基于KC的生理性精神疲劳分级的可行性研究

研究了不同精神疲劳状态下脑电信号的柯尔莫哥洛夫复杂度（KC）,通过对8例不同精神疲劳状态下脑电信号KC的分析后发现：脑电信号柯尔莫哥洛夫熵的波动范围与精神疲劳的状态有着明显的对应关系;利用KC对生理性精神疲劳进行分级具有一定的可行性。     

铁磁性材料拉/压疲劳磁记忆信号研究

为探索金属磁记忆信号变化的物理本质,研究不同类型的疲劳载荷对磁信号的影响,首先利用金属磁记忆的基本原理对磁信号的产生过程进行分析和预测,然后对低碳钢Q345分别进行拉伸和压缩疲劳试验,比较不同循环周次下的磁信号法向分量曲线;分析不同检测点在拉伸、压缩疲劳循环中的磁记忆信号变化规律;并从磁畴和位错的角度解释了磁信号在整个疲劳阶段的变化情况。结果表明:在1个循环周次的作用下,检测线的磁信号发生了很大变化;随着加载循环周次的增加,磁信号法向分量Hp(y)整体上保持顺时针旋转,拉伸试件在接近断裂时的磁信号幅值急剧增大;对拉伸及压缩疲劳试件,均可通过磁信号法向分量平均值Hp(y)ave表征应力集中和疲劳损伤程度大小,并且损伤积累参数ΔHN可以用来判断试样所处的损伤阶段。     

基于脑电自回归预测的实时相位估计方法

经颅电刺激(transcranial electric stimulation, TES)等无创刺激方式在与大脑内在神经电活动锁相时,能更有效的调节神 经振荡活动。 由于脑电(electroencephalogram, EEG)信号复杂的时变性,现有的方法难以同时满足相位估计精度和实时性的要 求。 为此,提出一种用于锁相刺激系统的实时相位估计方法。 该方法对 EEG 信号进行自回归(autoregressive, AR)建模,然后利 用 AR 模型预测 EEG 信号并进行相位特征点识别,再通过相位特征点计算出待刺激点的相位。 采用该方法对 20 名受试者(年 龄 20~ 36 岁,男性 12 名,女性 8 名)的闭眼静息 EEG 数据进行分析,发现该方法的性能与模型系数更新时长、预测步长及 EEG 的窄带功率大小有关,对高窄带功率的 EEG 数据具有更优性能;在最佳模型参数下(模型系数更新时长为 5 s、预测步长为 30), 20 名受试者的平均锁相指数(phase locking value,PLV)为 0. 968,平均相位误差(average phase error,APE)为 13. 33°。 相对于平 均周期法,该方法具有更高的 PLV 值和更低的相位误差,可用于闭环锁相经颅电刺激仪器的研发。     

复杂数学运算状态下的大脑一侧优势分析

基于脑电（EEG）信号与Kolmogorov 熵（KE）,对复杂数学运算状态下的大脑一侧优势进行了分析及定位。在复杂数学运算状态下,顶区左、右侧KE值的大小存在显著性差异,而中央区与枕区左右侧KE值的大小则不存在显著性差异。分析结果表明,在复杂运算状态下,不论是左利手还是右利手,大脑顶区都呈现显著的左侧优势,但大脑顶区的左侧优势并不是绝对的;基于EEG与KE的动态比较的方法来分析大脑一侧优势是可行的。     

疲劳裂纹扩展电位信号的最优光滑降噪算法

在采用直流电位降法对疲劳裂纹扩展过程进行实时监测时,由于受到多种噪声干扰使疲劳裂纹扩展电位信号不准确。 为了提高其准确性与光滑性,对疲劳裂纹扩展电位信号建立基于变分模态分解(VMD)的最优光滑降噪算法,将裂纹电位信号 进行 VMD 分解后,根据各个模态分量的样本熵、相关系数和均方误差等指标,剔除裂纹电位信号中的噪声分量和对含噪的有效 模态分量进行降噪处理;然后选择合适的模态分量进行裂纹电位信号的重构,对比不同信号重构方案,选出最优重构信号;最后 对最优重构信号建立不同光滑滤波算法,通过对比光滑度、均方误差、信噪比等指标得出最优光滑降噪模型。 分析结果表明该 算法模型光滑降噪效果良好,降噪误差比为 0. 122 050,提高了监测信号的光滑性与准确性。     

