基于新型能量算子和多尺度熵的癫痫自动检测

提出癫痫检测的新算法,创新地使用新型能量算子和多尺度熵,不仅能够实时跟踪脑电信号能量,而且可以在脑电信号未知情况下提取其有效的特征信息。对脑电信号进行一定尺度的小波变换;利用新型Teager能量算子和多尺度熵提取脑电信号的非线性特征,将特征信号输入到极限学习机中,用来识别正常脑电信号与癫痫脑电信号。实验结果表明,此方法具有高分类精度,可达到98.89%,优于文献中所报道的多种检测方法,可以应用于癫痫临床检测。     

基于多变量符号转移熵的心电信号研究

复杂度理论已成为研究生理电信号的热点,而符号转移熵是一种反映系统混乱程度的非线性指标。文章在原有多变量转移熵的基础上提出了多变量符号转移熵,对传统时间序列静态划分方法做出了改进,即将时间序列使用动态自适应分割的方式进行符号化。应用该算法对正常人和冠心病患者的心电信号进行分析,在实验中选取最佳的导联对,结果表明该算法能够显著区分正常人和冠心病患者,对原始心电时间序列叠加上高斯噪声后依然可靠有效。     

基于小波变换和模极大值法的癫痫发作检测与分析

癫痫是大脑神经元突发性异常放电导致大脑功能障碍的一种慢性疾病。癫痫发作的检测可以利用对脑电信号中的癫痫特征波——棘波的检测和分析来实现。提出了基于小波变换和模极大值法的棘波检测方法,对癫痫脑电信号在一定尺度内进行连续小波变换,应用模极大值算法及细化算法对脑电信号奇异点进行检测,得到奇异点的模极大值作为提取的棘波嫌疑点,再通过功率谱密度分析和空间曲面拟合筛选得到最终的棘波特征波,判断癫痫是否发作。实验验证,该算法检测效果较好,诊断准确率可达92.5%以上,为癫痫发作的检测提供了一种有参考价值的方法。     

基于微状态方法的癫痫脑电信号识别研究

目的 癫痫发作时脑神经元异常放电,严重危及人的生命,准确识别癫痫脑电信号对癫痫诊断具有重大意义,对此使用微状态分析法对癫痫脑电信号进行识别研究。方法 各选取11名癫痫患者和健康人,计算癫痫发作、未发作和健康人脑电微状态的传统特征（出现频率、平均持续时间、覆盖率和转移概率）、Hurst指数、动态特征（ACF和AIF）,进行差异性分析并使用SVM进行分类。结果1-40 Hz,癫痫发作和健康人、癫痫发作和未发作、癫痫未发作和健康人的传统特征、Hurst指数、动态特征均有显著差异,三种特征融合的准确率分别为99.9%、96.3%、96.3%,均高于其它频带（delta、theta、alpha、beta和 gamma）的准确率。结论 癫痫脑电微状态特征能被准确识别,1-40 Hz多参数特征融合能有效提高分类准确率。     

基于多分辨分析和近似熵的脑电癫痫波自动检测

脑电癫痫特征的自动提取在临床应用上具有重要意义。分析了小波多分辨分析和近似熵特征提取的特点,提出了8通道脑电信号癫痫波的检测方法。首先每个通道的信号利用小波变换进行5层分解,然后对分解的细节信号作近似熵计算,发现含有癫痫活动的脑电信号与正常脑电有显著的区别,最后利用Neyman-Pearson准则进行检验比较。实验结果表明,在一定误检率下,检测率最高的是在第一层,而且这种方法保证了检测系统具有较小的误检率和较高的检测率。     

基于等分符号化熵的情感脑电信号分析

如何提取有效的特征一直是情感研究的一个热点,结合脑电信号非线性方法中排列熵计算效率高,样本熵计算准确率高的优点,提出了等分符号化熵算法（ESE）,并试图验证这种新的特征在情感脑电分析中的有效性。该算法在相空间重构前对信号进行等概率符号化处理,用符号矢量的相等计算重构分量比例。仿真结果显示ESE算法在Logistic映射中计算效率与计算准确度均有良好的表现。并将ESE用于情感脑电信号的分析,结果表明部分脑区可以有效的区分正负性情感。表明此算法可以得到有效的衡量不同类型情感的特征。     

基于小波系数特征融合的小鼠癫痫脑电分类

采集癫痫小鼠模型在常态与致癫状态下的脑电信号以研究其癫痫脑电的自动分类。对经过噪声和伪迹消除预处理的脑电信号进行小波变换,获得不同频率子带的小波系数,对脑电信号及与癫痫特征波相关的小波系数提取相应的线性特征（标准差）和非线性特征（样本熵）;基于这些特征及其组合使用支持向量机分类器实现分类。实验发现基于小鼠脑电本身的标准差和样本熵的分类正确率分别为59.10%和58.00%;而融合各相关小波系数的标准差或样本熵,分类正确率分别达到86.60%和88.60%;融合全部相关小波系数的线性和非线性特征后分类正确率为99.80%。这些结果说明基于小波系数特征融合的分类算法性能有显著提升,能有效实现小鼠癫痫脑电的自动分类。     

