘要： 本发明公开了一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法，首先对脑电EEG信号进行滤波处理与信号切割；然后对处理后的脑电EEG信号进行平滑非线性能量算子(SNEO)信号变换与变分模态提取(VME)信号变换得到SNEO数据集和VME数据集；然后对三个数据集对应的信号进行20维特征提取；再通过K‑means算法进行二分类无监督聚类，构建无监督分类模型；最后通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。本发明既克服包含痫样放电信号背景下眨眼伪迹检测精度低的困难，又可以解决现有模型忽略痫样放电的问题，还能够实现眨眼伪迹与额极痫样放电的精准自动化分类。
-
公开(公告)号：CN114093501B
公开(公告)日：2024-07-02
申请号：CN202111216851.6
申请日：2021-10-19
申请人： 杭州电子科技大学
IPC分类号： G16H50/20 , G06V20/40 , G06V40/20 , G06V10/764 , G06V10/762 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , A61B5/00 , A61B5/372 , A61B5/11 , G06N3/048
摘要： 本发明公开了一种基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法。本发明结合脑电信号特征和同步视频数据的特征，旨在实现精准可靠的儿童癫痫患者的发作检测识别。本发明将脑电与视频数据特征融合在一起训练分类模型，提高了发作检测的识别率，同时利用数据均衡对融合特征进行处理，克服了癫痫发作期的数据远少于发作间期的问题；同时本发明采用了YOLO目标检测的方法，检测出视频中儿童癫痫患者的位置再对其进行下一步处理，克服了实际工作中，医院摄像头采集的视频数据不够理想的问题；本发明在提取时空兴趣点后，引入时空兴趣点筛选模块，减少了对视频中冗余信息的特征提取，精简了视频特征，提高了儿童癫痫发作检测率。
-
公开(公告)号：CN114081508B
公开(公告)日：2024-05-14
申请号：CN202111279893.4
申请日：2021-10-28
申请人： 杭州电子科技大学
IPC分类号： A61B5/372 , A61B5/00 , G06F18/243 , G06F18/25 , G06N3/0464 , G06N3/0442 , G06N3/08
摘要： 本发明公开了一种基于深度神经网络与CCA特征融合的棘波检测方法。首先对输入的原始单通道脑电信号进行预处理操作，分割后得到脑电信号片段；分别通过连续小波变换得到频谱图特征和平滑非线性能量滤波后的传统特征；通过DenseNet121深度神经网络对频谱图提取2维深度特征，使用方差过滤式方法筛选出4维的传统特征；使用典型相关分析并采取相加的融合策略，得到2维的融合特征；再通过随机森林算法构建单通道棘波和非棘波样本数据集的棘波检测模型；最后通过建立的棘波检测模型进行脑电棘波检测。本发明通过频谱图深度特征与传统特征的CCA特征融合，并结合随机森林分类算法，达到对棘波放电精准检测的效果，能够同时检测棘波以及其产生的位置信息。
-
公开(公告)号：CN114093501A
公开(公告)日：2022-02-25
申请号：CN202111216851.6
申请日：2021-10-19
申请人： 杭州电子科技大学
IPC分类号： G16H50/20 , G06V20/40 , G06V40/20 , G06V10/764 , G06V10/762 , G06V10/80 , G06V10/82 , A61B5/00 , A61B5/372 , A61B5/11 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法。本发明结合脑电信号特征和同步视频数据的特征，旨在实现精准可靠的儿童癫痫患者的发作检测识别。本发明将脑电与视频数据特征融合在一起训练分类模型，提高了发作检测的识别率，同时利用数据均衡对融合特征进行处理，克服了癫痫发作期的数据远少于发作间期的问题；同时本发明采用了YOLO目标检测的方法，检测出视频中儿童癫痫患者的位置再对其进行下一步处理，克服了实际工作中，医院摄像头采集的视频数据不够理想的问题；本发明在提取时空兴趣点后，引入时空兴趣点筛选模块，减少了对视频中冗余信息的特征提取，精简了视频特征，提高了儿童癫痫发作检测率。
-
公开(公告)号：CN114587381A
公开(公告)日：2022-06-07
申请号：CN202210246380.1
申请日：2022-03-14
申请人： 杭州电子科技大学
摘要： 本发明公开了基于多通道脑电智能筛选与加权样本生成的棘波检测方法，首先利用多种脑电波形特征基于阈值法对脑电各个通道数据进行样本筛选，最终通过数据分割得到多通道棘波候选样本；对所得多通道棘波候选样本进行数据分析，并基于最优通道进行多种权值计算，通过加权算法由多通道棘波候选样本生成单通道候选样本数据；最后利用单通道棘波分类算法完成对生成数据的分类检测。本发明不仅可以通过多通道数据的加权生成算法，提取各通道数据中有效信息，提高棘波识别性能，还提供了一种筛选多通道棘波候选样本的流程，为后续其他同类型算法建立数据集提供了一种标准。另外进一步分析加权数据生成时所用到的权值，还能够检测棘波产生具体的通道位置。
