动画教学模式下大学生课堂短时注意力脑电信号研究

目的通过视频刺激试验分析人脑专注度特征,探讨动画教学模式对于大学生课堂短时注意力的影响。方法从30位观看动画演示法、传统讲授法教学视频的被试者中筛选出20份脑电信号数据,经过预处理后采用事件相关频谱扰动(event-related spectral dynamics,ERSP)进行时频分析,同时结合主观调查问卷,分析动画教学模式对大学生课堂短时注意力的影响。结果时频分析结果显示,在动画教学模式下,时间窗30~150 s内被试者脑电信号能量更高,并且在beta波段(20~35 Hz)时,两种教学模式之下的脑电信号的差异具有统计学意义,F3、AF4、FC6通道处尤为明显。结论动画教学模式能够提升大学生课堂短时注意力,同时beta波段的部分特殊频段存在可识别注意力集中程度的特征值,这能够为高校教学模式的改革以及可穿戴脑机接口设备在智能化课堂教学的应用提供理论基础。     

基于脑电信号的注意力水平评价研究进展EI北大核心

注意力水平评价是指通过观察或实验测试的手段对人的注意力水平进行评价,其研究成果在教育教学、智能驾驶、医疗健康等领域有很大的应用价值。脑电信号凭借其客观可靠性和安全性成为分析和表达注意力水平的最重要技术手段之一。目前,鲜有综述文献对脑电信号在注意力水平评价领域的应用进行全面的梳理总结。为此,本文首先概述了注意力水平评价的研究进展;然后重点剖析了脑电信号注意力水平评价的重要方法,包括数据预处理、特征提取与选择、注意力水平评价方法等;最后讨论了脑电信号注意力水平评价领域当前发展的不足,并对未来发展趋势进行展望,为相关领域的研究工作者提供参考。     

基于回声状态网络的脑电信号特征提取

在脑电(EEG)信号自动检测和分类的研究中,EEG信号的特征提取至关重要。本文分析了目前主要EEG信号特征提取方法的优缺点,并提出了一种基于回声状态网络(ESN)的EEG信号特征提取方法。该方法可以实现EEG信号的非线性特征提取,并且其特征提取过程是近似可逆的,因而在特征提取过程中损失的信息较少。该方法在EEG信号特征提取过程中,主要计算量是求解状态矩阵的伪逆,计算简单高效。在对波恩大学癫痫研究所的EEG数据库进行多类别分类的实验中,本文所提出的EEG信号特征提取方法展现出了良好的性能。     

脑电信号处理方法

脑电信号是人体的一种基本生理信号,具有重要的临床诊断和治疗价值.由于脑电信号的自身非平稳性随机特点,使得对它的研究成为一项具有相当难度的课题.本文总结了脑电信号的时频、神经网络等处理方法.着重论述Wigner分布、小波分析、神经网络、非线性动力学,以及独立分量在脑电信号处理中的应用.     

基于注意力残差网络的结肠病理学图像可解释性识别研究

目的:建立一种基于注意力机制的残差网络模型,对结直肠病理学图像中的常见的8种"图像块"进行多分类诊断。方法:采用基于注意力机制的残差神经网络来预测8种结肠病理学图像的标签,同时基于梯度加权热力图算法(Grad-CAM)生成的注意力热图将网络学习到的模式解码为可解释性类别特征。结果:所提出的方法对包括结肠癌在内的8种结肠组织图像块的识别准确率和AUC值分别达到了98.78%和0.998 3,生成的注意力热图也与病理专家的判断方法基本一致。结论:基于注意力机制的残差网络模型在病理学图像多分类中可达到较高的识别精度,有助于医生采取对症治疗方式时实时、客观、精确的诊断结果,还可以为病理学图像的分类结果提供可解释性。     

基于匹配追踪的癫痫脑电信号的时频分析

目的 鉴于匹配追踪算法具有良好的参数化描述特性,应用匹配追踪算法研究癫痫脑电的时频分布特征.方法 通过仿真算例,将匹配追踪算法与短时傅里叶变换、Wigner-Ville分布结果进行比较,验证该方法的频率分辨率高及参数化表征的优越性;应用上述3种方法对癫痫脑电和正常脑电进行时频分析,研究癫痫异常放电在时频平面的表现.结果 仿真结果表明基于匹配追踪算法能得到较好的时频分布;对癫痫脑电和正常脑电进行时频分析,癫痫脑电和正常脑电在时频平面上存在明显的差异.结论 基于匹配追踪的时频分析方法,能够更好地揭示脑电类非平稳信号的特征.     

