JP5660436B2 - Periodic information extraction method - Google Patents
Periodic information extraction method Download PDFInfo
- Publication number
- JP5660436B2 JP5660436B2 JP2010195648A JP2010195648A JP5660436B2 JP 5660436 B2 JP5660436 B2 JP 5660436B2 JP 2010195648 A JP2010195648 A JP 2010195648A JP 2010195648 A JP2010195648 A JP 2010195648A JP 5660436 B2 JP5660436 B2 JP 5660436B2
- Authority
- JP
- Japan
- Prior art keywords
- amplitude
- phase
- present
- wave
- value
- 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.)
- Expired - Fee Related
Links
- 230000000737 periodic effect Effects 0.000 title claims description 9
- 238000000605 extraction Methods 0.000 title claims description 3
- 238000000034 method Methods 0.000 claims description 20
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 description 12
- 238000005070 sampling Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 230000007177 brain activity Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000001793 Wilcoxon signed-rank test Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000036992 cognitive tasks Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
本発明は、振幅・周波数が揺らぎノイズを含む系において、高精度で周期的情報を抽出する方法に関する。 The present invention relates to a method for extracting periodic information with high accuracy in a system in which amplitude and frequency include fluctuation noise.
神経活動など、振幅・周波数が揺らぎノイズを含む系において、高精度で位相及び振幅を推定したい場合がある。
例えば、α波は、8-13Hz の後頭の視覚野から発生する周期的活動であり、後頭由来の脳波の主要な成分である。近年、このα波の振幅が、working memory task 等のcognitive task のパフォーマンスに影響を与えること（非特許文献１〜２）や、刺激提示時のα波の位相が知覚に影響を与えること（非特許文献３〜５）が報告され、α波の位相及び振幅に注目が集まっている。
There are cases where it is desired to estimate the phase and amplitude with high accuracy in a system including amplitude and frequency fluctuation noise such as neural activity.
For example, alpha waves are periodic activities that occur from the occipital visual cortex at 8-13 Hz, and are the main component of the occipital brain waves. In recent years, the amplitude of this alpha wave affects the performance of cognitive tasks such as working memory tasks (
従来の脳波を用いた研究では、α波の瞬時における位相及び振幅を推定するために、主にヒルベルト変換（非特許文献６〜８）、ウェーブレット変換（非特許文献９〜１０） が用いられてきた。
In research using conventional electroencephalograms, Hilbert transform (Non-Patent
しかし、脳波には多くのノイズが含まれていることから、単一試行からこれらの手法で推定したα波の瞬時における位相及び振幅の推定精度が悪いため、試行間平均をとることでノイズを軽減して議論してきた。
このように試行間平均をとることは、試行間で同期した活動しか抽出できないという問題点がある。脳の高次の活動は試行間で同期していない可能性が高く（非特許文献１１）、このような活動は単一試行で議論する必要がある。そして、そのためには瞬時における位相及び振幅の推定精度を向上させる必要がある。
However, since the brain waves contain a lot of noise, the estimation accuracy of the instantaneous phase and amplitude of the α wave estimated by these methods from a single trial is poor. I've been discussing it alleviating.
Taking the average between trials in this way has a problem that only activities synchronized between trials can be extracted. Higher brain activity is likely not synchronized between trials (Non-Patent Document 11), and such activities need to be discussed in a single trial. For that purpose, it is necessary to improve the estimation accuracy of the instantaneous phase and amplitude.
従来の技術では、α波の位相や振幅を推定するには、その精度に限界があった。 In the prior art, there is a limit to the accuracy in estimating the phase and amplitude of the α wave.
そこで、本発明は、振幅・周波数が揺らぎノイズを含む系において、高精度で周期的情報を抽出する方法を提供することを課題とする。 Therefore, an object of the present invention is to provide a method for extracting periodic information with high accuracy in a system in which amplitude / frequency includes fluctuation noise.
