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...     

基于原型学习与深度特征融合的脑功能连接分类方法研究EI北大核心CSCD

近年来,基于深度学习的脑功能连接分类方法已成为一个研究热点.为了进一步提高脑功能连接的分类准确率,获得与疾病相关的鉴别性特征,本文提出了一种基于原型学习与深度特征融合的脑功能连接分类方法.该方法首先使用栈式自编码器从脑功能连接中提取从低层次到高层次的深度特征;然后利用原型学习在自编码器的各隐层中提取表示样本类别信息的距离特征;最后采用深度特征融合策略将这些距离特征融合,并将该融合特征用于脑功能连接的类别标签预测.在ABIDE数据集上的实验结果表明,与其他同类方法相比,该方法不仅具有较高的分类准确率,而且能够更加准确地定位与疾病相关的脑区.     

基于小波相干性算法的孤独症儿童脑电评估

孤独症是一种先天的大脑发育障碍性疾病, 孤独症儿童的早期评估诊断尤为重要. 脑电图(Electroencephalography, EEG)是大脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映. EEG信号中包含了大量的生理与疾病信息, 可为某些脑疾病提供诊断依据. 本文按照国际10-20系统标准电极分布将全脑划分为5个脑区, 采用小波相干性算法对孤独症(Autistic spectrum disorder, ASD)儿童和正常(Typical development, TD)儿童任意两通道之间在不同节律下的连接性进行计算, 按脑区进行划分, 得到脑区内和跨脑区功能连接结果, 随后应用独立样本t检验分析和FDR (False discovery rate)多重校正方法后给出脑区内和跨脑区在不同节律下的组间差异.结果表明, ASD组相对于TD组跨脑区连接和脑区内连接普遍较弱, 除delta频段外其他频段均差异显著, 尤其是额叶与其他脑区连接. 多重校正后通道间长程连接中额叶与枕叶、中央区与枕叶在四个频段差异显著较明显, 通道间短程连接额叶在theta和alpha频段较显著, 其他频段其他脑区对比不显著.     

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。     

基于偏相关系数的脑功能连接分析

大脑是一个具有高度复杂性的信息处理系统,拥有丰富且复杂的结构与功能,其功能的执行主要依赖于脑功能区之间的相互作用所构成的网络实现。研究采用偏相关系数分析方法,在阈值的设定研究基础上,进一步引入节点度的概念,用于反馈节点之间连接强度的大小。对13例精神分裂症患者和24例正常人在静息态下273个通道的脑磁(MEG)信号进行分析,探索正常组与患者组之间脑功能连接的差异性。研究表明精神病患者在大部分脑区有显著的功能连接,在额叶和颞叶以及脑边缘部分与正常人有显著性差异,推测这些异常连接区域有可能与精神分裂症的病理有关。     

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。     

机械臂抓取任务的脑电分类

针对大脑认知完好无损的患者,却患有重度神经肌肉疾病导致肢体行动受限的问题,为使患者重新获取障碍肢体的自主控制能力,本文提出了一种机械臂抓取任务的脑电分类方法对患者进行障碍肢体运动康复训练.首先使用非侵入式脑电技术对运动想象脑电信号进行采集,通过预处理、特征提取以及多尺度特征融合卷积神经网络进行分类识别;最后利用分类模型得到的标签解码成机械臂能够识别的指令,控制机械臂完成特定任务.实验结果表明:实验选取的15名健康受试者运动想象实验采集的脑电数据具有可行性,平均准确率达到了82%以上;为机械臂抓取任务的脑电分类提供了一种新思路.     

基于独立成分分析功能连接的抑郁症分类研究*

已有的功能连接研究大多根据脑图谱构建全脑功能连接,但目前可选用的脑图谱种类有限且采用不同脑图谱的分析结果可能存在一定的差异。针对上述问题,利用独立成分分析方法研究了抑郁症辅助诊断问题。首先利用组独立成分分析提取独立成分并构建全脑功能连接网络,然后采用BoostFS(Boosting Feature Selection)方法进行特征选择,最后应用多元模式分析方法对20名抑郁症患者和21名健康被试进行分类。实验分类准确率达到95.12%,错分了一名抑郁症患者和一名健康被试。进一步分析表明,具有较强分辨能力的脑网络为感觉运动网络、默认网络和视觉网络,与已有基于脑图谱的研究结果基本一致,从而说明了基于独立成分分析方法的合理性,使其可能成为抑郁症辅助诊断的一种新方法。     

