睡眠脑电的研究

睡眠脑电是研究睡眠的重要且有力的工具。本文在阐述睡眠与脑电关系的基础上，着重论述了非线性方法：人工神经网络、混沌与分形及复杂性在睡眠脑电研究中的应用。     

睡眠脑电的研究

睡眠脑电是研究睡眠的重要且有力的工具。本文在阐述睡眠与脑电关系的基础上，着重论述了非线性方法：人工神经网络、混沌与分形及复杂性在睡眠脑电研究中的应用。。     

多导睡眠图特征提取研究

多导睡眠图是睡眠过程监护和睡眠生理研究的重要工具。本文在6例整夜睡眠监护实验的基础上提出了利用脑电复杂性及多导睡眠图功率谱特征的方法客观反映睡眠的进程,为睡眠的自动分阶分析及睡眠质量的评估研究打下了基础。尤其是脑电复杂性测度与睡眠深度的关系研究对于睡眠生理的研究具有理论意义。     

一种用于家庭睡眠监护的脑电预处理算法

目的:睡眠是人体重要的生理活动,对睡眠进行合理的分期,是研究睡眠质量诊断,睡眠疾病的基础。脑电是描述睡眠过程中最显著和最直观的信号,但是由于脑电信号本身比较微弱,心电干扰会随机地出现在脑电信号中,本文的主要目的就是基于手机的家庭睡眠分析的需要,设计一种简单的心电抑制算法。方法:通过参考心电信号的R波检测,提取R峰位置,作为脑电信号中的心电干扰的参考点,建立模板来替换脑电信号中的心电伪迹。结果:从处理后的脑电信号的时域图和频谱图可以看出,心电伪迹得到了有效抑制。结论:将原始脑电信号的各频带能量分布和自适应算法以及本文所提出的算法滤除心电伪迹后的能量分布加以比较,可见抑制心电干扰后,睡眠各期的分段谱特征差异性加大,从而更有利于后面的睡眠各期的自动分类。     

脑电分析在认知研究中的进展

通过脑电分析来认识脑的活动是一种有效的无创手段。近年来,随着认知科学研究的逐渐升温,将脑电信号分析应用于认知研究成为重要的手段之一。本文在对脑电信号处理方法以及认知研究现状等综述的基础上,重点介绍了脑电分析在认知研究中进展状况。文章指出由于EEG良好的时间分辨率等特性,深入研究EEG对于了解认知和思维过程、揭示大脑工作机理具有重要意义。     

基于脑电信号的自动睡眠分期研究进展

睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提,具有重要临床意义。近年来,基于计算机技术的睡眠脑电信号自动分期成为研究热点,并取得了一些成果。本文介绍了睡眠分期与脑电信号的基础知识,详细论述了基于脑电信号的自动睡眠分期研究中的两个关键技术——特征提取和模式识别,比较了小波变换、Hilbert-Huang变换两种常用的脑电特征提取方法,和人工神经网络、支持向量机两类模式识别方法的优缺点及其在睡眠分期中的应用,总结了近几年该领域的研究现状和发展趋势。     

基于复杂性测度的睡眠脑电分期处理方法研究

提高临床脑部及神经系统疾病的早期诊断水平,及时予以控制和治疗,是降低脑疾病对人类危害最有效的途径。探讨复杂性测度在睡眠脑电分期中的应用,主要利用加窗的Lempel-Ziv复杂度处理算法对经采用小波变换滤波算法滤除生理干扰后的睡眠脑电信号进行分期处理,并与没有加窗的Lempel-Ziv复杂度处理算法的仿真处理结果进行比较。结果表明：加窗的Lempel-Ziv复杂度算法能更好地将睡眠脑电不同状态分开,在一定程度上减少由脑电的非平稳性带来的计算上的片面性,同时兼顾各期睡眠脑电状态的不均匀性,在很大程度上满足临床的应用要求。     

基于样本熵的睡眠呼吸暂停综合征脑电研究

目的:探讨睡眠呼吸暂停综合征(SAS)患者脑电的动力学特性,为SAS诊治提供依据。方法:基于脑电的非平稳和非线性特性,采用样本熵(Samp En)对6名SAS患者和6名健康人的睡眠脑电进行分析,研究SAS组和对照组在清醒、浅睡、深睡和快速眼动期(REM)的脑电变化及差异特性。结果:SAS患者和健康者睡眠脑电的样本熵变化有相同规律,即随着睡眠加深,其样本熵值均逐渐减小,但到REM期时,样本熵值又上升至觉醒期水平;与此同时,SAS组的样本熵值在各个睡眠阶段均低于健康组,两组间存在显著差异(P0.01);ROC曲线下面积达到0.858。结论:SAS病理状态对大脑神经活动影响显著,SAS组脑电样本熵值与对照组的显著差异为SAS研究及诊断提供新的方向和依据。     