上記課題を達成するため、本発明の周期的情報抽出方法は、振幅・周波数が揺らぎ、ノイズを含む系において、高精度で位相及び振幅を推定する方法であって、マルコフ確率場（MRF）のもとで確率伝播法による確率的推論手法を用い、瞬時の位相及び振幅を含むパラメータとその周辺尤度を算出し、その周辺尤度を最大化する第二種最尤推定法に基づいて、位相及び振幅のなめらかさを含むハイパーパラメータを算出し、得られたハイパーパラメータのもとで、瞬時の位相及び振幅を含むパラメータを推定することを特徴とする。 In order to achieve the above object, a periodic information extraction method according to the present invention is a method for estimating a phase and amplitude with high accuracy in a system including fluctuations in amplitude and frequency and including noise, and includes a Markov random field (MRF). Based on the second type maximum likelihood estimation method that calculates the parameter including the instantaneous phase and amplitude and its marginal likelihood, and maximizes the marginal likelihood using the stochastic reasoning method based on the probability propagation method. A hyper parameter including smoothness of phase and amplitude is calculated, and a parameter including instantaneous phase and amplitude is estimated based on the obtained hyper parameter.
ここで、ハイパーパラメータに、中心周波数も含めてもよい。 Here, the center frequency may be included in the hyper parameter.
ハイパーパラメータに、観測ノイズの強度も含も含めてもよい。 The hyper parameter may include the intensity of observation noise.
対象となる周期的情報としては、神経活動情報に好適に適用できる。 The target periodic information can be suitably applied to neural activity information.
神経活動情報としては例えば、脳において観測されるα波が挙げられる。 Examples of the neural activity information include α waves observed in the brain.
本発明によると、脳活動のα波など、ゆらぎとノイズのある系において、位相及び振幅などの周期的情報を高精度で求められる。 According to the present invention, periodic information such as phase and amplitude can be obtained with high accuracy in a system with fluctuation and noise, such as α wave of brain activity.
以下に、本発明の実施形態を図面に基づいて説明する。実施形態は、前記特許文献など従来公知の技術を援用して適宜設計変更可能であり、また、計算の方法及び装置についても従来公知の技術を適宜適用可能である。
以下の実施例では、対象をα波とした例を挙げるが、本発明は、振幅・周波数が揺らぎノイズを含む系一般に適用可能である。
Embodiments of the present invention will be described below with reference to the drawings. The embodiment can be appropriately changed in design by using a conventionally known technique such as the above-mentioned patent document, and a conventionally known technique can be appropriately applied to a calculation method and apparatus.
In the following embodiment, an example in which the target is an α wave will be described. However, the present invention is applicable to a general system including fluctuation noise in amplitude and frequency.
本発明では、マルコフ確率場(MRF) モデルを用い、従来の脳波解析で使われてきた手法よりも精度よく瞬時の位相及び振幅を推定する方法を提供する。観測されたα波は、特定の周波数の位相及び振幅があり、そこに観測ノイズが加わっているとモデル化することができる。 The present invention provides a method for estimating an instantaneous phase and amplitude with higher accuracy than a method used in a conventional electroencephalogram analysis using a Markov random field (MRF) model. The observed α wave has a phase and amplitude of a specific frequency, and can be modeled when observation noise is added thereto.
α波の位相は、各人により異なるα波中心周波数の周辺で時間とともになめらかに変化しながら進行し、その振幅も時間とともになめらかに変化している（非特許文献１２）。そこで、本発明では、特定のサンプリングポイントの瞬時の位相及び振幅は、その前後のサンプリングポイントからなめらかに変化しているという位相及び振幅に関するMRFモデルによりα波を記述する。 The phase of the α wave progresses while changing smoothly with time around the α wave center frequency that varies from person to person, and its amplitude also changes smoothly with time (Non-Patent Document 12). Therefore, in the present invention, the α wave is described by the MRF model relating to the phase and amplitude in which the instantaneous phase and amplitude of a specific sampling point are smoothly changed from the sampling points before and after the specific sampling point.