基于相位斜率指数的脑电信号方向研究

目的将相位斜率指数(phase-slope index,PSI)算法应用在健康及癫痫患者的脑电数据上,分析导联间信息流的方向和强度,拟为临床医学研究癫痫提供借鉴方法。方法首先在相位斜率指数理论方法的基础上研究了不同脑区间的信息流向的因果关系,并取合适的阈值2作为有效结果;然后对来自军区总医院采集的健康人和癫痫患者的最新脑电数据进行分析,用t检验方法考量健康数据和癫痫数据所得到的有效结果百分比是否具有显著性差异。结果左右区没有明确的方向,前后区在alpha频段有清晰的从前到后的方向;在宽带方法(所有频率)下,健康人数据所得到的有效结果百分比与癫痫患者数据所得到的有效结果百分比的差异无统计意义;在窄带方法(alpha频段)下,健康人数据所得到的有效结果百分比要高于癫痫患者数据所得到的有效结果百分比。结论基于相位斜率指数的脑电信号研究方法得出两种信号的有效结果百分比的差异有统计意义,对临床医学分析癫痫数据具有借鉴意义。     

基于不同特征参数的脑电信号分类

分别以自回归(autoregression,AR)模型系数、相关系数和信息熵作为信号特征对不同思维作业脑电(EEG)信号进行分类,其中相关系数和信息熵均是首次用于思维作业EEG信号的特征提取.实验结果显示,采用信息熵作为EEG信号特征的分类准确率总体上明显高于采用另两种特征参数,且受提取特征的数据分段长度的影响最小,有利于提高基于思维作业实时脑- 机接口的通信准确度和速率.同时,研究结果也进一步证实了高频信息可用于EEG的分类.     

基于脑电信号的脑-计算机接口

0 引言 脑-计算机接口(brain-computer interface, BCI)是在人脑与计算机或其它电子设备之间建立的直接的交流和控制通道,通过这种通道,人就可以直接通过脑来表达想法或操纵设备,而不需要语言或动作[1].     

癫痫大鼠脑电信号的除趋势涨落分析

除趋势涨落分析(Detrended fluctuation analysis,DFA)是一种较新的非稳态时间序列长时程暂态相关(Long-range temporal correlation,LRTC)结构特征分析方法,人们已将它初步应用于正常脑电信号和疾病脑电信号的相关性分析之中,取得了一些有意义的结论.我们用DFA方法分析了匹罗卡品痫样放电大鼠模型的不同脑区和不同脑功能状态下脑电演化行为的参数--标度指数,结果表明:癫痫大鼠从无痫样放电到连续痫样放电再到周期痫样放电的过程转变中,4个脑区(左皮层、右皮层,左海马、右海马)的标度因子分别从约0.97到0.82再到0.94变化,配对样本T检验表明,同一脑区不同脑功能状态间的标度因子有显著性差异(P＜0.05),提示这三种脑功能状态的局部神经网络动力学可能不同.对三种不同的脑功能状态,标度因子在不同脑区上没有显著性差异(P＞0.05).     

基于深浅特征融合的深度卷积残差网络的脑电情绪识别模型

基于脑电信号的智能情绪识别系统具有便携性、高时间分辨率、实时性等特点,能够在健康、娱乐、教育等多个领域实现情绪监控与调节的应用.但由于脑电信号的非平稳性和个体差异性,传统分类器难以深入提取脑电信号中潜在的与情绪语义相关的特征.为了有效地提取脑电特征,提高脑电-情绪识别的准确性,提出一种新型的基于深浅特征融合的深度卷积残...     

经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用

提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此脑电信号的提取是个难题。为此本研究提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优。在对癫痫患者脑电信号研究的实验中,分类准确率均达到90%以上,验证了本方法的可行性。     

基于脑网络信息传递特性的癫痫病灶区定位

目的 癫痫是一种反复发作的慢性脑疾病,严重危害患者身心健康。如何精确定位癫痫病灶区是目前医学研究热点之一。本文旨在基于脑网络信息传递特性定位癫痫病灶区,期望为临床确诊病灶区提供创新思路。方法 应用频域因果连接分析构建5位颞叶癫痫患者颅内脑电特征频段因果网络,计算网络节点因果流。结果 (1)颞叶癫痫患者颅内脑电能量分布优势频带是δ、θ频段,δ、θ频段能量显著高于其他频段,病灶区能量分布高于非病灶区。(2)颞叶癫痫患者病灶区因果流小于0,非病灶区因果流大于0。结论 (1)颞叶癫痫患者颅内脑电特征频段为δ、θ,病灶区特征频段能量异常增强。(2)颞叶癫痫患者因果网络中,被定义为因果汇的脑区为临床确诊病灶区,因果源脑区为非病灶区,病灶区易受非病灶区影响。     

