基于多重分形去趋势波动分析的脑电信号特征提取及分类方法

目的:针对脑电信号普遍存在的数据维度高、难以预测的问题,提出一种多重分形去趋势波动分析特征提取方法与长短时记忆网络（LSTM）相结合的脑电信号分类方法。方法:首先对信号样本进行多重分形去趋势波动分析计算得到脑电信号样本的多重分形谱,计算广义Hurst指数hq和广义维数Dq之间的函数关系;然后对多重分形谱进行分析,找出最具代表性的坐标值作为信号的特征向量;最后将其用于LSTM进行训练和分类测试。实验采用波恩大学采集的经过处理的癫痫脑电数据集。结果:当训练样本占总体样本比例超过10%之后,LSTM分类器的测试准确率均稳定在98%以上;当占比超过80%时LSTM分类器的测试准确率达到了100%;即使训练样本较少时也有95%之上的准确率。结论:该算法有良好的准确率和稳定性。     

心律失常的多重分形去趋势波动分析

目的心律失常的及早诊断对及时救助病人具有重要意义.方法基于多重分形去趋势波动分析方法,本文对正常心电信号及窦、房性心律失常信号进行分析.结果发现三种信号都具有不同程度的长程相关性和多重分形特性,且在波动函数的阶数为正值时,三种信号的长程相关特性最为明显.通过比较三种信号的多重分形谱,发现正常心电信号的多重分形谱宽度最小,窦性心动过缓信号次之,心房颤动宽度最大.结论此研究结果对临床医学诊断区分心律失常与正常心电信号有很好的借鉴意义.     

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%。     

睡眠生理参数的去趋势波动分析

去趋势波动分析(DFA)适宜于研究各类非稳态时间序列的长程幂函数相关性。我们采用DFA方法分析脑电、心电RR间期序列和搏出量等睡眠生理参数,计算定标指数α,研究各睡眠阶段的特点。实验结果显示,各睡眠阶段的α值具有明显的差异,脑电和搏出量信号的规律相似,α随睡眠加深而增大,而RR间期序列的规律则相反,α随睡眠加深而减小。表明DFA在生理参数分析中具有良好的应用价值。     

基于去趋势波动分析(DFA)的脑卒中后抑郁症静息脑电特征提取与识别

为考察脑卒中后抑郁症(PSD)患者静息态脑电(EEG)特异性,通过去趋势波动分析(DFA),提取16导联EEG信号波动函数F(s)和区间长度s函数关系在双对数坐标中线性拟合斜率之标度指数α值,作为EEG信号的长程幂函数相关性特征参数.将3类人群(健康正常组10人、脑卒中后无抑郁症组4人、脑卒中后抑郁症组7人)的16导联EEG信号α值作为样本进行独立样本t检验,结果显示,健康人与脑卒中患者在顶叶、颞叶以及枕叶处α值存在显著性差异(P＜0.05);利用支持向量机(SVM)分类器,将EEG信号DFA的α值放入16维特征空间在脑卒中患者组(含抑郁症与无抑郁症)内进行模式识别,可获得最高90.9％的分类正确率,有望为临床PSD提供客观有效的辅助诊断新手段.     

利用心率的去趋势波动分析提取睡眠呼吸暂停低通气综合症患者的睡眠结构信息

以经基于心率变异性的睡眠分期大都是针对健康人进行的,拟利用心率变异性分析睡眠呼吸暂停低通气综合症(SAHS)病人的睡眠结构.根据微动敏感式床垫式睡眠监测系统(MSMSMS)所得10名健康者的心率和30名不同程度SAHS患者的心率,利用去趋势波动分析(DFA)方法,计算他们在各睡眠阶段的标度指数.实验结果显示,SAHS患者各个睡眠阶段的标度指数具有明显差异,与健康者也有不同,为基于心率变异性对SAHS患者进行睡眠分期以及SAHS患者的判定提供了依据.     

