去趋势波动分析在不同状态脑电信号中的应用

目的:验证去趋势波动分析法应用于脑电信号分析时的有效性。方法:使用去趋势波动分析算法分析不同状态下的脑电信号,把得到的标度指数值进行比较。结果:从心算状态、睁眼状态到闭目安静状态的标度指数越来越大,这表明从心算状态、睁眼状态到闭目安静状态下脑的动力学活性越来越低,并且在时间上具有长程相关性。结论:去趋势波动分析方法在探索不同脑功能状态下EEG的标度指数是否具有显著性差异有一定的价值。     

脑卒中后抑郁症静息脑电信号非线性特征提取与分析

目的 探究脑卒中后抑郁症(PSD)患者脑电信号的非线性动力学特征.方法 利用样本熵和LZC复杂度分析的方法对10例健康人和14例脑卒中患者(4例脑卒中后无抑郁症患者及10例脑卒中后抑郁症患者)静息状态下的脑电信号进行复杂度分析.结果 除个别导联(FP1,p4)以外,脑卒中患者组脑电信号的样本熵和LZC复杂度值均小于健康对照组;对于所有导联,脑卒中后抑郁症组脑电信号的样本熵和LZC复杂度值均小于脑卒中后无抑郁症组,并且在导联O1、O2处2参数的差异具有统计学意义(P＜0.05).结论 脑卒中患者相对于健康人表现同步脑电活动增加,且简单有序,其复杂度有所下降;而脑卒中后抑郁症与非抑郁症患者比较前者复杂度下降更为明显,在大脑枕叶尤为突出.本研究有望为脑卒中后抑郁症的辅助诊断提供帮助.     

基于偏定向相干性(PDC)的脑卒中后抑郁症患者脑网络研究

探究脑卒中后抑郁症（PSD）患者脑网络异常。采集PSD患者及其对照组（卒中后无抑郁症（PSND）患者及健康人（CONT））各10例16导联静息态脑电信号进行偏定向相干性（PDC）分析,利用单尾单样本t检验构建这3类人群的平均脑网络图,并对所得脑网络进行基于图论的拓扑参数比较分析。结果表明,经统计学检验（P<0.05）,当PDC阈值取0.2时,三类人群平均脑网络节点度、平均集群系数及中介中心度参数差异最明显。具体表现为脑卒中患者相对健康人出现了优势半球（左半球）信息流入的减弱,PSD患者相对PSND患者在与“情绪”相关的左额叶及左颞叶信息流出减弱。PSD患者相对CONT及PSND人群平均集群系数分别下降2.4%及1.8%,脑网络集团化程度减弱;网络核心节点个数分别增大2.2倍及1.6倍,且核心节点有所转移,枢纽节点核心地位下降。受脑卒中和抑郁情绪的影响,PSD患者的脑网络发生了异常改变。     

基于改进CSP算法的运动想象脑电信号识别方法

针对想象运动的脑机接口(BCI)系统中,在电极导联数少的情况下存在脑电信号分类准确率降低的问题,提出一种改进共同空间模式(CSP)算法. 通过对事件相关去同步(ERD)/事件相关同步(ERS)生理现象较明显的频段进行滤波, 选取最大特征值对应的表征运动想象脑电信号状态的最优特征向量,进而提出特征向量新的定义方法,同时与支持向量机(SVM)相结合,实现运动想象脑电数据的分类.对于GRAZ大学提供的运动想象脑电数据(Data Ⅲ),想象左手运动脑电信号的识别准确率为98.57%.想象右手运动的脑电识别率为100%.实验结果表明,改进的CSP算法更准确地反映脑电信号的任务状态,有效避免了特征模式的重复选取问题,具有更优的分类性能.     

基于CSP算法与小波包分析方法的运动想象脑电信号特征提取性能的比较

运动想象脑电特征快速准确提取是脑-机接口技术研究的重要问题.本研究分别讨论了共同空间模式(common spatial pattern, CSP)与小波包分析关于左右手运动想象特征提取的原理,并对两种方法进行了比较.对于GRAZ大学提供的运动想象脑电数据,使用CSP 与支持向量机(support vector machine, SVM)结合的分类正确率最高为85.5%;使用小波包分析与SVM结合的分类正确率最高为99%.同时对于本实验室采用Emotiv epoc+ 系统采集的运动想象脑电数据,利用小波包分析与 SVM结合的分类正确率也保持在98%以上.实验结果表明,相较于CSP算法,小波包分析对于运动想象特征提取的效果更好.     

