睡眠剥夺对脑认知和脑电复杂性的影响

为研究睡眠对大脑功能的影响，考察了正常睡眠与睡眠剥夺情况下脑认知能力的变化，分析了两种状态下自发脑电和事件相关电位复杂性的差异．通过事件相关电位P300的潜伏期与幅度反映不同状态下的脑认知能力，采用小波熵方法分析其复杂性．实验采用数字脑电图仪记录19导脑电信号，用OB序列诱发视觉事件相关电位．结果发现，睡眠剥夺组的靶刺激反应时间明显增长，而P300幅度显著降低、潜伏期明显增加；小波熵分析结果表明，与正常睡眠组比较，睡眠剥夺组自发脑电的256点小波熵和事件相关电位的32点小波熵均值都显著降低．故得出结论：睡眠剥夺对人的认知和脑电复杂性均产生了负向影响．因此，睡眠对维持大脑的功能具有重要作用．     

不同脑负荷脑电特征的近似熵表征研究

目的研究不同生理状态下的脑电特征(EEG)。方法利用一种度量时间序列复杂性的非线性统计方法——近似熵(ApEn)方法。结果近似熵能够有效地反映脑电信号的变化情况。结论近似熵是一种值得重视且很有发展前景的复杂性分析方法。     

基于多导脑电复杂性测度的脑疲劳分析

通过对连续长时间脑力劳动前后状态下的脑电信号进行分析,提取了脑电信号的基本尺度熵和排列熵两种复杂性测度,研究了它们与脑疲劳程度之间的关系,以及它们在不同脑疲劳状态下的变化规律及其相关性.实验结果表明,基本尺度熵和排列熵与脑疲劳程度之间存在很强的关联性,对于不同的脑疲劳状态,随着脑疲劳程度的增加,其alpha(8～12 Hz)、beta(13～30 Hz)频率段和total频率段(0.5～30 Hz)脑电信号的基本尺度熵和排列熵逐渐降低.相对于Tsallis熵算法,基本尺度熵和排列熵可以更好地反映疲劳前后脑电信号复杂度的变化特性.同时,由于基本尺度熵和排列熵算法概念简单,运算量小,因而它们的计算复杂度大大降低,运算速度更快,使得实时分析与监测脑疲劳成为可能.脑电信号的基本尺度熵和排列熵有望成为衡量脑疲劳程度的指标.     

睡眠剥夺影响大脑功能区状态的非线性评价

采用近似熵研究睡眠剥夺（sleep deprivation，SD）对脑认知功能的影响，评价SD引起的大脑功能区状态的非线性变化．12名受试者在正常睡眠和一夜SD之后分别接受视觉注意力测试，记录自发脑电和诱发脑电，采用二维插值构建19导脑电近似熵脑信息图（brain information map，BIM）．结果表明，在SD状态下，自发脑电的近似熵在全脑范围内有不同程度的下降，额叶处大脑偏侧性发生变化，复杂度的中心从左脑转移到右脑；前额叶处诱发脑电近似熵值降低，而顶叶和颞叶处则升高．脑电近似熵可以作为指标来评价SD对脑认知功能的负向影响，BIM的变化趋势与从生理学及影像学角度的分析相吻合，与线性方法的研究结论一致，在一定程度上可以反映大脑功能状态，提供一条评价脑功能区状态变化趋势的思路．     

带阻尼项非等熵流方程组解的大时间状态估计

利用能量估计的方法及压力函数ｐ（ｖ，ｓ）的性质，研究了带阻尼项非等熵流方程组解的大时间状态，证明了解在Ｌｚ模意义下的大时间状态收敛速度的衰减估计。     

基于Tsallis熵和近似熵的认知事件相关电位动态复杂度分析

提供了两种分析认知事件相关电位（ERP）复杂度动态变化的估计算法——时变Tsallis熵（ETsEn）和时变近似熵（EApEn），并将其应用于分析Stroop任务中ERP的动态复杂度．实验发现：BTsEn比EApEn能更好地反映不同刺激类型的ERP复杂度差异；EApEn比ETsEn能更准确地体现ERP复杂度随时间变化的规律．额区、中央区和顶区的ERP的ETsEn和EApEn在刺激前、刺激处理过程中、刺激处理后均有显著差异，即在刺激前熵较大且无明显变化，刺激处理过程中熵显著减小，刺激处理完成后熵恢复至刺激前状态，其变化的时序与行为数据基本一致。结果证明了时变的Tsallis熵和近似熵对动态复杂度从不同方面度量的有效性，为客观度量ERP的复杂度提供了新方法．     

