基于时频分析的EEG信号分析处理方法研究进展

由于脑电信号(EEG)是典型的非平稳时变信号,因此时频分析方法比较适用于分析和处理EEG信号。本文在简要介绍时频分析的发展及主要方法的基础上,综述了时频分析方法在EEG信号分析处理中的应用及研究进展,并对现存的问题作了探讨。     

心音信号分析的新方法—联合时频分析

联合时频分析将分离的时域或频域分析方法统一成二维的时间—频率分析，也即在时频平面内研究信号的时变谱，该方法在非平稳信号的处理中发挥着愈来愈重要的作用。本文在介绍联合时频分析的基本理论后，综述了该方法在心音信号处理方面的应用及研究进展。     

心音信号分析的新方法——联合时频分析

联合时频分析将分离的时域或频域分析方法统一成二维的时间－－频率分析，也妈承时频平面内研究信号的时变谱，该方法在非平稳信号的处理中发挥着愈来愈重要的作用。本文在介绍联合时频分析的基本理论后，综述了该方法在心音信号处理方面的应用及研究进展。     

基于Morlet小波变换的EEG时频分析

Morlet小波变换是适用于EEG时频分析的一种比较成熟的方法，在国外的医学、心理学和认知神经科学研究中已被广泛使用。本文首先阐述了Morlet小波变换的基本原理和基于Morlet小波变换的时频分析方法的特点，然后利用此类方法对实际的EEG数据进行探索性的分析。     

小波分析在医学中的应用

小波分析方法是一种新的信号分析方法，由于其具有多分辨分析的特点，能较好地突出信号局部特征，在微弱，背景噪声较强的随机信号分析中具有重要的意义。本综述了这一新方法在诸如EEG，EP，ECG，医学图像等生物医学信号中的广泛应用，并对各自效果进行了分析，最后，对小波变换在生物医学信号处理中的发展作了展望。     

高阶过零信号分析技术及其在脑损伤检测中的应用

高阶过零（HOC）是时间序列分析的有力工具。本文在介绍HOC信号分析方法的基础上，综述了一类基于HOC技术，利用脑电图（EEG）信号进行脑损伤检测和定量分析的方法。实验数据分析表明，基于HOC信号分析技术的脑损伤检测方法对于检测由于缺氧窒息而引起的中枢神经系统损伤及对损伤程度进行定量评估是十分有效的。这种方法不依赖于正常EEG信号的存在，且具有很高的计算效率。     

脑电信号的分析—一种探索大脑功能状态及活动规…

本从脑电产生的神经生理基础综述了脑电的发生及自发节律调控的不同学说和观点，从临床应用的角度综述了脑电图用于脑病诊断及在麻醉、睡眠研究中的应用，从脑电信号分析方面综述了相关分析、频域分析、时域分析等信号分析方法用于ＥＥＧ信号处理的特点及存在的问题。最后本介绍了时频分析、混沌方法及复杂性度量等脑电分析方法，这些方法将把脑电分析和研究向前推进一步，也有望成为探索大脑的思维、学习、感知等高级中枢活动规     

睡眠EEG的多尺度信息熵分析

本文提出一种基于连续小波变换的睡眠EEG分析方法。该方法使用Morlet小波计算EEG信息的小波变换系数,通过计算EEG信号在多个尺度上小波系数的熵分析睡眠EEG。结果表明：浅睡阶段EEG信号的多尺度熵的变化模式与深睡阶段的多尺度熵的变化模式不同,REM睡眠期间EEG信号的多尺度熵的变化与深睡阶段类似,使用多尺度熵可以区分REM睡眠和浅睡时EEG之间的差别。     

高阶过零信号分析技术及其在脑损伤检测中的应用

高阶过零 (HOC)是时间序列分析的有力工具。本文在介绍 HOC信号分析方法的基础上 ,综述了一类基于 HOC技术 ,利用脑电图 (EEG)信号进行脑损伤检测和定量分析的方法。实验数据分析表明 ,基于 HOC信号分析技术的脑损伤检测方法对于检测由于缺氧窒息而引起的中枢神经系统损伤及对损伤程度进行定量评估是十分有效的。这种方法不依赖于正常 EEG信号的存在 ,且具有很高的计算效率     

小波分析在医学中的应用

小波分析方法是一种新的信号分析方法 ,由于其具有多分辨分析的特点 ,能较好地突出信号局部特征 ,在微弱、背景噪声较强的随机信号分析中具有重要的意义。本文综述了这一新方法在诸如 EEG、EP、ECG、医学图像等生物医学信号中的广泛应用 ,并对各自效果进行了分析。最后 ,对小波变换在生物医学信号处理中的发展作了展望。     

心音信号的时频分析

对比研究了几种时频分析方法(WVD、CWD、CKD)及其在心音信号时频分析方面的特征和差异，并分别对正常和病态的一个心动周期的心音时频特征进行了研究，结果显示时频分析方法对心音这种非平稳信号，有较高的时频分辨率，这对于揭示心音产生的生理机制有着积极的作用，在理论研究和临床诊断中有一定的实用价植。     

