FR2665831A1 - Procede et dispositif d'aide au diagnostic par analyse des bruits du cóoeur. - Google Patents

Procede et dispositif d'aide au diagnostic par analyse des bruits du cóoeur. Download PDF

Info

Publication number
FR2665831A1
FR2665831A1 FR9010416A FR9010416A FR2665831A1 FR 2665831 A1 FR2665831 A1 FR 2665831A1 FR 9010416 A FR9010416 A FR 9010416A FR 9010416 A FR9010416 A FR 9010416A FR 2665831 A1 FR2665831 A1 FR 2665831A1
Authority
FR
France
Prior art keywords
parameters
expert system
analysis
signals
energy detection
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
Application number
FR9010416A
Other languages
English (en)
Other versions
FR2665831B1 (fr
Inventor
Lefebvre Thierry
Nicolas Jean-Marie
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thales SA
Original Assignee
Thomson CSF SA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Thomson CSF SA filed Critical Thomson CSF SA
Priority to FR9010416A priority Critical patent/FR2665831B1/fr
Priority to PCT/FR1991/000649 priority patent/WO1992003094A1/fr
Publication of FR2665831A1 publication Critical patent/FR2665831A1/fr
Application granted granted Critical
Publication of FR2665831B1 publication Critical patent/FR2665831B1/fr
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00Instruments for auscultation
    • A61B7/02Stethoscopes
    • A61B7/04Electric stethoscopes
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/042Knowledge-based neural networks; Logical representations of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

L'invention concerne les procédés permettant d'effectuer un prédiagnostic sur un patient à l'aide d'une machine automatique. Elle consiste à recueillir les bruits du cœur (101) et à traiter les signaux représentatifs de ces bruits en effectuant tout d'abord une détection énergétique (104) suivie d'un classement symbolique dans un réseau neuronal (106) puis d'un tri par un système expert (107) qui délivre un prédiagnostic de l'état cardiaque du patient. Elle permet d'effectuer un dépistage systématique des affections cardiaques.

