基于随机森林算法的高维脑电特征优选

在基于脑电的脑-机接口研究中,脑电信号的分类是较为重要的部分.从多导脑电中得到大量可用于分类的特征,并对这些特征进行优选是研究热点.本文应用多分类器组合的分类树方法和自助法重采样技术,结合随机特征选择,使用随机森林组合分类器方法对想象运动实验中的高维脑电特征进行分析.根据不同特征在生成森林过程中被选用于分枝次数的不同,提出了一种有效的特征优选方法,并在特征优选的基础上可以进行导联的筛选.     

基于复杂性测度的睡眠脑电分期处理方法研究

提高临床脑部及神经系统疾病的早期诊断水平,及时予以控制和治疗,是降低脑疾病对人类危害最有效的途径。探讨复杂性测度在睡眠脑电分期中的应用,主要利用加窗的Lempel-Ziv复杂度处理算法对经采用小波变换滤波算法滤除生理干扰后的睡眠脑电信号进行分期处理,并与没有加窗的Lempel-Ziv复杂度处理算法的仿真处理结果进行比较。结果表明：加窗的Lempel-Ziv复杂度算法能更好地将睡眠脑电不同状态分开,在一定程度上减少由脑电的非平稳性带来的计算上的片面性,同时兼顾各期睡眠脑电状态的不均匀性,在很大程度上满足临床的应用要求。     

基于迁移学习的随机深度残差网络自动睡眠分期算法

现有自动睡眠分期算法存在模型参数量多、训练耗时长导致分期效率不佳的问题。本文使用单通道脑电信号,提出一种基于迁移学习（TL）的随机深度（SD）残差网络（ResNet）自动睡眠分期算法（TLSDResNet）。首先,选取16人共30条单通道（Fpz-Cz）脑电信号,在保留有效睡眠片段后,利用巴特沃斯滤波和连续小波变换对原始脑电信号进行预处理,得到包含其时-频联合特征的二维图像作为分期模型的输入数据。随后,构建经公开数据集——欧洲数据格式存储的睡眠数据库拓展版（Sleep-EDFx）训练的ResNet50预训练模型,使用随机深度策略并修改输出层以优化模型结构。最后,应用迁移学习对人体整夜睡眠过程进行自动分期。本文算法在进行了多次实验后,模型分期准确率达到87.95%。实验表明,TL-SDResNet50可完成少量脑电数据的快速训练,总体效果优于近年来其他分期算法与经典算法,具有一定的实用价值。     

脑电信号的复杂度在睡眠分期中的应用

睡眠既是人体重要的生理状态，也是临床监护重要的一环，按国际通用的睡眠分期方法，必须在脑电信号之外增加脑功能信号，本文研究了单纯的脑电信号的特征———复杂度作睡眠分期的依据的可能性，在数例已按国际通例作了睡眠分期的病例中，应用了本文提出的方法，在对分期结果的比较中提出了需要进一步研究的方面。     

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。     

基于条件概率的短时睡眠状态实时估计

目的根据脑电信号的特征,提出基于条件概率的睡眠状态实时估计方法,为睡眠监测提供反映睡眠状态连续变化的客观评价依据。方法在白天短时睡眠过程中,同步采集了4导与睡眠相关的脑电信号(C3-A2,C4-A1,O1-A2,O2-A1),对每5秒记录数据进行傅里叶变换,分别计算了8~13 Hz和2~7 Hz的脑电节律能量占空比特征参数。主要方法包含了学习和测试两个阶段:在学习阶段,根据训练数据获得脑电特征参数的概率密度分布;在测试阶段,根据当前特征,得到各睡眠分期的条件概率,并计算获得睡眠状态的估计值。结果分析和测试了12名受试者的短时睡眠数据。通过与睡眠分期的人工判读结果相比较,睡眠状态估计值呈现了睡眠深度的连续变化。觉醒期的显著性差异为2.94,睡眠一期和二期分别为1.78和1.62,分析结果符合实际规律。结论本文所定义的睡眠状态估计值蕴含了睡眠分期的特征,较好地反映了睡眠阶段在持续和过渡期间的连续变化过程,能够为白天短时睡眠状态分析提供实时监测和分析的客观评价依据。     

