基于脑电信号的癫痫疾病智能诊断与研究

针对医疗诊断中癫痫脑电信号分类准确率低、分类类别少的问题,依据粒子群算法和支持向量机理论,提出了一种基于粒子群算法优化支持向量机参数的信号分类检测技术。首先利用小波分析对脑电信号进行5层分解与重构,然后提取含有癫痫特征频率的3、4、5层重构信号的波动系数和近似熵等特征,计算不同状态不同尺度的脑电信号能量,根据不同状态不同尺度的能量分布,调整特征向量的系数。最后使用粒子群算法优化的支持向量机对脑电信号进行分类。实验结果表明,本文提出的方法可以正确识别健康、癫痫发作间期、癫痫发作期3种类型脑电信号,最终的识别率可以达到99.83%。     

基于小波变换的EEG信号癫痫棘波检测

基于小波变换的多分辨率、相对带宽恒定、良好的时频局部化特性,一种利用连续小波变换对实测的脑电信号进行癫痫棘波分解并检测的方法,能够方便而有效地对脑电信号中的癫痫棘波进行检测.     

基于复杂网络的癫痫脑电分类与分析

为提取癫痫发作与间歇期脑电信号的特征,提出利用构建癫痫EEG(electroencephalogram)网络的方法来刻画脑电信号。研究各变量均可测情况下的Lorenz和Rössler混沌系统,利用其各变量的输出混沌时间序列构建复杂网络,发现构建的复杂网络拓扑图与其混沌吸引子存在形态相似性,说明由时间序列构建的复杂网络能刻画其原信号特征。对于多维系统中仅有一维可测时,多维时间序列由相空间重构得到。利用相空间重构方法对癫痫发作和间歇期脑电信号构建复杂网络进行分析。研究结果表明,癫痫发作时其网络拓扑较间歇期存在明显不同,且其平均路径长度显著增加,而递归率及其波动范围都显著降低,这些网络特性可以用来刻画脑电信号的特征,从而为癫痫疾病的自动辨识与预测提供基础。     

严重意识障碍患者对音乐和嗜好刺激的EEG研究

研究严重意识障碍患者对音乐和嗜好刺激的响应机制,比较哪种刺激的脑电信号响应程度更高。研究采集严重意识障碍患者样本12例,应用小波变换方法计算患者在音乐和嗜好刺激前后的脑电信号小波能量值变化量并进行统计分析,比较两种不同刺激间的脑电响应。结果表明,嗜好刺激对于严重意识障碍患者的响应程度显著大于音乐刺激,为临床对意识障碍患者实施嗜好刺激的合理性提供了实验依据。     

多导脑电复杂度特征的谎言测试研究

谎言测试在刑讯侦查和心理疾病治疗中具有重要意义。为了区分是否说谎，30名受试者被随机分为诚实和说谎两组，根据脑电信号的非线性特征-复杂性测度，对他们的12导联的脑电信号提取了KC复杂度、近似熵与样本熵3种复杂度特征，通过统计分析，用两类受试者具有显著差异的多导电极上的复杂度构建特征向量，最后使用支持向量机分类识别特征样本。研究发现:3种复杂度指标中，两类受试者的样本熵特征在更多电极上存在显著差异，由它们构建的特征向量的分类准确率最高，表明样本熵可以更有效地区分诚实和说谎两种不同脑认知状态下的脑电信号，该研究为基于脑电的测谎提供了一种新的途径。     

基于脑电实验的眨眼次数与疲劳相关性研究

眨眼次数可以反映一个人的疲劳程度,但目前对于这一结论的客观验证研究较少。脑电信号是已被证实的疲劳检测的可信标准。利用脑电信号与眨眼次数的相关性,为基于眨眼次数的疲劳检测方法提供了理论依据。设计实现基于脑电的疲劳检测实验,采集被试脑电信号的同时记录被试的眼部图像数据。利用小波变换对脑电信号进行特征提取,分析被试在实验过程中疲劳程度变化情况。同时,处理被试眼部图像数据,统计被试眨眼次数,分析变化趋势。对脑电数据和眨眼次数进行相关性分析,客观验证了眨眼次数随疲劳程度增大而增加的结论。     

