基于脑电节律的小波熵分析方法

 针对现有小波熵方法的影响因素分析不明确,影响认知特性的分析结果和可比性,本文确定了分解层数和P_n（第n个子空间信号能量与信号总能量之比）的选择和计算原则,在此基础上结合脑电节律特性,提出了一种基于节律特征的脑电小波熵分析方法,以构成节律信号的所有子空间为单元,统计所有子空间的能量和作为该节律的能量,经过计算得到脑电节律小波熵。基于该方法提取的脑电小波熵值描述了脑电节律信号的分布情况,同时结合小波熵值与脑电节律的联系,分析了小波熵值变化的原因,可追溯到脑电节律信号的变化规律,进而分析相应的认知特性,初步建立了脑电信号-脑电节律-脑电节律小波熵-认知特性的联系。     

基于贝叶斯相关向量机的脑电睡眠分期

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...     

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。     

基于精细复合多尺度熵与支持向量机的睡眠分期

提出将脑电信号与眼动信号的精细复合多尺度熵作为睡眠分期依据,利用多层次支持向量机的机器学习算法对睡眠进行自动分期.利用精细复合多尺度熵对睡眠信号进行特征提取,选用脑电以及眼电通道的信号,以保证输入特性的可靠性,并通过3层支持向量机实现了睡眠的自动分期.结果表明,分类器的输入参数可由熵值曲线的变化特征来确定.基于精细复合多尺度熵的多层次支持向量机算法的睡眠分期准确率达到85.3%,与已有的分类算法相比,所提出的算法更加均衡,且整体分类效果更佳.     

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．     

一种基于S变换及样本熵组合特征的癫痫脑电信号分类方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义。为了解决脑电信号采用单一特征识别率不高的问题,提出了一种基于S变换与样本熵组合的癫痫脑电信号自动识别方法。首先对原始信号进行S变换;然后对变换后脑电信号各节律的幅值分别求其波动指数,将其与原始信号计算得到的样本熵组合为特征向量;最后采用支持向量机进行癫痫脑电信号自动识别。实验结果表明:方法的分类准确率明显提高,准确率可达到98.94%。     

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.     

基于近似熵和样本熵的思维脑电信号分析对比

采用近似熵和样本熵,分别对三种不同思维任务产生的脑电信号进行特征提取,并将其特征进行比较分析,结果显示不同思维作业脑电信号的样本熵的变化幅度明显大于近似熵;近似熵和样本熵作为非线性动力学的统计方法为思维作业脑电信号特征提取提供了一种新的途径.     

微弱脑信号专注度特征提取与识别

目前基于脑机接口的脑电信号研究得到越来越广泛的关注,然而传统脑电信号采集需要使用电极帽并涂抹胶泥膏而不被大多数用户所接受。因此,将研究使用无需涂抹胶泥膏的独立电极采集脑电信号,然而使用独立电极采集脑电信号容易出现干扰大、信号不稳定等缺陷。为了快速有效提取脑电信号特征并克服独立电极采集脑电信号的缺陷,将采用低通滤波方法进行工频干扰的滤除,利用独立成分分析(ICA)实现脑电信号中的眼电伪迹分离,并在此基础上通过设置水平眼电和垂直眼电阈值以及各个独立成分在脑部位置的空间分布特性实现眼电伪迹的识别。最后,分别利用β波能量以及样本熵来衡量人脑专注度的高低,仿真结果表明两者均与专注度成正相关,实验以Neuro Sky专注度为基准,将两种算法分别与其进行对照。此外,样本熵与Neuro Sky算法的相关度比β波能量法提高了26%,说明样本熵专注度提取算法更能精确跟踪人脑注意力的变化,对脑电信号专注度的衡量与实际更加吻合。     

基于样本熵的注意力相关脑电特征信息提取与分类

提出一种用样本熵作为特征进行注意力相关脑电信号的分析与分类处理、并采用支持向量机(SVM)算法实现分类器的方法.7位年龄在20~30岁之间的男性受试者接受了执行3种不同注意任务状态下的测试.数据分析结果显示:样本熵分类法对注意任务相关脑电信号分类的正确率可达85.5%,优于传统频段能量法获得的分类精度(77.9%).这个结果暗示了样本熵能有效地识别出自发脑电中注意力相关信息,因而它可在脑电生物信息反馈治疗系统设计中获得广泛的应用.     