ADI推出新型JFET输入的仪表放大器—AD8220

美国模拟器件公司（Analog Devioes，ADI）公司推出新型JFET输入的仪表放大器AD8220。该器件能增加固定线路和便携式心电图（ECG）、脑电图（EEG）和其它病人监视设备的信号检测。其封装尺寸小，有利于医疗设备设计者通过释放出空间来增加ECG和EEG通路密度。高通路密度的监视设备使医疗专业人员能量测更多点的非常微弱信号，     

基于非线性电磁超声表面波混频方法的金属疲劳裂纹检测

针对铝合金板材疲劳损伤检测困难的问题,构建含有疲劳裂纹界面力模型的电磁超声表面波混频调制模型,研究不同激发频率下的非线性超声表面波的混频调制效果,进而确定了激励频率。分析电磁超声表面波在铝板中的传播情况,以及不同裂纹深度和长度对非线性混频效果的影响。最后进行非线性超声表面波混频检测实验,对完好试件及疲劳试件的非线性特征进行对比分析,研究边频分量随激励信号频率、幅值、信号时延以及裂纹长度不同的变化情况,得到边频分量与微裂纹长度的关系曲线。实验结果表明,如果铝板中存在疲劳裂纹,会有边频调制分量出现;当两列混频信号同时到达疲劳裂纹时,非线性调制效应最强;通过边频分量与微裂纹长度拟合出的关系曲线可以有效监测裂纹的扩展,从而为金属疲劳裂纹的定量检测奠定良好的基础。     

基于混合神经网络和注意力机制的卒中后抑郁早期筛查分类方法研究

脑卒中后抑郁症（PSD）是卒中后常见的并发症之一，严重威胁着脑卒中患者的健康。目前PSD的诊断主要依据病人的临床表现及各种量表，这类方法存在一定的主观性。脑电图（EEG）结合深度学习技术有可能为PSD诊断提供客观标准。本研究采集28名脑卒中后无抑郁受试者(PSND)和38名脑卒中后轻度抑郁患者（PSMD）的EEG信号，提出了一种基于注意力机制的长短时记忆网络（LSTM）和卷积神经网络（EEGNet）特征融合的端到端的PSD诊断框架。采用LSTM模型来学习EEG信号在时序上的依赖关系，引入的注意力机制对LSTM模型中时域信息进行权重分配来提高有用信息的利用率，最终通过EEGNet模块来提取EEG信号中更具表征的深层特征。通过10折交叉验证得出准确度、精确度、召回率、F1-Score和Kappa系数，分别为95.90%、95.75%、96%、95.82%和91.60%。与基础的深度学习模型相比，本文的方法能保持稳定的模型性能，对PSD的诊断具有较高的准确性，为PSD的筛查和诊断提供了一定的参考。     

不同LED照明环境下学生的脑电信号变化

不良的教室照明容易使学生疲劳、降低学习效率。通过实验室模拟教室照明,让学生在不同照度(500 lx、1000lx、1500lx、2000lx、2500lx、3000lx)和色温(4000K、5000K、 6500K)组成的LED照明环境下学习3 h,每0.5 h监测一次脑电信号(EEG),测量δ波、θ波、α波和β波节律,分析频带能量比例R值,判断脑疲劳程度和精神兴奋性的变化。结果表明:随着照度的提高,脑疲劳先减小后增大,2000lx照度组的脑疲劳最低,说明过高的照度更容易引起脑疲劳;精神兴奋性起初变化不明显,超过1500lx后显著提高。随着色温的提高,脑疲劳逐渐增加,精神兴奋性先增加后减小;光照时间的影响与色温相似,脑疲劳随着时间的增加而加深,且速度加快;精神兴奋性随时间的增加先提高后降低。     

