近似熵与SVM在自动分类癫痫脑电信号中的应用

采用近似熵(ApEn)与支持向量机(SVM)相结合的方法对癫痫发作间歇期EEG和发作期EEG进行自动识别分类,通过分类结果来检验非线性动力学指标是否可有效运用于脑电癫痫波的自动实时探测中并验证由非线性动力学指标训练的分类器的泛化能力。研究使用参考患者的脑电数据构建SVM分类器,在此分类器的基础上,对其他患者的脑电数据进行分类得到结果。结果表明利用非线性动力学指标训练的分类器具有良好的泛化能力,对不同患者的脑电数据的平均分类准确率达到较高水平。     

近似熵应用于老年性痴呆患者脑电研究

运用非线性动力学分析方法对老年痴呆 (AD)患者与同年龄正常人的脑电 (EEG)近似熵进行分析。初步表明AD患者头皮各个导联处近似熵均显著低于正常人值。下降的相对幅值达 10 %～ 2 0 %左右。研究结果提示 :可考虑试用近似熵作为AD临床诊断的特异性指标 ,值得进一步深入研究。     

基于节律同化效应的思维脑电信号分类研究

通过对正弦调制光（SML）刺激和无刺激思维脑电信号的对比分类研究，探索了思维脑电信号的节律同化现象对思维脑电信号分类的影响。研究结果表明，大脑在SML刺激下进行思维作业时，思维EEG信号携带的与刺激频率有关的节律同化信息能提高某些思维作业的分类正确率，并且SML刺激产生的局部节律同化效应能减少用于提供分类信息的EEG信号的导联数。这些结果有利于提高基于思维作业脑-计算机接口（BCI）的通信准确率和速度。     

疑似脑死患者脑电信号的动态近似熵分析

研究基于脑电分析的脑死亡判定方法,对于早期发现非脑死亡患者和避免脑死亡误判具有重要的意义.作为脑死亡判定的一个指标,近似熵被引入到对疑似脑死患者脑电信号的分析中.本研究首先将现有的静态近似熵分析法扩展到动态近似熵分析法,并用来识别昏迷患者与脑死亡者,观察患者病状变化的过程.由于在采集脑电信号的过程中存在噪声干扰,所以在动态近似熵分析之前,引入小波分析法对脑电信号进行去噪的前处理.通过对实测患者数据的分析和验证,使疑似患者的不同状态和病状变化过程得以观察和识别.结果表明:昏迷患者与脑死者的脑电信号存在特征差异,昏迷患者的动态近似熵小于脑死者的动态近似熵.     

应用近似熵对睡眠脑电进行分期的研究

主要介绍了一种新的度量序列复杂性的统计方法－近似熵（ＡｐＥｎ）并将其于睡眠脑电的研究，提取出各睡眠期的近似熵特征，实验结果显示，从清醒期到ＮＲＥＭ期的Ⅲ，Ⅳ期，近似熵由最大依次减小，到ＲＥＭ期又回以接近，Ｉ，Ⅱ期，根据这一特征对睡眠脑电进行分期实验，得到良好的效果，说明近似熵是一种值得重视的，很有前景的复杂度度量方法。     

利用排列小波熵评价脑电信号中的爆发抑制水平

为了评价脑电信号的爆发抑制水平，本文从非线性动力学的角度出发，通过计算脑电信号的排列熵，再计算排列熵的小波熵，得到一种新的参数排列小波熵（PEWE）于量化脑电信号的爆发抑制水平。结果表明，在4例数据的测试中，PEWE与双谱指数模块输出的爆发抑制比指数的相关系数达0.942 5，因此，PEWE可以作为一种新参数来量化EEG信号的爆发抑制水平，为评价EEG信号的爆发抑制水平提供了新思路。 【关键词】脑电信号；爆发抑制水平；排列熵；小波熵     

基于变尺度符号传递熵的多通道脑肌电信号耦合分析

在运动控制中,脑肌电耦合强度可以反映大脑皮层和运动肌肉之间的联系。传统的时间序列符号化方法容易混淆原始信号,丢失信号的动态特性。因此,提出可变尺度参数的符号传递熵,对上肢不同握力下的皮层脑电和表面肌电信号进行多通道耦合性分析,进而提出一种耦合强度的表示方法,对脑肌电耦合强度进行定量分析。首先,分析并比较尺度参数对脑肌电传递熵的影响,并选择优化的尺度进行符号化传递熵的计算;其次,针对不同握力下多通道脑肌电信号的分析,验证大脑运动区C3、C4通道的脑电在运动控制中占主导地位以及大脑的对侧控制机制。实验中还发现,随着握力的增强,肌电到脑电的传递熵有增大趋势,右手(惯用手)脑电到肌电的传递熵较左手的高,同时随着输出力量的增强,脑肌电的双向平均耦合强度也增大。结果分析显示:5、10、20 kg握力下, EMG→EEG方向的左手耦合强度分别为0.033 0±0.005 8、0.037 3±0.004 0、 0.045 1±0.005 5,右手耦合强度分别为0.035 2±0.002 9、0.043 2±0.003 5、0.060 3±0.001 8,除左手5和10 kg握力间不存在显著性差异,其余都具有显著性差异(P<0.05); EEG→EMG方向左手耦合强度分别为0.025 3±0.004 7、0.037 9±0.002 6、0.048 1±0.006 8,右手耦合强度分别为0.033 3±0.004 1、0.051 0±0.005 7、0.064 9±0.008 5,不同握力间均有显著性差异。研究结果表明:皮层肌肉功能耦合具有双向性,而且耦合强度在通道和握力不同时有差异。变尺度传递熵可用于定量描述大脑皮层与神经肌肉组织之间的非线性同步特征及信息交互。     

