轻度认知障碍的BOLD信号MEMD降噪处理

早期诊断轻度认知障碍是干预阿尔茨海默症的有效途径.目前常使用静息态功能磁共振成像和机器学习方法进行轻度认知障碍的辅助诊断,其关键是使用血氧水平依赖(blood oxygenation level dependent, BOLD)信号构建大脑的功能性连接.针对大脑静息态BOLD信号中存在各种外界噪音干扰的问题,提出结合多元经验模态分解与皮尔逊相关的重构方法与极正极负重构准则,将大脑默认模式网络的中心节点后扣带回皮层作为模板,重构BOLD信号以降低外界噪音干扰.实验结果表明,基于极正极负重构准则降噪后的BOLD信号构建功能性连接,相较降噪前的数据,在分类性能方面可以提高数据的差异性,在特征选择性能方面可以对数据集降维的同时进一步提升分类性能.此外,以上性能均优于传统重构准则.最后,对降噪后的最优特征子集进行统计性分析,发现脑岛可能是默认模式网络的相关脑区,小脑蚓体与后扣带回皮层可能构成一种认知功能补偿网络,这是以往研究中少有提出的结论.     

面向阿尔茨海默病的脑网络多频融合图核

复杂网络分析与机器学习方法相结合的阿尔茨海默病辅助诊断研究受到了越来越多的关注,其通常采用脑功能网络的方法来描述大脑活动的信息.然而,现有的成果大多基于时域信号匹配构建脑功能网络,忽略了脑活动信息在各个频段下的差异.因此,本文提出了脑网络多频融合图核的阿尔茨海默病诊断方法.首先,将功能磁共振成像产生的图像通过小波变换的方法进行分频段处理;其次,分别计算得到的各频段图像中任意两个脑区间的互信息,并设定阈值与互信息值进行比较进而构造出多频脑网络模型;然后,基于此提出面向多频脑网络模型的融合图核;最后,基于多频融合图核、采用核极限学习机在ADNI(Alzheimer’s Disease Neuroimaging Initiative)公开数据库中获取的一组数据以及在OASIS(Open Access Series of Imaging Studies)公开数据库上获取的一组数据进行阿尔茨海默病的诊断.同时,还通过实验验证了不同参数设置对诊断结果的影响.两组数据集的实验结果表明,提出的多频融合图核的辅助诊断方法能够取得最佳性能,且该方法的辅助诊断准确率在两种数据集上比对比方法的最好结果分别提高了13.79%和15.29%.     

基于多元经验模态分解-传递熵的脑肌电信号耦合分析

皮层肌肉功能耦合是大脑皮层和肌肉组织间的相互作用,脑肌电信号的多尺度耦合特征可以体现皮层-肌肉间多时空的功能联系.将多元经验模态分解(MEMD)与传递熵(TE)结合,构建出MEMD-TE模型,应用于脑、肌间耦合分析.首先对同步采集的脑电(EEG)和肌电(EMG)信号进行预处理,然后采用多元经验模态分解算法对信号进行时-频尺度化,最后计算不同尺度上的传递熵值,分析各个尺度不同耦合方向(EEG→EMG及EMG→EEG)上的非线性耦合特征.采集了10名受试者静态握力(5 kg、10 kg、20 kg)下脑、肌电信号,实验结果表明:脑电对肌电的MEMD-TE值在高频段(40 Hz~75 Hz)上高于肌电对脑电的MEMD-TE值,皮层肌肉功能耦合具有双向性,且不同方向和频段上的耦合强度有所差异,显著性校验反映了不同力度下脑电对肌电的MEMD-TE值没有显著性差别.     

