基于近似熵和样本熵的思维脑电信号分析对比

采用近似熵和样本熵,分别对三种不同思维任务产生的脑电信号进行特征提取,并将其特征进行比较分析,结果显示不同思维作业脑电信号的样本熵的变化幅度明显大于近似熵;近似熵和样本熵作为非线性动力学的统计方法为思维作业脑电信号特征提取提供了一种新的途径.     

基于小波包分解和近似熵的脑电信号分类

为提高脑电信号分类准确率,提出基于小波包分解和近似熵相结合的特征提取方法。该方法利用小波包对信号的低频和高频进行分解,用近似熵对得到的叶子结点进行计算得到特征值,然后将其输入支持向量机进行分类。实验结果表明,该方法在两种思维结合识别中正确率最高达到了97.37%,取得了较好的分类效果。     

基于统计分布熵的抑郁症脑电信号分析

针对目前抑郁症研究和诊断中量化分析参数和分析方法不足的情况,本文提出和定义一种能对脑电活动的状态分布进行描述、并能用来计算和区分抑郁症患者和正常人脑电活动差异的统计分布熵方法。应用该方法对抑郁症患者和正常对照组的脑电信号统计分布熵进行数值计算,然后分析讨论它们之间的差异,最后对结果进行了统计分析。实验结果表明:抑郁症患者脑电的状态分布熵在部分脑区显著高于正常健康人,表现出较强的差异性。证明该统计分布熵能够表征大脑电活动的分布状态,提供反映其活动是否发生异变的信息,可以作为度量大脑电活动分布状态和分析脑电信号是否异常的一个物理参数。这对其用作诊断其他脑精神疾病的物理指标也具有积极意义。     

不同脑负荷脑电特征的近似熵表征研究

目的研究不同生理状态下的脑电特征(EEG)。方法利用一种度量时间序列复杂性的非线性统计方法——近似熵(ApEn)方法。结果近似熵能够有效地反映脑电信号的变化情况。结论近似熵是一种值得重视且很有发展前景的复杂性分析方法。     

基于样本熵的睡眠脑电分期

运用样本熵从波士顿Beth Israel睡眠脑电实验数据中提取睡眠特征值,对睡眠分期进行研究.针对脑电属于微弱非平稳随机信号、难于提取特征的特点,利用小波变换先有效地消除脑电信号中的噪声,再计算其样本熵用以表征睡眠各分期.计算结果表明,由清醒期到非快速眼动的Ⅳ期过程中,其样本熵值呈规律性逐渐变小,与该库中专家评定的结果相符.这说明经过小波消噪和样本熵处理的脑电信号能准确地反映睡眠各期的变化特征,比用近似熵表征睡眠分期更准确、运算速度更快,完全适用于非平稳随机信号的处理.     

基于脑电反馈的难治性癫痫病人的近似熵分析

为解决目前对脑电生物反馈疗效的评价多局限于患者症状改善的问题,该文从神经电生理角度出发,将近似熵引入癫痫的反馈治疗效果评价中。以6个难治性癫痫患者为研究对象,强化患者12~15 Hz的感觉运动节律波,抑制4~8Hz的θ波。一定疗程后,6病例的癫痫症状均有明显改善,16导联脑电(electroencephalogram,EEG)近似熵也有不同程度的增加,尤其以训练点C4附近同侧导联脑电信号的近似熵增加更加显著,说明脑电反馈治疗有助于皮层神经元群体电生理活动向更加混沌的状态转化,从而改善癫痫病态症状。实验结果表明,近似熵能够表征大脑生理状态的改变,可用于脑电生物反馈疗效的评价。     

近似熵在大鼠状态识别中的应用

以大鼠作为实验动物,采用近似熵的方法,分析大鼠初级视觉皮层的自发脑电信号,从而判别大鼠安静、睡眠和活动3种状态.实验结果表明,采用近似熵算法,使用较短的数据就能对大鼠的状态进行有效识别,减少了冗余的计算量,解决在复杂隐蔽环境中对大鼠状态的识别问题.     

思维脑电信号的关联维数分析

采用G-P算法计算了5种不同心理作业下的思维脑电信号的关联维数。计算结果表明:对同一个电极上的脑电数据而言,心算乘法和想象几何图形旋转这两种心理作业下平均关联维数的值比较大。这说明当大脑进行心算乘法和想象几何图形旋转时,大脑皮层神经元的活动加剧,导致脑电信号变的复杂。此外,每种心理实验作业下电极01、02处脑电信号关联维数值均较大,表明枕区皮层神经元相对于大脑皮层其他部位的神经元始终处于比较活跃的状态。     

基于近似熵快速算法的静息态脑磁信号分析

为了探究静息态精神分裂症患者脑磁信号的非线性动力学特性,提出了一种将小波变换和近似熵相结合的特征提取方法.该方法首先通过小波变换,将10个正常人和10个精神分裂症患者的脑磁信号进行6层小波分解,提取对应于脑磁信号θ波段和α波段的小波系数,继而计算和比较两类人近似熵的分布情况.实验结果表明,相同情况下精神分裂症患者MEG信号的各脑区和各通道间的近似熵都普遍高于正常人,α波段的额叶和中央区域尤为突出.该结果为进一步研究患者MEG信号特征进而建立相应的分类诊断模型提供了思路.     

