基于熵的严重意识障碍脑电信号识别方法

本研究旨在实现对植物状态和最小意识状态脑电信号的分类识别。通过对植物状态和最小意识状态患者施加唤名刺激,采集被唤名时患者的脑电信号;然后对脑电数据进行去噪预处理、样本熵和多尺度熵的特征提取;最后将提取的数据特征送入多核学习支持向量机(SVM)中进行训练和分类。试验结果表明,严重意识障碍患者alpha波脑电特征表现显著,平均分类精度为88.24%,实现了定量化的严重意识障碍状态判定,为意识障碍程度的临床诊断提供了辅助依据。     

样本熵及在脑电癫痫检测中的应用

对癫痫进行检测和预报具有非常重要的临床意义。首先采用近似熵对癫痫患者的脑电信号进行分析，探索运用近似熵进行癫痫检测的可行性。针对近似熵存在的问题，选用一种与近似熵类似但精度更好的方法一样本熵，并同近似熵就在癫痫脑电信号中的应用进行了比较分析。结果显示癫痫发作时脑电信号的近似熵和样本熵均明显低于发作前和发作后。样本熵的变化幅度明显大于近似熵，样本熵的变化幅度相对于近似熵提高了约10％～25％。     

基于IMF能量熵的脑电情感特征提取研究

为提高脑电信号情感识别分类准确率,结合经验模态(EMD)分解和能量熵提出一种新的脑电特征提取方法。本研究主要介绍了EMD分解的基本原理,分析了传统EMD算法中的"端点效应",采用分段幂函数插值算法改善了EMD分解的精度和性能,然后将改进后的算法应用到脑电信号特征提取,获取脑电信号的IMF分量后计算出IMF能量熵作为情感识别的特征,最后通过分类实验对比改进后的EMD算法和传统EMD算法对脑电情感特征的分类准确率。实验结果显示改进的EMD算法能使识别率提高15%左右,并且以IMF能量熵为特征的平均识别率在80%以上,实验结果表明将IMF能量熵用于脑电信号情感识别是可行的。     

疑似脑死患者脑电信号的动态近似熵分析

研究基于脑电分析的脑死亡判定方法,对于早期发现非脑死亡患者和避免脑死亡误判具有重要的意义.作为脑死亡判定的一个指标,近似熵被引入到对疑似脑死患者脑电信号的分析中.本研究首先将现有的静态近似熵分析法扩展到动态近似熵分析法,并用来识别昏迷患者与脑死亡者,观察患者病状变化的过程.由于在采集脑电信号的过程中存在噪声干扰,所以在动态近似熵分析之前,引入小波分析法对脑电信号进行去噪的前处理.通过对实测患者数据的分析和验证,使疑似患者的不同状态和病状变化过程得以观察和识别.结果表明:昏迷患者与脑死者的脑电信号存在特征差异,昏迷患者的动态近似熵小于脑死者的动态近似熵.     

基于加权复杂网络度熵和的癫痫发作检测方法

癫痫发作检测一直是一项富有挑战性的工作,随着癫痫发病率的增加,高性能癫痫自动检测算法在临床上可以减轻医务工作者的工作量,具有重要的临床医学研究意义。提出基于加权水平可视图的癫痫检测新方法。首先利用加权水平可视图将单通道脑电信号转化为复杂网络,并提取生成的复杂网络的度的平方和权重度分布熵两个特征;最后将两个特征之和作为单特征输入到线性分类器中,用来识别癫痫间歇期和发作期信号。对波恩大学的癫痫脑电数据集进行实验,评价所提出的检测算法的性能。使用该癫痫脑电数据集间歇期和发作期各100个实验样本,样本长度为1 024。实验结果表明,所提出的方法具有较高的分类精度,可达到98.5%。由于分类的特征为单特征,所以更加简单高效,可用于癫痫发作在线自动检测。     

基于小波能量矩的嗅觉脑电信号识别

研究大脑对不同气味的识别能力在嗅觉功能障碍评估和诊断等方面具有重要意义。本文提出将小波能量矩(WEM)作为嗅觉诱发脑电图(EEG)信号特征并用于气味分类。首先,通过试验采集13种气味的嗅觉诱发EEG数据;其次,从嗅觉诱发EEG数据中提取WEM作为信号特征,并将功率谱密度(PSD)、近似熵、样本熵及小波熵作为对比特征;最后,利用k近邻(k-NN)、支持向量机(SVM)、随机森林(RF)和决策树分类器识别不同的气味。结果表明,使用以上4种分类器,WEM特征分类准确率均高于其它特征,其中k-NN分类器与WEM特征结合的分类准确率最高(91.07%)。本文进一步对不同EEG信号的频带进行了探究,发现大多数基于γ频带的分类准确率优于全频带及其他频带,其中γ频带WEM特征结合k-NN分类器的分类准确率最高(93.89%)。本文的研究结果一方面可为嗅觉功能评价提供新的客观依据,另一方面,也可为嗅觉诱发情绪的研究提供新的思路。     