しかし、位相及び振幅の変化のなめらかさやα波の中心周波数は、被験者ごとに異なり、さらに、観測ノイズは実験ごとに異なっているため、定かではない。そこで、各サンプリングポイントにおける瞬時の位相及び振幅といったパラメータのみならず、位相及び振幅の変化のなめらかさ、α波の中心周波数、観測ノイズの強度といったハイパーパラメータも同時に推定する必要がある。 However, the smoothness of changes in phase and amplitude and the center frequency of the α wave are different from subject to subject, and the observation noise is different from experiment to experiment. Therefore, it is necessary to simultaneously estimate not only parameters such as instantaneous phase and amplitude at each sampling point, but also hyper parameters such as smoothness of phase and amplitude changes, center frequency of α wave, and intensity of observation noise.
MRF の元では、確率的推論手法の一つである確率伝播法（非特許文献１３）を用いることで瞬時の位相及び振幅といったパラメータの推定及び周辺尤度を計算することが可能である（非特許文献１４〜１６）。そこで、本発明では、この周辺尤度を最大化する第二種最尤推定（非特許文献１７）に基づいて、位相及び振幅のなめらかさ、α波の中心周波数、観測ノイズの強度といったハイパーパラメータを推定する。そして、この推定したハイパーパラメータの元で瞬時の位相及び振幅といったパラメータを推定するアルゴリズムを構築する。
Under the MRF, it is possible to estimate parameters such as instantaneous phase and amplitude and calculate marginal likelihood by using the probability propagation method (Non-patent Document 13), which is one of the probabilistic inference methods (non-patent document 13).
以下の実施例では、まず、脳波を模した人工データを用いて、本発明を用いて推定した時に観測ノイズを軽減できるかについて検証する。続いて、本発明を用いて推定した時の瞬時の位相及び振幅が、脳波データ解析で従来一般的に使われるヒルベルト変換よりも推定精度がよいことを示す。 In the following examples, first, it will be verified whether observation noise can be reduced when estimated using the present invention, using artificial data simulating brain waves. Next, it will be shown that the instantaneous phase and amplitude when estimated using the present invention have better estimation accuracy than the Hilbert transform that is conventionally used in brain wave data analysis.
脳波によって計測されるα波の時系列における各サンプリングポイントk の観測データyk は、サンプリングポイントk におけるα波の瞬時の位相及び振幅をそれぞれxk、ak とすると、そこに各時刻間で独立なノイズσ がのっているという次式で表すことができる。 The observation data yk at each sampling point k in the time series of the α wave measured by the brain waves is independent noise between each time, assuming that the instantaneous phase and amplitude of the α wave at the sampling point k are xk and ak, respectively. It can be expressed by the following equation that σ is on.
ここで、ノイズをガウスノイズであると仮定すると、尤度関数は次式で表すことができる。 Here, assuming that the noise is Gaussian noise, the likelihood function can be expressed by the following equation.
ここで、α はノイズ強度を表すハイパーパラメータである。
α波の周波数及び振幅は、時間とともになめらかに変化することが知られているので（非特許文献１１）、位相xk はα波中心周波数の周辺で時間とともになめらかに変化しながら進行し、また振幅ak も時間とともになめらかに変化する場合を考える。
このときの観測値y = {y1, y2, . . . , yN} から、振幅a = {a1, a2, . . . , aN}と、位相x = {x1, x2.
. . . , xN} を、確率伝播法により同時に推定する。
ここで、瞬時位相及び振幅の生成モデルは、次式とする。
Here, α is a hyper parameter representing noise intensity.
Since it is known that the frequency and amplitude of the α wave change smoothly with time (Non-Patent Document 11), the phase xk proceeds while changing smoothly with time around the α wave center frequency, and the amplitude Consider the case where ak also changes smoothly with time.
