基于小波包分解的时变脑电节律提取

研究从时变非平稳脑电信号中提取脑电动态节律的新方法。首先用小波包分解构造不同频率特性的时变滤波器以提取各种时变的脑电节律，研究临床脑电信号瞬时变化。在此基础上测试并分析两种不同功能状态下的脑电信号，并由此构造各种节律的时变脑电地形图。实验结果表明，小波包分解可以有效提取脑电不同节律的动态特性，此方法也适用于分析其他生物医学信号。     

基于小波包变换的精神疲劳多参数脑电分析

研究脑力劳动和运动引起的精神疲劳与脑电特征参数之间的相关性,以及这些特征参数在不同状态下的变化规律。通过对两种精神疲劳状态以及不疲劳状态下采集的脑电信号进行小波包分析,提取出脑电各节律并计算脑电对数能量熵,定性分析了各特征参数与不同状态间的关联性。实验结果表明,相较于不疲劳状态而言,前额叶区的脑电各节律相对功率和脑电对数能量熵在两种精神疲劳状态下均有显著变化。因此,前额叶区的脑电各节律相对功率与脑电对数能量熵可以作为衡量精神疲劳的生理指标。     

基于小波变换的动态脑电节律提取

针对脑电信号和其他医学信号的非平稳性,引入小波变换处理临床脑电信号的动态特性。根据脑电信号的不同节律特性,提出应用小波包变换构造不同频率特性的滤波器,提取脑电信号的４种节律,并由各种节律对应的小波系数构造动态脑电地形图。为了研究不同脑功能状态下脑电信号４种节律的动态特性,文中对两组不同临床脑电数据进行分析与比较,给出了有关的实际分析结果。实验结果表明,利用小波包分析的滤波特性,能够有效地反映临床脑电不同节律的动态特性,也为分析其他生物医学信号提供了一条新的途径。     

小波包能量谱在睡眠分期中的应用

利用小波包技术,根据脑电信号在不同睡眠状态下各脑电节律所占的成分不同,提出一种基于小波包能量谱的睡眠脑电分期方法。首先依据脑电信号各节律的频率特点选择好分解层数对信号进行小波包分解,再重构信号,提取出睡眠脑电信号的各节律;然后运用小波包能量谱计算各节律所占的能量比重;最后用3例脑电数据进行实验。实验结果表明,不同睡眠状态下各脑电节律所占比重不同,随着睡眠的深入,睡眠脑电节律θ和δ所占的能量比重增大,而节律α和β所占的比重在减少。因此,可以运用睡眠脑电信号中各节律所占的成分不同来区分不同的睡眠状态,并可作为睡眠分期的一个特征参数。     

基于脑电节律样本熵的睡眠分期

针对睡眠脑电人工分期的不足,提出了一种基于脑电节律样本熵的睡眠分期方法。首先对睡眠脑电信号进行去噪和基本节律提取,然后计算不同睡眠状态下脑电节律的样本熵值,最后统计其样本熵均值与方差,通过对比发现:不同睡眠状态下脑电节律δ波和θ波的样本熵均值不相等且方差较小,这表明了通过分析睡眠脑电节律样本熵的方法可以用来表征不同睡眠期,为睡眠脑电分期提供了新的途径。     

脑电复杂性的一种新特征

为了反映大脑的不同生理功能和状态，提出一种度量脑电复杂性的新特征。采用奇异系统分析方法，对一维脑电信号进行延迟重构、奇异值分解和主分量分析，用累积贡献率95％所需的主分量个数作为脑电复杂性指标。对睡眠脑电的分析实验表明，主分量个数与脑电的复杂性正相关。这一特征能明显表达脑电的复杂性，进而反映大脑功能和状态。     

频带能量与样本熵在注意力脑电信号中的对比研究

脑电波是一种复杂的生物电信号,可反应出大脑内部的活动及注意力等精神状态。基于此,论文设计了注意力相关的脑电实验,并完成了受试者脑电数据的采集,对所采集的脑电数据分别从以下两种角度进行研究:从时频分析的角度,采用db4小波基对原始脑电信号进行7层小波包分解,提取了β波/θ波能量占比作为特征量;从非线性动力学的角度,提取脑电信号的样本熵作为特征,并分别对各受试者进行注意力的分级研究。通过对比分析,结果表明两者都能从一定程度上表征注意力水平的状况,但样本熵对于多级注意力的区分度更好。     

基于小波包分解和遗传神经网络的癫痫识别

基于小波包分解和遗传神经网络对正常脑电和癫痫脑电进行识别。通过分析脑电数据找出信号特征;利用一维离散小波包分解提取含有识别特征的脑电信号频率段,并以脑电各频段的相对能量作为信号特征;然后建立基于遗传算法优化的BP网络,用于对癫痫脑电识别。实验结果表明,该方法可以有效提取信号特征,并且对信号进行准确的识别。     

