基于ECoG的运动想象分类

目的 以两种运动想象任务下采集的64导ECoG信号为训练样本，识别几天后重复进行的运动想象任务。方法 以动作感知皮层区脑电图（ECoG）的μ节律（8Hz-13Hz频段）功率谱为特征。通过手工比较功率谱的差异显著性，从64导中粗选出11导最明显的信号。再用共同空间特征法（CSP）滤波提高信噪比，使信号从11维降到8维。采用K近邻分类器进行分类识别，其中依据交叉验证法得到最佳的近邻值。结果 测试样本的预测精度达到94％。结论 利用动作感知皮层区脑电μ节律能较好识别对应的特定（想象）运动；共同空间特征法滤波可以有效提高信噪比；只要预处理、特征抽取及分类得当，时间间隔和实验误差等因素对运动想象识别的影响不大。     

睡眠脑电的信息熵和近似熵

计算不同个体、不同睡眠状态下脑电信号的信息熵和近似熵,研究两者在表征睡眠状态方面的特点.     

睡眠脑电的奇异系统分析

奇异系统分析具有抑制噪声的效果,并且方法简单,计算量小.睡眠脑电的奇异系统分析表明,第一主成分含量明显反映了睡眠状态差异:在清醒时最低,随着睡眠加深逐渐增加,但在REM期时介于S1期和S2期之间.这一结果基本不受个体、数据长度、嵌入维数以及延迟时间的影响.     

改进G-P算法与睡眠脑电的关联维

脑电的非线性参数能有效表达大脑的不同生理状态,不同睡眠期脑电的关联维数不同.但用G- P算法求关联维数存在抗干扰能力较差、可靠性不稳定、运算量巨大等缺点.先对相空间进行奇异谱分析,进而对原始相空间进行旋转,使其成为正交的等效空间,然后再使用G- P算法.改进后的算法能有效地抑制噪声干扰,降低相空间规模,减少运算复杂性,在睡眠脑电的关联维数计算上效果良好.     

隐马尔可夫模型在睡眠分期中的应用

清醒期(W)、快速眼动期(REM)和睡眠二期(S2)在睡眠总时间中占据很大比例，而且三从脑电(EEG)上较难区分。用隐马尔可夫模型(HMM)从单导睡眠脑电中区分W期、REM期和S2期。对受心电干扰明显的脑电信号进行独立分量分析(ICA)，去除干扰；建立最佳阶数AR模型，进行谱分析，提取EEG平均频率，和EEG幅度均值、标准差一起作为观察值；分别建立W期、REM期和S2期的连续密度隐马尔可夫模型(CD-HMM)。经过测试，W期、REM期和S2期的正确识别率分别为92%，100％-94％。表明隐马尔可夫模型(HMM)在睡眠分期中有很好的应用前景。     

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。     

基于支持向量回归方法的蛋白残基可溶性预测

介绍了一种从蛋白质序列预测残基相对可溶性的新方法。该方法基于支持向量回归，并将序列局部信息作为输入。不同于先前的大部分预测方法仅对特定的蛋白残基相对可溶性进行状态分类，该方法预测了相对可溶性的连续值，从而比状态分类保留了蛋白质三维结构的更多信息。本研究对RS-126，Manesh-215和CB-513三个数据集进行了测试。通过比较不同的参数及窗宽模型来获得最佳结果，采用平均绝对误差、相关系数等参数来衡量预测效果，同时与多层反馈神经网络方法（RVP-Net）的实验结果比较，在3-fold情况下三个数据集预测结果的平均绝对误差均有降低，相关系数均有提高。另外，该算法采用了多序列比对作为输入，效果比单序列有所提高。采用该方法，对CB-513数据集平均绝对误差可以达到16．8％、相关系数为0．562，而用RVP-Net方法分别为18．8％和0．480。这些结论表明支持向量回归方法是蛋白质序列分析的一种有效工具。     

脑-机接口信号预处理中的高提升滤波

为突出脑-机接口中局部脑电的事件相关去同步信号，将算法简单的高提升滤波(high—frequency—emphasis，HFE)用于信号的数据预处理。分析结果表明，采用适当放大系数的高提升滤波比Laplacian滤波的效果更好。用HFE可有效地提高脑-机接口系统的识别率。     

多导信号的相空间重构及在脑电信号分析中的应用

本研究提出了一种基于时间延迟和序列相关性的多导信号相空间重构方法。根据信号的相关系数重组多导联信号序列，并利用信号的可确定性选取时间延迟参数重构相空间。对仿真数据的研究表明这种重构方法在信号的确定性和相关维数计算中具有良好的性能，受噪声、延迟量和嵌入维数等参数变化和单导重构相比影响较小，结果更稳定和可靠。对实验思维脑电数据的非线性分析得到了脑电和思维复杂性，关联性等性质的联系。该方法适用于短时多导含噪信号的非线性分析和脑电的在线研究等。     

利用多导脑电序列的非线性分析测评精神负荷

精神负荷的研究对于改善工作环境和提高工作效率有着重要的意义，脑电、心电、呼吸等生理参数分析可以作为测评精神负荷的重要手段。本研究针对多导脑电提出了一种基于时间延迟和序列相关性的多导信号相空间重构的非线性动力学分析方法。对仿真数据的研究表明这种重构方法在信号的确定性和相关维数计算中具有良好的性能。试验脑电数据的关联维数计算和精神负荷水平的变化具有很强的一致性。结果表明该方法适用于多导脑电序列的非线性分析并可作为测评精神负荷的重要依据。