-
公开(公告)号：CN114081508A
公开(公告)日：2022-02-25
申请号：CN202111279893.4
申请日：2021-10-28
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于深度神经网络与CCA特征融合的棘波检测方法。首先对输入的原始单通道脑电信号进行预处理操作，分割后得到脑电信号片段；分别通过连续小波变换得到频谱图特征和平滑非线性能量滤波后的传统特征；通过DenseNet121深度神经网络对频谱图提取2维深度特征，使用方差过滤式方法筛选出4维的传统特征；使用典型相关分析并采取相加的融合策略，得到2维的融合特征；再通过随机森林算法构建单通道棘波和非棘波样本数据集的棘波检测模型；最后通过建立的棘波检测模型进行脑电棘波检测。本发明通过频谱图深度特征与传统特征的CCA特征融合，并结合随机森林分类算法，达到对棘波放电精准检测的效果，能够同时检测棘波以及其产生的位置信息。
-
公开(公告)号：CN113850192A
公开(公告)日：2021-12-28
申请号：CN202111129277.0
申请日：2021-09-26
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于EMD‑CSP脑电特征学习与智能融合的眨眼伪迹检测方法。本发明基于经验模态分解与共同空间模式算法脑电特征学习与智能融合的眨眼伪迹检测方法，结合支撑向量机分类模型能够达到精准的眨眼伪迹与非伪迹信号的精准检测。步骤2至4提取的特征包含了脑电信号的空间域、频域信息，而步骤5‑2到5‑11提取的特征则主要包含了脑电信号的时域、频域信息，而步骤5‑12至5‑15提取的特征则是为了保证多通道脑电信息的空间性以及完全性。本发明既可以克服临床脑电EEG信号多通道数据损坏问题，又可以解决现有模型缺乏空间滤波和频域信息且复杂度较高的问题，在此基础上实现眨眼伪迹的精准检测。
-
公开(公告)号：CN114305451B
公开(公告)日：2024-04-23
申请号：CN202210094726.0
申请日：2022-01-26
申请人： 杭州电子科技大学
摘要： 本发明公开了一种熵稳定性判据的儿童脑电功能连接图谱构建方法。首先进行数据预处理，然后进行功能连接网络构建，最后进行网络特征提取与分析。本发明采用随机网络和香农熵度量的结合方法搜寻最优阈值，基于该方法构建的二值网络相比其他方式构建的二值网络具有更强的组内网络稳定性，即网络的个性化连接部分更少，且更突出其年龄特征。分别提取了个体水平以及年龄组水平功能连接的图论特征，包括功能分离，功能整合，网络中心性度量分析功能连接随年龄增长的变化规律以及特定年龄阶段的功能连接模式的特性。其中，功能连接的变化趋势与医学常识相符，这验证了功能连接构建方法的合理性。
-
公开(公告)号：CN113662558B
公开(公告)日：2024-01-30
申请号：CN202110955257.2
申请日：2021-08-19
申请人： 杭州电子科技大学
摘要： 本发明公开了一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法，首先对脑电EEG信号进行滤波处理与信号切割；然后对处理后的脑电EEG信号进行平滑非线性能量算子(SNEO)信号变换与变分模态提取(VME)信号变换得到SNEO数据集和VME数据集；然后对三个数据集对应的信号进行20维特征提取；再通过K‑means算法进行二分类无监督聚类，构建无监督分类模型；最后通过建立的无监督分类模型实现眨眼伪迹与痫样放电信号的分类。本发明既克服包含痫样放电信号背景下眨眼伪迹检测精度低的困难，又可以解决现有模型忽略痫样放电的问题，还能够实现眨眼伪迹与额极痫样放电的精准自动化分类。
-
公开(公告)号：CN117297548A
公开(公告)日：2023-12-29
申请号：CN202311342552.6
申请日：2023-10-17
申请人： 杭州电子科技大学
IPC分类号： A61B5/00 , A61B5/369 , A61B5/372 , G06F18/214 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于AE异常检测和频带选择的局灶性癫痫发作检测系统。首先对输入18个通道的原始脑电信号进行滤波、阈值初筛预处理操作，分割后得到1s时长的脑电信号片段；通过采用小波包分解得到5个子频带信号。提取5个子频带波形的11维特征，采用单因素方差分析从5个子频带中选择感兴趣的频带。仅使用特定频带的发作间期数据训练卷积自编码器AE，编码器对信号进行编码、解码重构出原始信号；根据重构误差计算相应的异常分数，区分发作期样本与间期样本。从通道角度刻画局灶性癫痫发作起始异常的通道。本发明通过小波包分解与频带的选择，结合AE异常检测算法，达到癫痫发作检测效果，同时能够对局灶性癫痫发作过程起始异常通道的检测。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.036 秒)