独立分量分析及其在脑电信号预处理中的应用

作为盲源分离（blind source separation,BSS)的一种新的方法。独立分量分析（independent component analysis,ICA)受到国内外信息处理领域科技工作者的广泛关注,本文简要介绍了独立分量分析的基本思想及算法。并将独立分量分析用于脑电信号的预处理中,成功的分离出脑电信号中的心电干扰。     

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。     

径向基函数神经网络在脑电信号建模中的应用

详细介绍了径向基函数神经网络在脑电倍建模中的应用，描述了径向基函数神经网络的结构与算法，通过与反向传播算法神经网络在脑电建模中的应用进行对比，并经计算机仿真发现径向基函数神经网络较适用在脑电信号这类非线性系统建模。     

基于小波包分解的不同状态下脑电信号分析

本文针对脑电信号的非平稳性,引入小波包分解理论处理临床脑电.根据脑电信号的不同节律特性,提出应用小波包分解构造不同频率特性的时变滤波器,提取脑电信号不同节律的动态特性,并由此构造各种节律的动态脑电地形图.为了研究不同脑功能状态下脑电信号各种节律的动态特性,文中对两组不同的临床脑电数据进行分析,比较两种状态下各种节律的动态特性.实验结果表明,利用小波包分解对脑电信号进行滤波,能够有效提取临床脑电不同节律的动态特性,为分析脑电信号提供一条新的途径.     

癫痫大鼠脑电信号的除趋势涨落分析

除趋势涨落分析(Detrended fluctuation analysis,DFA)是一种较新的非稳态时间序列长时程暂态相关(Long-range temporal correlation,LRTC)结构特征分析方法,人们已将它初步应用于正常脑电信号和疾病脑电信号的相关性分析之中,取得了一些有意义的结论.我们用DFA方法分析了匹罗卡品痫样放电大鼠模型的不同脑区和不同脑功能状态下脑电演化行为的参数--标度指数,结果表明:癫痫大鼠从无痫样放电到连续痫样放电再到周期痫样放电的过程转变中,4个脑区(左皮层、右皮层,左海马、右海马)的标度因子分别从约0.97到0.82再到0.94变化,配对样本T检验表明,同一脑区不同脑功能状态间的标度因子有显著性差异(P＜0.05),提示这三种脑功能状态的局部神经网络动力学可能不同.对三种不同的脑功能状态,标度因子在不同脑区上没有显著性差异(P＞0.05).     

基于回声状态网络的脑电信号特征提取

在脑电(EEG)信号自动检测和分类的研究中,EEG信号的特征提取至关重要。本文分析了目前主要EEG信号特征提取方法的优缺点,并提出了一种基于回声状态网络(ESN)的EEG信号特征提取方法。该方法可以实现EEG信号的非线性特征提取,并且其特征提取过程是近似可逆的,因而在特征提取过程中损失的信息较少。该方法在EEG信号特征提取过程中,主要计算量是求解状态矩阵的伪逆,计算简单高效。在对波恩大学癫痫研究所的EEG数据库进行多类别分类的实验中,本文所提出的EEG信号特征提取方法展现出了良好的性能。     

一种基于脑电信号的疲劳驾驶状态判断方法

通过研究疲劳驾驶时脑电信号的特征,提出了一种基于独立分量分析（independent component analysis,ICA）的脑波疲劳状态判断方法.利用模拟驾驶系统,采用NT-9200动态脑电仪采集驾驶员在清醒和疲劳状态下（连续驾驶4h以上）的脑电信号,对采集的多导信号进行独立分量分析,去除EEG信号中的眼电、肌电及工频等干扰,经过快速傅里叶变换（fast fourier transform,FFT）后计算出脑波中多种功率谱密度,求得疲劳指数F.实验结果表明,在疲劳状态下的疲劳指数F明显高于清醒状态下的F.本文提出的脑波疲劳状态判断方法可有效用以判断驾驶员的疲劳程度.     