基于复杂性测度的EG初步研究

利用两种复杂性测度的方法对正常人和病人不同大脑负荷状态下的EEG进行了分析。一种是Kaspar和Schuster定义的复杂度算法，一种是新的度量序列复杂度的统计方法－近似熵。通过对若干例在四种不同 实验状态下的EEG信号的分析，表明可通过两种算法的数值变化有效地分辨大脑的状态：正常或病理以及不同的负荷状态。而且两种复杂性测度算法的变化规律相同。显示出两种复杂性测度的算法在EEG序列的研究和临床诊断中有广阔的应用前景。     

基于带参考信号的ICA算法的脑电信号眨眼伪差的分离研究

独立分量分析（ICA）是一种从混合信号中提取统计独立的分量的一种方法.本研究提出了一种基于带参考信号的ICA算法的脑电信号眨眼伪差的分离方法,可以得到纯净的脑电信号.这个方法的主要思路是：先选取一导眨眼伪差比较明显的数据,从中获得眨眼伪差的参考信号,再用ICA方法把眨眼伪差第一个提取出来,最后得到消除伪差后的EEG信号.详细讨论了使用带参考信号的ICA算法消除眨眼伪差的方法与步骤,并给出了应用于真实信号的实验结果.     

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.     

基于复杂性测度的EEG初步研究

利用两种复杂性测度的方法对正常人和病人不同大脑负荷状态下的 EEG进行了分析。一种是 Kaspar和 Schuster定义的复杂度算法 ,一种是新的度量序列复杂度的统计方法 -近似熵。通过对若干例在四种不同实验状态下的 EEG信号的分析 ,表明可通过两种算法的数值变化有效地分辨大脑的状态 :正常或病理以及不同的负荷状态。而且两种复杂性测度算法的变化规律相同。显示出两种复杂性测度的算法在 EEG序列的研究和临床诊断中有广阔的应用前景     

Approximate Entropy Analysis of Electroencephalogram

Based on the time-delayed embedding method of phase space reconstruction, a new method to compute the approximate entropy(ApEn) of electroencephalogram (EEG) is proposed. The computational results show that there are significant differences between epileptic EEG and normal EEG in the approximate entropy with the variance of embedding dimension. This conclusion is helpful to analyze the dynamical behavior of different EEGs by entropy.     

早老性痴呆的脑电复杂度与近似熵特征分析

利用两种复杂性测度的算法(复杂度与近似熵)对早老性痴呆(AD)病人和正常人的脑电进行分析,并绘制脑电信息图(BIM).通过对比表明AD患者头皮绝大多数导联处EEG信号的复杂性测度值均显著低于同龄正常人,平均有20%～40%的降幅,而且信息图灰度值都小于正常人.研究结果提示EEG的复杂性测度与大脑功能状况有一定联系,在一定程度上可以反映大脑功能状态的变化.     

基于小波包分析的意识任务特征提取与分类

将基于小波包变换的多尺度分析方法应用于自发脑电 (EEG)的特征提取。在对 3种意识任务的脑电信号进行多级小波包分解的基础上 ,将不同尺度空间的能量信号作为特征值 ,组成不同意识任务的特征向量 ,并利用径向基函数神经网络进行分类测试。结果表明 ,小波包变换方法的分类正确率高于自回归模型方法。小波包分析方法可以作为不同意识任务脑电信号特征提取的一种新方法 ,具有较强的稳定性     

睡眠脑电的关联维数和近似熵分析

睡眠的正确分期是睡眠研究的基础,脑电的非线性参数可以表征不同的睡眠状态。本研究计算睡眠脑电的关联维数和近似熵,通过统计和比较发现关联维数不随嵌入维数的增加而饱和,但其相对大小能有效区分各种睡眠状态;近似熵计算简单,性能稳定,可较好地表征不同睡眠期;相对关联维数和近似熵从不同角度表现了脑电(大脑)复杂性的相同演变规律清醒时复杂性最高,而且波动最大,随着睡眠加深,复杂性降低且变异减小,REM期复杂性基本介于S1期和S2期之间。     

Mental EEG Analysis Based on Infomax Algorithm

The patterns of EEG will change with mental tasks performed by the subject. In the field of EEG signal analysis and application, the study to get the patterns of mental EEG and then to use them to classify mental tasks has the significant scientific meaning and great application value. But for the reasons of different artifacts existing in EEG, the pattern detection of EEG under normal mental states is a very difficult problem. In this paper, Independent Component Analysisis applied to EEG signals collected from performing different mental tasks. The experiment results show that when one subject performs a single mental task in different trials, the independent components of EEG are very similar. It means that the independent components can be used as the mental EEG patterns to classify the different mental tasks.     

样本熵及在脑电癫痫检测中的应用

对癫痫进行检测和预报具有非常重要的临床意义。首先采用近似熵对癫痫患者的脑电信号进行分析，探索运用近似熵进行癫痫检测的可行性。针对近似熵存在的问题，选用一种与近似熵类似但精度更好的方法一样本熵，并同近似熵就在癫痫脑电信号中的应用进行了比较分析。结果显示癫痫发作时脑电信号的近似熵和样本熵均明显低于发作前和发作后。样本熵的变化幅度明显大于近似熵，样本熵的变化幅度相对于近似熵提高了约10％～25％。