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。     

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。     

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%。     

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.     

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。     

利用排列小波熵评价脑电信号中的爆发抑制水平

为了评价脑电信号的爆发抑制水平，本文从非线性动力学的角度出发，通过计算脑电信号的排列熵，再计算排列熵的小波熵，得到一种新的参数排列小波熵（PEWE）于量化脑电信号的爆发抑制水平。结果表明，在4例数据的测试中，PEWE与双谱指数模块输出的爆发抑制比指数的相关系数达0.942 5，因此，PEWE可以作为一种新参数来量化EEG信号的爆发抑制水平，为评价EEG信号的爆发抑制水平提供了新思路。 【关键词】脑电信号；爆发抑制水平；排列熵；小波熵     

简化EEG为符号序列及对其复杂度的研究

本文将ＥＥＧ简化为符号序列并用复杂度算法对其进行分析。为获得更好结果，对ＥＥＧ的简化方法作了一些改进，提出计算脑电信号的高阶复杂度；为利用脑电信号中的空间信息，又提出计算脑电信号的空间相关复杂度。计算了多例正常人和癫痫病人的各阶复杂度及空间相关复杂度，获得了较好的结果。     

小波变换在睡眠呼吸暂停脑电分析中的应用

目的：利用小波转换方法对阻塞性睡眠呼吸暂停低通气综合征（OSAHS）患者脑电信号进行处理分析。方法：对人选142例鼾症患者分为对照组、轻度组、中度组和重度组。利用Morlet小波函数对脑电信号进行变换处理得到平均能量尺度图,通过对单位时间能量的计算得到脑电能量变异的两个指标divl和div2,并分别提取两个特征参数P1、P50和P10（Pdiv2≥1．0）、P20（Pdiv2≥1.0）。检验各个指标的正态分布性和各指标在各样本组间的差异性,以及各指标与临床指标的相关性。结果：发现变异指标的四个参数各组之间的检验结果均表现出相似的规律：重度组与对照、轻、中度组之间的差异均有显著意义（P〈0．05）;其它各组之间的差异无显著意义,但有显著性趋势（0．05〈P〈0．1）;各参数与多项睡眠图（PSG）检测指标的多元回归分析结果显示：与参数P1、P50、P10（Pdivz≥1.0）、P20（Pdiv2≥1.0）相关性最强的一个指标分别为呼吸暂停总时间／睡眠总时间（TAT／TST）、呼吸暂停指数、指端血氧饱和度（SpO2）％90％时间／TST、呼吸暂停指数（标准化偏回归系数分别为-0．369、-0．720、0．317、-0．602,P均〈0．05）。结论：脑电能量变异性的定量指标div1和div2的四个参数P1、P50和P10（Pdiv2≥1.0）、P20（Pdiv2≥1.0）表现出随病情加重而变化的趋势,并且对重度OSAHS有一定的区分意义;呼吸暂停是影响脑电能量变化的主要因素。     

基于多特征的颅内脑电癫痫检测方法

自动癫痫检测对癫痫病发作的诊断及减轻医务人员繁杂的工作有着重大的意义.本研究提出一种基于多特征的长程颅内脑电癫痫检测的新算法.该算法首先对颅内脑电信号进行小波分解和半波处理,然后提取脑电信号的微分方差、相对能量和波动指数组成特征向量,利用贝叶斯原理求得待检信号特征向量的后验概率,通过阈值判断达到癫痫检测的目的.利用德国弗莱堡长程脑电数据进行实验,检测灵敏度为94.2％,特异性为95.6％,误检率为每小时1.16次.实验表明,该算法能够有效检测出长程颅内脑电中的癫痫信号,并具有较低的运算复杂度,有利于实时脑电检测.     

中风患者病情轻重程度与脑电节律相对功率的相关性分析

目的:观察中风患者病情轻重程度与脑电节律相对功率谱之间的相关性,以期为中风病情评估提供电生理依据。方法:将80名纳入标准的中风恢复期患者进行脑电检测,并根据《中风病诊断与疗效评定标准》中的病类诊断标准对患者病情进行评价,采用Pearson相关性分析观察脑电信号与病情轻重的相关性。结果:中风患者病情轻重程度与脑电相对功率具有显著相关性,α节律与病情呈负相关,病情越重,α节律相对功率越低且主要体现在前额区、中央区及顶区;θ节律与病情呈正相关,病情越重,θ节律相对功率越高,且体现在顶区、枕区。结论:中风患者病情轻重程度与脑电相对功率有显著的相关性,以α、θ节律为主,可以用于评估中风患者的病情。     