Description

PROCEDE ET DISPOSITIF D'AIDE AU DIAGNOSTIC
PAR ANALYSE DES BRUITS DU COEUR
La présente invention se rapporte aux procédés qui permettent d'aider au diagnostic des maladies cardiaques par analyse des bruits du coeur. Elle concerne également les dispositifs qui permettent de mettre en oeuvre ce procédé.
L'écoute des bruits du coeur, notamment avec un stéthoscope, est depuis longtemps une méthode qui permet au praticien de diagnostiquer un certain nombre d'affections cardiaques. Une longue pratique a permis aux spécialistes d'affiner ce procédé de manière particulièrement remarquable. On connaît par exemple le "Précis de phonomécanographie" publié par Raymond Carré et Richard Amoretti aux Editions Médicales
Spécia, ref. ISBN 2-901495-02-8. La consultation de ce manuel montre que, lorsque les bruits du coeur ont été identifiés avec certitude, on peut établir un diagnostic sûr et précis par une méthode tout à fait systématique. On constate malheureusement en même temps que la difficulté se trouve justement dans l'identification de ces bruits cardiaques.A titre d'exemple la description d'un bruit cardiaque comme étant un "souffle mésosystolique d'obstruction latérale gauche" n'est pas du tout parlante, et il en est de même pour pratiquement tous les autres bruits cardiaques. Seule une longue expérience permet au praticien de former son oreille pour qualifier ainsi les bruits qu'il entend à l'auscultation et les faire rentrer dans une classification reconnue par tous les spécialistes. ll existe heureusement des enregistrements de bruits cardiaques typiques classés en référence à leur appellation et qui permettent un entraînement systématique sans avoir besoin d'une collection de patients à écouter les uns après les autres. On citera par exemple les cassettes éditées par la société 3M SANTE intitulées "Principes de base de l'auscultation cardiaque" et ayant pour auteur Littmann.
Même avec ces facilités l'entraînement est long et fastidieux et dépend en outre des aptitudes personnelles du praticien, qui peut s'engager dans la voie d'une telle spécialisation sans avoir la certitude d'arriver à des résultats vraiment convenables.
En outre le généraliste a toutes les chances de ne pas détecter une pathologie rare.
Dans ces conditions, devant l'apparition des échocardiographes à ultrasons, qui présentaient l'avantage de donner une image des différentes parties du coeur selon toutes les coupes voulues, l'auscultation auriculaire par l'oreille a cédé rapidement la place à la visualisation à l'aide de ces appareils et si cette technique nn'est pas encore perdue, puisqu'il reste des praticiens relativement âgés encore expérimentés, elle n'est plus guère enseignée et l'expérience accumulée risque de disparaître faute de transmission.
Toutefois les échocardiographes sont des appareils relativement chers qui doivent être mis en oeuvre par du personnel spécialisé. ll n'est donc pas possible de les utiliser systématiquement et encore moins de s'en servir pour faire du dépistage ni même du diagnostic précoce.
Pour pallier ces inconvénients, l'invention propose un procédé d'aide aux diagnostics par analyse du coeur dans lequel on convertit les bruits du coeur en signaux électriques que l'on analyse ensuite, principalement caractérisé en ce qu'il comprend les étapes suivantes - détection énergétique pour déterminer d'une part les paramètres primaires objectifs des signaux, et d'autre part les paramètres qualitatifs de ces signaux - classification symbolique de ces paramètres qualitatifs - analyse des paramètres primaires objectifs et des paramètres ainsi classifiés par un système expert pour délivrer un diagnostic.
D'autres particularités et avantages de l'invention apparaîtront clairement dans la description suivante faite en regard de la figure annexée qui représente un schéma-bloc d'un dispositif selon l'invention.