脑电信号的分析—一种探索大脑功能状态及活动规…

本从脑电产生的神经生理基础综述了脑电的发生及自发节律调控的不同学说和观点，从临床应用的角度综述了脑电图用于脑病诊断及在麻醉、睡眠研究中的应用，从脑电信号分析方面综述了相关分析、频域分析、时域分析等信号分析方法用于ＥＥＧ信号处理的特点及存在的问题。最后本介绍了时频分析、混沌方法及复杂性度量等脑电分析方法，这些方法将把脑电分析和研究向前推进一步，也有望成为探索大脑的思维、学习、感知等高级中枢活动规     

脑电的非线性动力学研究中的问题和进展

本文对近年来国外在脑电的非线性动力学研究中提出的问题进行了综述 ,内容涉及了脑电的非线性的证明 ,脑电不是低维的混沌 ,以及传统的脑电混沌参数估算中的主要弊病等。文中也介绍了针对以上问题的最新研究进展。     

时窗复杂度序列在睡眠脑电分期中的应用

运用时窗复杂度序列来分析睡眠脑电，减少了非平稳性及状态空间的不均匀性造成的脑状态信息的丢失，在一定程度上克服了复杂度自身的局限，有助于不同睡眠期状态特征的提取。另外采用独立分量分析（ICA），小波变换等方法对脑电进行预处理，实验表明它们能有效地去除脑电中的一些生理干扰，有利于提高复杂度算法在睡眠分期应用中的精确度。     

睡眠脑电的关联维数和近似熵分析

睡眠的正确分期是睡眠研究的基础,脑电的非线性参数可以表征不同的睡眠状态。本研究计算睡眠脑电的关联维数和近似熵,通过统计和比较发现关联维数不随嵌入维数的增加而饱和,但其相对大小能有效区分各种睡眠状态;近似熵计算简单,性能稳定,可较好地表征不同睡眠期;相对关联维数和近似熵从不同角度表现了脑电(大脑)复杂性的相同演变规律清醒时复杂性最高,而且波动最大,随着睡眠加深,复杂性降低且变异减小,REM期复杂性基本介于S1期和S2期之间。     

不同睡眠期脑电图复杂性研究

ＥＥＧ代表了大脑神经元活动的一种电信号，它一直是研究人在不同睡眠阶段大脑活动的重要工具。本文在国际睡眠分期标准的基础上，利用Ｌｅｍｐｅｌ－Ｚｉｖ所定义的随机序列的“复杂性”对不同睡眠期的ＥＥＧ时间序列了分析和研究。结果显示，随被试睡眠深度的增加，各道ＥＥＧ的复杂度减少。而在ＲＥＭ期，ＥＥＧ的复杂度又回升到接近清醒、闭眼休息时的程度。这个规律不受是位置的影响。对结果的分析可以看到，复杂度能成为反映民     

低频光诱发脑电在浅睡期的样本熵复杂度分析

睡眠障碍患者通常表现为从浅睡期进入深睡期存在困难,分析浅睡期脑电波的变化对研究睡眠效率和睡眠质量至关重要。通过分析低频光刺激下睡眠过程中脑电波的复杂度值变化,研究人在浅睡期脑电波对光刺激的响应,进而探讨外部光刺激对睡眠过程中脑电波的影响。使用美国neuroscan型脑电图仪,采集10例志愿者的光刺激睡眠和正常睡眠的脑电数据。首先,利用时频分析,对睡眠过程中的脑电信号进行分期,获得浅睡期脑电信号;然后,使用小波包分解,获得该期脑电波的各频段分量（δ波、θ波、α波和纺锤波）;接着,采用样本熵算法,分别计算浅睡期脑电信号的复杂度以及各频段脑电波的复杂度;最后,对志愿者在光刺激（5 Hz）和正常睡眠下浅睡期脑电复杂度进行比较,研究光刺激对脑电复杂度的响应情况。结果显示：在低频光刺激下,浅睡期脑电波复杂度的均值为0514 15,明显低于正常睡眠复杂度的均值0589 23,在中央区和顶区有显著性差异（P<005）。研究表明,5 Hz光刺激可诱发浅睡期θ波的同步响应,增强脑电波的节律性,有助于更好地进入深度睡眠。     

改进G-P算法与睡眠脑电的关联维

脑电的非线性参数能有效表达大脑的不同生理状态,不同睡眠期脑电的关联维数不同.但用G- P算法求关联维数存在抗干扰能力较差、可靠性不稳定、运算量巨大等缺点.先对相空间进行奇异谱分析,进而对原始相空间进行旋转,使其成为正交的等效空间,然后再使用G- P算法.改进后的算法能有效地抑制噪声干扰,降低相空间规模,减少运算复杂性,在睡眠脑电的关联维数计算上效果良好.     

