CN113057656A - 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统 - Google Patents
一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统 Download PDFInfo
- Publication number
- CN113057656A CN113057656A CN202110336139.3A CN202110336139A CN113057656A CN 113057656 A CN113057656 A CN 113057656A CN 202110336139 A CN202110336139 A CN 202110336139A CN 113057656 A CN113057656 A CN 113057656A
- Authority
- CN
- China
- Prior art keywords
- signal
- cranial nerve
- value
- adaptive threshold
- spike
- 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
- 210000003792 cranial nerve Anatomy 0.000 title claims abstract description 146
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 title claims description 53
- 238000012360 testing method Methods 0.000 claims abstract description 104
- 210000004556 brain Anatomy 0.000 claims abstract description 32
- 210000005036 nerve Anatomy 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010304 firing Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (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自适应阈值在线脑神经锋电位信号检测方法、装置和系统，包括：步骤1，确定起始位置，依据初始化的信号最小值和信号差值，对起始位置起的脑神经信号进行筛选获得测试样本，依据测试样本的长度确定测试周期；步骤2，以每个测试周期内首个测试样本的标准差作为每个测试周期的噪声带阈值；步骤3，针对测试周期内的每个脑神经信号，依据噪声带阈值与以当前脑神经信号为止的前一段历史脑神经信号确定脑神经信号的自适应阈值；步骤4，依据脑神经信号与对应的自适应阈值筛选基准脑神经信号点，并依据基准脑神经信号点提取锋电位信号。以实现降低在线检测计算消耗的同时提升检测准确性。
Description
技术领域
本发明涉及脑神经信号处理技术领域，具体涉及一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统。
背景技术
在脑神经信号处理技术领域，一般需要对实时采样高通量信号进行在线处理。在神经电生理实验中，单个电极通常记录到超过一个神经元的活动，且由于肌电活动和电磁干扰等噪声信号影响，因此需要锋电位信号检测算法的抗干扰能力较强，算法复杂度低且可以实时计算，无需利用全局信息，可在线处理脑神经信号。
现有的准确率较高的脑神经信号处理方法多为离线方法，常见的单阈值方法、双阈值方法、基于能量的方法等，如公告号为CN102394844A的专利申请公开的一种基于FPGA的锋电位信号并行检测装置和方法，公告号为CN102590598A的专利申请公开的一种基于多阈值比较的超声波信号过零点预测方法。阈值的选择通常有手动阈值和根据一段时间的信号统计量设置两种方式。这种方法对大幅值噪声的抗干扰能力较弱，针对不同神经信号的提取能力不强。而基于能量的方法为了对抗强噪声背景和提高信噪比，通常选择设计较复杂的能量算子，计算耗时长。
在现有一般嵌入式处理系统计算资源有限、希望在线处理高通量脑神经信号的背景下，考虑将基于信号统计量的阈值方法和基于能量的方法相结合，设计一种抗噪声且可针对不同神经元锋电位的提取准确率高的锋电位信号检测方法。
发明内容
鉴于上述，本发明的目的是提供一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统，以实现降低在线检测计算消耗的同时提升检测准确性。
为实现上述发明目的，本发明提供以下技术方案：
第一方面，一种基于自适应阈值在线脑神经锋电位信号检测方法，包括以下步骤：
步骤1，确定起始位置，依据初始化的信号最小值和信号差值，对起始位置起的脑神经信号进行筛选获得测试样本，依据测试样本的长度确定测试周期；
步骤2，以每个测试周期内首个测试样本的标准差作为每个测试周期的噪声带阈值；
步骤3，针对测试周期内的每个脑神经信号，依据噪声带阈值与以当前脑神经信号为止的前一段历史脑神经信号确定脑神经信号的自适应阈值；