From the observed value y = {y1, y2,..., YN}, the amplitude a = {a1, a2,..., AN} and the phase x = {x1, x2.
, xN} are estimated simultaneously by the probability propagation method.
Here, the instantaneous phase and amplitude generation model is as follows.
ただし、I0(β) は、modified Bessel function of order zero であり、次式で表すことができる。 However, I0 (β) is a modified Bessel function of order zero and can be expressed by the following equation.
振幅ak は、0 以上であるため、規格化定数Zampは次式となる。 Since the amplitude ak is 0 or more, the normalization constant Zamp is expressed by the following equation.
ここで、β、 γ、ω はそれぞれ、位相変化のなめらかさ、振幅変化のなめらかさ、α波中心周波数を表すハイパーパラメータである。
振幅と位相の事前分布を独立と仮定すると、次式となる。
Here, β, γ, and ω are hyperparameters representing the smoothness of the phase change, the smoothness of the amplitude change, and the α-wave center frequency, respectively.
Assuming that the prior distribution of amplitude and phase is independent, the following equation is obtained.
マルコフ確率場を仮定していることから、観測データ数をN とすると、次式で表わされる。 Assuming a Markov random field, if the number of observation data is N, it is expressed by the following equation.
また、周辺分布は次式で表わされる。 The peripheral distribution is expressed by the following equation.
ここで、次式より、Z = p(y) とおくと、下式が得られる。 Here, from the following equation, if Z = p (y), the following equation is obtained.
この式における重積分は一般に計算困難である。しかし、確率伝播法により以下で定義されるmessage ML、MR に関する漸化式を構築することで、数値積分をする上での振幅の分割数をna、位相の分割数をnp とすると2(N −1) 重積分の計算量をO(na(N-1)×np(N-1))からO((N−1)na2×(N−1)np2)へ削減することができる。
ここでML、MR を、次式とすると下式が得られる。
The multiple integral in this equation is generally difficult to calculate. However, by constructing a recurrence formula for message ML and MR defined below by the probability propagation method, the number of amplitude divisions for numerical integration is na and the number of phase divisions is np. -1) The amount of calculation of multiple integral can be reduced from O (na (N-1) × np (N-1) ) to O ((N−1) na 2 × (N−1) np 2 ) .
If ML and MR are the following equations, the following equations are obtained.
次に、ML(ak, xk)、MR(ak, xk) の漸化式を構築する。 Next, a recurrence formula of ML (ak, xk) and MR (ak, xk) is constructed.
これらを用いることで、任意のk におけるML(ak, xk)、 MR(ak, xk)を計算できる。
また、ak、 xk を周辺化することで、次式として、規格化定数Z を求めることができる。
By using these, ML (ak, xk) and MR (ak, xk) at an arbitrary k can be calculated.
Further, by normalizing ak and xk, the normalization constant Z can be obtained as the following equation.
図４は、観測値(Observed data) 及び、本発明による推定値(MRF)と真値との間の平均絶対誤差の試行間平均値を示すグラフである。
真値からの平均絶対誤差を観測データ及び本発明の推定値とで比較した結果、平均絶対誤差はすべての試行において観測データよりも推定値の方が小さかった(Wilcoxon signed rank test、 p < 0.0001)。このことから、本発明を用いて推定することで、観測ノイズを軽減できていることが示された。
FIG. 4 is a graph showing the observed value (Observed data) and the average value between trials of the average absolute error between the estimated value (MRF) and the true value according to the present invention.
As a result of comparing the average absolute error from the true value with the observed data and the estimated value of the present invention, the average absolute error was smaller in the estimated value than the observed data in all trials (Wilcoxon signed rank test, p <0.0001). ). From this, it was shown that the observation noise can be reduced by estimating using the present invention.
