儿童癫痫发作前期脑电复杂性的分析

目的：探讨癫痫儿童发作前期脑电变化的复杂性。方法：应用非线性分析方法对23例癫痫儿童的83次发作(39次全身性发作，44次部分性发作)进行发作前脑电复杂度分析。结果：发作间期基础脑电平均复杂度在清醒期、NBEM睡眠Ⅱ期和Ⅲ期分别为0．33，0．24，0．16。清醒期白发作前21min，NREM睡眠Ⅱ期从发作前10min开始，脑电复杂度显著降低。复杂度变化与发作类型无关。结论：癫痫发作前脑电复杂度长时间在低水平徘徊，它可能是神经元活动同步化程度增高的反应。复杂度变化的程度与发作所处的状态有关，基础状态复杂度越高，发作前的降低越明显。发作前复杂度的变化可能主要与不同的发作机制而不是与临床发作类型有关。     

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。     

儿童癫癎发作前期脑电复杂性的分析

目的探讨癫癎儿童发作前期脑电变化的复杂性.方法应用非线性分析方法对23例癫癎儿童的83次发作(39次全身性发作,44次部分性发作)进行发作前脑电复杂度分析.结果发作间期基础脑电平均复杂度在清醒期、NREM睡眠Ⅱ期和Ⅲ期分别为0.33,0.24,0.16.清醒期自发作前21min,NREM睡眠Ⅱ期从发作前10min开始,脑电复杂度显著降低.复杂度变化与发作类型无关.结论癫癎发作前脑电复杂度长时间在低水平徘徊,它可能是神经元活动同步化程度增高的反应.复杂度变化的程度与发作所处的状态有关,基础状态复杂度越高,发作前的降低越明显.发作前复杂度的变化可能主要与不同的发作机制而不是与临床发作类型有关.     

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。     

基于各物理因素对睡眠剥夺者脑电的影响

目的:研究不同的物理因素对被睡眠剥夺的受试者脑电的影响.方法:将24名成年健康男性随机分为四组,一个对照组和三个实验组,对所有受试者进行48 h睡眠剥夺实验,其中三个实验组在实验过程中分别不断接受音乐、磁场和局部高压氧干预措施,每个6 h提取一次受试者的脑电波数据.对睡眠脑电数据首先应用小波变换,将脑电信号中的噪声进行消噪处理,然后再利用近似熵和复杂度将消噪后的脑电信号进行特征提取和分析.结果:对于睡眠剥夺的不同时间段,其脑电近似熵的平均值随着脑疲劳程度的增加而降低.实验的前半部分受试者的脑电波的复杂度和近似熵没有统计学差异,但是实验的后半部分受试者的脑电波的复杂度和近似熵有了明显的区别.结论:不同的物理因素可以影响受试者的状态,从而影响受试者的脑电波.脑电近似熵随着脑疲劳程度的增加而降低,有望成为衡量脑疲劳程度的指标.     

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。。     

脑电信号的几个非线性动力学分析方法

作者讨论了目前常用的几个非线性动力学分析方法，包括Ｌｏｒｅｎｚ散点图，分维数、复杂度、ｙａｐｕｎｏｖ指数等，并将这些方法用于不同状态的脑电信号（睡眠、癫痫及正常状态）的分析。结果表明，利用这些方法确能将脑电信号的一些状态分开。     

网络成瘾患者的EEG小波熵与复杂度特征分析

通过分析网络成瘾患者与正常受试者的自发脑电复杂性的差异,研究网络成瘾患者自发脑电复杂性的特点.对9名网络成瘾患者(实验组)和9名正常受试者(对照组)在安静状态下的自发脑电分别进行小波熵和复杂度分析.发现网络成瘾患者的自发脑电的小波熵值以及复杂度值在绝大多数导联位置上均比正常受试者具有显著性的降低(P<0.05),两种方法的分析结果相似.网络成瘾患者在安静状态下的自发脑电的小波熵值以及复杂度值比正常受试者均有显著降低,提示脑电的复杂性显著降低.因此在安静状态下脑电复杂性降低是网络成瘾患者的一大显著特征.     

脑电信号的复杂度在睡眠分期中的应用

睡眠既是人体重要的生理状态，也是临床监护重要的一环，按国际通用的睡眠分期方法，必须在脑电信号之外增加脑功能信号，本文研究了单纯的脑电信号的特征———复杂度作睡眠分期的依据的可能性，在数例已按国际通例作了睡眠分期的病例中，应用了本文提出的方法，在对分期结果的比较中提出了需要进一步研究的方面。     

睡眠脑电信号的非线性动力学分析

睡眠与健康、工作、学习等之间的关系甚为密切。由于脑电(EEG)是描述睡眠过程中最显著和最直观的信号,所以睡眠脑电是研究睡眠的重要且有用的工具。其中睡眠分期研究对评估睡眠质量重要。由于脑电活动自身的复杂性,因此采用非线性方法处理会有比较好的结果。本文简单介绍了睡眠与脑电的关系,重点介绍了几种非线性动力学方法,包括李亚普诺指数、复杂度、相关维数、近似熵等,并介绍了它们对睡眠脑电信号进行特征处理的情况,发现在不同的睡眠期,计算出的结果呈现一定的变化规律。     

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     

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%。     

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。     

EOG and Delta Rhythmicity in Human Sleep EEG

The use of the electroencephalogram (EEG) is accepted as the only objective method of studying sleep. However, EEG sleep study may not be feasible, although it would be highly desirable, in some non-laboratory operational environments due to difficulties in EEG recordings. Results of the present study showed that the ultradian delta rhythmicity of sleep as defined by EEG could be obtained from electro-oculograms (EOGs) alone.     

睡眠EEG的多尺度信息熵分析

本文提出一种基于连续小波变换的睡眠EEG分析方法。该方法使用Morlet小波计算EEG信息的小波变换系数,通过计算EEG信号在多个尺度上小波系数的熵分析睡眠EEG。结果表明：浅睡阶段EEG信号的多尺度熵的变化模式与深睡阶段的多尺度熵的变化模式不同,REM睡眠期间EEG信号的多尺度熵的变化与深睡阶段类似,使用多尺度熵可以区分REM睡眠和浅睡时EEG之间的差别。     

睡眠脑电的自回归模型阶数特性

传统睡眠脑电 (Sleep EEG)研究从信号的时域和频域的特征分析睡眠过程 ,通常根据功率谱观察信号中特定节律的出现和频带的分布。而功率谱估计中基于参数模型的方法得到广泛应用 ,但建模时通常只能根据经验选择一个固定较低的阶数。本文讨论了自回归模型阶数 (Autoregressive m odel order,ARMO)估计准则的一些最新进展 ,并且统计了一段睡眠过程中 EEG的阶数分布。结果显示 EEG的 ARMO分布集中在差别很大的几个区间 ,可以用来表示睡眠 EEG分期内微结构和过渡过程 ,并在一定程度上提供 EEG的特征和组成成分的信息     

基于BP网络的睡眠分阶方法及睡眠质量评估研究

我们利用不同睡眠期脑电复杂性特征与睡眠深度的关系及多道睡眠图功率谱特征,基于3层BP网络进行了睡眠自动分阶的研究,并提出了能部分反映睡眠质量的睡眠时间、浅睡时间、深睡时间、REM时间、觉睡比、醒转次数等参数。通过6例全睡眠监护实验说明,该方法可为睡眠质量的评价提供途径。