基于经验模态分解和极限学习机的癫痫脑电提取分类研究

癫痫疾病发作时,脑电(electroencephalogram,EEG)信号中含有大量的癫痫特征信息,癫痫EEG信号的提取识别和分类研究,对癫痫的预防和治疗具有重大的意义。我们采用经验模态分解(empirical mode decomposition,EMD)算法对发作期、发作间期的EEG进行分解,计算分解后的主要本征模态函数(intrinsic mode function, IMF)分量的波动指数、均值和样本熵值,并组成一组特征向量输入到极限学习机(extreme learning machine,ELM)内进行识别分类。实验结果表明,在需要较少训练样本下,ELM识别分类的准确率达到97%以上。     

基于EMD与IMF分量统计特性的ECG去噪

经验模式分解（EMD）域内心电（ECG）信号的去噪,通常为基于QRS特征波经验性识别固有模态函数（IMF）分量并重建ECG信号。由于该方法引入个人误差,因此识别不准确。针对此问题,本文提出利用EMD与IMF分量统计特性对ECG信号进行去噪。本方法首先对含噪ECG信号进行EMD分解得到一系列IMF分量,然后利用IMF分量的统计特性识别IMF分量属性,并采用被识别为ECG信号的IMF分量重建ECG信号。该识别方法基于统计学方法,具有统计学和现实物理意义。将本方法应用于真实ECG信号去噪处理中,结果表明,本方法可有效去除ECG信号基线漂移噪声与肌电干扰噪声,去噪效果优于经验法。     

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.     

自适应噪声完备经验模态分解排列熵结合支持向量机的心音分类方法研究

针对心音信号非平稳性、非线性的特征,为了更直观地把心音信号的特征显示出来,提高分类识别的高效性,提出了一种自适应噪声完备经验模态分解（CEEMDAN）排列熵作为心音信号的特征向量,通过支持向量机（SVM）进行心音分类识别的方法。首先,将原始心音信号进行CEEMDAN,得到若干从高频到低频的模态分量（IMF）。其次,利用IMF分量与原始信号的相关系数、能量因子和信噪比来优选IMF做Hilbert变换,得到分量信号的瞬时频率,再计算各IMF排列熵值组成特征向量。最后,将特征向量输入SVM二分类器进行正常与异常心音信号的分类识别。对源自2016年PhysioNet/CinC挑战赛的100例心音样本进行正常与异常的分类,准确度达到87%。研究表明本文方法相比于常用的EMD和EEMD排列熵的方法准确度提高了18%～24%,可见,CEEMDAN排列熵结合SVM的方法能够有效识别正常和异常心音。     

基于IMF能量熵的脑电情感特征提取研究

为提高脑电信号情感识别分类准确率,结合经验模态(EMD)分解和能量熵提出一种新的脑电特征提取方法。本研究主要介绍了EMD分解的基本原理,分析了传统EMD算法中的"端点效应",采用分段幂函数插值算法改善了EMD分解的精度和性能,然后将改进后的算法应用到脑电信号特征提取,获取脑电信号的IMF分量后计算出IMF能量熵作为情感识别的特征,最后通过分类实验对比改进后的EMD算法和传统EMD算法对脑电情感特征的分类准确率。实验结果显示改进的EMD算法能使识别率提高15%左右,并且以IMF能量熵为特征的平均识别率在80%以上,实验结果表明将IMF能量熵用于脑电信号情感识别是可行的。     

基于EMD的左右手运动想象脑电信号分析研究

基于经验模态分解(EMD)理论,提出一种左右手运动想象脑电信号分析方法.首先利用时间窗对脑电信号数据进行划分,对每段数据通过经验模态分解法将其分解为一组固有模态函数IMF,提取主要信号所在的IMF层去除信号中的噪声.对含有主要信号的几层IMF进行Hilbert变换,得到瞬时频率与对应的瞬时幅值.再提取左右手想象的特定频段mu节律和beta节律的能量信号作为特征,分别利用支持向量机(SVM)和Fisher进行了分类比较.对EMD和小波包在去噪和特征提取进行了比较.结果表明,EMD是一种很有效的去噪方法,经过EMD分解后提取的能量信号在区分左右手想象上更具有优势,识别率高.     

基于HHT人步行状态髋关节角度信号的分析方法

目的 提出一种基于希尔伯特-黄变换（Hilbert-Huang transform,HHT）分析人步行状态髋关节角度信号的方法 ,并验证其可行性。方法 首先,利用加速度传感器与陀螺仪组成的髋关节角度测量平台,测量健康人步行状态髋关节角度。其次,对此信号进行集合经验模态分解（ensemble empirical mode decomposition, EEMD）,得到各本征模态函数（intrinsic mode functions, IMF）,再对不同尺度的模态函数进行分析与组合。最后,对原信号进行Hilbert谱分析。结果 得到反映运动模式的特征信号以及髋关节旋转轨迹所表示的步态特征。Hilbert谱显示出主运动模式内的波内频率调制现象与步频特征。结论 此方法 适用于步态疾病患者的康复与治疗,可以有效地将髋关节角度信号不同频率尺度的特征信号进行分解,实现中心修正与滤波,达到自适应分析患者步态信号的目的 。     

体表心电图中T波交替现象的检测

T波交替（T-wave alternans,TWA）的检测对于预测室性心律失常有重要意义.本文首先利用基于经验模态分解（empirical mode decomposition,EMD）的降噪方法进行心电信号的降噪,然后采用小波变换进行心电信号特征点的识别,最后给出以T波峰值点为参考点提取T波窗口的方法.通过对连续的128个T波窗口进行功率谱分析证实,上述方法实现了微伏级TWA的检测,可用于TWA的临床诊断.     