次に、本発明による瞬時位相及び振幅の推定精度を調べた。
図５は、本発明(MRF)及びヒルベルト変換(HT)による位相推定値と真の位相値との間の絶対誤差の典型例を示すグラフであり、図６は、本発明(MRF)及びヒルベルト変換(HT)による振幅推定値と真の振幅値との間の絶対誤差の典型例を示すグラフである。
図７は、本発明(MRF)及びヒルベルト変換(HT) よる位相推定値と真の位相値との間の平均絶対誤差の試行間平均値を示すグラフであり、図８は、本発明(MRF)及びヒルベルト変換(HT) よる振幅推定値と真の振幅値との間の平均絶対誤差の試行間平均値を示すグラフである。
Next, the estimation accuracy of the instantaneous phase and amplitude according to the present invention was examined.
FIG. 5 is a graph showing a typical example of the absolute error between the phase estimate by the present invention (MRF) and the Hilbert transform (HT) and the true phase value, and FIG. 6 shows the present invention (MRF) and the Hilbert. It is a graph which shows the typical example of the absolute error between the amplitude estimated value by conversion (HT), and a true amplitude value.
FIG. 7 is a graph showing the average value between trials of the average absolute error between the phase estimate by the present invention (MRF) and the Hilbert transform (HT) and the true phase value, and FIG. ) And Hilbert transform (HT) are graphs showing the average value between trials of the average absolute error between the amplitude estimation value and the true amplitude value.
位相、振幅の平均絶対誤差はともにすべての試行において、本発明にて推定した方が小さかった(Wilcoxon signed rank test, p < 0.0001)。 The average absolute error of both phase and amplitude was smaller in all trials as estimated by the present invention (Wilcoxon signed rank test, p <0.0001).
以上のように、本発明では、α波を特定のサンプリングポイントの瞬時の位相及び振幅は、前後のサンプリングポイントからなめらかに変化するというMRF モデルにより記述し、これを確率伝播法を用いて瞬時位相及び振幅を推定し、周辺尤度を計算する手法を構築した。そして、周辺尤度を最大化することでハイパーパラメータを推定した。
尤度関数（数２）は、位相、振幅の非線形項を含む。しばしば非線形項を含む事後分布から隠れ変数を推定する際にはラプラス近似が用いられる（非特許文献１７）。しかし、ラプラス近似は単峰のガウス分布で事後分布を近似してしまうため、図２に示した多峰性の事後分布へ適用は、精度の低い推定値を与える可能性が高く、本発明にて構築したMRF モデルには適さない。
As described above, in the present invention, the α wave is described by the MRF model in which the instantaneous phase and amplitude of a specific sampling point change smoothly from the preceding and succeeding sampling points, and this is expressed by using the stochastic propagation method. And the method to estimate the amplitude and calculate the marginal likelihood was constructed. The hyperparameters were estimated by maximizing the marginal likelihood.
The likelihood function (Equation 2) includes phase and amplitude nonlinear terms. Laplace approximation is often used when estimating hidden variables from posterior distributions containing nonlinear terms (Non-patent Document 17). However, since the Laplace approximation approximates the posterior distribution with a unimodal Gaussian distribution, application to the multimodal posterior distribution shown in FIG. It is not suitable for the MRF model constructed by
また、本発明では瞬時の位相及び振幅の推定にMPM 推定を用いたが、他にpoterior mean 推定(PM 推定) を用いることもできる。しかし、各瞬時の位相値及び振幅値に対する確率は多峰性を示すので、このような場合のPM 推定結果は、確率が高い部分の間の確率が低い部分を推定してしまう可能性があり、適切ではない。そのため、本発明ではMPM 推定を用いることが適切である。
従来、周波数が揺らいでいるときの脳波における瞬時の位相及び振幅の推定にヒルベルト変換が広く使われてきた。脳波には観測ノイズがのっているにもかかわらず、ヒルベルト変換ではそのノイズも信号と見なして瞬時の位相及び振幅を推定してしまっていたため、精度が悪かった。しかし、本発明では瞬時の位相及び振幅の推定と同時に観測ノイズも軽減していることから、ヒルベルト変換よりも精度よく瞬時位相及び振幅が推定できていると考えられる。
本発明を脳波の実データに適応することにより、より精度よく瞬時位相及び振幅の推定が可能となる。
In the present invention, MPM estimation is used for instantaneous phase and amplitude estimation, but poterior mean estimation (PM estimation) can also be used. However, since the probability for each instantaneous phase value and amplitude value shows multimodality, the PM estimation result in such a case may estimate the low probability portion between the high probability portions. ,Not appropriate. Therefore, it is appropriate to use MPM estimation in the present invention.