经颅直流电刺激下脑卒中患者脑电功率谱密度研究EI北大核心CSCD

经颅直流电刺激(tDCS)已成为卒中后康复治疗的新手段,并且逐渐被人们所接受。然而,tDCS治疗脑卒中的神经生理机制仍需进一步探讨。本文纳入了30例大脑左侧受损的脑卒中患者,随机分为tDCS真刺激组(15例)和tDCS伪刺激组(15例)。采集两组受试者刺激前、后的静息态脑电(EEG)信号,分析对比刺激前、后EEG信号δ、θ、α和β频带的功率谱密度差异,并计算了δ/α功率比值(DAR)。结果发现,真刺激后δ频带能量在左颞叶区明显降低,差异具有统计学意义(P <0.05);α频带能量在枕叶区明显增强,差异具有统计学意义(P <0.05);θ和β频带能量在整个脑区的差异不具有统计学意义(P> 0.05)。伪刺激前、后δ、θ、α和β频带能量在整个脑区的差异不具有统计学意义(P> 0.05)。另一方面,真刺激后脑卒中患者的DAR值明显降低,差异具有统计学意义(P <0.05),伪刺激后DAR值差异不具有统计学意义(P> 0.05)。本研究在一定程度上揭示了tDCS治疗脑卒中的神经生理机制。     

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。     

精神分裂症和抑郁症患者静息态脑电功率谱熵的对照研究

研究精神分裂症患者(SC)和抑郁症患者(DP)的静息态脑电功率谱熵,深入比较该指标在两种疾病人群中的表现,探究这一指标对两种疾病大脑异常情况的反映。 选择性别、年龄相匹配的精神分裂症、抑郁症患者各100例(男:50,女:50),采集睁眼、闭眼两种状态下的静息态脑电数据;对脑电信号进行信号预处理,并通过独立成分分析实现伪迹校正;基于Welch变换进行功率谱分析,归一化后利用相对功率计算脑电的功率谱熵;采用t检验、方差分析等统计手段,对该指标做统计分析。 结果表明, 在任意相同状态下,精神分裂症组的组平均功率谱熵在每一导联上都低于抑郁症患者组(导联平均功率谱熵:闭眼状态下,SC:1.26; DP:1.32;睁眼状态下,SC:1.33; DP:1.37),且在多数导联上差异显著(P<0.05);对于两组被试,其闭眼状态下的功率谱熵均分别低于睁眼状态下的功率谱熵;对于功率谱熵从睁眼状态至闭眼状态的减少量,两组被试在Fp1、Fp2导联存在显著差异(P<0.05)(Fp1:SC为0.08,DP为0.02;Fp2:SC为0.09,DP为0.02);在睁眼状态下,精神分裂症与抑郁症患者大脑左右半球功率谱熵的不对称性存在差异,精神分裂症组表现出更广的不对称性(呈显著不对称性的电极对:SC有4对,包括F3-F4、O1-O2、F7-F8、T5-T6;DP有2对,包括P3-P4、F7-F8);闭眼状态下二者的不对称性均只显著体现在F7-F8、T5-T6导联(P<0.05)。 功率谱熵这一指标能够敏感直观地描述功率谱的分布情况与不规则程度,进而反映脑电信号的复杂程度以及个体大脑活跃程度。该指标能够作为一项有效参考,反映两种疾病人群在静息态下大脑活动的差异,并有望用于区分精神分裂症与抑郁症。     

脑电功率值数据图、脑电功率谱（频谱）曲线图和脑电功率谱（频谱）直方图和压缩谱阵图

计算机技术在脑电图学上的应用,克服了传统的肉眼分析的主观性干涉,使脑电图的结果能用定量数字进行表达。因此在脑电图肉眼分析的基础上,再结合定量分析,必然会进一步提高脑电图的诊断水平。然而,脑电图定量分析技术有许多表达方法,各种表达方法都有各自的长处和不足。因此了解它们的长处和不足,根据临床的具体情况,选择性地使用相应的脑电图定量分析方法是很重要的。     

基于心率变异分析的睡眠分期方法

利用隐马尔可夫模型（HMM）对心率变异性（HRV）进行分析，识别HRV在不同睡眠分期的模式变化，从而推算出相应的睡眠分期。在信号处理的过程中采取了一定的措施降低个体差异对分析的影响；在特征提取中还考虑了HRV中超低频分量和睡眠的关系。由于心率信号的提取对睡眠几乎没有任何干扰，因此，本文提出的睡眠分期方法可以较好地反映受试者在自然条件下真实的睡眠状况，实验证明，该方法简单可行，其睡眠分期的结果和人工分期相比的符合率可以满足很多睡眠监测场合的需要，尤其适用于健康人常年的睡眠监测。     

