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.     

基于弹性变分模态分解的癫痫脑电信号分类方法

癫痫脑电信号分类对于癫痫诊治具有重要意义.为了实现病灶性与非病灶性癫痫脑电信号的分类,本文利用弹性网回归重构变分模态分解算法,提出弹性变分模态分解算法并将其应用到所提癫痫脑电信号分类方法中.该方法先将原信号分割成多个子信号,并对各子信号进行弹性变分模态分解,然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵作为特征,最后利用支持向量机进行分类.针对癫痫脑电的公共数据集,最终的实验结果表明,准确率、灵敏度和特异度三个性能指标分别达到92.54%,93.22%和91.86%.     

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。     

基于频率切片小波变换和支持向量机的癫痫脑电信号自动检测

实现癫痫脑电信号的自动检测对癫痫的临床诊断和治疗具有重要意义.本文提出先使用频率切片小波变换分离出5个不同频段的节律信号,再分别计算每个节律信号的近似熵和相邻节律的波动指数,最后使用遗传算法优化的支持向量机进行分类.实验结果表明,所提出的方法能够对正常、癫痫发作间期和癫痫发作期三种脑电信号进行准确分类,分类准确率为98.33%.     

基于变分模态分解与多尺度排列熵的生物组织变性识别

根据高强度聚焦超声(HIFU)治疗中超声散射回波信号的特点,本文利用变分模态分解(VMD)与多尺度排列熵(MPE)对生物组织变性识别进行了研究.首先对生物组织中的超声散射回波信号进行变分模态分解,根据各阶模态的功率谱信息熵值分离出噪声分量和有用分量;对分离出的有用信号进行重构并提取其多尺度排列熵;然后通过Gustafson-Kessel (GK)模糊聚类确定聚类中心,采用欧氏贴近度与择近原则对生物组织进行变性识别.将所提方法应用于HIFU治疗中超声散射回波信号实验数据,用遗传算法对多尺度排列熵的参数优化后,对293例未变性组织和变性组织的超声散射回波信号数据进行了多尺度排列熵分析,发现变性组织的超声散射回波信号的多尺度排列熵值要高于未变性组织;多尺度排列熵可以较好地识别生物组织是否变性.相对于EMD-MPE-GK模糊聚类以及VMD-小波熵(WE)-GK模糊聚类变性识别方法,本文所提方法中变性与未变性组织特征交叠区域数据点更少,聚类效果和分类性能更好;本实验环境下生物组织变性识别结果表明,该方法的识别率更高,高达93.81%.     

功能磁共振成像的基本尺度熵分析

人体大脑活动的复杂度随年龄变化而变化, 并且和性别有一定的联系, 通过对功能磁共振成像复杂度的分析有助于发现人脑活动和性别年龄之间关系的规律. 本文提出需要根据年龄段的变化对基本尺度熵的参数做适当的调整, 以便获得良好的信号区分效果. 本文研究了人脑活动和性别年龄之间存在的关系. 结果证明, 同龄男女的基本尺度熵值存在一定的差异, 并且随年龄段的不同发生相应的变化, 另外基本尺度熵中的参数在数据分析中也随年龄变化存在一定规律的变化. 通过对fMRI数据的分析表明, 基本尺度熵能够有效地区分不同人群fMRI数据特征, 为进一步信号复杂度分析提供方便. 关键词： 功能磁共振成像 基本尺度熵 复杂度     

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.     

相空间中脑电近似熵和信息熵的计算

提出一种基于相空间重构脑电信号来计算脑电近似熵和信息熵的新方法．实验计算结果表明，癫痫患者脑电和正常人脑电的近似熵和信息熵随相空间嵌入维数的变化有明显的不同．     

基于AdaBoost算法的癫痫脑电信号识别

AdaBoost算法作为Boosting算法的经典算法之一, 在人脸检测和目标跟踪等领域得到了广泛应用, 但该算法也有一个缺点-退化问题. 为了解决这个问题, 通过对弱分类器进行筛选、引入平滑因子和权值修正函数三个措施对算法进行优化, 并将优化后的算法与小波包分解相结合应用到癫痫脑电信号的识别上. 结果表明, 本文算法对癫痫脑电信号的识别率为96.11%, 对正常脑电信号的识别率为99.51%, 具有较高的识别率, 为癫痫的正确诊断提供了一种可能有效的解决方案.     

油水两相流水包油流型多尺度排列熵分析

采用多尺度排列熵算法研究了垂直油水两相流水包油流型的多尺度动力学特性.首先,在内径为20 mm的垂直管道内采集了油水两相流水包油流型电导传感器波动信号,然后计算了不同流动工况下电导波动信号的多尺度排列熵值.研究发现多尺度排列熵率与均值可定量刻画水包油流型动力学复杂性;此外,提出了通过增量时间序列累积量与多尺度排列熵率联合分布识别三种不同水包油流型的新途径.     

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.     

基于改进的符号相对熵的脑电信号时间不可逆性研究

提出了一种新的使用过程的前向概率和后向概率计算符号相对熵, 并利用符号相对熵来估计熵产的方法. 该方法是基于熵增和过程不可逆特性关系的, 同时证明脑电信号具有时间不可逆特性, 而且该不可逆特性可以提供脑电信号的熵增信息. 最后应用该方法对青老年脑电信号进行数值计算及对比, 结果是老年人的平均能量损耗显著高于年轻人, 证明符号相对熵可以作为一个物理过程不可逆程度的度量参数, 这对脑电信号是否处于积极或平衡状态的诊断治疗具有积极的作用.     

基于变分模态分解-传递熵的脑肌电信号耦合分析

皮层肌肉功能耦合是大脑皮层和肌肉组织间的相互作用, 脑肌电信号的多尺度耦合特征可以体现皮层-肌肉间多时空的功能联系. 本文引入变分模态分解并与传递熵结合, 构建变分模态分解-传递熵模型应用于脑肌间耦合研究. 首先基于变分模态分解将同步采集的脑电(EEG) 和肌电(EMG) 信号分别进行时频尺度化, 然后计算不同时频尺度间的传递熵值, 获取不同耦合方向(EEG→EMG 及EMG→EEG) 上不同尺度间的非线性耦合特征. 结果表明, 在静态握力输出条件下, 皮层与肌肉beta (15—35 Hz) 频段间的耦合强度最为显著; EEG→EMG 方向上脑电与肌电高gamma (50—72 Hz) 频段的耦合强度总体上高于EMG→EEG 方向.研究结果揭示皮层-肌肉功能耦合具有双向性, 且脑肌间不同耦合方向上、不同频段间的耦合强度有所差异.因此可利用变分模态分解-传递熵方法定量刻画大脑皮层与肌肉各时频段之间的非线性同步特征及功能联系.     

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.     

静息态功能磁共振成像评估健康老年人认知行为的多尺度熵模型研究

当前,静息态功能磁共振成像(rfMRI)为脑功能检测提供了高效、快捷的先进技术.熵可以捕捉神经信号动态特征,可作为量化评估参数,但尚存在固定尺度计算缺陷且对认知行为的生物学标记少有研究,影响检测精准性.为此,本文将多尺度熵模型与机器学习方法联合,寻求BOLD信号复杂度表征健康老年人认知分数的功能影像学标记.由扫描前认知量表测试分数将98名健康老年人分为优、差两组,78名纳入训练,20名纳入测试.首先,构建多尺度熵模型,计算两组扫描数据熵,统计和对比以优化模型参数;然后,在优化参数下由统计显著性高的脑区熵值构建特征向量;最后,用极限学习机对两组分类并统计检验.发现:rfMRI多尺度熵在评估老年人认知分数时,在额、颞叶脑区存在较大显著性差异,以此为标记区分认知分数可达80%准确率.结论:额、颞叶等脑区优化的多尺度熵可有效区分健康老年人认知行为优劣.该研究将为rfMRI替代主观繁琐的传统认知量表测试提供新的检测参数和新方法.     

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%.     

多尺度多变量模糊熵分析

多尺度多变量样本熵评价同步多通道数据的多变量复杂度, 是非线性动态相互关系的一种反映, 但其统计稳定性差, 且不适用于非线性非平稳信号. 研究利用模糊隶属度函数代替模式相似判断的硬阈值准则, 并分析模糊隶属度函数形式的影响; 研究利用多变量经验模态分解算法进行多尺度化, 并对比其处理效果. 仿真试验表明, 模糊隶属度函数的引入可以有效提高算法的统计稳定性, 所构造的物理模糊隶属度函数的性能最为显著; 基于多变量经验模态分解算法的多尺度化过程可更有效地捕获信号的不同尺度成分, 从而更敏感地区分具有不同复杂度的信号. 对临床试验数据的分析支持以上结论, 且结果提示随着年龄增加或心脏疾病的发生, 心率变异性和心脏舒张间期变异性的多变量复杂度以不同的方式降低: 年龄增加会使低尺度熵值降低, 表示近程相关性的丢失; 而心脏疾病会同时影响各个尺度的熵值, 即同时丢失了近程和长时相关性. 该结论可用于指导心血管疾病的无创预警研究. 关键词： 多变量复杂度 多尺度多变量模糊熵 物理模糊隶属度函数 多变量经验模态分解     

应用多尺度化的基本尺度熵分析心率变异性

本文采用多尺度化的基本尺度熵方法,针对心率变异性信号进行了分析,研究发现多尺度化的基本尺度熵可以区分不同生理病理信号,包括健康人、充血性心力衰竭患者和房颤心律失常患者的心率变异性信号,以及健康人白天黑夜的心率变异性信号.通过对健康人代理数据的分析,发现房颤心律失常患者与代理数据的熵值趋势相似,研究结果表明房颤心律失常患者的心率变异性信号更多的是反映生理信号的线性特征,而对环境变化不能很好的进行自我调节. 关键词： 多尺度化的基本尺度熵 心率变异性 充血性心力衰竭 房颤心律失常     

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.