基于经验模式分解的脑电棘波检测方法

脑电癫痫特征波自动提取对于患者的诊断以及减轻医生的繁重劳动都具有重要意义。本研究结合经验模式分解(EMD)技术提出了一种基于经验模式分解的脑电棘波检测新方法。这种方法提取出EEG信号中与棘波信号相关的高频成分,计算其Hilbert变换后的瞬时幅值,进而检测出棘波信号。对临床EEG数据检测的结果表明,这种方法能有效地从复杂的背景EEG信号中检出棘波,具有良好的应用前景。     

基于IMF能量熵的脑电情感特征提取研究

为提高脑电信号情感识别分类准确率,结合经验模态(EMD)分解和能量熵提出一种新的脑电特征提取方法。本研究主要介绍了EMD分解的基本原理,分析了传统EMD算法中的"端点效应",采用分段幂函数插值算法改善了EMD分解的精度和性能,然后将改进后的算法应用到脑电信号特征提取,获取脑电信号的IMF分量后计算出IMF能量熵作为情感识别的特征,最后通过分类实验对比改进后的EMD算法和传统EMD算法对脑电情感特征的分类准确率。实验结果显示改进的EMD算法能使识别率提高15%左右,并且以IMF能量熵为特征的平均识别率在80%以上,实验结果表明将IMF能量熵用于脑电信号情感识别是可行的。     

一种基于经验模态分解的时频分布及其在EEG分析中的应用

Hilbert-Huang变换是一种新的分析非线性非平稳信号的时频方法,这种方法的关键部分是经验模态分解(EMD)方法,任何复杂的信号都可以通过EM D分解为有限数目并且具有一定物理意义的固有模态函数。我们结合该方法给出一种抑制Wigner-Ville分布交叉项的新方法,并将其应用于癫痫脑电信号(EEG)中,且得到了比较好的结果。     

基于经验模态分解和Hilbert变换的QRS综合波检测算法

提出一种新的有效结合经验模态分解(EMD)和Hilbert变换的QRS综合波检测算法。采用EMD将心电信号分解成一系列内蕴模式分量(IMFs),舍去对应于高频噪声的IMF1和IMF2,舍去对应于低频噪声的最后两个IMFs和趋势项,能有效地抑制高频噪声和基线漂移。将降噪后的信号进行Hilbert变换,得到对应的解析函数,利用其包络,进一步抑制高大P波、T波等对QRS综合波检测的影响,采用自适应阈值进行QRS综合波检测。经MIT-BIH Arrhythmia Database全部数据检测验证,平均正确检测率可达到99.78%,表明本算法具有较高的正确检测率和良好的抗噪性能。     

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。     

一种基于时频分析的癫痫脑电棘波检测方法

脑电癫痫特征波的自动提取对于患者的诊断以及减轻医生的繁重劳动都具有重要的意义.本研究提出了一种基于时频分析的癫痫脑电棘波检测方法.首先通过矩阵的奇异值分解方法得到效果更佳的脑电信号(EEG)的时频分布图,然后利用时频分布的差异测度方法达到对棘波的检测目的.在对临床癫痫脑电信号的实验中,该方法取得了较好的结果.     

基于EMD与IMF分量统计特性的ECG去噪

经验模式分解（EMD）域内心电（ECG）信号的去噪,通常为基于QRS特征波经验性识别固有模态函数（IMF）分量并重建ECG信号。由于该方法引入个人误差,因此识别不准确。针对此问题,本文提出利用EMD与IMF分量统计特性对ECG信号进行去噪。本方法首先对含噪ECG信号进行EMD分解得到一系列IMF分量,然后利用IMF分量的统计特性识别IMF分量属性,并采用被识别为ECG信号的IMF分量重建ECG信号。该识别方法基于统计学方法,具有统计学和现实物理意义。将本方法应用于真实ECG信号去噪处理中,结果表明,本方法可有效去除ECG信号基线漂移噪声与肌电干扰噪声,去噪效果优于经验法。     

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60％,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。     

EMD和SVM结合的脑电信号分类方法

脑电(EEG)癫痫波的自动检测与分类在临床医学上具有重要意义。针对EEG信号的非平稳特点,本文提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的EEG分类方法。首先利用EMD将EEG信号分成多个经验模式分量,然后提取有效特征,最后用SVM对EEG信号进行分类。结果表明,该方法对癫痫发作间歇期和发作期EEG的分类效果比较理想,识别率达到99%。     

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。     

Signal separation of background EEG and spike by using morphological filter

A signal separation method for extracting background electroencephalogram (EEG) from EEG containing spikes was proposed. Morphological filters were designed for extracting spike waveforms, and then the background EEG was obtained by subtracting the detected spike waveforms from the EEG with spike. The proposed method was evaluated by using simulated EEG data, which consisted of a summation of EEG without spike and model waveform of typical spike. The background EEG separated by the method was processed by the automatic background EEG interpretation.     

Use of discrete Hilbert transformation for automatic spike mapping: A methodological investigation

On the basis of discrete Hilbert transform (DHT) realised by fast Fourier transform (FFT), a new strategy for automatic spike mapping is introduced. The further computation of the EEG time series after DHT results in the time series of the momentary power and the momentary frequency. Both are used for the solution of the main requirements of automatic spike mapping. The spike-mapping concept introduced meets the requirements of efficient automatic spike detection and also has an insensitivity with regard to EMG interference and transient signal components, a frequent cause of false positive detections. Additionally, there are advantages if the momentary power of the spike is mapped instead of the spike potential. The use of momentary power makes a combination of power spectral mapping and spike-mapping strategies possible.     

一种基于EEG特征提取的癫痫棘波综合检测判决方法

癫痫特征的自动检测在临床应用上具有重要的意义。本研究综合小波变换、非线性能量算子、特征提取和神经网络等技术，提出了一种癫痫棘波检测系统，充分发挥各技术的优点，在对真实脑电数据的处理中，表现出良好的性能。     

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。     

Automatic classification of infant sleep based on instantaneous frequencies in a single-channel EEG signal

This study presents a novel approach for the electroencephalogram (EEG) signal quantification in which the empirical mode decomposition method, a time–frequency method designated for nonlinear and non-stationary signals, decomposes the EEG signal into intrinsic mode functions (IMF) with corresponding frequency ranges that characterize the appropriate oscillatory modes embedded in the brain neural activity acquired using EEG.     

B样条小波在提取脑电癫痫棘波中的应用

脑电癫痫特征波自动提取对于患者的诊断，以及减轻医生的繁重劳动力都具有重要意义。采用B样条小波对信号突变点灵敏检测的优良特性来进行癫痫棘波提取，取得了比较好的效果。     

Epileptic seizure prediction based on EEG spikes detection of ictal-preictal states

Epileptic seizures are known for their unpredictable nature. However, recent research provides that the transition to seizure event is not random but the result of evidence accumulations. Therefore, a reliable method capable to detect these indications can predict seizures and improve the life quality of epileptic patients. Seizures periods are generally characterized by epileptiform discharges with different changes including spike rate variation according to the shapes, spikes, and the amplitude. In this study, spike rate is used as the indicator to anticipate seizures in electroencephalogram (EEG) signal. Spikes detection step is used in EEG signal during interictal, preictal, and ictal periods followed by a mean filter to smooth the spike number. The maximum spike rate in interictal periods is used as an indicator to predict seizures. When the spike number in the preictal period exceeds the threshold, an alarm is triggered. Using the CHB-MIT database, the proposed approach has ensured 92% accuracy in seizure prediction for all patients.