Conventionally, the Hilbert transform has been widely used for estimation of instantaneous phase and amplitude in an electroencephalogram when the frequency fluctuates. Despite the presence of observation noise in the brain waves, the Hilbert transform assumed that the noise was also a signal and estimated the instantaneous phase and amplitude, so the accuracy was poor. However, in the present invention, since the observation noise is reduced simultaneously with the estimation of the instantaneous phase and amplitude, it is considered that the instantaneous phase and amplitude can be estimated more accurately than the Hilbert transform.
By applying the present invention to actual brain wave data, the instantaneous phase and amplitude can be estimated more accurately.
近年、α波の振幅や位相がcognitive task のパフォーマンスや知覚に影響を与えることが報告されているが（非特許文献１〜５）、試行間平均をとった結果でしか議論できていないため、試行間で同期していない活動を検出できていない。さらに、α波は非線形振動子と見なすことが出来る可能性が示唆されているが（非特許文献１０、１８〜１９）、α波の位相が視覚刺激などの外部刺激により影響を受けるか否かについては結論が出ていない（非特許文献２０〜２４）。この原因も、単一試行における推定精度が悪いことに依存する。本発明によると、高い精度でα波の位相や振幅を推定することで、これらの問題を解決することができる可能性があり、脳波を用いた神経科学的研究の発展に寄与する。
In recent years, it has been reported that the amplitude and phase of alpha waves affect the performance and perception of cognitive tasks (
本発明によると、脳活動のα波など、ゆらぎとノイズのある系において、位相及び振幅などの周期的情報を高精度でを求められるので、脳波を用いた神経科学的研究や工学的応用としてブレインマシンインターフェースなどに寄与するので、産業上利用価値が高い。 According to the present invention, it is possible to obtain periodic information such as phase and amplitude with high accuracy in a system with fluctuation and noise, such as alpha wave of brain activity, so that it can be used for neuroscience research and engineering applications using brain waves. As it contributes to the brain machine interface, it is highly industrially useful.
Claims (1)
マルコフ確率場（MRF）のもとで確率伝播法による確率的推論手法を用い、瞬時の位相及び振幅を含むパラメータの周辺尤度を算出し、
その周辺尤度を最大化する第二種最尤推定法に基づいて、位相及び振幅のなめらかさを含むハイパーパラメータを算出し、
得られたハイパーパラメータのもとで、位相及び振幅を推定する
ことを特徴とする周期的情報抽出方法。 A method for estimating phase and amplitude with high accuracy in a system including fluctuations in amplitude and frequency and noise.
