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。     

面向心理压力评估的脑电信号多重分形去趋势波动分析方法研究

本文基于多重分形去趋势波动分析方法(MFDFA)实现了对受试者心理压力状态的评估。研究针对不同心理压力状态下,脑电信号多重分形去趋势波动分析中最优分形阶数确定问题,重点分析了多重分形去趋势波动分析方法中的奇异指数、Hurst指数等参数与阶数的关系,进而确定最优分形阶数,实现了基于脑电信号多重分形去趋势波动分析的心理压力状态评估。试验采集了14名在校学生有/无心理压力状态下的脑电信号,分别比较了奇异指数、奇异维数、Hurst指数、质量指数与阶数关系,确定了最优分形阶数范围为[—5,5],实现了基于脑电信号β波多重分形去趋势波动分析方法的心理压力状态评估。研究结果表明,心理压力状态下,脑电信号的Hurst指数和质量指数大于无压力状态下,脑电信号的相应参数,随着阶数的变大,Hurst指数减小,趋近于定值,而质量指数增大,奇异值随阶数的变化幅度较明显。本文还比较了有/无心理压力状态下,脑电信号的峰值和奇异谱宽度,结果表明,不同心理压力状态下脑电信号多重分形谱特性不同,心理压力状态下,脑电信号的奇异谱宽度明显大于无压力状态下脑电信号的奇异谱宽度。本文研究结果说明,该方法可以有效地评估心理压力状态,为实现心理压力状态干预,提高心理健康等提供支持与帮助。     

睡眠呼吸暂停综合征患者脑电的去趋势波动分析

睡眠呼吸暂停综合征(SAS)是一种发病率高且危害巨大的睡眠疾病,其病理机制复杂,诊治困难,从单一或少量生理信号中挖掘SAS的特征信息是近年来睡眠疾病研究的热点。本文基于脑电(EEG)的非平稳和非线性特性,采用去趋势波动分析(DFA)对SAS患者和健康人的睡眠脑电进行研究。研究发现,SAS患者和健康人睡眠脑电的标度指数α随着睡眠加深逐渐增大,而在快速眼动期(REM)则下降;与此同时,SAS组的标度指数在各个睡眠阶段均高于对照组,两组间存在明显差异(P0.01);采用受试者工作特征(ROC)曲线对脑电标度指数区分SAS的性能进行评价,得到SAS组和对照组的睡眠脑电标度指数最佳临界值0.81,对应灵敏度为94.4%,特异度为99.2%,曲线下面积(AUC)为0.994。结果说明DFA标度指数用于SAS区分有很好的辨别能力和准确度,为SAS诊断提供了新的理论依据。     

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。     

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%。     

基于能量特征和模糊熵的睡眠自动分期

目的:为实现有效睡眠自动分期,提出一种基于脑电能量特征和模糊熵的睡眠分期方法。方法:首先利用小波变换进行脑电信号去噪,再利用FIR带通滤波器提取脑电信号的特征波,获得能量特征,并提取脑电信号的模糊熵,最后利用支持向量机进行模式识别。结果:能量特征值和模糊熵值随着睡眠状态的变化而不同,睡眠各期可以根据特征值的不同而得到有效区分,通过对1 140个脑电信号样本进行睡眠分期,得到的平均准确率为88.45%。结论:基于脑电能量特征和模糊熵的睡眠分期方法简单、有效,具有良好的临床应用价值。     

低频光刺激在浅睡期的脑电响应

目的人的睡眠是有节律的,浅睡眠和深睡眠反复交替进行,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。本文通过分析低频光刺激下睡眠过程中脑电波的变化,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。方法利用美国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,然后对分期后的脑电信号做傅里叶变换,获得各频段脑电波,并求其能量。最后比较并分析了志愿者在光刺激(5 Hz)和正常睡眠下浅睡期的脑电信号能量。结果在低频光刺激下,浅睡期脑电波的波能量明显高于正常睡眠,尤其在中央区和顶区增加明显。结论在光刺激下大脑皮质以更平稳的方式进入抑制状态,有助于更好地进入深睡期。     