步骤4，依据脑神经信号与对应的自适应阈值筛选基准脑神经信号点，并依据基准脑神经信号点提取锋电位信号。
第二方面，一种基于自适应阈值在线脑神经锋电位信号检测装置，包括：
测试样本确定模块，用于确定起始位置，依据初始化的信号最小值和信号差值，对起始位置起的脑神经信号进行筛选获得测试样本，依据测试样本的长度确定测试周期；
噪声带阈值确定模块，用于以每个测试周期内首个测试样本的标准差作为每个测试周期的噪声带阈值；
自适应阈值确定模块，用于针对测试周期内的每个脑神经信号，依据噪声带阈值与以当前脑神经信号为止的前一段历史脑神经信号确定脑神经信号的自适应阈值；
锋电位信号检测模块，用于依据脑神经信号与对应的自适应阈值筛选基准脑神经信号点，并依据基准脑神经信号点提取锋电位信号。
第三方面，一种基于自适应阈值在线脑神经锋电位信号检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现上述基于自适应阈值在线脑神经锋电位信号检测方法。
与现有技术相比，本发明具有的有益效果至少包括：
本发明提供的基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统，将通过将基于信号统计量的噪声带阈值和基于能量的自适应阈值相结合，在计算资源有限的嵌入式处理系统中实现对采集的高通量脑神经信号在线实时检测处理，既能抗噪声，又能提升提取不同神经元锋电位的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，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前提下，还可以根据这些附图获得其他附图。
图1是实施例提供的一种基于自适应阈值在线脑神经锋电位信号检测方法的流程图；
图2是实施例提供的一种基于自适应阈值在线脑神经锋电位信号检测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为了能够在计算资源有限的嵌入式处理系统中实现不同脑神经锋电位信号的在线实时高准确率检测，实施例提供了一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统。
图1是实施例提供的一种基于自适应阈值在线脑神经锋电位信号检测方法的流程图。如图1所示，实施例提供的在线脑神经锋电位信号检测方法包括以下步骤：
步骤1，确定起始位置，依据初始化的信号最小值和信号差值，对起始位置起的脑神经信号进行筛选获得测试样本，依据测试样本的长度确定测试周期。
在进行在线脑神经锋电位信号检测之前，需要初始化信号最小值和信号差值，具体可以根据历史脑神经信号筛选得到信号最小值和信号最大值，然后依据信号最大值和信号最小值确定信号差值。该信号最小值和信号差值作为筛选测试样本的依据。
起始位置是相对测试周期而言的，每个测试周期均具有一个起始位置，也就是当确定一个测试周期后，就会重新标记起始位置，进行下轮测试样本的筛选和测试周期的确定。
实施例中，筛选获得测试样本的过程为：
对起始位置起的处于连续状态的低点脑神经信号值和高点脑神经信号值组成一个连续信号对，当连续信号对中低点脑神经信号值与信号最小值的差值小于低点阈值，且当高点脑神经信号值与信号最小值的差值大于高点阈值时，则认为该连续信号对为最小可识别片段；其中，低点阈值与高点阈值均为信号差值的0～1倍，且低点阈值小于高点阈值；
以包含连续N个最小可识别片段的脑神经信号段为测试样本，N为自然数，优选地，N为大于10的自然数。
举例说明，低点阈值可以取值为0.1倍的信号差值，高点阈值可以取值为0.9倍的信号差值。这样，将差值大于0.9的信号差值的高点脑神经信号值，且差值小于0.1的信号差值的低点脑神经信号值组成的连续信号对确定为最小可识别片段。
在确定最小可识别片段后，可以以包含连续大于10个最小可识别片段的脑神经信号段为测试样本，由于脑机脉冲信号的发射频率不一样，导致脑神经信号的频率也不一样，这样每个测试样本对应的时间长度不同。
在确定测试样本的长度之后，以每经过M倍的测试样本长度的时间为测试周期，M为自然数，优选地，M取值为8～15，具体地可以取值为10，这样以每10倍的测试样本长度的时间为测试周期。
步骤2，以每个测试周期内首个测试样本的标准差作为每个测试周期的噪声带阈值。
由于脑神经信号可能存在大幅值的噪声，因此噪声带阈值需要间隔一定时间更新计算，且根据不同的锋电位信号发放频次选择合适的时间间隔(测试周期)更新阈值计算。在确定脑神经信号的测试周期后，即可以计算相应的噪声带阈值，具体地，通过以下公式确定测试周期的噪声带阈值为：
threshnoise(T)＝σ(sT)
由于神经元发放时间较短，发放间隔较长，因此可以认为电极采集到的脑神经信号是白噪声信号，则第T个测试周期的首个测试样本的标准差为：
其中，threshnoise(T)表示第T个测试周期的噪声带阈值，σ(sT)表示第T个测试周期内首个测试样本sT的标准差，median()表示取中位数，sT,t表示第T个测试周期内第t个脑神经信号值，L为测试样本的长度。
步骤3，针对测试周期内的每个脑神经信号，依据噪声带阈值与以当前脑神经信号为止的前一段历史脑神经信号确定脑神经信号的自适应阈值。