Calculate the marginal likelihood of parameters including instantaneous phase and amplitude using a stochastic inference method based on belief propagation under a Markov random field (MRF),
Based on the second type maximum likelihood estimation method that maximizes the marginal likelihood, calculate the hyperparameters including the smoothness of the phase and amplitude,
A periodic information extraction method characterized by estimating the phase and amplitude based on the obtained hyperparameters.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010195648A JP5660436B2 (en) | 2010-09-01 | 2010-09-01 | Periodic information extraction method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010195648A JP5660436B2 (en) | 2010-09-01 | 2010-09-01 | Periodic information extraction method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2012050685A JP2012050685A (en) | 2012-03-15 |
| JP5660436B2 true JP5660436B2 (en) | 2015-01-28 |
Family
ID=45904758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2010195648A Expired - Fee Related JP5660436B2 (en) | 2010-09-01 | 2010-09-01 | Periodic information extraction method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5660436B2 (en) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0410248D0 (en) * | 2004-05-07 | 2004-06-09 | Isis Innovation | Signal analysis method |
| US7212665B2 (en) * | 2004-11-05 | 2007-05-01 | Honda Motor Co. | Human pose estimation with data driven belief propagation |
| US7620227B2 (en) * | 2005-12-29 | 2009-11-17 | General Electric Co. | Computer-aided detection system utilizing temporal analysis as a precursor to spatial analysis |
| JP5175515B2 (en) * | 2007-10-02 | 2013-04-03 | 株式会社東芝 | Model construction apparatus, model construction method and program |
-
2010
- 2010-09-01 JP JP2010195648A patent/JP5660436B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2012050685A (en) | 2012-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | Classification of seizure based on the time-frequency image of EEG signals using HHT and SVM | |
| Lee et al. | Classification of normal and epileptic seizure EEG signals using wavelet transform, phase-space reconstruction, and Euclidean distance | |
| Siuly et al. | Designing a robust feature extraction method based on optimum allocation and principal component analysis for epileptic EEG signal classification | |
| Xie et al. | Wavelet-based sparse functional linear model with applications to EEGs seizure detection and epilepsy diagnosis | |
| Lima et al. | Kernel machines for epilepsy diagnosis via EEG signal classification: A comparative study | |
| Val-Calvo et al. | Optimization of real-time EEG artifact removal and emotion estimation for human-robot interaction applications | |
| Zhang et al. | EEG-based expert system using complexity measures and probability density function control in alpha sub-band | |
| Kaleem et al. | Patient-specific seizure detection in long-term EEG using signal-derived empirical mode decomposition (EMD)-based dictionary approach | |
| Parvez et al. | Epileptic seizure detection by exploiting temporal correlation of electroencephalogram signals | |
| Tian et al. | Dual-encoder VAE-GAN with spatiotemporal features for emotional EEG data augmentation | |
| Arnau-González et al. | ES1D: A deep network for EEG-based subject identification | |
| Ibrahim et al. | Deep‐learning‐based seizure detection and prediction from electroencephalography signals | |
| Li et al. | Infrasound signal classification based on spectral entropy and support vector machine | |
| Lee et al. | Automated epileptic seizure waveform detection method based on the feature of the mean slope of wavelet coefficient counts using a hidden Markov model and EEG signals | |
| Movahed et al. | Automatic diagnosis of mild cognitive impairment based on spectral, functional connectivity, and nonlinear EEG‐Based features | |
| Xie et al. | Signal decomposition by multi-scale PCA and its applications to long-term EEG signal classification | |
| Prabhakar et al. | Comparison of fuzzy output optimization with expectation maximization algorithm and its modification for epilepsy classification | |
| Fryz | Conditional linear random process and random coefficient autoregressive model for EEG analysis | |
| Yucelbas et al. | Effect of EEG time domain features on the classification of sleep stages | |
| Parvez et al. | Features extraction and classification for Ictal and Interictal EEG signals using EMD and DCT | |
| Ahmad et al. | Robust epileptic seizure detection based on biomedical signals using an advanced multi-view deep feature learning approach | |
| Hellar et al. | Epileptic electroencephalography classification using embedded dynamic mode decomposition | |
| JP5660436B2 (en) | Periodic information extraction method | |
| Huang et al. | Automatic artifact removal in EEG using independent component analysis and one-class classification strategy | |
| Jamil et al. | Exploring the potential of pretrained CNNs and time-frequency methods for accurate epileptic EEG classification: a comparative study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130726 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140121 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140304 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140407 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20141105 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20141120 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5660436 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |