基于非线性预测效果的癫痫脑电信号的特征提取方法

在非线性时间序列预测研究的基础上,提出了基于非线性预测效果的癫痫脑电信号特征提取方法,从脑电信号中自动检测出癫痫脑电信号.采用基于可预测性的选取嵌入维数的方法确定脑电信号序列的嵌入维数,进行相空间重构.实验结果表明:基于非线性预测效果的特征提取方法提取的特征能明显地区分癫痫脑电信号与正常脑电信号,该非线性特征提取方法适合小数据量的情况且对噪声的稳定性好.     

改进的相对转移熵的癫痫脑电分析

脑电信号是由脑神经活动产生并且始终存在于中枢神经系统的自发性电位活动,是一种重要的生物电信号. 脑电信号是非常微弱的且是非线性的,脑电信号也具有时间不可逆性. 本文提出了一种新的基于正向序列转移概率与逆向序列转移概率的相对熵方法即相对转移熵方法,并应用此方法研究了正常脑电与癫痫脑电的不可逆性,实验结果显示癫痫患者的脑电信号的不可逆性明显小于正常人的脑电信号的不可逆性. 这说明改进的相对转移熵可以作为一个物理过程不可逆程度的度量参数,这使得应用脑电信号区分病人是否患有癫痫疾病具有积极指导意义. 关键词： 相对转移熵 脑电信号 符号化 时间不可逆性     

基于网络连接度指标的脑梗死患者脑电信号相同步分析

基于图论的脑功能网络分析是近年来的一个研究热点,而相同步分析已被证实为揭示多导联脑电信号之间功能连接的有效工具.针对当脑电采集系统中导联数目较少而不适用于采用图论分析的情况,提出使用基于导联间相同步分析的网络连接度指标研究脑功能网络的关联特性和整体特性.采用新的频带划分方法,将0.5—30 Hz带宽内的脑电信号划分到5个子带上,计算了不同数据长度下各子带分量的网络连接度指标,并对比分析了各子带分量的相对功率.结果表明:在对脑梗死患者的脑电图和正常人的脑电图进行分析时,需要合理的数据长度量化不同动力学系统之间的差异;在合理的数据长度下,在网络连接度指标的区分效果方面,19—24 Hz分量信号优于其他分量,而且仅在19—24 Hz频带上,脑梗死患者组的所有导联出现了与对照组的所有导联相同趋势的变化.研究表明19—24 Hz频带是脑梗死最佳的脑电图诊断频段,可将该频段下的网络连接度指标作为脑梗死辅助诊断的新指标.     

磁刺激穴位复杂脑功能网络构建与分析

本文采用互信息方法对磁刺激内关穴过程中的脑电信 号进行了两两通道间非线性时域关联特性分析, 构建了不同频率刺激前、刺激中、刺激后的脑功能网络, 并基于复杂网络理论对脑功能网络的特征进行了深入研究. 结果表明, 磁刺激频率为3 Hz 时, 大脑功能网络的平均度、平均聚类系数和全局效率与刺激前相比均有显著升高, 平均路径长度显著降低, 并且相应脑功能网络的"小世界"属性有所增强, 信息在大脑各区域间的传递更加高效. 本研究首次开展了磁刺激穴位复杂脑功能网络的构建与分析, 为探索磁刺激穴位对大脑神经调节的作用和机理提供新思路和新方法. 关键词： 复杂网络 磁刺激 脑功能网络 互信息     

基于改进功率谱熵的抑郁症脑电信号活跃性研究

采用非线性动力学方法研究脑精神疾病是近年来国内外学者研究的热点和趋势.针对脑精神疾病的研究和诊断中缺少客观有效的量化参数和量化指标的状况,提出了一种根据对时间序列功率谱划分而定义的谱熵,然后用其计算和分析脑电信号谱熵的方法.通过数据仿真试验证明该谱熵和信号活跃性之间存在正相关关系.基于这种相关性,应用该方法对抑郁症患者和正常对照组的脑电信号功率谱熵进行了数值计算,然后进行了分析对比和统计检验.实验结果表明:抑郁症患者脑电信号的功率谱熵在部分脑区显著弱于正常健康人.证明该谱熵能够表征大脑电生理活动状况,提供反映其活动性强弱的信息,可以作为度量大脑电生理活动性的一个参数.这对于能否将该功率谱熵作为诊断脑精神疾病的物理参数具有积极意义.     