Le dispositif dont le schéma-bloc est représenté sur la figure annexée comprend un capteur acoustique 101 qui est destiné à être appliqué sur le patient au niveau des points d'auscultation cardiaque. Ce capteur peut être un microphone spécialisé pour cet usage, tel que ceux qui sont fabriqués par la société Siemens, mais on utilisera avantageusement des hydrophones habituellement utilisés dans les sonars passifs, tels que ceux destinés aux bouées sous-marines construits par la société Thomson-Sintra ASM. Ces derniers dispositifs ont donné des résultats excellents.
Les signaux provenant du capteur 101 sont traités dans un dispositif 102 de manière classique par amplification et filtrage. lls sont ensuite échantillonnés et numérisés dans un convertisseur analogique-numérique 103 dont la fréquence d'échantillonnage, à laquelle est liée la fréquence de coupure des filtres du circuit 102, ne descendra pas au-dessous de celle correspondant à la fréquence de coupure haute d'un stéthoscope classique. On prendra avantageusement une fréquence plus élevée pour affiner les résultats des mesures. Des essais ont montré que les résultats obtenus devenaient meilleurs au fur et à mesure qu'on augmentait la fréquence d'échantillonnage, pour se stabiliser vers 10KHz.
Le signal ainsi numérisé est alors traité pour obtenir une détection selon deux grandes modalités différentes.
Une première modalité, utilisée en permanence dans un module 104, consiste à effectuer une détection énergétique qui permet la comparaison de l'énergie du signal pendant des temps courts à l'énergie pendant des temps longs, ce qu'on peut assimiler à une mesure instantanée du rapport signal/bruit. Cette détection peut s'effectuer de différentes manières, par exemple par une analyse statistique classique à base de moyennes glissantes et d'analyse de la variance du signal. Elle peut aussi s'effectuer selon d'autres techniques, telles que la transformée de Wigner-Ville ou l'analyse par ondelettes. La transformée de Wigner-Ville a donné des résultats très intéressants, mais elle présente l'inconvénient d'être bidimensionnelle, ce qui impose de traiter les résultats obtenus comme une analyse d'images.
L'analyse par ondelettes a donné les meilleurs résultats par rapport aux difficultés de traitement ultérieurs.
Cette détection énergétique permet d'une part d'obtenir des paramètres primaires objectifs sur les phénomènes recueillis par le capteur 101. Ces paramètres objectifs sont les instants de début et de fin de ces phénomènes, ainsi que la mesure de leur niveau, qui est quantifiée. On obtient d'autre part une série de paramètres qui sont directement reliés à la nature qualitative des sons recueillis et qu'il convient ensuite de classifier.
Une détection complémentaire plus fine peut également se faire dans un module 105 par rupture de modèle. Ce traitement ne s'effectue pas en permanence, car il nécessite un temps de calcul relativement long alors que la détection énergétique peut se faire en temps quasi réel, et les renseignements obtenus par cette analyse par rupture de modèle ne sont pas requis en permanence.
Cette analyse par rupture de modèle s'effectuera de préférence en utilisant un système autorêgressif, connu aussi sous le nom de prédictif. On pourra aussi utiliser selon les circonstances d'autres systèmes tels que le système autorégressif à moyenne adaptée connu sous le nom ARMA, ou l'analyse multi-impulsionnelle, ou encore l'analyse ceptrale.
Les paramètres de nature qualitative obtenus par la détection énergétique sont ensuite classifiés dans un dispositif 106 selon un ensemble de symboles qui correspondent aux différents sont traités dans le dispositif 104. On connaît différentes techniques permettant d'obtenir ce résultat. Parmi celles-ci les plus intéressantes sont celles connues sous le nom de techniques neuromimétiques. Elles consistent essentiellement à utiliser un circuit choisi parmi les différents réseaux de neurones connus.