不同导同步脑电波信号的DFA分析

通过对欧洲格式(EDF)的两个同步导脑电波信号Fpz—Cz及PZ—Oz DFA的分析，表明这两个导的DFA结果有显著差异，PZ—Oz的分析结果和MIT脑电信号的分析结果类似；而Fpz—Cz的分析结果则明显不同。表明不同导的脑电信号可能具有完全不同的长程相关性质。因此，利用DFA方法判读睡眠阶段时，要选择合适的导。     

Developmental characteristics of topographic EEG in the newborn using an autoregressive model

Summary Autoregressive topographic EEG analysis was used to determine topographic EEGs of the total power in quiet and active sleep stages in 33 healthy premature infants of 34 to 40 weeks conceptional age. The developmental characteristics were also examined by simultaneously referring to the autoregressive pattern discrimination of topographic EEGs between different conceptional age groups in both sleep stages. Treating 10.24 seconds of EEG as one segment, the topographic EEG of 10 segments in each of the quiet and active sleep stages as well as their mean were obtained. In both sleep stages the results showed a small peak in total power in the frontal region and a large peak in the occipital region, but total power was greater in the quiet sleep. Total power decreased with increasing conceptional age. Topographic pattern discrimination between different conceptional age groups showed significant differences mainly in the frontal, temporal and occipital regions. It was concluded that regional differences in the development of EEG in premature infants could be clarified by means of topographic EEG analysis and the pattern discrimination method using the autoregressive model.This study was supported by a Scientific Research Grant (No. 02670450) from the Japanese Ministry of Education.     

新生儿睡眠期的脑电非线性分析方法

目的脑电（electroencephalogram,EEG）是新生儿脑功能监护中重要的生理信号,近年研究发现基于非线性动力学的复杂度分析能够客观反映大脑成熟度、睡眠周期和惊厥状态等。方法本文针对神经系统发育正常的早产新生儿组和足月新生儿组,采用近似熵（approximate entropy,ApEn）和样本熵（sample entropy,SampEn）两种非线性参数,对新生儿在安静睡眠期（quiet sleep,QS）和活动睡眠期（active sleep,AS）的脑电信号进行分析。结果神经系统发育正常的新生儿中,AS期的ApEn和SampEn均高于QS期,且具有显著性差异;随着受孕后年龄（postmenstrual age,PMA）的增大,新生儿QS期的ApEn和SampEn的值均随之增加,且波动逐渐减弱,而AS期的ApEn和SampEn的值并无显著变化;绝大多数新生儿在AS期与QS期的SampEn之差高于ApEn之差。结论AS期新生儿EEG的复杂度大于QS期的复杂度;随着PMA的增大,新生儿EEG的复杂度提高,脑功能发育趋于成熟;ApEn与SampEn在表现新生儿脑电信号复杂度上趋势一致,但SampEn在区分AS与QS方面更具优势。     

FASTER: an unsupervised fully automated sleep staging method for mice

Identifying the stages of sleep, or sleep staging, is an unavoidable step in sleep research and typically requires visual inspection of electroencephalography (EEG) and electromyography (EMG) data. Currently, scoring is slow, biased and prone to error by humans and thus is the most important bottleneck for large‐scale sleep research in animals. We have developed an unsupervised, fully automated sleep staging method for mice that allows less subjective and high‐throughput evaluation of sleep. Fully Automated Sleep sTaging method via EEG/EMG Recordings (FASTER) is based on nonparametric density estimation clustering of comprehensive EEG/EMG power spectra. FASTER can accurately identify sleep patterns in mice that have been perturbed by drugs or by genetic modification of a clock gene. The overall accuracy is over 90% in every group. 24‐h data are staged by a laptop computer in 10 min, which is faster than an experienced human rater. Dramatically improving the sleep staging process in both quality and throughput FASTER will open the door to quantitative and comprehensive animal sleep research.