诱发电位提取的聚类分析和小波去噪复合方法

本文研究了提取诱发电位的一种复合方法,它用聚类方法对诱发电位信号进行筛选,将筛选出的信号进行叠加以消除测试数据不一致性对叠加结果的影响.然后利用小波方法进一步去除噪声,提高信噪比.文中介绍了模糊聚类方法和小波去噪理论,并通过仿真计算来评估提取效果.仿真计算表明该方法可减少测试次数,提高信噪比,对视觉脑干诱发电位处理结果显示,该方法的实际处理效果良好.     

利用小波分析技术提取诱发电位的方法研究

本文利用小波分析技术对诱发电位的提取进行了探讨，选用基于三次Ｂ样条的正交小波构造共轭滤波器函数，将诱发信号分解在不同的惊讶上，将特定尺度上的信号按时变加权原则叠架后获取诱发信号。计算机仿真和人体实验表明该方法在减少刺激次数，提高信噪比方面有着明显的效果。     

基于多分辨分析与连续小波变换提取和分析兔体感诱发电位

研究单次提取兔体感诱发电位,并定位和分析诱发电位波形成分。麻醉兔,以0.5Hz频率电脉冲刺激兔下肢隐神经,3764Hz采样率收集兔头皮电位。采用一维多分辨分析提取兔体感诱发电位,并用连续小波变换定位和分析诱发电位波形成分。单次诱发电位的小波变换与叠加平均诱发电位比较,表明Daubechies小波多分辨分析可以单次提取诱发电位。连续小波变换能够精确定位诱发电位中波形成分,并可采用连续小波变换分析诱发成分的频域特性。连续小波变换技术把一维时域信号投影到二维时频空间研究将成为医学信号处理的一个有用方法。     

诱发电位快速提取方法及进展

每次刺激所产生的诱发电位的峰值和潜伏期以至波形是时变信号。随着信号处理技术的发展,诱发电位的提取方法由传统的平均叠加方法,向逐步减少累加次数,最终实现单次提取诱发响应波形,实现动态提取诱发电位的方向发展,因此对诱发电位的少次以至单次提取成为生物医学信号处理领域备受关注的一个研究课题。对近年来快速提取诱发电位的信号处理方法进行了简要的回顾,并分别从自适应滤波、小波变换、神经网络及独立成分分析等4个方面对算法进行了介绍。     

噪声中EP信号的提取算法及研究进展

诱发电位的提取是脑电信号处理领域的前沿课题近年来 ,通过少次甚至单次试验提取诱发电位已经成为研究的主流。本文对近年来提取诱发电位的信号处理方法进行了简要的回顾 ,并分别从小波变换、神经网络、高阶累积量、独立分量分析等四个方面对算法进行了介绍     

基于AAA-ICM技术的视觉闪光诱发电位单次提取新方法的仿真研究

目的:利用计算机仿真人体脑电背景信号和人视觉诱发电位信号,验证基于自参考、自相关、自适应干扰对消理论(AAA-ICM)的诱发电位单次提取新方法。材料与方法:用Delphi语言编程仿真脑电背景信号与视觉闪光诱发电位信号,实现AAA-ICM算法提取诱发电位信号,用信号的功率值及相关系数衡量提取效果。结果:仿真结果表明使用该方法,可以从带有强的自发脑电干扰信号中单次提取出诱发电位信号。结论:与传统的叠加平均提取方法相比,简化了提取方法,改善了提取质量。     

诱发脑电信号的滤波－基于小波分析与维纳滤波

本文提出一种新的时变滤波方法，利用小波变换将一维瞬态时变信号变换到时频域，构成信号的时变谱。然后将后验维纳滤波推广至时频域，形成后验时变滤波。此方法应用于诱发电位的提取，证明具有良好的效果。     

听觉诱发电位提取方法的研究与分析

论述了运用小波变换进行听觉诱发电佗单次提取的原理、方法和实验分析。结果表明，对单次试验信号，经小波变换及相关分析后，可从带自发脑电干扰的信号中提取诱发电位信号。小波变换分析方法与传统的叠加平均方法相比，可减少试验次数，缩短检测周期。     

听觉诱发电位信号分析技术进展

听觉诱发电位(AEP)信号的提取技术是生物医学工程领域和信号处理领域长期以来一直关注的问题。本文综述了听觉诱发电位信号处理技术的一些新进展，主要介绍了功率谱估计、自适应处理方法、小波变换法、混沌理论、人工神经网络、正则化方法、独立分量分析7种处理方法，这些方法都致力于少次刺激、高质量提取听觉诱发电位信号，充分地展示了听觉诱发信号处理技术高效提取的前景。     

诱发脑电信号的滤波——基于小波分析与维纳滤波

本文提出一种新的时变滤波方法，利用小波变换将一维瞬态时变信号变换到时频域，构成信号的时变谱。然后将后难维纳滤波推广至时频域，形成后验时变滤波。此方法应用于诱发电位的提取，证明具有良好的效果。     