基于脑电的虚拟现实诱发下情绪状态分类

情绪在歌唱活动中发挥着重要作用,但现阶段高校声乐课程缺乏对情绪调动的有效训练。由于虚拟现实技术具有真实性、沉浸性的特征,本文提出将其应用于声乐教学过程中的情绪诱发阶段。为了验证虚拟现实技术对情绪诱发的有效性,本文提取了不同类型的脑电特征,对情绪自我想象和虚拟现实情绪诱发两种场景下的情绪状态进行分类,并对比了情绪分类准确率、情绪自评分数和声乐自评分数,从主观和客观两方面探究虚拟现实技术对参与者情绪调动的影响。实验结果表明,相比于传统自我想象,虚拟现实技术可以极大地诱发参与者情绪,提升演唱效果,从而为声乐演唱教学提供一种新的辅助手段。     

基于任务需求匹配的网络连通质量控制方法

现有多智能体系统网络研究方法缺乏对局部网络质量与区域性任务需求之间的匹配分析,这将影响任务的完成效率和质量,为此提出一种基于任务需求匹配的网络连通质量控制方法。首先,利用智能体移动状态分析系统网络的间歇连通性;然后,结合任务需求以及系统的间歇网络连通性构建基于主从模式的多智能体子网集合,进而从三个方面评估子网集合的连通质量;最后,提出基于网络连通质量控制的多智能体移动优化模型,用最大的子网集合连通质量表示多智能体网络连通质量,在智能体移动距离和网络连通质量的约束下求解任务完成率最大化的多智能体移动策略,通过该策略形成多智能体网络以执行任务。实验结果表明,该方法可以有效控制网络连通质量,维持任务完成率并提高智能体移动效用。     

基于QoS的任务分类调度算法

分析了QoS Guided Min-Min及其改进算法,指出了这些算法调度不均衡的缺点.在此基础上设计出基于QoS的任务分类调度算法.先对特殊任务使用Min-Min方法进行调度,然后采用贪心策略对一般任务进行调度,转移或交换最大负载和最小负载机器上的一般任务,使各机器上的任务快速达到均衡.实验表明该算法在保证应用QoS的前提下,相对于以往算法负载分布更加均衡,任务总的完成时间更短.     

基于ICA和图论方法的脑电β波静息态功能连接

为了探究正常人脑电β波(13 ～25 Hz)静息态功能连接,提出了一种结合独立成分分析(ICA)、图论、层次聚类、t检验、标准低分辨率电磁断层成像(sLORETA)技术的分析算法.对利用BP Analyzer 64导脑电仪采集的25个健康被试者在闲眼和睁眼静息状态下的高分辨率脑电信号β波(13 ～25 Hz)进行了功能连接研究,结果表明:(a)β波在闭眼状态下的功能连接明显多于睁眼状态;(b)从闭眼状态到睁眼状态,在右侧大脑顶叶、枕叶、颞叶区域β波功能连接明显减弱,而在双侧额叶连接增强;(c)静息态网络中的默认节点网络、视觉网络、运动感觉网络在闭眼状态下显著.因此,证明该算法适用于研究脑电β波静息态功能连接.     

基于任务分类的虚拟CPU调度模型

为了桥接语义鸿沟,提升I/O性能,需要对执行不同类型负载的虚拟CPU（vCPU）采取不同的调度策略,故而虚拟CPU调度算法亟需优化。基于KVM虚拟化平台提出一种基于任务分类的虚拟CPU调度模型STC（virtual CPU scheduler based on task classification）,它将虚拟CPU（vCPU）和物理CPU分别分为两个类型,分别为short vCPU和long vCPU,以及short CPU 和long CPU,不同类型的vCPU分配至对应类型的物理CPU上执行。同时,基于机器学习理论,STC构建分类器,通过提取任务行为特征将任务分为两类,I/O密集型的任务分配至short vCPU上,而计算密集型任务则分配至long vCPU上。STC在保证计算性能的基础上,提高了I/O的响应速度。实验结果表明,STC与系统默认的CFS相比,网络延时降低18%,网络吞吐率提高17%~25%,并且保证了整个系统的资源共享公平性。     

