![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
医学信号处理
文章平均质量分 86
Lucy@IshtarXu
研究方向生物医学信号处理(EEG、EOG)、疾病分类与诊断、目标跟踪等,还在自学读文献阶段,希望科研顺利——
展开
-
【文献翻译】SeizureNet: Multi-Spectral Deep Feature Learning for Seizure Type Classification
SeizureNet: Multi-Spectral Deep Feature Learning for Seizure Type Classification 文献翻译原创 2022-04-30 22:41:03 · 812 阅读 · 0 评论 -
【文献翻译】Epileptic Seizure Classification with Symmetric and Hybrid Bilinear Models
基于对称和混合双线性模型的癫痫发作分类原创 2022-04-18 20:39:52 · 1360 阅读 · 4 评论 -
【文献翻译】Evaluating five different adaptive decomposition methods for EEG signal seizure detection
五种不同的自适应分解方法在脑电信号癫痫检测和分类中的应用原创 2022-04-02 22:43:42 · 1161 阅读 · 0 评论 -
【文献翻译】A review of epileptic seizure detection using machine learning classifiers
基于机器学习分类器的癫痫发作检测综述原创 2022-03-30 01:01:33 · 2471 阅读 · 1 评论 -
【文献翻译】Epileptic Seizures Detection Using Deep Learning Techniques: A Review
Epileptic Seizures Detection Using Deep Learning Techniques: A Review 利用深度学习技术检测癫痫发作:综述原创 2022-03-27 23:02:15 · 1635 阅读 · 0 评论 -
【文献翻译】Machine learning applications in epilepsy
Machine learning applications in epilepsy 癫痫的机器学习应用原创 2022-03-27 16:31:36 · 1671 阅读 · 0 评论 -
【文献翻译】利用脑电信号预测癫痫发作的机器学习:综述
利用脑电信号预测癫痫发作的机器学习:综述原创 2022-03-26 22:33:45 · 5762 阅读 · 6 评论 -
【文献翻译】基于深度学习的脑电信号癫痫自动检测系统
摘要癫痫是一种神经系统疾病,对于其检测,脑电图(EEG)是一种常用的临床方法。脑电信号的人工检测是一个费时费力的过程,这给神经科医生带来了沉重的负担,并影响了他们的表现。已经提出了几种使用传统方法的自动技术来帮助神经学家检测二元癫痫场景,例如癫痫与非癫痫或正常与发作。这些方法在对三元病例进行分类时表现不佳,例如,发作期与正常期与发作间期;采用最先进的方法,这种情况下的最大准确度为97±1%。为了克服这个问题,我们提出了一个基于深度学习的系统,它是金字塔一维卷积神经网络(P-1D-CNN)模型的集成。在CN原创 2022-03-10 20:40:37 · 4912 阅读 · 3 评论 -
【文献翻译】用于改进脑电图癫痫发作分析的自监督图神经网络 - (DCRNN / SSL)
原文:SELF-SUPERVISED GRAPH NEURAL NETWORKS FOR IMPROVED ELECTROENCEPHALOGRAPHIC SEIZURE ANALYSIS,ICLR 2022算法/结论等学习后再进行补充原创 2022-03-06 22:50:15 · 1522 阅读 · 2 评论 -
【文献翻译-部分】用自监督学习揭示临床脑电信号的结构(SSL与RP原理 / 数据/ 预处理)
《Uncovering the structure of clinical EEG signals withself-supervised learning》原创 2022-02-26 18:21:38 · 3408 阅读 · 1 评论 -
【文献翻译】Diagnosis of epilepsy in EEGs using limited supervision ver1.0
Diagnosis of epilepsy in EEGs using limited supervision 基于自监督学习的EEG癫痫诊断原创 2022-02-21 00:07:39 · 986 阅读 · 0 评论 -
【文献摘录】癫痫与脑电图特点