基于多通道线性描述符的脑-机接口分类算法的研究

脑电信号的特征提取是脑—机接口(BCI)中的一个关键部分,对提高分类正确率和信息传输率起着决定性的作用。本研究利用多通道线性描述符提取脑电信号的分类特征信息,将三个描述符单独和联合地施加于三个感兴趣的电极子集,导出12个特征矢量。五个受试参加了一个在线反馈BCI实验。实验期间他们被要求想象左手或右手运动,记录的脑电图数据用于离线分析。对来自7导和11导两个电极子集的8个特征矢量,五个受试平均的分类精度在89%和93.5%之间,而最好的分类精度在85%与99.9%之间。比较基于描述符的特征与基于自回归(AR)模型的特征分类性能,结果表明多通道线性描述符是一种有效的特征提取方法。使用该方法提取特征时,理想的电极数应在7与11之间。     

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。     

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。     

基于小波包分析的意识任务特征提取与分类

将基于小波包变换的多尺度分析方法应用于自发脑电 (EEG)的特征提取。在对 3种意识任务的脑电信号进行多级小波包分解的基础上 ,将不同尺度空间的能量信号作为特征值 ,组成不同意识任务的特征向量 ,并利用径向基函数神经网络进行分类测试。结果表明 ,小波包变换方法的分类正确率高于自回归模型方法。小波包分析方法可以作为不同意识任务脑电信号特征提取的一种新方法 ,具有较强的稳定性     

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%。     

窦性和房性心律失常的DFA分析

研究证据表明许多自然系统和生物系统没有固定的特征尺度,而是展现自相似特性。本文利用消除趋势波动分析(DFA)方法,分析窦性心律、房性心律失常的ECG信号的自相似特性,以实现这两种心律失常的检测。并利用DFA方法对MIT-BIH标准数据库中的正常窦性心律、房性期前收缩(也称为房性早搏)、窦性心动过缓信号进行了分析和检测,得到这三种信号的尺度指数,据此区分出窦性心律、房性心律失常和正常窦性心律,此结果表明DFA方法能够检测窦性和房性心律失常。     

P300 EEG Recognition Based on SVM Approach

In this paper, we used SVM method to detect P300 signal. Before training a classification parameter for the SVM, several preprocessing operations were applied to the data including filtering, downsampling, single trial extraction, windsorizing, electrode selection et al. With the SVM algorithm, the classification accuracy could be up to above 80%. In some cases, the accuracy could reach 100%. It is suitable to use SVM for P300 EEG recognition in the P300-based brain-computer interface （BCI） system. Our further work will include the improvement to yield higher classification accuracy using fewer trials.     

基于多重分形去趋势涨落的心室纤颤和心动过速分析

本文运用多重分形去趋势涨落的分析方法,研究心动过速、心室纤颤和正常心电信号的多重分形特征,用以有效区分上述三种信号。通过分析心动过速、心室纤颤和正常心电信号的赫斯特指数、Renyi指数和多重分形谱,得出三种信号都具有不同程度的长程相关性和多重分形特性,在波动函数的阶数大于0时,三种信号的长程相关特性区别明显。通过分析多重分形谱,发现心室纤颤的多重分形谱比心动过速的多重分形谱宽,正常心电信号的多重分形谱最小。以上研究结果将对临床医学诊断识别心动过速和心室纤颤号信号有很好的借鉴意义。     

Analysis of EEG signals by combining eigenvector methods and multiclass support vector machines

A new approach based on the implementation of multiclass support vector machine (SVM) with the error correcting output codes (ECOC) is presented for classification of electroencephalogram (EEG) signals. In practical applications of pattern recognition, there are often diverse features extracted from raw data which needs recognizing. Decision making was performed in two stages: feature extraction by eigenvector methods and classification using the classifiers trained on the extracted features. The aim of the study is classification of the EEG signals by the combination of eigenvector methods and multiclass SVM. The purpose is to determine an optimum classification scheme for this problem and also to infer clues about the extracted features. The present research demonstrated that the eigenvector methods are the features which well represent the EEG signals and the multiclass SVM trained on these features achieved high classification accuracies.     

Detrended Fluctuation Analysis of Heart Rate and SaO2 in Hypoxia

Detrended fluctuation analysis (DFA) is fit for studies on the long-range exponential correlation of non-stationary time serial.In this paper,in order to find a hypoxia adaptability evaluation criterio...     

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。     

基于多尺度最大李雅普诺夫指数的表面肌电信号模式识别

为了提高动作表面肌电信号的识别率,提出一种将最大李雅普诺夫指数和多尺度分析结合的方法。从非线性和非平稳的角度出发,引入多尺度最大李雅普诺夫指数特征,并应用到人体前臂6类动作表面肌电信号的模式识别中。首先利用希尔伯特-黄变换,对原始信号进行经验模态分解,即多尺度分解;然后利用非线性时间序列分析方法,计算多尺度最大李雅普诺夫指数;最后将多尺度最大李雅普诺夫指数作为特征向量,输入支持向量机进行识别。平均识别率达到97.5%,比利用原始信号的最大李雅普诺夫指数进行识别时提高了3.9%。结果表明,利用多尺度最大李雅普诺夫指数对动作表面肌电信号进行模式识别效果良好。