基于心率变异性的自动睡眠分期及其脑电图验证

睡眠障碍会严重影响人们的日常生活,因此睡眠的早期监测对睡眠疾病的预防和诊断有重要意义。采用自行研制的便携式多导睡眠监护仪,开展了103人次的居家夜间睡眠数据收集(含脑电、眼电、肌电和心电信号)。然后,从同步采集的心电数据RR间期中提取时域、频率和非线性特征,组合出最高达426个心率变异性(HRV)特征,基于Xgboost算法构建模型对睡眠中的清醒期(wake)、非快速眼动|期(N1)、非快速眼动Ⅱ期(N2)、非快速眼动Ⅲ期(N3)和快速眼动期(REM)进行五分类(wake、N1、N2、N3、REM)、三分类(wake+N1、REM、N2+N3)和二分类(wake、N1+N2+N3+REM)预测,并与脑电图睡眠分期标签进行验证。最后,五分类、三分类和二分类测试结果准确率分别达到84.0%、89.1%和95.2%,F1-score达到83.2%、88.9%和94.9%,为同类模型研究中表现最佳。说明HRV与睡眠阶段具有良好的相关性,基于便携式设备收集数据构建的算法模型可以较好地识别睡眠状态。     

快速提取脑电信号的谱分量参数

本文利用现代谱分析技术,提出一种新的快速算法来提取脑电信号的谱分量参数。并围绕现代谱估计在脑电信号分析中可能会遇到的一些问题,在理论分析和大量实验的基础上,分别提出新的见解和解决方法。新算法较常规算法要快十几倍,而且能充分保证现代谱分析技术性能的高效性,可以在短数据场合下对脑电信号进行谱分析和特征参数提取,从而有利于把脑电信号分析,向定量化、精确化方向推进一步。     

大鼠额叶皮质损害的脑电功率谱和形态学研究

３５只ＳＤ大鼠随机分成三组：正常组、假损害组和损害组。采用机械抽吸法制作大鼠右侧额叶皮质损害模型。对各组大鼠分别进行脑电功率谱分析和比较．结果发现：正常大鼠和假损害大鼠两侧大脑半球δ、θ、α和β频段相对功率值相近似（Ｐ＞０．０５），ＤＴ／ＡＢ值（即δ＋θ／α＋β的绝对功率值之比）也相似（Ｐ＞０．０５），功率谱曲线两侧基本对称。额叶皮质损害大鼠损害侧δ、θ频段相对功率值较健例显著增高（Ｐ＜０．０５），α、β段相对功率值较健侧显著降低（Ｐ＜０．０５）；ＤＴ／ＡＢ值较健侧显著增加（Ｐ＜０．０５），功率谱曲线两侧明显不对称。额叶皮质损害后３天、２周、４用及８周功率谱分析结果无明显不同。形态学观察证实额叶皮质存在缺损区不因时间延长而自行修复．额叶皮质损害出现的脑功能障碍及损害区形态变化均不能自行修复，表明功能效应和形态结果相一致，提示脑电功率谱分析可作为临床和实验研究中评价脑功能的有效手段。     

基于脑电信号的睡眠分期算法研究

睡眠质量与人类健康息息相关,准确的睡眠质量监测对于帮助人们改善睡眠质量能够起到有效的监督作用。以MIT-BIH多导睡眠数据库slp01、slp02和slp04等3个样本的脑电信号为分析对象,采用sym7小波对其进行7层分解以去除高频细节信号,得到较为纯净的脑电信号。然后通过非线性符号动力学分析,去趋势波动分析以及频谱分析,分别提取符号熵指数,去趋势波动指数以及δ频带能量比等3个参数,对每个样本采用Kennard-Stone方法按照4〖DK〗∶1的比例建立校正集样本和预测集样本,并结合最小二乘支持向量机分类器进行样本训练拟合与分类识别。结果表明,3个特征参数与睡眠状态具有高度相关性,相关系数绝对值均高于0.83,并且确定了符号熵参数的嵌入维数为4,延迟常数为1,去趋势波动指数的分段区间为30～500,平均的睡眠分期正确率可达92.87%,比基于复杂度、近似熵等算法的分类正确率提高约5%。     