基于函数型数据分析的疲劳驾驶状态识别

针对目前常用于脑电信号特征提取的方法存在不能很好地反映信号的连续性、内部动态变化,导致基于脑电信号的疲劳驾驶识别的准确性不理想的状况,一种基于函数型数据分析进行脑电信号特征提取的方法被提出。所提出的方法是通过计算人体在静息状态和疲劳状态的函数性差异来表示特征和进行特征的提取。基于所提出的脑电信号特征提取方法构建了1个疲劳驾驶状态识别模型,并通过使用5种常见分类器在采集的疲劳驾驶脑电信号数据上进行测试,结果表明所提出的基于函数型数据分析的脑电信号特征提取方法有效,所构建疲劳驾驶状态识别模型能获得好的识别效果,最好的识别准确率达到94.82%。     

脑梗塞时心电信号和脑电信号的相关性分析

心电信号与脑电信号在心脑血管健康评测方面具有重要而不可替代的位置。临床中发现脑梗塞会引发心电信号和脑电信号同时产生异常现象,然而关于脑梗塞时引发的异常脑电信号和心电信号之间的关系研究甚少。通过FP-Growth算法研究,利用小波变换提取信号的特征值,对脑梗塞时心电信号和脑电信号的特征值进行关联分析,结果表明脑梗塞时脑电信号和心电信号存在关联关系,对脑梗塞疾病的预防及早期治疗具有重要的参考价值。     

基于脑电高频振荡节律的癫痫始发区快速定位算法研究

最新研究发现癫痫脑电信号中的高频振荡节律(High-frequency Oscillations, HFOs)是定位癫痫始发区(Seizure Onset Zone, SOZ)的重要生物指标.在癫痫致痫灶术前定位的过程中,以癫痫样放电判断癫痫始发区的方法十分耗时,而且癫痫样放电与癫痫发作的关系还不明确,不但增加病人感染疾病的风险,还会造成误诊.本文设计了一种基于高频振荡节律的快速定位算法,利用功率谱密度的差异提取疑似癫痫始发区,再根据曲线模板检出高频振荡节律同步出现的导联;同时基于复Morlet小波将信号变换到时频域进行分析,共同实现癫痫始发区快速定位.经过对4例临床病例处理的结果表明,该算法灵敏度和特异性良好,有助于临床癫痫手术术前精确定位.     

经皮穴位电刺激镇痛的脑电研究

通过对经皮穴位电刺激镇痛实验中记录的脑电信号进行分析,提取表征时间序列规则性的样本熵参数,研究了脑电样本熵与疼痛之间的关系,以及它的变化趋势.样本熵的独立样本T检验分析结果表明,样本熵在致痛状态与静息状态之间存在显著性差异（P <0.01）,其平均值在致痛状态下要高于静息状态;在致痛状态与TEAS治疗状态之间存在显著性差异（P.<0.01）,其平均值在致痛状态下要高于治疗状态.样本熵能反映疼痛程度变化趋势,从非线性角度说明了穴位电刺激疗法对大脑的疼痛处理过程有一定的调制作用,样本熵有望用于客观的评价疼痛.     

高炉铁水硅质量分数的非线性检验

为检验硅质量分数w(Si)的非线性特征，以邯郸钢铁公司7号高炉在线采集的2000炉铁水的w(Si)数据作为母体样本空间，首先运用替代数据法对w(Si)时间序列做非线性定量检验；针对替代数据法容易受系统噪声和时间序列自相关程度影响的缺点，根据信息论冗余图像法进一步对w(Si) 序列做非线性定性判别；通过与典型的线性自回归模型和混沌Lorenz模型的冗余图像的比较，指出w(Si)序列的非线性并非是噪声引起的平凡非线性，而是高炉冶炼内在机理决定的本质非线性，为应用非线性模型对炉温做预测和控制建立理论了依据     