薛定谔滤波结合阈值算法在核磁脑电梯度伪迹去噪的应用

基于功能磁共振(fMRI)同步采集的脑电图(EEG)，在使用平均模板相减法(AAS)预处理之后，仍存在梯度残留尖峰伪迹。需要更准确地去除残留尖峰，以减少基于频率的活动推断的干扰，降低时间序列之间的虚假相关性。本文针对EEG数据中尖峰伪迹的特性，先使用薛定谔滤波方法分解并识别包含尖峰的EEG数据，自动减去与EEG幅度相差较大的大部分尖峰成分，然后使用幅度阈值方法，通过逆补余误差定位与EEG幅度相当的残留尖峰，实现对尖峰伪迹的定位与去除。对于模拟信号，该方法得到的信号幅值误差(Er)较薛定谔滤波方法平均提高24.95%，信噪比(SNR)较薛定谔滤波方法提高27.13%；对于真实信号，本文方法得到皮尔逊相关系数明显小于另外4种方法，去噪效果较薛定谔滤波方法提升11.42%。无论是尖峰位于波形波谷，还是高频波动幅度与峰值相当的情况下，薛定谔滤波结合阈值算法较其他方法尖峰识别精度和去噪效果明显提高。此去噪方法为EEG-fMRI的融合研究提供了强有力的支持。     

Current trends in Graz Brain-Computer Interface (BCI) research.

This paper describes a research approach to develop a brain-computer interface (BCI) based on recognition of subject-specific EEG patterns. EEG signals recorded from sensorimotor areas during mental imagination of specific movements are classified on-line and used e.g. for cursor control. In a number of on-line experiments, various methods for EEG feature extraction and classification have been evaluated.     

脑电的非线性检测与双谱分析

本文应用高阶谱技术构成以微机为核心的脑电非线性检测及双谱分析系统。采用非高斯参数模型对脑电信号进行建模,利用模型参数检测脑电信号的非线性特性,分析脑电的参数化双谱估计,分别讨论双谱技术的离散实现和系统硬件设置。     

Improving motor imagery classification with a new BCI design using neuro-fuzzy S-dFasArt

This paper presents an algorithm based on neural networks and fuzzy theory (S-dFasArt) to classify spontaneous mental activities from electroencephalogram (EEG) signals, in order to operate a noninvasive brain-computer interface. The focus is placed on the three-class problem, left-hand movement imagination, right movement imagination and word generation. The algorithm allows a supervised classification of temporal patterns improving the classification rates of the BCI Competition III (Data Set V: multiclass problem, continuous EEG). Using the precomputed data supplied for the competition and following the rules established there, a new method based on S-dFasArt, along with rule prune and voting strategy is proposed. The results have been compared with other published methods improving their success rates.     

Comparison of linear, nonlinear, and feature selection methods for EEG signal classification

The reliable operation of brain-computer interfaces (BCIs) based on spontaneous electroencephalogram (EEG) signals requires accurate classification of multichannel EEG. The design of EEG representations and classifiers for BCI are open research questions whose difficulty stems from the need to extract complex spatial and temporal patterns from noisy multidimensional time series obtained from EEG measurements. The high-dimensional and noisy nature of EEG may limit the advantage of nonlinear classification methods over linear ones. This paper reports the results of a linear (linear discriminant analysis) and two nonlinear classifiers (neural networks and support vector machines) applied to the classification of spontaneous EEG during five mental tasks, showing that nonlinear classifiers produce only slightly better classification results. An approach to feature selection based on genetic algorithms is also presented with preliminary results of application to EEG during finger movement.     