基于动态功能连接的运动任务大脑状态表达

针对传统静态功能连接分析技术不能准确反映大脑动态功能状态的问题,提出了一种基于全脑动态功能连接(DFC)分析对大脑的状态变化进行表达的方法。首先,利用个体的弥散张量成像(DTI)数据构建高精确度全脑网络,将运动任务下功能磁共振成像(fMRI)数据映射到相应DTI空间后,提取各节点fMRI信号;然后,采用滑动时间窗口方法计算随时间变化的全脑功能连接强度矩阵,并提取动态功能连接向量(DFCV)样本;最后,将所有个体的DFCV样本通过基于Fisher准则的字典学习(FDDL)算法进行稀疏表达和分类。共得到8个该运动任务下全脑功能连接状态模式,各模式的功能连接强度空间分布具有明显差异,模式1、模式2和模式3占据了大部分样本分布(77.6%),且与平均静态功能连接强度矩阵之间的相似度明显高于其他5个模式。此外,大脑在各模式之间的状态迁移遵循一定的规律。实验结果表明,采用全脑DFC和FDDL学习相结合的方法,能够有效地对任务态下大脑的功能状态变化进行表达,为研究脑动态信息处理机制提供基础。     

ICA在思维脑电特征提取中的应用

简要介绍了独立分量分析（ICA）的基本思想及算法，并将其应用在基于多导思维脑电（mental EEG)的特征提取方面。实验结果表明：ICA可以将脑电信号中包含的心电（ECG）、眼电（EOG）等多种干扰信号成功地分离出来，较好地完成了脑电消噪预处理工作。同时，通过使用ICA方法对不同心理作业的脑电信号进行分析处理，发现了与心理作业相对应的脑电独立分量特征，这些稳定的独立分量特征为心理作业分类和脑一机接口技术提供了新的实现方法。     

A multi-layer text classification framework based on two-level representation model

Text categorization is one of the most common themes in data mining and machine learning fields. Unlike structured data, unstructured text data is more difficult to be analyzed because it contains complicated both syntactic and semantic information. In this paper, we propose a two-level representation model (2RM) to represent text data, one is for representing syntactic information and the other is for semantic information. Each document, in syntactic level, is represented as a term vector where the value of each component is the term frequency and inverse document frequency. The Wikipedia concepts related to terms in syntactic level are used to represent document in semantic level. Meanwhile, we designed a multi-layer classification framework (MLCLA) to make use of the semantic and syntactic information represented in 2RM model. The MLCLA framework contains three classifiers. Among them, two classifiers are applied on syntactic level and semantic level in parallel. The outputs of these two classifiers will be combined and input to the third classifier, so that the final results can be obtained. Experimental results on benchmark data sets (20Newsgroups, Reuters-21578 and Classic3) have shown that the proposed 2RM model plus MLCLA framework improves the text classification performance by comparing with the existing flat text representation models (Term-based VSM, Term Semantic Kernel Model, Concept-based VSM, Concept Semantic Kernel Model and Term + Concept VSM) plus existing classification methods.     

轻度认知障碍功能连接的频率和聚类分析

传统计算功能性连接（FC）的方法较少关注对应的频率信息,且所得聚类簇的生理意义存在争议,提出一种小波相干聚类方法。首先,采用小波相干研究FC的频率、相位差和时间差信息;其次,定义四种类型以明确聚类簇的生理意义;最后,采用K-means和欧氏距离判决相结合的方法寻找MCI和正常对照（NC）的簇间差异性。实验结果表明,type2中最大频率约0.11 Hz,最大时间差约46.33 ms,type1中最大频率约0.08 Hz,最大时间差约67.01 ms,两者间频带、相位差和时间差异度分别约为0.02 Hz,0.49 rad和20 ms。分析表明,在较大相干值时MCI则更多表现出小的相位差和时间差,且发生在较高频带slow4-3和slow4-4上;NC被试更多表现出大的相位差和时间差,且发生在较低频带slow4-1和slow4-2上。