脑电信号的现代谱分析技术

脑电信号是非平稳随机信号，它的频域特性的正确表达及精度，相位信息的提取，瞬态波形分析是当前ＥＥＧ信号处理研究中的３个热点问题，本针对以上问题讨论了谱参量分析，双谱分析以及时间－频率域分析的原理，方法，并给出一些ＥＥＧ信号处理的研究结果。     

利用双谱分析的癫痫脑电特征研究

根据癫痫患者脑电信号具有非高斯、非线性随机特性,应用高阶累积量技术对癫痫患者的脑电信号进行双谱估计,研究了在不同发病阶段的脑电信号的高斯偏离程度,以获取更加敏感和准确的临床监护和发病预报参量.用参数模型法进行双谱估计,并根据奇异值分解最小二乘法求解模型参数,从而获得高分辨率的双谱估计值和有效的脑电相位信息.用功率谱对高阶谱进行规范,规范化结果可作为相关系数,通过估计双相关系数找出它与癫痫发作的关系.实验结果表明,患者在癫痫发作前、开始发作和发作期,双谱的等高线图具有明显的尖峰,在癫痫发作时的脑电双相关系数值要比癫痫发作前和发作后的系数值高得多,使得脑电波的非高斯性和非线性增强.双谱分析为癫痫脑电信号的研究提供了一些新的思路,双相关系数有望成为临床监护、预报癜痫发作的一个指标.     

脑电信号的现代分析方法

脑电图（EEG）是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。临床实践表明，脑电信号中包含了大量生理与疾病信息，通过对脑电信号的处理，不仅可以为医生提供临床诊断依据，而且可以为某结脑疾病提供有效的治疗手段。作者从脑电信号的分析出发，论述了频域分析、时域分析等脑电图分析中常用的信号分析方法和特点，特别介绍了Wigner分布、小波变换和匹配跟踪等时频分析方法、人工神经网络和非线性动力学方法在脑电信号分析和处理中的应用情况。     

利用VS 2010和Matlab混合编程实现卡尔曼滤波的方法

在对脑电信号进行采集与处理的过程中,采集到的脑电信号在经过硬件处理之后仍然包含有大量的噪声,必须进行滤波处理.本文介绍了卡尔曼滤波的基本原理,阐述了Matlab的优点与缺点,介绍了目前流行的Visual studio 2010工具平台的新特性,提出了采用Visual studio 2010与Matlab R2012b混合编程实现卡尔曼滤波的方法.通过实例,利用Visual studio 2010与Matlab R2012b混合编程实现了对白鼠脑电信号的卡尔曼滤波,取得了良好的效果.该方法将两者的优缺点进行了互补,实现了Matlab强大的数值运算能力的跨平台应用,使所得程序在处理复杂运算时的运算速度比单独使用C、C++等语言进行处理要快,同时又有用户界面良好的优点,在科研工作和工程开发中的应用前景非常广阔.     

基于ICA与小波阈值的癫痫脑电信号去噪方法

在癫痫性发作的自动检测中,脑电信号的去噪对检测结果起着至关重要的作用。文中提出了一种新的基于ICA与小波阈值的癫痫脑电信号去噪方法。该方法首先利用ICA将多通道癫痫脑电信号分解为若干独立分量;其次基于独立分量与脑电信号间的夹角余弦识别含噪独立分量并用小波阈值对其去噪处理;最终,在去噪后的癫痫脑电信号与原始癫痫脑电信号中提取样本熵作为脑电特征,并结合超限学习机完成癫痫性发作的自动检测。实验结果表明,在去噪后癫痫脑电信号上的分类性能均优于原始癫痫脑电信号,该文所提方法一定程度上达到了自动去除脑电噪声的效果。同时,该方法避免了去噪过程中对噪声人工辨别及干净参考噪声选取等问题。     

小样本脑电信号(EEG)处理系统

脑电信号分析,在神经生理学及脑科学研究中,占有极为重要的地位。小样本脑电信号(EEG)处理系统是我校人工智能所研制成功的。 该系统是一个多功能脑电信号分析处理系统,由IBM—PC机、专用数据采集硬件、专用处理软件3部分组成,可以较好地对脑电信号完成多种时域、频域、空间域的处理,其主     

脑电监护分析系统的软件设计与实现

脑电信号在外围设备采样后,由计算机通过软件系统以波形图形式进行实时播放.本文以脑电波监护与分析的系统给出计算机技术在工程领域的应用实例.首先介绍涉及的脑电生物及数字信号处理技术的背景知识,然后讨论软件体系结构、子系统划分及功能模块,包括脑电信号的监护、数字滤波器及信号分析,并以数据采集、滤波与分析算法为重点.     