对于第T个测试周期内的实时采集的脑神经信号，超出噪声带阈值的信号可能被认为是神经元发放的锋电位。由于测试周期内可能出现非锋电位信号的采样点的值超过噪声带阈值，实施例则根据一段时间内的历史脑神经信号，自适应地调整锋电位信号检测的自适应阈值。
实施例中，可以依据噪声带阈值与以当前脑神经信号为止的前L时间段历史脑神经信号确定脑神经信号的自适应阈值，其中L为与当前脑神经信号最近的测试样本长度。针对每个当前脑神经信号，当当前脑神经信号处于某个测试样本时，将所属的测试样本长度作为与当前脑神经信号最近的测试样本长度。当当前脑神经信号不处于某个测试样本时，则选择与当前脑神经信号最近的脑神经信号所属的测试样本长度作为当前脑神经信号最近的测试样本长度。也就是针对当前脑神经信号而言，L是随着测试样本长度实时更新的。
在一种可能的实施方式中，自适应阈值的确定方法为：
针对以当前脑神经信号为止的前一段历史脑神经信号，以噪声带阈值为基准值，累加前一段历史脑神经信号中大于噪声带阈值的所有脑神经信号的加权平方和，得到自适应阈值。
具体地，采用以下公式计算自适应阈值：
其中，
表示第t个脑神经信号的自适应阈值，threshnoise表示第t个脑神经信号所属的测试周期的噪声带阈值，α为权重系数，取值范围为2～4，L为以第t个脑神经信号为止的前一段历史脑神经信号长度，k为L内脑神经信号的索引。
实施例中，可以采用滑动窗口的方式筛选大于噪声带阈值的脑神经信号，滑动窗口长度为L，步长为1，这样每次会从第t个脑神经信号为止的前L长度的历史脑神经信号中筛选每个大于噪声带阈值的脑神经信号，然后计算自适应阈值。
步骤4，依据脑神经信号与对应的自适应阈值筛选基准脑神经信号点，并依据基准脑神经信号点提取锋电位信号。
实施例中，依据脑神经信号与对应的自适应阈值筛选基准脑神经信号点包括：将信号值大于自身的自适应阈值的脑神经信号作为基准脑神经信号点。
依据基准脑神经信号点提取锋电位信号包括：
依据脑神经信号的采样频率和锋电位长度确定锋前长度Nbefore和锋后长度Nafter，提取以基准脑神经信号点的前Nbefore个脑神经信号、后Nafter个脑神经信号以及基准脑神经信号组成锋电位信号。
由于神经元的放电时间较短，通常采集到的锋电位长度不超过1.6ms，则根据采样设备的采样频率fs计算峰点位信号的采样长度N＝1.6ms*fs，计算锋前长度Nbefore和锋后长度Nafter分别为：
Nafter＝(N-1)-Nbefore
上述基于自适应阈值在线脑神经锋电位信号检测方法，首先，根据实际采样的脑神经信号特征，选定合适的测试样本长度及测试周期长度，然后，通过将基于信号统计量的噪声带阈值和基于能量的自适应阈值相结合，在计算资源有限的嵌入式处理系统中实现对采集的高通量脑神经信号在线实时检测处理，既能抗噪声，又能提升提取不同神经元锋电位的准确率。
如图2所示，实施例还提供了一种基于自适应阈值在线脑神经锋电位信号检测装置200，包括：
测试样本确定模块210，用于确定起始位置，依据初始化的信号最小值和信号差值，对起始位置起的脑神经信号进行筛选获得测试样本，依据测试样本的长度确定测试周期；
噪声带阈值确定模块220，用于以每个测试周期内首个测试样本的标准差作为每个测试周期的噪声带阈值；
自适应阈值确定模块230，用于针对测试周期内的每个脑神经信号，依据噪声带阈值与以当前脑神经信号为止的前一段历史脑神经信号确定脑神经信号的自适应阈值；
锋电位信号检测模块240，用于依据脑神经信号与对应的自适应阈值筛选基准脑神经信号点，并依据基准脑神经信号点提取锋电位信号。
需要说明的是，实施例提供的基于自适应阈值在线脑神经锋电位信号检测装置在进行在线脑神经锋电位信号检测时，应以上述各功能模块的划分进行举例说明，可以根据需要将上述功能分配由不同的功能模块完成，即在终端或服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，实施例提供的基于自适应阈值在线脑神经锋电位信号检测装置与基于自适应阈值在线脑神经锋电位信号检测方法实施例属于同一构思，其具体实现过程详见基于自适应阈值在线脑神经锋电位信号检测方法实施例，这里不再赘述。
实施例还提供了一种基于自适应阈值在线脑神经锋电位信号检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，处理器执行计算机程序时实现上述基于自适应阈值在线脑神经锋电位信号检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。具体应用时，计算处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于自适应阈值在线脑神经锋电位信号检测方法，其特征在于，包括以下步骤：
步骤1，确定起始位置，依据初始化的信号最小值和信号差值，对起始位置起的脑神经信号进行筛选获得测试样本，依据测试样本的长度确定测试周期；
步骤2，以每个测试周期内首个测试样本的标准差作为每个测试周期的噪声带阈值；
步骤3，针对测试周期内的每个脑神经信号，依据噪声带阈值与以当前脑神经信号为止的前一段历史脑神经信号确定脑神经信号的自适应阈值；
步骤4，依据脑神经信号与对应的自适应阈值筛选基准脑神经信号点，并依据基准脑神经信号点提取锋电位信号。
2.如权利要求1所述的基于自适应阈值在线脑神经锋电位信号检测方法，其特征在于，筛选获得测试样本的过程为：
