噪声中EP信号的提取算法及研究进展

诱发电位的提取是脑电信号处理领域的前沿课题近年来 ,通过少次甚至单次试验提取诱发电位已经成为研究的主流。本文对近年来提取诱发电位的信号处理方法进行了简要的回顾 ,并分别从小波变换、神经网络、高阶累积量、独立分量分析等四个方面对算法进行了介绍     

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。     

基于EEG信号AR模型的中枢神经系统损伤检测

本文综述一类基于 EEG信号 AR谱和 AR模型参数分析的中枢神经系统损伤检测方法 ,包括主控频率法、AR谱距离法和 Itakura距离测度法等。这类方法根据 EEG信号的 AR模型建立分析 EEG信号状态和变化的测度 ,并利用其检测中枢神经系统在缺氧窒息实验过程中可能存在的损伤并预测最终结果。实验和数据分析的结果表明 ,这类方法在实验各个阶段的检测结果与采用医学方法进行综合评价的 NDS结果一致 ,具有较高的可靠性。     

基于直方图拟合的MRI图像水平集分割

利用混合高斯模型对MRI图像直方图进行分析,将拟合获得的特征参数作为水平集曲线进化的约束条件,对医学图像进行分割。分割中采用的自适应Level Set方法,能够自适应地确定曲线进化方向（扩张或收缩）,而不必在分割之前指定其进化方向,减少了人工干预;同时也克服了传统测地活动轮廓线（GAC）方法对图像梯度信息的过分依赖,以及由于对图像进行大尺度高斯平滑处理造成边缘点移动、定位准确度下降的缺陷。分别对MRI仿真和真实图像进行了实验,MRI仿真实验的分割敏感性、专一性和总体性能指标分别达到了94.72%、97.52%和97.22%。分割结果的定量分析和定性分析表明算法的有效性以及较高的分割准确度。     

急性无氧功率自行车运动对颈总动脉弹性模量 和局部血液动力学的影响

目的研究急性无氧功率自行车运动对不同性别人体颈总动脉弹性模量和局部血液动力学的影响。方法以9名男性和8名女性20～30岁年龄段的健康志愿者作为研究对象,使用无氧功率自行车持续进行4组相同强度的急性运动训练。应用彩色超声多普勒分别检测静息状态及每组运动训练后的颈总动脉管径波形、轴心流速波形,用电子自动血压计同步检测心率和血压大小。运用经典血液动力学理论对检测数据进行分析,计算颈总动脉的弹性模量和局部血液动力学参数,包括压力-应变弹性模量、流量率、周向应变、壁面切应力和振荡剪切指数。结果运动后心率增加;随着运动的积累,颈总动脉弹性模量呈增加趋势;一个心动周期内轴心血流速度和流量率最大值与平均值上升,流速和流量率最小值下降;收缩压和平均压增高,舒张压无明显改变;周向应变无明显改变;切应力最大值有明显增加的趋势,切应力最小值下降趋势明显;振荡剪切指数也有增大的趋势。结论急性无氧功率自行车运动可增加20～30岁年龄段不同性别志愿者的颈总动脉弹性模量,并对颈总动脉局部血液运动学和动力学功能参数产生明显的影响。本文结果将为无氧运动调控脑血管功能提供有用的血液动力学信息。     

基于PCNN-LSTM神经网络的膝关节摆动信号分类识别

膝关节摆动(VAG)信号是指膝关节屈曲或伸展时发出的声音或振动信号,可灵敏、客观地描述膝关节的健康状态,在膝关节疾病的无创检测中具有重要作用.现有的对VAG信号正常和异常分类方法自动化程度低,且分类准确度较低,总体性能有待进一步提升.因此,提出一种基于改进卷积神经循环网络(PCNN-LSTM)的VAG信号分类算法.首先...     

基于纹理特征的神经网络分类器用于肝硬化核磁共振图像分类识别

目的 研究基于纹理特征的神经网络分类器用于肝硬化核磁共振图像(MRI)分类诊断方法.方法 选取经大连医科大学附属第二医院临床和实验室检查确诊的18例患者的肝脏MR图像,其中肝硬化10例,正常肝脏8例,通过手工分割共获取MR图像感兴趣区(ROI)170个(肝硬化组88个,正常肝脏组82个).通过灰度共生矩阵提取了2组170个ROI0°、45°、90°、135°4个方向的纹理特征参数(共计56个),采用盒状图评估56个纹理特征参数区分肝硬化和正常肝脏的性能,获得2组间可分性好的纹理特征参数24个.分别采用全部的56个纹理特征参数(特征组A)、完全随机选择24个纹理特征参数(特征组B)及两组间可分性好的24个纹理特征参数(特征组C)训练反向传播(BP)神经网络,其中用于网络训练的ROI为110个,而测试BP神经网络的ROI为60个.结果 盒状图评价显示0°,45°,90°,135°4个方向上的能量、对比度、相关性、逆差矩、和方差以及差平均共计24个特征参数在肝硬化组和正常肝脏组间可分性较好.特征组C的正确识别率最高(95.00%,57/60),高于特征组A和特征组B(78.33%,47/60;88.33%,53/60;P＜0.05).结论 基于纹理特征的BP神经网络分类器适于肝硬化和正常肝脏MR图像的分类识别.     

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。     

B样条小波在提取脑电癫痫棘波中的应用

脑电癫痫特征波自动提取对于患者的诊断，以及减轻医生的繁重劳动力都具有重要意义。采用B样条小波对信号突变点灵敏检测的优良特性来进行癫痫棘波提取，取得了比较好的效果。     

基于分数低阶矩的非高斯噪声中诱发电位提取新方法

诱发电位（EP）信号榆测与分析技术是临床医学诊断神经系统损伤及病变的重要手段之一。传统的EP信号提取与分离方法中，通常认为EP信号中混入的EEG等噪声是高斯分布的。近年来一些研究表明TEEG信号具有一定的非高斯特性。α-稳定分布町以更好地描述实际应用中所遇到的具有显著脉冲特性的EEG噪声。文中简要介绍了稳定分们统计特性，推导了一种适用于EP信号分离提取的新算法。计算机模拟和分析表明，这种算法是一种在分数低阶α稳定分布背景噪声条件下具有良好韧性的EP信号分离提取方法。