脑疲劳瞌睡状态脑电图特征分析

脑疲劳是指工作或学习过程中,由于长时间从事脑力劳动而导致人们作业机能衰退、脑力能力下降的现象。其中主要表现为工作或学习效率低下,反应迟缓,记忆力下降,注意力不集中以及协调性能差。在交通驾驶、航空航天活动、人-机系统监控等工作中,     

基于EMD去趋势波动的脑疲劳模糊熵分析

脑疲劳是由于人们长时间地从事重复单一或高负荷的认知活动所引起的,短时间的脑疲劳会引起注意力下降、工作效率降低,而长时间的脑疲劳则会造成脑功能损伤。提取脑疲劳特征有助于脑疲劳的检测,预防脑疲劳带来的危害。熵能够反映脑疲劳状态下大脑复杂度的变化情况,有望成为评价脑疲劳的指标。但是,熵对脑电信号特征的提取受趋势重叠的影响,无法实现信号动态特性的准确描述,造成不同时间段得到的熵特征不一致。为解决趋势重叠对脑电信号熵特征的影响,将基于经验模式分解(EMD)的去趋势波动分析同熵值计算相结合,以4 h英语科技论文翻译作为脑疲劳诱发任务,记录14名本科生志愿者在正常安静和脑疲劳状态下的脑电信号,对比分析两种状态及3个时间段脑电信号的近似熵、模糊熵和去趋势模糊熵。结果表明,相比传统的近似熵和模糊熵,脑疲劳状态下去趋势模糊熵在左半球脑区的熵值较正常安静状态下显著降低(FC3,P=0.022;P5,P=0.007),且3个时间段有显著性差异的导联基本相同(3个时间段FC3导联P值分别为0.025、0.017、0.012,P5导联P值分别为0.011、0.006、0.017)。结果表明,去趋势模糊熵可以更好地表达两种状态下大脑复杂度的差异,且具有很好的时间稳定性。因此基于EMD的去趋势模糊熵可以更加快速有效地评价脑疲劳对大脑活动复杂度的影响。     

基于小波变换的脑电图癫痫波形检测

脑电图中癫痫波形的自动检测与分类是临床上很有意义的工作。我们根据脑电图中的癫痫特征波形，利用小波变换的时频局部化特性，给出了一种高效的癫痫波表的自动检测方法，构造了一个连续的癫痫波检测系统。通过检测不同尺度上的局部极大值，确定出对应的脑电图中的锐变点位置，并由此检测出脑电图中的癫痫波，从初步临床试验的结果来看，系统具有检测精度高，可连续作业等优点，获得了较好的效果。     

基于脑疲劳的Delta-Gamma相位幅值耦合研究

脑疲劳是大脑长期处于精神高度集中后机体无法专心高效率完成任务的一种状态,极度影响着人们的生活和健康。但至今都没有简便有效的检测方法,而近期研究发现,低频与高频之间的相位幅值耦合(PAC)可能与相关脑认知活动的信息交流整合有关,可为脑疲劳检测提供新信息。对疲劳前后低频delta节律和高频 gamma节律采用相位幅值耦合方法进行研究,使用Neuroscan 64导脑电仪采集脑电并用配对t检验对14名被试结果进行统计分析,结果显示,全脑区90%以上的delta相位共同调制多个脑区的gamma幅值,其中对前额叶区、顶枕叶区、顶叶区的耦合作用在脑疲劳后发生显著性下降,而对额叶区的耦合作用则显著上升。研究表明,delta-gamma相位幅值耦合值能很好地预测脑疲劳引起的宏观行为表现变化能力,为脑疲劳的检测提供新指标。     

基于脑网络的脑疲劳对不同工作记忆负荷的影响

工作记忆是认知行为的基础,脑疲劳会导致记忆力衰退、反应迟钝等认知表现下降的现象.利用N-back实验范式设计脑疲劳实验,采集15名被试正常态和疲劳态下4种工作记忆负荷的脑电数据,使用互信息算法构建功能性脑网络,计算并分析节点度、节点中间中心度、节点聚类系数、节点特征路径长度4个网络特征参数,对行为学数据(反应时间、正确...     