面向特征融合的脑卒中脑电信号分类方法

为了实现脑卒中患者中脑梗死、脑出血两类疾病脑电信号的高效分类与检测,提出了一种基于小波包能量与近似熵特征提取结合的脑电自动分类预测方法。将输入的脑卒中病人的脑电信号进行小波包分解,提取各个频段的能量并降维,而后与近似熵融合作为特征向量,并用支持向量机算法对其进行分类。研究结果表明该方法有较强的脑电特征分类识别能力,进一步单独提取原始脑电信号α波段的信号进行分类,得到了更优的分类效果,脑卒中脑电信号的分类准确率可以达到98.36%。这对临床上实现脑卒中疾病的智能预测具有辅助决策作用。     

基于脑功能网络和共空间模式分析脑电情绪识别

传统脑网络的情绪分类将聚类系数、平均最短路径等拓扑属性作为分类特征。针对这些属性易受网络连接阈值和特征选择的影响,难以完全表征不同情绪状态下的网络空间拓扑结构差异的问题,提出了一种基于脑网络和共空间模式的脑电情绪识别方法(EEG emotion classification based on common spatial patterns of brain networks topology,EEC-CSP-BNT)。该算法基于互信息在各个子频段内计算电极间的功能连接矩阵,同时利用共空间模式(common spatial pattern,CSP)分析学习空间滤波器,构建分类特征,最后通过分类器(如Fisher线性判别、支持向量机、K最近邻)实现基于脑电的情绪分类。基于DEAP和SEED数据集的实验结果表明,相比于脑网络拓扑属性,EEC-CSP-BNT能有效提取脑网络拓扑结构的分类信息,提高脑电情绪识别性能。     

面向知识自动化的磨矿系统操作员脑认知特征与控制效果的相关分析

面向知识型工作自动化,研究了流程工业生产过程中操作人员的脑认知特征与操作控制水平之间的关键,建立了一种基于操作员脑网络特征的操作熟练程度隐性知识的显性化模型.采用关注信号瞬时相位、基于希尔伯特变换的相位锁方法,构建了脑功能网络（Functional brain network,FBN）.基于磨矿系统操作员脑功能网络的图论参数与社区连接强度,建立了特征空间,采用支持向量机与神经网络进行特征分类.结果表明,在高频区,熟练操作员（熟手）的脑功能网络连接强度明显高于不熟练操作员（生手）:在低频部分则生手的脑功能网络连接强度略高,其特征分类准确率为87.24%.磨矿系统操作过程中形成的溢流粒度（Grinding particle size,GPS）曲线可以初略地反映操作人员的熟练程度,本文在深入分析了其溢流粒度曲线与操作员脑网络特征的基础上,发现相对于溢流粒度曲线操作员的脑网络特征可以更全面地描述操作控制水平（特别在操作开始时间段）,采用脑网络特征识别操作控制水平在时间上超前于溢流粒度曲线识别方法.本研究对于将知识工作者的认知特征引入到流程工业控制中,具有一定的借鉴意义.     

基于相位同步的癫痫信号识别与分析

针对临床人工诊断癫痫信号效率低下的问题,建立一种基于相位同步的癫痫信号自动诊断模型。使用相位锁定值衡量各脑区间不同状态下的同步化程度,构建对应的脑功能网络连接矩阵,提取聚类系数和特征路径长度2种全局属性作为输入支持向量机的训练特征,使用六折交叉验证的方式对发作间期及发作期的信号进行分类识别。实验结果表明,加权网络的分类效果优于二值网络,其平均准确率为83.4%,单一属性难以全面反映癫痫患者2种状态下的功能网络连接差异,多数患者在gamma和beta频段取得较好的分类效果。     

基于HOG特征的脑电地形图分类算法研究

脑电地形图（Brain Electrical Activity Mapping,BEAM），是一种先进的研究脑功能和临床诊断的重要手段，既能进行病理诊断又可进行功能诊断，具有较高的敏感性。通过BEAM判断人在不同高低负荷下的疲劳情况并进行有效分类，能最大程度避免高危从业人员的危险发生。目前，大多数脑力负荷分类方法只是简单地利用脑电信号的四种频段特征进行分类，但分类效果并不理想。在此基础上，提出将脑电信号可视化分析，构建脑电地形图，并将方向梯度直方图（Histogram of Oriented Gradient,HOG）特征应用到BEAM分类中。BEAM是根据各频段功率谱密度值用不同颜色表示的球面头皮展成的平面图形，所以针对BEAM的分类研究是基于图像浅层特征的，而HOG正是图像处理中一种简单有效的浅层特征描述符。在BEAM中，HOG能有效地提取各脑功能区的边缘结构特征，并且能提取到地形图表象和形状的方向分布。首先将采集到的脑电信号进行预处理后，选择三频段脑电特征构建BEAM，进行HOG特征提取及分类任务，并与其他算法进行对比。得到的脑电地形图分类结果表明，提取HOG特征的BEAM分类精...     

