基于心电与呼吸信号的睡眠分期算法研究

睡眠是人类的一项重要生理活动,其质量与人体健康状态密切相关,对睡眠情况进行分析有助于许多疾病的预防和监测.传统的睡眠分期黄金标准是多导睡眠图,并包含脑电、眼电、肌电、呼吸、血氧、运动等多种信号,操作复杂且对测试者睡眠有影响.因此,基于可穿戴设备和有限类型数据进行睡眠分即已成为当前研究热点.本文仅采用了心电和呼吸信号进行特征提取,使用前向序列选择方法进行特征选择,分别采用支持向量机、随机森林和AdaBoost等方法进行分类,在睡眠呼吸障碍患者数据库中进行WAKE-REM-NREM分期上获得最高71.9％的准确率(Kappa=0.36).实验表明心电与呼吸信号可在一定程度上代替多导睡眠仪应用于睡眠呼吸障碍患者的分析,有助于睡眠呼吸类疾病的诊断和评价,为相关设备的便携化提供了算法基础.     

二型模糊小波脑情感学习网络在非线性系统辨识中的研究

针对现有模糊神经网络在辨识具有时变的非线性系统存在辨识精度不高,收敛速度较慢等缺点,提出了一种二型小波模糊脑情感学习网络(T2FWBELN)模型,它结合了模糊逻辑和脑情感学习网络的优点,并在网络结构中使用了小波函数。与其他算法相比,该算法在非线性系统辨识中有着更高的逼近能力。同时,采用模糊C均值算法生成模糊规则,并使用梯度下降法对T2FWBELN的各种参数进行在线调整,降低了参数调整时间。为了进一步验证该模型的有效性和优越性,仿真了两个不确定非线性系统辨识的例子,一个是Mackey-Glass时间序列预测,一个是带有噪声的动态系统辨识。测试结果表明,所提出的模型在处理非线性系统辨识中拥有更高的精度。     

高灵敏度多通道fNIRS系统的BCI应用：“肯定/否定”二分类意图识别

本文探讨了高灵敏度多通道fNIRS系统用于解码“肯定/否定”二分类意图的脑机接口应用。实验过程中采用全并行激励下的锁相光子计数模式进行测量,采集了10名被试思考针对其个人情况的相关问题时前额叶脑区的fNIRS信号,从中提取血红蛋白浓度变化数据的均值、方差、偏度、峰度、激活水平这五种特征,根据各特征对不同被试的分类效果和Fisher-score方法分别进行特征与通道选择,并最终构建支持向量机(SVM)模型。采用10次十折交叉方案进行验证,以更好地评估模型的分类准确性。为了对比,本文也研究了以原始光强数据建立的SVM模型的分类效果。实验结果表明：使用血红蛋白浓度变化数据构建的SVM模型的平均平衡准确率为73.1%±1.7%,以原始光强数据构建的SVM模型的平均平衡准确率为70.6%±3.7%,前者较后者提高了3.5%,且二者的平均平衡准确率均达到了70%以上。本研究不但展示了高灵敏度多通道fNIRS系统识别人脑直接意图的能力,也为fNIRS-BCI的应用提供了有益思路。     

面向生物电信号提取的超低功耗自举采样开关

为有效提取低频、微弱、易受干扰的人体生理信号,可穿戴和医疗植入式ASIC电极中的ADC需搭载低功耗、高输出线性的栅压自举采样开关,其性能直接影响生物界面上本征信号的完整性和提取精度。本研究采用65 nm/0.6 V CMOS工艺,设计了一种适配该应用的栅压自举采样开关。通过附加“虚拟管”抑制电荷注入效应提升采样精度,通过增设“动态体偏置模块”和“体偏置切换控制模块”,抑制阈值波动,稳定输出线性度。考虑人体生物电信号的低幅度和低频特性,分别对峰值0.6 V的信频上限10 KHz和低频100 Hz的模拟生理电信号以10 MS/s的采样频率进行高速采样仿真分析。结果显示：在高频10KHz消耗功耗587.3 nW,有效采样位数达8.9 bit,获得非杂散动态范围62.02dB;当信频降为100 Hz,功耗降至6 nW,有效位数6.33 bit,非杂散动态范围可提升至78.19 dB。Cadence仿真结果表明,设计的自举开关性能可较好地满足人体生物电信号的采样需求。     

基于平稳和连续小波变换融合算法的心电信号P,T波检测

P, T波的检测在临床上是心血管疾病诊断的重要依据。由于其波形能量低、形态复杂,极易受到噪声干扰,导致现有检测算法精度仍有待提高。该文提出平稳和连续小波变换融合算法检测P, T波,利用连续小波变换的多尺度信息,获取心电图(ECG)信号中P, T波主要成分,融合其平稳小波对P, T波候选段进行平滑处理,消除波形中锯齿状毛刺对峰值点检测的影响,最后对P, T波过零点进行时移修正,保证过零点还原到原始信号过程中能够准确对应其峰值点,从而提高P, T波检测精度。该文算法在MIT-BIH arrhythmic数据库上进行验证,最终P波的误差率、敏感度、正确预测度达到:0.23%, 99.85%, 99.90%;T波的误差率、敏感度、正确预测度达到0.27%, 99.85%, 99.87%。     

Chernof f加权分类器框架在运动想象脑-机接口中的应用

针对现有脑机接口(BCI)分类器与大脑认知过程结合不够紧密的问题,该文提出一种基于Chernoff加权的分类器集成框架方法,并用于同步运动想象脑机接口中。通过对训练数据进行统计分析,获得各时刻脑电信号(EEG)的统计特性,并建立基于大脑认知过程的高斯概率模型。然后利用Chernoff边界特性得到该概率模型的最小误差,并以此确定该时刻分类器的权重,通过对各时刻分类器的加权,实现同步脑机接口的信号分类。以脑机接口竞赛数据作为测试,并与线性判决分析、支持向量机和极限学习方法分别结合构成新的集成方法。由实验结果可知,加权集成框架方法的分类性能比原独立分类方法有显著提高。     

基于同步性脑网络的支持张量机情绪分类研究

一直以来,情绪是心理学、教育学、信息科学等多个学科的研究热点,脑电信号(EEG)因其客观、不易伪装的特点,在情绪识别领域受到广泛关注。由于人类情绪是大脑多个脑区相互作用产生的,该文提出一种基于同步性脑网络的支持张量机情绪分类算法(SBN-STM),该算法采用相位锁定值(PLV)构建了同步性脑网络,分析多导联脑电信号之间的同步性和相关性,并生成2阶张量序列作为训练集,运用支持张量机(STM)模型实现正负情绪的二分类。该文基于DEAP脑电情绪数据库,详细分析了同步性脑网络张量序列的选取方法,最佳张量序列窗口的大小和位置,解决了传统情绪分类算法特征冗余的问题,提高了模型训练速度。仿真实验表明,基于支持张量机的同步性脑网络分类方法的情绪准确率优于支持向量机、C4.5决策树、人工神经网络、K近邻等以向量为特征的情绪分类模型。     

基于深度时空特征融合的多通道运动想象EEG解码方法

脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况.脑电广泛应用于脑-机接口(BCI)系统.然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补.为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别.实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势.     

脑机接口技术在医疗领域的应用

脑机接口技术不依赖于常规大脑信息输出通路,而是建立了大脑与计算机等外部设备之间直接的信息交流和控制通道。该技术有广阔的应用前景,受到广泛关注。各国都相继提出了国家层面的脑计划,为脑机接口的发展提供政策指引和支持。分析总结了脑机接口技术的现状及其在医疗领域的应用,探讨了该技术面临的挑战、发展和建议。