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.     

基于改进的符号转移熵的心脑电信号耦合研究

试图探究动力系统中的耦合关系一直以来都是国内外众多学者关注的热点,传统的时间序列符号化分析方法会使研究结果受序列非平稳性的严重影响,本文在原有转移熵的研究基础上,应用粗粒化提取,经过理论与实验的分析,发现心脑电信号耦合研究中的转移熵值在不同提取情况下对应不同的分布趋势,并选择效果最好的信号数据提取方法用在其后的应用分析中. 此外,对时间序列符号化方法提出改进,采用动态的自适应分割方法. 实验结果表明,无论清醒期还是睡眠期,改进的符号转移熵算法观测分析到的心脑电信号耦合作用更显著,能更好的捕捉到信号中的动态信息、系统动力学复杂性的改变,更利于医学临床实践应用中的检测,在分析非平稳的时间序列上具有更好的效果. 关键词： 心脑电信号 粗粒化 符号转移熵 基本尺度     

脑电信号的多尺度排列熵分析

本文利用多尺度排列熵对正常脑电信号和癫痫脑电信号进行了详细的分析和比较,研究了脑电图信号多尺度排列熵值和年龄的关系以及尺度因子对多尺度排列熵值的影响.通过对处于各个年龄段的22组正常人和22组患有癫痫人群的脑电图进行多尺度排列熵分析,发现在相同年龄段的人群中,正常脑电信号的多尺度排列熵值要高于癫痫脑电信号,熵值平均高出约0.19,约7.9%.另外,在尺度因子小于15的情况下,对于在30到35的年龄段正常人群,其多尺度排列熵值最大,随着年龄段的增大或降低熵值都一定程度的降低.结果证明,多尺度排列熵可以成功区分正常脑电信号和癫痫脑电信号,并且熵值可以正确地反映人体大脑发育的一般过程.     

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     

等概率符号化样本熵应用于脑电分析

样本熵(或近似熵)以信息增长率刻画时间序列的复杂性,能应用于短时序列,因而在生理信号分析中被广泛采用.然而,一方面由于传统样本熵采用与标准差线性相关的容限,使得熵值易受非平稳突变干扰的影响,另一方面传统样本熵还受序列概率分布的影响,从而导致其并非单纯反映序列的信息增长率.针对上述两个问题,将符号动力学与样本熵结合,提出等概率符号化样本熵方法,并对其物理意义、数学推导及参数选取都做了详细阐述.通过对噪声数据的仿真计算,验证了该方法的正确性及其区分不同强度时间相关的有效性.此方法应用于脑电信号分析的结果表明,在不对信号做人工伪迹去除的前提下,只需要1.25 s的脑电信号即可有效地区分出注意力集中和注意力发散两种状态.这进一步证明了该方法可很好地抵御非平稳突变干扰,能快速获得短时序列的潜在动力学特性,对脑电生物反馈技术具有很大的应用价值.     

基于经验模态分析的故障诊断方法及应用研究

为实现对微弱动态响应的准确辨识及故障状态的早期诊断,提出了基于经验模态分析的故障诊断方法,将模态分解、互信息熵与主元分析结合,故障特征更凸显,方法更有效。首先模态分解,得到一系列固有模态分量,利用互信息熵判断所有固有模态分量的高低频分界点并对高频分量自适应阈值去噪。将去噪后的所有高频分量和低频分量主元分析,计算各主元的峭度值,选取峭度值大的分量求时频谱得故障频率,从而确定故障。将该方法应用到含有高频环境噪声的轴承故障信号中诊断可靠、准确。     

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%.     

Approximate Entropy of Brain Network in the Study of Hemispheric Differences

Human brain, a dynamic complex system, can be studied with different approaches, including linear and nonlinear ones. One of the nonlinear approaches widely used in electroencephalographic (EEG) analyses is the entropy, the measurement of disorder in a system. The present study investigates brain networks applying approximate entropy (ApEn) measure for assessing the hemispheric EEG differences; reproducibility and stability of ApEn data across separate recording sessions were evaluated. Twenty healthy adult volunteers were submitted to eyes-closed resting EEG recordings, for 80 recordings. Significant differences in the occipital region, with higher values of entropy in the left hemisphere than in the right one, show that the hemispheres become active with different intensities according to the performed function. Besides, the present methodology proved to be reproducible and stable, when carried out on relatively brief EEG epochs but also at a 1-week distance in a group of 36 subjects. Nonlinear approaches represent an interesting probe to study the dynamics of brain networks. ApEn technique might provide more insight into the pathophysiological processes underlying age-related brain disconnection as well as for monitoring the impact of pharmacological and rehabilitation treatments.     

