皮层脑电时间序列的相空间重构及非线性特征量的提取

对麻醉的SD大鼠在癫痫发作前后两种状态的皮层脑电(ECoG)的时间序列,用多种有效的方法和分析技术,使得大量的ECoG时间序列得以正确的分析,并得出重要的结论.首先利用延时坐标法重构吸引子;计算互信息函数,取互信息函数第一次达到最小值的延时为重构延时时间,提出将伪邻点法和Cao法相结合的方法确定最佳嵌入维数.然后采用非线性预报和替代数据法相结合的方法确定ECoG为混沌时间序列,从不同角度得出了ECoG不是低维混沌的结论.在ECoG相空间重构的基础上,计算了最大Lyapunov指数(LLE).应用了近似熵这一标量对ECoG进行刻画,计算结果表明:癫痫发作前的皮层脑电的最大Lyapunov指数和近似熵都明显地高于癫痫发作后的,这可能为理解癫痫发病机理,预报癫痫发作和治疗提供一定的思路. 关键词： 皮层脑电 互信息 伪邻点法 最大Lyapunov指数 近似熵     

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.     

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     

基于振幅-周期二维特征的脑电样本熵分析

样本熵可以有效反映一维时间序列中新模式的生成概率,但缺乏对二维序列复杂度的表征能力.基于对传统样本熵方法的改进,提出一种在振幅-周期二维空间描述波形复杂度的方法,二维样本熵反映了波形振动在振幅-周期空间中新模式的生成概率.通过仿真实验证明了这种方法描述波形复杂度的有效性,当波形的复杂度特征表现为振幅-周期的交互作用时,二维样本熵对复杂度的描述比一维条件下的样本熵更加有效.基于二维样本熵对抑郁症组和对照组的脑电复杂度进行分析,结果表明,抑郁症组在Alpha频段左侧顶区和左侧枕区的二维样本熵显著低于对照组,表明在上述频段和位置,抑郁症患者脑电中新模式的生成概率显著低于正常人,这一特征可能成为抑郁症的潜在生物标记.     

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Kendall改进的同步算法癫痫脑网络分析

提出了一种基于Kendall等级相关改进的同步算法IRC(inverse rank correlation).Kendall等级相关是非线性动力学分析的一般化算法,可有效地度量变量间的非线性相关性.复杂网络的研究已逐渐深入到社会科学的各个领域,脑网络的研究已经成为当今脑功能研究的热点.利用改进的IRC算法,基于脑电EEG(electroencephalogram)数据来构建大脑功能性网络.对构建的脑功能网络的度指标进行了分析,以调查癫痫脑功能网络是否异于正常人.结果显示:使用该改进的算法能够对癫痫和正常脑功能网络显著区分,且只需要记录很短的脑电数据.实验结果数据表明,该方法适用于区分癫痫和正常脑组织网络度指标,它可有助于进一步地加深对大脑的神经动力学行为的研究,并为临床诊断提供有效工具.     

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%.     

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     

基于模糊近似熵的抑郁症患者静息态功能磁共振成像信号复杂度分析

提出采用模糊近似熵的方法对功能磁共振成像(functional magnetic resonance imaging,fMRI)复杂度量化分析,并与样本熵进行比较.采用的22个成年抑郁症患者中,11位男性,年龄在18—65岁之间.我们期望测量的静息态fMRI信号复杂度与Goldberger/Lipsitz模型一致,越健康、越稳健其生理表现的复杂度越大,且复杂度随年龄的增大而降低.全脑平均模糊近似熵与年龄之间差异性显著(r=-0.512,p0.001).相比之下,样本熵与年龄之间差异性不显著(r=-0.102,p=0.482).模糊近似熵同样与年龄相关脑区(额叶、顶叶、边缘系统、颞叶、小脑顶叶)之间差异性显著(p0.05),样本熵与年龄相关脑区之间差异性不显著性.这些结果与Goldberger/Lipsitz模型一致,说明采用模糊近似熵分析fMRI数据复杂度是一个有效的新方法.     

听觉通道语音冲突大脑皮层电位的听觉认知控制特征提取方法

认知心理学发现,视觉、听觉接收到信息有冲突时,大脑皮层电位会发生扰动,由此可探索认知冲突控制的“刺激-反应”机制。视觉认知冲突实验较多,成果丰硕,而相应的听觉实验很少,并且得到不一样的结论。本研究利用冲突和非冲突的语音信号刺激,分析研究脑电信号,提出基于三阶段听觉认知控制的时域特征模型。研究人脑听觉通道在出现语音认知冲突时的认知控制的规律下的单次试验脑电数据特征提取方法。根据得到的认知规律,单次试验脑电样本被分成3个部分。被分割的每个阶段使用时域上的平均幅值和Lempel-Ziv复杂度(LZC)进行计算,从而联合3个阶段的特征作为听觉认知脑电样本的特征。结果表明:(1)先发现的认知冲突相关的混合脑电成分“N1-P2&N2&Late-SW”分别体现了听觉认知控制的3个阶段;(2)一个更完整的听觉认知控制过程应包括3个阶段的时域特征:感知阶段:110~140 ms,识别阶段:260~320 ms,解决阶段:500~700 ms;(3)提出针对单次听觉认知控制脑电样本的特征提取方法,联合使用平均幅度和LZC可以获得最好的识别率(99.33%)。实验结果证明了提出的方法能够有效地检测听觉认知控制脑电数据,进而提供人脑认知控制能力评价的声学方法。      

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.     

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.     

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%.     

两种熵测度在量化射击运动员短时心率变异性信号复杂度上的一致性

利用两种基于熵的非线性复杂度测度：近似熵和样本熵,研究了专业射击运动员两种不同状态下(休息和练习赛)心率变异性信号的复杂度.计算结果表明：射击运动员休息时其心率变异性信号的熵值大于射击比赛时信号的熵值,这意味着运动员一旦进行射击比赛时,其心率变异性信号复杂度降低了,心跳变得更为规则了.为了更好地应用这两种基于熵的方法,进一步分析了算法中的两个重要影响因素：矢量匹配容差r和序列长度N对算法性能的影响.分析结果表明：只要参数选择在合适的范围内,近似熵和样本熵都能够正确地区分出两种不 关键词： 近似熵 样本熵 复杂度 射击     

两相流流型多尺度熵及动力学特性分析

研究了几种典型非线性时间序列的多尺度熵特征,在此基础上分析了由插入式阵列电导传感器采集的144种流动条件下的垂直上升气液两相流电导波动信号.研究结果表明：利用小尺度下样本熵的变化速率特征可以分辨三种典型流型（泡状流、段塞流、混状流）,而大尺度下样本熵的波动特征可以反映各种流型的动力学特性.泡状流随机可变特性表现为大尺度下样本熵的高值及振荡特征;段塞流气塞与液塞的间歇性运动表现为大尺度下样本熵的低值及平稳性;混状流极不稳定的振荡运动特性表现为介于泡状流及段塞流之间的熵值特点,并在更大尺度时熵值逐渐接近泡状流 关键词： 样本熵 多尺度熵 气液两相流 动力学特性     

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.