基于自适应动态特征库的P300诱发脑电单次提取算法研究

目的 诱发电位的单次提取技术一直是脑电信息处理领域的难题之一,为进一步提高单次提取算法的时间准确性和特征精度,针对体感诱发脑电数据信噪比低、试次间参数变化大的特点,研究诱发脑电参数单次提取新算法,保留试次间诱发脑电的动态特性,并提高估计准确率.方法 基于小波滤波和多元线性分析技术,加入自适应动态特征库并由此提出的诱发脑电P300参数单次提取新方法.随机选取4组小波滤波(WF)后诱发脑电数据,分别叠加平均后进行主成分分析(PCA)组成特征库.单次提取时,针对每试次数据从特征库中选择与当次诱发脑电信号相关系数最高的成分作为自变量开展多元线性回归分析,由回归分析结构重构出单次诱发电位信号并自动提取潜伏期和幅值等关键特征.结果 与专家判定的基准数值相比,新算法预测的P300成分潜伏期与幅值参数更准确,两者的平均差值分别为(11.16±8.60) ms和(1.40±1.34)μV;与常用的叠加平均法结果亦更为接近,平均差值分别为(23.26±25.76) ms和(2.52±2.50) μV,新算法相比传统多元线性回归分析算法具有显著优势.结论 将动态更新的诱发脑电数据主成分样本库应用于小波滤波与多元线性回归方法,能有效保留单次诱发脑电数据中的动态特征,从而提升参数估计的准确率.     

癫痫脑电特征波的综合检测分类方法研究

本文将小波变换、人工神经网络、专家规则判据等多种检测方法有机地结合起来 ,用于癫痫脑电特征波的检测与分类 ,以充分发挥不同方法的优势。这种综合检测分类方法是先将预处理的多导脑电时间序列经小波变换将脑电中癫痫特征波在不同尺度下分离出来 ,再对选出的癫痫嫌疑波进行特征参数提取 ,然后把特征参数送入已经训练好的人工神经网络进行分类识别 ,最后再由专家规则判断筛选并作出检测分类统计报告。研究表明 ,该方法具有很好的信号特征提取和屏蔽随机噪声能力 ,获得了较好的检出率 ;尤其适合于非平稳、非线性生物医学信号的检测分类 ,值得进一步深入研究     

基于自相关约束的信号波形估计及其在诱发电位提取中的应用

从观测数据中估计源信号的波形一直是信号处理领域中的一个重要问题.利用源信号的时间自相关函数构造一个非线性方程组,借助大规模数值计算方法,把原来直接估计源信号这样一个较困难的问题,转化为估计迭代初始值与源信号时间自相关函数的问题.使用小波模极大值法,估计迭代初始值与源信号时间自相关函数,再对方程组迭代求解,收敛后的结果即为对源信号的估计.将该方法应用于诱发电位的单通道、单次提取实验,在信噪比为0 dB时,提取结果与源信号的相关系数约为0.93,对幅度与潜伏期的估计都比较准确.实验结果表明,算法性能受迭代初始值估计精度与源信号时间自相关函数估计精度的影响,受前者影响较小,而受后者的影响相对较大.     

Classification of frontal cortex haemodynamic responses during cognitive tasks using wavelet transforms and machine learning algorithms

Recent advances in neuroimaging demonstrate the potential of functional near-infrared spectroscopy (fNIRS) for use in brain–computer interfaces (BCIs). fNIRS uses light in the near-infrared range to measure brain surface haemoglobin concentrations and thus determine human neural activity. Our primary goal in this study is to analyse brain haemodynamic responses for application in a BCI. Specifically, we develop an efficient signal processing algorithm to extract important mental-task-relevant neural features and obtain the best possible classification performance. We recorded brain haemodynamic responses due to frontal cortex brain activity from nine subjects using a 19-channel fNIRS system. Our algorithm is based on continuous wavelet transforms (CWTs) for multi-scale decomposition and a soft thresholding algorithm for de-noising. We adopted three machine learning algorithms and compared their performance. Good performance can be achieved by using the de-noised wavelet coefficients as input features for the classifier. Moreover, the classifier performance varied depending on the type of mother wavelet used for wavelet decomposition. Our quantitative results showed that CWTs can be used efficiently to extract important brain haemodynamic features at multiple frequencies if an appropriate mother wavelet function is chosen. The best classification results were obtained by a specific combination of input feature type and classifier.     

基于单通道FVEP提取的虚拟式颅内压无创检测仪器的实现

研究单通道FVEP信号提取的综合分析方法及其应用。考虑单通道FVEP信号提取的特殊性,引入了参考源通道以满足独立分量分析的应用条件,从而实现单通道FVEP信号与背景EEG噪声的分离;考虑参考源通道与实际检测中的背景噪声不完全匹配而可能带来的消噪效果不理想的问题,利用叠加平均技术与叠加次数的平方根成正比的特性,通过少次的叠加来进一步提高单通道FVEP信号的信噪比;最后利用多分辨率小波变换的多分辨率特性,实现FVEP信号的有效提取。此方法用于虚拟式颅内压无创检测分析仪的临床实验证明了本方法在实现颅内压无创检测方面的有效性。     

基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取

目的乳腺癌的早期发现对患者意义重大。为帮助医生进行乳腺癌的早期检查和诊断,本文提出利用小波分析与图像纹理特征提取相结合的方法来提取乳腺X线图像微钙化点区域,在提高检查准确性的同时避免漏检误检。方法首先利用灰度共生矩阵所提取的能量、熵、对比度、相关性以及小波分解后得到的各层高频系数的方差、能量作为图像的特征向量,然后利用支持向量机进行训练建立最优分类模型。最后利用建立的最优分类模型实现乳腺X线图像微钙化点区域的提取并利用检出率和误检率对结果进行评估。结果使用临床数据进行验证,结果表明利用小波分析与图像纹理特征提取相结合的方法能有效提取乳腺图像中的微钙化点区域。结论基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取方法比单一的图像纹理特征提取或小波分析等方法,提取的效果更好。另外,该方法设计简单,更易于实现乳腺癌的自动化诊断。