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5 个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98． 4%。较传统Adaboost 算法,该方法采取了GBDT( Gradient Boosting Decision Tree) 作为分类算法,成功利用更多的数据集,并且使得分类精度更高。     

基于Tsallis熵和近似熵的认知事件相关电位动态复杂度分析

提供了两种分析认知事件相关电位（ERP）复杂度动态变化的估计算法——时变Tsallis熵（ETsEn）和时变近似熵（EApEn），并将其应用于分析Stroop任务中ERP的动态复杂度．实验发现：BTsEn比EApEn能更好地反映不同刺激类型的ERP复杂度差异；EApEn比ETsEn能更准确地体现ERP复杂度随时间变化的规律．额区、中央区和顶区的ERP的ETsEn和EApEn在刺激前、刺激处理过程中、刺激处理后均有显著差异，即在刺激前熵较大且无明显变化，刺激处理过程中熵显著减小，刺激处理完成后熵恢复至刺激前状态，其变化的时序与行为数据基本一致。结果证明了时变的Tsallis熵和近似熵对动态复杂度从不同方面度量的有效性，为客观度量ERP的复杂度提供了新方法．     

基于多导脑电复杂性测度的脑疲劳分析

通过对连续长时间脑力劳动前后状态下的脑电信号进行分析,提取了脑电信号的基本尺度熵和排列熵两种复杂性测度,研究了它们与脑疲劳程度之间的关系,以及它们在不同脑疲劳状态下的变化规律及其相关性.实验结果表明,基本尺度熵和排列熵与脑疲劳程度之间存在很强的关联性,对于不同的脑疲劳状态,随着脑疲劳程度的增加,其alpha(8～12 Hz)、beta(13～30 Hz)频率段和total频率段(0.5～30 Hz)脑电信号的基本尺度熵和排列熵逐渐降低.相对于Tsallis熵算法,基本尺度熵和排列熵可以更好地反映疲劳前后脑电信号复杂度的变化特性.同时,由于基本尺度熵和排列熵算法概念简单,运算量小,因而它们的计算复杂度大大降低,运算速度更快,使得实时分析与监测脑疲劳成为可能.脑电信号的基本尺度熵和排列熵有望成为衡量脑疲劳程度的指标.     

基于多导脑电特征的生理性精神疲劳分析

通过对4种生理性精神疲劳状态下4导脑电信号进行功率谱和小波熵特征分析，研究了脑电信号各节律相对功率以及小波熵与生理性精神疲劳程度之间的关系，并分析了它们在不同生理性精神疲劳状态下的变化规律及其相关性．实验分析结果表明，脑电信号各节律的相对功率以及小波熵平均值与生理性精神疲劳程度之间存在很强的关联性，对于不同的生理性精神疲劳状态，随着生理性精神疲劳程度的增加，其脑电信号的小波熵平均值逐渐降低，θ、α和β节律高频快波相对功率的平均值逐渐降低，而占节律高幅度慢波相对功率平均值逐渐增加．脑电信号各节律的相对功率以及小波熵平均值有望成为衡量生理性精神疲劳程度的指标．     

基于近似熵的直流牵引电机健康监测方法

针对直流牵引电动机健康状态估计缺乏有效的快速算法问题,提出了一种基于近似熵的直流牵引电动机健康状态实时分析方法.并对传统的近似熵计算方法用矩阵运算进行算法优化,提升了运算速度.针对直流电动机的电磁特性,融合待检测电动机的电流、电压、转速信号信息计算出电动机系统近似熵值,并依此判断电动机健康状态.最后,用直流电动机实验平台的数据验证了该方法的有效性.     

心算任务下脑电信息传输

通过计算多导脑电的互信息传输时间序列的复杂度,研究了心算任务和安静状态下不同认知水平的对象脑电特异表现.结果表明,不同的实验状态、不同认知能力的被试者以及大脑的不同部位均可对互信息复杂度产生显著影响.抑郁症在心算任务下的互信息传输复杂度显著低于（P<0.001）安静闭目状态下的复杂度,而正常对照组虽然在心算任务下的脑电互信息传输复杂度也较安静闭目状态时有所下降,但不具有统计意义.据此推测,完成认知作业时的脑电互信息复杂度在一定程度上反映了认知水平的不同.     

估计熵在经济时序滤波中的应用

根据经济时序的非线性、非平稳性和离散性及传统时序滤波方法在经济时序滤波应用中存在的局限性,应用估计熵的基本特性,提出一种基于估计熵的滤波方法,探讨了该滤波方法的原理和应用过程,并以实际的GDE时序为例,做出该滤波方法的案例分析,案例分析表明,基于估计熵的滤波方法比传统的时序滤波方法有较好的滤波效果。     

基于二维近似熵度量轴心轨迹复杂性的研究

提出了二维近似熵的概念,并用于表征轴心轨迹的复杂性,定量地评价了回转机械的运行状态．该方法具有计算所需数据短、抗噪及抗野点能力强、对确定性信号和随机信号都适用等特点．应用二维近似熵,对某机组关键轴瓦的轴心轨迹进行了复杂性度量,研究结果表明,二维近似熵在表征轴心轨迹的时间模式复杂性方面具有很强的能力,从而为机械设备状态监测与故障诊断提供了一种行之有效的新方法．