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%。     

基于去趋势波动分析的脑电信号睡眠分期

目的验证去趋势波动分析方法应用于脑电信号的有效性。方法分别提取睡眠分期的脑电信号,利用去趋势波动方法对睡眠状态脑电信号的标度特征进行对比研究。结果从睡眠1期~睡眠4期标度指数随着睡眠程度加深而逐渐增大,脑的动力学活跃性随之降低。结论去趋势波动分析方法对不同睡眠状态有一定的区分度。     

基于脑电功率谱密度和随机森林的自动睡眠分期方法

采用深度学习技术实现睡眠自动分期计算复杂度较高，且需大量数据支撑。本文提出一种基于功率谱密度和随机森林的自动睡眠分期方法，先提取脑电信号6种特征波（K复合波、δ波、θ波、α波、纺锤波、β波）的功率谱密度作为特征，然后利用随机森林分类器实现5种睡眠状态（W、N1、N2、N3、REM）自动分类。采用Sleep-EDF数据库中健康受试者整晚睡眠脑电数据作为实验数据，对比了使用不同输入通道脑电信号（FpzCz单通道、Pz-Oz单通道、Fpz-Cz+Pz-Oz双通道）、不同分类器（随机森林、自适应增强、梯度提升、高斯朴素贝叶斯、决策树、K近邻）、不同训练集与测试集划分方法（2折、5折、10折交叉验证及单个受试者）对分类效果的影响。实验结果表明，当采用Pz-Oz单通道脑电信号和随机森林分类器时效果最好，无论怎样变换训练集与测试集，分类准确率都达到90.79%以上，总体分类准确率、宏观平均F1值、Kappa系数最高分别可达到91.94%、73.2%、0.845，证明该方法是有效的，且不易受数据量影响，具有较好的稳定性。与已有研究相比，该方法分类准确率更高、实现更简单，适用于自动化。     

睡眠脑电信号的非线性动力学分析

睡眠与健康、工作、学习等之间的关系甚为密切。由于脑电(EEG)是描述睡眠过程中最显著和最直观的信号,所以睡眠脑电是研究睡眠的重要且有用的工具。其中睡眠分期研究对评估睡眠质量重要。由于脑电活动自身的复杂性,因此采用非线性方法处理会有比较好的结果。本文简单介绍了睡眠与脑电的关系,重点介绍了几种非线性动力学方法,包括李亚普诺指数、复杂度、相关维数、近似熵等,并介绍了它们对睡眠脑电信号进行特征处理的情况,发现在不同的睡眠期,计算出的结果呈现一定的变化规律。     

基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳.提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难...     

脑电信号伪迹去除的研究进展

脑电(EEG)是一种反映大脑活动的生物电信号,由于它具有很高的时变敏感性,在采集时极易受到外界的干扰.如眼球运动、眨眼、心电、肌电等都会给真实的脑电信号加入噪声(伪迹).这些噪声给脑电信号的分析处理带来了很大的困难.从剔除EEG中的各种伪迹到去除噪声的效果评估研究者们都提出了很多方法.本文回顾了近些年提出的去除各种脑电信号伪迹的方法,包括回归方法、伪迹减法、主成分分析、独立变量分析和小波变换等,同时总结了各种方法的应用前提及各自的优点和不足,并对脑电信号的伪迹去除方法进行了展望.＃     

基于能量特征和模糊熵的睡眠自动分期

目的:为实现有效睡眠自动分期,提出一种基于脑电能量特征和模糊熵的睡眠分期方法。方法:首先利用小波变换进行脑电信号去噪,再利用FIR带通滤波器提取脑电信号的特征波,获得能量特征,并提取脑电信号的模糊熵,最后利用支持向量机进行模式识别。结果:能量特征值和模糊熵值随着睡眠状态的变化而不同,睡眠各期可以根据特征值的不同而得到有效区分,通过对1 140个脑电信号样本进行睡眠分期,得到的平均准确率为88.45%。结论:基于脑电能量特征和模糊熵的睡眠分期方法简单、有效,具有良好的临床应用价值。     

