Advanced daytime polysomnographic preprocessing: A versatile approach for stream-wise estimation

The enhancement of monitoring biosignals plays a crucial role to thrive successfully computer-assisted diagnosis, ergo the deployment of outstanding approaches is an ongoing field of research demand. In the present article, a computational prototype for preprocessing short daytime polysomnographic (sdPSG) recordings based on advanced estimation techniques is introduced. The postulated model is capable of performing data segmentation, baseline correction, whitening, embedding artefacts removal and noise cancellation upon multivariate sdPSG data sets. The methodological framework includes Karhunen–Loève Transformation (KLT), Blind Source Separation with Second Order Statistics (BSS-SOS) and Wavelet Packet Transform (WPT) to attain low-order, time-to-diagnosis efficiency and modular autonomy. The data collected from 10 voluntary subjects were preprocessed by the model, in order to evaluate the withdrawal of noisy and artefactual activity from electroencephalographic (EEG) and electrooculographic (EOG) channels. The performance metrics are distinguished in qualitative (visual inspection) and quantitative manner, such as: Signal-to-Interference Ratio (SIR), Root Mean Square Error (RMSE) and Signal-to-Noise Ratio (SNR). The computational model demonstrated a complete artefact rejection in 80% of the preprocessed epochs, 4 to 8 dB for residual error and 12 to 30 dB in signal-to-noise gain after denoising trial. In comparison to previous approaches, N-way ANOVA tests were conducted to attest the prowess of the system in the improvement of electrophysiological signals to forthcoming processing and classification stages.     

Human emotion recognition and analysis in response to audio music using brain signals

Human emotion recognition using brain signals is an active research topic in the field of affective computing. Music is considered as a powerful tool for arousing emotions in human beings. This study recognized happy, sad, love and anger emotions in response to audio music tracks from electronic, rap, metal, rock and hiphop genres. Participants were asked to listen to audio music tracks of 1 min for each genre in a noise free environment. The main objectives of this study were to determine the effect of different genres of music on human emotions and indicating age group that is more responsive to music. Thirty men and women of three different age groups (15–25 years, 26–35 years and 36–50 years) underwent through the experiment that also included self reported emotional state after listening to each type of music. Features from three different domains i.e., time, frequency and wavelet were extracted from recorded EEG signals, which were further used by the classifier to recognize human emotions. It has been evident from results that MLP gives best accuracy to recognize human emotion in response to audio music tracks using hybrid features of brain signals. It is also observed that rock and rap genres generated happy and sad emotions respectively in subjects under study. The brain signals of age group (26–35 years) gave best emotion recognition accuracy in accordance to the self reported emotions.     

急性等容血液稀释自体血回输对老年骨科手术患者脑电双谱指数与肌松效应的影响

目的：观察急性等容血液稀释（ANH）自体血回输对老年骨科手术患者脑电双谱指数与肌松效应的影响,探究含有麻醉药成分的自体血回输对术后麻醉苏醒质量及安全性的影响。方法：择期骨科手术患者40例,年龄65～75岁,体质量55～80 kg,ASA Ⅰ～Ⅱ级,预计术中出血量≥600 mL。患者随机分为2组（n=20）：A组为进行ANH组,在麻醉诱导平稳后实施ANH,血细胞比容（Hct）目标值28%～30%;B组为对照组,即术中常规补液,不进行ANH。于术毕回输自体血时（T1）、回输10 min（T2）、20 min（T3）、30 min（T4）、40 min（T5）、50 min（T6）、60 min（T7）各时点观测两组患者脑电双频指数（BIS）、四个成串刺激（TOF值）及丙泊酚、顺式阿曲库铵的血浆药物浓度变化;观察并记录术前（T0）及T7时点血气变化,观察患者拔除气管导管的时间以及苏醒质量。结果：A组BIS值在术后T6、T7时点明显低于B组（P<0.05）,A组TOF值在T5、T6、T7时点明显低于B组（P<0.05）;A组与B组术后丙泊酚、顺式阿曲库铵的血药浓度组间比较差异无显著性（P>0.05）;A组在术后T7时点乳酸（Lac）值明显高于B组（P<0.05）;A组拔除气管导管的时间明显长于B组（P<0.05）;A组Aldrete评分明显低于B组（P<0.05）。结论：ANH后术毕自体血回输可增加血浆中麻醉药物浓度,加深患者的麻醉深度,增强肌松效应,使老年患者呼吸功能恢复和拔管时间延迟。     

基于排序熵算法的麻醉深度检测系统设计

为辅助医生在手术过程中对患者麻醉深度状态的判断,设计了一种基于排序熵算法的麻醉深度检测系统。该系统主要包含3个部分,前端脑电预处理电路、排序熵算法数据处理电路和人机交互软件。前端电路主要包括各类放大电路和滤波电路;排序熵算法数据处理是基于stm32单片机完成;人机交互软件主要用于对测试结果进行记录显示等工作,辅助医生对患者麻醉状况的判断。依据以上方案制作了检测系统,并在实验室环境下进行了测试,能完成相关数据检测。     