基于三级滤波器的表面肌电信号降噪处理

表面肌电信号（surface electromyography,sEMG）是一种非平稳微弱信号,而它的低信噪比是造成对其进行分解十分困难的主要原因之一.本文针对sEMG信号的噪声特点,提出基于经验模态分解（empirical mode decomposition,EMD）的三级滤波器技术来对sEMG信号进行预处理,即采用频谱插值法去除工频干扰,采用形态学运算去除基线漂移,采用经验模态分解去除白噪声.实验结果表明,本文所提出的方法不仅能够提高sEMG信号的信噪比,也能有效地保留运动单位动作电位（motor unit action potential,MUAP）的波形信息,这将有利于对MUAP的识别从而提高对sEMG信号的分解准确率.     

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。     

EMD和SVM结合的脑电信号分类方法

脑电(EEG)癫痫波的自动检测与分类在临床医学上具有重要意义。针对EEG信号的非平稳特点,本文提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的EEG分类方法。首先利用EMD将EEG信号分成多个经验模式分量,然后提取有效特征,最后用SVM对EEG信号进行分类。结果表明,该方法对癫痫发作间歇期和发作期EEG的分类效果比较理想,识别率达到99%。     

一种基于经验模态分解的时频分布及其在EEG分析中的应用

Hilbert-Huang变换是一种新的分析非线性非平稳信号的时频方法,这种方法的关键部分是经验模态分解(EMD)方法,任何复杂的信号都可以通过EM D分解为有限数目并且具有一定物理意义的固有模态函数。我们结合该方法给出一种抑制Wigner-Ville分布交叉项的新方法,并将其应用于癫痫脑电信号(EEG)中,且得到了比较好的结果。     

Classification of low-density EEG for epileptic seizures by energy and fractal features based on EMD

We are here to present a new method for the classification of epileptic seizures from electroencephalogram (EEG) signals. It consists of applying empirical mode decomposition (EMD) to extract the most relevant intrinsic mode functions (IMFs) and subsequent computation of the Teager and instantaneous energy, Higuchi and Petrosian fractal dimension, and detrended fluctuation analysis (DFA) for each IMF. We validated the method using a public dataset of 24 subjects with EEG signals from 22 channels and showed that it is possible to classify the epileptic seizures, even with segments of six seconds and a smaller number of channels (e.g., an accuracy of 0.93 using five channels). We were able to create a general machine-learning-based model to detect epileptic seizures of new subjects using epileptic-seizure data from various subjects, after reducing the number of instances, based on the k-means algorithm.     

一种基于改进经验模态分解的癫痫脑电识别新方法

在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要。针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法。首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;最后,采用支持向量机进行信号的分类识别。算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号。实验研究表明：该方法对总测试脑电信号的识别率达到94%。其中,正常脑电信号和癫痫脑电信号的独立识别率均为94%,比传统EMD算法处理后的脑电识别率提高了5%,可见该方法可以有效地预测癫痫脑电。     

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。     

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％。     

Assessment of Chaotic Parameters in Nonstationary Electrocardiograms by Use of Empirical Mode Decomposition

This study addressed the issue of assessing chaotic parameters from nonstationary electrocardiogram (ECG) signals. The empirical mode decomposition (EMD) was proposed as a method to extract intrinsic mode functions (IMFs) from ECG signals. Chaos analysis methods were then applied to the stationary IMFs without violating the underlying assumption of stationarity. Eight ECG data sets representing normal and various abnormal rhythms were obtained from the American Heart Associate Ventricular Arrhythmia database. The chaotic parameters including Lyapunov exponent, entropy, and correlation dimension were computed. The results consistently showed that the 10th IMF (IMF-10) was stationary and preserved sufficient nonlinearity of the ECG signals. Each IMF-10 from the data sets (n = 8) gave a positive dominate Lyapunov exponent (0.29-0.64, p < 0.0001), a positive entropy (0.039-0.061, p < 0.0001), and a noninteger correlation dimension (1.1-1.9). These were evidences of a chaotic dynamic system. We therefore concluded that the original ECG signals must also have chaotic properties. The chaotic parameters did not show significant differences among the eight data sets representing normal sinus rhythm and various abnormalities. This study has demonstrated an effective way to characterize nonlinearities in nonstationary ECG signals by combining the empirical mode decomposition and the chaos analysis methods.     

Research on the Method of EEMD in Pulse Wave Signals Processing

The mixed noise in the acquisition process of pulse wave signals will affect the signal analysis, how to effectively eliminate the noise and complete the pulse wave analysis has important practical significance. In this paper, empirical mode decomposition(EMD) and ensemble empirical mode decomposition(EEMD) were used to realize scale decomposition of pulse wave signals to obtain intrinsic mode function(IMF). A band-pass filter was implemented according to the characteristic time scale parameters of the IMF. After filtering and reconstruction, the pulse wave denoising was completed. The denoising effects of EMD, EEMD and wavelet transform were compared in terms of mean square error and signal-to-noise ratio. The result shows that EMD and EEMD are better than wavelet transform, and the effects are similar. Further comparing the Hilbert-Huang spectrum of EMD and EEMD, it can be seen that EEMD can not only avoid mode mixing, but also facilitate the analysis of pulse wave signals.     

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.