基于复杂度的针刺脑电信号特征提取

为探究针灸刺激对大脑活动产生的影响,文章设计了4种针刺频率针刺右腿足三里穴获取脑电的实验.首次采用排序递归图和关联维数方法提取针刺脑电信号的复杂度参数来反映针刺大脑的功能状态,并基于这些方法研究了针刺作用对大脑功能区域的影响以及不同针刺频率与脑电复杂度的相关性.发现针刺时脑电的复杂度高于针刺前,尤以频率为100次/min的针刺影响最为明显;从FP2, F7, T3导联脑电中提取的确定性指标(DET)可作为区分针刺状态与针刺前状态的一种特征参数. 关键词： 针灸 脑电 排序递归图 关联维数     

脑电信号的样本熵分析

运用非线性动力学方法对癫痫患者与正常人的脑电数据进行分析。研究结果表明,癫痫患者发作期的样本熵值总体上低于正常人,并且癫痫患者在发作时的脑电样本熵值较发作前有明显降低,发作后又回到发前水平。这预示着样本熵可能为癫痫病的临床诊断提供一定的参考。同时通过实验验证,样本熵具有较好的一致性,且只需要较短的数据就能达到分析目的,是分析脑电信号的有利手段。     

皮层脑电的非线性降噪

引入基于对非线性动力学局部线性拟合的局部投影非线性降噪方法对Spragure-Dawley大鼠的皮层脑电进行降噪.为了提高降噪效果，利用返回图法对皮层脑电降噪时所需要的最佳局部邻域尺度进行了估计.首先以被50%的高斯白噪声污染的Lorenz方程x轴为例进行降噪，说明根据降噪理论所编写的计算程序的正确性.然后将此降噪方法分别应用于被麻醉的大鼠的皮层脑电和青霉素溶液诱发癫痫发作的皮层脑电时间序列，并采用非线性预报分析说明降噪的效果. 关键词： 皮层脑电 返回图法 非线性降噪 非线性预报     

基于递归量化分析与支持向量机的癫痫脑电自动检测方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义.基于递归图(recurrence plot)的递归量化分析(recurrence quantification analysis,RQA)重现了非线性时间序列的动力学行为,分析了其递归特性,本文提出了基于RQA的癫痫脑电信号特征提取方法.实验结果表明:直接基于RQA特征的癫痫脑电的检测准确率较高,其中直接基于确定率DET的分类准确率可达到90.25%.本文还把提取的RQA特征值和变化系数、波动指数相结合组成特征向量,输入到SVM分类器,实现癫痫脑电信号的自动检测;实验结果表明:该方法的分类准确率可达到99%.     

时变动态贝叶斯网络模型及其在皮层脑电网络连接中的应用

大脑执行语言的发音需要顶叶、颞叶、额叶等多个脑区协同完成.皮层脑电具有高时间分辨率、较高空间分辨率和高信噪比等优势,为研究大脑的电生理特性提供了重要的技术手段.为了探索大脑对语言的动态处理过程,利用多尺度皮层脑电(标准电极与微电极)分析了被试在执行音节朗读任务时的皮层脑电信号的高频gamma段特征,提出采用时变动态贝叶斯网络构建单次实验任务的有向网络.结果显示该方法能够快速有效地构建语言任务过程中标准电极、微电极以及二者之间的有向网络连接,且反映了大规模网络(标准电极之间的连接)、局部网络(微电极之间的连接)以及大规模网络与局部网络之间的连接(标准电极与微电极之间的连接)随语言任务发生的动态改变.研究还发现,发音时刻之前与之后的网络连接存在显著性差异,且发音方式不同的音节网络间也存在明显差异.该研究将有助于癫痫等神经疾病的术前临床评估以及理解大脑对语言加工的实时处理过程.     

Nonlinear structures in electroencephalogram signals

We apply a nonlinear prediction algorithm to investigate the presence of nonlinear structure in electroencephalogram (EEG) recordings. The EEG signal could be modeled as a realization of a nonlinear model plus a residual noise (uncorrelated Gaussian noise). Using linear and nonlinear models we analyze the statistical nature of these residual noises in the case of epileptic patients and normal subjects. We found that the residual noise presents Gaussian distribution for epileptic patients if a nonlinear model is used whereas in the case of normal subjects the residual noise will exhibit a Gaussian distribution only if a linear model (autoregressive) is used. These results provide another evidence of the nonlinear character of the epileptic seizure recordings, while the normal EEG seems to be better described as linearly correlated noise.     