矿井系统的广义熵理论研究

本文主要用系统的观点，侧重于矿井系统的特性特别是模糊与随机特性的分析与描述，提出了矿井系统的广义熵理论的概念、研究与应用方法．并对不同的矿井系统结构进行了结构熵──有序度的评价。     

熵(Ⅱ)

介绍了解决遍历理论经典问题的Kolmogorov熵,以及为研究拓扑动力系统而产生的拓扑熵等概念,进而引导读者对这一引人入胜的领域去进行研究.     

个体发育过程中生物体的熵

本文主要讨论了生物体个体发育过程中的熵和熵产生率的一般变化规律，给出了生物体在任一发育时刻ｔ的熵以及ｔ－ｔ＋Δｔ时间内熵为的近似计算方法。结果表明，个体发育过程中生物体的料和熵产生率既不能过大也不能过小，而是要和个体发育各个时期的发育水平相适应。     

矿井随机与模糊系统广义熵理论及其应用研究

侧重于矿井系统的随机与模糊特性的分析与描述。给出了矿井随机模糊系统的定义，提出了新的矿井随机模糊系统我熵理论研究的研究领域，基本概念，函数表达式等对不同的矿井系统结构进行了结构熵评价。     

物理学中的熵概念

针对一般文献中对熵概念理解的混乱的失当之处,对物理学中的熵概念的基本含义进行了疏理．文章讨论了克劳修斯熵和波尔兹曼熵的差别、联系和意义;证明了一般文献对热力学熵公式中作为积分因子的１／Ｔ的Ｔ的解释的失当之处;区别了作为体系结构组构方式变化过程中熵值减少程度和作为体系结构方式偏离标准值的程度的两种不同意义的负熵规定     

物理熵与信息熵的辨证统一

从广义和狭义角度,论述了物理熵与信息熵的不同物理内涵,并根据熵研究的最新进展,提出并论证了二熵的辨证统一性.     

熵(Ⅰ)

一般不确定性问题所包涵的“不确定”的程度，在多数情况下是可以用数学来定量地描述的，关于不确定性的数学度量，我们称之为熵．这里，首先介绍物理学家、化学家早已熟悉的热力学熵，并对古典的Boltzmann熵作数学描述，进而对随着信息理论的需要而出现的Shannon熵作一番论述．并对熵在现实世界中的应用进行研究．     

熵变概念的拓展

在Prigogine熵变公式和Shannon信息熵公式的基础上,提出了人体熵变的概念.指出人头脑中信息或知识的更替应成为人体熵变的一部分.给出了广义熵变公式,并讨论了其意义.     

广义熵与样本熵差渐近计算

本文引进(k,s)阶广义熵,q阶Shannon熵及q阶Renyi熵。考察其极值性,单调性等基本特性,论述其作为随机模式在主观先验知识条件下不肯定性度量之特征。通过与数据方差的比较,阐明数据熵差作为数据差异性度量的一系列性质。最后利用对数Г函数给出样本熵差的渐近计算。     

熵的泛化及应用

熵是热学中一个重要的物理概念,也是近年来一个发展特别活跃的基本概念.自1865年克劳休斯提出熵以来,随着各学科的相互渗透和科学综合化发展,熵概念已经远远超出物理学的范畴.信息熵的出现,成为了熵正式泛化的标志.目前,熵的概念在自然和社会科学的许多领域中得到广泛的推广和应用,熵已成为了一种新的世界观.