基于表面肌电信号的颈部肌肉疲劳评价算法比较研究

本研究旨在客观比较颈部肌肉疲劳评价算法的差异性,找出更加有效的颈部肌肉疲劳评价算法,为伏案姿势下颈部肌肉疲劳提供人因工程定量评价方法。本文利用无线生理仪采集了15名受试者使用记忆枕伏案12 min的颈部胸锁乳突肌的表面肌电信号,使用平均功率频率、谱矩比、离散小波变换、模糊近似熵以及复杂度5个算法计算出相应的肌肉疲劳指标;并使用最小二乘法对肌肉疲劳指标进行线性回归得出确定系数R^2与斜率k;确定系数R2可评价各种算法的抗干扰性;对斜率k进行柯尔莫哥洛夫—斯米洛夫检验得到最大垂直距离Lmax,Lmax可评价各种算法对疲劳程度的区分能力。统计结果表明,在抗干扰方面,模糊近似熵在不同高度的记忆枕下都具有最大的R^2,且模糊近似熵与平均功率频率、离散小波变换的差异具有统计学意义(P<0.05);在区分疲劳程度方面,模糊近似熵仍具有最大的Lmax,最大值达0.496 7。本文研究结果表明,模糊近似熵无论是在抗干扰性还是疲劳程度的区分能力上都优于其他算法,因此在进行颈部肌肉疲劳评价时,我们建议可将模糊近似熵作为一个较好的评价指标。     

虚拟现实沉浸式视觉体验引起脑疲劳的脑电信号分析

虚拟现实可以提供用户关于视、听、体等感官的模拟体验,使其产生沉浸感。随着虚拟现实的迅速普及,佩戴虚拟现实设备引起的脑疲劳问题受到广泛关注。选取16名健康受试者,同步采集观看相同题材传统平面及虚拟现实视频时的脑电信号。首先采用主观问卷对被试者的脑疲劳程度进行分析,使用判断疲劳标准的视屏终端综合症的主观问卷(VDT)和主观疲劳状态量表(SPFS)之后,对比分析两种观看方式引起脑电信号中α、β、θ和δ各波段相对能量以及疲劳因子R值和重心频率的变化差异。结果发现:在VDT主观问卷和SPFS主观量表中,被试观看虚拟视频后的平均分值为0.44±0.22和3.28±1.03,相比观看传统平面视频后的平均分值0.31±0.20和2.26±0.98有显著性增加(P<0.05);在脑电信号的分析中,观看虚拟现实视频后,T3电极位置的α波段相对能量显著减少(观看前后分别为0.249±0.007和0.234±0.005,P<0.05),δ波段相对能量显著性增加(观看前后分别为0.295±0.012和0.314±0.007, P<0.05),重心频率显著性降低(观看前后分别为(7.545±0.950)Hz和(3.717±0.398)Hz, P<0.05),并且这些参数的变化趋势与观看传统平面视频后的参数变化显著不同,呈现出相反的变化趋势;观看虚拟现实视频过程中,脑电信号中的α波段和β波段变化明显,左右后颞叶区和顶叶区到枕叶区中的α波相对能量随时间变化波动下降,β波相对能量随时间先增加后减少,有显著性差异(P<0.05)。相比观看传统平面视频,观看虚拟现实视频更容易从主观感受上产生脑疲劳,脑电信号中特征频段的节律活动变化可以为客观评估虚拟现实引起的脑疲劳提供理论依据。     

脑电图的检测结果及评价

在人的头部表面安放探查电极,借助专用设备（脑电图仪）进行百万倍放大,乃至获得大脑自发性生物电活动的记录图谱,称为脑电图（electro encephalo gram）。从脑电图学来看,探查电极的位置选择在头皮表面进行记录所获得的脑电活动,称为头皮脑电图（一般意义上即称脑电图）：如果探查电极直接安放在大脑皮质表面、     

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。     

基于多分辨Tsallis熵的癫痫EEG分析

利用多分辨率Tsallis熵的方法,识别癫痫脑电中的棘波,把EEG信号分解成小波级数,在各个尺度上利用多分辨率Tsallis熵来检测棘波,和申农熵相比,多分辨率Tsallis熵能给出更详细的信息。通过对6位患者的EEG信号进行处理,发现这种方法能够比较准确的检测EEG中的棘波,具有较好的临床应用价值。     

