基于排列组合熵的脑电意识任务识别方法的研究

研究基于脑电信号排列组合熵的运动意识任务自动分类方法.求出时变脑电信号所对应的排列组合熵时间序列.它能很好的反映出事件相关去同步(ERD)和事件相关同步(ERS)现象,因此能有效地提取人脑想象左右手运动任务时的特征,最终利用K-近邻法模式分类方法对想象左右手运动任务进行分类决策.对国际脑机接口竞赛相关数据进行测试,最高准确率达到88.57%,最大互信息达到0.42.基于排列组合熵的脑电信号特征,可以作为脑电意识任务的有效分类依据.     

基于功率谱熵和频带能量的运动意识任务分类研究

提出以信号功率谱熵和频带能量作为组合脑电特征向量,运用时变线性分类算法对左右手运动意识任务分类的方法.C3、C4电极脑电信号8～24Hz功率谱熵和频带能量随时间变化的规律很好地反映了ERD/ERS现象,将两种特征组合用于分类,得到了满意的结果.由于功率谱峰熵和频带能量计算比较简单,稳定性好,识别率高,可在线识别左右手想象运动.     

基于样本熵的运动想象分类研究

提出了基于脑电的样本熵特征进行运动想象分类的思想,分析了左右手运动想象时感觉运动皮层的脑电信号样本熵及其动态变化规律．结果表明,样本熵能够较好地反映左右手运动想象时脑电特征的变化,具有明确的生理意义．在此基础上,利用Fisher线性分类器对基于样本熵的左右手运动想象进行了动态分类,得到的平均最大分类正确率达到87.8%．最后,提出了一种样本熵的快速算法,其计算量小、速度快,满足BCI实时系统要求．     

左右手运动意识任务的分类

本研究提出了利用事件相关ERD/ERS和相同步提取脑电运动意识任务特征,应用Fisher线性判别式分析法,对想象左右手运动任务进行了分类,并获得了满意的效果。对被试者想象左右手运动过程中,记录的脑电信号采用了能量分析法量化了事件相关去同步ERD和事件相关同步ERS时程,同时提取了相位信息。最后对测试数据进行分类,最大正确分类率达到了83.20%,与用多通道AR模型提取特征方法相比,效果更好,从而为大脑运动意识任务的分类提供了新思路。     

运动相关脑电信号的运动意图预测方法研究

为了找出在大脑的后顶叶皮层区(PPC)运动意图预测与运动想象EEG信号之间的关联,联合运动相关电位MRPs与mu/beta节律的事件相关同步/去同步(ERS/ERD)特征,首先用小波包分解WPD重构特征频段的小波包分解系数特征向量,其次采用共空间模式CSP提取空域特征向量,最后利用支持向量机(SVM)进行运动意图预测。通过实验验证,联合运动想象信号中的运动相关电位及mu/beta节律,运动意图预测分类准确率达到85%。得出1)证实了运动相关MRPs可以表征运动准备即运动规划阶段的脑神经机制,2)10Hz以下的mu和beta节律ERS/ERD特征能够体现运动意图的方向。研究结论进一步为精细运动(包括运动方向、速度等其他运动参数)预测提供技术支持。     

脑电熵算法在麻醉监测中的应用

麻醉深度监测在外科手术中的作用极其重要,合理的麻醉可以使患者在无痛觉的情况下进行手术治疗,判断并控制合适的麻醉深度已成为临床迫切需要解决的问题。本文基于脑电信号分析的麻醉深度检测方法的研究,采用一种新型的脑电熵分析方法一通过应用排序熵的快速算法对脑电信号进行了计算机仿真分析与处理,实验结果表明排序熵运算时间较短、效率较高、抗干扰性强、计算精度更准确。     

基于多变量符号转移熵的癫痫脑电分析

大脑神经元细胞群的异常同步放电是癫痫的病因,这种异常放电是目前诊断癫痫的重要依据。利用复杂度理 论来分析癫痫信号已经成为研究热点,而符号转移熵是反应系统混乱程度的一种非线性指标,在研究癫痫脑电信号特征的提取中有重要的作用。符号转移熵一般都是用来衡量两 个变量之间的动力学特征及方向性信息,忽略了多个变量之间相互作用。本文基于多变量符号转移熵研究分析了癫痫脑电信号,实验中将原始信号符号化后通过数值分析,对导联信号及信号长度的选取以及稳健性分析,表明该方法能够对正常人与癫痫病人的脑电信号进行显著区分,且该算法稳健可靠,该研究结果对临床辅助诊断有帮助。     

