首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到16条相似文献,搜索用时 183 毫秒
1.
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.  相似文献   

2.
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.  相似文献   

3.
基于样本熵的睡眠脑电分期   总被引:5,自引:0,他引:5  
运用样本熵从波士顿Beth Israel睡眠脑电实验数据中提取睡眠特征值,对睡眠分期进行研究.针对脑电属于微弱非平稳随机信号、难于提取特征的特点,利用小波变换先有效地消除脑电信号中的噪声,再计算其样本熵用以表征睡眠各分期.计算结果表明,由清醒期到非快速眼动的Ⅳ期过程中,其样本熵值呈规律性逐渐变小,与该库中专家评定的结果相符.这说明经过小波消噪和样本熵处理的脑电信号能准确地反映睡眠各期的变化特征,比用近似熵表征睡眠分期更准确、运算速度更快,完全适用于非平稳随机信号的处理.  相似文献   

4.
针对支持向量机(SVM)计算复杂度高和参数不易确定的局限性,提出一种基于稀疏贝叶斯相关向量机(RVM)的脑电数据睡眠分期方法.给出二分类RVM的参数推理和优化,并确定了二叉树多分类RVM模型.基于8例健康成年人的MIT/BIH睡眠脑电实测数据,根据已有的专家人工睡眠分期注释,首先提取清醒期和睡眠各期脑电数据的样本熵值作...  相似文献   

5.
本文介绍了近似熵(ApEn)和谱熵(SE)两种复杂性测度,研究了在两组静默(采用中国气功和Kundalini瑜珈练习方法)和正常状态下的心率复杂性。观察到两种状态下复杂度有明显差异,但两种状态下复杂性数值的大小关系对取决于不同的个体。研究结果进一步在心率变化的复杂性方面支持了关于在人体心率和自主调节间存在某种关联的看法,并提供了新的定量描述心率不同状态的方式和途径。  相似文献   

6.
睡眠剥夺对脑认知和脑电复杂性的影响   总被引:5,自引:0,他引:5  
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.  相似文献   

7.
采用近似熵(approximate entropy,ApEn)的新统计方法衡量神经元不同自发放电活动时间序列数据的规律性和复杂度,对多电极阵列上培养的海马神经元网络自发活动的复杂度进行研究.结果表明不同自发放电活动的近似熵动态变化曲线有明显差别.静息期时近似熵值范围1.0-1.2;典型爆发活动时近似熵值呈现迅速下降而后上升再下降小幅振荡(0.2-0.6);而伪爆发活动时近似熵值在0.2—0.7范围,沿平行时间轴的某一直线上下波动;连续发放锋电位时近似熵值在0.8-0.9范围;而随机单发锋电位时近似熵值0.6—0.8范围.以上分析结果说明近似熵动态变化曲线能够体现爆发活动和锋电位发放过程的规律性和复杂度变化,并可以有效地识别培养神经元网络自发的不同电生理信号,因而在神经元电信号分析中有着潜在的应用价值.  相似文献   

8.
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。  相似文献   

9.
基于熵理论和复杂度的肌电信号分析   总被引:1,自引:0,他引:1  
传统信号处理方法对肌电信号分析存在一定局限。不能很好地描述肌电信号的复杂性;而基于熵理论和复杂度等非线性分析方法越来越多地应用于肌电信号等生理信号的处理。熵理论和复杂度对于肌电信号的处理具有运算速度快、数值特征明显,并且能够很好地描述其复杂性等特点。本文以做俯卧撑的上肢肌电信号为分析对象,通过计算其Renyi熵、小波熵和复杂度刻画不同阶段肌电信号的复杂性。并验证以此测度进行肌电信号不同区域划分的合理性,以及应用该方法分析肌电信号的有效性,取得了较好的效果。试验数据分析结果表明,小波熵值较大的部分对应于肌电信号能量较高的区域。从生理意义而言,这些区域正是肌肉纤维集中放电的过程。肌电信号成分单一,是复杂度较低的区域,而Renyi熵和复杂度值越大,对应的肌电信号成分复杂度越高,这与理论分析吻合得比较好。同时三者也得到了相互验证。由此表明该方法对于肌电信号的分析是可行的。非线性分析方法可能是未来肌电信号等生理信号的发展方向。该方法还可以应用于体力疲劳评价。  相似文献   

10.
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.  相似文献   

11.
基于脑电波复杂度的麻醉深度监测   总被引:1,自引:2,他引:1  
脑电(EEG)是能反映麻醉深浅程度的电生理信号,为了能从非线性、非平稳的脑电信号中提取与麻醉深度相关的有效信息,笔者采用由Lempel和Ziv提出的复杂度算法,对实测SD大鼠在不同麻醉状态下脑电信号的复杂度进行计算,比较了不同麻醉深度下脑电复杂度的变化情况.从实验观察的现象与数据比较结果可见,利用复杂度来表征脑电信号的特征值可以很好地反映麻醉的深浅程度,而且算法简单、实时性好,是一种量化庆醉深度的新方法.  相似文献   