NIRS-EEG联合检测技术在脑功能分析中的研究进展

近红外光谱技术（Near Infrared Spectroscopy, NIRS）和脑电（Electroencephalographic, EEG）在脑科学研究中占有重要地位。联合NIRS和EEG的检测技术（简称NIRS-EEG联合检测技术）在脑功能分析领域可以达到比单一检测技术更好的效果,从而更好地理解大脑生理机制。本文首先介绍NIRS和EEG技术的原理,并比较了这两种技术与其他脑检测技术的优缺点。然后指出目前联合检测技术在系统设计时需要注意的技术要点。接着列举在联合检测技术在脑功能分析中的应用,并总结目前该技术的优势和面临的问题,并根据出现这些问题的原因做出相应的分析,提出对策和建议。最后对这项技术的未来应用做出展望。     

虚拟现实视觉体验对脑功能网络的影响

随着虚拟现实(VR)技术的广泛应用和相关设备的迅速普及,长时间使用VR技术引起的脑疲劳问题受到广泛关注。本研究结合主观疲劳量表与脑电信号脑功能网络特征参数,研究VR技术引起的脑疲劳问题。随机选取16名健康受试者,同步采集观看相同题材的传统平面(TP)视频及VR视频时的脑电信号,观看视频前后填写主观疲劳量表,利用互相关方法对所采集到的脑电信号进行关联特性分析,构建两种视觉体验前后的脑功能网络,并从复杂网络的角度,对比分析平均度、平均聚类系数、平均路径长度、平均全局效率和"小世界"属性等脑网络特征参数。结果发现,观看视频后的量表分值均大于观看前,并且从主观感受上,受试者观看VR视频比观看TP视频更容易产生疲劳感;观看VR和TP视频后,脑网络互相关系数、平均度值、平均聚类系数和平均全局效率值均比观看视频前显著降低,平均路径长度值显著升高,"小世界"属性显著减小;并且相比观看TP视频,观看VR视频后脑网络特征参数变化量更大,且差异具有统计学意义(P <0.05)。通过本研究结果,或可为分析和评价VR视觉体验引发的脑疲劳提供理论依据和试验参考。     

Hidden Markov model based epileptic seizure detection using tunable Q wavelet transform

Epilepsy is one of the most prevalent neurological disorders affecting 70 million people worldwide. The present work is focused on designing an efficient algorithm for automatic seizure detection by using electroencephalogram (EEG) as a noninvasive procedure to record neuronal activities in the brain. EEG signals' underlying dynamics are extracted to differentiate healthy and seizure EEG signals. Shannon entropy, collision entropy, transfer entropy, conditional probability, and Hjorth parameter features are extracted from subbands of tunable Q wavelet transform. Efficient decomposition level for different feature vector is selected using the Kruskal-Wallis test to achieve good classification. Different features are combined using the discriminant correlation analysis fusion technique to form a single fused feature vector. The accuracy of the proposed approach is higher for Q=2 and J=10. Transfer entropy is observed to be significant for different class combinations. Proposed approach achieved 100% accuracy in classifying healthy-seizure EEG signal using simple and robust features and hidden Markov model with less computation time. The proposed approach efficiency is evaluated in classifying seizure and non-seizure surface EEG signals. The system has achieved 96.87% accuracy in classifying surface seizure and nonseizure EEG segments using efficient features extracted from different J level.     

认知负载状态下的精神分裂症患者脑电图特异性研究

认知功能损害是精神分裂症的三大原发症状之一,在疾病早期发现和高危人群风险预警等方面具有重要价值。为了研究精神分裂症患者在认知负载状态下的脑电图特异性,本试验收集17例精神分裂症患者和19例健康受试者的脑电信号作为对照,基于小波变换提取各频段信号,计算非线性动力学及脑功能网络属性等特征,并利用机器学习算法将两类人群进行自动分类分析。试验结果表明,两组受试者在认知负载状态下,Fp1和Fp2导联在α、β、θ、γ这4个频带的关联维数和样本熵的差异均具有统计学意义,提示大脑额叶功能损伤是精神分裂症认知功能损害的重要原因。进一步基于机器学习的自动分类分析结果表明,将非线性动力学与脑功能网络属性相结合作为分类器的输入特征,所得分类效果最优,其结果显示准确率为76.77%、敏感度为72.09%、特异性为80.36%。本研究结果表明,脑电信号的非线性动力学和脑功能网络属性等特征,或可作为精神分裂症早期筛查和辅助诊断的潜在生物标记物。     