对起始位置起的处于连续状态的低点脑神经信号值和高点脑神经信号值组成一个连续信号对，当连续信号对中低点脑神经信号值与信号最小值的差值小于低点阈值，且当高点脑神经信号值与信号最小值的差值大于高点阈值时，则认为该连续信号对为最小可识别片段；其中，低点阈值与高点阈值均为信号差值的0～1倍，且低点阈值小于高点阈值；
以包含连续N个最小可识别片段的脑神经信号段为测试样本，N为自然数；
依据测试样本的长度确定测试周期包括：以每经过M倍的测试样本长度的时间为测试周期，M为自然数。
3.权利要求1所述的基于自适应阈值在线脑神经锋电位信号检测方法，其特征在于，通过以下公式确定测试周期的噪声带阈值为：
threshnoise(T)＝σ(sT)
其中，threshnoise(T)表示第T个测试周期的噪声带阈值，σ(sT)表示第T个测试周期内首个测试样本sT的标准差，median()表示取中位数，sT,t表示第T个测试周期内第t个脑神经信号值，L为测试样本的长度。
4.权利要求1所述的基于自适应阈值在线脑神经锋电位信号检测方法，其特征在于，依据噪声带阈值与以当前脑神经信号为止的前L时间段历史脑神经信号确定脑神经信号的自适应阈值，其中L为与当前脑神经信号最近的测试样本长度。
5.权利要求1或4述的基于自适应阈值在线脑神经锋电位信号检测方法，其特征在于，所述自适应阈值的确定方法为：
针对以当前脑神经信号为止的前一段历史脑神经信号，以噪声带阈值为基准值，累加前一段历史脑神经信号中大于噪声带阈值的所有脑神经信号的加权平方和，得到自适应阈值。
6.权利要求5述的基于自适应阈值在线脑神经锋电位信号检测方法，其特征在于，采用以下公式计算自适应阈值：
其中，
表示第t个脑神经信号的自适应阈值，threshnoise表示第t个脑神经信号所属的测试周期的噪声带阈值，α为权重系数，取值范围为2～4，L为以第t个脑神经信号为止的前一段历史脑神经信号长度，k为L内脑神经信号的索引。
7.权利要求1所述的基于自适应阈值在线脑神经锋电位信号检测方法，其特征在于，所述依据脑神经信号与对应的自适应阈值筛选基准脑神经信号点包括：将信号值大于自身的自适应阈值的脑神经信号作为基准脑神经信号点。
8.权利要求1所述的基于自适应阈值在线脑神经锋电位信号检测方法，其特征在于，所述依据基准脑神经信号点提取锋电位信号包括：
依据脑神经信号的采样频率和锋电位长度确定锋前长度Nbefore和锋后长度Nafter，提取以基准脑神经信号点的前Nbefore个脑神经信号、后Nafter个脑神经信号以及基准脑神经信号组成锋电位信号。
9.一种基于自适应阈值在线脑神经锋电位信号检测装置，其特征在于，包括：
测试样本确定模块，用于确定起始位置，依据初始化的信号最小值和信号差值，对起始位置起的脑神经信号进行筛选获得测试样本，依据测试样本的长度确定测试周期；
噪声带阈值确定模块，用于以每个测试周期内首个测试样本的标准差作为每个测试周期的噪声带阈值；
自适应阈值确定模块，用于针对测试周期内的每个脑神经信号，依据噪声带阈值与以当前脑神经信号为止的前一段历史脑神经信号确定脑神经信号的自适应阈值；
锋电位信号检测模块，用于依据脑神经信号与对应的自适应阈值筛选基准脑神经信号点，并依据基准脑神经信号点提取锋电位信号。
10.一种基于自适应阈值在线脑神经锋电位信号检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～8任一项所述的基于自适应阈值在线脑神经锋电位信号检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110336139.3A CN113057656B (zh) | 2021-03-29 | 2021-03-29 | 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110336139.3A CN113057656B (zh) | 2021-03-29 | 2021-03-29 | 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113057656A true CN113057656A (zh) | 2021-07-02 |
| CN113057656B CN113057656B (zh) | 2022-02-01 |
Family
ID=76564341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110336139.3A Active CN113057656B (zh) | 2021-03-29 | 2021-03-29 | 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113057656B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113679395A (zh) * | 2021-07-30 | 2021-11-23 | 浙江大学 | 一种多通道并行实时脑神经锋电位信号检测方法、装置和系统 |
| CN114680879A (zh) * | 2022-06-01 | 2022-07-01 | 华南师范大学 | 体动伪迹信号的检测方法以及装置 |
