一种基于EEG特征提取的癫痫棘波综合检测判决方法

癫痫特征的自动检测在临床应用上具有重要的意义。本研究综合小波变换、非线性能量算子、特征提取和神经网络等技术，提出了一种癫痫棘波检测系统，充分发挥各技术的优点，在对真实脑电数据的处理中，表现出良好的性能。     

交感神经放电特征分析的研究进展

对交感神经电活动的分析方法进行分类，介绍国外各小组在交感神经放电特征的统计学分析、功率谱分析、非线性动力学分析以及和其它生理指标的多变量耦合分析方面所取得的研究进展，总结当今交感神经电活动分析上存在的问题和缺陷，并展望这一工作的发展趋势。     

心电QRS积分信号的非线性分析

QRS波群积分能反映心室去极化活动,为不少心电研究者所重视。本文采用了非线性的分析方法,在非线性去噪的基础上重构此积分信号的相空间,计算了吸引子的相关维数与最大L yapunov指数值,分析了QRS波群积分的混沌特征。利用MIT- BIH心电数据库数据分析了多种情况下QRS波群积分的非线性指标变化特点,并同HRV信号非线性分析相比较,发现在某些情况下对QRS波群积分序列分析更具有优势。结论是利用QRS波群积分信号的非线性指标可对心脏功能做出评价。     

非线性声参量对病变生物组织的超声定征

非线性声参量Ｂ／Ａ是描述生物媒质非线性超声效应的重要参量。本文用有限振幅插入取代法研究了猪的病变肝脏组织的非线性声参量，用显微摄影分析了相应组织的病理状态，研究结果表明非线性声参量作为病变组织定征的新参量具有令人鼓舞的前景。     

基于小波包-交叉频率相干性的肌间耦合特性

人体运动控制系统具有高度的非线性特性,通过量化评价表面肌电(sEMG)信号间的非线性耦合强度,可以得到运动相关肌肉的功能状态,进而探究人体运动控制的机制。本文将小波包分解和n∶m相干性分析相结合,构建基于小波包-n∶m相干性的肌间交叉频率耦合分析模型,探究肌电信号间的非线性耦合关系。在维持30%最大自主收缩力(MVC)的肘部屈伸状态下,采集20名健康成年人的sEMG信号,首先基于小波包分解获取子带分量,然后将子带信号进行n∶m相干性计算,分析肌间耦合特征。结果表明:30%MVC的肘部屈曲运动下,协同肌对和拮抗肌对的线性耦合(频率比为1∶1时)强度高于非线性耦合(频率比为1∶2、2∶1和1∶3、3∶1时);对于肌间非线性耦合,随着频率比的增大,耦合强度随之降低,且频率比为n∶m和m∶n之间没有明显的耦合强度差异;beta和gamma频段内的肌间耦合主要体现在协同肌对之间的线性耦合(1∶1)和低频率比的非线性耦合(1∶2、2∶1)以及拮抗肌对之间的线性耦合上。以上说明:小波包-n∶m相干性方法可以定性、定量地描述肌间非线性耦合强度,为深入揭示人体运动控制机制和运动功能障碍患者的康复评价提供理论参考。     

一种新的基于MCE的心肌微循环定量分析系统的研制

基于心肌声学造影(MCE)的心肌微循环定量分析系统,对实时MCE图像进行处理,通过非线性回归分析方法计算出心肌供血区内心肌血容量、血流速度、血流量以及三者的心内、外膜层跨壁梯度等冠脉微循环临床诊断指标,能有效满足临床需求,实现了实时MCE的定量分析.     

常见的听觉滤波器

听觉滤波器在理解听觉形成机制、听觉系统建模、语音压缩和语音识别等很多方面都有着很重要的应用.本文系统地综述了几种常见的听觉滤波器,包括它们的定义、幅频曲线,以及各自在模拟基底膜的非线性、频率选择特性及滤波特性上的优缺点.在此基础上,本文也对这些听觉滤波器进行了比较,阐述了它们之间的区别和联系.     

基于EEG信号分析处理的癫痫预报及研究进展

癫痫是一种常见的脑部疾病，对癫痫发作进行预报具有重要的临床意义。本文回顾了基于EEG信号分析处理的癫痫预报的历史，并综述了时域、频域、非线性动力学和智能分析技术在发作预报上的应用。     

噪声促进神经处理信息的研究

具有非线性阈值行为的神经系统常常工作在有大背景噪声的环境中，尽管如此，神经系统仍能高效地感知、分辨和处理信息。近10多年来，为探明神经系统在噪声环境中如何处理信息的机理，国内外研究人员做了大量的工作，本着重回顾和总结了在与感觉知觉相关的神经系统中存在的随机共振现象，以及应用此种神经处理信息的方式来改善系统的功能方面所做的研究。中还介绍了用于研究感受系统而采用的心理物理学方法的基本原理以及根据此原理得出的一些实际应用例子。这些工作为开发和应用新技术来弥补或增强人的感觉功能提供了依据。     

基于小波变换和Teager能量算子的癫痫脑电自动分类

提出一种利用小波变换和能量算子对EEG进行预处理提取癫痫特征信号,进行近似熵估计,对脑电信号进行分类的新方法。首先利用小波分析将EEG信号进行4层分解分成多个子频带,对频率接近棘波的第1,2层小波系数计算非线性能量算子,再对能量算子进行近似熵估计,最后用SVM对EEG信号进行分类。结果表明,该方法对癫痫发作期EEG和正常的EEG分类效果比较理想。