基于心电信号的自注意力双向门控循环网络疲劳检测模型

人类操作员的生理疲劳状态对其作业效率与安全性存在很大的影响,本研究提出了一种基于自注意力（SA）机制的双向门控循环（BiGRU）网络疲劳检测模型,研究基于心电信号的疲劳检测方法。首先采集了模拟不同负荷水平的过程控制任务环境下操作人员的心电数据,以一维心电数据作为输入,经过去噪预处理后,使用改进的BiGRU神经网络进行特征提取,BiGRU在保留GRU优点的同时可以更加充分学习心电信号前后时序的特征联系,并通过SA机制筛选显著相关特征信息,最后将所获得的特征信息经过softmax分类器,得到疲劳分类结果。与传统的GRU模型和BiLSTM模型进行了比较,经过改进后的SA-BiGRU模型的疲劳分类性能整体提高2%~5%,总体准确率达83%。     

基于脑电信号神经反馈控制智能小车的研究

为了提高基于运动想象(MI)的脑控智能小车的控制性能,本文提出一种基于脑电(EEG)信号神经反馈(NF)控制智能小车的方法。采用MI心理策略,通过实时呈现该心理活动相关EEG信号特征的能量柱形图给受试者,训练受试者快速掌握MI技能并调节其EEG信号的活动,并以MI多特征融合和多分类器决策相结合的方法,从而在线脑控智能小车。训练组(试验前接受设计的反馈系统训练)取得平均、最高和最低的识别指令准确率分别为85.71%、90.47%和76.19%,对照组(不接受训练)对应的准确率分别为73.32%、80.95%和66.67%;训练组平均、最长和最短用时分别为92 s、101 s和85 s,对照组对应的用时分别为115.7 s、120 s和110 s。通过以上试验研究结果,期望本文可为后续基于MI的EEG信号NF控制智能机器人的开发提供新的思路。     

基于低频电刺激诱发表面肌电信号的肌肉疲劳度研究

目的 通过对肌肉疲劳过程中非诱发表面肌电(surface electromyography,sEMG)信号和诱发表面肌电信号的研究分析,寻找有效评价肌肉疲劳的分析测量方法.方法 对7名受试者进行自主运动和电刺激两种致肌疲劳的实验,并在两组实验中分别记录电刺激诱发与非诱发肌电信号,然后对每组信号进行傅里叶变换求取功率谱和近似熵.结果 随着疲劳的产生,两组实验诱发信号的频谱曲线左移效果优于非诱发信号,近似熵分析中电刺激组诱发信号出现先上升后下降的变化,自主运动组诱发信号则呈现单调递减的趋势.结论 低频电刺激诱发表面肌电信号更适于测量肌疲劳的动态变化.相对于传统功率谱,近似熵分析方法更适于处理电刺激诱发的表面肌电信号.     

Complexity analysis and dynamic characteristics of EEG using MODWT based entropies for identification of seizure onset

In this paper, complexity analysis and dynamic characteristics of electroencephalogram (EEG) signal based on maximal overlap discrete wavelet transform (MODWT) has been exploited for the identification of seizure onset. Since wavelet-based studies were well suited for classification of normal and epileptic seizure EEG, we have applied MODWT which is an improved version of discrete wavelet transform (DWT). The selection of optimal wavelet sub-band and features plays a crucial role to understand the brain dynamics in epileptic patients. Therefore, we have investigated MODWT using four different wavelets, namely Haar, Coif4, Dmey, and Sym4 sub-bands until seven levels. Further, we have explored the potentials of six entropies, namely sigmoid, Shannon, wavelet, Renyi, Tsallis, and Steins unbiased risk estimator (SURE) entropies in each sub-band. The sigmoid entropy extracted from Haar wavelet in sub-band D4 showed the highest accuracy of 98.44% using support vector machine classifier for the EEG collected from Ramaiah Medical College and Hospitals (RMCH). Further, the highest accuracy of 100% and 94.51% was achieved for the University of Bonn (UBonn) and CHB-MIT databases respectively. The findings of the study showed that Haar and Dmey wavelets were found to be computationally economical and expensive respectively. Besides, in terms of dynamic characteristics, MODWT results revealed that the highest energy present in sub-bands D2, D3, and D4 and entropies in those respective sub-bands outperformed other entropies in terms of classification results for RMCH database. Similarly, using all the entropies, sub-bands D5 and D6 outperformed other sub-bands for UBonn and CHB-MIT databases respectively. In conclusion, the comparison results of MODWT outperformed DWT.