生物医学信号的广义时域分析

广义时频表示方法在处理非平稳信号中发挥了越来越重要的作用，并在众多领域中有广泛的应用前景。本文在介绍时频分析的基本方法之后，综述了该方法在生物医学信号（如：超声多普勒血流信号、心音、心血管音、肌音、脑电及诱发电位、心电、晚电位等）处理中的应用。     

表面肌电信号的分析与应用

表面肌电信号的检测是一种无创电检测方法，它的检测分析对临床诊断及康复医学、运动医学等具有重要意义。本文介绍了表面肌电的信号分析方法（时域分析法、频域分析法、时频分析法及人工神经网络等方法），并介绍了表面肌电信号检测分析的应用状况和前景展望。     

生物医学信号的广义时频分析

广义时颁表示方法在处理非平稳信号中发挥了越来越重要的作用，并在众多领域中有广泛的应用前景。本文在介绍时频分析的基本方法之后，综述了该方法在生物医学信号（如：超声多普勒血流信号、心音、心血管音、肌音、脑电及诱发电位、心电、晚电位等）处理中的应用。     

独立成分分析在生物医学信号处理中的应用

独立成分分析(independent component analysis，ICA)已经成功地应用到生物医学信号处理中，并被证明是一种分析生物医学信号的强有力的工具，近年来一直受到国内外学的广泛关注。本系统地介绍了独立成分分析在生物医学信号(EEG，MEG，fMRI)处理中的应用，分析了其应用方法，最后简要地探讨了独立成分分析应用到生物医学信号中的优势及存在的一些不足。     

基于独立分量分析的诱发电位信号噪声分离方法

诱发电位(EP)信号的检测与分析技术是临床医学诊断神经系统损伤及病变的重要手段之一。但是，从人体体表所得到的EP信号含有大量的噪声，最典型的噪声是人体自发产生的脑电图信号(EEG)。因此，为利用EP信号诊断神经系统的损伤和病变，需要从混合信号中去除EEG等噪声。独立分量分析(ICA)是一种新近发展起来的统计信号处理方法。本文把ICA方法应用于EP信号的噪声消除，并与传统的自适应滤波方法进行了比较。计算机模拟表明，采用ICA方法进行信号噪声分离的结果明显优于自适应滤波方法。     

抑郁症自发脑电信号特异性研究进展

自发脑电（EEG）信号反映了大脑皮层神经元细胞群自发性、节律性的电生理活动,含有丰富的生理与病理信息,是临床脑神经与精神疾病诊断的重要依据。文中从频域分析、非线性动力学分析和因果性、同步性、独立成分分析等方面,综述了抑郁患者症自发EEG信号特异性研究进展并探讨了可能发展动向。抑郁症患者EEG信号频域分析方法,受性别、年龄及方法本身的限制,结论差异较大。非线性动力学及其他分析方法,得到了相对可靠的特异性分析结果,且部分参数变化与抑郁症状的临床变化有显著的相关性,有望为客观评价抗抑郁药物治疗效果提供新的检测手段,值得进行深入研究。     

基于时频分析的个性化脑-机接口设计

为了提高脑—机接口的分类正确率和实时性,本研究提出基于时频分析的个性化脑—机接口设计方案。通过对多导联EEG数据进行离线谱图分析,量化不同导联EEG信号在想象左右手运动时,其各个频带能量随时间的变化规律。然后将各导联EEG信号不同频带能量变化特征在左右手运动想象时的差异进行脑地形图成像。进而根据特征差异在大脑皮层的分布为不同用户的最佳电极位置选择和特征频带的确定提供直接依据。实验结果证明,该方法有效减少了特征提取的盲目性,用最少的导联,最少的特征向量,较简单的特征提取和分类算法,取得很好的分类效果,具有较高实用价值。     

心音的分析

自上世纪70年代以来,由于计算机和现代数字信号处理技术的发展,生物医学工作者对心音进行了大量的分析研究,相继运用了谱分析、时频分析、小波变换和最优匹配法等方法.谱分析不适合对非平稳随机心音信号的分析.国内外工作者通过加核函数和采用模糊函数等方法来减少时频分布中的交叉项.具有自适应性时-频窗的小波变换可以得到更能反映心音病例特征的信息.最优匹配法是一种没有交叉项的时频分析方法.     

基于平稳小波变换的EEG视觉的信号修正

眼球运动和眨眼会在眼球周围产生电信号,这种电信号的存在直接影响到对EEG信号的分析特征提取及EEG模式的分类等研究.本文提出了一种基于小波阈值滤噪方法来修正EEG信号中出现的视觉伪信号(OA).这种用于EEG视觉伪信号处理的小波方法的实现过程如下:1)用平稳小波变换(SWT)对原始EEG信号进行处理;2)设置低频带信号的系数阈值;3)对滤噪后的信号进行重构.实验结果表明这种方法同时适用于眨眼和眼球运动产生的伪信号.最后,通过对采集的信号处理前后做了对比,说明其有效性.