语音识别中隐马尔可夫模型状态数的研究

该文从信息论的观点出发,对语音信号的隐马尔可夫模型（ＨＭＭ）的状态数进行研究,建立了ＨＭＭ的状态数研究的简化模型,指出ＨＭＭ的信息熵是由语音信号的固有熵和附加熵组成。随状态数增加,信息熵趋向固有熵。最后,在综合考虑信息熵和运算量两方面因素情况下,得出了状态数宜在６￣８之间的结论。     

不同麻醉深度下大鼠脑活动的复杂性分析

为了研究大鼠在不同麻醉深度下大脑活动的变化，探测麻醉深度对其脑电信号（EEG）的影响，采用KC复杂度和谱熵对不同麻醉深度下的EEG及其4个主要频段信号进行了复杂性分析．结果发现：随着麻醉深度的加深，EEG的KC复杂度和谱熵的值都随之减小，反之亦然，且KC复杂度在区分麻醉深度的变化方面比谱熵更为灵敏、准确；在麻醉状态下，delta频段是EEG信号的优势频段，正是它的动态变化主导了EEG信号的变化过程．     

离散有限状态空间的一般熵函数

本文导出了表述离散有限状态空间不确定性的一般熵函数,同时证明了该状态空间各种不同的熵函数,都是一般熵函数的特例。所得到的熵的统一形式,为研究熵问题提供了一种有效的工具。     

绝热大气过程的若干性质

研究了绝热大气过程的若干重要性质，论证了绝热情形下大气熵范围的不变性和表面位温的局地不变性，在此基础上进一步探讨了当等熵面与地面相交时等熵面上以及等熵面与地面之间大气质量的守恒性.分析表明：在大气有效位能研究中，客观定义的大气参考状态应当是实际大气经过绝热调整后所能够达到的状态，是与调整前大气状态有关的，不同时刻的实际大气对应的参考状态应是不同的，而Lorenz所定义的大气参考状态是绝热调整无法达到的；进而提出了利用条件最小全位能的新概念来研究大气有效位能.     

The base-scale entropy analysis of short-term heart rate variability signal

The complexity of heart rate variability (HRV) signal can reflect physiological functions and healthy status of heart system. Detecting complexity of the short-term HRV signal has an important practical meaning. We introduce the base-scale entropy method to analyze the complexity of time series. The advantages of our method are its simplicity, extremely fast calculation for very short data and anti-noise characteristic. For the well-known chaotic dynamical system- logistic map, it is shown that our complexity behaves similarly to Lyapunov exponents, and is especially effective in the presence of random Gaussian noise. This paper addresses the use of base-scale entropy method to 3 low-dimensional nonlinear deterministic systems. At last, we apply this idea to short-term HRV signal, and the result shows the method could robustly identify patterns generated from healthy and pathologic states, as well as aging. The base-scale entropy can provide convenience in practically applications.     

睡眠脑电的非线性动力学方法

在8例健康成年人的睡眠脑电监测实验基础上,利用已有的专家人工分期结果,提取睡眠各阶段特征数据,应用近似熵、复杂度和功率谱熵三种方法进行分析,从客观量化的复杂性度量来刻划睡眠深度的变化情况,对每个睡眠分期选取5000点数据,数据窗取1000点,逐次延时一个采样间隔得到几个时间序列,分别求复杂度,最后取均值即得此分期复杂性测度值,结果表明三种方法均与专家人工分期结果相吻合,近似熵算法复杂不适合在线分析;复杂度算法较简单,但数据粗粒化处理容易丢失信息;功率谱熵算法简单、快速及有效,因而用统计分析方法分析,表明功率谱熵能较好地反映睡眠深度的变化情况。     

人体HRV信号的检测及其复杂性分析

设计开发了一种便携式心电监测仪器,用于监测人的肢体心电(ECG)信号.根据获得的心电数据,采用小波变换技术进行心电R峰的准确定位,进而得到HRV序列.对HRV信号进行复杂性分析的结果表明:处于健康状态下HRV信号的复杂度(C(N))要高于处于病理状态下HRV信号的复杂度,且近似熵和复杂度的分析结果一致;处于健康状态下HRV信号的近似熵要高于处于病理状态HRV信号的近似熵.     