基于能量熵的运动想象脑电信号分类

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

多分辨率奇异谱熵及其在振动信号监测中的应用研究􀀂

在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合,提出了多分辨率奇异谱熵及其算法,该指标能够表征不同尺度上信号能量分布的奇异状况.进一步,针对奇异谱分析是基于信号二阶平稳的假设,本文提出了基于高阶累积量的高阶多分辨率奇异谱熵,它能够充分体现信号的内在信息,提高了信号形式变化的适应性和对于嵌入维数变化的稳定性.通过对机械振动信号的仿真分析,该信息熵能够作为设备运行状态识别的有效依据.     

基于功能连接信息熵的精神分裂症EEG分类研究

为了提高精神分裂症的有效诊断,利用网络功能连接信息熵的方法对51例精神分裂症患者和56例年龄匹配的正常人的脑电信号（Electroencephalogram,EEG）进行了分类。通过采用分频技术、相位同步分析方法、信息熵方法、支持向量机（Support Vector Machine,SVM）分类方法,大幅提高了分类准确率（98.13%）,实现了对精神分裂症的有效诊断。该分类方法主要涉及两阶段：利用分频技术和相位同步分析方法,获得各频段的脑电信号在各个时间点的功能连接矩阵;基于整个时间域上的功能连接计算各频段的信息熵,并将其分别作为功能脑网络的分类特征训练SVM分类器,进而对两组被试分类。分类结果表明,该方法大幅提高了精神分裂症检测的准确率。     

基于脑电信号的思维任务分类

脑电信号(EEG)是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。文中主要对不同心理作业的思维脑电信号运用独立分量分析进行预处理,然后采用AR模型提取特征,最后应用BP神经网络对AR系数特征进行训练和分类。实验表明,此方法可以达到很好的分类效果。     

基于眼动辅助脑电信号的手部动作分类方法

提出一种利用小波包变换和支持向量机对手部动作的运动想象脑电信号进行分类的方法。在相关眼动辅助情况下采集想象手部动作时的C3、C4 、P3和P4通道脑电信号,用小波包变换的方法提取4种特征节律波,分别计算每种节律波能量占4种节律波能量之和的比值作为特征,然后将16维特征向量输入支持向量机分类器进行手部动作分类。对上翻、下翻、展拳、握拳4种手部动作的分类实验中平均识别率为82。3%,表明眼动辅助能有效提高运动想象脑电信号可分性。     

一种基于脑电信号的眼动方向分类方法

为了提高基于眼电的眼动方向的识别准确性,文中利用包含眼电伪迹的脑电信号,提出了一种新的眼动方向分类方法。首先,在10-20国际标准导联配置下,通过脑电仪采集靠近人脑额叶处的AF7,F7,FT7,T7,AF8,F8,FT8,T8这8个通道的脑电信号;然后,通过基线移除、归一化、最小二乘法降噪等进行数据预处理;最后,采用支持向量机的方法进行眼动方向的多次二分类,并使用投票策略实现眼动方向的四分类识别。实验结果表明,所提方法进行眼动方向分类时,在上、下、左、右4个方向上的分类率分别达到了78.47%,72.22%,84.03%,79.86%,平均分类率达到了78.65%。与已有的分类方法相比,所提方法的分类准确率更高,分类算法的实现过程更简单,这进一步验证了利用脑电信号识别眼动方向的可行性和有效性。     

基于小波分析的压力传感器奇异信号的检测

在故障诊断中,故障通常表现为输出信号发生突变,因而对突变点的检测有非常重要的意义.鉴于传统信号处理方法的局限性,小波分析以其具备时频局部特性,成为解决此类问题的一个重要方法.推导了小波分析与奇异信号检测的之间的关系,并对某压力传感器的信号进行了奇异值的检测.     

基于奇异值的信源数估计方法

信源数估计是空间谱估计中的重要内容,在估计采用不同的判决准则时,往往需要利用信号协方差矩阵的特征值来进行信源数估计。新算法采用数据矩阵的奇异值分解,通过奇异值建立不同判决准则的判决函数。该算法无需进行协方差矩阵估计,也不需要利用奇异值求解特征值,减少了运算量和估计误差。同时,对数据矩阵进行平滑操作,可以解决信号相干性问题。通过数学推导和计算机仿真,证明了算法的正确性。