脑电高阶Lyapunov指数的估计及其仿真计算

本研究从一维时间序列中估算了相应混沌系统的前3阶最大Lyapunov指数λ1、λ2和λ3,以两个高维混沌模型:4×3 Lorenz方程高维混沌系统和HyperR ssler超混沌系统作为仿真系统,对算法的可行性和有效性进行了验证。然后,应用λ1、λ2和λ3对脑电的高维混沌特性进行了研究:从脑电中分别重构了对应的时间延迟吸引子,计算了癫痫脑电组和正常对照组脑电的1λ、λ2和3λ,应用Y-K公式给出的混沌系统分数维和Lyapunov指数谱jλ的关系,估计了癫痫脑电和正常对照脑电对应系统的分数维的范围,对癫痫脑电的高维混沌状况进行了分析。结果表明:癫痫脑电对应混沌吸引子的维数低于正常脑电(高维混沌)的维数;可以分属于高维混沌和低维混沌两类情况,因此研究这两类不同的情况,应采用高维和低维两种不同的混沌理论和方法。     

变参数混沌信号应用于经皮神经电刺激的探索研究

为了降低人体适应性对电刺激效果的影响,介绍了一种基于混沌信号的电刺激系统设计方法。首先在PC机上采用MATLAB软件构建混沌模型,经迭代运算产生混沌信号。用NI公司的数据采集卡USB-6251将信号输出到外部设备,再用LM3886模块对信号进行功率放大。经粘贴或绑缚在人体皮肤上的电极,传入信号以刺激内部神经。通过改变混沌模型的参数可获得不同的刺激效果,从而降低了因生理电刺激适应性而导致的电刺激效果变差的影响。测试结果表明:混沌信号的随机性增加了电刺激波形的多样性;混沌信号的规则性保证了电刺激过程的舒适感,提出的方法为电刺激仪器的设计提供了一个新的方向。     

脑电的非线性动力学研究中的问题和进展

本文对近年来国外在脑电的非线性动力学研究中提出的问题进行了综述 ,内容涉及了脑电的非线性的证明 ,脑电不是低维的混沌 ,以及传统的脑电混沌参数估算中的主要弊病等。文中也介绍了针对以上问题的最新研究进展。     

脑电的非线性动力学研究中的问题和进展

本文对近年来国外在脑电的非线性动力学研究中提出的问题进行了综述,内容涉及了脑电的非线性的证明,脑电不是低维的混沌,以及传统的脑电混沌参数估算中的主要弊病等。文中也介绍了针对以上问题的最新研究进展。     

生物反馈训练后癫痫患者脑电相关维数变化的分析

研究生物反馈训练对难治性癫痫患者脑电相关维数的影响。以21例难治性癫痫患者为研究对象,强化患者12~15 Hz的感觉运动节律波,抑制4~8 Hz的θ波。经过一定疗程的反馈治疗后,其中6例癫痫症状有明显改善且跟踪采集了脑电记录的病例,其16导联处的脑电相关维数均有不同程度的增加,尤其以训练点C4附近前脑区的脑电相关维数增加更加显著,表明脑电生物反馈治疗有助于皮层神经元群体电生理活动向更加混沌的状态转化,从而改善癫痫病态症状。相关维数可以通过表征大脑生理状态的改变,用于脑电生物反馈治疗效果的评价。     

脑电的非线性动力学高维特性及研究现状与展望

80年代以来 ,脑电 (EEG)一直被视为低维混沌信号 ,关于脑电混沌性的检验及对其低维混沌性的质疑 ,是近年来国际学术界的研究热点。目前的研究基本上认证了 EEG的非线性和混沌性 ,却否定了它是源于低维的混沌系统。因此 ,用经典的低维混沌理论和算法去分析研究高维 EEG的适用性和适用条件 ,必须进行探讨和论证。本文简要介绍了近年来的研究现状 ,其中着重介绍了EEG低维简化模型法 ,最后展望了研究的发展前景。     