抑郁症复杂脑网络社团结构差异分析及分类研究

为比较抑郁症脑网络结构差异及实现患者自动识别,提出了基于功能脑网络社团结构特征的机器学习方法.利用静息态功能磁共振影像数据构建功能脑网络,利用基于“堆结构”的贪婪算法进行社团划分,从脑网络模块结构的角度分析正常人和抑郁症患者的差异,并将脑网络的模块指标用于机器学习方法.利用统计显著性为阈值以筛选特征,以判断不同特征数目对分类模型的性能影响.实验结果表明,神经网络算法在28个特征下(P＜0.05),分类正确率最高达90.50％.     

基于多尺度的稀疏脑功能超网络构建及多特征融合分类研究

脑功能超网络已成功应用于脑疾病的诊断。在之前的研究中,集中通过改变超边的方法来改善超网络的构建,忽略了不同尺度的节点定义对脑功能超网络拓扑的影响。考虑到该问题,提出了基于不同尺度的脑区划分来进行脑功能超网络的创建,从而分析其对脑功能超网络拓扑和分类性能的影响。具体来说,首先,基于自动解剖标记模板,利用聚类算法和随机动态种子点的方法对大脑进行细分割;其次,基于每种节点规模下所得的平均时间序列,利用LASSO方法分别进行脑功能超网络的构建;接着分别提取功能超网络的多组局部特征(节点度、最短路径长度、聚类系数),并利用非参数检验和基于相关的方法选取每种节点规模下的差异特征;最后,分别利用支持向量机构建分类模型。分类结果显示,随着节点规模的增大,所构建的脑功能超网络分类准确率增高,在节点尺度1 501下,准确率高达95.45%。同时,多尺度融合的分类准确率优于任一尺度下的分类准确率,这表明不同尺度的节点定义会影响脑功能超网络的拓扑,在未来的脑功能超网络研究中,除了关注超边的构建方法外,应更加关注大脑划分方案的选择,而且多种基于大脑划分的尺度融合特征可以补充更多的分类信息,提高抑郁症与正常人的分...     

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。     

基于动态功能性脑网络的情感分析

人脑活动是在秒级与毫秒级动态变化的,因此采用静态连接方式构建的功能性脑网络,会造成部分与时间相关有效特征的缺失.该文旨在研究情绪变化期间不同大脑区域之间相互作用的时空变化,提出了一个系统的分析框架.该框架包括相关性度量,脑状态分割,代表性时间片段提取以及动态网络构建和分析.首先,利用皮尔逊相关系数量化不同脑区之间的功能...     

基于皮尔逊最优电极选择的ADHD患者脑电特征提取及分类研究

事件相关电位(ERP)可用于注意缺陷多动障碍儿童(ADHD)和正常儿童的脑电特征 提取与分类。首先,采用赌博任务范式,采集2 类儿童的脑电信号;其次,基于皮尔逊相关系 数算法选择最优电极,并预处理最优电极脑电信号;然后,提取预处理脑电信号的时域特征(均 值、方差、峰值)和频域特征(Theta 波段功率、Alpha 波段功率);最后,利用传统分类方法支持 向量机(SVM)、自适应增强(AdaBoost)、自举汇聚法(Bagging)、线性判别式分析(LDA)、反向传 播(BP)和组合分类器的分类方法(LDA-SVM,BP-SVM)完成对2 种脑电信号的分类。研究结果 表明,传统方法BP 分类器的分类准确率可达80.52%,组合分类器BP-SVM 的分类准确率可达 88.88%。组合分类方法能提高ADHD 儿童的分类准确率,为基于脑机接口技术的ADHD 神经 反馈康复治疗提供技术支持。     