| CN114925734A (zh) * | 2022-07-20 | 2022-08-19 | 浙江大学 | 一种基于神经拟态计算的在线神经元分类方法 |
| CN116584959A (zh) * | 2023-07-14 | 2023-08-15 | 之江实验室 | 脑深部电刺激期间的锋电位检测及特征提取方法和系统 |
| CN117860267A (zh) * | 2024-03-12 | 2024-04-12 | 北京智冉医疗科技有限公司 | 脑神经信号处理方法、计算机存储介质、电子设备和脑电信号处理系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007058950A2 (en) * | 2005-11-10 | 2007-05-24 | Cyberkinetics Neurotechnology Systems, Inc. | Biological interface system with neural signal classification systems and methods |
| CN107072569A (zh) * | 2014-10-16 | 2017-08-18 | 新加坡科技研究局 | 基于帧的尖峰检测模块 |
| CN108273191A (zh) * | 2014-12-21 | 2018-07-13 | 徐志强 | 能避免过度刺激神经元的脑神经刺激装置 |
| CN109376651A (zh) * | 2018-10-24 | 2019-02-22 | 广东工业大学 | 一种基于cuda架构的gpu加速锋电位分类的系统 |
| CN109766847A (zh) * | 2019-01-15 | 2019-05-17 | 南京邮电大学 | 一种锋电位分离方法 |
| CN112381174A (zh) * | 2020-12-01 | 2021-02-19 | 杭州电子科技大学 | 一种针对多电极阵列的神经信号分类方法 |
| CN112472108A (zh) * | 2021-02-05 | 2021-03-12 | 南京畅享医疗科技有限公司 | 神经元放电尖峰信号挑拣方法、装置和计算机设备 |
-
2021
- 2021-03-29 CN CN202110336139.3A patent/CN113057656B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007058950A2 (en) * | 2005-11-10 | 2007-05-24 | Cyberkinetics Neurotechnology Systems, Inc. | Biological interface system with neural signal classification systems and methods |
| CN107072569A (zh) * | 2014-10-16 | 2017-08-18 | 新加坡科技研究局 | 基于帧的尖峰检测模块 |
| CN108273191A (zh) * | 2014-12-21 | 2018-07-13 | 徐志强 | 能避免过度刺激神经元的脑神经刺激装置 |
| CN109376651A (zh) * | 2018-10-24 | 2019-02-22 | 广东工业大学 | 一种基于cuda架构的gpu加速锋电位分类的系统 |
| CN109766847A (zh) * | 2019-01-15 | 2019-05-17 | 南京邮电大学 | 一种锋电位分离方法 |
| CN112381174A (zh) * | 2020-12-01 | 2021-02-19 | 杭州电子科技大学 | 一种针对多电极阵列的神经信号分类方法 |
| CN112472108A (zh) * | 2021-02-05 | 2021-03-12 | 南京畅享医疗科技有限公司 | 神经元放电尖峰信号挑拣方法、装置和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 万瑾: "大鼠神经信号无线采集及在线锋电位分类系统实现", 《中国硕士学位论文全文数据库，信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113679395A (zh) * | 2021-07-30 | 2021-11-23 | 浙江大学 | 一种多通道并行实时脑神经锋电位信号检测方法、装置和系统 |
| CN113679395B (zh) * | 2021-07-30 | 2022-06-21 | 浙江大学 | 一种多通道并行实时脑神经锋电位信号检测方法、装置和系统 |
| CN114680879A (zh) * | 2022-06-01 | 2022-07-01 | 华南师范大学 | 体动伪迹信号的检测方法以及装置 |
| CN114925734A (zh) * | 2022-07-20 | 2022-08-19 | 浙江大学 | 一种基于神经拟态计算的在线神经元分类方法 |
| CN114925734B (zh) * | 2022-07-20 | 2022-11-25 | 浙江大学 | 一种基于神经拟态计算的在线神经元分类方法 |
