人工神经网络在脑电分析中的应用

人工神经网络是脑电分析研究中适用的新工具和技术。本结合神经网络在脑电分析中的应用，着重归纳出其中的几项比较关键，即神经网络输入数据的形式、神经网络训练样本的选取、神经网络的学习方式和神经网络用于认知问题研究等。     

基于神经网络的阿尔茨海默病脑电诊断应用现状EI北大核心CSCD

脑电信号是脑神经电生理活动的总体反映,具有安全、高效、实时、动态等优点。随着机器学习相关研究的开展与推进,基于神经网络的阿尔茨海默病自动诊断正成为脑电分析研究热点。本文从前馈神经网络入手,比较分析了循环神经网络、卷积神经网络和深度信念网络等神经网络模型的结构特性及其在阿尔茨海默病诊断中的性能表现,并探讨了该研究在未来可能面临的挑战和研究趋势,期望为神经网络在阿尔茨海默病脑电诊断的临床应用提供有价值的参考。     

径向基函数神经网络在脑电信号建模中的应用

详细介绍了径向基函数神经网络在脑电倍建模中的应用，描述了径向基函数神经网络的结构与算法，通过与反向传播算法神经网络在脑电建模中的应用进行对比，并经计算机仿真发现径向基函数神经网络较适用在脑电信号这类非线性系统建模。     

融合脑电与近红外脑地形图特征学习的多模式分类

脑地形图可以用来可以监测大脑的活动状态，为了准确提取被试大脑活动产生信号的空间特征以及有效提高分类准确率，结合脑地形图和卷积神经网络提出一种多模态脑地形图神经网络分类算法(MBTMNN),对运动想象和心算进行分类识别。对脑电和近红外信号进行预处理，提取脑电的能量特征和近红外中氧合血红蛋白浓度特征，结合各自电极位置统一所有样本的colormap后生成脑地形图，将二者同时输入到卷积神经网络并在特征层进行融合得到训练模型。利用2017年柏林脑电-近红外公开数据集进行六折交叉验证实验，数据集包含29名被试，各300个样本，在运动想象左/右、心算/静息、运动想象/心算/静息和运动想象左/右/心算/静息等4种分类场景中，分别达到了82.91%、94%、90.34%和78.18%的准确率，高于同数据集的近期研究和单模态方法。所提出方法能够有效融合脑电和近红外信号以提高分类精度。     

用脑电互信息及复杂度预测异氟醚麻醉时患者对切皮刺激的反应

自从麻醉应用于临床以来，麻醉深度的可靠监测是十分必要的。但到目前，尚没有一个公认可靠准确的方法。本文提出一种麻醉深度监测的新方法，即用脑电的互信息序列及其复杂度分析来反应异氟醚麻醉条件下患者的麻醉情况。首先计算出四导脑电的互信息时间序列，然后计算该序列的复杂性测度，借助于神经网络可实现用脑电来监测麻醉深度。神经网络的输入是复杂度值和对应的MAC水平，输出即是麻醉深度状况的结果。从98个自愿患者进行的实验中得到98个不同程度异氟醚麻醉时切皮前脑电片断，同时监测血液动力学参数和患者的呼吸模式。切皮后，仔细观察每个患者两分钟，以检查患者对切皮的反应，把有反应时的脑电标上0．0，无反应时的脑电标上1．0。训练和测试神经网络用“去掉一个”方法。从患者对切皮的反应和神经网络的输出结果可检测系统的预测情况。实验表明，系统对切皮后患者反应的平均正确判断率为91．84％，该方法比传统脑电分析方法如边缘康率法、中心频率法、双谱分析法有更高的准确性。另外，该方法计算时间短，适合临床实时使用。     

神经网络方法在脑诱发电位检测中的应用

人工神经网络是脑电研究中适用的新工具和技术，本文着重介绍了ＢＰ网络的基本原理，并给出了神经网络在诱发电位和事件关联电位检测研究中的应用。     

神经网络方法在脑诱发电位检测中的应用

人工神经网络是脑电研究中适用的新工具和技术。本文着重介绍了ＢＰ网络的基本原理，并给出了神经网络在诱发电位和事件关联电位检测研究中的应用。     

计算机处理睡眠数据中2导脑电和1导眼电的非周期波形分析

背景：睡眠中记录的数据量很大,不用计算机自动处理不能满足实用需要,而现有的对睡眠数据进行分期的方法准确率都不高。 目的：考察仅依据脑电与眼电,基于非周期波形分析和径向基函数遗传神经网络的睡眠数据分期新方法。 方法：实验数据来自MIT的PhysioBank中的S1eep-EDF数据库,共8名被试,各记录2导脑电和1导眼电。原始数据经零相位数字滤波后,进行非周期波形分析,得出每个Epoch的特征向量,经预处理后送遗传径向基函数。神经网络配合专家手工分类结果进行训练,训练好的神经网络再对测试数据进行分析。 结果与结论：总的分期符合率为95.6%,超出已知文献研究结果(70%~90%),具有很高的实用价值,能满足睡眠研究与临床使用。     

中华医学会第一次全国脑电地形图学术会议在沪举行

中华医学会第一次全国脑电地形图学术会议于1993年7月28～31日在上海举行。会议共发到论文277篇,内容涉及脑电地形图的工程技术、操作分析、临床研究以及有关脑电地形图仪的研制和使用中的评价和建议等方面。这次会议的一个特点是工程技术人员参加会议并宣读论文。有的工程技术人员利用“神经网络学说”、“混沌理论”对脑电活动进行了初步探索。     

