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.     

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.     

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     

基于符号相对熵的心电信号时间不可逆性分析

心电图(ECG)信号的时间不可逆性能够反映出心脏的生理功能和健康状态.从短时ECG信号中探测时间不可逆性特征具有重要的现实意义. 文章提出符号相对熵方法(先进行符号化处理,再分别计算它们的时间不可逆性),研究了从MIT-BIH标准数据库中提取的正常窦性心律(normal sinus rhythm,NSR)、心室纤颤(ventricular fibrillation,VF)、心脏猝死(sudden cardiac death,SCD)三种信号.结果表明,这三种信号的时间不可逆性有所不同:NSR信号的时间不可 关键词： 心电信号 相对熵 时间不可逆性     

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%.     

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．     

List of contributors

This study aimed to examine the background electroencephalography (EEG) in children with childhood absence epilepsy, a condition whose presentation has strong developmental links. EEG hallmarks of absence seizure activity are widely accepted and there is recognition that the bulk of inter-ictal EEG in this group is normal to the naked eye. This multidisciplinary study aimed to use the normalized total wavelet entropy (NTWS) (Signal Processing 83 (2003) 1275) to examine the background EEG of those patients demonstrating absence seizure activity, and compare it with children without absence epilepsy. This calculation can be used to define the degree of order in a system, with higher levels of entropy indicating a more disordered (chaotic) system. Results were subjected to further statistical analyses of significance. Entropy values were calculated for patients versus controls. For all channels combined, patients with absence epilepsy showed (statistically significant) lower entropy values than controls. The size of the difference in entropy values was not uniform, with certain EEG electrodes consistently showing greater differences than others.     

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.     

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%.     

计及污垢影响的换热器热优化

本文利用熵产生数方法研究了气体和液体传热介质的顺流、逆流换热器的热力学完善性，结果表明，如给定冷、热流体的入口温度，在综合考虑传热、流动阻力和污垢的情况下，可用优化方法确定其它参数。     

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%.     

Ordinal patterns in epileptic brains: Analysis of intracranial EEG and simultaneous EEG-fMRI

Epileptic seizures are associated with high behavioral stereotypy of the patients. In the EEG of epilepsy patients characteristic signal patterns can be found during and between seizures. Here we use ordinal patterns to analyze EEGs of epilepsy patients and quantify the degree of signal determinism. Besides relative signal redundancy and the fraction of forbidden patterns we introduce the fraction of under-represented patterns as a new measure. Using the logistic map, parameter scans are performed to explore the sensitivity of the measures to signal determinism. Thereafter, application is made to two types of EEGs recorded in two epilepsy patients. Intracranial EEG shows pronounced determinism peaks during seizures. Finally, we demonstrate that ordinal patterns may be useful for improving analysis of non-invasive simultaneous EEG-fMRI.     

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.