基于脑电微状态的虚拟现实晕动症研究

针对脑电节律能量无法反映时间信息且对空间信息的探讨并不充分等问题,通过运用微状态分析方法,对虚拟现实 晕动症(vRMS)相关脑电信号的时空模式进行了研究,从而检测虚拟现实晕动症。使用多元变分模态分解(MVMD) 将脑电信 号划分为从低频到高频的5个频段,分析了脑电微状态的出现频率、平均持续时间、覆盖率以及转换率的变化,最后利用统计 分析和分类方法验证这些特征的有效性。研究结果表明,5个频段融合所有特征的分类准确率达到最大值83.9%。因此,微 状态方法可望为研究VRMS 提供新思路。     

基于小波变换的脑电高阶奇异谱分析

奇异谱分析是数字信号分析的一种新方法。信号的奇异谱反映信号的奇异特征。但奇异谱分析方法是基于二阶统计的方法,反映的是信号时间上和空间上的一种线性相关关系。因而很难反映非线性信号内在的非线性关系。本文提出一种基于小波变换和高阶统计的奇异谱分析的新方法,并将其运用于正常脑电和癫痫患者的脑电信号分析中。实验结果表明,正常脑电和癫痫脑电的奇异谱有明显的不同。     

Utilizing gamma band to improve mental task based brain-computer interface design.

A common method for designing brain-computer Interface (BCI) is to use electroencephalogram (EEG) signals extracted during mental tasks. In these BCI designs, features from EEG such as power and asymmetry ratios from delta, theta, alpha, and beta bands have been used in classifying different mental tasks. In this paper, the performance of the mental task based BCI design is improved by using spectral power and asymmetry ratios from gamma (24-37 Hz) band in addition to the lower frequency bands. In the experimental study, EEG signals extracted during five mental tasks from four subjects were used. Elman neural network (ENN) trained by the resilient backpropagation algorithm was used to classify the power and asymmetry ratios from EEG into different combinations of two mental tasks. The results indicated that ((1) the classification performance and training time of the BCI design were improved through the use of additional gamma band features; (2) classification performances were nearly invariant to the number of ENN hidden units or feature extraction method.     

The impact of loss of control on movement BCIs

Brain-computer interfaces (BCIs) are known to suffer from spontaneous changes in the brain activity. If changes in the mental state of the user are reflected in the brain signals used for control, the behavior of a BCI is directly influenced by these states. We investigate the influence of a state of loss of control in a variant of Pacman on the performance of BCIs based on motor control. To study the effect a temporal loss of control has on the BCI performance, BCI classifiers were trained on electroencephalography (EEG) recorded during the normal control condition, and the classification performance on segments of EEG from the normal and loss of control condition was compared. Classifiers based on event-related desynchronization unexpectedly performed significantly better during the loss of control condition; for the event-related potential classifiers there was no significant difference in performance.     

基于离散小波变换的卷积自编码运动想象脑电信号的分类

左右手运动想象脑电信号(MI-EEG)分类准确率低,制约了相关脑-机接口技术的发展。实验采集了16名健康受试者的运动想象脑电信号,提出了一种基于离散小波变换(DWT)和卷积自编码(CAE)的运动想象脑电信号分类算法。利用离散小波变换将EEG转换成时频矩阵,输入到卷积自编码网络中进行脑电信号的特征分类。该算法在实验数据集和公开数据集上测试都得到了较好的分类结果,静息-想象左手、静息-想象右手、想象左手-想象右手3组EEG在实验数据集上分类准确率分别为97.36%、97.27%、86.82%,在公开数据集上分类准确率分别为99.30%、98.23%、92.67%。离散小波变换结合卷积自编码网络模型在左右手运动想象脑电信号分类应用中比其他深度学习方法(CNN、LSTM、STFT-CNN)性能更优。     

Linear classification of low-resolution EEG patterns produced by imagined hand movements.

Electroencephalograph (EEG)-based brain-computer interfaces (BCI's) require on-line detection of mental states from spontaneous EEG signals. In this framework, surface Laplacian (SL) transformation of EEG signals has proved to improve the recognition scores of imagined motor activity. The results we obtained in the first year of an European project named adaptive brain interfaces (ABI) suggest that: 1) the detection of mental imagined activity can be obtained by using the signal space projection (SSP) method as a classifier and 2) a particular type of electrodes can be used in such a BCI device, reconciling the benefits of SL waveforms and the need for the use of few electrodes. Recognition of mental activity was attempted on both raw and SL-transformed EEG data from five healthy people performing two mental tasks, namely imagined right and left hand movements.