MF-DFA在癫痫发作期及发作强度检测中的应用

癫痫患者的脑电特征是临床诊断、分类和预报癫痫的重要依据.作为测度时间序列内在模式变化的近似熵和样本熵成为一种临床癫痫分类和发作预报的重要方法,由于受到序列长度、嵌入维数以及阈值设置的影响,难以准确检测序列内模式突变的时刻.为准确检测脑电癫痫样放电时刻及其强度,提出了一种癫痫发作及强度检测的多分形去趋势波动分析方法(MF-DFA),并与基于样本熵的癫痫放电检测作进一步比较分析.采用头皮表面脑电与颅内脑电临床数据做测试实验,结果表明:MF-DFA能够精确捕捉到发作时刻,并能够定量刻画癫痫发作强度.     

基于时间序列复杂网络的癫痫脑电分类研究

大脑是一个高度复杂的系统,而且脑电信号噪声背景强,信号微弱,传统的脑电信号特征提取方法不能全面反应脑电信号的特征信息,因此,提出一种与复杂网络理论的相结合,以时间序列为基础构造复杂网络的癫痫脑电分类方法。首先将癫痫脑电信号的时间序列分段处理,每一段作为网络的一个节点,通过Pearson相关计算节点之间的关系来构造网络的连接矩阵,然后通过连接矩阵计算网络特征参数,并对特征参数进行统计分析构造特征向量,最后,使用SVM、逻辑回归和K-NN等分类器进行分类研究。结果显示,该方法对数据集A-E、AB-CDE和ABCD-E的分类准确率分别达到96.67%、94.00%和94.33%。实验结果表明,作为传统时间、频率分析的替代方法,该方法是可用于对脑电信号进行模式识别分类的,能够有效对癫痫脑电信号分类识别。     

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。     

基于脑电多特征融合的癫痫发作预测方法

癫痫的发作会给患者的身体和精神造成极大的创伤,对癫痫发作的准确预测可以及时协助医生对患者采取治疗措施.为了准确预测癫痫发作,提出脑电特征和多通道脑电交互特征相融合的癫痫发作预测方法.首先,提出多尺度符号化排列传递熵对多通道脑电信号交互信息进行分析,生成同步矩阵,并通过显著性分析筛选与癫痫发作相关的重要脑电通道,减少不必要特征对分类的干扰;然后,对筛选通道后的脑电信号生成表征脑电信号特征的功率谱密度能量图(PSDED)和描述脑通道交互特征的同步矩阵图(SMD),将两个特征图融合,采用深度卷积神经网络(DCNN)对癫痫患者脑电信号进行分类识别,提高学习能力和泛化能力,分类准确率可达到96.825%;最后,在分类的基础上采用预测评价系统对癫痫发作预测性能进行评估,癫痫发作预测范围(SPH)为10 min和发作发生期(SOP)为10 min时,预测敏感性达到96.66%,误检率可达到0.03/h;当SPH为30min,SOP为10 min时,预测敏感性达到93.17%,误检率可达到0.05/h.与现有研究结果相比较,所提出方法具有较好的预测敏感度和较低的误检率.     

基于视角-规则的深度TSK模糊分类器及其在多元癫痫脑电信号识别中的应用

在癫痫脑电信号分类检测中,传统机器学习方法分类效果不理想,深度学习模型虽然具有较好的特征学习优势,但其“黑盒”学习方式不具备可解释性,不能很好地应用于临床辅助诊断;并且,现有的多视角深度TSK模糊系统难以有效表征各视角特征之间的相关性.针对以上问题,提出一种基于视角-规则的深度Takagi-SugenoKang (TSK)模糊分类器(view-to-rule Takagi-Sugeno-Kang fuzzy classifier, VR-TSK-FC),并将其应用于多元癫痫脑电信号检测中.该算法在原始数据上构建前件规则以保证模型的可解释性,利用一维卷积神经网络(1-dimensional convolutional neural network, 1D-CNN)从多角度抓取多元脑电信号深度特征.每个模糊规则的后件部分分别采用一个视角的脑电信号深度特征作为其后件变量,视角-规则的学习方式提高了VR-TSK-FC表征能力.在Bonn和CHB-MIT数据集上, VR-TSK-FC算法模糊逻辑推理过程保证可解释的基础上达到了较好分类效果.     

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.     

Emotion recognition from EEG signals by using multivariate empirical mode decomposition

This paper explores the advanced properties of empirical mode decomposition (EMD) and its multivariate extension (MEMD) for emotion recognition. Since emotion recognition using EEG is a challenging study due to nonstationary behavior of the signals caused by complicated neuronal activity in the brain, sophisticated signal processing methods are required to extract the hidden patterns in the EEG. In addition, multichannel analysis is another issue to be considered when dealing with EEG signals. EMD is a recently proposed iterative method to analyze nonlinear and nonstationary time series. It decomposes a signal into a set of oscillations called intrinsic mode functions (IMFs) without requiring a set of basis functions. In this study, a MEMD-based feature extraction method is proposed to process multichannel EEG signals for emotion recognition. The multichannel IMFs extracted by MEMD are analyzed using various time and frequency domain techniques such as power ratio, power spectral density, entropy, Hjorth parameters and correlation as features of valance and arousal scales of the participants. The proposed method is applied to the DEAP emotional EEG data set, and the results are compared with similar previous studies for benchmarking.     

