-
公开(公告)号：CN106725520A
公开(公告)日：2017-05-31
申请号：CN201611266544.8
申请日：2016-12-31
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: A61B5/1455 , A61B5/00
Abstract: 本发明公开一种脑血氧检测的信号处理方法，包括步骤：采集未被脑组织血红蛋白吸收的模拟式的光密度电流信号，对模拟式的所述光密度电流信号进行一级处理，输出数字式的光密度电压信号；对所述光密度电压信号进行二级处理以去噪；其中，所述二级处理包括以下步骤：对所述光密度电压信号进行改进的总体完备经验模态分解，输出所有模态分量；对每个模态分量进行排列熵计算，选择阈值，进行信号重构。本发明以改进的总体完备经验模态分解和排列熵结合的方式对光密度电压信号去噪，有效降低了基线漂移和高频噪声的影响，提高了数据的精确度。
-
公开(公告)号：CN116959714A
公开(公告)日：2023-10-27
申请号：CN202310952504.2
申请日：2023-07-31
Applicant: 中国科学院苏州生物医学工程技术研究所 , 无锡市儿童医院
IPC: G16H50/20 , G06V10/764 , G06V10/82 , G06V10/80
Abstract: 本发明涉及一种自闭症谱系障碍分类方法、电子设备及存储介质，该方法包括步骤：对测试集每个被试的T1结构磁共振图像、伪连续动脉自旋图像进行处理，获得特征向量，实现结构脑网络特征、血流脑网络特征的构建；通过结构脑网络特征和血流脑网络特征，构建多模态脑网络特征；将多模态脑网络特征输入最优分类模型，获得分类结果。本发明采用T1结构磁共振图像和伪连续动脉自旋标记图像，构建结构脑网络和血流脑网络特征，反映不同脑区之间皮层厚度变化及脑血流变化的相关性，并将其作为机器学习分类模型的输入；通过t检验方法和最小冗余最大相关特征选择方法，筛选出具有显著性的特征，提高自闭症谱系障碍分类的准确率。
-
公开(公告)号：CN116301317A
公开(公告)日：2023-06-23
申请号：CN202211694953.3
申请日：2022-12-28
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本发明公开了一种正问题建模方法、装置、电子设备及存储介质，其中，该方法包括：基于脑结构影像分割脑组织结构；基于分割得到的各脑组织结构对头域进行整体网格划分；基于类皮肤电极的电极线分布制作类皮肤电极模板；基于类皮肤电极的中心位置、形状和电极线截面直径对上述网格进行局部细化，获得头模型；基于类皮肤电极模板，在带有电极位置的头模型上获得类皮肤电极模型；基于大脑皮层表面的网格划分获得相应源模型；基于头模型、源模型和类皮肤电极模型，采用有限元算法构建个性化脑电正问题模型。本发明考虑了类皮肤电极的分形蛇形网状结构复杂导致的电极覆盖头皮区域电场分布复杂的问题，提高了脑电正问题的建模精度。
-
公开(公告)号：CN115587321B
公开(公告)日：2023-03-28
申请号：CN202211576082.5
申请日：2022-12-09
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本说明书公开了一种脑电信号识别分类方法、系统及电子设备，能够对脑电信号进行精确分类识别。所述方法包括：从原始脑电信号中获取波段信号；针对所述波段信号进行时空频多域分析及上下文长时信息挖掘，生成多层次融合特征信息；针对所述多层次融合特征信息进行稀疏脉冲编码，构建脉冲神经网络进行脉冲特征映射，并优化脉冲神经网络以生成稀疏脉冲融合特征；基于所述稀疏脉冲融合特征，计算确定所述原始脑电信号对应的类别属性。所述系统用于执行所述脑电信号识别分类方法。所述电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述脑电信号识别分类方法。
-
公开(公告)号：CN113274037A
公开(公告)日：2021-08-20
申请号：CN202110739351.4
申请日：2021-06-30
Applicant: 中国科学院苏州生物医学工程技术研究所 , 苏州大学附属儿童医院
Abstract: 本发明公开了一种动态脑功能网络的生成方法、系统及设备，其中，所述方法包括：获取被试人员的头皮脑电数据，并进行伪迹去除预处理，以获取高质量头皮脑电信号；基于高质量头皮脑电信号，获取被试人员的微状态时间序列，并针对指定微状态，在所述微状态时间序列中确定所述指定微状态的闭环周期；基于所述闭环周期内的时序信号，确定所述被试人员在所述闭环周期内的静息态功能网络；基于多个所述静息态功能网络确定所述指定微状态周期内随微状态时间序列变化的动态静息态功能网络并进行网络拓扑特性分析。本发明提供的技术方案，能够生成更加精确的动态脑功能网络。
-
Patent Agency Ranking
公开(公告)号：CN112294340A
公开(公告)日：2021-02-02
申请号：CN202011164260.4
申请日：2020-10-27