FOURIER变换在脑电信号处理中的应用及其局限

介绍了Ｆｏｒｉｅｒ变换在脑电信号处理中的应用，分析了Ｆｏｕｒｉｅｒ变换存在的局限，指出解决的途径。     

基于灰色系统理论的脑电特征提取

提出了脑电特征提取的一种新方法。研究了灰色模型在自发脑电特征提取中的应用，同时给出了脑电信号特征提取的总体方案。研究结果表明，在脑电信号处理中使用灰建模方法提取脑电特征是可行和有效的，同时该方法也为进一步的脑功能模式识别研究提供了初步的理论基础。     

基于WPD和CSP的四类运动想象脑电信号分类方法

针对多通道四类运动想象脑电信号分类问题,引入小波包分解(WPD)与共空间模式(CSP)融合的脑电信号特征提取方法.首先利用小波包对训练集的多路脑电信号进行分解,然后用共空间模式算法对不同分解层子带的脑电信号进行特征提取,最后设计了基于支持向量机(SVM)的分类方法.应用提出的方法对四类运动想象脑电信号进行了特征提取和分类,分类正确率达到71.5%;相对于单纯的CSP特征提取,正确率提高了5.8%,说明了该特征提取及分类方法对该数据集的有效性.     

关于“集中警觉”状态的40HzEEG检测的新方法

40HzEEG活动的检测在认识功能障碍的诊断中是非常有用的。但40HzEEG阵发波信号的检测相当困难。在目前的文献中,无例外的采用了窄带滤波与定阈值的方法来识别阵发波信号。如果阈值选择不当,阵发波的误识和漏识的问题可能发生。本文提出了一种新方法。这种方法将自适应技术同AR模型参数识别相结合建立了一套40HzEEG信号检测,处理及分析的完整系统及方法。报告了20例受试者左、右大脑半球的40HzEEG活动的情况。初步的结果表明这种方法是有效的。     

耦合信号微分后对双谱的影响

为有效区分和分析相近工作状态的振动信号,提出了基于时间序列进行微分再求其双谱的方法以放大相似信号的差异。由于平稳随机过程的铣床振动信号的双谱具有高度相似性而难以区分的特点,文章通过对比分析多次微分后的双谱和双谱对角切片,结果表明:微分前具有高度相似性的双谱,在微分后呈现出了不同的差异性,并且这种差异性随着微分次数的增加变得愈加明显。因此,时间序列的微分运算可有效提取信号特征,以实现对高度相似性信号的区分与分析。由于在各种机械加工系统中,各种参数比如转速、材料及粗糙度等,都与信号的双谱特征有关,因此可以根据研究结果调整各种参数,从而达到改善系统功能的目的。     

基于盲反卷积的脑电信号盲分离研究

采用卷积混合模型描述观测脑电信号(electroencephalogram,EEG),提出一种基于盲反卷积的EEG盲分离方法.结合EEG源成分的独立性确定代价函数,并采用共轭梯度法进行迭代寻优.针对EEG仿真实验数据进行方法验证,采用分离信号与源信号之间的相关系数作为验证指标.实验结果表明,本文方法可以较好地实现EEG盲分离,为EEG信号处理和其他生理信号处理分析提供理论和方法借鉴.     

基于深度卷积神经网络的脑电图异常检测

为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别; 接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数; 最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.     

基于脑电图的新型情绪识别特征提取方法

基于脑电图(EEG)信号对情感识别计算进行研究.针对脑电图的特征提取难和模型计算难的问题, 提出了一种从EEG信号中获得可靠区别特征的创新方法.该方法将微分熵与线性判别分析(LDA)相结合,可被应用于情绪EEG信号的特征提取.采用3类情绪EEG数据集进行实验,结果表明该方法能够有效提高EEG分类的性能:与原始数据集的结果相比,平均准确度提高了68%,比单独使用微分熵进行特征提取时的准确度高7%.总执行时间结果证明提出的方法具有较低的时间复杂度.研究结果在3类情感脑电图识别领域具有重要的实用价值,可被应用于实际的工程领域.