Double JPEG compression detection based on block statistics

In this paper, a novel method is proposed to detect the aligned double JPEG compression with different quantization matrix. The proposed method is based on the theory that the correlation among adjacent coefficients of frequency spectrum in DCT blocks is enhanced after DCT transformation, and the correlation among same locations in adjacent DCT blocks is strong. Classification features are divided into two types, the intra-block frequency domain features and the inter-block frequency domain features. The intra-block frequency domain features are used to catch the strong correlation among adjacent coefficients in DCT blocks, and the inter-block frequency domain features are used to catch the correlation among same locations of adjacent DCT blocks. Then the intra-block frequency domain features with inter-block frequency domain features are combined as the classification features. Finally, the classification features are used to train classifiers to detect double JPEG compression. The results of extensive experiments demonstrate the effectiveness of the proposed method.     

低复杂度的 fMRI 脑激活区定位的盲分离算法

摘 要：功能磁共振成像(FMRI)是一种医学影像技术,由于具有非侵入性和较高的时空分 辨率等优点现已被广泛应用于脑区定位。然而传统的 FMRI 信号分离算法复杂度太高,运行时 间长,不利于 FMRI 技术更有效地应用于脑功能的研究。针对传统 FMRI 脑区分离算法的计算 复杂度问题,提出了一种基于二阶哈达码变换的盲分离算法。先计算 fMRI 数据中血氧水平依 赖(BOLD)信号的相关函数,然后对其进行特征值分解得到解混矩阵,以此实现激活脑区定位。 由于哈达码只由 1 或1 构成,因此可减少 BOLD 信号相关矩阵计算的复杂度。仿真结果表明, 相比高阶统计量的独立分量分析(ICA)和二阶统计量的傅里叶变换盲分离算法,该算法的计算时 间分别只有其 25%和 50%,而定位误差却较为接近。     

基于稀疏组lasso-granger因果关系特征的脑电信号情感识别

针对目前基于单一脑区功能性网络层面的特征提取,文中提出稀疏组lasso-granger因果关系方法.首先从效应性脑网络层面提取不同脑区之间的因果关系作为脑电特征,分别提取受试者α,β,γ脑电波段的granger因果特征值.然后引用稀疏组lasso算法对获取的granger因果特征值进行特征筛选,获得高相关性特征子集作为情感分类特征.最后使用SVM分类器进行情感分类.此外,为了减少计算时间复杂度,使用过滤特征选择(ReliefF)算法,选取有效的脑电信号通道.实验表明,文中方法在Valence-Arousal二维情感模型上获得较高的平均情感分类准确率,分类效果优于对比的脑电特征,提取的情感脑电特征可以有效识别受试者的不同情感状态.     

基于图卷积网络的运动想象识别

运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向.近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息.为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信...     

一种深度小波过程神经网络及在时变信号分类中的应用

针对多通道非线性时变信号分类问题,提出一种基于稀疏自编码器的深度小波过程神经网络(SAE-DWPNN)。通过构建一种多输入/多输出的小波过程神经网络(WPNN),实现对时变信号的多尺度分解和对过程分布特征的初步提取;通过在WPNN隐层之后叠加一个SAE深度网络,对所提取的信号特征进行高层次的综合和表示,并基于softmax分类器实现对时变信号的分类。SAE-DWPNN将现有过程神经网络扩展为深度结构,同时将深度SAE网络在信息处理机制上扩展到时间域,扩展了两类模型的信息处理能力。该网络可提取多通道时序信号的分布特征及其结构特征,并保持样本特征的多样性,提高了对信号时频特性和结构特征的分析能力。文中分析了SAE-DWPNN的性质,给出了综合训练算法。以基于12导联ECG信号的7种心血管疾病分类诊断为例,实验结果验证了模型和算法的有效性。