小波熵提取脑意识任务特征的脑机接口设计

目的:基于脑电图信号的脑-计算机接口是近年来一个热门的研究领域。脑机接口为残疾人士提供了一种新的可供选择的对外交流的方式。设计一种仅使用进行简单思维任务时脑电信号(脑电图)的高准确率脑机接口。方法:脑机接口的构架可以简单划分为两部分,前端为脑电讯号的特征提取与辨识,后端则为与其他硬体的结合与应用。在前端设计了高辨识率的二分类脑-计算机接口。首先应用小波熵对思维脑电信号进行特征提取,然后采用反向传播神经网络作为分类器,并用得到的信号特征对不同思维作业脑电信号进行分类。结果:采用的思维脑电数据源于美国Colorado州大学,5个实验个体的5种不同思维状态的脑电图数据,对于每个实验对象,均采用小波熵对脑电图数据进行特征提取,然后采用反向传播神经网络作为分类器,对脑休息状态与另外4种思维状态进行两两对比分类。结果表明当选用合适的思维状态时,分类平均正确率可达到90%以上。结论:用小波熵的特征提取方法,能获得高的分类正确率,此方法能够应用到对思维脑电信号的处理中,能作为现在脑机接口设计中另一可行的特征提取方法。同时,提出了一种应用高准确率的二分类脑机接口进行多种工作任务识别的方法,二分类脑机接口进行多种工作任务识别具有广阔得应用前景。     

结合小波变换对心电信号中RR间期检测的一种新方法

目的：探讨改善心电信号噪声干扰的方法，提高对心率变异信号中的RR间期检测精度。 方法：①采用国际上通用的MIT／BIH数据库作为研究心率变异信号中RR间期的研究对象，选取其中的代表性数据组进行实验分析（受严重基线漂移影响的正常心电信号101．dat，大量室性期前收缩的心电信号105．dat，无噪声干扰的正常心电信号213．dat，心动过速的心电信号217．dat）。②利用小波变化方法结合Mallat算法对含有噪声的心电信号进行多尺度分析和信号重构，并利用R波的自身波形特点，采用相对周期极大值法来进行R波位置检测，进而计算RR间期序列值。 结果：利用小波变换对含有噪声的信号进行噪声消除可以达到在很大程度保留原始信号的波形特征的同时又取得良好消噪效果的目的。能够显著减小工频干扰、基线漂移和肌电干扰等噪声对判别的影响。通过MIT／BIH数据库中四组有代表性特征的心电信号进行研究，发现采用相对周期极大值检测法可以显著减少检测中易出现的漏检和误检现象，快速而准确的获得RR间期的序列值。 结论：小波变换法能够显著减少噪声对信号的干扰，特别是离散小波的应用使数字信号的处理由理论走向实际，结合Mallat快速算法，使得小波变换完全走向实用化。周期极大值法对心率变异信号中RR间期的检测有较好的精确度和快速性。     

睡眠脑电图多种分析方法的差异比较

目的：探讨睡眠脑电图分析多种方法的特征及其差异。资料来源：应用计算机检索Medline1985-01／2004-12与睡眠脑电相关的文献，检索词“EEG,sleep，nonlinear-analysis”，并限定文献语言种类为英文。同时检索万方数据库1995-01／2004-08与睡眠脑电相关的文献，检索词“睡眠，脑电，非线性分析”，并限定文献检索语言种类为中文。资料选择：从资料中选取与睡眠脑电研究方法相关的文献。纳入标准：①脑电信号处理的传统方法。②脑电信号处理的现代方法。排除标准：重复研究、综述类文章。资料提炼：共收集到45篇关于睡眠脑电研究方法的文章，15篇符合纳入标准。排除的30篇都是重复的同一研究。15篇文章分别用不同的方法对脑电信号进行研究，是各方法有代表性的文章。资料综合：①经典分析方法主要是由专家对连续记录的整夜睡眠图形数据进行目测分析后，对睡眠过程中不同期间的睡眠深度进行评估。②人工神经网络分析方法最主要的特征为连续时间非线性动力学、网络的全局作用、大规模并行分布处理及高度鲁棒性和学习记忆功能。③维数分析数值结果只能显示各状态间的比较差异，这在某种程度上使其受到限制。④近似熵是用一种有效的统计方式，即边缘概率的分布来区分各种过程，是测量序列的复杂性的一种方法，能更多地提取出序列的复杂性信息。⑤小波分析可以由粗及细地逐步观察信号，适当地选择基本小波，可以使变换在时、频两域都具有表征信号局部特征的能力，实现睡眠分期的检测。结论：睡眠是一种复杂的生理过程，研究脑电可以从本质上对睡眠进行分析。由于脑电自身的复杂性，引入非线性分析方法，使得在睡眠脑电的研究上取得进步。这些现代分析方法将为睡眠的监测和质量的研究做出更大的贡献。     