| CN116584959A (zh) * | 2023-07-14 | 2023-08-15 | 之江实验室 | 脑深部电刺激期间的锋电位检测及特征提取方法和系统 |
| CN116584959B (zh) * | 2023-07-14 | 2023-09-26 | 之江实验室 | 脑深部电刺激期间的锋电位检测及特征提取方法和系统 |
| CN117860267A (zh) * | 2024-03-12 | 2024-04-12 | 北京智冉医疗科技有限公司 | 脑神经信号处理方法、计算机存储介质、电子设备和脑电信号处理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113057656B (zh) | 2022-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113057656B (zh) | 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统 | |
| Kim et al. | A comparison of optimal MIMO linear and nonlinear models for brain–machine interfaces | |
| US9477640B2 (en) | Neural signal processing and/or interface methods, architectures, apparatuses, and devices | |
| CN108120976B (zh) | 一种基于多普勒通道特性的地杂波谱泄露抑制方法 | |
| CN103760543A (zh) | 一种基于多模式的恒虚警目标检测方法 | |
| WO2019036908A1 (zh) | 心率检测方法及装置、电子终端 | |
| US20170296081A1 (en) | Frame based spike detection module | |
| CN106291492A (zh) | 一种基于精细杂波图的自适应目标检测方法 | |
| CN112472108B (zh) | 神经元放电尖峰信号挑拣方法、装置和计算机设备 | |
| EP2389103A1 (en) | Methods and devices for processing pulse signals, and in particular neural action potential signals | |
| CN101515200A (zh) | 基于瞬态视觉诱发脑电的目标选择方法 | |
| CN113408336A (zh) | 一种基于鲸鱼优化算法的小波去噪最优阈值整定方法 | |
| Burrello et al. | Tackling time-variability in sEMG-based gesture recognition with on-device incremental learning and temporal convolutional networks | |
| Zhang et al. | Calibration-free and hardware-efficient neural spike detection for brain machine interfaces | |
| CN112215912B (zh) | 基于动态视觉传感器的显著性图生成系统、方法和装置 | |
| CN114609607B (zh) | 低复杂度mimo雷达sr stap海杂波抑制方法 | |
| CN115508787B (zh) | 基于三坐标雷达的滑窗流水式点迹凝聚处理方法和系统 | |
| CN119511255B (zh) | 基于幅度起伏特性的水下目标回波检测方法及系统 | |
| Rizk et al. | Optimizing the automatic selection of spike detection thresholds using a multiple of the noise level | |
| CN109541549A (zh) | 基于emd和稀疏信号处理的间歇采样转发干扰抑制方法 | |
| CN110738093A (zh) | 基于改进小世界回声状态网络肌电的分类方法 | |
| CN107144874A (zh) | 一种基于对enpemf信号进行bswt‑ddtfa时频分析的方法及系统 | |
| Cho et al. | Self-organizing maps with dynamic learning for signal reconstruction | |
| CN111898567B (zh) | 基于经验小波变换的弹丸激波信号噪声抑制方法 | |
| Malathi et al. | Vlsi implementation of median filter for noise removal in emg signal |
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 |