主要把看到的内容进行了整理,链接已在中间附上。文章目录1 - 癫痫的概念2 - 癫痫的脑电图检测手段2.1 - 脑电图(EEG)2.1.1 - EEG的概念2.1.2 - EEG的采集2.1.3 - EEG按照频率分类Alpha波Beta波Theta波Delta波Gamma波Mu波2.2 - 癫痫的EEG特点2.3 - 癫痫数据集举例1 - 癫痫的概念癫痫(Epilepsy)是已知或未知病因引起,由脑部大量神经元反复发作的异常同步放电引起的短暂性脑功能异常的一组临床综合征。可以表现为感觉、运动、意识、原创 2022-02-18 19:06:38 · 2007 阅读 · 1 评论 -
【2018 Nature】Review Disease Primers - Epilepsy 【文献翻译】
第一遍,使用的机翻…生物方面的内容因为不懂所以没有审核过,之后再优化摘要癫痫影响所有年龄组,是最常见和最致残的神经系统疾病之一。癫痫的准确诊断至关重要,因为一些患者会被误诊为癫痫,而另一些患者则会得到错误的诊断。事实上,诊断错误很常见,许多患者无法得到正确的治疗,这往往会带来严重后果。虽然许多患者使用单一药物控制癫痫发作,但其他患者需要多种药物、切除手术、神经调节装置或饮食疗法。此外,三分之一的患者将继续出现无法控制的癫痫发作。癫痫可因癫痫发作、共病情绪和精神障碍、认知缺陷和药物不良反应而严重损害生活质原创 2022-02-10 23:36:37 · 1378 阅读 · 0 评论 -
独立分量分析(ICA)中遇到的数学概念理解
将找到的相关概念的资料进行了整合,能力有限,理解到位了再用自己的理解写一篇文章。问题的提出一、信号和随机变量之间的关系随机变量(random variable)表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关,都可以数量化,即都能用数量化的方式表达。例如:某一时间内公共汽车站等车乘客人数,电话交换台在一定时间内收到的呼叫次数,灯泡的寿命等等,都是随机变量的实例。由随机变量的数据样本点可以估计出随机变量的各阶矩,进而估计出pdf等统计信息。参考:随机变量百度百科信号和随机变量之原创 2021-03-31 17:47:35 · 2632 阅读 · 0 评论 -
【医学信号处理与MATLAB(5)】独立成分分析法-ICA
接着上一节PCA的内容,我们来谈一下ICA为何同样重要。目录引入:鸡尾酒会问题独立成分分析法中心极限定理引入:鸡尾酒会问题我们可以看到如下图所示的鸡尾酒会模型:在一场酒会上,有3个说话者(si)和三个麦克风(xi),麦克风距离说话者的远近不同,因此收音效果也不同,但实际都可看作是线性混合的,如图右边的式子所示。将线性方程组用矩阵的方式表示,如图右下方,A为3乘3的混合矩阵。如何根据麦克风里的内容分别推测出三个说话者的声音呢?这便是ICA需要处理的问题。独立成分分析法与PCA不同,目标不在降低原创 2021-03-31 13:45:40 · 1381 阅读 · 1 评论 -
【PCA】主成分分析法的数学原理
主要就是将PCA的数学原理这篇文章大致手写推算了一下,实际上文章本身讲得非常清楚,这里只作为我的一些学习记录原创 2021-03-27 17:30:59 · 229 阅读 · 0 评论 -
【医学信号处理与MATLAB(4)】主成分分析法-PCA
本节主要介绍的是多变数分析中的主成分分析法(PCA)目录多变量分析方差、协方差与相关性双变量的数据与相关系数的关系[MATLAB RULE]使用COV和CORRCOEF多变量分析主成分分析法(PCA)数据量(DATA)与信息量(INFORMATION)数据冗余(REDUNDANCY)协方差矩阵(COVARIANCE MATRIX)概念实例说明PCA实例的MATLAB代码[MATLAB RULE]使用PRINCOMP使用PRINCOMP进行PCA分析与去噪声概念MATLAB代码比较UNCORRELATED原创 2021-03-27 15:48:51 · 1151 阅读 · 1 评论 -
【医学信号处理与MATLAB(2)】数字滤波器的设计、FIR/IIR滤波器
本节主要介绍的是数字滤波器的设计,以下是对应信号处理流程中的框图目录数字滤波器的设计(Digital filter design)滤波的目的将信号的频谱成分作调整,去除某些频率。如下图中的EEG信号,左边是时域图像,右边是频域图像,EEG中我们通常感兴趣的频率范围在50Hz左右,所以我们需要一种滤波器,在我们不感兴趣的频带将信号滤除掉。图2中红线为一个低通滤波器(可以通过滤波器与信号点乘实现滤波)。而图3是低通滤波之后的EEG信号,图4为滤波后信号经过FFT的结果,可以看出基本只保留了0-原创 2021-03-18 23:12:43 · 861 阅读 · 0 评论 -
【医学信号处理与MATLAB(1)】傅里叶分析与生理信号频谱实例
新开一个坑参考卢家峰教授的课程做的一些学习笔记从傅里叶开始记录,前面的用上了再写待填原创 2021-03-18 19:35:41 · 534 阅读 · 0 评论