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。     

抑郁症自发脑电信号特异性研究进展

自发脑电（EEG）信号反映了大脑皮层神经元细胞群自发性、节律性的电生理活动,含有丰富的生理与病理信息,是临床脑神经与精神疾病诊断的重要依据。文中从频域分析、非线性动力学分析和因果性、同步性、独立成分分析等方面,综述了抑郁患者症自发EEG信号特异性研究进展并探讨了可能发展动向。抑郁症患者EEG信号频域分析方法,受性别、年龄及方法本身的限制,结论差异较大。非线性动力学及其他分析方法,得到了相对可靠的特异性分析结果,且部分参数变化与抑郁症状的临床变化有显著的相关性,有望为客观评价抗抑郁药物治疗效果提供新的检测手段,值得进行深入研究。     

运动想象脑电信号算法研究进展

对脑电信号的研究,不仅可以提高人们对大脑的认知程度,还能够建立大脑与外界沟通的新途径。本文从运动想象脑电信号的特点出发,首先概述了近年来运动想象脑电信号分析与处理算法的发展状况,及脑电信号的特点;然后,着重分析了近年来常用的运动想象脑电信号特征提取与识别方法相关处理算法的优势、不足及其适用条件,包括功率谱分析法、小波分析法、样本熵法和共同空间模式法,以及线性判别、支持向量机等4种分类器;最后,总结了目前运动想象脑电信号处理算法发展中存在的识别种类单一,识别率不高,自适性不足等问题,探讨了运动想象脑电信号进一步研究的思路。     

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。     

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。     

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].     

基于改进多元多尺度熵的癫痫脑电信号自动分类

传统样本熵很难量化信号本身固有的远程相关性,虽然多尺度熵能够检测数据内在相关性,但其多用于单变量信号。多元多尺度熵作为多尺度熵在多元信号上的推广,是非线性动态相关性的一种反映,但是传统的多元多尺度熵计算量大,对于通道数较多的系统需要耗费大量的时间和空间,并且无法准确地反映变量间的相关性。本文提出的改进的多元多尺度熵,将传统的多元多尺度熵针对单个变量的嵌入模式改为对所有变量同时嵌入,不但解决了随着通道数增加内存溢出的问题,也更适用于实际多变量信号分析。本文方法对仿真数据及波恩癫痫数据进行了试验,仿真结果表明该方法对相关性数据具有良好的区分性能;癫痫数据实验表明,该方法对5个数据集均具有较好的分类精度,其中对数据集Z、S的分类精度达100%。     

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。     

脑肌电信号同步耦合分析方法研究进展

运动神经系统通过神经振荡活动传递运动控制信息,从而引起相应肌肉的同步性振荡活动并反映运动响应信息,然后反馈至大脑皮层,使其能够感知肢体的状态。这种同步振荡活动可反映皮层肌肉功能耦合的连接信息。其中,耦合的强弱由多种因素决定,包括肌肉收缩的力量、注意力、运动意图等,因此分析不同因素影响下的脑肌电信号同步耦合的强弱对运动功能评价及控制方法等研究有重要意义。针对脑肌电信号同步耦合的分析方法,本文主要介绍与比较了线性方法中的相干性分析和格兰杰因果分析,以及非线性方法中的互信息以及传递熵,总结了各方法在脑肌电信号同步耦合的应用研究,以便于相关领域的科研工作者更系统地了解目前脑肌电信号同步耦合分析方法的研究进展。     

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。     

基于脑电信号分析的癫痫特征检测方法及研究进展

癫痫特征的自动检测在临床上有很重要的意义,可以减轻医疗工作者的劳动量。本文综述和分析了癫痫特征检测的各种方法,包括非线性滤波、模板匹配、拟态法等传统的方法和小波变换、神经网络等近年发展起来的新方法。     

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。