基于表面肌电非负矩阵分解与一致性的肌间协同耦合关系研究

肌肉协同模型是神经产生并控制运动的低维度结构,探讨不同动作任务下的表面肌电信号(sEMG)间的相干性分析,可以体现相应肌群的协同耦合关系,进而能从神经控制运动与肌肉相互配合协调的角度揭示运动产生与执行规律。组织8名年轻健康受试者(男女均半、20～24岁)进行上肢腕部屈、伸实验,采集动作时相应肌群的sEMG数据,引入非负矩阵分解(NMF)方法分析肌间协同性,并进一步对协同性较高的肌群采用一致性分析方法,研究信号beta(15~35 Hz)和gamma(35～60 Hz)频段的耦合强度关系,探讨腕部伸屈动作下不同受试者之间的协同耦合性差异。结果表明:腕伸动作下,主动肌桡侧腕短伸肌(ECR)、指伸肌(ED)、尺侧腕伸肌(ECU)、肱桡肌(B)在协同模块W₅中具有协同关系,且肌间耦合强度显著(P<0.05),beta频段与gamma频段一致性显著面积相差较大(1.261±0.966);腕屈动作下,分别在协同模块公式中存在具有协同关系的肌肉对,且肌肉间耦合强度显著(P<0.001),在beta和gamma频段一致性显著面积相差较小(0.412±0.163),但主动肌桡侧腕屈肌、指浅屈肌间不具有协同性,耦合关系较弱。以上说明:神经控制运动的方式不同,体现为肌肉协同耦合关系有所差异;在同一协同模块中,协同性较高的肌肉间耦合关系较强,揭示神经控制运动规律与肌肉相互配合方式;运用此方法进行肌间协同耦合联合分析,可望深入揭示中枢神经模块化协同控制运动机制,进一步为运动障碍患者功能分析和评价提供科学依据。     

工作记忆事件中大鼠前额叶皮层神经元电活动的非负稀疏矩阵分解

目的 基于工作记忆事件中大鼠前额叶皮层神经元电活动的非负稀疏矩阵分解(NMFs),研究如何在更高的精度上表达神经元集群.方法 实验数据为工作记忆事件参考点前后5s 的神经元群体电活动.时间窗口为200ms,移动步长为50ms,从初始点开始,逐个移动窗口,计算每个窗口内的每个神经元发放个数,并进行归一,即为神经元电活动矩...     

基于非负矩阵分解的大脑不同区域基因表达数据分析

基因之间存在多种多样的表达调控活动,一般认为这些调控关系隐含在基因表达谱中。针对阿尔茨海默症(AD)起病隐匿、诊断难、发病机理复杂以及基因信号传导通路和调控关系难以重建等特征,利用非平滑非负矩阵分解(nsNMF)方法提取AD致病基因,聚类过程中利用共表型相关性系数(CCC)选取聚类数k的值,得到最优的聚类数目。针对基因表达数据噪声高、信息变量隐藏难分析的困难,考虑AD的发生发展与许多大脑功能区域密切相关的特性,提出将nsNMF分别应用于AD患者的大脑海马区、内嗅区皮质、颞中回及视觉皮层区的基因表达数据中,共提取3 800个显著基因,其中包括确定与AD致病机理有关联的10个致病基因,并进行了生物学分析,得到了AD相关的细胞凋亡、代谢及炎症反应等生物过程,显示nsNMF方法及大脑多区域数据集的联合分析能更全面地探寻AD信号传导关系及基因调控方式。     

基于非负盲分离的胎儿心率检测方法

胎儿心率监测是一种有效评估胎儿当前健康状况的重要参考依据。为了可以快速准确地获取胎儿心率,该文提出一种基于非负盲分离的胎儿心率检测方法。该方法首先对采集得到的腹壁信号进行预处理,平稳小波变换后重构出母亲心电信号;接着,采用相减法去除母亲心电信号,再把剩下含有噪声的胎儿心电信号通过时频变换得到Born-Jordan分布;最后,利用非负矩阵分解得到胎儿心电的特征信号,检测其R波位置求得胎儿瞬时心率。实验结果表明,该方法可以快速、准确有效地获得胎儿地瞬时心率数据。     

独立元分析和非负矩阵分解的盲源分离比较

独立元分析(Independent Component Analysis,ICA)和非负矩阵分解(non-negative matrix factorization,NMF)是盲源分离的研究热点.文章在提出盲源分离框架的基础上,对独立元分析和非负矩阵分解进行了比较,并通过两个实例分别介绍了两者在生物医学领域中的应用.     

基于变分模态分解的眼电伪迹去除

脑电信号可以反映人体大脑活动状态,精确地将脑内信息传递向外界,对脑科学研究具有重要的意义。在实际情况中,脑电信号采集的同时会带有一些噪声,而眼电伪迹的存在会严重干扰脑电信号。本研究尝试了一种基于变分模态分解的眼电伪迹去除方法。通过变分模态分解将采集到的脑电信号分解成K组模态分量;根据眼电伪迹的频率特点,选择出眼电伪迹所对应的模态分量,并将其去除后重新构建剩余的模态分量。结果表明通过对实验数据的处理,变分模态分解可以有效地将眼电伪迹去除,并维持脑电信号的特征。     

基于DCE-MRI影像组学非负矩阵分解的乳腺癌病理信息缺失填充研究

乳腺癌病理报告是乳腺癌诊断和治疗的主要依据,在实际诊疗过程中可能存在临床病理信息缺失的问题.利用动态增强磁共振影像(DCE-MRI)病灶区域的影像特征,结合对应乳腺癌患者的临床病理信息,建立影像组学非负矩阵分解填充模型,以实现对缺失的乳腺癌分子分型和细胞角蛋白5/6(CK5/6)基因表达信息的填充.共采集139例乳腺癌...     