混沌的复杂度研究方法和Logistic映射分析

研究和评价了混沌复杂度3种定量分析方法——Lyapunov指数、分维、测度熵,及其它们之间的内在联系,并研究了一种简单有效的测度熵替代方法——近似熵(approx im ate entropy)方法.应用以上方法对Log istic映射复杂度进行了分析.结果表明Lyapunov指数和测度熵的值与复杂度基本呈线性关系,分维数与复杂度的函数关系尚难确定,且与Lyapunov指数、测度熵之间的关系也不明确.     

Nonlinear short-term heart rate variability prediction of spontaneous ventricular tachyarrhythmia

As malign ventricular tachyarrhythmias triggering sudden cardiac death （SCD）, both ventricular tachycardla （VT） and ventricular fibrillation （VF） are major causes of mortality. The most efficient therapy for SCD prevention is implantable cardioverter defibrillators （ICD）. The ICD can accurately and effectively Identify the forthcoming of fatal ventricular tachyarrhythmlas and deliver a shock in order to restore patients＇ normal sinus rhythm. In this study, two nonlinear complexity measures based on entropy： approximate entropy （ApEn） and sample entropy （SampEn） as well as two time linear indices： the mean RR interval （the average of time intervals between consecutive R-waves） and the standard deviation of RR Intervals were used for short-term forecasting of VT-VF occurrence. The last small sections of interbeat Intervals preceding 135 VT-VF episodes from 78 patients stored by the ICD were analyzed and compared with individually acquired control time series （CON series） from the same patients, which are normally intrinsic sinus rhythms. The results demonstrate that in addition to an obvious increase in heart rates of the patients, the values of two entropy measures are significantly smaller for VT-VF episodes than those for CON series. Conclusions can be drawn that when a ventricular tachyarrhythmia approaches, the sympathetic tone of the patients is increased, and the complexity of their RR intervals immediately before the onset of VT-VF events is obviously lower than that of RR intervals recorded during sinus rhythms. For a better separation, the optimal range of threshold r is determined for two algorithms. ApEn and SampEn measures might be the suitable nonlinear parameters for shodterm prediction of life-threatening ventricular tachyarrhythmias in the application of the cardioversion and defibrillation.     

基于Poincaré散点图和符号动力学的心电分析方法

心率变异性（heartrate variability,HRV）可以用于进行心脏相关疾病的预测、预防和预后评价等.结合心电散点图和符号动力学的方法,从ECG信号中提取HRV序列,绘制心电散点图,并对散点图中散点进行分区编号编码.计算不同编码的出现概率进而计算整个序列信息熵.以该熵值作为心电特征用于识别和分类.实验得到窦性心律和房颤心律的分类正确率为86.67%,窦性心律与伴有失常心律的早搏分类正确率为90%.证明该方法能有效分类窦性心律与失常心律.      

无氧阈心率和功率简易判定法的探讨

研究结果表明无氧阈每搏功率与pwc_(160)之间存在高度的相关(r=0.9839,P<0.005),可用pwc_(180)推断无氧阈每搏功率。根据pwc_(160)推测的无氧阈每搏功率及pwc_(160)测验中两次负荷时的每搏功率与心率之间的关系,我们可以测算达无氧阈时的心率与功率。     

信息熵与支持向量的关系

标准支持向量机由于具有O(n~3)的时间复杂度和O(n~2)的空间复杂度,影响了其在海量数据集上的应用,而对支持向量机新模型的研究则最有可能取得一些突破,从而彻底解决上述难题。介绍新模型的研究现状的基础上将信息熵引入到支持向量机建模中,重点分析数据的信息熵分布规律和支持向量数据及其熵值的关系,进一步构造了信息熵支持向量机算法,最后给出了相关实验,初步的实验结果显示信息熵支持向量机具有较快的分类速度。     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.