Construction and Application of Functional Brain Network Based on Entropy

Functional brain network (FBN) is an intuitive expression of the dynamic neural activity interaction between different neurons, neuron clusters, or cerebral cortex regions. It can characterize the brain network topology and dynamic properties. The method of building an FBN to characterize the features of the brain network accurately and effectively is a challenging subject. Entropy can effectively describe the complexity, non-linearity, and uncertainty of electroencephalogram (EEG) signals. As a relatively new research direction, the research of the FBN construction method based on EEG data of fatigue driving has broad prospects. Therefore, it is of great significance to study the entropy-based FBN construction. We focus on selecting appropriate entropy features to characterize EEG signals and construct an FBN. On the real data set of fatigue driving, FBN models based on different entropies are constructed to identify the state of fatigue driving. Through analyzing network measurement indicators, the experiment shows that the FBN model based on fuzzy entropy can achieve excellent classification recognition rate and good classification stability. In addition, when compared with the other model based on the same data set, our model could obtain a higher accuracy and more stable classification results even if the length of the intercepted EEG signal is different.     

基于多特征的双模板自适应更新跟踪算法

针对均值漂移算法中采用单一颜色特征以及缺乏必要模板更新方法的缺陷,提出一种基于多特征的双模板自适应更新目标跟踪算法。引入像素点邻域灰度均值差和分层空间信息加强目标特征的鉴别性,再通过对目标与背景区域双模板相似度系数的综合分析,准确地判断跟踪干扰因素的来源,并以当前帧目标区域的相似度系数为权值对目标模板进行加权更新,使得模板更新速度与其目标特征变化相适应的同时抑制模板过更新,较好地解决了模板更新时机和更新速度等问题。仿真结果表明,所提算法在不同跟踪场景下均具有较强的鲁棒性。     

红外搜索系统中弱小目标检测算法研究

 复杂背景下低信噪比弱小目标的检测是红外搜索系统中的重点和难点,为解决红外搜索系统中杂波干扰多、目标信噪比低等问题,提出一种模板匹配滤波的目标检测方法。该算法在预测背景的同时,通过对图像背景灰度值进行动态的阈值处理,自适应地进行背景抑制。当背景包含较多复杂因素时,采用模板匹配滤波的目标检测方法,消除背景抑制后的残留杂波,实现弱小目标的提取。试验结果表明：当场景较复杂且图像信噪比较低时,使用该算法处理后可使图像信噪比达到4 dB以上,从而提高了弱小目标的检测概率。     

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.     

基于因子分析方法的相位同步脑电源的时-空动力学分析

头皮脑电时间序列的相关性是大脑皮层源的相位同步性的一种体现,因此对相位同步源进行定位,同时找到源对应的时间序列在脑成像研究领域具有重要意义.基于Rössler 模型提出仿真相位同步偶极子源的时间序列的方法,利用时间序列进行同心四层球头模型正演,获得仿真头皮脑电数据.提出了基于最大似然因子分析的相位同步脑电源的时-空动力学分析方法,对仿真和真实头皮脑电数据进行了验证,并与主成分分析法进行对比.仿真实验结果表明:最大似然因子分析法估计的时间序列与仿真源的时间序列具有更高的相关系数,同时估计源与仿真源 关键词： 脑电图 相位同步 因子分析 主成分分析     

基于自适应无参经验小波变换和选择集成分类模型的运动想象

运动想象模式识别率的提高对脑机接口(BCI)技术的应用具有重要意义,本文采用自适应无参经验小波变换(APEWT)和选择集成分类模型相结合的方法提高脑电(EEG)信号的分类识别准确率.首先,通过APEWT将EEG信号分解成不同的模态;然后,使用最优模态重构后的信号计算其能量谱(ES)特征,使用最优模态分量计算其边际谱(MS)特征;最后,将不同时间段的ES特征和不同频段的MS特征输入到构建的选择集成分类模型中,从而得到其分类结果,并将该方法与其他4种组合方法进行比较.实验结果表明,本文方法具有较好分类准确率和实时性,其平均分类正确率高于其他4种方法,同时较近期使用相同数据的文献也有优势.本文为在线运动想象类BCI的应用提供了新的方法和思路.     

基于虚拟开车环境的自闭症儿童脑电样本熵

自闭症谱系障碍是一种涉及感觉、情感、记忆、语言、智力、动作等认知功能和执行功能障碍的精神疾病. 本文从神经工效学角度出发, 用虚拟开车环境作为复杂多任务激励源将大脑系统与人体动作控制等有机地结合起来, 通过对脑电信号的滑动平均样本熵分析来探索自闭症儿童在虚拟开车环境中的脑活动特征. 研究发现不论是休息状态还是开车状态, 自闭症患者的滑动平均样本熵总体上低于健康者, 尤其在前额叶、颞叶、顶叶和枕叶功能区, 表明自闭症儿童的行为适应性较低. 不过, 自闭症患者的开车状态与健康受试者的休息状态比较接近, 表明虚拟开车环境或许有助于自闭症患者的干预治疗. 此外, 自闭症患者在颞叶区呈现显著性右半球优势性. 本研究为进一步深入开展自闭症疾病的机理研究及其诊断、评估和干预等研究提供一种新的研究思路.