基于扩展Infomax 独立分量分析算法的脑电信号消噪

背景：脑电信号能够反映大脑不同的生理病理状态,但在采集和分析处理过程中极易受到各种噪声的干扰,如眼球运动、眨眼、心电、肌电等,这些噪声的存在严重影响了脑电信号的分析和处理。 目的：介绍了一种基于扩展Infomax的独立分量分析方法,并用于脑电信号消噪。 方法：通过扩展Infomax算法的迭代求得分离矩阵,采用去除噪声分量后的独立成分重构需要记录的脑电信号,观察Matlab仿真得到的去噪后的脑电信号,同时比较去噪前后各导联脑电信号与眼电信号的相关性。 结果与结论：使用扩展Infomax 独立分量分析算法能够成功地去除多导脑电信号中的眼电干扰。再比较去噪前后各导联脑电信号的功率谱,可以发现使用扩展Infomax独立分量分析算法同时也能够成功地去除多导脑电信号中的工频干扰,且对脑电信号中的其他有用信号几乎没有破坏。     

基于EMD去趋势波动的脑疲劳模糊熵分析

脑疲劳是由于人们长时间地从事重复单一或高负荷的认知活动所引起的,短时间的脑疲劳会引起注意力下降、工作效率降低,而长时间的脑疲劳则会造成脑功能损伤。提取脑疲劳特征有助于脑疲劳的检测,预防脑疲劳带来的危害。熵能够反映脑疲劳状态下大脑复杂度的变化情况,有望成为评价脑疲劳的指标。但是,熵对脑电信号特征的提取受趋势重叠的影响,无法实现信号动态特性的准确描述,造成不同时间段得到的熵特征不一致。为解决趋势重叠对脑电信号熵特征的影响,将基于经验模式分解(EMD)的去趋势波动分析同熵值计算相结合,以4 h英语科技论文翻译作为脑疲劳诱发任务,记录14名本科生志愿者在正常安静和脑疲劳状态下的脑电信号,对比分析两种状态及3个时间段脑电信号的近似熵、模糊熵和去趋势模糊熵。结果表明,相比传统的近似熵和模糊熵,脑疲劳状态下去趋势模糊熵在左半球脑区的熵值较正常安静状态下显著降低(FC3,P=0.022;P5,P=0.007),且3个时间段有显著性差异的导联基本相同(3个时间段FC3导联P值分别为0.025、0.017、0.012,P5导联P值分别为0.011、0.006、0.017)。结果表明,去趋势模糊熵可以更好地表达两种状态下大脑复杂度的差异,且具有很好的时间稳定性。因此基于EMD的去趋势模糊熵可以更加快速有效地评价脑疲劳对大脑活动复杂度的影响。     

EEG柯尔莫哥洛夫熵测度用于精神疲劳状态的研究

为了区分精神疲劳的程度，研究了不同精神疲劳状态时脑电信号的无序程度。通过对8例不同精神疲劳状态与其对应脑电信号柯尔莫哥洛夫熵的分析，发现：1）脑电信号柯尔莫哥洛夫熵的波动范围与精神疲劳的状态有着明显的对应关系；2）脑电信号柯尔莫哥洛夫熵随着连续工作时间的延长而减小；3）可以通过分析脑电信号柯尔莫哥洛夫熵的波动范围对疲劳时心理生理状态进行客观评定。研究方法为进一步认识精神疲劳的过程、研究精神疲劳对中枢神经系统的影响提供了一种新的工具。     

基于条件概率的短时睡眠状态实时估计

目的根据脑电信号的特征,提出基于条件概率的睡眠状态实时估计方法,为睡眠监测提供反映睡眠状态连续变化的客观评价依据。方法在白天短时睡眠过程中,同步采集了4导与睡眠相关的脑电信号(C3-A2,C4-A1,O1-A2,O2-A1),对每5秒记录数据进行傅里叶变换,分别计算了8~13 Hz和2~7 Hz的脑电节律能量占空比特征参数。主要方法包含了学习和测试两个阶段:在学习阶段,根据训练数据获得脑电特征参数的概率密度分布;在测试阶段,根据当前特征,得到各睡眠分期的条件概率,并计算获得睡眠状态的估计值。结果分析和测试了12名受试者的短时睡眠数据。通过与睡眠分期的人工判读结果相比较,睡眠状态估计值呈现了睡眠深度的连续变化。觉醒期的显著性差异为2.94,睡眠一期和二期分别为1.78和1.62,分析结果符合实际规律。结论本文所定义的睡眠状态估计值蕴含了睡眠分期的特征,较好地反映了睡眠阶段在持续和过渡期间的连续变化过程,能够为白天短时睡眠状态分析提供实时监测和分析的客观评价依据。     