基于脑电小波分解的呼吸暂停自动检测方法

睡眠呼吸暂停是一种常见的睡眠呼吸紊乱,目前呼吸暂停的诊断主要依靠多导睡眠监测,但因其操作复杂、价格昂贵,且对使用环境要求较高,而难以实现家用普及。为此提出一种基于脑电信号小波分解的呼吸暂停自动检测方法。首先,对脑电信号进行4层小波分解,提取第2~4层细节系数;其次,在得到的细节系数绝对值中提取能量和方差两种特征;最后,建立k-近邻,支持向量机和随机森林等机器学习模型对特征进行分类。使用来自天津市胸科医院睡眠监测实验室30名受试的3 248个正常呼吸和呼吸暂停期间的脑电信号片段进行检测,结果显示,对呼吸暂停识别准确率、灵敏度、特异度分别达到93.85%、91.46%、96.27%,表明该方法可以实现呼吸暂停事件的高精度检测,有望用于呼吸暂停自动识别系统的设计,辅助医师进行呼吸暂停自动检测。     

稳态视觉诱发脑机接口特征提取方法的研究

目的为有效提取稳态视觉诱发脑机接口(SSVEP-based brain-computer interface)中的脑电特征,提出一种基于独立成分分析(independent component analysis,ICA)与希尔伯特黄变换(HilbertHuang transform,HHT)的特征提取方法。方法对采集得到的脑电信号进行带通滤波,得到预处理的脑电信号,将滤波后的脑电信号作为ICA的输入,经过ICA实现独立成分的快速获取。引入HHT对独立成分进行经验模态分解(EMD),分解获取固有模态函数(intrinsic mode function,IMF),通过对IMF的频域分析,即可提取出特征。将ICA和HHT法同WT法、ICA法以及HHT法等常用的特征提取方法在频域、功率谱估计、在时间消耗等多方面进行比对分析。结果频域分析和功率谱估计中,本文提出的方法明显优于WT法和ICA法,略优于HHT法。时间消耗方面,本文提出的方法略优于HHT法。结论基于ICA和HHT的特征提取方法在稳态视觉诱发脑机接口的特征提取中是可行的,并有效去除了脑电信号中的噪声。     

基于算子分解方法的EIT多目标重构

目的:通过一种新的电阻抗断层成像算法-算子分解方法,以期该算法分析并运用到实际的电阻抗成像问题中。方法:构造了Neumann-Dirichlet算子并论述了其性质,通过技巧性处理得到了较为实用的算子分解方法的主要结论。结果:在全电极边界条件模型下,应用算子分解方法的正则化技术分别得到了无噪声和有噪声两种情况的测试点的示意图及多目标的重构结果。结论:算子分解方法提供了一种较为简单的、鲁棒的电阻抗断层成像算法,对于加噪后的多目标重构以及测量边界变形都有较优的性能。     

基于脑电复杂度的意识任务的特征提取与分类

本研究提出了利用事件相关脑电复杂度提取大脑运动意识特征，应用Mahalanobis距离判别式分析法，对人脑想象左右手运动任务进行分类，获得了满意的结果。对受试者想象左右手运动期间在大脑初级感觉运动皮层区记录的脑电信号采用复杂度分析方法量化了事件相关去同步（ERD）和事件相关同步（ERS）时程，结果表明EEG复杂度特征较好反映了ERD／ERS变化时程。最后对测试数据进行分类，最大分类正确率达到86．43％，通过最大分类正确率，最大信噪比，最大互信息等评价指标比较，验证了该方法的有效性，从而为大脑运动意识任务的特征提取及分类提供了新思路。     

基于EMD和Hilbert变换的自发脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征提取,提出一种基于EMD的Hilbert变换的方法.在变换过程中根据信号的局部特征自动选择基函数,求得信号在每个时间段的希尔波特谱;以时频窗口内的统计特性作为特征,利用Fisher距离选择最佳特征集输入分类器.最后利用BCI 2003竞赛数据,通过对特征矢量的可分性和识别精度两个指标的评估,表明了所提出方法的有效性.     

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。     

基于经验模式分解和独立分量分析的单导少次EP信号提取

EP信号的单导少次提取一直是生物医学信号处理领域倍受关注的问题。本研究利用经验模式分解（EMD）,把单导脑电信号（EP＋EEG）分解成多个基本模式分量（IMF）之和,进而选取合适的基本模式分量或者它们的组合,构成1导或多导参考信号,再利用独立分量分析（ICA）成功提取出了期望的EP信号,从而克服了ICA需要多导观测信号的要求。仿真实验证明了本方法的有效性。     

一种基于稀疏分解去除EEG信号中MRI伪迹的新方法

在脑电图(Electroencephalography,EEG)和功能磁共振成像(Functional magnetic resonance imaging, FMRI)同时记录时,如何有效的去除混入EEG信号中的强磁共振(Magnetic resonance imaging,MRI)伪迹干扰信号是当前在EEG和FMRI的联合研究中面临的一个信号前期处理难点。主要从MRI干扰信号和EEG信号在时空上的差别出发,提出了一种基于混合过完备库的稀疏成分分析的分解方法,实现了强MRI干扰下的EEG信号的估计。在方法实现中,首先利用小波和离散余弦构造能体现MRI干扰和EEG时空特性差别的混合过完备库,然后通过匹配追踪(Matching pursuit,MP)方法在混合过完备库中的学习,实现MRI伪迹的消除。对模拟数据以及真实记录的混入了MRI干扰的EEG信号的估计实验结果,证实了该方法的有效性。     

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60％,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。     

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.     

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。