Comme on le sait, les réseaux de neurones font de l'apprentissage en classifiant les différent signaux appliqués à leur entrée. Dans le cas présent on utilise l'apprentissage supervisé, qui consiste à appliquer à l'entrée un signal représentatif des symboles et à définir une fonction de coût qui par application d'un algorithme de minimisation permet d'obtenir sur la sortie la classification (symbole) souhaitée. Un système envisageable est connu sous le nom d'algorithme de rétropropagation du gradient. En ltoccurrence, comme on l'a exposé plus haut, les différents bruits à classifier sont déjà disponibles sur des enregistrements et il suffit de remplacer le capteur 101 par un lecteur de l'enregistrement, et de procéder à l'apprentissage du réseau de neurones jusqu'à obtenir les réponses souhaitées à la sortie de ce réseau.Cette phase constitue la caractéristique principale de l'invention, puisqu'elle permet de mettre automatiquement en correspondance des bruits cardiaques avec des signaux classifiés, ce qui correspond à simuler tout l'apprentissage du médecin, chose qu'on ne saura pas faire de manière expertisée.
Outre les réseaux neuromimétiques, on peut aussi utiliser d'autres techniques de classification telles que l'analyse factorielle discriminante, l'analyse hiérarchique, ou l'analyse des correspondances.
Les paramètres obtenus par rupture de modèle sont eux aussi traités dans un réseau neuronal 116, représenté pour la commodité de manière séparée sur la figure, mais qui pourra être le même que le réseau 106, étant bien entendu qu'on peut reconfigurer un tel réseau selon les besoins.
Les données ainsi classifiées sont alors appliquées à un système expert 107 qui reçoit par ailleurs directement les paramètres objectifs du module 104, ainsi que les données classifiées et les paramètres objectifs du module 105. Ce système comprend comme tous les systèmes experts une base de faits, une base de règles et un moteur d'inférences. La base de faits correspond aux symboles et aux paramètres objectifs et la base de règles est nourrie à partir des éléments fournis par les experts humains. En fait, comme on l'a vu plus haut, ces éléments sont déjà publiés dans la littérature, ce qui constitue déjà une excellente base de départ qui sera bien entendu complétée au fur et à mesure de l'évolution du système en partant des connaissances nouvelles et/ou des erreurs faites.
On voit bien là la différence d'approche par rapport à l'étape précédente, puisque le système expert est établi de manière synthétique à partir des connaissances existantes et dûment répertoriées.
Le système expert délivre donc un diagnostic, ou un prédiagnostic, qui permet à l'opérateur de prendre les dispositions utiles, soit qu'il oriente le patient s'il n'est pas médecin, soit qu'il détermine une thérapie s'il est médecin.
Par ailleurs le système expert peut déterminer que les données qui lui sont disponibles sont insuffisantes et redemander au module 104 des compléments de détection, ou au module 105 une détection par rupture de modèle. On effectue alors une nouvelle itération de classification symbolique et d'expertise.
En outre le système expert peut avoir d'autres entrées, telle qu'une entrée 110 permettant de lui fournir des données diverses comme l'âge ou le sexe du patient, et une entrée 111 pour appliquer les résultats d'autres examens cliniques, tels que ceux fournis par un électrocardiogramme.
On peut aussi utiliser la variante inverse, où les résultats de l'expertise seront envoyés à un système de diagnostic par électrocardiographie.