基于多尺度传递熵的脑肌电信号耦合分析

神经运动控制中脑肌电同步特征可以反映皮层与肌肉之间的功能联系. 为定量研究脑电和肌电信号在不同时间尺度上的同步耦合特征, 提出多尺度传递熵方法实现静态握力输出下的脑肌电耦合分析: 对同步采集的头皮脑电信号(EEG) 和表面肌电信号(EMG)进行多尺度化, 计算不同尺度因子下EEG与EMG间的传递熵值, 获取不同耦合方向(EEG→EMG及EMG→EEG)上的非线性脑肌电耦合特征; 进一步计算功能频段下的显著性面积指标, 定量分析不同尺度下皮层肌肉功能耦合强度的差异. 分析结果显示, 静态握力输出时beta频段(15–35 Hz)皮层肌肉功能耦合特征显著, 且beta2频段(25–35 Hz)在不同尺度上EEG→EMG方向的耦合强度大于EMG→EEG方向, 耦合强度最大值和方向间耦合强度差异显著值均出现于较高时间尺度. 研究结果揭示: 皮层肌肉功能耦合具有双向性, 且耦合强度在不同时间尺度和不同功能频段上有所差异, 可利用多尺度传递熵定量刻画大脑皮层与肌肉之间的非线性同步特征及功能联系.     

Understanding the Variability in Graph Data Sets through Statistical Modeling on the Stiefel Manifold

Network analysis provides a rich framework to model complex phenomena, such as human brain connectivity. It has proven efficient to understand their natural properties and design predictive models. In this paper, we study the variability within groups of networks, i.e., the structure of connection similarities and differences across a set of networks. We propose a statistical framework to model these variations based on manifold-valued latent factors. Each network adjacency matrix is decomposed as a weighted sum of matrix patterns with rank one. Each pattern is described as a random perturbation of a dictionary element. As a hierarchical statistical model, it enables the analysis of heterogeneous populations of adjacency matrices using mixtures. Our framework can also be used to infer the weight of missing edges. We estimate the parameters of the model using an Expectation-Maximization-based algorithm. Experimenting on synthetic data, we show that the algorithm is able to accurately estimate the latent structure in both low and high dimensions. We apply our model on a large data set of functional brain connectivity matrices from the UK Biobank. Our results suggest that the proposed model accurately describes the complex variability in the data set with a small number of degrees of freedom.     

基于自适应模板法的脑电信号转移熵分析

脑电信号是一种产生机理相当复杂且非常微弱的随机信号, 综合反映了大脑组织的脑电活动及大脑的功能状态. 由于脑电信号的微弱性, 传统的基本模板方法在脑电信号分析上得到了良好的应用. 为进一步提升分析脑电信号的性能, 提出了一种新的基于自适应模板的转移熵方法并分析了青少年脑电与成年人脑电信号. 结果表明: 对于青少年脑电还是成年人脑电, 与基本模板法相比, 基于自适应模板法的转移熵可以更显著地表示脑电信号的耦合作用, 并且具有更好的区分度, 这将能更好地捕捉到信号中的动态信息、系统动力学复杂性的改变. 同时, 该方法将更有利于医学临床诊断的辅助检测, 对脑电信号是否处于病理状态的诊断提供了新的更好的判断依据.     

EEG-Based Emotion Recognition by Exploiting Fused Network Entropy Measures of Complex Networks across Subjects

It is well known that there may be significant individual differences in physiological signal patterns for emotional responses. Emotion recognition based on electroencephalogram (EEG) signals is still a challenging task in the context of developing an individual-independent recognition method. In our paper, from the perspective of spatial topology and temporal information of brain emotional patterns in an EEG, we exploit complex networks to characterize EEG signals to effectively extract EEG information for emotion recognition. First, we exploit visibility graphs to construct complex networks from EEG signals. Then, two kinds of network entropy measures (nodal degree entropy and clustering coefficient entropy) are calculated. By applying the AUC method, the effective features are input into the SVM classifier to perform emotion recognition across subjects. The experiment results showed that, for the EEG signals of 62 channels, the features of 18 channels selected by AUC were significant (p < 0.005). For the classification of positive and negative emotions, the average recognition rate was 87.26%; for the classification of positive, negative, and neutral emotions, the average recognition rate was 68.44%. Our method improves mean accuracy by an average of 2.28% compared with other existing methods. Our results fully demonstrate that a more accurate recognition of emotional EEG signals can be achieved relative to the available relevant studies, indicating that our method can provide more generalizability in practical use.     

Statistical measures derived from the correlation integrals of physiological time series

In this work correlation integrals are used for the analysis of various EEG signals from rabbits in resting states and under the influence of an anesthetic. The comparison with surrogate data reveals nonlinear dynamics in all of the time series. Our attempt to determine the correlation dimension D(2) by the modified algorithm of Theiler [Phys. Rev. A 34, 2427 (1986)] failed since no saturation is reached with increasing embedding dimension. The hypothesis of low-dimensional chaos turns out to be inconsistent with our results, but we can still distinguish, at least qualitatively, between different states of brain dynamics. A quantitative characterization of the time series is possible by defining correlation parameters P(a) derived from correlation integrals reflecting also autocorrelation of the signal. (c) 1996 American Institute of Physics.