小波熵提取脑意识任务特征的脑机接口设计

目的：基于脑电图信号的脑-计算机接口是近年来一个热门的研究领域。脑机接口为残疾人士提供了一种新的可供选择的对外交流的方式。设计一种仅使用进行简单思维任务时脑电信号（脑电图）的高准确率脑机接口。 方法：脑机接口的构架可以简单划分为两部分，前端为脑电讯号的特征提取与辨识，后端则为与其他硬体的结合与应用。在前端设计了高辨识率的二分类脑一计算机接口。首先应用小波熵对思维脑电信号进行特征提取，然后采用反向传播神经网络作为分类器，并用得到的信号特征对不同思维作业脑电信号进行分类。 结果：采用的思维脑电数据源于美国Colorado州大学，5个实验个体的5种不同思维状态的脑电图数据，对于每个实验对象，均采用小波熵对脑电图数据进行特征提取，然后采用反向传播神经网络作为分类器，对脑休息状态与另外4种思维状态进行两两对比分类。结果表明当选用合适的思维状态时，分类平均正确率可达到90％以上。 结论：用小波熵的特征提取方法，能获得高的分类正确率，此方法能够应用到对思维脑电信号的处理中，能作为现在脑机接口设计中另一可行的特征提取方法。同时，提出了一种应用高准确率的二分类脑机接口进行多种工作任务识别的方法，二分类脑机接口进行多种工作任务识别具有广阔得应用前景。     

结合小波变换对心电信号中RR间期检测的一种新方法

目的:探讨改善心电信号噪声干扰的方法,提高对心率变异信号中的RR间期检测精度。方法:①采用国际上通用的MIT/BIH数据库作为研究心率变异信号中RR间期的研究对象,选取其中的代表性数据组进行实验分析(受严重基线漂移影响的正常心电信号101.dat,大量室性期前收缩的心电信号105.dat,无噪声干扰的正常心电信号213.dat,心动过速的心电信号217.dat)。②利用小波变化方法结合Mallat算法对含有噪声的心电信号进行多尺度分析和信号重构,并利用R波的自身波形特点,采用相对周期极大值法来进行R波位置检测,进而计算RR间期序列值。结果:利用小波变换对含有噪声的信号进行噪声消除可以达到在很大程度保留原始信号的波形特征的同时又取得良好消噪效果的目的。能够显著减小工频干扰、基线漂移和肌电干扰等噪声对判别的影响。通过MIT/BIH数据库中四组有代表性特征的心电信号进行研究,发现采用相对周期极大值检测法可以显著减少检测中易出现的漏检和误检现象,快速而准确的获得RR间期的序列值。结论:小波变换法能够显著减少噪声对信号的干扰,特别是离散小波的应用使数字信号的处理由理论走向实际,结合Mallat快速算法,使得小波变换完全走向实用化。周期极大值法对心率变异信号中RR间期的检测有较好的精确度和快速性。     

小波变换和小波熵在睡眠脑电信号变化特性研究中的应用价值

目的:利用小波熵对各期睡眠脑电复杂度进行动态时变特性及统计特性的分析比较。方法:实验于2005-08/2005-09在江苏大学电气信息工程学院生物工程系实验室完成。睡眠脑电数据取自MIT-BIH数据库,8名被试者每人取一导整夜脑电信号,无睡眠方面疾病。采用其睡眠数据进行复杂度分析实验研究,小波包去噪信号进行多尺度分解后,利用小波熵求其各睡眠期和4个有用频率带δ、θ、α、β的小波熵值。结果:6种不同状态下脑电的小波熵之间有着明显的区别,其中清醒期小波熵均值最大;在非快速眼动睡眠期的4个分期里S1期小波熵均值最大、S4期小波熵均值最小,随着睡眠的深入呈现出逐渐减少的趋势;快速眼动睡眠期小波熵均值介于清醒期和非快速眼动睡眠期之间。在脑电波4个基本节律带(δ、θ、α、β)下,共同的特点是在β节律下小波熵均值最小,在θ节律下小波熵均值最大;分别在δ、α、β频率带下清醒期小波熵最大,在S1、S2、S3、S4期随着睡眠的深入有逐渐减少的趋势,快速眼动睡眠期介于清醒期和非快速眼动睡眠期之间;在S1、S2、S3、S4期小波熵均值在4个节律带的波动幅度要明显大于清醒期和快速眼动睡眠期。在睡眠各期及各频率带下小波熵方差值变化趋势与均值类似并更明显。结论:小波熵作为一种复杂性测度方法在睡眠各期脑电的应用结果中显示随着睡眠的深入,小波熵逐渐减少,这与理论上是符合的,所以小波熵可以作为不同生理状态下脑电的变化特性的检测指标,既能区分长时间段脑电复杂度之间的差异,又能反应微状态下的变化特性。     