Claims (24)

REVENDICATIONS
1. Procédé d'analyse des bruits du coeur dans lequel on convertit les bruits du coeur en signaux électriques que l'on analyse ensuite, caractérisé en ce qu'il comprend les étapes suivantes - détection énergétique (104) pour déterminer d'une part les paramètres primaires objectifs des signaux, et d'autre part des paramètres qualitatifs de ces signaux - classification symbolique (106) de ces paramètres qualitatifs - analyse des paramètres primaires objectifs et des paramètres ainsi classifiés, par un système expert (107) pour délivrer un pré-diagnostic.
2. Procédé selon la revendication 1, caractérisé en ce que la détection énergétique (104) comprend une analyse par ondelettes .
3. Procédé selon l'une quelconque des revendications 1 et 2, caractérisé en ce que l'on utilise un réseau symbolique auquel on fait subir un apprentissage supervisé à partir d'enregistrements caractéristiques des bruits du coeur.
4. Procédé selon la revendication 3, caractérisé en ce que le réseau symbolique est un réseau neuronal (106).
5. Procédé selon l'une quelconque des revendications 1 à 4, caractérisé en ce que l'on effectue en outre une détection énergétique - plus fine par rupture de modèle (105) sur appel du système expert.
6. Procédé selon la revendication 5, caractérisé en ce que la rupture du modèle fait appel à un traitement autorégressif (105).
7. Procédé selon l'une quelconque des revendications 5 et 6, caractérisé en ce que les paramètres obtenus par rupture de modèle (105) sont appliqués à un autre réseau neuronal (116).
8. Procédé selon l'une quelconque des revendication 1 à 7, caractérisé en ce que l'on introduit en outre dans le système expert des données caractéristiques du patient.
9. Procédé selon l'une quelconque de revendication 1 à 8, caractérisé en ce qu'on introduit en outre dans le système expert les résultats d'autres examens effectués sur le patient (111).
10. Procédé selon la revendication 9, caractérisé en ce que ces autres examens (111) comprennent un examen électrocardiographique .
11. Utilisation du procédé selon l'une quelconque des revendications 1 à 10, caractérisé en ce que l'on dirige les données délivrées par le système expert vers un autre dispositif d'aide au diagnostic.
12. Dispositif d'analyse des bruits du coeur qui comprend des moyens pour convertir les bruits du coeur en signaux électriques, caractérisé en ce qu'il comprend en outre - des moyens de détection énergétique (104) pour déterminer d'une part les paramètres primaires objectifs des signaux, et d'autre part des paramètres qualitatifs de ces signaux - des moyens de classification symbolique (106) de ces paramètres qualititatif s - un système expert (107) pour analyser les paramètres primaires objectifs et les paramètres ainsi classifiés, et pour délivrer les résultats de l'analyse des bruits du coeur.
13. Dispositif selon la revendication 12, caractérisé en ce que les moyens de détection énergétique (104) comprennent des moyens - d'analyse par ondelettes.
14. Dispositif selon l'une quelconque des revendications 12 et 13, caractérisé en ce qu'il comprend un réseau symbolique auquel on a fait subir un apprentissage supervisé à partir d'enregistrements caractéristiques des bruits du coeur.
15. Dispositif selon la revendication 14, caractérisé en ce que le réseau symbolique est un réseau neuronal (106).
16. Dispositif selon l'une quelconque des revendications 12 à 15, caractérisé en ce qu'il comprend en outre des moyens pour effectuer une détection énergétique plus fine par rupture de modèle (105) sur appel du système expert.
17. Dispositif selon la revendication 16, caractérisé en ce que la rupture du modèle fait appel à un traitement autorégressif (105).
18. Dispositif selon l'une quelconque des revendications 16 et 17, caractérisé en ce que les paramètres obtenus par rupture de modèle (105) sont appliqués à un autre réseau neuronale (116).
19. Dispositif selon l'une quelconque des revendications 12 à 18, caractérisé en ce qu'il comprend en outre des moyens pour introduire dans le système expert des données caractéristiques du patient.
20. Dispositif selon l'une quelconque des revendications 12 à 19, caractérisé en ce qu'il comprend en outre des moyens pour introduire dans le système expert les résultats d'autres examens effectués sur le patient (111).
21. Dispositif selon la revendication 20, caractérisé en ce que ces moyens (111) sont adaptés aux résultats d'un examen électrocardiographique.
22. Dispositif selon l'une quelconque des revendications 12 à 21, caractérisé en ce qu'il comprend en outre des moyens pour diriger les données délivrées par le système expert vers un autre dispositif d'aide au diagnostic.
23. Dispositif selon l'une quelconque des revendications 12 à 22, caractérisé en ce qu'il comprend des moyens pour numériser (103) les signaux provenant d'un capteur (101) à une fréquence inférieure ou égale à 10KHz.
24. Dispositif selon la revendication 23, caractérisé en ce que le capteur (101) est un hydrophone prévu pour les sonars passifs.
FR9010416A 1990-08-17 1990-08-17 Procede et dispositif d'aide au diagnostic par analyse des bruits du cóoeur. Expired - Lifetime FR2665831B1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
FR9010416A FR2665831B1 (fr) 1990-08-17 1990-08-17 Procede et dispositif d'aide au diagnostic par analyse des bruits du cóoeur.
PCT/FR1991/000649 WO1992003094A1 (fr) 1990-08-17 1991-08-06 Procede et dispositif d'aide au diagnostic par analyse des bruits du c×ur

