-
公开(公告)号：CN115357126B
公开(公告)日：2023-01-24
申请号：CN202211276703.8
申请日：2022-10-19
Applicant: 之江实验室
Abstract: 本发明公开了一种睡眠慢波‑纺锤波耦合信号的提取方法、系统及装置，包括以下步骤：步骤S1：得到预处理脑电信号；步骤S2：判断存在慢波及纺锤波；步骤S3：确定慢波信号；步骤S4：确定纺锤波信号；步骤S5：遍历步骤S3和步骤S4，获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波与纺锤波，根据慢波和纺锤波的起止时间点来确定慢波‑纺锤波耦合的起止时间点，得到慢波‑纺锤波耦合信号。本发明降低异常数据对慢波‑纺锤波判定的影响；慢波和纺锤波判定采用多重判定机制，提高慢波和纺锤波判定的抗干扰能力；最终慢波‑纺锤波判定中以慢波中检测到最大纺锤波峰值为判定机制，更全面检测慢波与纺锤波在不同相位的耦合。
-
公开(公告)号：CN117056788B
公开(公告)日：2023-12-19
申请号：CN202311315334.3
申请日：2023-10-12
Applicant: 之江实验室
IPC: G06F18/24 , G06F18/214 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于有监督对比学习的EEG信号分类方法、装置，包括：将EEG信号输入至预先训练的特征提取模型中，得到EEG特征；通过分类器对EEG特征进行分类；其中，特征提取模型的训练过程包括：获取有标签的EEG数据集；截取EEG数据，拥有相同标签的EEG数据样本互为正样本，不同标签的EEG数据样本互为负样本；基于滑动窗对截取的EEG数据样本进行数据增强，得到增强样本；将截取的EEG数据样本和增强样本作为训练集；利用训练集训练特征提取模型，设置损失函数，损失函数用于使负样本特征向量之间的距离逐渐增大，正样本特征向量之间的距离逐渐减小，增强样本特征向量与正样本特征向量之间的距离逐渐减小。
-
公开(公告)号：CN115357126A
公开(公告)日：2022-11-18
申请号：CN202211276703.8
申请日：2022-10-19
Applicant: 之江实验室
Abstract: 本发明公开了一种睡眠慢波‑纺锤波耦合信号的提取方法、系统及装置，包括以下步骤：步骤S1：得到预处理脑电信号；步骤S2：判断存在慢波及纺锤波；步骤S3：确定慢波信号；步骤S4：确定纺锤波信号；步骤S5：遍历步骤S3和步骤S4，获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波与纺锤波，根据慢波和纺锤波的起止时间点来确定慢波‑纺锤波耦合的起止时间点，得到慢波‑纺锤波耦合信号。本发明降低异常数据对慢波‑纺锤波判定的影响；慢波和纺锤波判定采用多重判定机制，提高慢波和纺锤波判定的抗干扰能力；最终慢波‑纺锤波判定中以慢波中检测到最大纺锤波峰值为判定机制，更全面检测慢波与纺锤波在不同相位的耦合。
-
公开(公告)号：CN117077013A
公开(公告)日：2023-11-17
申请号：CN202311315398.3
申请日：2023-10-12
Applicant: 之江实验室
IPC: G06F18/241 , G06F18/213 , G06F18/211 , G06N3/0464 , G06N3/09 , A61B5/372 , A61B5/00
Abstract: 本发明公开了一种睡眠纺锤波检测方法、电子设备、介质，包括：将待检测的EEG信号截取为若干个时序连续等长的EEG信号片段，并提取EEG特征；根据EEG特征，将EEG信号片段划分为第一类EEG信号片段和第二类EEG信号片段；将睡眠纺锤波的占比大于第一阈值的EEG信号片段作为第一类EEG信号片段；将第一类EEG信号片段中的每一EEG信号片段与其在时间上相邻的两个EEG信号片段分别重组；将重组后的EEG信号片段输入至睡眠纺锤波预测模型，得到睡眠纺锤波的峰值位置；当相邻峰值间的距离小于第二阈值时，则相邻峰值间的信号也视为睡眠纺锤波信号；根据睡眠纺锤波的长度范围进行筛选，得到睡眠纺锤波信号的预测结果。
-
Patent Agency Ranking
公开(公告)号：CN115989997A
公开(公告)日：2023-04-21
申请号：CN202211405517.X
申请日：2022-11-10
Applicant: 之江实验室
IPC: A61B5/00