小波变换和小波熵在睡眠脑电信号变化特性研究中的应用价值

目的：利用小波熵对各期睡眠脑电复杂度进行动态时变特性及统计特性的分析比较。方法：实验于2005-08／2005-09在江苏大学电气信息工程学院生物工程系实验室完成。睡眠脑电数据取自MIT-BIH数据库，8名被试者每人取一导整夜脑电信号，无睡眠方面疾病。采用其睡眠数据进行复杂度分析实验研究，小波包去噪信号进行多尺度分解后，利用小波熵求其各睡眠期和4个有用频率带δ、θ、α、β的小波熵值。结果：6种不同状态下脑电的小波熵之间有着明显的区别，其中清醒期小波熵均值最大；在非快速眼动睡眠期的4个分期里S1期小波熵均值最大、s4期小波熵均值最小，随着睡眠的深入呈现出逐渐减少的趋势；快速眼动睡眠期小波熵均值介于清醒期和非快速眼动睡眠期之间。在脑电波4个基本节律带（δ、θ、α、β）下，共同的特点是在13节律下小波熵均值最小，在θ节律下小波熵均值最大；分别在δ、α、β频率带下清醒期小波熵最大，在S1、S2、S3、S4期随着睡眠的深入有逐渐减少的趋势，挟速眼动睡眠期介于清醒期和非快速眼动睡眠期之间；在S1、s2、s3、s4期小波熵均值在4个节律带的波动幅度要明显大于清醒期和快速眼动睡眠期。在睡眠各期及各频率带下小波熵方差值变化趋势与均值类似并更明显。结论：小波熵作为一种复杂性测度方法在睡眠各期脑电的应用结果中显示随着睡眠的深入，小波熵逐渐减少，这与理论上是符合的，所以小波熵可以作为不同生理状态下脑电的变化特性的检测指标，既能区分长时间段脑电复杂度之间的差异，又能反应微状态下的变化特性。     

睡眠脑电图多种分析方法的差异比较

目的:探讨睡眠脑电图分析多种方法的特征及其差异。资料来源:应用计算机检索Medline1985-01/2004-12与睡眠脑电相关的文献,检索词“EEG,sleep,nonlinear-analysis”,并限定文献语言种类为英文。同时检索万方数据库1995-01/2004-08与睡眠脑电相关的文献,检索词“睡眠,脑电,非线性分析”,并限定文献检索语言种类为中文。资料选择:从资料中选取与睡眠脑电研究方法相关的文献。纳入标准:①脑电信号处理的传统方法。②脑电信号处理的现代方法。排除标准:重复研究、综述类文章。资料提炼:共收集到45篇关于睡眠脑电研究方法的文章,15篇符合纳入标准。排除的30篇都是重复的同一研究。15篇文章分别用不同的方法对脑电信号进行研究,是各方法有代表性的文章。资料综合:①经典分析方法主要是由专家对连续记录的整夜睡眠图形数据进行目测分析后,对睡眠过程中不同期间的睡眠深度进行评估。②人工神经网络分析方法最主要的特征为连续时间非线性动力学、网络的全局作用、大规模并行分布处理及高度鲁棒性和学习记忆功能。③维数分析数值结果只能显示各状态间的比较差异,这在某种程度上使其受到限制。④近似熵是用一种有效的统计方式,即边缘概率的分布来区分各种过程,是测量序列的复杂性的一种方法,能更多地提取出序列的复杂性信息。⑤小波分析可以由粗及细地逐步观察信号,适当地选择基本小波,可以使变换在时、频两域都具有表征信号局部特征的能力,实现睡眠分期的检测。结论:睡眠是一种复杂的生理过程,研究脑电可以从本质上对睡眠进行分析。由于脑电自身的复杂性,引入非线性分析方法,使得在睡眠脑电的研究上取得进步。这些现代分析方法将为睡眠的监测和质量的研究做出更大的贡献。