基于似然同步方法的非线性脑电信号分析方法

头皮脑电信号具有非平稳特性,相干等传统分析方法并不能很好地检测这些脑电时间序列间的依赖关系。广义同步中的似然同步算法对非平稳信号处理具有较好的效果,该文将它应用到实际脑电信号分析中。基于单向耦合Henon映射系统和实际脑电数据的仿真结果均表明,基于广义同步的似然同步方法适用测量非平稳信号间关系。针对健康被试静息态下,从闭眼到睁眼的过程中脑电信号间同步性的变化进行了研究,发现从闭眼到睁眼过程中,大脑的alpha波在几乎所有电极间的同步强度都显著地减弱,大脑的活动受到一定的抑制。上述结果也表明该方法在脑电数据分析中具有重要的意义,为其他的脑电研究提供一定的参考方法。     

基于EMD和SVM的抑郁症静息态脑电信号分类研究

以静息态脑电信号为基础,通过固有模态分解(empirical mode decomposition, EMD)算法对脑电信号进行信号去噪和特征值提取,通过支持向量机(support vector machine, SVM)算法对抑郁症患者和正常对照组人群的脑电特征值进行分类分析。 通过系统化的数据采集试验,采集了20位抑郁症患者和25位健康对照组的静息态脑电信号;对静息态脑电信号进行信号的去噪和特征提取;采用SVM算法对抑郁症患者和正常人对照组脑电特征值进行二值分类,分类正确率达到93.3%。 相较于传统的小波变换提取的特征值,分类准确率有明显的提高。     

基于卷积神经网络的多类运动想象脑电信号识别

针对传统多类运动想象（MI）脑电信号的识别方法须进行繁琐的预处理以及特征提取问题,提出基于深度学习的MI信号自动分类方法.在样本表示方面,提出将多通道脑电（EEG）信号转化为一维序列信号处理,在增加样本数量的同时又能够忽略与通道位置相关的空间信息的影响;根据输入信号的特点,采用多层一维卷积神经网络学习不同运动想象状态时脑电信号中的时频信息,自动完成特征提取和分类工作. 将所提出的方法在公共数据集上与多种方法进行比较,并完成对实际采集数据集的分类. 利用所提方法在不需要先验知识的条件下,对脑电信号进行端到端的学习. 结果表明该方法可以获得更高的多分类准确率以及降低个体差异对分类的影响. 所提出的方法有利于促进基于MI 的脑机接口系统的开发.     

外差干涉非线性误差修正方法研究

基于对外差干涉测量信号和参考信号进行光滑滤波处理的方法，提出了一种外差式激光干涉仪非线性误差修正方法。在实验系统中，采用混频技术将两路光频信号降低到通用数据采集系统频率范围内进行同步双通道实时采集；采用改变光传输介质折射率的方法模拟产生纳米数量级微位移。实验结果表明，所提出的修正方法使实验用外差干涉仪测量不确定度由20nm降低到10nm。     

一种基于径向基函数的近似模型构造方法

发展了一种基于径向基函数的近似模型建立方法。首先采用试验设计方法对设计空间进行样本选择,采用数据分析方法对样本集进行聚类分类,得到径向基函数中的相关参数。对于近似模型权系数采用能够适应大规模并行计算并且能够在全局解空间的多个区域内寻优的遗传算法进行求解,而不是采用最小二乘法通过线性方程的求解获得。最后通过对一维非线性和多维高阶非线性函数的逼近测试,以及对近似模型的拟合函数与原函数之间的误差分析,表明本文提出的基于径向基函数的近似模型方法具有良好的拟合与预测精度。     

基于模型的转子弯曲程度识别方法

采用基于模型的处理方法对转子弯曲程度进行识别。首先记录转子的初始振动信号,然后根据实时测取的响应得出差值信号。联立正常状态下的转子系统动力学模型,获得等效载荷,对等效载荷进行分析以识别出转子的弯曲程度。由于噪声影响,提出了基于经验模式分解(EMD)的降噪方法,对受污染的等效载荷进行降噪。仿真结果表明,该方法对转子弯曲程度的识别是有效的。     

不同精神状态下EEG序列复杂性研究

构造了与脑电的源熵相同的(0,1)分布随机序列,以及用白噪激励依据脑电构造出的AR模型而得到的AR序列来作为伪脑电信号。通过比较这三种序列的复杂度,证明了脑电远非随机信号,而是存在某种模式,这种模式可以由AR模型部分表示出来。在此基础上,对三种精神状态下的脑电序列的复杂度进行了双因素方差分析,结果表明复杂度可以显著地区分这三种状态。