独立分量分析及其在脑电逆问题中的应用

由大脑头皮电压推断大脑内活动源的信息，称之为脑电逆问题。脑电逆问题的解决对于脑认识功能的研究有重要的科学意义和临床应用价值。本首先对脑电逆问题及其主要解决方法作了简要介绍，然后介绍了独立分量分析(ICA)的工作原理、算法及其在脑电逆问题中的应用，分析了尚未解决的问题，提出ICA是一个在脑电逆问题中值得注意的研究方向。     

径向基函数神经网络在脑电信号建模中的应用

详细介绍了径向基函数神经网络在脑电信号建模中的应用 ,描述了径向基函数神经网络的结构与算法 ,通过与反向传播算法神经网络在脑电建模中的应用进行对比 ,并经计算机仿真发现径向基函数神经网络较适用在脑电信号这类非线性系统建模     

脑电同步性分析在癫痫机制研究中的应用

脑电相位同步性是研究癫痫超同步放电机制的方向之一。介绍了应用Hilbert变换提取脑电的瞬时相位的方法，分析脑电相位同步性的互相关法、互信息法和同步指数法，以及脑电信号的小波变换，综述了以上方法在癫痫发作的超同步放电机制研究中的应用。     

脑电信号的分析──一种探索大脑功能状态及活动规律的途径

本文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（Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈ）信号处理的特点及存在的问题。最后本文介绍了时频分析、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律的新手段。     

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     

基于多特征多关系图卷积神经网络的癫痫脑电分类

目的:提出一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法,改进图卷积神经网络在癫痫脑电分类领域的应用,提升分类准确率。方法:分别提取癫痫脑电信号的1个频域特征、3个时频域特征和2个非线性动力学特征作为模型节点的特征。提取脑电通道之间的空间相似性和频谱相似性,融合两种通道相似性作为整体图节点之间的边关系矩阵。结果:在TUEP数据集上进行实验,准确率、精确率、召回率、F1分数、AUC结果分别为:0.87±0.02、0.91±0.04、0.82±0.04、0.86±0.02、0.90±0.03。结论:提出的模型与单特征和单关系的图卷积神经网络相比,对于癫痫脑电分类的提升效果明显。     

脑机接口中一种改进的模式识别方法

为提高脑机接口中脑电识别率，分析了特征提取方面时频特征组合法的缺点，探讨了一种改进的模式识别方法。该方法以样本类平均距离为判据，采用滑动窗优化技术，获取时域均值的最佳时间段和频域功率谱均值的最佳频率段。用经过优化的时域均值和功率谱均值组合作为特征，形成特征向量。基于该特征向量，用神经网络对脑电信号进行分类。以识别正确率为指标，将改进方法与原方法进行对比，实验结果表明改进方法能够提高脑电识别率，具有应用价值。     

基于多特征融合的运动想象脑电信号识别研究

目的:脑机接口通过识别脑电信号后对外部设备进行控制,针对传统的提取单一特征方法无法多角度表征脑电,提出一种多特征融合的特征提取方法。方法:分别使用自回归模型、经验模态分解、共空间模式提取结合时-频-空域的初始特征向量,用主成分分析降维,最后用支持向量机分类。结果:对BCI2003数据处理后,得到91.9%的识别率,高于单一特征和两两组合特征下的识别率以及BP神经网络、概率神经网络的识别率。结论:多特征融合的特征提取方法更好地代表了脑电特征,同时采用支持向量机分类可取得较好的效果,证明本研究方法的有效性,可进一步用于脑机接口中。     

子波神经网络在脑电信号数据压缩表征与棘波识别中的应用研究

本文在对子波神经网络及其算法研究的基础上,提出了一种对脑电信号压缩表征和痫样脑电棘波识别的新方法.实验结果显示,子波网络在大量压缩数据的同时,能够较好的恢复原有信号.另外,在脑电信号的时频谱等高线图上,得到了易于自动识别的棘波和棘慢复合波特征,说明此方法在电生理信号处理和时频分析方面有着光明的应用前景.     

基于EMD-多尺度熵和ELM 的运动想象脑电特征提取和模式识别

运动想象脑电特征是进行动作模式识别进而实现生物反馈技术的重要依据。在对侧躯体运动想象脑电识别方法的基础上,研究单侧躯体不同运动想象模式下的脑电特征提取问题,提出基于EMD-多尺度熵(MSE)的脑电信号瞬态特征提取及定量描述的方法,设计基于极限学习机(ELM)的动作模式识别模型。通过对10名正常受试者在左侧手臂屈、伸动作模式下的运动想象脑电的分析,提取其特征并进行动作识别,结果证实其识别率可以达到90%以上。实验表明：所提出基于EMD-MSE的运动想象EEG特征提取方法,能够定量刻画不同运动模式下脑电信号的多尺度局部瞬态特征;进一步运用基于ELM学习算法的前馈神经网络,可以实现对不同运动模式下脑电EMD-SME特征的有效分类。     

脑电信号数据压缩及棘波识别的小波神经网络方法

对小波神经网络及其算法研究的基础上,提出了一种对脑电信号压缩表达和痫样脑电棘波识别的新方法。实验结果显示,小波网络在大量压缩数据的同时,能够较好的恢复原有信号。另外,在脑电信号的时频谱等高线图上,得到了易于自动识别的棘波和棘慢复合波特征说明此方法在电生理信号处理和时频分析方面有着光明的应用前景。