基于改进的伪Wigner分布检测癫痫EEG棘波的方法

本文提出了一种新的检测癫痫EEG棘波的方法，采用改进的伪Wigner分布对脑电信号进行时频变换，这种时频分布不仅能够有效地消除交叉项，而且可以快速实现，在时频平面上，以每个时间点上的中心频率划分背景脑电和癫痫样瞬态特征，通过一个镜像滤波器提取瞬态分量，最后，利用瞬态分量的能量局部极值检测棘波，临床应用表明，这种方法能够快速有效地从背景脑电中提取癫痫样瞬态特征。     

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。     

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。     

棘波分析地形图在癫痫诊断中的临床应用价值

对于癫痫的诊断，目前常用的影像学方法CT／MRI和PET／SPECT及电生理学方法EBG／BEAM都有其局限性。随着电子计算机在医学科学领域的应用，智能化的脑电信号处理系统获得迅速发展，棘波分析地形图(S-BEAM)为癫痫诊断提供了更客观、更灵敏的检查方法。     

一种基于经验模态分解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以及减轻医生的繁重劳动都具有重要的意义.我们提出一种基于经验模态分解(EMD)的癫痫特征波检测方法,该方法首先经过EMD分解得到若干个固有模态函数(IMF),然后对其中的第一个IMF应用非线性能量算子(NBO)进行特征波提取,从而达到自动检测的效果.在对数值模拟的和真实的癫痫脑电信号(EEG)的仿真实验中,该方法都取得了较好的结果.     

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。     

基于神经网络的波型检测方法

介绍了一种基于神经网络白化匹配滤波器的ＱＲＳ波检测方法。我们用神经网络白化匹配滤波器来处理ＥＣＧ信号的低频成分,模拟其非线性及非稳态的特性。处理后的信号中含有ＥＣＧ中大部分高频成分,让其通过一线性匹配滤波器来检测ＱＲＳ波及其位置。对于大噪声的ＥＣＧ信号,在匹配滤波器后加差分滤波,取平方及滑动平均等处理,提高检测正确率。使用这种方法我们对ＭＩＴ／ＢＩＨ心电信号数据库中噪声比较大的１０５号数据进行的处     

基于脑电棘波频次的癫痫发作预测算法

癫痫发作预测是近年来在神经科学领域中备受关注的课题.预测癫痫发作可以使医护人员或患者提前采取有效措施来预防和控制癫痫发作,在临床上具有重要意义.棘波是最基本的阵发性异常脑电活动,在分析和统计癫痫发作前期和发作期棘波频次不同表现的基础上,首次提出一种基于脑电棘波频次的癫痫预测算法.对脑电进行滤波以去掉高频干扰后,采用形态学滤波器检测脑电棘波数目,并计算各段脑电中棘波出现的频次,最后根据棘波频次的变化预测癫痫的发作.采用本算法对21例癫痫患者长程颅内脑电进行癫痫预测,准确率达到74.7％,每小时错误预测次数仅为0.111次.结果表明,所提出算法能够有效地预测癫痫发作.     

癫痫脑电棘波的小波变换模极大值对检测方法

本文首次将对小波变换模极大值对检测信号奇异点的理论应用于癫痫脑电信号,对棘波进行检测。采用二进样条小波脑电信号按Ｍａｌｌａｔ算法进行变换,分析含有奇异点的信号,即棘波,与其小波变换模数大值对的关系,对棘波进行识别。     

基于样本熵与人工神经网络的癫痫发作预测初步研究

针对目前癫痫预测多为回顾性离线研究,难以实现自动实时预测并应用于临床这一问题,进行癫痫发作实时预测的初步研究,探讨方法的可行性。提出了结合反向传播（BP）神经网络与样本熵分析进行癫痫发作实时预测的方法。首先基于临床癫痫患者发作前脑电数据计算样本熵,转化为样本熵时间序列;然后利用BP神经网络建立患者发作时间预测模型。BP神经网络模型对发作时间的预测与实际发作时间之间存在线性关系,基于样本熵值的预测结果的相关系数达到0.94以上。结合样本熵与人工神经网络算法,在脑电监测数据基础上对癫痫发作预测具有可行性,为进一步开发癫痫便携预警装置提供了基础,具有重要的潜在临床应用价值。     