基于通道注意力和稀疏时频分解的运动想象分类EI北大核心CSCD

运动想象脑电信号是低信噪比的非平稳时间序列,单通道脑电分析方法难以有效刻画多通道信号之间的交互特征。本文提出了一种基于多通道注意力的深度学习网络模型,该模型对预处理后的数据进行稀疏时频分解,增强了脑电信号时频特征的差异性。然后利用注意力模块在时间和空间对数据进行注意力映射,让模型可以充分利用脑电信号不同通道的数据特征。最后利用改进的时间卷积网络进行特征融合并进行分类识别。利用BCI competition Ⅳ-2a数据集对所提算法进行验证,结果表明所提算法可有效提升运动想象脑电信号的分类正确率,9名受试者的平均识别率为83.03%,与现有方法相比,提高了脑电信号的分类精度。所提方法增强了不同运动想象脑电数据之间的差异特征,对提升分类器性能的研究具有重要意义。     

不同思维状态下脑电近似熵的变化规律

背景:近似熵是一种描述信号复杂性和规律性的非线性动力学方法,只需较少数据就能度量信号的复杂性。目的:探讨不同思维状态下脑电近似熵的变化规律,以及近似熵在认知过程中的作用。方法:用近似熵对20名健康成年人在安静闭眼、安静睁眼、闭眼记忆、闭眼心算和图片识别5种状态下的脑电数据进行分析。结果与结论:近似熵值在闭眼计算和闭眼记忆思维状态高于安静闭眼状态,在图片识别状态下高于安静睁眼状态(P0.01);近似熵在安静闭眼和安静睁眼状态下各导联处于较低水平,在闭眼心算和闭眼记忆思维状态下各导联处明显增加。说明不同思维状态和不同导联部位对近似熵均有影响;近似熵在认知作业过程下较安静状态增高,并且不同思维状态下大脑功能活动的复杂性不同。因此脑电近似熵分析适用于认知过程脑功能活动变化规律研究,有助于了解大脑的工作机制。     

基于核函数极限学习机和小波包变换的EEG分类方法

目的为实现运动功能障碍患者的运动意愿,基于脑-机接口(brain-computer interface,BCI)的康复训练技术是近年来的研究热点。脑-机接口的关键技术是快速准确地识别出与运动想象相关的脑电模式。针对脑电信号非平稳及个性化差异等特点,利用小波包理论和核函数极限学习机(extreme learning machine,ELM)方法,提出一种自适应的特征分类方法来提高脑电信号的分类识别率。方法由于小波包存在着频带交错的现象,所以首先利用距离准则将自适应提取的最优小波包的平均能量作为特征向量,并采用核函数ELM方法进行分类。最后利用BCI竞赛数据进行了脑电信号特征分类的仿真研究,并对不同算法的分类识别率进行仿真分析。结果自适应特征分类方法对用于实验的脑电数据的平均分类识别率达到97.6%,对比ELM、神经网络(back propagation,BP)和支持向量机(support vector machine,SVM)分类方法,核函数ELM方法在分类时间和识别精度上效果最佳。结论本文提出的脑电信号分类方法取得了较高的分类识别率,适用于脑电信号的分类应用。     

磁刺激神门穴脑电信号的样本熵分析与诱发电位的研究

研究用经颅磁刺激仪在不同频率下刺激肢体神门穴,在安静、磁刺激、假刺激、假穴4种不同状态下脑电信号的样本熵值以及脑电信号诱发电位的特征。对8名被试者进行实验,实验分为4组即安静、磁刺激、假刺激、假穴,测量3种不同频率(0.5、1、3 Hz)刺激下的脑电信号并计算样本熵值,对刺激后的脑电信号诱发电位进行了分析。结果显示,1 Hz与0.5 Hz磁刺激脑电信号样本熵没有明显变化(P0.05);3 Hz时4种状态下的脑电信号样本熵变化较明显(P0.05),磁刺激组和假穴组明显高于安静组和假刺激组,且磁刺激组略低于假穴组;3 Hz磁刺激无诱发电位;而假穴组产生明显体感诱发电位等其他诱发电位。实验表明,对人体神门穴进行磁刺激对脑电信号有明显抑制,与进行针刺或电刺激同样具有调节神经机能的作用。     

基于表面肌电信号的手腕动作模式识别

基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础.为提高动作模式识别率,从肌电信号的产生机理出发,选取分别表征肌电信号形态特征——细节复杂度和整体自似性的近似熵指标和分维数指标,作为模式识别的特征向量;同时提出一种具有增量学习能力的K最近邻(KNN)模型增量学习算法作为模式识别的分类器.在对10位受试者手腕的4个精细动作(腕伸、腕屈、腕内旋、腕外旋)的识别实验中,取得了92.5％以上的正确识别率.同时对增量学习能力对分类器动作模式识别率的影响做对比实验,当假肢使用者生理变化时,以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5％.实验表明,该肌电信号动作模式的识别方法方案合理,具有应用价值.     