界面设计影响蒙汉用户视觉注意的脑电研究

目的 比较蒙、汉用户在不同界面布局的条件刺激下视觉注意对脑电刺激诱发响应的调节和影响作用。方法 基于Oddball实验范式的事件相关电位技术,采用图文形式和纯文本形式的宫格式、标签式,以及侧面展开式界面布局刺激,结合分析脑电数据和行为数据,探究界面布局设计对蒙、汉用户视觉注意的影响。结果 对视觉注意的早期阶段进行研究后发现,图文形式宫格式布局对汉族用户的视觉注意具有显著的刺激和调节作用,而图文形式侧面展开式布局对蒙古族双语用户的视觉注意有显著的刺激和调节作用。通过P300成分波幅发现蒙、汉用户的情绪发生变化,蒙、汉用户在纯文本形式标签式布局界面的影响下产生消极情绪,波幅降低。结论 在事件相关电位技术中,通过P100成分与P300成分的波幅强度变化,可以作为界面布局刺激条件下衡量比较不同民族地区用户视觉注意与情感体验的观测量。     

融合共空间模式与脑网络特征的EEG抑郁识别

提出共空间模式算法和脑网络拓扑属性融合的脑电信号（electroencephalography,EEG）特征,结合深度学习模型时序卷积网络（temporal convolution network,TCN）对抑郁组和对照组进行分类。根据相位锁值构建电极通道间相位同步性功能网络,分析不同频段下两种类别的功能连接模式。采用多特征融合方法将共空间模式特征和脑网络拓扑特征结合起来,最后结合Fisher score特征选择方法和分类器依赖结构,得到低维高效的特征子集并应用TCN进行分类。在抑郁数据集上的实验结果验证了所提策略的有效性。     

基于HFD和LZC特征联合的单通道静息态脑电抑郁症识别研究

目前抑郁症的临床诊断多以医生经验和患者主观感受为主,主观性强、准确率低、耗时长。随着神经电生理学和计算机技术的发展,抑郁症的客观分类与识别成为可能。但是,已有的基于静息态脑电信号的抑郁症分类识别方法较为单一,脑电特征选取的精准性、综合性和有效性有待进一步探究。本文在设计包含两种模态实验范式的基础上,提出一种基于HFD和LZC特征联合的单通道静息态脑电抑郁症分类识别方法,以期用较少的特征获得较高的分类准确率。首先采集8名抑郁患者和8名健康对照的静息态脑电信号;然后提取其非线性动力学特征参数HFD和LZC;最后将特征数据输入到非线性支持向量机模型中进行分类识别。结果表明,联合特征得到的灵敏度、特异性和分类正确率最高分别为98.12%、96.67%和95.10%,较单独HFD/LZC特征平均分别提高了23.05%、17.02%和19.29%。同时,模型主体部分仅耗时约12 s。研究结果对临床实践中抑郁症的识别和辅助诊断具有重要意义。     

基于小波变换的脑电信号降噪方法的研究

通过小波变换方法对左右手运动想象脑电信号进行降噪.在对各种小波阈值降噪方法(固定阈值形式Sqtwolog及硬阈值法;使用Birge-Massart惩罚函数的阈值形式及软阈值法;使用分层阈值及改进的阈值法)的讨论比较之后,给出一种改进方案.然后对不同降噪方法处理后的脑电信号用概率神经网络进行分类.最后对分类效果进行比较,证明了此改进方案具有可行性.     

基于Harmonic小波时变相干的人脸识别脑电特征提取

经典的相干分析是建立在信号平稳的假设基础上,反映两个随机过程在某一频率成分上的同步关系.在脑电研究领域,相干分析主要用于分析大脑不同区域活动的相关程度及驱动-响应关系.经典的相干分析可以刻画脑电不同区域活动在节律上的一致性,但不能提取大脑活动的瞬时特性.为了提取认知过程中脑电活动的空间-时间模式特征,本文引入脑电信号的时变相干性分析.被测者为10名健康的学生,脑电数据是从一个人脸照片认识或不认识的辨识认知过程中采集的,实验结果表明,在α频带两种辩识过程颞区与其他脑区的信息交流模式呈现明显的差异.     

基于时频分布的EEG中棘波的相关检测

本文提出了一种检测EEG中棘波的新方法。这种方法首先对仿真信号进行时频变换,得到模型棘波的时频特征。EEG信号经过时频变换后,计算EEG信号与模型棘波的时频相关系数,利用相关系数和时频分布中高频部分的能量,给出了一个确定EEG信号中是否含有棘波的指标,并定义这个指标为棘波概率。检测过程中,以棘波概率的大小检测棘波。实际应用表明,这种方法能够准确地检测EEG信号中的癫痫样瞬态特征