Automatic recognition of epileptic EEG patterns via Extreme Learning Machine and multiresolution feature extraction

Epilepsy is one of the most common neurological disorders- approximately one in every 100 people worldwide are suffering from it. In this paper, a novel pattern recognition model is presented for automatic epilepsy diagnosis. Wavelet transform is investigated to decompose EEG into five EEG frequency bands which approximate to delta (δ), theta (θ), alpha (α), beta (β), and gamma (γ) bands. Complexity based features such as permutation entropy (PE), sample entropy (SampEn), and the Hurst exponent (HE) are extracted from both the original EEG signals and each of the frequency bands. The wavelet-based methodology separates the alterations in PE, SampEn, and HE in specific frequency bands of the EEG. The effectiveness of these complexity based measures in discriminating between normal brain state and brain state during the absence of seizures is evaluated using the Extreme Learning Machine (ELM). It is discovered that although there exists no significant differences in the feature values extracted from the original EEG signals, differences can be recognized when the features are examined within specific EEG frequency bands. A genetic algorithm (GA) is developed to choose feature subsets that are effective for enhancing the recognition performance. The GA is also examined for weight alteration for both sensitivity and specificity. The results show that the abnormal EEG diagnosis rate of the model without the involvement of the genetic algorithm is 85.9%. However, the diagnosis rate of the model increases to 94.2% when the genetic algorithm is integrated as a feature selector.     

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.     

癫痫脑电的互信息和同步性分析

脑电（EEG）分析是研究癫痫的一个重要手段。以临床采集的健康对象和癫痫患者的头皮EEG为研究对象,计算不同导联EEG数据之间的排序互信息,结果表明癫痫患者不同导联之间的互信息明显高于健康对象,因此,排序互信息可以作为癫痫疾病诊断的重要特征。以排序互信息为依据,对癫痫脑电进行了同步性的分析,结果表明癫痫患者左脑区域内、右脑区域内及左右脑区之间的信息交流明显增强,即其同步性强于健康对象。互信息和同步性的分析方法还可对癫痫发作前期和发作阶段的EEG进行分析,对癫痫发作作出预测。     

Classification of EEG signals using neural network and logistic regression

Epileptic seizures are manifestations of epilepsy. Careful analyses of the electroencephalograph (EEG) records can provide valuable insight and improved understanding of the mechanisms causing epileptic disorders. The detection of epileptiform discharges in the EEG is an important component in the diagnosis of epilepsy. As EEG signals are non-stationary, the conventional method of frequency analysis is not highly successful in diagnostic classification. This paper deals with a novel method of analysis of EEG signals using wavelet transform and classification using artificial neural network (ANN) and logistic regression (LR). Wavelet transform is particularly effective for representing various aspects of non-stationary signals such as trends, discontinuities and repeated patterns where other signal processing approaches fail or are not as effective. Through wavelet decomposition of the EEG records, transient features are accurately captured and localized in both time and frequency context. In epileptic seizure classification we used lifting-based discrete wavelet transform (LBDWT) as a preprocessing method to increase the computational speed. The proposed algorithm reduces the computational load of those algorithms that were based on classical wavelet transform (CWT). In this study, we introduce two fundamentally different approaches for designing classification models (classifiers) the traditional statistical method based on logistic regression and the emerging computationally powerful techniques based on ANN. Logistic regression as well as multilayer perceptron neural network (MLPNN) based classifiers were developed and compared in relation to their accuracy in classification of EEG signals. In these methods we used LBDWT coefficients of EEG signals as an input to classification system with two discrete outputs: epileptic seizure or non-epileptic seizure. By identifying features in the signal we want to provide an automatic system that will support a physician in the diagnosing process. By applying LBDWT in connection with MLPNN, we obtained novel and reliable classifier architecture. The comparisons between the developed classifiers were primarily based on analysis of the receiver operating characteristic (ROC) curves as well as a number of scalar performance measures pertaining to the classification. The MLPNN based classifier outperformed the LR based counterpart. Within the same group, the MLPNN based classifier was more accurate than the LR based classifier.     

基于迁移学习的癫痫EEG信号自适应识别

脑电图（electroencephalogram,EEG）信号智能识别是癫痫病检测的重要手段。传统的智能识别方法在进行检测时,都假定智能模型训练采用的训练样本集和测试样本集满足同一分布特征,但在实际应用时,此假设条件过于苛刻,当训练和测试数据对应的场景有一定漂移时传统方法不再适用。针对上述情况,将近年来广受关注的对分布差异性场景具备较好性能的迁移学习方法引入到脑电图识别中,使得最终所得的模型对训练和测试数据的分布要求较之传统方法得到进一步放松,扩大了算法的适应场景,实现了在数据漂移场景下对癫痫EEG信号的自适应识别。实验表明,基于迁移学习的方法比传统方法具有更好的适应性。