基于多分辨率分析的心率变异性分析

目的：心率变异性蕴藏了大量有关心血管调节的信息,可作为定量反映自主神经功能及其对心血管的调控作用和反映心脏活动正常与否的重要指标之一。因此,主要研究了几种常用的心率变异性分析方法。方法：本论文应用多分辨率分析方法对HRV信号进行6尺度分解,计算小波系数的能量及其在各频段的分布,对cd3-cd6频段的能量进行分析比较。结果：充血性心衰患者各频段能量均值比正常人都要低,能量分别主要集中在高频段和低频段的偏低频部分,且两组的能量差异更为明显,与频域分析结果相比更为精确。结论：要得到带有普遍规律的实验结果,需要对不同的分析方法进行不断地改进和优化,并进行大量的研究工作。     

Wavelet-Crosscorrelation Analysis: Non-Stationary Analysis of Neurophysiological Signals

Summary:Objective: Wavelet-crosscorrelation analysis is a new application of wavelet analysis used to show the propagation of epileptiform discharges and to localize the corresponding lesions. We have shown previously that this analysis can help predict brain conditions statistically (Mizuno-Matsumoto et al. 2002). Our objective was to assess whether wavelet-crosscorrelation analysis reveals the initiation and propagation of epileptiform activity in human patients.Methods: The data obtained from three patients with simple partial seizures (SPS) using whole-head magnetoencephalography (MEG) were analyzed by the wavelet-crosscorrelation method. Wavelet-crosscorrelation coefficients (WCC), the coherent structure of each possible pair of signals from 64 MEG channels for various periods, and the time lag (TL) in two related signals, were ascertained.Results: We clearly demonstrated both localization of the irritative zone and propagation of the epileptiform discharges.Conclusions: Wavelet-crosscorrelation analysis can help reveal and visualize the dynamic changes of brain conditions. The method of this analysis can compensate for other existing methods for the analysis of MEG, electroencephalography (EEG) or Elecotrocorticography (ECoG).Significance: Our proposed method suggests that revealing and visualizing the dynamic changes of brain conditions can help clinicians and even patients themselves better understand such conditions.     

脑电非线性动力学快速分析与癫痫脑电分析

通过分析比较非线性时间序列动力学分析过程中使用的各种算法,选择出适合脑电分析的算法。这些算法时空复杂度较高,计算耗时。我们对这些算法进行了串行优化和改进,使其时间复杂度有不同程度的降低,并提高了其准确度;再对其进行并行化,进一步提升了算法效率。最后整个计算过程运行时间缩短为优化前运行时间的1/50。在此基础上,我们提出了脑电非线性动力学快速分析系统的设计,并使用该系统分析了癫痫脑电数据,取得了良好的结果。     

谱分析在DNA序列分析中的应用

目的:谱分析是信号处理的常用方法,其中的统计相关分析、傅里叶变换、小波变换和数字滤波等手段已逐渐应用到DNA序列的分析中,这些应用包括DNA序列的周期性分析、基因识别和同源性分析等方面.本文对谱分析方法在DNA序列分析中的应用情况进行简单的综述.     

Multivariate Statistical Analysis

General multivariate statistical theory and three statistical models (multi-variate analysis of variance, canonical correlation analysis, and factor analysis) are described. Numerical examples, mathematical notes, an annotated bibliography, and references to computer programs are presented. Multivariate procedures are described as generalizations from univariate statistical theory where possible. The advantages to psychophysiologists of determining the organization of a complicated physiological response system through multivariate statistical procedures are discussed.     

Analysis on Demand

In his book The Piggle, Winnicott describes a psychoanalytic process that began when his young patient was 2½ years old. He saw her for 15 sessions over a period of about 2½ years and he called this type of setting ‘psychoanalysis on demand’. He concluded that a child should either have analysis as daily sessions or be seen on demand. For an analysis ‘on demand’, the young patient needs a high capacity for continuity and linking to bridge the long intervals between sessions. The author examines in relation to the material of Winnicott's creative case presentation how this capacity was communicated to Winnicott by the small child (a kind of primary symbolization) and how these mostly preverbal communications were ‘heard’ (or not) by Winnicott.     

Diabetic Retinopathy Analysis

Diabetic retinopathy is one of the common complications of diabetes. Unfortunately, in many cases the patient is not aware of any symptoms until it is too late for effective treatment. Through analysis of evoked potential response of the retina, the optical nerve, and the optical brain center, a way will be paved for early diagnosis of diabetic retinopathy and prognosis during the treatment process. In this paper, we present an artificial-neural-network-based method to classify diabetic retinopathy subjects according to changes in visual evoked potential spectral components and an anatomically realistic computer model of the human eye under normal and retinopathy conditions in a virtual environment using 3D Max Studio and Windows Movie Maker.