脑电混沌维数复杂度连续检测方法的研究

一些研究表明,脑电信号具有低维的混沌动力学特性,脑电的维数则反映脑信息处理过程中的神经元集群的活动状态,是研究脑电信号的重要非线性参数.在Grassberger-Procaccia计算关联维数算法的基础上,通过改进计算关联积分的过程,提出一种适合于移动重叠窗口的维数复杂度连续检测方法.另外,还对关联积分线性区间选择上做了改进,使得所求得的参数在严格意义上为维数复杂度.数值仿真验证了该方法的正确性,并在此基础上对视觉输入变化的EEG信号进行动态数据分析,结果显示睁眼时脑电的复杂度明显高于闭眼时脑电的复杂度.所提出的维数复杂度计算方法减少了数据分析的负荷,适合于连续数据分析,能够准确地反映脑电维数复杂度的连续变化过程.     

混沌关联维数在人脑状态区分中的应用

随着信号处理技术的发展,人们对脑电信号的计算和分析日益深入,以期进一步理解和认知大脑的功能。研究人脑在不同状态下的脑电信息,可以进一步揭示各种状态对于脑活动和脑电的影响。近年来,灰色理论和混沌理论的研究广泛应用于信号处理领域。根据脑电信号自身的特点,提出一种结合灰色建模理论和混沌理论关联维数的人脑状态识别新方法。首先对脑电数据进行灰色建模,然后对所得到的模型参数进行关联维数的计算,从而对人脑的状态进行区分。当取16 000点脑电数据计算关联维数时,传统G-P算法用于计算关联维数的数据点数是本方法的8倍。在计算时间上,传统G-P算法用时145.5 s,而本方法用时9.2 s。结果表明,本方法能够减少计算数据量,进而缩短运算时间。由于不同状态脑电信号的较大特征值非常接近,所以奇异谱与不同状态脑电信号的关联维数相比,关联维数可以更好地区分人脑的状态。     

基于多域脑电参数分析的麻醉深度评估

提出一种结合随机森林模型的输出和脑电参数共同评估麻醉深度的方法,以提高评估麻醉深度的可靠性。首先通过滤波方式处理脑电信号,然后把信号分割成等长的多段,从每段中提取非线性域、频域、时域的10种参数,得到脑电参数-BIS值数据集;然后建立评估麻醉深度的随机森林回归模型,并在这些脑电参数中筛选出用于辅助模型评估的参数;最后在测试集上验证模型和参数的效果。该模型在测试集上的估计值与真实值之间存在很好的一致性和相关性（Pearson相关性=0.975）,筛选出的参数在测试集上也达到了82.3%的总准确率,表明该方法在评估麻醉深度方面具有较好的应用价值。     

脑电的非线性动力学高维持性及研究现状与展望

８０年代以来,脑电（ＥＥＧ）一直被视为低维混沌信号,关于脑电混沌性的检验及对其低飨混沌性的质疑,是近年来国际学术界的研究热点。目前的研究基础上论证了ＥＥＧ的非线性和混沌性,却否定了它是源于低维的混沌系统。因此,用经曲的低维混沌算法云分析研究高维ＥＥＧ的适用性和适用条件,必须进行探讨和论证。本文简要介绍了近年来的研究现状,其中着重介绍了ＥＥＧ低维简化模型法,最后展望了研究的发展前景。     

Non-linear dynamical analysis of multichannel EEG: Clinical applications in dementia and Parkinson's disease

The irregular, aperiodic character of the EEG is usually explained by a stochastic model. In this view the EEG is linearly filtered noise. According to chaos theory such irregular signals can also result from low dimensional deterministic chaos. In this case the underlying dynamics is nonlinear, and has only few effective degrees of freedom. In contrast, stochastic models are less efficient, because they require in principle infinite degrees of freedom. Chaotic dynamics in the EEG can be studied by calculating the correlation dimension (D2). Although it has become clear that D2 calculations alone cannot prove chaos, the D2 has potential value as an EEG diagnostic. In this study we investigated whether D2 could be used to discriminate EEGs from normal controls, demented patients and Parkinson patients. We have analyzed epochs (20 channels; 2.5 s) from 52 EEGs (20 controls; 15 patients with dementia; 17 patients with Parkinson's disease). Controls had a mean D2 of 6.5 (0.9); demented patients of 4.4 (1.5), and Parkinson patients of 5.3 (0.9). Both groups were significantly different from controls (p < 0.001). There was a significant positive correlation between D2 and relative power in the beta band (r=0.81) and a significant negative correlation between D2 and power in the delta (r=–0.60) and theta band (r=–0.37). These results suggest the possible usefulness of multichannel D2 estimations in a clinical setting.     