基于自回归模型和关联向量机的癫痫脑电信号自动分类

癫痫脑电信号自动分类方法的研究具有重要意义.基于自回归模型和关联向量机,实现癫痫脑电信号的自动分类.采用自回归模型,进行脑电信号特征提取;通过引入主成分分析和线性判别分析两种特征变换方法,降低特征空间维数;采用关联向量机作为分类器,提高模型稀疏性并可以得到概率式输出.在对波恩大学癫痫研究中心脑电信号的分类中,所提出的方法最高准确率可以达到99.875％;在将特征空间维数降至原始维数的1/15时,分类准确率仍可达到99.500％;采用关联向量机作为分类器,模型稀疏性大幅提高,与支持向量机相比,同等条件下关联向量数仅为支持向量数的几十分之一.所提方法可以很好地应用于癫痫脑电信号的自动分类.     

癫痫脑电信号的奇异性研究

基于小波变换模极大值在多尺度上的变化,研究了癫痫脑电的奇异性,并用Lipschitz指数来表征.提出了一种高阶统计的方法来研究癫痫脑电的高阶奇异谱特征,并和健康脑电进行比较.实验结果表明,癫痫脑电的Lipschitz指数和高阶奇异谱与健康脑电相比存在明显的差异,说明该方法对研究脑电是有效的.     

基于人工神经网络的癫痫棘波检测方法

脑电癫痫特征波的自动提取对于患者的诊断具有重要的意义。提出一种时频分析与Jensen函数相结合的方法进行棘波检测，然后提取出棘波的波形特征，并通过人工神经网络进行进一步的判决，从而降低棘波检测的误检率。在对真实的癫痫脑电信号（EEG）的仿真实验中，该方法取得了较好的结果。     

基于近似熵的思维脑电信号分类研究

采用近似熵(approximate entropy，Apen)作为脑电信号的特征参数对不同思维作业脑电信号进行了分类研究，并对近似熵算法中参数的选择以及互近似熵在思维脑电分类的应用进行了讨探。研究结果表明，近似熵特征在思维作业脑电信号的分类中取得了较好的应用效果。近似熵作为EEG的信号特征为提高思维作业脑电信号的分类正确率提供了一种新的途径，在基于思维作业BCI的应用中具有重要的实用价值。     

基于Hurst指数和SVM的癫痫脑电检测方法

癫痫脑电波的自动检测对于患者诊断和减轻医生工作强度都具有重要的意义。提出一种基于Hurst指数和SVM的癫痫脑电检测算法。首先提取脑电信号的Hurst指数,然后对脑电进行3 Hz～8.5 Hz、8.5 Hz～16.5 Hz、16.5 Hz～29 Hz带通滤波并分别计算波幅的相对均值,最后使用SVM分类器实现癫痫脑电波的自动检测。对临床脑电信号的实验表明,该方法具有较强的检测性能和良好的实时性,准确率达到98.75%。所提出的Hurst指数和波幅相对均值作为特征,采用SVM的分类方法能有效实现癫痫脑电的检测,值得更深入的研究。     

运动想象脑电信号的特征提取和分类进展

运动想象脑电信号是指想象肢体运动而没有实际的肢体动作所产生的脑电信号.信号处理和模式分类方法是运动想象脑电信号以及整个BC1系统的核心技术.本文对基于运动想象的脑电信号的识别算法进行了综述.阐述了运动想象脑电特征提取和分类的方法,比较了各种方法的特点,分析了几种典型的特征提取和识别算法的组合,并且总结了运动想象脑电信号的特征提取和分类的发展现状和前景.     

基于神经网络的多参数脑电注意力水平提取

为克服利用单一参数判断注意力水平的灵敏性缺陷,本文设计并实现了一种多参数的脑电注意力水平提取方法。首先从脑电信号中提取7个脑电特征参数,全面评估脑电频谱特性,然后利用误差反传(back propagation,BP)神经网络算法实现脑电特征参数与注意力水平间的非线性映射,从而实现准确的注意力水平提取。同时,本文对BP算法进行了一系列的改进,有效地提高了网络的学习效率,并能迅速跳出局部极小。以34例脑电数据对网络进行训练,实验结果证实该网络能迅速收敛,网络收敛后测试库中的脑电数据注意力水平判别结果证明该网络具有较高的识别率。