可卡因戒断对大鼠睡眠结构和脑电功率谱的影响

目的: 探索可卡因戒断对睡眠觉醒活动的影响。方法: 大鼠体内植入无线发射器,用药前、停药第1 d(急性)、8 d(亚急性)、14 d(亚慢性)记录自由活动大鼠脑电波24 h。结果: 停药第1 d睡眠觉醒周期上升(P<0.05)。停药第8 d夜晚和白天,非快动眼睡眠(NREM)增加(P<0.05),快动眼睡眠(REM)下降(P<0.01);停药第14 d,NREM睡眠夜晚显著增加(P<0.01)而白天仅略加强,白天和夜间REM睡眠均明显下降(P<0.01)。停药期间白天和夜间总睡眠无明显变化。整个实验期间,NREM、REM睡眠和觉醒状态的δ、θ 和α脑电功率谱均无显著变化。结论: 可卡因戒断所致睡眠障碍主要由于快、慢波睡眠间而非睡眠与觉醒间异动。急性戒断造成睡眠觉醒间转换异常,而睡眠结构失调则发生在亚急性和亚慢性戒断期间。     

运动想象脑电信号特征提取与分类的黎曼方法研究

针对目前脑电信号分析与处理算法尚无法满足脑机接口技术的应用要求,本研究提出了一种基于黎曼空间的运动想象脑电信号特征提取与分类方法.该方法以脑电信号的功率谱密度矩阵作为特征,以黎曼距离作为不同种类脑电信号之间相似性/非相似性度量,使用K最近邻算法作为最终的分类方法,对不同运动想象脑电信号进行黎曼空间的分析与处理.为了验证...     

观看3D影像所致不适感的脑电功率谱特征分析

采集受试者脑电并进行分析,进而研究观看3D影像所致不适感反映在脑电中的特征信息,探讨脑电的功率谱特征与3D影像所致不适感之间的关联。采用2D和3D对比的方法,采集受试者观看2D影像和3D影像前、中及休息一段时间后的脑电,对两种观影条件下各时段的脑电信号进行功率谱及重心频率计算,进行统计学t检验,并设计主观感受信息问卷,作为脑电结果的对照分析。观看3D影像组的脑电功率谱在整个脑区都比2D影像组低,其重心频率在额叶区也较低,且存在显著性差异(P<0.05);而在休息后两者的脑电功率谱之间不存在显著性差异(P>0.05);此外,观看2D影像和3D影像均使主观感受信息的得分降低,且3D降低更多,但是两者之间没有显著性差异(P>0.05)。结论:脑电功率谱及重心频率与观看3D影像所致不适感有较强的相关性,相比于观看2D影像、观看3D影像时脑电功率谱及重心频率降低,其所致不适感通过主观感受问卷也可体现。脑电功率谱特征结合主观感受信息的分析,为研究评价观看3D影像所致感的指标提供了一定的基础数据。     

面向情绪脑电分析的增强型功率谱密度特征提取方法

针对功率谱密度在脑电情绪分析中存在特征单一且无法有效表示频率间差异的问题,提出一种增强型功率谱密度特征提取方法,实现对情绪的分析与差异显著性判断。该方法通过脑电信号的α频率功率谱密度得到功率谱密度图像,利用图像特征提取算法提取其颜色特征、纹理特征与相似性特征,再基于相关性准则剔除冗余特征,以差异显著性P值的最小平均值为目标,获得最终的特征子集,从而有效地融合了不同图像特征,最后对被试的情绪进行分析与差异显著性判断。试验结果表明,所提出的方法能够有效量化SEED数据集中被试的情绪差异;在自行设计情绪脑电试验中,与其他方法相比,利用所提出的方法得到的差异显著性值更小,证明了方法的可行性和有效性。     

考虑个体特征的非脑电睡眠分期

利用非脑电信号进行睡眠分期是睡眠医学的重要课题。提出一种自动分期算法,利用心率、呼吸率、血氧饱和度和体动信息。首先对前2种信号进行模式描述,形成描述单元;描述单元在规则库的指导下吸纳其他通道的特征,最终形成对应某个分期的完整描述;再用不确定推理的方法完成分期。实验表明,病人的分期符合率和健康人保持在同一个水平。整个算法模拟了人的思维过程,可扩充性强,具有良好的临床应用前景。