基于小波变换并结合神经网络的癫痫发作预报

采用信号处理的方法分析脑电图以实现自动预报癫痫发作是该领域一个难题，至今进展不够显著。本研究将小波变换用于脑电信号的预处理，并与递归神经网络RNN相结合预测癫痫发作。通过比较三种不同的预处理方法，发现在小波变换域利用脑电信号α节律的能量谱可以实现发作预报，而进一步提取包络并作非线性变换可以有效地提高RNN的预报性能。     

基于形态学滤波器的棘波提取技术

本研究提出了一种基于形态学滤波器的脑电棘波检测方法。首先，选择三角形为结构元素，采用数学形态学中的级联开闭和闭开运算分别对脑电信号进行处理，去除癫痫样瞬态信号；然后对级联开闭和闭开运算采用平均加权的方法，消除统计偏倚现象，得到背景脑电信号；最后将处理结果和原始脑电信号做差，提取出脑电信号中的棘波。通过仿真信号的对比分析和临床癫痫脑电信号的应用，表明该方法适用于双向棘波的提取，与以往的方法相比，背景脑电的抑制能力更强，提取出的信号特征成分更完整。     

基于加权复杂网络度熵和的癫痫发作检测方法

癫痫发作检测一直是一项富有挑战性的工作,随着癫痫发病率的增加,高性能癫痫自动检测算法在临床上可以减轻医务工作者的工作量,具有重要的临床医学研究意义。提出基于加权水平可视图的癫痫检测新方法。首先利用加权水平可视图将单通道脑电信号转化为复杂网络,并提取生成的复杂网络的度的平方和权重度分布熵两个特征;最后将两个特征之和作为单特征输入到线性分类器中,用来识别癫痫间歇期和发作期信号。对波恩大学的癫痫脑电数据集进行实验,评价所提出的检测算法的性能。使用该癫痫脑电数据集间歇期和发作期各100个实验样本,样本长度为1 024。实验结果表明,所提出的方法具有较高的分类精度,可达到98.5%。由于分类的特征为单特征,所以更加简单高效,可用于癫痫发作在线自动检测。     

基于径向基函数神经网络的多电极阵列信号脉冲电位的分类

通过径向基函数神经网络的分析,对神经元脉冲电位信号提出了新的分类方法。对原始信号进行峰电位检测,获得脉冲电位信号样本,以主成分进行预分类,选取与类中心方差小的典型脉冲电位集合作为径向基网络的训练样本,让神经网络进行自适应学习,以实现对原始信号的分类。仿真结果表明,在对模拟的脉冲电位信号进行分类时此方法的错误率比主成分聚类法和形状聚类法小。多电极细胞外记录的海马神经元细胞电活动信号应用此方法分类也取得了较好的效果。     

基于自适应小波神经网络的心电图检测法

自适应小波神经网络检测法就是利用小波函数取代通常神经网络中隐层的作用函数来实现的，通过网络的学习自适应地调整尺度参数和时移因子，提高了特征提取能力，因此，该网络可提高心电信号的检测率和可靠性。     

胶囊内窥图像出血识别的BP神经网络算法

在大量的胶囊内窥图像中寻找出血区域或相关病理特征是一件非常费时费力的工作,使用计算机进行胶囊内窥图像出血区域智能检测是必然趋势。本文设计了一种BP人工神经网络应用于内窥图像出血模式的识别,并通过软件编程实现了基于BP神经网络的内窥图像出血区域智能检测的新方法。实验表明该方法能正确检测出内窥图像中的出血区域,从而将内窥图像分类为出血模式与非出血模式,达到了理想的效果。