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本发明公开了一种快速自动去除肌电伪迹的方法、系统、存储介质及计算机设备，本发明的方法首先利用最小二乘多维经验模态分解方法对脑电信号进行时频域自适应分解，得到多维一致本征模态函数；然后针对每个本征模态函数中携带的肌电伪迹强度不同，利用SCAD区间阈值化方法自适应计算每个本征模态函数去除肌电伪迹的阈值，再将本征模态函数和阈值同时输入至SCAD区间阈值函数中得到无伪迹本征模态函数；最后重构得到无肌电伪迹的脑电。本发明避免了源分离方法中的计算误差，同时减小了部分重构方法误去除脑电导致的信号失真问题；解决了目前方法自适应性较差，导联数量过少去除效果不佳以及脑电与肌电伪迹频谱严重重叠时脑电误去除的问题。
-
公开(公告)号：CN110236482A
公开(公告)日：2019-09-17
申请号：CN201910471543.4
申请日：2019-05-31
Applicant: 中国科学院苏州生物医学工程技术研究所
Abstract: 本发明公开了一种一体化眼脑部视觉功能成像系统，包括：视觉刺激呈现设备，呈现包含多种刺激诱发范式的图片和视频；眼部视觉成像设备，是基于多光谱的视网膜和瞳孔成像设备；脑部视觉成像设备，是基于近红扩散相关谱技术的视觉脑皮层血流信号成像设备；协同工作站，包括成像采集控制模块和图像分析模块，用于协同控制眼部视觉成像设备和脑部视觉成像设备，并将获取到的多光谱视网膜、瞳孔图像和视觉脑皮层血流图像进行处理与分析。通过该系统能够实现眼部视网膜、瞳孔和大脑视觉皮层神经功能响应的同步记录，对多模态多参数的视觉生理信号进行联合分析，为视觉信息编解码、视觉重建机理研究、视觉神经调控定量评估受损定位等提供方法。
-
公开(公告)号：CN107292312A
公开(公告)日：2017-10-24
申请号：CN201710462938.9
申请日：2017-06-19
Applicant: 中国科学院苏州生物医学工程技术研究所
CPC classification number: G06K9/6267 , G06K9/40 , G06K9/4604 , G06K9/6256 , G06K2209/053
Abstract: 本发明公开一种肿瘤识别方法，包括步骤：粗分割：对CT图像依次进行器官分割和血管分割，获得去除血管的器官CT图像；构造测试样本数据集合：基于器官CT图像，依次构造动脉期、静脉期和延迟期的肿瘤区域子图集形成测试正样本数据集合、器官正常区域子图集构成测试负样本数据集合；训练肿瘤分类器：对测试样本数据集合进行特征数据提取，训练出包括肿瘤良/恶识别与分期的肿瘤分类器；待测CT图像的特征数据提取和肿瘤的识别与分期：依次对动脉期、静脉期和延迟期的待测CT图像进行特征数据提取形成待测特征数据集合，将待测特征数据集合输入肿瘤分类器进行肿瘤良/恶识别与分期。本发明可以对分割后的肿瘤进行良/恶以及分期的精确识别。
-
公开(公告)号：CN118229544A
公开(公告)日：2024-06-21
申请号：CN202410255906.1
申请日：2024-03-06
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: G06T5/50 , G06T11/00 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明提供基于特征一致性的多模态医学图像合成方法、系统及介质，该方法包括步骤：获取多样本的同一部位处的多模态医学图像，将多模态医学图像分为输入模态图像和目标模态图像；通过输入模态图像和目标模态图像对多模态医学图像合成模型进行训练，并且在训练阶段通过损失函数计算真实图像和生成图像之间的生成损失，以及计算输出特征、生成图像的特征、目标模态真实图像特征之间的一致性损失和对抗损失；通过测试数据对多模态医学图像合成模型进行测试。本发明通过将特征一致性损失函数引入到判别器网络中，解决模型训练过程中缺乏考虑同一模态内特定的问题，为模型提供模态一致性约束，提升判别器的性能，从而提升多模态医学图像合成的质量。
-
公开(公告)号：CN116721281A
公开(公告)日：2023-09-08
申请号：CN202310594413.6
申请日：2023-05-24
Applicant: 中国科学院苏州生物医学工程技术研究所
IPC: G06V10/764 , G06V10/82 , G06V10/80 , G06V10/75 , G06V10/74 , G06V10/774 , G06V10/776 , G06N3/0464 , G06N3/08 , G06N3/048
Abstract: 本发明提供一种基于分层图卷积的脑图像分类方法，包括以下步骤：获取静息态功能磁共振图像，构建功能脑网络特征；稀疏化所述功能脑网络特征，并构建个体图卷积网络，得到图嵌入特征；基于所述图嵌入特征训练网络模型，并利用边权重编码机制初始化群体图卷积网络参数，重新确定网络模型的边权重参数；利用测试集测试所述训练网络模型的正确性，统计分类结果。本发明所述的基于分层图卷积的脑图像分类方法，首先，能够利用先验脑区信息和图嵌入提取脑网络特征，具有较好的准确性，其次，利用边权重编码机制对群体图卷积网络模型的边权重编码，降低年龄、性别、图像采集设备等非图像信息的影响，具有更好的泛化性。本发明所述方法相比已有方法具有更好的分类性能。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.088 seconds)