癫痫大鼠脑电信号的除趋势涨落分析

除趋势涨落分析(Detrended fluctuation analysis,DFA)是一种较新的非稳态时间序列长时程暂态相关(Long-range temporal correlation,LRTC)结构特征分析方法,人们已将它初步应用于正常脑电信号和疾病脑电信号的相关性分析之中,取得了一些有意义的结论.我们用DFA方法分析了匹罗卡品痫样放电大鼠模型的不同脑区和不同脑功能状态下脑电演化行为的参数--标度指数,结果表明:癫痫大鼠从无痫样放电到连续痫样放电再到周期痫样放电的过程转变中,4个脑区(左皮层、右皮层,左海马、右海马)的标度因子分别从约0.97到0.82再到0.94变化,配对样本T检验表明,同一脑区不同脑功能状态间的标度因子有显著性差异(P＜0.05),提示这三种脑功能状态的局部神经网络动力学可能不同.对三种不同的脑功能状态,标度因子在不同脑区上没有显著性差异(P＞0.05).     

利用心率的去趋势波动分析提取睡眠呼吸暂停低通气综合症患者的睡眠结构信息

以经基于心率变异性的睡眠分期大都是针对健康人进行的,拟利用心率变异性分析睡眠呼吸暂停低通气综合症(SAHS)病人的睡眠结构.根据微动敏感式床垫式睡眠监测系统(MSMSMS)所得10名健康者的心率和30名不同程度SAHS患者的心率,利用去趋势波动分析(DFA)方法,计算他们在各睡眠阶段的标度指数.实验结果显示,SAHS患者各个睡眠阶段的标度指数具有明显差异,与健康者也有不同,为基于心率变异性对SAHS患者进行睡眠分期以及SAHS患者的判定提供了依据.     

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。     

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。     

脑电信号分析在麻醉监测中的研究进展

目前,临床上迫切需要一种能保证高质量麻醉的麻醉监护技术.脑电信号(EEG)分析在麻醉镇静深度监测方面具有明显的作用.系统地介绍几种脑电信号分析方法,如双谱、听觉诱发电位、脑功能状态、脑电熵、麻醉趋势和脑电非线性分析等指数;并分析了这些脑电分析方法在麻醉镇静深度监测中的局限性,提出了今后的研究方向.     

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。     

脑电图微状态分析及应用研究进展EI北大核心

脑电信号具有高时间分辨率的特征,各类脑电信号分析方法近年来发展迅速。脑电微状态分析方法能够研究毫秒级范围内的大脑变化,同时也可呈现脑电信号在拓扑层面上的分布,从而反映全脑的不连续和非线性特征。经历三十多年的丰富和完善,脑电微状态分析已经渗透到脑科学相关的多个研究领域。本文总结了脑电微状态分析方法的基本原理,系统阐述了微状态特征参数改变、微状态与脑功能网络的关系以及微状态特征提取与分类在脑疾病和脑认知方面的主要应用进展,期望能够为该领域的研究人员提供一定的参考。     

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。     

基于子波变换的癫痫脑电信号检测方法的研究

当前癫痫自动检测方法,通常采用希尔伯特黄变换结合脑电信号变换规律进行检测,易受到噪声的干扰,检测结果存在一定的误差。据此,深入研究基于子波变换的癫痫脑电信号检测方法,依据子波变换检测癫痫脑电信号的原理,采用子波变换对含噪的脑电信号进行去噪后,考虑到癫痫患者发病时,脑电信号里异常特征波导致信号波动幅度较大,采用TQWT小波分解并重构脑电信号,提取重构后的脑电信号里有效值与峰峰值指标构成特征分量,根据特征分量设定正常与发病两种样本,通过支持向量机(support vector machine,SVM)分类器对脑电波信号样本分类,实现患者癫痫脑电信号的准确检测。实验结果表明,所提方法可有效检测癫痫脑电信号,检测灵敏度、特异性和准确率均值分别是98.73%、18.84%、98.87%,适用于癫痫脑电信号检测。