Abstract: 本发明公开了一种无监督聚类的睡眠脑电信号分期方法、设备和介质，该方法基于睡眠信号的功率谱密度特征在高维特征空间中存在特定流形结构的假设，通过UMAP降维算法将功率谱密度特征降至二维平面；此时用户在睡眠过程中的状态变化过程对应特征点在二维平面上的运动轨迹；使用中值滤波方法对特征点的运动轨迹进行平滑处理后，即可使用高斯混合模型对低维特征点进行聚类，从而将特征点分配到对应睡眠状态的聚类簇，以获取到最终的脑电信号分期结果。本发明无需提供人工标注的真实睡眠状态标签，具有实施成本低、计算速度快、睡眠分期结果可靠的优点。
-
公开(公告)号：CN117077013B
公开(公告)日：2024-03-26
申请号：CN202311315398.3
申请日：2023-10-12
Applicant: 之江实验室
IPC: G06F18/241 , G06F18/213 , G06F18/211 , G06N3/0464 , G06N3/09 , A61B5/372 , A61B5/00
Abstract: 本发明公开了一种睡眠纺锤波检测方法、电子设备、介质，包括：将待检测的EEG信号截取为若干个时序连续等长的EEG信号片段，并提取EEG特征；根据EEG特征，将EEG信号片段划分为第一类EEG信号片段和第二类EEG信号片段；将睡眠纺锤波的占比大于第一阈值的EEG信号片段作为第一类EEG信号片段；将第一类EEG信号片段中的每一EEG信号片段与其在时间上相邻的两个EEG信号片段分别重组；将重组后的EEG信号片段输入至睡眠纺锤波预测模型，得到睡眠纺锤波的峰值位置；当相邻峰值间的距离小于第二阈值时，则相邻峰值间的信号也视为睡眠纺锤波信号；根据睡眠纺锤波的长度范围进行筛选，得到睡眠纺锤波信号的预测结果。
-
公开(公告)号：CN116153522B
公开(公告)日：2023-09-19
申请号：CN202310204621.0
申请日：2023-03-02
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于皮质‑肌肉‑皮质网络图的模型训练方法及装置，可以获取采集到的通过TMS治疗前患者在设定时间内运动过程中的EEG和EMG，以及获取采集到的通过TMS治疗后患者在设定时间内运动过程中的EEG和EMG；而后，可以构建治疗前皮质‑肌肉‑皮质网络图以及构建治疗后皮质‑肌肉‑皮质网络图，皮质‑肌肉‑皮质网络图用于表征大脑和手臂上的各采集点位之间的功能连通性。进而可以根据皮质‑肌肉‑皮质网络图以及实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示，以提高对患者TMS治疗效果的评估效率和准确性。
-
公开(公告)号：CN117056788A
公开(公告)日：2023-11-14
申请号：CN202311315334.3
申请日：2023-10-12
Applicant: 之江实验室
IPC: G06F18/24 , G06F18/214 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于有监督对比学习的EEG信号分类方法、装置，包括：将EEG信号输入至预先训练的特征提取模型中，得到EEG特征；通过分类器对EEG特征进行分类；其中，特征提取模型的训练过程包括：获取有标签的EEG数据集；截取EEG数据，拥有相同标签的EEG数据样本互为正样本，不同标签的EEG数据样本互为负样本；基于滑动窗对截取的EEG数据样本进行数据增强，得到增强样本；将截取的EEG数据样本和增强样本作为训练集；利用训练集训练特征提取模型，设置损失函数，损失函数用于使负样本特征向量之间的距离逐渐增大，正样本特征向量之间的距离逐渐减小，增强样本特征向量与正样本特征向量之间的距离逐渐减小。
-
公开(公告)号：CN116153522A
公开(公告)日：2023-05-23
申请号：CN202310204621.0
申请日：2023-03-02
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于皮质‑肌肉‑皮质网络图的模型训练方法及装置，可以获取采集到的通过TMS治疗前患者在设定时间内运动过程中的EEG和EMG，以及获取采集到的通过TMS治疗后患者在设定时间内运动过程中的EEG和EMG；而后，可以构建治疗前皮质‑肌肉‑皮质网络图以及构建治疗后皮质‑肌肉‑皮质网络图，皮质‑肌肉‑皮质网络图用于表征大脑和手臂上的各采集点位之间的功能连通性。进而可以根据皮质‑肌肉‑皮质网络图以及实际治疗评估信息，对预测模型进行训练，得到训练后的预测模型，以通过训练后的预测模型预测出目标患者的TMS治疗评估信息并在目标医疗设备上进行展示，以提高对患者TMS治疗效果的评估效率和准确性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.015 seconds)