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
FR9010416A FR2665831B1 (fr) 1990-08-17 1990-08-17 Procede et dispositif d'aide au diagnostic par analyse des bruits du cóoeur.

Publications (2)

Publication Number Publication Date
FR2665831A1 true FR2665831A1 (fr) 1992-02-21
FR2665831B1 FR2665831B1 (fr) 1992-10-09

Family

ID=9399710

Family Applications (1)

Application Number Title Priority Date Filing Date
FR9010416A Expired - Lifetime FR2665831B1 (fr) 1990-08-17 1990-08-17 Procede et dispositif d'aide au diagnostic par analyse des bruits du cóoeur.

Country Status (2)

Country Link
FR (1) FR2665831B1 (fr)
WO (1) WO1992003094A1 (fr)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI111514B (fi) * 1996-03-12 2003-08-15 Polar Electro Oy Menetelmä mitattavan kohteen fyysisen kunnon mittaamiseksi
US6277080B1 (en) 1996-03-12 2001-08-21 Polar Electro Oy Method and apparatus for measuring exertion endurance
US6572560B1 (en) 1999-09-29 2003-06-03 Zargis Medical Corp. Multi-modal cardiac diagnostic decision support system and method
FI115289B (fi) 2000-02-23 2005-04-15 Polar Electro Oy Elimistön energia-aineenvaihdunnan ja glukoosin määrän mittaaminen

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4154231A (en) * 1977-11-23 1979-05-15 Russell Robert B System for non-invasive cardiac diagnosis
US4679570A (en) * 1984-11-13 1987-07-14 Phonocardioscope Partners Phonocardioscope with a liquid crystal display
US4712565A (en) * 1986-10-27 1987-12-15 International Acoustics Incorporated Method and apparatus for evaluating of artificial heart valves
WO1989006932A1 (fr) * 1988-02-04 1989-08-10 Blood Line Technology Stethoscope intelligent

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4154231A (en) * 1977-11-23 1979-05-15 Russell Robert B System for non-invasive cardiac diagnosis
US4679570A (en) * 1984-11-13 1987-07-14 Phonocardioscope Partners Phonocardioscope with a liquid crystal display
US4712565A (en) * 1986-10-27 1987-12-15 International Acoustics Incorporated Method and apparatus for evaluating of artificial heart valves
WO1989006932A1 (fr) * 1988-02-04 1989-08-10 Blood Line Technology Stethoscope intelligent

Also Published As

Publication number Publication date
FR2665831B1 (fr) 1992-10-09
WO1992003094A1 (fr) 1992-03-05

Similar Documents

Publication Publication Date Title
CN112353391A (zh) 一种基于脑电信号的汽车车内声音品质识别方法及装置
EP0594480A1 (fr) Procédé de détection de la parole
CN114639397A (zh) 一种基于日常语音数据的疾病分析系统
CN114241565B (zh) 一种面部表情、目标对象状态分析方法、装置及设备
Chronowski et al. Parkinson's disease diagnostics using AI and natural language knowledge transfer
Negi et al. A novel approach for depression detection using audio sentiment analysis
Han et al. Cepstral analysis-based artifact detection, recognition, and removal for prefrontal EEG
Archana et al. Predicting the severity of pulmonary disease from respiratory sounds using ml algorithms
Kim et al. Comparison of AI with and without hand-crafted features to classify Alzheimer's disease in different languages
CN118098586A (zh) 一种客观性耳鸣音频鉴别分析算法及其系统
FR2665831A1 (fr) Procede et dispositif d'aide au diagnostic par analyse des bruits du cóoeur.
Sree et al. Diabetic retinopathy detection using deep learning
Zayrit et al. Daubechies Wavelet Cepstral Coefficients for Parkinson's Disease Detection
Laasya et al. Breathalytics: Deep Learning-Based Prediction of Abnormality in Respiratory Sounds using Continuous Wavelet Transform
WO2025208744A1 (fr) Procédé et système de perception et d'identification intelligents pour intensité de contact interproximale de dent
Bhuiyan et al. Detection of schizophrenia using attention mechanism with convolutional neural network on eeg signal
Keerthika et al. Enhancing Dysarthria Diagnosis With Deep Learning Techniques
WO2015044216A1 (fr) Procédé, système et programme d'ordinateur pour la détection et la caractérisation de clignements oculaires par électro-encéphalographie
Godino-Llorente et al. On the selection of meaningful speech parameters used by a pathologic/non pathologic voice register classifier.
Anila et al. Parkinson’s disease identification using deep neural network with RESNET50
Nancy et al. A brain EEG classification system for the mild cognitive impairment analysis
Baydemir et al. Classification mental workload levels from EEG signals with 1d convolutional neural network
Muthulakshmi et al. EEG-Based Identification of Huntington‘s Disease using Daubechies Wavelet features with Decision Tree Classifier
WO2021009470A1 (fr) Procédé et système de test de la cognition par traitement de la réaction d'un sujet a des stimuli
Zhang et al. A seizure detection method based on well-solved nonlinear and non-stationary problems with electroencephalographic signals

Legal Events

Date Code Title Description
ST Notification of lapse