快速独立分量分析及其在脑电信号处理中的应用

独立分量分析(Independent Component Analysis, ICA)是一种基于信号统计特性的盲源分离方法,由于其分离的信号之间是互相独立的,所以在生物电信号去除干扰和伪迹、信号分离以及特征提取等方面有很大的潜在价值.本文提出了一种改进的快速ICA方法,提高了收敛速度.通过仿真,证明这种方法的优越性.最后利用该方法去除脑电中眼动伪迹,达到了较好的效果.     

高频成分在思维作业脑电信号分类中的应用

采用独立分量分析(ICA)去除脑电伪迹,AR模型提取信号特征、BP神经网络用于模式识别,对2~5种思维作业脑电信号进行了分类研究。研究结果的重要发现是:对于经过ICA去伪迹后的EEG信号,当分类特征取自20~100 H z的高频范围时,分类准确率很高,与特征取自整个信号频段的分类结果大致相等,且大大超过利用2~35 H z的低频EEG节律进行的分类。对于这一现象的解释是,不同思维作业过程中,大脑在工频电场作用下产生了不同的节律同化反应,致使EEG信号的高频部分带有更显著的思维调制信息,从而有利于提高分类准确率。这一现象的发现,为脑电节律同化反应提供了新的证据,也为思维脑电的高准确率分类和高精度脑-机接口的实现提供了新的方法。     

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。     

基于相位斜率指数的脑电信号方向研究

目的将相位斜率指数(phase-slope index,PSI)算法应用在健康及癫痫患者的脑电数据上,分析导联间信息流的方向和强度,拟为临床医学研究癫痫提供借鉴方法。方法首先在相位斜率指数理论方法的基础上研究了不同脑区间的信息流向的因果关系,并取合适的阈值2作为有效结果;然后对来自军区总医院采集的健康人和癫痫患者的最新脑电数据进行分析,用t检验方法考量健康数据和癫痫数据所得到的有效结果百分比是否具有显著性差异。结果左右区没有明确的方向,前后区在alpha频段有清晰的从前到后的方向;在宽带方法(所有频率)下,健康人数据所得到的有效结果百分比与癫痫患者数据所得到的有效结果百分比的差异无统计意义;在窄带方法(alpha频段)下,健康人数据所得到的有效结果百分比要高于癫痫患者数据所得到的有效结果百分比。结论基于相位斜率指数的脑电信号研究方法得出两种信号的有效结果百分比的差异有统计意义,对临床医学分析癫痫数据具有借鉴意义。     

机器学习与脑电信号分析相结合的眩晕状态分类

背景：脑电图是临床上检测及分析眩晕的一种常用手段,目前多采用单极或多级导联描记并分析脑电频率是否异常。但眩晕的脑电活动过程是异常复杂的,仅采用频率快慢分析的方法,很难对眩晕状态进行准确的分类和检测。目的：将机器学习与脑电信号分析相结合对眩晕状态进行分类,这对眩晕的诊断具有一定的研究意义和临床应用价值。方法：采用无创的前庭功能调节技术前庭电刺激制造可逆的眩晕状态,刺激电流强度为1,2,4倍皮肤感知阈值,被试在不同强度电流刺激后需填写眩晕残障量表,根据眩晕障碍量表评估结果将眩晕症状分为不同的等级,以此作为脑电分类有监督学习的数据标签。采集刺激后的脑电信号,通过小波变换提取脑电信号的小波能量以及小波熵的样本特征,利用多种机器学习分类模型对有无眩晕以及不同等级眩晕的样本特征进行分类。结果与结论：（1）通过对多种分类模型分类结果的对比发现：基于脑电信号小波变换特征的有监督学习分类可以实现是否眩晕和眩晕等级的二分类和多分类;（2）随机森林分类模型较逻辑回归模型、支持向量机模型、反向传播神经网络模型在眩晕检测的二分类以及多分类问题上表现出较高的准确率,其中二分类准确率最高可达82.5%,操作特性曲线...     

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.