12.
睡眠呼吸暂停(sleep apnea,SA)是一种睡眠障碍疾病,严重影响睡眠质量和身体健康。为降低睡眠呼吸障碍检测的复杂度并提高准确率,提出了一种粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)方法,通过心电信号实现对SA的准确检测。首先,将心电信号分段,并从中提取心率变异性;其次,实现特征提取与选择,包含心电信号RR间期的均值、标准差、均值标准差、差值均方的平方、心率变异性的信号总功率、低频段功率、高频段功率、瞬时中位频率、边际谱熵和能量谱熵等;最后通过PSO-SVM分类算法进行睡眠呼吸暂停检测。结果表明,本方法筛选10个特征对SA检测,利用Apnea-ECG数据库通过PSO-SVM检测准确率为94.0%,提升了现有方法的检测性能。  相似文献   

13.
 大脑会随着年龄的增加而出现功能衰退,通过决策实验获取年轻人和中老年人的脑电信号,可以定量分析大脑随年龄增长而出现的变化。提出了一种基于熵的脑电波刻画方法,并利用机器学习的方法能够比较准确地预测人的大脑年龄。研究表明,脑电波功率谱熵(PSE)具有良好的时域分辨能力和更准确的区分效果,年轻人在做决策时的脑电波功率谱熵的分布是大于中老年人的,即年轻人所产生的脑电波信息量更大。此外,支持向量机(SVM)的分类效果优于随机森林(RF)方法,最高平均精度达88.02%,比随机森林高出2.66%。通过基尼指数对特征重要性排序,还发现决策过程中左眼电区域、大脑的颞和中央区域的决策反应差异很大,分类器更容易在这些特征区域做出更好的分类。  相似文献   

14.
To assess the effects of neurofeedback on brain electrophysiology and to determine how biofeedback works, power spectral density (PSD) and approximate entropy (ApEn) analyses are applied to the EEGs of six patients with intractable epilepsy who received neurofeedback training. After sessions of treatment, the EEG sensorimotor rhythm to theta PSD ratio calculated from the C4 electrode site becomes larger than that before the treatment, which is consistent with the biofeedback protocol. The ApEn over 16-channel EEG recordings all increase to different degrees. Larger increases occur in channels located near the training position (C4). All these results suggest that these EEG measurements are new criteria that can be used to evaluate the effect of neurofeedback.  相似文献   

15.
利用小波软阈值消噪法和快速傅里叶变换研究不同温度条件下芦荟叶片电信号的基本特征及变化规律。通过植物电信号谱边缘频率(SEF)、谱重心频率(SGF)和功率谱熵(PSE)研究不同温度下芦荟(Aloe vera L.)叶片电信号功率谱的变化。结果表明,芦荟的电信号是一种强度为mV数量级、频率分布在5 Hz以下的低频信号;随着温度的升高,电信号的SEF和SGF向高频段移动,细胞活动受到激发,PSE急剧增加;在升温过程中SEF、SGF和PSE三者的变化趋势趋于一致,PSE与SGF的变化之间有很强的关联性,因而植物电信号PSE或SGF的变化可以作为叶片细胞响应外界环境变化的灵敏指标,而对植物生长发育的生理生化过程实施科学调控。  相似文献   

16.
To quantify the characteristics of the power spectrum of plant electrical signals, we defined the following concepts:spectral edge frequency (SEF), spectral center frequency (SCF), power index (PI) and power spectral entropy (PSE). These parameters were used to examine and quantify changes in the power spectrum of electrical signals in maize leaves under osmotic stress. In the absence of osmotic stress, the SEF of the electrical signal in maize leaves was approx. 0.2 Hz and the SCF was approx. 0.1 Hz. The electrical signal in maize leaves was mainly a slow wave signal with a frequency of 0-0.1 Hz. After 2 h osmotic stress, the SEF and SCF of the electrical signal increased to higher frequencies. The proportion of the fast wave frequency also increased to 0.1-0.2 Hz, resulting in a dramatic increase in PSE. We also found that the changes in PSE and SCF were significantly correlated during osmotic stress. We propose that the changes in the PSE and SCF in maize leaves can be used as a sensitive signal indicating water deficit in leaf cells under osmotic stress. Thus, measurement of SCF or PSE of electrical signals in maize leaves could be used to develop early warning and rapid diagnosis techniques for the water demands of plants.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号