认知负载状态下的精神分裂症患者脑电图特异性研究

认知功能损害是精神分裂症的三大原发症状之一,在疾病早期发现和高危人群风险预警等方面具有重要价值。为了研究精神分裂症患者在认知负载状态下的脑电图特异性,本试验收集17例精神分裂症患者和19例健康受试者的脑电信号作为对照,基于小波变换提取各频段信号,计算非线性动力学及脑功能网络属性等特征,并利用机器学习算法将两类人群进行自动分类分析。试验结果表明,两组受试者在认知负载状态下,Fp1和Fp2导联在α、β、θ、γ这4个频带的关联维数和样本熵的差异均具有统计学意义,提示大脑额叶功能损伤是精神分裂症认知功能损害的重要原因。进一步基于机器学习的自动分类分析结果表明,将非线性动力学与脑功能网络属性相结合作为分类器的输入特征,所得分类效果最优,其结果显示准确率为76.77%、敏感度为72.09%、特异性为80.36%。本研究结果表明,脑电信号的非线性动力学和脑功能网络属性等特征,或可作为精神分裂症早期筛查和辅助诊断的潜在生物标记物。     

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60％,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。     

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ABC-SVM的运动想象脑电信号模式分类

为了提高运动想象脑电信号分类的准确率,针对传统支持向量机（SVM）分类方法在脑电信号处理中存在寻优繁 琐、工作量大和分类正确率低等问题,本研究提出一种基于人工蜂群（ABC）算法优化SVM的分类识别方法。首先利用正 则化共空间模式对脑电信号进行特征提取,然后利用ABC算法优化SVM的惩罚因子和核参数,最后利用提取的右手和 右脚两类脑电信号样本特征对优化后的SVM进行训练和分类测试。实验结果表明ABC-SVM分类器提高了脑电信号分 类的准确率,比传统的SVM分类器准确率高出2.5%,证明该算法的可行性和较高准确性。     

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.     

脑电特征分析在阿尔茨海默症临床研究中的应用

阿尔茨海默症(AD)是典型的脑认知功能障碍性疾病,严重影响患者的工作与生活,如何早期诊断此类疾病,一直是人们关注的热点,也是一项有意义的研究。脑电信号包含的功能信息,在脑认知功能障碍的早期诊断中有着独特的优势。从AD的发病机理出发,总结AD的常规诊断方法,进一步阐述脑电特征分析方法,即脑电功率谱、脑诱发电位、脑电近似熵及脑电复杂度等在AD诊断中的应用研究现状,并进行展望。     

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。     

基于无线体域网和复合生理信号近似熵的驾驶疲劳研究

为有效合理地评价驾驶员在驾驶过程中的疲劳程度,通过无线体域网(WBAN)采集12名被试者的3种生理信号(脑电信号、肌电信号、呼吸信号),提取并分析这些生理信号的近似熵在驾驶过程中对疲劳程度的反映效果。试验结果表明,脑电、肌电、呼吸3种信号的近似熵均随时间的增加而逐渐下降,约90 min后下降程度变缓,表明进入比较疲劳状态。通过主成分分析可知,前两个主成分的贡献率分别为47.33%和40.26%,二者之和大于85%,其中脑电信号和肌电信号的近似熵所占权重较大。而且统计分析表明,脑电信号和肌电信号的近似熵显著性P＜0.05,表明脑电信号和肌电信号在表征正常与疲劳两种状态时差异明显。在此基础上,分析信号组合对驾驶疲劳的反映效果,结果表明在脑电肌电信号的近似熵组合时,正常和疲劳状态的概率分布具有明显的界限,可以有效反映驾驶过程中的疲劳状态。通过研究,获得最佳的反映疲劳驾驶的信号组合,可为更加准确地检测和避免疲劳驾驶提供理论依据。     

脑电近似熵分析对帕金森病患者认知功能障碍的评估作用

目的：观察帕金森病（PD）患者与对照者的脑电近似熵的差异,并探讨其对PD认知功能障碍的评估作用。方法：对31例PD患者和31例对照组进行简易精神状态检查量表（MMsE）测试、蒙特利尔认知评估量表（MoCA）测试、事件相关电位（ERP）检测P300波潜伏期（P3PL）,采集安静闭眼、闭眼心算、安静睁眼三种状态下的脑电信号,利用非线性参数近似熵对脑电数据进行分析。结果：①与对照组相比,PD组MMSE评分和MoCA评分均降低,P3PL延长,差异有统计学意义;②与对照组相比,在安静闭眼、闭眼心算、安静睁眼三种状态下,PD组的近似熵在大部分脑区降低,差异有统计学意义这些脑区在安静闭眼状态时是Fp1、Fp2、F4、O2、F8、T3、T4、T5、T6,在闭眼心算状态时是Fp1、F3、F4、C3、P3、O1、T3、T5、T6,在安静睁眼状态时除C4外的15个脑区;③与对照组相比,PD患者近似熵变化值于F3、C3、P3、O1降低,差异有统计学意义;④所有受试者安静闭眼、闭眼心算、安静睁眼三种状态下大部分脑区近似熵值与MMSE评分、MoCA评分呈正相关,与P3PL呈负相关。结论：脑电近似熵可以作为一项客观评定PD患者认知功能障碍的电生理指标。