EEG非线性特征参数的研究

脑电图(EEG)记录了神经元群的电活动,为脑信息处理特征的研究提供重要的信息.基于相空间重构思想的时间序列分维算法(G-P算法)提取EEG信号的特征参数,讨论了G-P算法的三个重要参数,即无标度域、嵌入维数和延时的确定规则,记录大脑在不同状态下的EEG信号并计算其关联维数.实验结果表明,EEG关联维数可以有效地区分大脑不同状态的特征,关联维数可以作为脑信息处理的非线性特征参数.     

脑电中的混沌

本文简要回顾了脑电研究的历史和现状,重点评述了混沌理论在脑电研究中的意义,应用及进展,并对目前研究中存在的问题和进一步的发展方向进行了讨论。     

A chaos-based visual encryption mechanism for clinical EEG signals

In this study, we have developed a chaos-based visual encryption mechanism that can be applied for clinical electroencephalography (EEG) signals. In comparison with other types of random sequences, chaos sequences were mainly used to increase unpredictability. We used a 1D chaotic scrambler and a permutation scheme to achieve EEG visual encryption. One approach of realizing the visual encryption mechanism is to scramble the signal values of the input EEG signal by multiplying a 1D chaotic signal to randomize the EEG signal values. We then applied a chaotic address scanning order encryption to the randomized reference values. Simulation results show that when the correct deciphering parameters are entered, the signal is completely recovered, and the percent root-mean-square difference (PRD) values for control and alcoholic clinical EEG signals are 4.33 × 10⁻¹⁵ and 4.11 × 10⁻¹⁵%, respectively. As long as there is an input parameter error, with an initial point error of 0.00000001% as an example, thereby making these clinical EEG signals unrecoverable.     

混沌理论和方法在医学信号处理中的应用

在介绍非线性动力学现代理论中的混沌理论的基础上,综述了混沌理论及其方法在脑电、心电及肌电等医学信号处理中的应用,并展望了它们的发展趋势,旨在推进非线性分析方法在生物医学中的研究和应用。     

AN IMPROVED BP NETWORK AND ITS APPLICATION

ＡＮＩＭＰＲＯＶＥＤＢＰＮＥＴＷＯＲＫＡＮＤＩＴＳＡＰＰＬＩＣＡＴＩＯＮＣｈｅｎｇｌｉｎＰｅｎｇ，ＤｉＸｉａｏ，ＥｒｘｉｎＺｈｅｎｇ（Ｄｅｐｔ．ｏｆＥｌｅｃｔｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｃｈｏｎｇｑｉｎｇ，...     

Dimensional analysis of resting human EEG II: Surrogate-data testing indicates nonlinearity but not low-dimensional chaos

Surrogate-data testing has recently been proposed as one way to detect the presence of nonlinearity and low-dimensional chaos in experimental time series. Such testing involves estimating correlation dimension for both the original data and surrogate data from which nonlinearity has been removed. We applied such testing to the same resting, eyes-closed, and eyes-open electroencephalogram (EEG) data set that was originally analyzed using dimension estimation applied only to the original data (Pritchard & Duke, 1992). Two kinds of surrogate-data sets had higher estimated dimension and poorer saturation. This indicates that the normal resting human EEG is nonlinear and therefore not a linear-stochastic system. Because nearly complete saturation at some loci was not differentially affected by the surrogate-data procedures, our results also indicate that the normal resting human EEG is high dimensional and does not represent low-dimensional chaos.