脑电信号在情感识别中的应用

针对如何在情感识别中有效处理脑电信号和提取有用信息的问题,对实验采集的脑电信号进行小波包分解,通过对相关频段信号的重构,提取出脑电信号中能用于情感状态识别的β波节律,对其在不同情感状态下进行谱分析。仿真实验结果表明,将脑电信号中的β波节律用于情感状态识别是可行的。     

抑郁症患者脑电复杂度的小波熵分析

应用小波熵理论分析抑郁症患者和健康人在安静和心算任务下自发脑电信号的复杂度：分别采集10例抑郁症患者和10例正常人在安静闭目和闭眼心算连减两种状态下的16导联脑电信号;计算这四组脑电数据的小波熵,并进行对比和统计分析。结果表明,抑郁症患者和正常人自发脑电的小波熵有着显著的差异：（1）在相同状态下,抑郁症患者各导联脑电的小波熵大于正常人对应导联的小波熵;（2）对同一个人,安静闭目状态下各导联脑电的小波熵大于心算连减状态下对应导联的小波熵。结论可为抑郁症的诊断提供参考。     

抑郁症静息脑电的小波包节点功率谱熵分析

头皮脑电(EEG)信号反映了大脑皮层神经元细胞群自发性节律性的电生理活动,含有丰富的生理与病理信息,是临床脑神经与精神疾病诊断的重要依据.针对抑郁症的研究和诊断中缺少客观有效的量化参数和指标的状况,提出一种基于小波包分解节点重构信号的功率谱熵值(记为W值)的脑电信号分析方法,并利用此方法对静息态的脑电信号进行计算和分析.实验和分析结果表明:抑郁症患者脑电信号S32节点(频率24~32 Hz)的熵值(置信区间[0.0129,0.0176])在部分脑区显著大于正常健康人(置信区间[0.0246,0.0303]),显示抑郁症病人快波节律的能量分布存在弥散性,符合现在关于抑郁症患者自我调节能力减弱的发病机制.对结果进行了T检验统计分析,证明了这种辨别方法的准确性和可行性,将为抑郁症疾病检测诊断提供有效的量化物理指标.     

A new optimum feature extraction and classification method for speaker recognition: GWPNN

Speech and speaker recognition is an important topic to be performed by a computer system. In this paper, an expert speaker recognition system based on optimum wavelet packet entropy is proposed for speaker recognition by using real speech/voice signal. This study contains both the combination of the new feature extraction and classification approach by using optimum wavelet packet entropy parameter values. These optimum wavelet packet entropy values are obtained from measured real English language speech/voice signal waveforms using speech experimental set. A genetic-wavelet packet-neural network (GWPNN) model is developed in this study. GWPNN includes three layers which are genetic algorithm, wavelet packet and multi-layer perception. The genetic algorithm layer of GWPNN is used for selecting the feature extraction method and obtaining the optimum wavelet entropy parameter values. In this study, one of the four different feature extraction methods is selected by using genetic algorithm. Alternative feature extraction methods are wavelet packet decomposition, wavelet packet decomposition – short-time Fourier transform, wavelet packet decomposition – Born–Jordan time–frequency representation, wavelet packet decomposition – Choi–Williams time–frequency representation. The wavelet packet layer is used for optimum feature extraction in the time–frequency domain and is composed of wavelet packet decomposition and wavelet packet entropies. The multi-layer perceptron of GWPNN, which is a feed-forward neural network, is used for evaluating the fitness function of the genetic algorithm and for classification speakers. The performance of the developed system has been evaluated by using noisy English speech/voice signals. The test results showed that this system was effective in detecting real speech signals. The correct classification rate was about 85% for speaker classification.     

基于小波相干算法的脑区情绪特性研究

研究了人脑不同区域情绪脑电信号的差异特性。按照国际10-20电极分布系统将大脑分成5个脑区,选用视频情绪诱发素材诱发被试产生正性、中性、负性情绪同时采集其脑电信号,设置各脑区小波相干指数为参数,研究其差异性并进行模式识别。结果显示:不同情绪状态下额叶、顶叶δ波段的小波相干指数具有显著差异(p<0.05),并且统计发现将中性情绪小波相干指数作为基准,负性情绪的小波相干指数增大,正性情绪的小波相干指数降低。实验结果验证了额叶和顶叶的小波相干指数对情绪三分类问题有较好的识别效果,顶叶情绪识别率高达96.67%,进一步证明了情绪处理时额叶、顶叶两个脑区被激活,且不同情绪状态下激活程度不同。